基於rbf網路的語音信號處理

A. 神經網路演算法的人工神經網路

人工神經網路（Artificial Neural Networks，ANN）系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模並行處理、分布式信 息存儲、良好的自組織自學習能力等特點。BP（Back Propagation）演算法又稱為誤差 反向傳播演算法，是人工神經網路中的一種監督式的學習演算法。BP 神經網路演算法在理 論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。而且網路的中間層數、各層的處理單元數及網路的學習系數等參數可根據具體情況設定，靈活性很大，在優化、信號處理與模式識別、智能控制、故障診斷等許 多領域都有著廣泛的應用前景。 人工神經元的研究起源於腦神經元學說。19世紀末，在生物、生理學領域，Waldeger等人創建了神經元學說。人們認識到復雜的神經系統是由數目繁多的神經元組合而成。大腦皮層包括有100億個以上的神經元，每立方毫米約有數萬個，它們互相聯結形成神經網路，通過感覺器官和神經接受來自身體內外的各種信息，傳遞至中樞神經系統內，經過對信息的分析和綜合，再通過運動神經發出控制信息，以此來實現機體與內外環境的聯系，協調全身的各種機能活動。
神經元也和其他類型的細胞一樣，包括有細胞膜、細胞質和細胞核。但是神經細胞的形態比較特殊，具有許多突起，因此又分為細胞體、軸突和樹突三部分。細胞體內有細胞核，突起的作用是傳遞信息。樹突是作為引入輸入信號的突起，而軸突是作為輸出端的突起，它只有一個。
樹突是細胞體的延伸部分，它由細胞體發出後逐漸變細，全長各部位都可與其他神經元的軸突末梢相互聯系，形成所謂「突觸」。在突觸處兩神經元並未連通，它只是發生信息傳遞功能的結合部，聯系界面之間間隙約為（15～50)×10米。突觸可分為興奮性與抑制性兩種類型，它相應於神經元之間耦合的極性。每個神經元的突觸數目正常，最高可達10個。各神經元之間的連接強度和極性有所不同，並且都可調整、基於這一特性，人腦具有存儲信息的功能。利用大量神經元相互聯接組成人工神經網路可顯示出人的大腦的某些特徵。
人工神經網路是由大量的簡單基本元件——神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。
人工神經網路反映了人腦功能的若干基本特性，但並非生物系統的逼真描述，只是某種模仿、簡化和抽象。
與數字計算機比較，人工神經網路在構成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程式控制制。
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對於寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。
如果輸出為「0」(即結果錯誤)，則把網路連接權值朝著減小綜合輸入加權值的方向調整，其目的在於使網路下次再遇到「A」模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網路輪番輸入若干個手寫字母「A」、「B」後，經過網路按以上學習方法進行若干次學習後，網路判斷的正確率將大大提高。這說明網路對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網路的各個連接權值上。當網路再次遇到其中任何一個模式時，能夠作出迅速、准確的判斷和識別。一般說來，網路中所含的神經元個數越多，則它能記憶、識別的模式也就越多。 （1）人類大腦有很強的自適應與自組織特性，後天的學習與訓練可以開發許多各具特色的活動功能。如盲人的聽覺和觸覺非常靈敏；聾啞人善於運用手勢；訓練有素的運動員可以表現出非凡的運動技巧等等。
普通計算機的功能取決於程序中給出的知識和能力。顯然，對於智能活動要通過總結編製程序將十分困難。
人工神經網路也具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網路因學習方式及內容不同可具有不同的功能。人工神經網路是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標准進行分類或模仿；另一種是無監督學習或稱無為導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境 （即輸入信號情況）而異，系統可以自動發現環境特徵和規律性，具有更近似人腦的功能。
（2）泛化能力
泛化能力指對沒有訓練過的樣本，有很好的預測能力和控制能力。特別是，當存在一些有雜訊的樣本，網路具備很好的預測能力。
(3)非線性映射能力
當對系統對於設計人員來說，很透徹或者很清楚時，則一般利用數值分析，偏微分方程等數學工具建立精確的數學模型，但當對系統很復雜，或者系統未知，系統信息量很少時，建立精確的數學模型很困難時，神經網路的非線性映射能力則表現出優勢，因為它不需要對系統進行透徹的了解，但是同時能達到輸入與輸出的映射關系，這就大大簡化設計的難度。
(4)高度並行性
並行性具有一定的爭議性。承認具有並行性理由：神經網路是根據人的大腦而抽象出來的數學模型，由於人可以同時做一些事，所以從功能的模擬角度上看，神經網路也應具備很強的並行性。
多少年以來，人們從醫學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協同學等各個角度企圖認識並解答上述問題。在尋找上述問題答案的研究過程中，這些年來逐漸形成了一個新興的多學科交叉技術領域，稱之為「神經網路」。神經網路的研究涉及眾多學科領域，這些領域互相結合、相互滲透並相互推動。不同領域的科學家又從各自學科的興趣與特色出發，提出不同的問題，從不同的角度進行研究。
下面將人工神經網路與通用的計算機工作特點來對比一下：
若從速度的角度出發，人腦神經元之間傳遞信息的速度要遠低於計算機，前者為毫秒量級，而後者的頻率往往可達幾百兆赫。但是，由於人腦是一個大規模並行與串列組合處理系統，因而，在許多問題上可以作出快速判斷、決策和處理，其速度則遠高於串列結構的普通計算機。人工神經網路的基本結構模仿人腦，具有並行處理特徵，可以大大提高工作速度。
人腦存貯信息的特點為利用突觸效能的變化來調整存貯內容，也即信息存貯在神經元之間連接強度的分布上，存貯區與計算機區合為一體。雖然人腦每日有大量神經細胞死亡 （平均每小時約一千個），但不影響大腦的正常思維活動。
普通計算機是具有相互獨立的存貯器和運算器，知識存貯與數據運算互不相關，只有通過人編出的程序使之溝通，這種溝通不能超越程序編制者的預想。元器件的局部損壞及程序中的微小錯誤都可能引起嚴重的失常。 心理學家和認知科學家研究神經網路的目的在於探索人腦加工、儲存和搜索信息的機制，弄清人腦功能的機理，建立人類認知過程的微結構理論。
生物學、醫學、腦科學專家試圖通過神經網路的研究推動腦科學向定量、精確和理論化體系發展，同時也寄希望於臨床醫學的新突破；信息處理和計算機科學家研究這一問題的目的在於尋求新的途徑以解決不能解決或解決起來有極大困難的大量問題，構造更加逼近人腦功能的新一代計算機。
人工神經網路早期的研究工作應追溯至上世紀40年代。下面以時間順序，以著名的人物或某一方面突出的研究成果為線索，簡要介紹人工神經網路的發展歷史。
1943年，心理學家W·Mcculloch和數理邏輯學家W·Pitts在分析、總結神經元基本特性的基礎上首先提出神經元的數學模型。此模型沿用至今，並且直接影響著這一領域研究的進展。因而，他們兩人可稱為人工神經網路研究的先驅。
1945年馮·諾依曼領導的設計小組試製成功存儲程序式電子計算機，標志著電子計算機時代的開始。1948年，他在研究工作中比較了人腦結構與存儲程序式計算機的根本區別，提出了以簡單神經元構成的再生自動機網路結構。但是，由於指令存儲式計算機技術的發展非常迅速，迫使他放棄了神經網路研究的新途徑，繼續投身於指令存儲式計算機技術的研究，並在此領域作出了巨大貢獻。雖然，馮·諾依曼的名字是與普通計算機聯系在一起的，但他也是人工神經網路研究的先驅之一。
50年代末，F·Rosenblatt設計製作了「感知機」，它是一種多層的神經網路。這項工作首次把人工神經網路的研究從理論探討付諸工程實踐。當時，世界上許多實驗室仿效製作感知機，分別應用於文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。然而，這次人工神經網路的研究高潮未能持續很久，許多人陸續放棄了這方面的研究工作，這是因為當時數字計算機的發展處於全盛時期，許多人誤以為數字計算機可以解決人工智慧、模式識別、專家系統等方面的一切問題，使感知機的工作得不到重視；其次，當時的電子技術工藝水平比較落後，主要的元件是電子管或晶體管，利用它們製作的神經網路體積龐大，價格昂貴，要製作在規模上與真實的神經網路相似是完全不可能的；另外，在1968年一本名為《感知機》的著作中指出線性感知機功能是有限的，它不能解決如異感這樣的基本問題，而且多層網路還不能找到有效的計算方法，這些論點促使大批研究人員對於人工神經網路的前景失去信心。60年代末期，人工神經網路的研究進入了低潮。
另外，在60年代初期，Widrow提出了自適應線性元件網路，這是一種連續取值的線性加權求和閾值網路。後來，在此基礎上發展了非線性多層自適應網路。當時，這些工作雖未標出神經網路的名稱，而實際上就是一種人工神經網路模型。
隨著人們對感知機興趣的衰退，神經網路的研究沉寂了相當長的時間。80年代初期，模擬與數字混合的超大規模集成電路製作技術提高到新的水平，完全付諸實用化，此外，數字計算機的發展在若干應用領域遇到困難。這一背景預示，向人工神經網路尋求出路的時機已經成熟。美國的物理學家Hopfield於1982年和1984年在美國科學院院刊上發表了兩篇關於人工神經網路研究的論文，引起了巨大的反響。人們重新認識到神經網路的威力以及付諸應用的現實性。隨即，一大批學者和研究人員圍繞著 Hopfield提出的方法展開了進一步的工作，形成了80年代中期以來人工神經網路的研究熱潮。
1985年，Ackley、Hinton和Sejnowski將模擬退火演算法應用到神經網路訓練中，提出了Boltzmann機，該演算法具有逃離極值的優點，但是訓練時間需要很長。
1986年，Rumelhart、Hinton和Williams提出了多層前饋神經網路的學習演算法，即BP演算法。它從證明的角度推導演算法的正確性，是學習演算法有理論依據。從學習演算法角度上看，是一個很大的進步。
1988年，Broomhead和Lowe第一次提出了徑向基網路：RBF網路。
總體來說，神經網路經歷了從高潮到低谷，再到高潮的階段，充滿曲折的過程。

B. 求文檔: DSP與語音信號處理

引言

目前，由於具有運算速度快、片上資源豐富和能夠實現復雜的線性和非線性演算法等特性，DSP已成為通信、計算機和消費電子產品等領域的基礎器件，其中在語音信號處理技術方面顯得尤為突出。然而，由於包括DSP本身在內的所有電子器件都是干擾源，而且系統所處的工作環境中還有很多外來干擾源，再加上語音識別技術對信號雜訊非常敏感，所以在系統設計中必須考慮系統的抗干擾問題。否則，至少會影響系統的處理結果，甚至造成更為嚴重的後果。本文介紹基於DSP的語音信號處理系統中的抗干擾技術。

2系統的干擾源和干擾途徑

基於DSP的語音信號處理系統中的干擾源主要有雷電放電造成的大氣雜訊源、太陽黑子運動等造成的天電雜訊源、電阻等電子元器件工作時發熱造成的熱雜訊源、50Hz工頻電網造成的電網干擾源、家用電器造成的干擾源、電機造成的電刷干擾源、汽車點火裝置造成的點火系統干擾源、無線通信系統造成的射頻干擾源以及一些人為惡意造成的干擾源等，所有干擾源中高頻脈沖雜訊對數字信號處理系統的危害最大(這里不研究語音引起的音頻干擾)。

以上提到的干擾源都屬於電磁干擾(EMI)。電磁學原理：只要有電流存在就會產生磁場，只要有電壓存在就會產生電場。磁場、電場隨時間變化量的多少，就是產生電磁干擾的根本原因。電磁干擾的概念如圖1所示。

基於DSP的語音信號處理系統的干擾途徑主要有電源線、輸入/輸出線、接地線、電磁感應、靜電感應、電路的公共阻抗、電源異常等。各種干擾途徑在系統中所佔比例如表1所示。

3抗干擾措施

根據對系統自身、干擾源和干擾途徑的分析，抗干擾措施主要方案是：

①提高系統自身的電磁兼容性；

②隔離干擾源；

③切斷干擾途徑。

基於這3種方案，本文提出了一些適用於本系統的硬體抗干擾技術和軟體抗干擾技術。

3.1電磁兼容

電磁兼容性是指電力、電子、通訊設備或其系統在其設置的場所處於工作狀態時，不對其周圍產生影響，也不被其四周的電磁環境所影響，不產生誤動作和性能降低，按設計獲得其工作能力。也就是說，設備或系統不對外界產生電磁干擾，而且不受所處環境中電磁干擾影響其正常工作能力。

3.2硬體抗干擾技術

由於高頻脈沖雜訊對本系統危害最大，為了提高系統的抗干擾性能，在系統中可採取以下措施：

(1)增加匯流排的抗干擾能力。採用三態門形式的匯流排結構，並給匯流排接上拉電阻，使匯流排在瞬間處於穩定的高電平而避免匯流排出現懸空狀態。匯流排須加緩沖器。

(2)提高系統控制信號抗干擾能力。在系統中通常有RESET、STB等控制線，當CPU與其控制器件的傳輸距離較遠且控制線阻抗較高時，就容易受到脈沖雜訊干擾。可在被控制器件的輸入端並聯一隻20pF的電容，並且在RESET等控制信號線並聯一隻0.OlμF電容。控制線加一級緩沖器，使控制線的阻抗變低，也有助於抑制干擾。

(3)抑制數字信號的串模干擾。這種串模干擾是相鄰信號線在傳輸信號過程中引起的干擾，大多發生在印製板平行導線上。串模干擾的強弱與相鄰兩信號線之間的耦合阻抗和信號本身的阻抗有關。因此，在本系統中應當盡量縮簡訊號線的長度；傳輸多種電平信號時，盡量把前、後沿時間相近的電平信號劃為一組傳輸；在雙面印製板的背面布置較大面積的地線區域，從而對部件產生的高頻脈沖雜訊起到吸收和屏蔽的作用。

(4)利用電磁干擾濾波器(EMIFilter)消除電源干擾。隨著電子設備、計算機和家用電器的大量涌現與廣泛普及，電網干擾正日益嚴重並形成一種公害。特別是瞬態電磁干擾，其電壓幅度高(幾百伏至上千伏)、上升速率塊、持續時間短、隨機性強，容易使數字電路產生嚴重干擾，甚至損害設備。電磁干擾濾波器亦稱電源雜訊濾波器(PNF)，它能有效地抑制電網雜訊，提高設備的抗干擾能力及系統的可靠性。電磁干擾濾波器在系統中的應用如圖2所示。

(5)利用硬體看門狗功能提高系統的抗干擾能力。由專用器件MAX692構成的看門狗電路如圖3所示，系統所用外圍元件少。MAX692是微系統監控電路，具有後備電池切換、掉電判別、看門狗監控等功能。其中WDI是看門狗檢測輸入端，接到DSP的一個專用I/O口或一個匯流排口上。RESET是復位信號輸出端，接DSP的復位端RST。MAX692的WDI定時周期為1.6s，復位脈沖寬度是200ms。如果WDI保持高或低超過「看門狗」定時周期(1.6s)，RESET端將產生寬200ms(最小140ms)的負脈沖使DSP復位。

3.3軟體抗干擾技術

利用軟體也可以提高DSP語音處理系統的抗干擾能力。主要有：

①利用數字濾波器來濾除干擾；

②採用軟體看門狗、多次采樣技術、定時刷新輸出口等技術來抑制干擾。

下面主要介紹數字濾波器在本系統中的應用。

數字濾波器(DF)對語音信號的處理過程如圖4所示。語音信號首先經過采樣/保持電路(S/H)，送至模/數轉換器(ADC)轉換成數字量，然後通過數字濾波器濾除其中的干擾信號，最後通過數/模轉換器(DAC)獲得語音信號輸出。

根據所用數學模型的不同，數字濾波器可分為兩大類：一類是遞歸型濾波器，其特點是濾波器的輸出不僅與輸入信號有關，而且還與過去的輸出值有關；另一類是非遞歸型濾波器(如一階、二階低通濾波器)，其特徵是濾波器的輸出僅與輸入信號有關，而與過去的輸出值無關。本系統使用的是遞歸型濾波器。

設數字濾波器的輸入信號為X(n)，輸出信號為Y(n)，則輸入序列和輸出序列之間的關系可用差分方程表示為：

上式中，輸入信號X(n)可以是語音信號經采樣和ADC轉換後得到的數字序列，也可以是計算機的輸出信號；ak和bk均為系數，通過設置ak和bk可將DF設計成需要的帶通濾波器。

數字濾波器的軟體設計方法有：程序判斷濾波法(限幅濾波法)、中位值濾波法、算術平均濾波法、遞推平均濾波法、防脈沖干擾平均濾波法、一階之後濾波法等6種方法。根據需要，本系統選擇程序判斷濾波法，設計流程如圖5所示。

4結束語

實驗證明：以上抗干擾方法在基於DSP的語音信號處理系統中能夠充分抑制來自系統外的干擾，有效地提高系統的抗干擾能力和可靠性。

輸入序列和輸出序列之間的關系可用差分方程表示為：

C. 基於MATLAB GUI的語音信號處理軟體設計與製作

GUI簡單，只是編寫一個界面而已。關鍵是你自己研究語音信號的演算法，那個就是你自己的專業了。你可以去這個論壇 www.ilovematlab.cnmatlab中文論壇

D. AI技術在數字信號處理中的應用

摘要 4、語音信號處理

E. 語音信號處理的作品目錄

1．1 語音處理技術的發展概況
1．2 語音信號處理的應用 2．1 語音聲學基礎
2．2 語音的感知
2．3 語音的產生
2．4 母音
2．5 輔音
2．6 漢語音節 3. 1 語音信號及其數字化
3. 2 語音信號的時間依賴處理
3．3 短時能量和短時平均幅度
3．4 短時平均過零率
3．5 語音端點檢測
3．6 短時自相關函數
3．7 短時平均幅度差函數
3．8 基音周期估計方法 4．1 短時傅里葉變換的定義和物理意義
4．2 基於短時傅里葉變換的語譜圖及其時頻解析度
4．3 基於短時傅里葉變換的信號重構
4．4 基音同步分析法
4．5 復倒譜和倒譜
4．6 語音信號的倒譜分析與同態解卷積 5．1 線性預測的基本原理
5．2 線性預測方程組的解法
5．3 線性預測的頻域解釋
5．4 線性預測的幾種推演參數
5．5 線譜對分析法
5．6 基於線性預測參數的聲道濾波器的實現 6．1 時頻分布理論和語音信號的時頻表示
6．2 小波理論及其在語音處理中的應用
6．3 語音信號的參數表示及其失真測度
6．4 矢量量化技術及其在語音處理中的應用 7．1 語音識別系統
7．2 語音識別中的特徵提取及譜失真測度
7．3 矢量量化技術在語音識別中的應用
7．4 模板匹配法
7．5 隱馬爾可夫模型技術
7．6 連接詞語音識別系統
7．7 大詞彙量連續語音識別系統
7．8 說話人自適應技術
7．9 關鍵詞檢出
7．10 語音理解
7．11 人工神經網路技術在語音識別中的應用 8．1 說話人識別的基本原理和應用
8．2 說話人識別的特徵選擇
8．3 說話人識別的主要方法
8．4 語種辨識的原理和應用 9．1 語音合成方法
9．2 漢語語音的按規則合成 10. 1 不依賴模型假定的語音編碼方法
10. 2 基於模型假定的語音編碼方法
10．3 極低速率語音編碼技術
10．4 語音編碼器的性能指標和評測方法
10．5 語音質量評價 1．語音基音檢測子程序
2．語音信號線性預測分析子程序
3，基於線性預測的倒譜系數計運算元程序
4．Viterbi演算法子程序

F. 語音信號處理的前景如何

語音編碼已經比較成熟，有很多現成標准。

語音合成已有比較成熟的方案，國內如科大訊飛的。

語音降噪技術發展也很多年，主要分為去除平穩雜訊的單麥克風降噪，以及抑制方向性雜訊的雙麥克風降噪。總體而言，以feature形式存在居多，難以從根本上提高語音質量。畢竟，什麼信號處理技術也難以和人耳聽覺系統的處理能力相比啊。

迴音消除技術嚴格說來，應該屬於音頻信號處理。不過其中的殘余回聲抑制，屬於語音信號處理。可以看成是語音降噪技術的一種擴展，跟單麥克和雙麥克方式都有一定的聯系。這個目前在VOIP技術中已經應用廣泛，可提高餘地已經不大。

語音識別技術目前的技術框架主要基於模式識別，對數據的匹配性要求很高，對方言，口音，以及口語的處理能力還存在很大的瓶頸。對於標准口音，還是可以處理的，不過也需要用戶不低的配合度。總體而言，實用上來講，當前的技術還是略顯雞肋。

所有這些技術目前都有不少性能不錯的開源項目。可以參考使用。不過共同的問題是，似乎沒看到一個非常光明的前進方向。

G. MATLAB神經網路的目錄

第1章 BP神經網路的數據分類——語音特徵信號分類1
本案例選取了民歌、古箏、搖滾和流行四類不同音樂，用BP神經網路實現對這四類音樂的有效分類。
第2章 BP神經網路的非線性系統建模——非線性函數擬合11
本章擬合的非線性函數為y=x21+x22。
第3章 遺傳演算法優化BP神經網路——非線性函數擬合21
根據遺傳演算法和BP神經網路理論，在MATLAB軟體中編程實現基於遺傳演算法優化的BP神經網路非線性系統擬合演算法。
第4章 神經網路遺傳演算法函數極值尋優——非線性函數極值尋優36
對於未知的非線性函數，僅通過函數的輸入輸出數據難以准確尋找函數極值。這類問題可以通過神經網路結合遺傳演算法求解，利用神經網路的非線性擬合能力和遺傳演算法的非線性尋優能力尋找函數極值。
第5章 基於BP_Adaboost的強分類器設計——公司財務預警建模45
BP_Adaboost模型即把BP神經網路作為弱分類器，反復訓練BP神經網路預測樣本輸出，通過Adaboost演算法得到多個BP神經網路弱分類器組成的強分類器。
第6章 PID神經元網路解耦控制演算法——多變數系統控制54
根據PID神經元網路控制器原理，在MATLAB中編程實現PID神經元網路控制多變數耦合系統。
第7章 RBF網路的回歸——非線性函數回歸的實現65
本例用RBF網路擬合未知函數，預先設定一個非線性函數，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函數解析式不清楚的情況下，隨機產生x1,x2和由這兩個變數按上式得出的y。將x1,x2作為RBF網路的輸入數據，將y作為RBF網路的輸出數據，分別建立近似和精確RBF網路進行回歸分析，並評價網路擬合效果。
第8章 GRNN的數據預測——基於廣義回歸神經網路的貨運量預測73
根據貨運量影響因素的分析，分別取國內生產總值（GDP），工業總產值，鐵路運輸線路長度，復線里程比重，公路運輸線路長度，等級公路比重，鐵路貨車數量和民用載貨汽車數量8項指標因素作為網路輸入，以貨運總量，鐵路貨運量和公路貨運量3項指標因素作為網路輸出，構建GRNN，由於訓練數據較少，採取交叉驗證方法訓練GRNN神經網路，並用循環找出最佳的SPREAD。
第9章 離散Hopfield神經網路的聯想記憶——數字識別81
根據Hopfield神經網路相關知識，設計一個具有聯想記憶功能的離散型Hopfield神經網路。要求該網路可以正確地識別0~9這10個數字，當數字被一定的雜訊干擾後，仍具有較好的識別效果。
第10章 離散Hopfield神經網路的分類——高校科研能力評價90
某機構對20所高校的科研能力進行了調研和評價，試根據調研結果中較為重要的11個評價指標的數據，並結合離散Hopfield神經網路的聯想記憶能力，建立離散Hopfield高校科研能力評價模型。
第11章 連續Hopfield神經網路的優化——旅行商問題優化計算100
現對於一個城市數量為10的TSP問題，要求設計一個可以對其進行組合優化的連續型Hopfield神經網路模型，利用該模型可以快速地找到最優（或近似最優）的一條路線。
第12章 SVM的數據分類預測——義大利葡萄酒種類識別112
將這178個樣本的50%做為訓練集,另50%做為測試集,用訓練集對SVM進行訓練可以得到分類模型,再用得到的模型對測試集進行類別標簽預測。
第13章 SVM的參數優化——如何更好的提升分類器的性能122
本章要解決的問題就是僅僅利用訓練集找到分類的最佳參數，不但能夠高准確率的預測訓練集而且要合理的預測測試集，使得測試集的分類准確率也維持在一個較高水平，即使得得到的SVM分類器的學習能力和推廣能力保持一個平衡，避免過學習和欠學習狀況發生。
第14章 SVM的回歸預測分析——上證指數開盤指數預測133
對上證指數從1990.12.20-2009.08.19每日的開盤數進行回歸分析。
第15章 SVM的信息粒化時序回歸預測——上證指數開盤指數變化趨勢和變化空間預測141
在這個案例裡面我們將利用SVM對進行模糊信息粒化後的上證每日的開盤指數進行變化趨勢和變化空間的預測。
若您對此書內容有任何疑問，可以憑在線交流卡登錄中文論壇與作者交流。
第16章 自組織競爭網路在模式分類中的應用——患者癌症發病預測153
本案例中給出了一個含有60個個體基因表達水平的樣本。每個樣本中測量了114個基因特徵，其中前20個樣本是癌症病人的基因表達水平的樣本(其中還可能有子類), 中間的20個樣本是正常人的基因表達信息樣本, 餘下的20個樣本是待檢測的樣本(未知它們是否正常)。以下將設法找出癌症與正常樣本在基因表達水平上的區別，建立競爭網路模型去預測待檢測樣本是癌症還是正常樣本。
第17章SOM神經網路的數據分類——柴油機故障診斷159
本案例中給出了一個含有8個故障樣本的數據集。每個故障樣本中有8個特徵，分別是前面提及過的：最大壓力(P1)、次最大壓力(P2)、波形幅度(P3)、上升沿寬度(P4)、波形寬度(P5)、最大餘波的寬度(P6)、波形的面積(P7)、起噴壓力(P8)，使用SOM網路進行故障診斷。
第18章Elman神經網路的數據預測——電力負荷預測模型研究170
根據負荷的歷史數據，選定反饋神經網路的輸入、輸出節點，來反映電力系統負荷運行的內在規律，從而達到預測未來時段負荷的目的。
第19章 概率神經網路的分類預測——基於PNN的變壓器故障診斷176
本案例在對油中溶解氣體分析法進行深入分析後，以改良三比值法為基礎，建立基於概率神經網路的故障診斷模型。
第20章 神經網路變數篩選——基於BP的神經網路變數篩選183
本例將結合BP神經網路應用平均影響值（MIV，Mean Impact Value）方法來說明如何使用神經網路來篩選變數，找到對結果有較大影響的輸入項，繼而實現使用神經網路進行變數篩選。
第21章 LVQ神經網路的分類——乳腺腫瘤診斷188
威斯康星大學醫學院經過多年的收集和整理，建立了一個乳腺腫瘤病灶組織的細胞核顯微圖像資料庫。資料庫中包含了細胞核圖像的10個量化特徵（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度），這些特徵與腫瘤的性質有密切的關系。因此，需要建立一個確定的模型來描述資料庫中各個量化特徵與腫瘤性質的關系，從而可以根據細胞核顯微圖像的量化特徵診斷乳腺腫瘤是良性還是惡性。
第22章 LVQ神經網路的預測——人臉朝向識別198
現採集到一組人臉朝向不同角度時的圖像，圖像來自不同的10個人，每人5幅圖像，人臉的朝向分別為：左方、左前方、前方、右前方和右方。試創建一個LVQ神經網路，對任意給出的人臉圖像進行朝向預測和識別。
第23章 小波神經網路的時間序列預測——短時交通流量預測208
根據小波神經網路原理在MATLAB環境中編程實現基於小波神經網路的短時交通流量預測。
第24章 模糊神經網路的預測演算法——嘉陵江水質評價218
根據模糊神經網路原理，在MATLAB中編程實現基於模糊神經網路的水質評價演算法。
第25章 廣義神經網路的聚類演算法——網路入侵聚類229
模糊聚類雖然能夠對數據聚類挖掘，但是由於網路入侵特徵數據維數較多，不同入侵類別間的數據差別較小，不少入侵模式不能被准確分類。本案例採用結合模糊聚類和廣義神經網路回歸的聚類演算法對入侵數據進行分類。
第26章 粒子群優化演算法的尋優演算法——非線性函數極值尋優236
根據PSO演算法原理，在MATLAB中編程實現基於PSO演算法的函數極值尋優演算法。
第27章 遺傳演算法優化計算——建模自變數降維243
在第21章中，建立模型時選用的每個樣本（即病例）數據包括10個量化特徵（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度）的平均值、10個量化特徵的標准差和10個量化特徵的最壞值（各特徵的3個最大數據的平均值）共30個數據。明顯，這30個輸入自變數相互之間存在一定的關系，並非相互獨立的，因此，為了縮短建模時間、提高建模精度，有必要將30個輸入自變數中起主要影響因素的自變數篩選出來參與最終的建模。
第28章 基於灰色神經網路的預測演算法研究——訂單需求預測258
根據灰色神經網路原理，在MATLAB中編程實現基於灰色神經網路的訂單需求預測。
第29章 基於Kohonen網路的聚類演算法——網路入侵聚類268
根據Kohonen網路原理，在MATLAB軟體中編程實現基於Kohonen網路的網路入侵分類演算法。
第30章 神經網路GUI的實現——基於GUI的神經網路擬合、模式識別、聚類277
為了便於使用MATLAB編程的新用戶，快速地利用神經網路解決實際問題，MATLAB提供了一個基於神經網路工具箱的圖形用戶界面。考慮到圖形用戶界面帶來的方便和神經網路在數據擬合、模式識別、聚類各個領域的應用，MATLAB R2009a提供了三種神經網路擬合工具箱（擬合工具箱/模式識別工具箱/聚類工具箱）。

H. bp神經網路如果加上遺傳演算法優化，和RBF神經網路，預測哪個比較好！或者這樣哪個比較厲害！跪求大神

RBF比較淺，沒記錯的話只有三層，現在用的已經不多了。
而隨著算力的提升，MLP已經成為主流，不論是計算機視覺還是自然語言處理都是基於MLP做的。

I. 人工神經網路現在還有人在做嗎

人工神經網路在許多領域都有應用，還有很多人正在做這方面的研究。

人工神經網路特有的非線性適應性信息處理能力，克服了傳統人工智慧方法對於直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。人工神經網路與其它傳統方法相結合，將推動人工智慧和信息處理技術不斷發展。近年來，人工神經網路正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳演算法、進化機制等結合，形成計算智能，成為人工智慧的一個重要方向，將在實際應用中得到發展。將信息幾何應用於人工神經網路的研究，為人工神經網路的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網路的發展提供了良好條件。

J. 畢設臨近，哪位大神會用matlab編寫RBF神經網路的代碼

那篇《基於RBF神經網路的校園網路流量預測研究》里的數據看不到，請把數據貼出來便於分析編寫其代碼。