基于rbf网络的语音信号处理

A. 神经网络算法的人工神经网络

人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。 人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 （1）人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
（2）泛化能力
泛化能力指对没有训练过的样本，有很好的预测能力和控制能力。特别是，当存在一些有噪声的样本，网络具备很好的预测能力。
(3)非线性映射能力
当对系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析，偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化设计的难度。
(4)高度并行性
并行性具有一定的争议性。承认具有并行性理由：神经网络是根据人的大脑而抽象出来的数学模型，由于人可以同时做一些事，所以从功能的模拟角度上看，神经网络也应具备很强的并行性。
多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，这些年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。
下面将人工神经网络与通用的计算机工作特点来对比一下：
若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。
人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡 （平均每小时约一千个），但不影响大脑的正常思维活动。
普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。 心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。
生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。
人工神经网络早期的研究工作应追溯至上世纪40年代。下面以时间顺序，以着名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的着作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
1985年，Ackley、Hinton和Sejnowski将模拟退火算法应用到神经网络训练中，提出了Boltzmann机，该算法具有逃离极值的优点，但是训练时间需要很长。
1986年，Rumelhart、Hinton和Williams提出了多层前馈神经网络的学习算法，即BP算法。它从证明的角度推导算法的正确性，是学习算法有理论依据。从学习算法角度上看，是一个很大的进步。
1988年，Broomhead和Lowe第一次提出了径向基网络：RBF网络。
总体来说，神经网络经历了从高潮到低谷，再到高潮的阶段，充满曲折的过程。

B. 求文档: DSP与语音信号处理

引言

目前，由于具有运算速度快、片上资源丰富和能够实现复杂的线性和非线性算法等特性，DSP已成为通信、计算机和消费电子产品等领域的基础器件，其中在语音信号处理技术方面显得尤为突出。然而，由于包括DSP本身在内的所有电子器件都是干扰源，而且系统所处的工作环境中还有很多外来干扰源，再加上语音识别技术对信号噪声非常敏感，所以在系统设计中必须考虑系统的抗干扰问题。否则，至少会影响系统的处理结果，甚至造成更为严重的后果。本文介绍基于DSP的语音信号处理系统中的抗干扰技术。

2系统的干扰源和干扰途径

基于DSP的语音信号处理系统中的干扰源主要有雷电放电造成的大气噪声源、太阳黑子运动等造成的天电噪声源、电阻等电子元器件工作时发热造成的热噪声源、50Hz工频电网造成的电网干扰源、家用电器造成的干扰源、电机造成的电刷干扰源、汽车点火装置造成的点火系统干扰源、无线通信系统造成的射频干扰源以及一些人为恶意造成的干扰源等，所有干扰源中高频脉冲噪声对数字信号处理系统的危害最大(这里不研究语音引起的音频干扰)。

以上提到的干扰源都属于电磁干扰(EMI)。电磁学原理：只要有电流存在就会产生磁场，只要有电压存在就会产生电场。磁场、电场随时间变化量的多少，就是产生电磁干扰的根本原因。电磁干扰的概念如图1所示。

基于DSP的语音信号处理系统的干扰途径主要有电源线、输入/输出线、接地线、电磁感应、静电感应、电路的公共阻抗、电源异常等。各种干扰途径在系统中所占比例如表1所示。

3抗干扰措施

根据对系统自身、干扰源和干扰途径的分析，抗干扰措施主要方案是：

①提高系统自身的电磁兼容性；

②隔离干扰源；

③切断干扰途径。

基于这3种方案，本文提出了一些适用于本系统的硬件抗干扰技术和软件抗干扰技术。

3.1电磁兼容

电磁兼容性是指电力、电子、通讯设备或其系统在其设置的场所处于工作状态时，不对其周围产生影响，也不被其四周的电磁环境所影响，不产生误动作和性能降低，按设计获得其工作能力。也就是说，设备或系统不对外界产生电磁干扰，而且不受所处环境中电磁干扰影响其正常工作能力。

3.2硬件抗干扰技术

由于高频脉冲噪声对本系统危害最大，为了提高系统的抗干扰性能，在系统中可采取以下措施：

(1)增加总线的抗干扰能力。采用三态门形式的总线结构，并给总线接上拉电阻，使总线在瞬间处于稳定的高电平而避免总线出现悬空状态。总线须加缓冲器。

(2)提高系统控制信号抗干扰能力。在系统中通常有RESET、STB等控制线，当CPU与其控制器件的传输距离较远且控制线阻抗较高时，就容易受到脉冲噪声干扰。可在被控制器件的输入端并联一只20pF的电容，并且在RESET等控制信号线并联一只0.OlμF电容。控制线加一级缓冲器，使控制线的阻抗变低，也有助于抑制干扰。

(3)抑制数字信号的串模干扰。这种串模干扰是相邻信号线在传输信号过程中引起的干扰，大多发生在印制板平行导线上。串模干扰的强弱与相邻两信号线之间的耦合阻抗和信号本身的阻抗有关。因此，在本系统中应当尽量缩短信号线的长度；传输多种电平信号时，尽量把前、后沿时间相近的电平信号划为一组传输；在双面印制板的背面布置较大面积的地线区域，从而对部件产生的高频脉冲噪声起到吸收和屏蔽的作用。

(4)利用电磁干扰滤波器(EMIFilter)消除电源干扰。随着电子设备、计算机和家用电器的大量涌现与广泛普及，电网干扰正日益严重并形成一种公害。特别是瞬态电磁干扰，其电压幅度高(几百伏至上千伏)、上升速率块、持续时间短、随机性强，容易使数字电路产生严重干扰，甚至损害设备。电磁干扰滤波器亦称电源噪声滤波器(PNF)，它能有效地抑制电网噪声，提高设备的抗干扰能力及系统的可靠性。电磁干扰滤波器在系统中的应用如图2所示。

(5)利用硬件看门狗功能提高系统的抗干扰能力。由专用器件MAX692构成的看门狗电路如图3所示，系统所用外围元件少。MAX692是微系统监控电路，具有后备电池切换、掉电判别、看门狗监控等功能。其中WDI是看门狗检测输入端，接到DSP的一个专用I/O口或一个总线口上。RESET是复位信号输出端，接DSP的复位端RST。MAX692的WDI定时周期为1.6s，复位脉冲宽度是200ms。如果WDI保持高或低超过“看门狗”定时周期(1.6s)，RESET端将产生宽200ms(最小140ms)的负脉冲使DSP复位。

3.3软件抗干扰技术

利用软件也可以提高DSP语音处理系统的抗干扰能力。主要有：

①利用数字滤波器来滤除干扰；

②采用软件看门狗、多次采样技术、定时刷新输出口等技术来抑制干扰。

下面主要介绍数字滤波器在本系统中的应用。

数字滤波器(DF)对语音信号的处理过程如图4所示。语音信号首先经过采样/保持电路(S/H)，送至模/数转换器(ADC)转换成数字量，然后通过数字滤波器滤除其中的干扰信号，最后通过数/模转换器(DAC)获得语音信号输出。

根据所用数学模型的不同，数字滤波器可分为两大类：一类是递归型滤波器，其特点是滤波器的输出不仅与输入信号有关，而且还与过去的输出值有关；另一类是非递归型滤波器(如一阶、二阶低通滤波器)，其特征是滤波器的输出仅与输入信号有关，而与过去的输出值无关。本系统使用的是递归型滤波器。

设数字滤波器的输入信号为X(n)，输出信号为Y(n)，则输入序列和输出序列之间的关系可用差分方程表示为：

上式中，输入信号X(n)可以是语音信号经采样和ADC转换后得到的数字序列，也可以是计算机的输出信号；ak和bk均为系数，通过设置ak和bk可将DF设计成需要的带通滤波器。

数字滤波器的软件设计方法有：程序判断滤波法(限幅滤波法)、中位值滤波法、算术平均滤波法、递推平均滤波法、防脉冲干扰平均滤波法、一阶之后滤波法等6种方法。根据需要，本系统选择程序判断滤波法，设计流程如图5所示。

4结束语

实验证明：以上抗干扰方法在基于DSP的语音信号处理系统中能够充分抑制来自系统外的干扰，有效地提高系统的抗干扰能力和可靠性。

输入序列和输出序列之间的关系可用差分方程表示为：

C. 基于MATLAB GUI的语音信号处理软件设计与制作

GUI简单，只是编写一个界面而已。关键是你自己研究语音信号的算法，那个就是你自己的专业了。你可以去这个论坛 www.ilovematlab.cnmatlab中文论坛

D. AI技术在数字信号处理中的应用

摘要 4、语音信号处理

E. 语音信号处理的作品目录

1．1 语音处理技术的发展概况
1．2 语音信号处理的应用 2．1 语音声学基础
2．2 语音的感知
2．3 语音的产生
2．4 元音
2．5 辅音
2．6 汉语音节 3. 1 语音信号及其数字化
3. 2 语音信号的时间依赖处理
3．3 短时能量和短时平均幅度
3．4 短时平均过零率
3．5 语音端点检测
3．6 短时自相关函数
3．7 短时平均幅度差函数
3．8 基音周期估计方法 4．1 短时傅里叶变换的定义和物理意义
4．2 基于短时傅里叶变换的语谱图及其时频分辨率
4．3 基于短时傅里叶变换的信号重构
4．4 基音同步分析法
4．5 复倒谱和倒谱
4．6 语音信号的倒谱分析与同态解卷积 5．1 线性预测的基本原理
5．2 线性预测方程组的解法
5．3 线性预测的频域解释
5．4 线性预测的几种推演参数
5．5 线谱对分析法
5．6 基于线性预测参数的声道滤波器的实现 6．1 时频分布理论和语音信号的时频表示
6．2 小波理论及其在语音处理中的应用
6．3 语音信号的参数表示及其失真测度
6．4 矢量量化技术及其在语音处理中的应用 7．1 语音识别系统
7．2 语音识别中的特征提取及谱失真测度
7．3 矢量量化技术在语音识别中的应用
7．4 模板匹配法
7．5 隐马尔可夫模型技术
7．6 连接词语音识别系统
7．7 大词汇量连续语音识别系统
7．8 说话人自适应技术
7．9 关键词检出
7．10 语音理解
7．11 人工神经网络技术在语音识别中的应用 8．1 说话人识别的基本原理和应用
8．2 说话人识别的特征选择
8．3 说话人识别的主要方法
8．4 语种辨识的原理和应用 9．1 语音合成方法
9．2 汉语语音的按规则合成 10. 1 不依赖模型假定的语音编码方法
10. 2 基于模型假定的语音编码方法
10．3 极低速率语音编码技术
10．4 语音编码器的性能指标和评测方法
10．5 语音质量评价 1．语音基音检测子程序
2．语音信号线性预测分析子程序
3，基于线性预测的倒谱系数计算子程序
4．Viterbi算法子程序

F. 语音信号处理的前景如何

语音编码已经比较成熟，有很多现成标准。

语音合成已有比较成熟的方案，国内如科大讯飞的。

语音降噪技术发展也很多年，主要分为去除平稳噪声的单麦克风降噪，以及抑制方向性噪声的双麦克风降噪。总体而言，以feature形式存在居多，难以从根本上提高语音质量。毕竟，什么信号处理技术也难以和人耳听觉系统的处理能力相比啊。

回音消除技术严格说来，应该属于音频信号处理。不过其中的残余回声抑制，属于语音信号处理。可以看成是语音降噪技术的一种扩展，跟单麦克和双麦克方式都有一定的联系。这个目前在VOIP技术中已经应用广泛，可提高余地已经不大。

语音识别技术目前的技术框架主要基于模式识别，对数据的匹配性要求很高，对方言，口音，以及口语的处理能力还存在很大的瓶颈。对于标准口音，还是可以处理的，不过也需要用户不低的配合度。总体而言，实用上来讲，当前的技术还是略显鸡肋。

所有这些技术目前都有不少性能不错的开源项目。可以参考使用。不过共同的问题是，似乎没看到一个非常光明的前进方向。

G. MATLAB神经网络的目录

第1章 BP神经网络的数据分类——语音特征信号分类1
本案例选取了民歌、古筝、摇滚和流行四类不同音乐，用BP神经网络实现对这四类音乐的有效分类。
第2章 BP神经网络的非线性系统建模——非线性函数拟合11
本章拟合的非线性函数为y=x21+x22。
第3章 遗传算法优化BP神经网络——非线性函数拟合21
根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。
第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优36
对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。
第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模45
BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。
第6章 PID神经元网络解耦控制算法——多变量系统控制54
根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。
第7章 RBF网络的回归——非线性函数回归的实现65
本例用RBF网络拟合未知函数，预先设定一个非线性函数，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函数解析式不清楚的情况下，随机产生x1,x2和由这两个变量按上式得出的y。将x1,x2作为RBF网络的输入数据，将y作为RBF网络的输出数据，分别建立近似和精确RBF网络进行回归分析，并评价网络拟合效果。
第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测73
根据货运量影响因素的分析，分别取国内生产总值（GDP），工业总产值，铁路运输线路长度，复线里程比重，公路运输线路长度，等级公路比重，铁路货车数量和民用载货汽车数量8项指标因素作为网络输入，以货运总量，铁路货运量和公路货运量3项指标因素作为网络输出，构建GRNN，由于训练数据较少，采取交叉验证方法训练GRNN神经网络，并用循环找出最佳的SPREAD。
第9章 离散Hopfield神经网络的联想记忆——数字识别81
根据Hopfield神经网络相关知识，设计一个具有联想记忆功能的离散型Hopfield神经网络。要求该网络可以正确地识别0~9这10个数字，当数字被一定的噪声干扰后，仍具有较好的识别效果。
第10章 离散Hopfield神经网络的分类——高校科研能力评价90
某机构对20所高校的科研能力进行了调研和评价，试根据调研结果中较为重要的11个评价指标的数据，并结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。
第11章 连续Hopfield神经网络的优化——旅行商问题优化计算100
现对于一个城市数量为10的TSP问题，要求设计一个可以对其进行组合优化的连续型Hopfield神经网络模型，利用该模型可以快速地找到最优（或近似最优）的一条路线。
第12章 SVM的数据分类预测——意大利葡萄酒种类识别112
将这178个样本的50%做为训练集,另50%做为测试集,用训练集对SVM进行训练可以得到分类模型,再用得到的模型对测试集进行类别标签预测。
第13章 SVM的参数优化——如何更好的提升分类器的性能122
本章要解决的问题就是仅仅利用训练集找到分类的最佳参数，不但能够高准确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况发生。
第14章 SVM的回归预测分析——上证指数开盘指数预测133
对上证指数从1990.12.20-2009.08.19每日的开盘数进行回归分析。
第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测141
在这个案例里面我们将利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测。
若您对此书内容有任何疑问，可以凭在线交流卡登录中文论坛与作者交流。
第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测153
本案例中给出了一个含有60个个体基因表达水平的样本。每个样本中测量了114个基因特征，其中前20个样本是癌症病人的基因表达水平的样本(其中还可能有子类), 中间的20个样本是正常人的基因表达信息样本, 余下的20个样本是待检测的样本(未知它们是否正常)。以下将设法找出癌症与正常样本在基因表达水平上的区别，建立竞争网络模型去预测待检测样本是癌症还是正常样本。
第17章SOM神经网络的数据分类——柴油机故障诊断159
本案例中给出了一个含有8个故障样本的数据集。每个故障样本中有8个特征，分别是前面提及过的：最大压力(P1)、次最大压力(P2)、波形幅度(P3)、上升沿宽度(P4)、波形宽度(P5)、最大余波的宽度(P6)、波形的面积(P7)、起喷压力(P8)，使用SOM网络进行故障诊断。
第18章Elman神经网络的数据预测——电力负荷预测模型研究170
根据负荷的历史数据，选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段负荷的目的。
第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断176
本案例在对油中溶解气体分析法进行深入分析后，以改良三比值法为基础，建立基于概率神经网络的故障诊断模型。
第20章 神经网络变量筛选——基于BP的神经网络变量筛选183
本例将结合BP神经网络应用平均影响值（MIV，Mean Impact Value）方法来说明如何使用神经网络来筛选变量，找到对结果有较大影响的输入项，继而实现使用神经网络进行变量筛选。
第21章 LVQ神经网络的分类——乳腺肿瘤诊断188
威斯康星大学医学院经过多年的收集和整理，建立了一个乳腺肿瘤病灶组织的细胞核显微图像数据库。数据库中包含了细胞核图像的10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度），这些特征与肿瘤的性质有密切的关系。因此，需要建立一个确定的模型来描述数据库中各个量化特征与肿瘤性质的关系，从而可以根据细胞核显微图像的量化特征诊断乳腺肿瘤是良性还是恶性。
第22章 LVQ神经网络的预测——人脸朝向识别198
现采集到一组人脸朝向不同角度时的图像，图像来自不同的10个人，每人5幅图像，人脸的朝向分别为：左方、左前方、前方、右前方和右方。试创建一个LVQ神经网络，对任意给出的人脸图像进行朝向预测和识别。
第23章 小波神经网络的时间序列预测——短时交通流量预测208
根据小波神经网络原理在MATLAB环境中编程实现基于小波神经网络的短时交通流量预测。
第24章 模糊神经网络的预测算法——嘉陵江水质评价218
根据模糊神经网络原理，在MATLAB中编程实现基于模糊神经网络的水质评价算法。
第25章 广义神经网络的聚类算法——网络入侵聚类229
模糊聚类虽然能够对数据聚类挖掘，但是由于网络入侵特征数据维数较多，不同入侵类别间的数据差别较小，不少入侵模式不能被准确分类。本案例采用结合模糊聚类和广义神经网络回归的聚类算法对入侵数据进行分类。
第26章 粒子群优化算法的寻优算法——非线性函数极值寻优236
根据PSO算法原理，在MATLAB中编程实现基于PSO算法的函数极值寻优算法。
第27章 遗传算法优化计算——建模自变量降维243
在第21章中，建立模型时选用的每个样本（即病例）数据包括10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度）的平均值、10个量化特征的标准差和10个量化特征的最坏值（各特征的3个最大数据的平均值）共30个数据。明显，这30个输入自变量相互之间存在一定的关系，并非相互独立的，因此，为了缩短建模时间、提高建模精度，有必要将30个输入自变量中起主要影响因素的自变量筛选出来参与最终的建模。
第28章 基于灰色神经网络的预测算法研究——订单需求预测258
根据灰色神经网络原理，在MATLAB中编程实现基于灰色神经网络的订单需求预测。
第29章 基于Kohonen网络的聚类算法——网络入侵聚类268
根据Kohonen网络原理，在MATLAB软件中编程实现基于Kohonen网络的网络入侵分类算法。
第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类277
为了便于使用MATLAB编程的新用户，快速地利用神经网络解决实际问题，MATLAB提供了一个基于神经网络工具箱的图形用户界面。考虑到图形用户界面带来的方便和神经网络在数据拟合、模式识别、聚类各个领域的应用，MATLAB R2009a提供了三种神经网络拟合工具箱（拟合工具箱/模式识别工具箱/聚类工具箱）。

H. bp神经网络如果加上遗传算法优化，和RBF神经网络，预测哪个比较好！或者这样哪个比较厉害！跪求大神

RBF比较浅，没记错的话只有三层，现在用的已经不多了。
而随着算力的提升，MLP已经成为主流，不论是计算机视觉还是自然语言处理都是基于MLP做的。

I. 人工神经网络现在还有人在做吗

人工神经网络在许多领域都有应用，还有很多人正在做这方面的研究。

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

J. 毕设临近，哪位大神会用matlab编写RBF神经网络的代码

那篇《基于RBF神经网络的校园网络流量预测研究》里的数据看不到，请把数据贴出来便于分析编写其代码。