MATLAB智能算法30個(gè)案例分析目錄

1、智能算法是我們?cè)趯W(xué)習(xí)中經(jīng)常遇到的算法， 主要包括遺傳算法， 免疫算法，粒子群算法，神 經(jīng)網(wǎng)絡(luò)等，智能算法對(duì)于很多人來說， 既愛又恨，愛是因?yàn)槭炀毜恼莆諑追N智能算法， 能夠 很方便的解決我們的論壇問題， 恨是因?yàn)橹悄芩惴ǜ杏X比較 玄乎”，很難理解，更難用它來 解決問題。因此，我們組織了王輝，史峰，郁磊，胡斐四名高手共同寫作MATLAB智能算法,該書包含了遺傳算法，免疫算法，粒子群算法，魚群算法，多目標(biāo)pareto算法，模擬退火算法， 蟻群算法，神經(jīng)網(wǎng)絡(luò)，SVM等，本書最大的特點(diǎn)在于以案例為導(dǎo)向，每個(gè)案例針對(duì)一個(gè)實(shí)際問題，給出全部程序和求解思路，并配套相關(guān)講解視頻,使讀者在讀過一個(gè)案例之后能夠 快

2、速掌握這種方法，并且會(huì)套用案例程序來編寫自己的程序。本書作者在線，讀者和會(huì)員可以向作者提問，作者做到有問必答。本書和目錄如下：1 1 基于遺傳算法的 TSPTSP 算法（王輝）TSP（旅行商問題 一Traveling Salesman Problem），是典型的NP完全問題，即其最壞情況下的 時(shí)間復(fù)雜性隨著問題規(guī)模的增大按指數(shù)方式增長(zhǎng)，到目前為止不能找到一個(gè)多項(xiàng)式時(shí)間的有效算法。遺傳算法是一種進(jìn)化算法，其基本原理是仿效生物界中的物競(jìng)大擇、適者生存”的演化法則。遺傳算法的做法是把問題參數(shù)編碼為染色體，再利用迭代的方式進(jìn)行選擇、交叉以及變異等運(yùn)算來交換種群中染色體的信息，最終生成符合優(yōu)化目標(biāo)的染色

3、體。實(shí)踐證明，遺傳算法對(duì)于解決TSP問題等組合優(yōu)化問題具有較好的尋優(yōu)性能。2 2 基于遺傳算法和非線性規(guī)劃的函數(shù)尋優(yōu)算法（史峰）遺傳算法提供了求解非線性規(guī)劃的通用框架，它不依賴于問題的具體領(lǐng)域。遺傳算法的優(yōu)點(diǎn)是將問題參數(shù)編碼成染色體后進(jìn)行優(yōu)化，而不針對(duì)參數(shù)本身，從而不受函數(shù)約束條件的限制；搜索過程從問題解的一個(gè)集合開始，而不是單個(gè)個(gè)體，具有隱含并行搜索特性， 可大大減少陷入局部最小的可能性。而且優(yōu)化計(jì)算時(shí)算法不依賴于梯度信息，且不要求目標(biāo)函數(shù)連續(xù)及可導(dǎo)，使其適于求解傳統(tǒng)搜索方法難以解決的大規(guī)模、非線性組合優(yōu)化問題。3 3 基于遺傳算法的 BPBP 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法（王輝）BP模型被廣泛地應(yīng)用于

4、模式分類、模式識(shí)別等方面.但BP算法收斂速度慢，且很容易陷入局部極小點(diǎn)，而遺傳算法具有并行搜索、效率高、不存在局部收斂問題等優(yōu)點(diǎn)而被廣泛應(yīng) 用.遺傳算法的尋優(yōu)過程帶有一定程度的隨機(jī)性和盲從性，多數(shù)情況下只能收斂到全局次優(yōu)解，且有過早收斂的現(xiàn)象.為了克服遺傳算法尋優(yōu)過程的盲從性，將有監(jiān)督學(xué)習(xí)的BP算法與之結(jié)合以達(dá)到優(yōu)勢(shì)互補(bǔ)、提高算法的穩(wěn)定性和全局搜索能力的目的。4 4 設(shè)菲爾德大學(xué)的 MATLABMATLAB 遺傳算法工具箱（王輝）Matlab遺傳算法（Genetic Algorithm）優(yōu)化工具箱是基于基本操作及終止條件、二進(jìn)制和十進(jìn) 制相互轉(zhuǎn)換等操作的綜合函數(shù)庫。其實(shí)現(xiàn)步驟包括：通過輸入及輸

5、出函數(shù)求出遺傳算法主函數(shù)、初始種群的生成函數(shù)，采用選擇、交叉、變異操作求得基本遺傳操作函數(shù)。以函數(shù)仿真 為例，對(duì)該函數(shù)優(yōu)化和GA改進(jìn)，只需改寫函數(shù)m文件形式即可。5 5 基于遺傳算法的 LQRLQR 控制優(yōu)化算法（胡斐）LQR控制在工程中得到了廣泛的應(yīng)用，對(duì)于LQR最優(yōu)控制方法，性能指標(biāo)中權(quán)重矩陣的選擇對(duì)控制系統(tǒng)的性能有很大影響。權(quán)重矩陣通常的確定方法，首先是根據(jù)經(jīng)驗(yàn)初步確定，然后通過模擬，根據(jù)輸出響應(yīng)量逐步調(diào)整權(quán)重系數(shù)，直到獲得滿意的輸出響應(yīng)量為止。這種確定方法不僅費(fèi)時(shí)，而且無法獲得最優(yōu)的權(quán)重矩陣使系統(tǒng)性能達(dá)到最優(yōu)。本案例將研究基于遺傳算法的LQR控制優(yōu)化算法，利用遺傳算法的全局尋優(yōu)能力，搜

6、索權(quán)重矩陣。6 6 遺傳算法工具箱詳解及應(yīng)用（胡斐）MATLAB自帶的遺傳算法與直接搜索工具箱（Genetic Algorithm and Direct Search Toolbox,GADST），可以較好地解決與遺傳算法相關(guān)的各種問題。GADST可以通過GUI界面調(diào)用，也可以通過命令行方式調(diào)用，使用簡(jiǎn)單方便。本案例將對(duì)GADST函數(shù)庫的遺傳算法部分進(jìn)行詳細(xì)的代碼分析和講解，并通過求解非線性方程組介紹GADST的使用方法。7 7 多種群遺傳算法的函數(shù)優(yōu)化算法（王輝）標(biāo)準(zhǔn)遺傳算法有時(shí)候會(huì)出現(xiàn)未成熟收斂問題，在求解多目標(biāo)優(yōu)化問題時(shí)顯得尤其嚴(yán)重。遺傳算法存在未成熟收斂問題，在求解多目標(biāo)優(yōu)化問題時(shí)顯得

7、尤其嚴(yán)重。因此已有學(xué)者提出了多種群遺傳算法。該算法中多個(gè)種群使用同一目標(biāo)函數(shù)，各種群的交叉率和變異率取不同的固定值，以搜索不同解空間中的最優(yōu)解，種群之間定期進(jìn)行信息交換。多種群遺傳算法能在一 定程度上緩解遺傳算法的不成熟收斂問題。8 8 基于量子遺傳算法的函數(shù)尋優(yōu)算法（王輝）量子遺傳算法（Quantum Genetic Algorithm , QGA）是量子計(jì)算與遺傳算法（Genetic Algorithm ,GA）相結(jié)合的產(chǎn)物，是一種新發(fā)展起來的概率進(jìn)化算法。量子遺傳算法是將量子計(jì)算與遺傳算法相結(jié)合而形成的一種混合遺傳算法，它彌補(bǔ)了傳統(tǒng)遺傳算法的某些不足；利用量子計(jì)算的一些概念和理論，如量子

8、位、量子疊加態(tài)等，使用量子比特編碼染色體，這種概率幅表示可以使一個(gè)量子染色體同時(shí)表達(dá)多個(gè)狀態(tài)的信息，用量子門對(duì)疊加態(tài)的作用作為進(jìn)化操作， 能很好地保持種群多樣性和避免選擇壓力問題，而且當(dāng)前最優(yōu)個(gè)體的信息能夠很容易用來引導(dǎo)變異，使得種群以大概率向著優(yōu)良模式進(jìn)化，從而實(shí)現(xiàn)目標(biāo)的優(yōu)化求解。9 9 多目標(biāo) ParetoPareto 最優(yōu)解搜索算法（胡斐）多目標(biāo)優(yōu)化是指在約束條件下有兩個(gè)或兩個(gè)以上的優(yōu)化目標(biāo)，而且這些目標(biāo)之間相互矛盾， 不能同時(shí)達(dá)到最優(yōu)，也就是說，一個(gè)目標(biāo)的最優(yōu)往往是以犧牲其它目標(biāo)作為代價(jià)的，因此多目標(biāo)優(yōu)化問題存在多個(gè)最優(yōu)解，這些解之間無法比較優(yōu)劣，統(tǒng)稱為Pareto最優(yōu)解。帶精英 策略

9、的快速非支配排序遺傳算法（Nondominated Sorting Genetic Algorithm II , NSGA-II）是目前應(yīng)用較為廣泛的一種多目標(biāo)算法。 本案例將對(duì)MATLAB自帶的改進(jìn)的NSGA-II進(jìn)行講解，并舉例說明其應(yīng)用。1010 基于多目標(biāo) ParetoPareto 的二維背包搜索算法（史峰）背包問題（knapsack problem）是運(yùn)籌學(xué)一個(gè)典型的優(yōu)化難題，但是它有著廣泛的應(yīng)用背景，如裝載問題、材料切割、投資決策以及資源分配等，往往還將其作為其他問題的子問題加以研究。它是個(gè)典型的NP問題，對(duì)其求解主要采用啟發(fā)式算法，如貪心算法、遺傳算法及 模擬退火算法等。粒子群算

10、法是一種新的進(jìn)化算法，運(yùn)算簡(jiǎn)單、易于實(shí)現(xiàn)，該案例將其用于多目標(biāo)二維背包問題中，向讀者闡明粒子群算法解決帶有約束的多目標(biāo)組合優(yōu)化問題的方 法。1111 基于免疫算法的柔性車間調(diào)度算法（史峰）有效的調(diào)度方法與優(yōu)化技術(shù)的研究和應(yīng)用，對(duì)于制造企業(yè)提高生產(chǎn)效率，降低生產(chǎn)成本等方面起著重要作用。然而柔性車間調(diào)度問題計(jì)算復(fù)雜，約束條件多，普通算法容易陷入局部最優(yōu)問題。免疫算法是模仿免疫系統(tǒng)抗原識(shí)別，抗原與抗體產(chǎn)生過程，并利用免疫系統(tǒng)多樣性和記憶抽象得到的算法， 具有非線性，全局化搜索等優(yōu)勢(shì)， 本案例研究了基于免疫算法的柔 性車間調(diào)度算法。1212 基于免疫算法的運(yùn)輸中心規(guī)劃算法（史峰） 隨著物流業(yè)的快速發(fā)展

11、，配送在整個(gè)物流系統(tǒng)中的所起的作用越發(fā)重要，因而配送中心的選址對(duì)于企業(yè)的網(wǎng)絡(luò)布局、經(jīng)營(yíng)方式等起到了重要作用。然而，配送中心的選擇具有計(jì)算復(fù)雜、 約束條件多等問題，普通算法難以找到問題的最優(yōu)解。免疫算法具有非線性、全局搜索等優(yōu)點(diǎn)，適合于此類復(fù)雜問題的研究，本案例研究了基于免疫算法的運(yùn)輸中心規(guī)劃算法。1313 基于粒子群算法的函數(shù)尋優(yōu)算法（史峰）粒子群優(yōu)化算法（PSO,particle swarm optimization ）是計(jì)算智能領(lǐng)域，除了蟻群算法，魚群 算法之外的一種群體智能的優(yōu)化算法。函數(shù)尋優(yōu)是工程中經(jīng)常遇到的問題，有些函數(shù)因?yàn)榫植繕O小值點(diǎn)的存在，算法難以尋找到局部最優(yōu)值。粒子群算法具有

12、群體智能，全局尋優(yōu)等優(yōu)勢(shì)，比較適合于函數(shù)尋優(yōu)問題，本案例研究了基于粒子群算法的函數(shù)尋優(yōu)算法。1414 基于粒子群算法的 PIDPID 控制優(yōu)化算法（史峰）PID控制方法是工業(yè)領(lǐng)域中最常用的控制方法，然而在PID控制算法的使用中，P,I,D參數(shù) 即比例參數(shù)、積分參數(shù)、微分參數(shù)的確定是個(gè)難題，一般是憑經(jīng)驗(yàn)獲得。粒子群算法具有全 局尋優(yōu)功能，可以尋找使控制指標(biāo)值最優(yōu)的PID參數(shù)。本案例研究了基于粒子群算法的PID控制優(yōu)化算法。1515 基于混合粒子群算法的TSPTSP 尋優(yōu)算法（史峰）粒子群算法雖然具有算法簡(jiǎn)單， 尋優(yōu)速度快等優(yōu)點(diǎn)， 但同時(shí)存在算法容易收斂， 易陷入局部 最優(yōu)值等問題。采用遺傳算法改

13、進(jìn)粒子群算法， 通過選擇、交叉和變異操作的引入， 改進(jìn)了 算法性能，增強(qiáng)了算法的全局搜索能力。本案例研究了基于混合粒子群算法的TSP尋優(yōu)算法。1616 基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算法（史峰）普通粒子群算法無法感知外界環(huán)境的變化，在外界環(huán)境發(fā)生改變時(shí)無法實(shí)時(shí)進(jìn)行響應(yīng)，因而缺乏動(dòng)態(tài)環(huán)境尋優(yōu)能力。在普通粒子群算法基本上通過增加敏感粒子得到一種動(dòng)態(tài)粒子群算 法，該算法通過實(shí)時(shí)計(jì)算敏感粒子的適應(yīng)度值從而感知外界環(huán)境的變化，當(dāng)外界環(huán)境的變化超過一定的閾值時(shí)算法以按一定比例更新速度和粒子的方式進(jìn)行相應(yīng)，從而具有動(dòng)態(tài)環(huán)境尋優(yōu)的功能。本案例研究了基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算法。1717 粒子群算法工

14、具箱（史峰）粒子群算法工具箱包含了粒子群算法的基本操作和常用功能，實(shí)現(xiàn)步驟包括種群規(guī)模選擇，粒子長(zhǎng)度選取，適應(yīng)度函數(shù)編寫，粒子群參數(shù)確定等， 可以方便實(shí)現(xiàn)函數(shù)極值尋找，系統(tǒng)參數(shù)尋優(yōu)等功能。本案例以函數(shù)極值尋優(yōu)為例，詳細(xì)講解了粒子群算法工具箱的使用。1818 基于魚群算法的函數(shù)尋優(yōu)算法（王輝）人工魚群算法是李曉磊等人于2002年提出的一類基于動(dòng)物行為的群體智能優(yōu)化算法.該算法是通過模擬魚類的覓食、聚群、追尾等行為在搜索域中進(jìn)行尋優(yōu)，是集群體智能思想的一個(gè)具體應(yīng)用.人工魚群算法具有以下特點(diǎn)：具有克服局部極值、 取得全局極值的較優(yōu)秀的能力；算法中僅使用目標(biāo)問題的函數(shù)值，對(duì)搜索空間有一定自適應(yīng)能力；具

15、有對(duì)初值與參數(shù)選擇不敏感、魯棒性強(qiáng)、簡(jiǎn)單易實(shí)現(xiàn)、收斂速度快和使用靈活等特點(diǎn).可以解決經(jīng)典方法不能求解的帶有絕對(duì)值且不可導(dǎo)二元函數(shù)等的極值問題。本案例研究了基于魚群算法的函數(shù)尋優(yōu)算法。1919 基于模擬退火算法的 TSPTSP 算法(王輝) 模擬退火算法(Simulated Annealing ,簡(jiǎn)稱SA)為求解傳統(tǒng)方法難處理的TSP問題提供了一 個(gè)有效的途徑和通用框架， 并逐漸發(fā)展成一種迭代自適應(yīng)啟發(fā)式概率性搜索算法。用以求解不同的非線性問題；對(duì)不可微甚至不連續(xù)的函數(shù)優(yōu)化，SA能以較大概率求得全局優(yōu)化解；具有較強(qiáng)的魯棒性、全局收斂性、隱含并行性及廣泛的適應(yīng)性；并且能處理不同類型的優(yōu)化設(shè)計(jì)變量(

16、離散的、連續(xù)的和混合型的)；不需要任何的輔助信息，對(duì)目標(biāo)函數(shù)和約束函數(shù)沒有任何要求。利用Metropolis算法并適當(dāng)?shù)乜刂茰囟认陆颠^程，在優(yōu)化問題中具有很強(qiáng)的競(jìng)爭(zhēng)力，本案例研究了基于模擬退火算法的TSP算法。2020 基于遺傳模擬退火算法的聚類算法(王輝)遺傳算法在運(yùn)行早期個(gè)體差異較大，當(dāng)采用經(jīng)典的輪盤賭方式選擇時(shí)，后代產(chǎn)生的個(gè)數(shù)與父?jìng)€(gè)體適應(yīng)度大小成正比，因此在早期容易使個(gè)別好的個(gè)體的后代充斥整個(gè)種群，造成早熟。在遺傳算法后期，適應(yīng)度趨向一致，優(yōu)秀的個(gè)體在產(chǎn)生后代時(shí)，優(yōu)勢(shì)不明顯，從而使整個(gè)種群進(jìn)化停滯不前。因此對(duì)適應(yīng)度適當(dāng)?shù)剡M(jìn)行拉伸是必要的，這樣在溫度高時(shí)(遺傳算法的前期)，適應(yīng)度相近的個(gè)體

17、產(chǎn)生的后代概率相近；而當(dāng)溫度不斷下降后，拉伸作用加強(qiáng)，使適 應(yīng)度相近的個(gè)體適應(yīng)度差異放大，從而使得優(yōu)秀的個(gè)體優(yōu)勢(shì)更明顯。由于模擬退火算法和遺傳算法可以互相取長(zhǎng)補(bǔ)短，因此有效地克服了傳統(tǒng)遺傳算法的早熟現(xiàn)象，同時(shí)根據(jù)聚類問題的具體情況設(shè)計(jì)遺傳編碼方式、適應(yīng)度函數(shù)，使該算法更有效、更快速地收斂到全局最優(yōu)解。 本案例研究了基于遺傳模擬退火算法的聚類算法。2121 基于模擬退火算法的HEVHEV 能量管理策略參數(shù)優(yōu)化(胡斐)模擬退火算法(Simulated Annealing, SA)作為局部搜索算法的擴(kuò)展，在每一次修改模型的過程中，隨機(jī)產(chǎn)生一個(gè)新的狀態(tài)模型，然后以一定的概率選擇鄰域中能量值大的狀態(tài)。這

18、種接受新模型的方式使其成為一種全局最優(yōu)算法，并得到理論證明和實(shí)際應(yīng)用的驗(yàn)證。能量管理策略是混合動(dòng)力汽車(Hybrid Electric V ehicle, HEV)的核心技術(shù)之一。本案例將對(duì)SA進(jìn)行講解并將其應(yīng)用于HEV能量管理策略的參數(shù)優(yōu)化。2222 蟻群算法的優(yōu)化計(jì)算 一一旅行商問題(TSP)TSP)優(yōu)化(郁磊)蟻群算法(Ant Colony Algorithm , ACA )是由意大利學(xué)者M(jìn).Dorigo等人于20世紀(jì)90年代 初提出的一種新的模擬進(jìn)化算法，其真實(shí)地模擬了自然界螞蟻群體的覓食行為。M.Dorigo等人將其應(yīng)用于解決旅行商問題(Traveling Salesman Prob

19、lem , TSP),取得了較好的實(shí)驗(yàn)結(jié)果。近年來，許多專家與學(xué)者致力于蟻群算法的研究，并將其應(yīng)用于交通、通信、化工、電力等 領(lǐng)域，成功解決了許多組合優(yōu)化問題，如調(diào)度問題(Job-shop Scheduling Problem)、指派問 題(Quadratic AssignmentProblem )、旅行商問題(Traveling Salesman Problem )等。本章將詳細(xì)闡述蟻群算法的基本思想及原理，并以實(shí)例的形式介紹其應(yīng)用于解決中國(guó)旅行商問題(Chinese TSP, CTSP)的情況。2323 基于蟻群算法的二維路徑規(guī)劃算法（史峰）二維路徑規(guī)劃算法是機(jī)器人智能控制領(lǐng)域研究中的熱點(diǎn)

20、，算法目的是使機(jī)器人能夠在有障礙物的工作環(huán)境中尋找一條恰當(dāng)?shù)膹慕o定起點(diǎn)到終點(diǎn)的運(yùn)動(dòng)路徑。蟻群算法具有分布計(jì)算，群體智能等優(yōu)勢(shì)，在路徑規(guī)劃算法上具有很大潛力，本案例研究了基于蟻群算法的二維路徑規(guī)劃算法。2424 基于蟻群算法的三維路徑規(guī)劃算法（史峰）三維路徑規(guī)劃算法是機(jī)器人智能控制領(lǐng)域中的熱點(diǎn)問題，是指機(jī)器人在三維地圖中自動(dòng)規(guī)劃一條從出發(fā)點(diǎn)到目標(biāo)點(diǎn)滿足指標(biāo)最優(yōu)的路徑。相對(duì)于二維路徑規(guī)劃算法來說，三維路徑規(guī)劃問題更加復(fù)雜，需要考慮的因素和約束條件更多，一般方法難以取得好的規(guī)劃效果。蟻群算法具有分布計(jì)算，群體智能等優(yōu)勢(shì)，在路徑規(guī)劃算法上具有很大潛力，本案例研究了基于蟻群算法的三維路徑規(guī)劃算法。252

21、5 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的回歸擬合一一基于近紅外光譜的汽油辛烷值預(yù)測(cè)（郁磊） 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則又稱神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，用來計(jì)算更新神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。學(xué)習(xí)規(guī)則有兩大類別：有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)。 在有導(dǎo)師學(xué)習(xí)中，需要為學(xué)習(xí)規(guī)則提供一系列 正確的網(wǎng)絡(luò)輸入/輸出對(duì)（即訓(xùn)練樣本），當(dāng)網(wǎng)絡(luò)輸入時(shí)，將網(wǎng)絡(luò)輸出與相對(duì)應(yīng)的期望值進(jìn)行 比較，然后應(yīng)用學(xué)習(xí)規(guī)則調(diào)整權(quán)值和閾值，使網(wǎng)絡(luò)的輸出接近于期望值。而在無導(dǎo)師學(xué)習(xí)中，權(quán)值和閾值的調(diào)整只與網(wǎng)絡(luò)輸入有關(guān)系，沒有期望值，這類算法大多用聚類法， 將輸入模式歸類于有限的類別。本章將詳細(xì)分析兩種應(yīng)用最廣的有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)）的原理及其在回歸

22、擬合中的應(yīng)用。2626 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類一一鶯尾花種類識(shí)別（郁磊） 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)以其良好的學(xué)習(xí)能力廣泛應(yīng)用于各個(gè)領(lǐng)域中，其不僅可以解決擬合回歸問題，亦可以用于模式識(shí)別、分類識(shí)別。本章將繼續(xù)介紹兩種典型的有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（GRNN和PNN）,并以實(shí)例說明其在分類識(shí)別中的應(yīng)用。2727 無導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類一一礦井突水水源判別（郁磊）如第25章及第26章所述，對(duì)于有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，事先需要知道與輸入相對(duì)應(yīng)的期望輸出，根據(jù)期望輸出與網(wǎng)絡(luò)輸出間的偏差來調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。然而，在大多數(shù)情況下， 由于人們認(rèn)知能力以及環(huán)境的限制，往往無法或者很難獲得期望的輸出，在這種情況下，基于有

23、導(dǎo)師學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)往往是無能為力的。與有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不同，無導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中無需知道期望的輸出。其與真實(shí)人腦中的神經(jīng)網(wǎng)絡(luò)類似，可以通過不斷地觀察、 分析與比較，自動(dòng)揭示樣本中的內(nèi)在規(guī)律和本質(zhì)，從而可以對(duì)具有近似特征（屬性）的樣本進(jìn)行準(zhǔn)確地分類和識(shí)別。本章將詳細(xì)介紹競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)與自組織特征映射（SOFM）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理，并以實(shí)例說明其具體的應(yīng)用范圍及效果。2828 支持向量機(jī)的分類 一一基于乳腺組織電阻抗特性的乳腺癌診斷（郁磊）支持向量機(jī)（Support Vector Machine, SVM ）是一種新的機(jī)器學(xué)習(xí)方法，其基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計(jì)學(xué)習(xí)理論（Statiscal Learning Theory , STL）。統(tǒng)計(jì)學(xué)習(xí)理論采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化（Structural Risk Minimization , SRM ）準(zhǔn)則，在最小化樣本點(diǎn)誤差的同時(shí)，最小化結(jié)構(gòu)風(fēng)險(xiǎn)，提高了模型的泛化能力，且沒有數(shù)據(jù)維數(shù)的限制。在進(jìn)行線性分類時(shí)，將分類面取在離兩類樣本距離較大的地方； 進(jìn)行非線性分類時(shí)通過高維空間變換，將非線性分類變成高維空間的線性分類問題。本章將詳細(xì)介紹支持向量機(jī)的分類原理，并將其應(yīng)用于基于乳腺組織電阻抗頻譜特性的乳腺癌診斷。2929 支持向量機(jī)的回歸擬合 一一混凝土抗壓強(qiáng)度預(yù)測(cè)(郁磊)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，SVM具有以下幾個(gè)優(yōu)