遗传算法优化神经网络
《43案例》第三章
实际上是用遗传算法计算神经网络中的参数
适应度与神经网络的误差有关
基因对应神经网络中的权值和阈值
神经网络遗传算法极值寻优
《43案例》 第四章
问题：工程上说，数据点有限，但又要求我们给出一个推测出的极值。
先用数据训练神经网络，这一步可以用误差反向传播法，也使用遗传算法寻优
由于得到了已经训练好的神经网络，把神经网络当做func,用遗传算法来求解最优
BP_AdaBoost
就是BP做基分类器，AdaBoost方法
RBF
回归模型
SVM
利用SVC做回归
SVM图像分割：手动选取背景像素点、前景像素点，用SVM进行分割
图像分割算法
图像分割算法有以下几类：
基于阈值的分割方法
$g(i,j)=1,if\space f(i,j)\geq T$
$g(i,j)=0,else$
这种方法运算效率高
基于区域的分割方法
- 区域生长
类似的像素点合并，最后合并到整个图像 - 区域分裂合并
从整个图像出发，分裂成不同的子区域
基于边缘的分割
检测边缘，一般边缘有明显的颜色变化
基于特定理论
基于小波变换
GA
ANN
SVM用于手写识别
SVM——PSO
用PSO方法寻优，找到最优的c和g
SVM——GA
用GA寻优，找到最优的c和g
Elman
案例：Elman用于柴油机故障诊断。
实际上是一个聚类的玩法。
BP-MIV
MIV(Mean Impact Value， 平均影响值)可以用来描述神经网络输入feature的重要性，原理是神经网络训练完成后，把每一个feature加减10%，然后分别输入神经网络，观察结果的差值。
