结合基本能覆盖苏州地区的8个大气电场仪监测点（苏州站、吴中站、东山站、常熟站、昆山站、太仓站、吴江站、张家港站），当某个站监测数据达到4KV/M的电场强度时，表明该监测站方圆10公里内有雷云，有可能会发生雷电闪击。这时调出数据库数据，将该站10公里范围内（大概是以台站为中心，经度在7分、纬度在6分范围内）数据调出，建立数据表。为预测精确考虑，将雷电闪击区域分级：
k最近邻分类法：基于距离的分类算法，基于距离的分类算法，惰性学习方法。
一揽子政策满足住房刚需
636166 星期五 0 0 440 108 65
InDim=3; %网络输入维度为3
参考文献
%机动车数(单位：万辆)
以爆破闭锁功能中的（1）为例，具体说明爆破监控系统的工作原理。当装药工序完成后将要爆破时，爆破监控系统会自动巡检爆破危险区域是否有人。采场巷道中安装有两个无线接收器，分别安装在掘进采面（①号无线接收器）和爆破警戒线（②号无线接收器）。当人员越过警戒线进入爆破危险区域时或者爆破采面有人时，②号无线接收器会接收到人员携带的人员识别卡发出的无线信号，无线接收器会将人员的地点信息发送到传输分站，传输分站将信息上传至地面的上位机，上位机进行逻辑判断之后，发出指令至传输分站，传输分站再将指令发送给智能发爆器，发爆器的显示屏上会同步显示“危险区域有人不能进行爆破”的提示字样。同时，声光警示仪发出语音提示和闪光字样。智能发爆器闭锁，爆破作业中止。
xlabel(‘年份’);ylabel(‘货运量/万吨’);
▲流数据挖掘：一组顺序、大量、快速、连续到达的数据序列,一般情况下,数据流可被视为一个随时间延续而无限增长的动态数据集合。
一些不同的称呼：
P=0.5*（P1+1）*（Pmax—Pmin）+ Pmin
636155 星期一 7 0 204 157 39
dW2=Delta2*HiddenOut’;
挖掘告警的频繁项集，如告警A 告警B，分析告警的连锁性。有利于告警的预测管理及处理和优化。
for i=1:MaxEpochs
神经网络
% 设置训练参数
net.trainparam.show = 50; % 每间隔50次显示一次训练结果
net.trainparam.epochs = 9999; % 总训练次数
net.trainparam.goal = 0.001; % 训练目标：误差<0.001
net.trainParam.lr = 0.06; % 学习率(learning rate)
（3）误差计算模型
SPREAD=0.2；
lr=0.035; %学习速率为0.035
f为非线性作用函数；θ为神经单元阈值。
tansig
y = sim(net, s); % 模拟
plot(s, y, ‘x’) % 画散点图
0.56 0.59 0.59 0.67 0.69 0.79];
爆破化学效果分析及分类识别引入炮烟监测与分析系统中，在对数据收集与分析的基础上，可对爆破作业后炸药爆破化学效果进行分类识别，以指导爆破后续工序的安全进行。
3实验仿真及分析
636156 星期二 5 0 157 484 72
以上两部分内容，包括括号内的注解，都完全一致。
%原始数据
有一种假说：“智能来源于单一的算法(One Learning Algorithm)”。如果这一假说成立，那么利用单一的算法(神经网络)处理世界上千变万化的问题就成为可能。我们不必对万事万物进行编程，只需采用以不变应万变的策略即可。有越来越多的证据证明这种假说，例如人类大脑发育初期，每一部分的职责分工是不确定的，也就是说，人脑中负责处理声音的部分其实也可以处理视觉影像
这个数学模型有什么意义呢？下面我对照前面那个 y=kx+b 直线拟合的例子来说明一下。
% 利用训练好的网络进行预测
图(b) 炮烟中CO浓度-时间趋势图
可以通过两个指标判断自变量对因变量的重要程度：
内置的LED显示设备收发通信状态；内置的无线通讯模块实现与发爆器之间的数据交换：①读取发爆器数据：重复上传+直接上传；②读取发爆器状态（是否需要上位机给指令爆破）；③允许发爆器爆破/不允许发爆器爆破。
气体传感器包括CO传感器、CO2传感器、NO2传感器等，主要作用是监测爆破采场环境中的有毒有害气体的浓度，保证采场环境的安全。气体传感器具有防爆功能，采用内置电池或者外部供电方式。内置无线模块，监测数据与传输分站实现无线交换，并上传至地面管理系统数据库。爆破监控系统中的气体传感器的类型及技术指标如下表1所示。
安全距离表示器有的作用体现在确定安全区域，同时承接智能发爆器与上位机的通讯
例：假如有一串数字，已知前六个是1、3、5、7，9，11，请问第七个是几？
你一眼能看出来，是13。对，这串数字之间有明显的数学规律，都是奇数，而且是按顺序排列的。
那么这个呢？前六个是0.14、0.57、1.29、2.29、3.57、5.14，请问第七个是几？
这个就不那么容易看出来了吧！我们把这几个数字在坐标轴上标识一下，可以看到如下图形：
用曲线连接这几个点，延着曲线的走势，可以推算出第七个数字——7。
由此可见，回归问题其实是个曲线拟合(Curve Fitting)问题。那么究竟该如何拟合？机器不可能像你一样，凭感觉随手画一下就拟合了，它必须要通过某种算法才行。
假设有一堆按一定规律分布的样本点，下面我以拟合直线为例，说说这种算法的原理。
我们知道，直线的公式是y=kx+b，k代表斜率，b代表偏移值(y轴上的截距)。也就是说，k可以控制直线的旋转角度，b可以控制直线的移动。强调一下，梯度下降法的实质是不断的修改k、b这两个参数值，使最终的误差达到最小。
求误差时使用 累加(直线点-样本点)^2，这样比直接求差距 累加(直线点-样本点) 的效果要好。这种利用最小化误差的平方和来解决回归问题的方法叫最小二乘法(Least Square Method)。
注意：对于凹凸不平的误差函数曲线，梯度下降时有可能陷入局部最优解。下图的曲线中有两个坑，切线有可能在第一个坑的最底部趋于水平。
它的维度是50*50=2500，特征数=2500*2500/2=3,125,000。如果是彩色图片，维度会增加到原来的3倍，那么特征数将增加到接近3千万了！
解释一下：+1代表偏移值(偏置项, Bias Units)；X1,X2,X2代表初始特征；w0,w1,w2,w3代表权重(Weight)，即参数，是特征的缩放倍数；特征经过缩放和偏移后全部累加起来，此后还要经过一次激活运算然后再输出。激活函数有很多种，后面将会详细说明。
下面是它们的函数图形，从图中可以看出logsig的数值范围是0~1，而tansig的数值范围是-1~1。
公式中的e叫自然常数，也叫欧拉数，e=2.71828…。e是个很神秘的数字，它是“自然律”的精髓，其中暗藏着自然增长的奥秘，它的图形表达是旋涡形的螺线。
e是怎么来的？e = 1 + 1/1! + 1/2! + 1/3! + 1/4! + 1/5! + 1/6! + 1/7! + … = 1 + 1 + 1/2 + 1/6 + 1/24 + 1/120+ … ≈ 2.71828 (!代表阶乘，3!=1*2*3=6)
再举个通俗点的例子：从前有个财主，他特别贪财，喜欢放债。放出去的债年利率为100%，也就是说借1块钱，一年后要还给他2块钱。有一天，他想了个坏主意，要一年算两次利息，上半年50%，下半年50%，这样上半年就有1块5了，下半年按1块5的50%来算，就有1.5/2=0.75元，加起来一年是：上半年1.5+下半年0.75=2.25元。用公式描述，就是(1+50%)(1+50%)=(1+1/2)^2=2.25元。可是他又想，如果按季度算，一年算4次，那岂不是更赚？那就是(1+1/4)^4=2.44141，果然更多了。他很高兴，于是又想，那干脆每天都算吧，这样一年下来就是(1+1/365)^365=2.71457。然后他还想每秒都算，结果他的管家把他拉住了，说要再算下去别人都会疯掉了。不过财主还是不死心，算了很多年终于算出来了，当x趋于无限大的时候，e=(1+1/x)^x≈ 2.71828，结果他成了数学家。
如果输出层用Purelin作激活函数，Purelin的导数是1，输出层→隐藏层：残差 = -(输出值-样本值)
Andrew Ng的《机器学习》公开课:
https://class.coursera.org/ml
Coursera公开课笔记中文版（神经网络的表示）:
http://52opencourse.com/139/coursera公开课笔记-斯坦福大学机器学习第八课-神经网络的表示
-neural-networks-representation
Coursera公开课视频（神经网络的学习）:
http://52opencourse.com/289/coursera公开课视频-斯坦福大学机器学习第九课-神经网络的学习-neural-networks-learning
斯坦福深度学习中文版：
http://deeplearning.stanford.edu/wiki/index.php/UFLDL教程
p = [2 5; 3 6; 12 2; 1 6; 9 2; 8 12; 4 7; 7 9]’; % 特征数据X1,X2
t = [10 18 24 6 18 96 28 63]; % 样本值
net = newff(p, t, 20); % 创建一个BP神经网络 ff=FeedForward
net = train(net, p, t); % 用p,t数据来训练这个网络
s = [3 7; 6 9; 4 5; 5 7]’; % 准备一组新的数据用于测试
y = sim(net, s) % 模拟一下，看看效果
% 结果是：25.1029 61.5882 29.5848 37.5879
p = rand(1,50)*7 % 生成1行50个0~7之间的随机数
t = sin(p) % 计算正弦曲线
s = [0:0.1:7]; % 生成0~7的一组数据，间隔0.1，用于模拟测试
plot(p, t, ‘x’) % 画散点图
% 创建3层神经网络 [隐藏层10个节点->logsig, 输出层1个节点->purelin] traingd代表梯度下降法
net = newff(p, t, 10, {‘logsig’ ‘purelin’}, ‘traingd’); % 10不能写成[10 1]
注意：newff的第三个参数10不能写成[10 1]，否则就是4层网络，两个隐藏层，分别是10个和1个节点。这个很容易弄错。（输出层的节点数程序会自动根据t的维度自动判断，所以不用指定）
把精度调高一点看看。训练次数加到9999，误差<0.001；学习率调到0.06，希望能加快点速度。
% 创建2层神经网络 [隐藏层10个节点->logsig, 输出层1个节点->purelin] traingd代表梯度下降法
net = newff(p, t, 10, {‘logsig’ ‘purelin’}, ‘traingd’);
net = newff(p, t, 10, {‘logsig’ ‘purelin’}, ‘trainlm’);
… 后面的代码不变
net = newff(p, t, 3, {‘logsig’ ‘purelin’}, ‘trainlm’);
… 后面的代码不变
net = newff(p, t, 3, {‘logsig’ ‘logsig’}); % 创建神经网络
net = train(net, p, t); % 开始训练
y = sim(net, s); % 模拟
plot(s, y, ‘x’) % 画散点图
公式为：归一值 = (当前值x-最小值min)/(最大值max-最小值min)
如果限定了范围，公式为：y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin;
0.1~0.9的范围：(0.9-0.1)(x-min)/(max-min)(0.9-0.1)+0.1
把5, 2, 6, 3这四个数归一化：
a = [5, 2, 6, 3];
b = mapminmax(a, 0, 1) % 归一化到0~1之间
% b = 0.7500 0 1.0000 0.2500
c = mapminmax(a) % 归一化到-1~1之间
% c = 0.5000 -1.0000 1.0000 -0.5000
a = [5, 2, 6, 3];
[c,PS] = mapminmax(a); % PS记录归一化时的比例
mapminmax(‘reverse’, c, PS) % 利用PS反归一化
% ans = 5 2 6 3
p = rand(1,50)*7; % 特征数据
t = sin(p); % 样本值
s = [0:0.1:7]; % 测试数据