我'd recommend utilizing SOM (Self-organizing map) for pattern recognition since it'真的很健壯 . 還有一個你可能感興趣的事情 . 但是，為了讓它在忽略偏移的同時學習波浪，你需要訓練時間，但如果這不是問題，請繼續閱讀 .

對于SOM，你必須將波形采樣到恒定大小的向量，讓我們說：

sin x - > sin_vector =(a1，a2，a3，...，aN)

cos x - > cos_vector =(b1，b2，b3，...，bN)

通常用歐幾里德距離計算“SOM-向量”的相似性 . 這兩個矢量的歐幾里德距離很大，因為它們具有不同的偏移 . 在你的情況下，他們應該被認為是相似的，即 . 距離要小 . 所以..如果你沒有從同一個起始點采樣所有類似的波，它們將被分類到不同的類中 . 這可能是一個問題 . 但！計算SOM中矢量的相似性，以便從 Map 中找到BMU(最佳匹配單位)并拉動BMU及其neigborhood的向量，從而調整給定樣本的值 . 因此，您需要改變的是比較這些向量的方法以及將樣本的值拉向樣本的方式，以便兩者都是“抵消容忍的” .

緩慢但有效的解決方案是首先找到每個矢量的最佳偏移指數 . 最佳偏移指數是對樣本產生歐幾里德距離的最小值 . 然后，用網絡的某個節點計算的最小距離將是BMU . 然后使用為之前每個節點計算的偏移指數，將BMU及其neigborhood的向量拉向給定的樣本 . 其他一切都應該開箱即用 .

這個解決方案相對較慢，但應該很好 . 我建議徹底研究SOM的概念然后再讀這篇文章(和憤怒的評論):)

PLEASE comment 如果你知道一些比前一個好的數學解決方案！

總結

以上是生活随笔為你收集整理的神经网络模式识别matlab,基于matlab仿真的神经网络模式识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。