matlab有几种神经网络？

常见的有大概三十个吧，包括BP、RBF、SVM、SOM、Hopfield、LVQ、Elman、小波等神经网络；还包含PSO(粒子群）、灰色神经网络、模糊网络、概率神经网络、遗传算法优化等

　　MATLAB中文论坛2010年出过一本书，北航出版社的，叫《MATLAB神经网络30个案例分析 (豆瓣)》。我觉得把它作为入门书挺好的，每一章配有视频和代码，可以依样画葫芦。刚刚顺手还看到了另一本书《MATLAB智能算法30个案例分析》，看目录貌似内容也比较接近的。

　　《神经网络》包含的30个例子：

　　P神经网络的数据分类——语音特征信号分类

　　BP神经网络的非线性系统建模——非线性函数拟合

　　遗传算法优化BP神经网络——非线性函数拟合

　　神经网络遗传算法函数极值寻优——非线性函数极值寻优

　　基于BP_Adaboost的强分类器设计——公司财务预警建模

　　PID神经元网络解耦控制算法——多变量系统控制

　　RBF网络的回归——非线性函数回归的实现

　　GRNN的数据预测——基于广义回归神经网络的货运量预测

　　离散Hopfield神经网络的联想记忆——数字识别

　　离散Hopfield神经网络的分类——高校科研能力评价

　　连续Hopfield神经网络的优化——旅行商问题优化计算

　　SVM的数据分类预测——意大利葡萄酒种类识别

　　SVM的参数优化——如何更好的提升分类器的性能

　　SVM的回归预测分析——上证指数开盘指数预测

　　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

　　自组织竞争网络在模式分类中的应用——患者癌症发病预测

　　SOM神经网络的数据分类——柴油机故障诊断

　　Elman神经网络的数据预测——电力负荷预测模型研究

　　概率神经网络的分类预测——基于PNN的变压器故障诊断

　　神经网络变量筛选——基于BP的神经网络变量筛选

　　LVQ神经网络的分类——乳腺肿瘤诊断

　　LVQ神经网络的预测——人脸朝向识别

　　小波神经网络的时间序列预测——短时交通流量预测

　　模糊神经网络的预测算法——嘉陵江水质评价

　　广义神经网络的聚类算法——网络入侵聚类

　　粒子群优化算法的寻优算法——非线性函数极值寻优

　　遗传算法优化计算——建模自变量降维

　　基于灰色神经网络的预测算法研究——订单需求预测

　　基于Kohonen网络的聚类算法——网络入侵聚类

　　神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类

从广义上来说，NN(或是更美的DNN)确实可以认为包含了CNN、RNN这些具体的变种形式。在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括卷积层或是LSTM单元。但是就题主的意思来看，这里的DNN应该特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。

因此，题主一定要将DNN、CNN、RNN等进行对比，也未尝不可。其实，如果我们顺着神经网络技术发展的脉络，就很容易弄清这几种网络结构发明的初衷，和他们之间本质的区别。神经网络技术起源于上世纪五、六十年代，当时叫感知机(perceptron)，拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。

早期感知机的推动者是Rosenblatt。(扯一个不相关的：由于计算技术的落后，当时感知器传输函数是用线拉动变阻器改变电阻的方法机械实现的，脑补一下科学家们扯着密密麻麻的导线的样子…)但是，Rosenblatt的单层感知机有一个严重得不能再严重的问题，即它对稍复杂一些的函数都无能为力(比如最为典型的“异或” *** 作)。

连异或都不能拟合，你还能指望这货有什么实际用途么。随着数学的发展，这个缺点直到上世纪八十年代才被Rumelhart、Williams、Hinton、LeCun等人(反正就是一票大牛)发明的多层感知机(multilayer perceptron)克服。多层感知机，顾名思义，就是有多个隐含层的感知机。

时间序列预测只要能转化为训练样本，即可使用神经网络进行训练。目前常用的几类人工神经网络，如BP神经网络、Elman神经网络、RBF神经网络、GRNN神经网络、小波神经网络以及各类组合神经网络，都是可以应用在时间序列预测中的。

预测效果较好的一般有：1、GRNN神经网络、RBF神经网络。局部逼近网络由于只需调整局部权值，因此训练速度较快，拟合精度也较高。2、Elman神经网络。由于Elman神经网络的承接层的延时算子，使得网络可以记忆历史信息，这正好与时间序列预测的原理相同，极其适于应用于时间序列预测。