matlab在神经 络中的应用,应用matlab实现神经 络

如何用matlab软件实现神经 络应用

给你一个实例，希望通过该例子对实现神经 络应用有一定的了解。

%x,y分别为输入和目标向量x=1:5;y=[639646642624652];%创建一个前馈 络net=newff(minmax(x),[20,1],{‘tansig’,’purelin’});%仿真未经训练的 络net并画图y1=sim(net,x);plot(x,y1,’:’);%采用L-M优化算法net.trainFcn=’trainlm’;%设置训练算法net.trainParam.epochs=500;=10^(-6);%调用相应算法训练BP 络[net,tr,yy]=train(net,x,y);%对BP 络进行仿真y1=sim(net,x);%计算仿真误差E=y-y1;MSE=mse(E)holdon%绘制匹配结果曲线figure;plot(x,y1,’r*’,x,y,’b–‘)执行结果。

matlab中神经 络怎么使用

如何利用matlab进行神经 络预测

matlab带有神经 络工具箱，可直接调用，建议找本书看看，或者MATLAB论坛找例子。

核心调用语句如下：%数据输入%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%BP 络训练%%初始化 络结构net=newff(inputn,outputn,[88]);net.trainParam.epochs=100;=0.01;=0.01;% 络训练net=train(net,inputn,outputn);%%BP 络预测%预测数据归一化inputn_test=mapminmax(‘apply’,input_test,inputps);% 络预测输出an=sim(net,inputn_test);% 络输出反归一化BPoutput=mapminmax(‘reverse’,an,outputps);%%结果分析。

matlab的神经 络工具箱怎么用

1．神经 络神经 络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界， 络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经 络完成特定的功能。

一般的神经 络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所示。这里， 络根据输出和目标的比较而调整，直到 络输出和目标匹配。

作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经 络。神经 络已经在各个领域中应用，以实现各种复杂的功能。这些领域包括：模式识别、鉴定、分类、语音、翻译和控制系统。

如今神经 络能够用来解决常规计算腿四岩越饩龅奈侍狻N颐侵饕ü飧龉ぞ呦淅唇⑹痉兜纳窬缦低常⒂τ玫焦こ獭⒔鹑诤推渌导氏钅恐腥ァR>一般普遍使用有监督训练方法，但是也能够通过无监督的训练方法或者直接设计得到其他的神经 络。

无监督 络可以被应用在数据组的辨别上。一些线形 络和Hopfield 络是直接设计的。总的来说，有各种各样的设计和学习方法来增强用户的选择。

神经 络领域已经有50年的历史了，但是实际的应用却是在最近15年里，如今神经 络仍快速发展着。因此，它显然不同与控制系统和最优化系统领域，它们的术语、数学理论和设计过程都已牢固的建立和应用了好多年。

我们没有把神经 络工具箱仅看作一个能正常运行的建好的处理轮廓。

我们宁愿希望它能成为一个有用的工业、教育和研究工具，一个能够帮助用户找到什么能够做什么不能做的工具，一个能够帮助发展和拓宽神经 络领域的工具。

因为这个领域和它的材料是如此新，这个工具箱将给我们解释处理过程，讲述怎样运用它们，并且举例说明它们的成功和失败。

我们相信要成功和满意的使用这个工具箱，对范例和它们的应用的理解是很重要的，并且如果没有这些说明那么用户的埋怨和质询就会把我们淹没。所以如果我们包括了大量的说明性材料，请保持耐心。

我们希望这些材料能对你有帮助。这个章节在开始使用神经 络工具箱时包括了一些注释，它也描述了新的图形用户接口和新的运算法则和体系结构，并且它解释了工具箱为了使用模块化 络对象描述而增强的机动性。

最后这一章给出了一个神经 络实际应用的列表并增加了一个新的文本–神经 络设计。这本书介绍了神经 络的理论和它们的设计和应用，并给出了相当可观的MATLAB和神经 络工具箱的使用。

2．准备工作基本章节第一章是神经 络的基本介绍，第二章包括了由工具箱指定的有关 络结构和符 的基本材料以及建立神经 络的一些基本函数，例如new、init、adapt和train。

第三章以反向传播 络为例讲解了反向传播 络的原理和应用的基本过程。帮助和安装神经 络工具箱包含在nnet目录中，键入helpnnet可得到帮助主题。工具箱包含了许多示例。每一个。

matlab神经 络工具箱具体怎么用

。

为了看懂师兄的文章中使用的方法，研究了一下神经 络昨天花了一天的时间查怎么写程序，但是费了半天劲，不能运行，百度知道里倒是有一个，可以运行的，先贴着做标本%生成训练样本集clearall;clc;P=[1100.8072400.21511821.5;1102.8652400.11521212;1102.592400.11242411.5;2200.62400.31231821;22032400.32532111.5;1101.5622400.31531811.5;1100.5472400.3151921.5];01.3183000.11521812];T=[54248162787168380314797;28614639586963782898;86002402710644415328084;230802445102362823335913;602571278927675373541;346159353280762110049;56783172907164548144040];@907117437120368130179];m=max(max(P));n=max(max(T));P=P’/m;T=T’/n;%————————————————————————-%pr(1:9,1)=0;%输入矢量的取值范围矩阵pr(1:9,2)=1;bpnet=newff(pr,[124],{‘logsig’,’logsig’},’traingdx’,’learngdm’);%建立BP神经 络，12个隐层神经元，4个输出神经元%tranferFcn属性’logsig’隐层采用Sigmoid传输函数%tranferFcn属性’logsig’输出层采用Sigmoid传输函数%trainFcn属性’traingdx’自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数%learn属性’learngdm’附加动量因子的梯度下降学习函数net.trainParam.epochs=1000;%允许最大训练步数2000步=0.001;%训练目标最小误差0.001=10;%每间隔100步显示一次训练结果=0.05;%学习速率0.05bpnet=train(bpnet,P,T);%————————————————————————-p=[1101.3183000.11521812];p=p’/m;r=sim(bpnet,p);R=r’*n;display(R);运行的结果是出现这样的界面点击performance，trainingstate，以及regression分别出现下面的界面再搜索，发现可以通过神经 络工具箱来创建神经 络，比较友好的GUI界面，在输入命令里面输入nntool，就可以开始了。

点击import之后就出现下面的具体的设置神经 络参数的对话界面，这是输入输出数据的对话窗首先是训练数据的输入然后点击new，创建一个新的神经 络network1，并设置其输入输出数据，包括名称，神经 络的类型以及隐含层的层数和节点数，还有隐含层及输出层的训练函数等点击view，可以看到这是神经 络的可视化直观表达创建好了一个network之后，点击open，可以看到一个神经 络训练，优化等的对话框，选择了输入输出数据后，点击train，神经 络开始训练，如右下方的图，可以显示动态结果下面三个图形则是点击performance，trainingstate以及regression而出现的下面就是simulate，输入的数据是用来检验这个 络的数据，output改一个名字，这样就把输出数据和误差都存放起来了在主界面上点击export就能将得到的out结果输入到matlab中并查看下图就是输出的两个outputs结果还在继续挖掘，tobecontinue……

matlab神经 络目前有什么具体的实际应用

人工神经 络研究目前主要分两类：理论研究和应用研究。

理论研究方面，①利用神经生理与认知科学研究人类思维以及智能机理；②利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经 络模型，深入研究 络算法和性能。

开发新的 络数理理论，如神经 络动力学、非线性神经场等等应用研究方面，①神经 络的软件模拟和硬件实现的研究；②神经 络在各个领域中应用的研究。如，模式识别、信 处理、专家系统、机器人控制等等。

怎样用matlab建立bp神经 络

net=train(net,p,t);把这句改成net=train(net,p’,t’);试试，matlab应该默认使用列向量。

或者直接使用matlab提供的图形界面取训练，在命令行输入nnstart。