神经网络工具箱怎么用

一：matlab神经网络工具箱具体怎么用

为了看懂师兄的文章中使用的方法，研究了一下神经网络

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

clear all;

clc;

P=[110 0.807 240 0.2 15 1 18 2 1.5;

110 2.865 240 0.1 15 2 12 1 2;

110 2.59 240 0.1 12 4 24 1 1.5;

220 0.6 240 0.3 12 3 18 2 1;

220 3 240 0.3 25 3 21 1 1.5;

110 1.562 240 0.3 15 3 18 1 1.5;

110 0.547 240 0.3 15 1 9 2 1.5];

0 1.318 300 0.1 15 2 18 1 2];

T=[54248 162787 168380 314797;

28614 63958 69637 82898;

86002 402710 644415 328084;

230802 445102 362823 335913;

60257 127892 76753 73541;

34615 93532 80762 110049;

56783 172907 164548 144040];

@907 117437 120368 130179];

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,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');

%建立BP神经网络， 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

net.trainParam.goal=0.001; %训练目标最小误差0.001

net.trainParam.show=10; %每间隔100步显示一次训练结果

net.trainParam.lr=0.05; %学习速率0.05

bpnet=train(bpnet,P,T);

%-------------------------------------------------------------------------

p=[110 1.318 300 0.1 15 2 18 1 2];

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，training state，以及regres......余下全文>>

二：matlab的神经网络工具箱怎么用

1．神经网络

神经网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，网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网络完成特定的功能。

一般的神经网络都是可调节的，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，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。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网络。

神经网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。

如今神经网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?BR>　　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网络。无监督网络可以被应用在数据组的辨别上。一些线形网络和Hopfield网络是直接设计的。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。

神经网络领域已经有50年的历史了，但是实际的应用却是在最近15年里，如今神经网络仍快速发展着。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。我们没有把神经网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网络领域的工具。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网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网络对象描述而增强的机动性。最后这一章给出了一个神经网络实际应用的列表并增加了一个新的文本--神经网络设计。这本书介绍了神经网络的理论和它们的设计和应用，并给出了相当可观的MATLAB和神经网络工具箱的使用。

2．准备工作

基本章节

第一章是神经网络的基本介绍，第二章包括了由工具箱指定的有关网络结构和符号的基本材料以及建立神经网络的一些基本函数，例如new、init、adapt和train。第三章以反向传播网络为例讲解了反向传播网络的原理和应用的基本过程。

帮助和安装

神经网络工具箱包含在nnet目录中，键入help nnet可得到帮助主题。

工具箱包含了许多示例。每一个

三：matlab怎么打开神经网络工具箱

如果是用Matlab提供的GUI界面，在命令窗口输入命令nntool回车即可。

建议不要用GUI界面，直接在代码中调用神经网络工具箱，使用更方便，参数设置更明了。神经网络工具箱提供多个函数接口，不同的神经网络对应不同的函数，例如BP神经网络用newff函数建立网络，而Elman网络用newelm建立网络，各有不同。

调用神经网络工具箱的一个经典函数：newff函数。

net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：

PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；

Si：第i层神经元个数；

TFi：第i层的传递函数，默认函数为tansig函数；

BTF：训练函数，默认函数为trainlm函数；

BLF：权值/阀值学习函数，默认函数为learngdm函数；

PF：性能函数，默认函数为mse函数。

四：matlab bp神经网络工具箱怎么用

%% 训练集/测试集产生

% 训练集——用于训练网络

P_train = ;%输入集

T_train = ;%输出集

% 测试集——用于测试或者使用。

P_test = ;%输入

T_test ;

N = size(P_test,2);

%% BP神经网络创建、训练及仿真测试

% 创建网络

net = newff(P_train,T_train,9);

% 设置训练参数

net.trainParam.epochs = 1000;

net.trainParam.goal = 1e-3;

net.trainParam.lr = 0.01;

% 训练网络

net = train(net,P_train,T_train);

% 仿真测试、使用。

T_test = sim(net,P_test);%得到结果。

五：matlab神经网络工具箱分别怎么用

1单击Apps，在搜索框中输入neu，下方出现了所有神经网络工具箱。neural net fitting 是我们要使用的神经网络拟合工具箱。 2 在下界面中点击next 3 单击load example data set，得到我们需要的测试数据。

六：matlab 神经网络工具箱中的som怎么使用

使用newsom函数创建网络：

net=newsom(PR,[D1,D2,^],TFCN,DFCN,OLR,OSTEPS,TLR,TND)

PR:R个输入元素的最大值和最小值的设定值，R*2维矩阵

Di：第I层的维数，默认为[5 8]

TFCN：拓扑函数，默认为hextop

DFCN:距离函数，默认为linkdist

OLR：分类阶段学习速率，默认为0.9

OSTEPS：分类阶段的步长，默认为1000

TLR：调谐阶段的学习速率，默认为0.02

TNS:调谐阶段的领域距离，默认为1.

例子：

>> P=[rand(1,400)*2;rand(1,400)];>> plot(P(1,:),P(2,:),'.','markersize',20)>> net=newsom([0 1;0 1],[3 5]);>> net=train(net,P);>> hold on>> plotsom(net.iw{1,1},net.layers{1}.distances)>> hold off

第二个函数：newc函数

功能：该函数用于创建一个竞争层

net=newc

net=newc(PR,S,KLR,CLR)

S:神经元的数目

KLR：Kohonen学习速度，默认为0.01

CLR：Conscience学习速度，默认为0.001

net:函数返回值，一个新的竞争层。

也可以参考附件的代码，里面有一个案例是SOM神经网络的。

七：如何使用matlab神经网络工具箱

为了看懂师兄的文章中使用的方法，研究了一下神经网络

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

clear all;

clc;

P=[110 0.807 240 0.2 15 1 18 2 1.5;

110 2.865 240 0.1 15 2 12 1 2;

110 2.59 240 0.1 12 4 24 1 1.5;

220 0.6 240 0.3 12 3 18 2 1;

220 3 240 0.3 25 3 21 1 1.5;

110 1.562 240 0.3 15 3 18 1 1.5;

110 0.547 240 0.3 15 1 9 2 1.5];

0 1.318 300 0.1 15 2 18 1 2];

T=[54248 162787 168380 314797;

28614 63958 69637 82898;

86002 402710 644415 328084;

230802 445102 362823 335913;

60257 127892 76753 73541;

34615 93532 80762 110049;

56783 172907 164548 144040];

@907 117437 120368 130179];

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,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');

%建立BP神经网络， 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

net.trainParam.goal=0.001; %训练目标最小误差0.001

net.trainParam.show=10; %每间隔100步显示一次训练结果

net.trainParam.lr=0.05; %学习速率0.05

bpnet=train(bpnet,P,T);

%-------------------------------------------------------------------------

p=[110 1.318 300 0.1 15 2 18 1 2];

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，training state，以及regression分别出现下面......余下全文>>

八：matlab神经网络工具箱怎么使用训练好的神经网络

matlab神经网络入到隐层权值： w1=net.iw{1,1} 隐层阈值： theta1=net.

九：matlab怎么打开神经网络工具箱

:1单击Apps,在搜索框中输入neu,下方出现了所有神经网络工具箱。neuralnetfitting是我们要使用的神经网络拟合工具箱。2在下界面中点击next3单击

十：matlab中bp神经网络的工具箱怎么用，不要matlab程序，就工具箱怎么实现问题的解决？

使用matlab2010b以后的版本会有完整的神经网络工具箱，使用nnstart可以调出toolbox，然后选择需要的功能，导入数据，选择训练参数和每层神经元个数，最后训练会输出网络与结果