matlap神經網路代碼是什麼

❶ 神經網路切負荷控制matlab代碼是什麼

摘要 你好！親~p=[];t=[];

❷ 在matlab中怎樣添加bpnet這個神經網路代碼。

bp是訓練演算法的一種，你首先需要確定一個神經網路結構，這種結構可以是feed forward, layer recurrent, elman等等。首先你需要先初始化一個神經網路，net = newff(Input, target, layerConfig).然後使用相應的Back Propagation演算法。
比如：
net.trainFcn = 'trainscg'。
你可以去matlab幫助文件裡面搜索trainscg，然後就會出來所有的優化演算法，大多數是BP的。
然後就可以使用, net = train(net, input, target)，來訓練神經網路，神經網路訓練就會用你剛剛定義的演算法。
然後可以使用sim(net, testInput)，來試驗神經網路輸出。

❸ matlab中用RBF神經網路做預測的代碼怎麼寫

clc;

clearall;

closeall;

%%----

c_1=[00];

c_2=[11];

c_3=[01];

c_4=[10];

n_L1=20;%numberoflabel1

n_L2=20;%numberoflabel2

A=zeros(n_L1*2,3);

A(:,3)=1;

B=zeros(n_L2*2,3);

B(:,3)=0;

%createrandompoints

fori=1:n_L1

A(i,1:2)=c_1+rand(1,2)/2;

A(i+n_L1,1:2)=c_2+rand(1,2)/2;

end

fori=1:n_L2

B(i,1:2)=c_3+rand(1,2)/2;

B(i+n_L2,1:2)=c_4+rand(1,2)/2;

end

%showpoints

scatter(A(:,1),A(:,2),[],'r');

holdon

scatter(B(:,1),B(:,2),[],'g');

X=[A;B];

data=X(:,1:2);

label=X(:,3);

%%Usingkmeanstofindcintervector

n_center_vec=10;

rng(1);

[idx,C]=kmeans(data,n_center_vec);

holdon

scatter(C(:,1),C(:,2),'b','LineWidth',2);

%%Calulatesigma

n_data=size(X,1);

%calculateK

K=zeros(n_center_vec,1);

fori=1:n_center_vec

K(i)=numel(find(idx==i));

end

%

%thencalucatesigma

sigma=zeros(n_center_vec,1);

fori=1:n_center_vec

[n,d]=knnsearch(data,C(i,:),'k',K(i));

L2=(bsxfun(@minus,data(n,:),C(i,:)).^2);

L2=sum(L2(:));

sigma(i)=sqrt(1/K(i)*L2);

end

%%Calutateweights

%kernelmatrix

k_mat=zeros(n_data,n_center_vec);

fori=1:n_center_vec

r=bsxfun(@minus,data,C(i,:)).^2;

r=sum(r,2);

k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2));

end

W=pinv(k_mat'*k_mat)*k_mat'*label;

y=k_mat*W;

%y(y>=0.5)=1;

%y(y<0.5)=0;

%%

[W1,sigma1,C1]=RBF_training(data,label,10);

y1=RBF_predict(data,W,sigma,C1);

[W2,sigma2,C2]=lazyRBF_training(data,label,2);

y2=RBF_predict(data,W2,sigma2,C2);

(3)matlap神經網路代碼是什麼擴展閱讀

matlab的特點

1、具有完備的圖形處理功能，實現計算結果和編程的可視化；

2、友好的用戶界面及接近數學表達式的自然化語言，使學者易於學習和掌握；

3、功能豐富的應用工具箱(如信號處理工具箱、通信工具箱等) ，為用戶提供了大量方便實用的處理工具。

❹ 求一個4，8，1的bp神經網路模型的matlab代碼

代碼如下：直接運行就是了。

P=P=[-1,-2,3,1;-1,1,5,-3;-2,3,4,6;1,2,3,4];%初始訓練值
%創建一個新的前向神經網路
net=newff(minmax(P),[8,1],{'tansig','purelin'},'traingdm')
%當前輸入層權值和閾值
inputWeights=net.IW{1,1}
inputbias=net.b{1}
%當前網路層權值和閾值
layerWeights=net.LW{2,1}
layerbias=net.b{2}
%設置訓練參數
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.mc=0.9;
net.trainParam.epochs=1000;
net.trainParam.goal=1e-3;
%調用TRAINGDM演算法訓練BP網路
[net,tr]=train(net,P,T);
%對BP網路進行模擬
A=sim(net,P)%最後結果
%計算模擬誤差
E=T-A
MSE=mse(E)

❺ BP神經網路matlab源程序代碼講解

newff 創建前向BP網路格式：
net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)

其中：PR —— R維輸入元素的R×2階最大最小值矩陣； Si —— 第i層神經元的個數，共N1層； TFi——第i層的轉移函數，默認『tansig』； BTF—— BP網路的訓練函數，默認『trainlm』; BLF—— BP權值/偏差學習函數，默認』learngdm』 PF ——性能函數，默認『mse』；（誤差）

e.g.
P = [0 1 2 3 4 5 6 7 8 9 10];T = [0 1 2 3 4 3 2 1 2 3 4];
net = newff([0 10],[5 1],{'tansig' 'purelin'});net.trainparam.show=50; %每次循環50次net.trainParam.epochs = 500; %最大循環500次
net.trainparam.goal=0.01; %期望目標誤差最小值
net = train(net,P,T); %對網路進行反復訓練
Y = sim(net,P)Figure % 打開另外一個圖形窗口
plot(P,T,P,Y,'o')

❻ matlab BP神經網路預測代碼

P=[1;2;3;4;5];%月
P=[P/50]；
T=[2;3;4;5;6]；%月訓練樣本
T=[T/50]；
threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1];
net=newff(threshold,[15,7],{'tansig','logsig'},'trainlm');
net.trainParam.epochs=2000;
net.trainParam.goal=0.001;
LP.lr=0.1;
net=train(net,P,T);
P_test=[6月]';%6月數據預測7月
P_test=[P_test/50];
y=sim(net,P_test)
y=[y*50]

❼ 用matlab編BP神經網路預測代碼

matlab編寫BP神經網路很方便的，這個工作不用像編程序的C什麼的那樣還要編寫演算法
這個演算法早已經在軟體的庫里提供了。你只要用一條語句就出來了。把參數，深度和節點固定的往裡一代數就可以了。
還有一點，注意最後結果的收斂性，神經網路發展一直是曲折前進的，為什麼這樣，現在不太給力，因為面臨著一個收斂的問題，實現起來效果不好。這些程序網上有很多，你借一本基本的神經網路的書裡面也有。望採納。