matlab神經網路怎麼用

Ⅳ 如何用matlab軟體實現神經網路應用

給你一個實例，希望通過該例子對實現神經網路應用有一定的了解。

%x,y分別為輸入和目標向量

x=1:5;

y=[639 646 642 624 652];

%創建一個前饋網路

net=newff(minmax(x),[20,1],{'tansig','purelin'});

%模擬未經訓練的網路net並畫圖

y1=sim(net,x);plot(x,y1,':');

%採用L-M優化演算法

net.trainFcn='trainlm';

%設置訓練演算法

net.trainParam.epochs=500;net.trainParam.goal=10^(-6);

%調用相應演算法訓練BP網路

[net,tr,yy]=train(net,x,y);

%對BP網路進行模擬

y1=sim(net,x);

%計算模擬誤差

E=y-y1;MSE=mse(E)

hold on

%繪制匹配結果曲線

figure;

plot(x,y1,'r*',x,y,'b--')

執行結果

Ⅳ matlab 神經網路怎麼用啊

利用MATLAB來輔助進行實驗，領悟神經網路的知識，這是一個非常好的學習模式。之後，進階了，自己再看看怎麼規劃。希望你能認真學習。我加了一個神經網路討論

Ⅵ matlab人工神經網路怎麼使用

請補充問題，你的A、B、C、D四個等級是按什麼標准分？

Ⅶ 如何利用matlab進行神經網路預測

matlab 帶有神經網路工具箱，可直接調用，建議找本書看看，或者MATLAB論壇找例子。
核心調用語句如下：
%數據輸入

%選連樣本輸入輸出數據歸一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP網路訓練
% %初始化網路結構
net=newff(inputn,outputn,[8 8]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%網路訓練
net=train(net,inputn,outputn);
%% BP網路預測
%預測數據歸一化
inputn_test=mapminmax('apply',input_test,inputps);
%網路預測輸出
an=sim(net,inputn_test);
%網路輸出反歸一化
BPoutput=mapminmax('reverse',an,outputps);
%% 結果分析

Ⅷ matlab中神經網路怎麼使用

可以直接用神經網路工具箱，GUI內設置訓練的輸入、目標、訓練方法、迭代次數等。

Ⅸ matlab工具箱中的神經網路和遺傳演算法要怎麼調用

都是有兩種調用方法，一種圖形界面的，這個從開始菜單，然後工具，然後從裡面找神經網路
neural
network，遺傳演算法工具是
全局優化工具箱裡面的，global
optimization。
另外
一種通過命令行調用，這個需要你理解你都要做什麼，我用神經網路舉例。第一步需要先整理出輸入變數和輸出變數，第二步設計並初始化神經網路，第三部訓練，第四部獲得結果。
如果你想結合這兩者，就會更加復雜，詳細的你可以再問。我曾經做過用遺傳演算法優化神經網路的工具。

Ⅹ matlab神經網路工具箱具體怎麼用

為了看懂師兄的文章中使用的方法，研究了一下神經網路
昨天花了一天的時間查怎麼寫程序，但是費了半天勁，不能運行，網路知道里倒是有一個，可以運行的，先貼著做標本

% 生成訓練樣本集
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; %輸入矢量的取值范圍矩陣
pr(1:9,2)=1;
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神經網路， 12個隱層神經元，4個輸出神經元
%tranferFcn屬性 'logsig' 隱層採用Sigmoid傳輸函數
%tranferFcn屬性 'logsig' 輸出層採用Sigmoid傳輸函數
%trainFcn屬性 'traingdx' 自適應調整學習速率附加動量因子梯度下降反向傳播演算法訓練函數
%learn屬性 'learngdm' 附加動量因子的梯度下降學習函數
net.trainParam.epochs=1000;%允許最大訓練步數2000步
net.trainParam.goal=0.001; %訓練目標最小誤差0.001
net.trainParam.show=10; %每間隔100步顯示一次訓練結果
net.trainParam.lr=0.05; %學習速率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);

運行的結果是出現這樣的界面

點擊performance，training state，以及regression分別出現下面的界面

再搜索，發現可以通過神經網路工具箱來創建神經網路，比較友好的GUI界面，在輸入命令裡面輸入nntool，就可以開始了。

點擊import之後就出現下面的具體的設置神經網路參數的對話界面，
這是輸入輸出數據的對話窗

首先是訓練數據的輸入

然後點擊new，創建一個新的神經網路network1，並設置其輸入輸出數據，包括名稱，神經網路的類型以及隱含層的層數和節點數，還有隱含層及輸出層的訓練函數等

點擊view，可以看到這是神經網路的可視化直觀表達

創建好了一個network之後，點擊open，可以看到一個神經網路訓練，優化等的對話框，選擇了輸入輸出數據後，點擊train，神經網路開始訓練，如右下方的圖，可以顯示動態結果

下面三個圖形則是點擊performance，training state以及regression而出現的

下面就是simulate，輸入的數據是用來檢驗這個網路的數據，output改一個名字，這樣就把輸出數據和誤差都存放起來了

在主界面上點擊export就能將得到的out結果輸入到matlab中並查看

下圖就是輸出的兩個outputs結果

還在繼續挖掘，to be continue……