如何自製網路工具箱

㈠ 1.如何用MATLAB神經網路工具箱創建BP神經網路模型具體有哪些步驟請高手舉實例詳細解釋下 2.如何把輸

%人臉識別模型，臉部模型自己找吧。
function mytest()

clc;
images=[ ];
M_train=3;%表示人臉
N_train=5;%表示方向
sample=[];
pixel_value=[];
sample_number=0;

for j=1:N_train
for i=1:M_train
str=strcat('Images\',num2str(i),'_',num2str(j),'.bmp'); %讀取圖像，連接字元串形成圖像的文件名。
img= imread(str);
[rows cols]= size(img);%獲得圖像的行和列值。
img_edge=edge(img,'Sobel');

%由於在分割圖片中我們可以看到這個人臉的眼睛部分也就是位於分割後的第二行中，位置變化比較大，而且眼睛邊緣檢測效果很好

sub_rows=floor(rows/6);%最接近的最小整數,分成6行
sub_cols=floor(cols/8);%最接近的最小整數，分成8列
sample_num=M_train*N_train;%前5個是第一幅人臉的5個角度

sample_number=sample_number+1;
for subblock_i=1:8 %因為這還在i，j的循環中，所以不可以用i
block_num=subblock_i;
pixel_value(sample_number,block_num)=0;
for ii=sub_rows:(2*sub_rows)
for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols
pixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj);
end
end
end
end
end
%將特徵值轉換為小於1的值
max_pixel_value=max(pixel_value);
max_pixel_value_1=max(max_pixel_value);
for i=1:3
mid_value=10^i;
if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10))
multiple_num=1/mid_value;
pixel_value=pixel_value*multiple_num;
break;
end
end

% T 為目標矢量
t=zeros(3,sample_number);
%因為有五類，所以至少用3個數表示，5介於2的2次方和2的3次方之間
for i=1:sample_number
% if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0))
if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15))
t(1,i)=1;
end
%if((mod(i,5)==2)||(mod(i,5)==4))
if((i>3)&&(i<=6))||((i>9)&&(i<=12))
t(2,i)=1;
end
%if((mod(i,5)==3)||(mod(i,5)==0))
if((i>6)&&(i<=9))||((i>12)&&(i<=15))
t(3,i)=1;
end
end

% NEWFF——生成一個新的前向神經網路
% TRAIN——對 BP 神經網路進行訓練
% SIM——對 BP 神經網路進行模擬

% 定義訓練樣本
% P 為輸入矢量
P=pixel_value'
% T 為目標矢量
T=t
size(P)
size(T)
% size(P)
% size(T)

% 創建一個新的前向神經網路
net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')

% 當前輸入層權值和閾值
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
% 當前網路層權值和閾值
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}

% 設置訓練參數
net_1.trainParam.show = 50;
net_1.trainParam.lr = 0.05;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-3;

% 調用 TRAINGDM 演算法訓練 BP 網路
[net_1,tr]=train(net_1,P,T);

% 對 BP 網路進行模擬
A = sim(net_1,P);
% 計算模擬誤差
E = T - A;
MSE=mse(E)

x=[0.14 0 1 1 0 1 1 1.2]';
sim(net_1,x)

㈡ 如何用MATLAB神經網路工具箱創建BP神經網路模型

1． 常用的前饋型BP網路的轉移函數有logsig，tansig，有時也會用到線性函數purelin。當網路的最後一層採用曲線函數時，輸出被限制在一個很小的范圍內，如果採用線性函數則輸出可為任意值。以上三個函數是BP網路中最常用到的函數，但是如果需要的話你也可以創建其他可微的轉移函數。
2． 在BP網路中，轉移函數可求導是非常重要的，tansig、logsig和purelin都有對應的導函數dtansig、dlogsig和dpurelin。為了得到更多轉移函數的導函數，可以帶字元"deriv"的轉移函數：tansig('deriv')

㈢ 求如何自己製造pe工具箱

工具下載
1下載通用PE工具箱 V4.0 Win8.iso鏡像文件。
補充：該版本是優化版本，所有的工具都是去廣告的。並且，對英文工具進行了漢化，總共大小也僅有110M。
2下載【軟媒魔方U盤啟動製作工具綠色免安裝版】。
註：這是綠色版，無需安裝，直接使用，大小僅僅1M。
當然，如果你有魔方大師的話，可以到【功能大全】中找到【軟媒魔方U盤啟動】。
END開始一鍵製作。
插入U盤
打開【軟媒魔方U盤啟動製作工具】》單擊【XP/WIN PE U盤啟動盤】。
2給你的【啟動菜單】隨便命名》然後單擊【瀏覽】，選擇剛剛下載好的WIN 8 PE鏡像文件
3單擊【製作啟動菜單】》那麼該啟動菜單就會出現在下面的【啟動菜單】列表中
由於我們的U盤會被自動識別，故：直接單擊【製作USB啟動盤】即可。
4提示：要格式化U盤，請先備份。
如果你有重要的數據，請先備份；如果沒有，直接確定。
這是製作過程，只需10秒！提示製作成功後，單擊【確定】。
5好了，重啟電腦，設置成U盤啟動試試吧。

㈣ 怎麼製作dos工具箱

很簡單！在網上下個MaxDOS_5.5s（很多地方都可以下的）直接安裝就可以重啟後你會發現你想要的就出來了！！

㈤ 自製工具箱，看高手如何利用廢舊紙箱製作實用的工具箱

• 先將紙箱確定未來擺放的位置。

• 然後用不幹膠的木紋貼紙貼平表面。

• 最後在需要裝飾的地方貼上喜氣洋洋的福字

• 這樣正面就完成了，側面看有些不美觀。

• 可以用自己畫的畫粘在硬紙板上，當做一個門，這樣一個美觀使用的簡易儲物箱就完成了。

㈥ 我想把常用的一些軟體製作成工具箱,要怎麼作啊 謝謝

菜鳥也會飛軟體工具箱.exe免費下載

鏈接:https://pan..com/s/1Yevv8HpcmyPWGUbuypYCfQ

軟體（中國大陸及香港用語，台灣稱作軟體，英文：software）是一系列按照特定順序組織的計算機數據和指令的集合。一般來講軟體被劃分為系統軟體、應用軟體和介於這兩者之間的中間件。軟體並不只是包括可以在計算機（這里的計算機是指廣義的計算機）上運行的電腦程序，與這些電腦程序相關的文檔一般也被認為是軟體的一部分。簡單的說軟體就是程序加文檔的集合體。另也泛指社會結構中的管理系統、思想意識形態、思想政治覺悟、法律法規等等。

㈦ 如何製作自己的CAD工具工具箱

100分啊！ 呵呵，可惜我只會ps，ps有工具預設和動作，這兩項都可以獨立導出存儲（允許自己選擇存儲盤），以後遇到軟體重裝或系統重裝後，又能導入，恢復如初。 你找找CAD中可能也有類似功能

㈧ 如何用MATLAB的神經網路工具箱實現三層BP網路

使用神經網路工具箱可以非常簡便地實現網路建立和訓練，實例代碼如下：

%%BP演算法
functionOut=bpnet(p,t,p_test)
%p,t為樣本需要提前組織好
globalS1
net=newff(minmax(p),[S1,8],{'tansig','purelin'},'trainlm');%trainlm訓練函數最有效
%net=newff(P,T,31,{'tansig','purelin'},'trainlm');%新版用法
net.trainParam.epochs=1000;
net.trainParam.goal=0.00001;
net.trainParam.lr=0.01;
net.trainParam.showWindow=false;%阻止訓練窗口的彈出
net.trainParam.showCommandLine=false;%阻止訓練窗口的彈出
net=train(net,p,t);
Out=sim(net,p_test);
end

上面的代碼不完整，完整的帶訓練樣本數據的程序見附件。