神經網路演算法軟體

⑸ bp神經網路演算法是軟體嗎

應該沒有吧。其實也很簡單，只需要搭建一個 編程的環境，網上下載需要的程序，運行一下，根據需要修改參數就可以了。比如，matlab就很方便。

⑹ 神經網路加智能演算法，寫程序用什麼語言好delphi合適嗎簡單易學的相比較就更好了，謝謝高手

神經網路演算法本身就是智能演算法啊，如果說模擬，那必然是用MATLAB好啊，其中有一個SIMULINK模塊，用里邊的神經網路模塊可以直接進行模擬，不用編程序的，它是模塊化得。當然如果老師要求必須編程，那就推薦一本書<<先進PID演算法及MATLAB模擬》，里邊有神經元網路的已經編好的程序，但這只是只能PID演算法。不算是只能演算法，但是這是一個偷懶的做法。如果真的想系統的學習先進演算法，神經元網路，建議樓主還是要把神經網路的理論知識學透才行。

⑺ 神經網路研究與應用這塊用python好還是matlab

兩者或許無所謂好與壞。只要自己喜歡用，那就是好的，但是目前代碼數量來看，可以學習的源代碼MATLAB有非常多的源碼。最重要的是，MATLAB里有神經網路工具箱，有可視化界面更容易調整參數。若果你是需要使用神經網路去完成某些數據分析,而你的數據又不是很多，那麼建議你使用matlab,裡面有已經搭建好的工具箱,非常齊全。

若果你對神經網路已經熟悉是,是打算投入應用,而且你的數據很大,那麼根據你所需要的神經網路,用C或其他你認為性能好的語言,針對你的問題重新編一個演算法,也不會花很大功夫。這樣既省了自己的時間，又讓自己輕松學習。總結來說，不論你學什麼，用什麼路徑去學總是會達到想要的目的，但是重要的是在於學習的過程。

⑻ 關於車速檢測的BP神經網路演算法程序

以往的汽車四輪轉向控制系統的設計，往往依據側向加速度較小時的車輛運動的線型兩軸模型進行線性控制器的設計。這樣在某些危險行駛狀態，例如緊急躲避障礙物、在路面摩擦力低的滑路面行駛，汽車四輪轉向控制系統將失去應有的控製作用，致使汽車的轉向安全性大大減低。文章提出在側向加速度大的情況下，利用神經網路理論來設計汽車四輪轉向控制系統。這樣的控制系統不依賴於車輛運動的線型模型，它不是基於模型的控制，而是基於知識的控制，保證了控制系統能適應車輛運動的非線性特性。 2 基於神經網路四輪轉向控制系統的設計 [IMG]image/040916guonew13-1.gif[/IMG] [IMG]image/040916guonew13-2.gif[/IMG] 四輪轉向控制系統的控制目的應為：(1)對沿行駛路線行駛的汽車車身姿勢進行控制，使汽車的側偏角β保持為零；(2)橫擺角速度λ或側向加速度。接近所期望的轉向響應特性。四輪轉向控制系統採用後輪主動式，即控制器主動控制後輪的轉角，通過控制後輪進行車輛運動控制。其控制系統如圖1所示。在設計過程中，參兩輪車的線性模型，選前輪轉向角6f、橫擺角速度／作為控制器的輸入量；同時考慮側向加速度α而造成的控制誤差的補償作用，把側向加速度。也作為輸入。圖1中車輛系統為通過神經網路辯識的非線性動態系統。設計包括兩部分內容：車輛動態模型離線辯識、後輪轉向角神經網路控制器的設計. 2．1 車輛動態模型離線辯識 車輛動態模型離線辯識採用多層神經網路誤差逆傳播學習演算法：BP神經網路法.BP神經網路是一種輸入輸出向量空間的非線性映射。其拓撲結構由3部分組成：輸入層、隱含層和輸出層。層與層之間各神經元實現全連接，而每層各神經元之間無連接。設計中採用具有雙隱含層的BP網路，通過離線訓練學到車輛動力系統的非線性特性。為使該網路能在車輛的各種工況下識別車輛運動，應使網路的學習模式對能覆蓋車輛的全部工況。由於採集實際車輛的運行數據是非常困難的，因此在離線訓練的過程中，採用四輪轉向車輛系統模型，並通過計算機模擬(圖2)向BP網路提供學習模式對，使BP網路進行離線訓練學習，對BP網路的連接權和閾值進行粗調節；然後通過該模式提取測試模式對，對網路進行測試；測試滿意後，再用實驗數據對網路作進一步離線訓練，從而對網路進行細調節。辯識系統中，輸入參數有第n時間步側偏角β(n)、橫擺角速度γ(n)、前輪轉向角(n)、後輪轉向角δ(n)、側向加速度α(n)5個參數；輸出有第，2+l時間步側偏角β(n+1)、橫擺角速度γ(2+1)(圖3)。訓練網路用的信號δf(n)是幅值分別為3．4和5．5的階躍信號和正弦信號。每層神經元數分別為5、12、10、2。兩隱層傳遞函數均為雙極性Sigmoid函數[IMG]image/040916guonew13-g1.gif[/IMG] 輸出層傳遞函數為線性函數。 [IMG]image/040916guonew13-3.gif[/IMG] 2．2 神經控制器的設計 為配合車輛動態模型一起工作，設計神經控制器。該控制器也是雙隱含層的BP神經網路各層神經元數分別為3、10、10、l。控制器的輸入為橫擺角速度／(，2)、前輪轉角δf(n)及與車速有關的參數側向加速度o(n)；輸出有後輪轉角δf(n)。兩隱含層的傳遞函數也為雙極性Sigmoid函數，輸出層的傳遞函數為 [IMG]image/040916guonew13-g2.gif[/IMG] 為使側偏最小， 引入性能目標函數[IMG]image/040916guonew13-g3.gif[/IMG]評價側偏角和後輪轉向角。每個神經元的權值和閾值可以通過控制器的學習過程得到。學習的目的是使目標函數值最小。訓練神經控制器時，在計算機上將車輛動態模型與神經控制器組成控制系統，同樣用四輪轉向控制的車輛模擬模型輸出的數據集進行訓練。但此時只修改神經控制器的權矩陣。 2．3 BP神經網路的MATLAB實現 設計過程中，可以採用MATLAB軟體中的神經網路工具箱來實現BP神經網路演算法。BP神經網路的學習過程由前向計算過程、誤差計算和誤差反向傳播過程組成。雙含隱層BP神經網路的MATLAB程序，由輸入部分、計算部分、輸出部分組成，其中輸入部分包括網路參數與訓練樣本數據的輸入、初始化權系、求輸入輸出模式各分量的平均值及標准差並作相應數據預處理、讀入測試集樣本數據並作相應數據預處理；計算部分包括正向計算、反向傳播、計算各層權矩陣的增量、自適應和動量項修改各層權矩陣；輸出部分包括顯示網路最終狀態及計算值與期望值之間的相對誤差、輸出測試集相應結果、顯示訓練，測試誤差曲線。 3 控制系統模擬 用神經網路車輛動態模型與神經控制器構成控制系統，進行模擬分析。其瞬態響應，如圖4中實線所示。圖中的虛線、雙點劃線分別表示2WS和線性控制4WS。 [IMG]image/040916guonew13-4.gif[/IMG] 4 結論 (1)因為神經控制網路能很好地適應汽車的非線性特性，故在大的前輪轉角下，神經網路控制系統的側偏角p比線性控制系統的車輛側偏角p更接近零，可獲得更滿意的控制效果。 (2)橫擺角速度丫響應在經過一段時間後收斂至穩態值，4WS比2WS收斂更快，相位滯後更小。

⑼ MATLAB中BP神經網路的訓練演算法具體是怎麼樣的

先用newff函數建立網路，再用train函數訓練即可。
1）正向傳播：輸入樣本－>輸入層－>各隱層（處理）－>輸出層
注1：若輸出層實際輸出與期望輸出（教師信號）不符，則轉入2）（誤差反向傳播過程）
2）誤差反向傳播：輸出誤差（某種形式）－>隱層（逐層）－>輸入層
其主要目的是通過將輸出誤差反傳，將誤差分攤給各層所有單元，從而獲得各層單元的誤差信號，進而修正各單元的權值（其過程，是一個權值調整的過程）。

BP演算法實現步驟（軟體）：
1）初始化
2）輸入訓練樣本對，計算各層輸出
3）計算網路輸出誤差
4）計算各層誤差信號
5）調整各層權值
6）檢查網路總誤差是否達到精度要求
滿足，則訓練結束；不滿足，則返回步驟2）
註：改進演算法—增加動量項、自適應調整學習速率（這個似乎不錯)及引入陡度因子。

⑽ bp神經網路演算法 在matlab中的實現

BP神經網路是最基本、最常用的神經網路，Matlab有專用函數來建立、訓練它，主要就是newff()、train()、sim()這三個函數，當然其他如歸一化函數mapminmax()、其他net的參數設定（lr、goal等）設置好，就可以通過對歷史數據的學習進行預測。附件是一個最基本的預測實例，本來是電力負荷預測的實例，但具有通用性，你仔細看看就明白了。