㈠ 需要把MATLAB中的BP神經網路工具箱與自己的一個軟體項目結合
這個就是C++與matlab混合編程。但是神經網路工具箱比較特別，它反盜用比較嚴厲。採用傳統的混編方式，可以調用matlab自己的函數，但無法成功調用神經網路工具箱。這一點在mathwork網站上也做了說明。
以C#為例，一般混編有四種方式：
（1）利用Matlab自身編譯器，目的是將m文件轉換為c或c++的源代碼。
（2）利用COM或.NET組件技術。通過MATLAB中的Deploy tool工具將m文件編譯成dll，然後在系統中調用。
（3）利用Mideva平台。沒嘗試過。
（4）利用MATLAB引擎技術。該方法相當於在.NET中運行MATLAB程序，獲取其結果。優點是操作簡單，過程簡易。缺點是需要安裝Matlab軟體。
如果要調用神經網路工具箱，只有使用第四種方法，即引擎技術，其他方法都不可行。這種混編方式僅僅傳遞參數，因此不涉及到神經網路工具箱的代碼，也就沒有了防盜用限制。
㈡ 除了MATLAB能做BP神經網路，還有其他什麼軟體能做
在我看來bp神經網路是一種演算法，只要是演算法就可以用任何軟體工具（只要編譯器或者解釋器支持，c，c++，python，matlab......）來進行實現，只是實現時的復雜程度有區別而已
㈢ 最近下載了一個BP神經網路程序，運行時發現有些函數不能調用，希望能有高手指點迷津
這是別人自己編的子函數，用於計算輸出層、隱含層權值的變化量。實際上是一個權值調整公式，按照公式編寫這個函數即可。
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）
㈣ 什麼是BP神經網路
BP演算法的基本思想是：學習過程由信號正向傳播與誤差的反向回傳兩個部分組成；正向傳播時，輸入樣本從輸入層傳入，經各隱層依次逐層處理，傳向輸出層，若輸出層輸出與期望不符，則將誤差作為調整信號逐層反向回傳，對神經元之間的連接權矩陣做出處理，使誤差減小。經反復學習，最終使誤差減小到可接受的范圍。具體步驟如下：
1、從訓練集中取出某一樣本，把信息輸入網路中。
2、通過各節點間的連接情況正向逐層處理後，得到神經網路的實際輸出。
3、計算網路實際輸出與期望輸出的誤差。
4、將誤差逐層反向回傳至之前各層，並按一定原則將誤差信號載入到連接權值上，使整個神經網路的連接權值向誤差減小的方向轉化。
5、対訓練集中每一個輸入—輸出樣本對重復以上步驟，直到整個訓練樣本集的誤差減小到符合要求為止。
㈤ 在用bp神經網路時,需要輸入數據,但有些數據是定性數據,如何將定性數據定量化
你所說的應該是輸入數據的預處理 即pre-processing,你使用ST Nueral Networks的話,裡面有自動的預處理,你輸入定性數據(nominal variable)後,軟體可以自動預處理後轉化為神經網路可以識別的數值.
或者你自己設置
例1 根據年鑒記載的某些地區經度,緯度與台風類型的關系預測任意經緯度下台風類型(台風A或者台風B),
台風類型就屬於定性數據在STNN中你可以現將輸出變數設置為nominal variable,然後設置輸出變數的數目為2,分別是V1和V2,構建網路的時候經緯度對應台風A的,設置輸出值為V1,為台風B的設置為V2,預測時,網路可以給出結果V1或者V2,你就知道是哪種台風了.
例2 根據現有的水質標准以及數種污染物的采樣值預測該河流的水質級別
輸出值為水質級別,同樣為nominal variable,你可以將輸出值作一個標准化處理,設總共有五個水質級別,你可以將輸出變數區間化分為0-0.2,0.2-0.4,0.4-0.6,0.6-0.8,0.8-1,設置第一級別水質對應的輸出值為0.2 第2級水質對應0.4,等等,第5級水質對應1
㈥ 用matlab軟體預測一組數據未來走勢，用到了BP神經網路法，請問如何在matlab里輸入程序代碼多謝各位。
如果程序語句較少，可在命令窗中提示符後直接輸入，回車就顯示結果。如果程序語句較多，可寫成m文件，保存後，運行，就會在命令窗中顯示結果。你要預測趨勢，應屬於後一種。
㈦ bp網路神經預測 是干嗎用的
BP就是後傳神經網路演算法，可以用來預測股票價格走勢（要求已知過去一段時間內的股票最高、最低、收盤、開盤價等信息）、當然也可以用來預測科學工程上的問題。屬於高等數學的范疇，很多看似隨機或沒有明顯規律的數據，都可以嘗試使用BP演算法推導出未來可能出現的數據。一般使用MATLAB軟體編寫此類演算法。
㈧ 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。
㈨ 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。
㈩ BP神經網路用什麼軟體可以實現
MATLAB！ 編個程序就能實現的，而且MATLAB 有自帶的神經網路工具箱。