如何自制网络工具箱

㈠ 1.如何用MATLAB神经网络工具箱创建BP神经网络模型具体有哪些步骤请高手举实例详细解释下 2.如何把输

%人脸识别模型，脸部模型自己找吧。
function mytest()

clc;
images=[ ];
M_train=3;%表示人脸
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'); %读取图像，连接字符串形成图像的文件名。
img= imread(str);
[rows cols]= size(img);%获得图像的行和列值。
img_edge=edge(img,'Sobel');

%由于在分割图片中我们可以看到这个人脸的眼睛部分也就是位于分割后的第二行中，位置变化比较大，而且眼睛边缘检测效果很好

sub_rows=floor(rows/6);%最接近的最小整数,分成6行
sub_cols=floor(cols/8);%最接近的最小整数，分成8列
sample_num=M_train*N_train;%前5个是第一幅人脸的5个角度

sample_number=sample_number+1;
for subblock_i=1:8 %因为这还在i，j的循环中，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
%将特征值转换为小于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 为目标矢量
t=zeros(3,sample_number);
%因为有五类，所以至少用3个数表示，5介于2的2次方和2的3次方之间
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——生成一个新的前向神经网络
% TRAIN——对 BP 神经网络进行训练
% SIM——对 BP 神经网络进行仿真

% 定义训练样本
% P 为输入矢量
P=pixel_value'
% T 为目标矢量
T=t
size(P)
size(T)
% size(P)
% size(T)

% 创建一个新的前向神经网络
net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')

% 当前输入层权值和阈值
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
% 当前网络层权值和阈值
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}

% 设置训练参数
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;

% 调用 TRAINGDM 算法训练 BP 网络
[net_1,tr]=train(net_1,P,T);

% 对 BP 网络进行仿真
A = sim(net_1,P);
% 计算仿真误差
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神经网络工具箱创建BP神经网络模型

1． 常用的前馈型BP网络的转移函数有logsig，tansig，有时也会用到线性函数purelin。当网络的最后一层采用曲线函数时，输出被限制在一个很小的范围内，如果采用线性函数则输出可为任意值。以上三个函数是BP网络中最常用到的函数，但是如果需要的话你也可以创建其他可微的转移函数。
2． 在BP网络中，转移函数可求导是非常重要的，tansig、logsig和purelin都有对应的导函数dtansig、dlogsig和dpurelin。为了得到更多转移函数的导函数，可以带字符"deriv"的转移函数：tansig('deriv')

㈢ 求如何自己制造pe工具箱

工具下载
1下载通用PE工具箱 V4.0 Win8.iso镜像文件。
补充：该版本是优化版本，所有的工具都是去广告的。并且，对英文工具进行了汉化，总共大小也仅有110M。
2下载【软媒魔方U盘启动制作工具绿色免安装版】。
注：这是绿色版，无需安装，直接使用，大小仅仅1M。
当然，如果你有魔方大师的话，可以到【功能大全】中找到【软媒魔方U盘启动】。
END开始一键制作。
插入U盘
打开【软媒魔方U盘启动制作工具】》单击【XP/WIN PE U盘启动盘】。
2给你的【启动菜单】随便命名》然后单击【浏览】，选择刚刚下载好的WIN 8 PE镜像文件
3单击【制作启动菜单】》那么该启动菜单就会出现在下面的【启动菜单】列表中
由于我们的U盘会被自动识别，故：直接单击【制作USB启动盘】即可。
4提示：要格式化U盘，请先备份。
如果你有重要的数据，请先备份；如果没有，直接确定。
这是制作过程，只需10秒！提示制作成功后，单击【确定】。
5好了，重启电脑，设置成U盘启动试试吧。

㈣ 怎么制作dos工具箱

很简单！在网上下个MaxDOS_5.5s（很多地方都可以下的）直接安装就可以重启后你会发现你想要的就出来了！！

㈤ 自制工具箱，看高手如何利用废旧纸箱制作实用的工具箱

• 先将纸箱确定未来摆放的位置。

• 然后用不干胶的木纹贴纸贴平表面。

• 最后在需要装饰的地方贴上喜气洋洋的福字

• 这样正面就完成了，侧面看有些不美观。

• 可以用自己画的画粘在硬纸板上，当做一个门，这样一个美观使用的简易储物箱就完成了。

㈥ 我想把常用的一些软件制作成工具箱,要怎么作啊 谢谢

菜鸟也会飞软件工具箱.exe免费下载

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

软件（中国大陆及香港用语，台湾称作软体，英文：software）是一系列按照特定顺序组织的计算机数据和指令的集合。一般来讲软件被划分为系统软件、应用软件和介于这两者之间的中间件。软件并不只是包括可以在计算机（这里的计算机是指广义的计算机）上运行的电脑程序，与这些电脑程序相关的文档一般也被认为是软件的一部分。简单的说软件就是程序加文档的集合体。另也泛指社会结构中的管理系统、思想意识形态、思想政治觉悟、法律法规等等。

㈦ 如何制作自己的CAD工具工具箱

100分啊！ 呵呵，可惜我只会ps，ps有工具预设和动作，这两项都可以独立导出存储（允许自己选择存储盘），以后遇到软件重装或系统重装后，又能导入，恢复如初。 你找找CAD中可能也有类似功能

㈧ 如何用MATLAB的神经网络工具箱实现三层BP网络

使用神经网络工具箱可以非常简便地实现网络建立和训练，实例代码如下：

%%BP算法
functionOut=bpnet(p,t,p_test)
%p,t为样本需要提前组织好
globalS1
net=newff(minmax(p),[S1,8],{'tansig','purelin'},'trainlm');%trainlm训练函数最有效
%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;%阻止训练窗口的弹出
net.trainParam.showCommandLine=false;%阻止训练窗口的弹出
net=train(net,p,t);
Out=sim(net,p_test);
end

上面的代码不完整，完整的带训练样本数据的程序见附件。