㈠ 需要把MATLAB中的BP神经网络工具箱与自己的一个软件项目结合
这个就是C++与matlab混合编程。但是神经网络工具箱比较特别，它反盗用比较严厉。采用传统的混编方式，可以调用matlab自己的函数，但无法成功调用神经网络工具箱。这一点在mathwork网站上也做了说明。
以C#为例，一般混编有四种方式：
（1）利用Matlab自身编译器，目的是将m文件转换为c或c++的源代码。
（2）利用COM或.NET组件技术。通过MATLAB中的Deploy tool工具将m文件编译成dll，然后在系统中调用。
（3）利用Mideva平台。没尝试过。
（4）利用MATLAB引擎技术。该方法相当于在.NET中运行MATLAB程序，获取其结果。优点是操作简单，过程简易。缺点是需要安装Matlab软件。
如果要调用神经网络工具箱，只有使用第四种方法，即引擎技术，其他方法都不可行。这种混编方式仅仅传递参数，因此不涉及到神经网络工具箱的代码，也就没有了防盗用限制。
㈡ 除了MATLAB能做BP神经网络，还有其他什么软件能做
在我看来bp神经网络是一种算法，只要是算法就可以用任何软件工具（只要编译器或者解释器支持，c，c++，python，matlab......）来进行实现，只是实现时的复杂程度有区别而已
㈢ 最近下载了一个BP神经网络程序，运行时发现有些函数不能调用，希望能有高手指点迷津
这是别人自己编的子函数，用于计算输出层、隐含层权值的变化量。实际上是一个权值调整公式，按照公式编写这个函数即可。
BP算法实现步骤（软件）：
1）初始化
2）输入训练样本对，计算各层输出
3）计算网络输出误差
4）计算各层误差信号
5）调整各层权值
6）检查网络总误差是否达到精度要求
满足，则训练结束；不满足，则返回步骤2）
㈣ 什么是BP神经网络
BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下：
1、从训练集中取出某一样本，把信息输入网络中。
2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。
3、计算网络实际输出与期望输出的误差。
4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。
5、対训练集中每一个输入—输出样本对重复以上步骤，直到整个训练样本集的误差减小到符合要求为止。
㈤ 在用bp神经网络时,需要输入数据,但有些数据是定性数据,如何将定性数据定量化
你所说的应该是输入数据的预处理 即pre-processing,你使用ST Nueral Networks的话,里面有自动的预处理,你输入定性数据(nominal variable)后,软件可以自动预处理后转化为神经网络可以识别的数值.
或者你自己设置
例1 根据年鉴记载的某些地区经度,纬度与台风类型的关系预测任意经纬度下台风类型(台风A或者台风B),
台风类型就属于定性数据在STNN中你可以现将输出变量设置为nominal variable,然后设置输出变量的数目为2,分别是V1和V2,构建网络的时候经纬度对应台风A的,设置输出值为V1,为台风B的设置为V2,预测时,网络可以给出结果V1或者V2,你就知道是哪种台风了.
例2 根据现有的水质标准以及数种污染物的采样值预测该河流的水质级别
输出值为水质级别,同样为nominal variable,你可以将输出值作一个标准化处理,设总共有五个水质级别,你可以将输出变量区间化分为0-0.2,0.2-0.4,0.4-0.6,0.6-0.8,0.8-1,设置第一级别水质对应的输出值为0.2 第2级水质对应0.4,等等,第5级水质对应1
㈥ 用matlab软件预测一组数据未来走势，用到了BP神经网络法，请问如何在matlab里输入程序代码多谢各位。
如果程序语句较少，可在命令窗中提示符后直接输入，回车就显示结果。如果程序语句较多，可写成m文件，保存后，运行，就会在命令窗中显示结果。你要预测趋势，应属于后一种。
㈦ bp网络神经预测 是干吗用的
BP就是后传神经网络算法，可以用来预测股票价格走势（要求已知过去一段时间内的股票最高、最低、收盘、开盘价等信息）、当然也可以用来预测科学工程上的问题。属于高等数学的范畴，很多看似随机或没有明显规律的数据，都可以尝试使用BP算法推导出未来可能出现的数据。一般使用MATLAB软件编写此类算法。
㈧ MATLAB中BP神经网络的训练算法具体是怎么样的
先用newff函数建立网络，再用train函数训练即可。
1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层
注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）
2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层
其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。
BP算法实现步骤（软件）：
1）初始化
2）输入训练样本对，计算各层输出
3）计算网络输出误差
4）计算各层误差信号
5）调整各层权值
6）检查网络总误差是否达到精度要求
满足，则训练结束；不满足，则返回步骤2）
注：改进算法—增加动量项、自适应调整学习速率（这个似乎不错)及引入陡度因子。
㈨ 关于车速检测的BP神经网络算法程序
以往的汽车四轮转向控制系统的设计，往往依据侧向加速度较小时的车辆运动的线型两轴模型进行线性控制器的设计。这样在某些危险行驶状态，例如紧急躲避障碍物、在路面摩擦力低的滑路面行驶，汽车四轮转向控制系统将失去应有的控制作用，致使汽车的转向安全性大大减低。文章提出在侧向加速度大的情况下，利用神经网络理论来设计汽车四轮转向控制系统。这样的控制系统不依赖于车辆运动的线型模型，它不是基于模型的控制，而是基于知识的控制，保证了控制系统能适应车辆运动的非线性特性。 2 基于神经网络四轮转向控制系统的设计 [IMG]image/040916guonew13-1.gif[/IMG] [IMG]image/040916guonew13-2.gif[/IMG] 四轮转向控制系统的控制目的应为：(1)对沿行驶路线行驶的汽车车身姿势进行控制，使汽车的侧偏角β保持为零；(2)横摆角速度λ或侧向加速度。接近所期望的转向响应特性。四轮转向控制系统采用后轮主动式，即控制器主动控制后轮的转角，通过控制后轮进行车辆运动控制。其控制系统如图1所示。在设计过程中，参两轮车的线性模型，选前轮转向角6f、横摆角速度／作为控制器的输入量；同时考虑侧向加速度α而造成的控制误差的补偿作用，把侧向加速度。也作为输入。图1中车辆系统为通过神经网络辩识的非线性动态系统。设计包括两部分内容：车辆动态模型离线辩识、后轮转向角神经网络控制器的设计. 2．1 车辆动态模型离线辩识 车辆动态模型离线辩识采用多层神经网络误差逆传播学习算法：BP神经网络法.BP神经网络是一种输入输出向量空间的非线性映射。其拓扑结构由3部分组成：输入层、隐含层和输出层。层与层之间各神经元实现全连接，而每层各神经元之间无连接。设计中采用具有双隐含层的BP网络，通过离线训练学到车辆动力系统的非线性特性。为使该网络能在车辆的各种工况下识别车辆运动，应使网络的学习模式对能覆盖车辆的全部工况。由于采集实际车辆的运行数据是非常困难的，因此在离线训练的过程中，采用四轮转向车辆系统模型，并通过计算机仿真(图2)向BP网络提供学习模式对，使BP网络进行离线训练学习，对BP网络的连接权和阈值进行粗调节；然后通过该模式提取测试模式对，对网络进行测试；测试满意后，再用实验数据对网络作进一步离线训练，从而对网络进行细调节。辩识系统中，输入参数有第n时间步侧偏角β(n)、横摆角速度γ(n)、前轮转向角(n)、后轮转向角δ(n)、侧向加速度α(n)5个参数；输出有第，2+l时间步侧偏角β(n+1)、横摆角速度γ(2+1)(图3)。训练网络用的信号δf(n)是幅值分别为3．4和5．5的阶跃信号和正弦信号。每层神经元数分别为5、12、10、2。两隐层传递函数均为双极性Sigmoid函数[IMG]image/040916guonew13-g1.gif[/IMG] 输出层传递函数为线性函数。 [IMG]image/040916guonew13-3.gif[/IMG] 2．2 神经控制器的设计 为配合车辆动态模型一起工作，设计神经控制器。该控制器也是双隐含层的BP神经网络各层神经元数分别为3、10、10、l。控制器的输入为横摆角速度／(，2)、前轮转角δf(n)及与车速有关的参数侧向加速度o(n)；输出有后轮转角δf(n)。两隐含层的传递函数也为双极性Sigmoid函数，输出层的传递函数为 [IMG]image/040916guonew13-g2.gif[/IMG] 为使侧偏最小， 引入性能目标函数[IMG]image/040916guonew13-g3.gif[/IMG]评价侧偏角和后轮转向角。每个神经元的权值和阈值可以通过控制器的学习过程得到。学习的目的是使目标函数值最小。训练神经控制器时，在计算机上将车辆动态模型与神经控制器组成控制系统，同样用四轮转向控制的车辆仿真模型输出的数据集进行训练。但此时只修改神经控制器的权矩阵。 2．3 BP神经网络的MATLAB实现 设计过程中，可以采用MATLAB软件中的神经网络工具箱来实现BP神经网络算法。BP神经网络的学习过程由前向计算过程、误差计算和误差反向传播过程组成。双含隐层BP神经网络的MATLAB程序，由输入部分、计算部分、输出部分组成，其中输入部分包括网络参数与训练样本数据的输入、初始化权系、求输入输出模式各分量的平均值及标准差并作相应数据预处理、读入测试集样本数据并作相应数据预处理；计算部分包括正向计算、反向传播、计算各层权矩阵的增量、自适应和动量项修改各层权矩阵；输出部分包括显示网络最终状态及计算值与期望值之间的相对误差、输出测试集相应结果、显示训练，测试误差曲线。 3 控制系统仿真 用神经网络车辆动态模型与神经控制器构成控制系统，进行仿真分析。其瞬态响应，如图4中实线所示。图中的虚线、双点划线分别表示2WS和线性控制4WS。 [IMG]image/040916guonew13-4.gif[/IMG] 4 结论 (1)因为神经控制网络能很好地适应汽车的非线性特性，故在大的前轮转角下，神经网络控制系统的侧偏角p比线性控制系统的车辆侧偏角p更接近零，可获得更满意的控制效果。 (2)横摆角速度丫响应在经过一段时间后收敛至稳态值，4WS比2WS收敛更快，相位滞后更小。
㈩ BP神经网络用什么软件可以实现
MATLAB！ 编个程序就能实现的，而且MATLAB 有自带的神经网络工具箱。