概述:

1  人工神经网络介绍

2  人工神经元

3  MATLAB神经网络工具箱

4  感知器神经网络

5  感知器神经网络

5.1  设计实例分析

 clear all;
close all;
P=[ ; ];
T=[ ];
%建立神经网络
net=newp(minmax(P),,'hardlim','learnp');
%对神经网络进行训练,net是建立网络,P是输入向量,T是目标向量
net=train(net,P,T);
%对网络进行仿真
Y=sim(net,P);
%绘制建模点
plotpv(P,T);
%绘制分界线
plotpc(net.iw{,},net.b{});
 clear all;
close all;
P=[-0.5 -0.5 0.4 -0.1 -0.8;-0.5 0.5 -0.3 0.2 0.9];
T=[ ];
plotpv(P,T);
%建立感知器网络
net=newp(minmax(P),,'hardlim','learnpn');
hold on;
linehandle=plot(net.IW{},net.b{});
E=;
net.adaptParam.passes=;
%误差没有达到要求会持续不断的训练
while mae(E)
%进行感知器网络的训练
[net,Y,E]=adapt(net,P,T);
linehandle=plotpc(net.IW{},net.b{},linehandle);
drawnow;
end
%对训练好的网络进行保存,保存成net1
save net1 net;
set(gcf,'position',[,,,]);
 clear all;
close all;
%加载网络
load net1.mat;
X=[-0.4 0.2 0.8;-0.7 0.3 0.9];
%对网络进行仿真,输入向量为X
Y=sim(net,X);
figure;
%绘制样本点和分界线
plotpv(X,Y);
plotpc(net.IW{},net.b{});
set(gcf,'position',[,,,]);

5.2  线性神经网络

 clear all;
close all;
P=[1.0 2.1 ];
T=[2.0 4.01 5.9 8.0];
%获取最大的学习速率
lr=maxlinlr(P);
net=newlin(minmax(P),,,lr);
%最大学习次数是300
net.trainParam.epochs=;
%训练的目标误差为0.
net.trainParam.goal=0.05;
net=train(net,P,T);
Y=sim(net,P)

6  设计实例分析

 clear all;
close all;
t=:pi/:*pi;
X=t.*sin(t);
T=*X+;
figure;
plot(t,X,'+-',t,T,'+--');
legend('系统输入','系统输出');
set(gca,'xlim',[ *pi]);
set(gcf,'position',[,,,]);
net=newlind(X,T);
%对网络进行仿真
y=sim(net,X);
figure;
plot(t,y,'+:',t,y-T,'r:');
legend('网络预测输出','误差');
set(gca,'xlim',[ *pi]);
set(gcf,'position',[,,,]);

7  BP网络

7.1  BP网络的创建

7.2  BP网络实例分析

 clear all;
clear all;
P=[ ];
T=[ ];
%隐含层为10个神经元
net=newff(P,T,);
net.trainParam.epochs=;
%进行训练
net=train(net,P,T);
%对网络进行仿真
Y=sim(net,P);
figure;
plot(P,T,P,Y,'o');
  • BP神经网络进行曲线拟合
 clear all;
clear all;
P=-:0.05:;
T=sin(*pi*P)+0.1*randn(size(P));
net=newff(P,T,,{},'trainbr');
net.trainParam.show=;
net.trainParam.epochs=;
net=train(net,P,T);
Y=sim(net,P);
figure;
plot(P,T,'-',P,Y,'+');
legend('原始信号','网络输出信号');
set(gcf,'position',[,,,]);

8  径向基审计网络

 clear all;
close all;
P=[ ];
T=[2.1 3.4 5.4 6.9 5.6];
net=newrb(P,T);
x=:0.5:
y=sim(net,x)

9  广义回归神经网络

 clear all;
close all;
%输入向量
P=:;
%输出向量
T=*sin(P);
net=newgrnn(P,T,0.2);
y=sim(net,P);
figure;
plot(P,T,':+',P,T-y,'-o');

10  概率神经网络

 clear all;
close all;
P=[:];
Tc=[ ];
T=ind2vec(Tc)
net=newpnn(P,T);
Y=sim(net,P);
Yc=vec2ind(Y)

12.Matlab神经网络工具箱的更多相关文章

  1. Matlab神经网络工具箱学习之一

    1.神经网络设计的流程 2.神经网络设计四个层次 3.神经网络模型 4.神经网络结构 5.创建神经网络对象 6.配置神经网络的输入输出 7.理解神经网络工具箱的数据结构 8.神经网络训练 1.神经网络 ...

  2. matlab神经网络工具箱创建神经网络

    为了看懂师兄的文章中使用的方法,研究了一下神经网络 昨天花了一天的时间查怎么写程序,但是费了半天劲,不能运行,百度知道里倒是有一个,可以运行的,先贴着做标本 % 生成训练样本集 clear all; ...

  3. Matlab神经网络工具箱学习之二

    螃蟹的分类 这个例子的目的是根据螃蟹的品种.背壳的长宽等等属性来判断螃蟹的性别,雄性还是雌性. 训练数据一共有六个属性: species, frontallip, rearwidth, length, ...

  4. matlab 神经网络工具箱的实用

    0. 其他处理 计时: tic net = train(net, X, y); toc 1. 一个简单的 demo(单层感知器) P = [1, 1, 1, 1, 0, 0, 0, 0; 0, 0, ...

  5. Matlab的BP神经网络工具箱及其在函数逼近中的应用

    1.神经网络工具箱概述 Matlab神经网络工具箱几乎包含了现有神经网络的最新成果,神经网络工具箱模型包括感知器.线性网络.BP网络.径向基函数网络.竞争型神经网络.自组织网络和学习向量量化网络.反馈 ...

  6. MathWorks官方消息:神经网络工具箱不能编译

    各位会员大家好,大家关心的问题,我已经大部分得到答案. 10月25号-27号我访问了MathWorks公司在波士顿的总部,大家经常关心的问题,我大部分都得到了答案. 关于神经网络工具箱,我与Matla ...

  7. paper 75:使用MATLAB的神经网络工具箱创建神经网络

    % 生成训练样本集 clear all; clc; P=[110 0.807 240 0.2 15 1 18 2 1.5; 110 2.865 240 0.1 15 2 12 1 2; 110 2.5 ...

  8. MATLAB的神经网络工具箱介绍

    一.使用matlab2010b以后的版本会有完整的神经网络工具箱,使用nnstart可以调出toolbox,然后选择需要的功能,导入数据,选择训练参数和每层神经元个数,最后训练会输出网络与结果. 二. ...

  9. MATLAB神经网络(2) BP神经网络的非线性系统建模——非线性函数拟合

    2.1 案例背景 在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法准确建模.在这种情况下,可以建立BP神经网络表达这些非线性系统.该方法把未知系统看成是一个黑箱,首先用 ...

随机推荐

  1. C# DataTable常用方法总结

    https://blog.csdn.net/wangzhen209/article/details/51743118

  2. HTTP获取信息的四种方式

    HTTP 从网络获取信息的四种方式 GET GET指代你在浏览器中输入网址,浏览网站时做的事.例如,我们使用 http://www.baidu.com 的时候,可以将GET想象成他说:"hi ...

  3. WPF开发“Program '*' does not contain a static 'Main' method suitable for an entry point”错误

    WPF项目编译时出现“Program '*' does not contain a static 'Main' method suitable for an entry point”错误,   解决方 ...

  4. Python 实现简单图片验证码登录

    朋友说公司要在测试环境做接口测试,登录时需要传入正确的图片的验证码,本着懒省事的原则,推荐他把测试环境的图片验证码写死,我们公司也是这么做的^_^.劝说无果/(ㄒoㄒ)/~~,只能通过 OCR 技术来 ...

  5. hdu 2485 Destroying the bus stations 最小费用最大流

    题意: 最少需要几个点才能使得有向图中1->n的距离大于k. 分析: 删除某一点的以后,与它相连的所有边都不存在了,相当于点的容量为1.但是在网络流中我们只能直接限制边的容量.所以需要拆点来完成 ...

  6. RawURL

    Request.RawUrl表示当前页面, Response.Redirect重新打开页面. 意思就是重新打开当前页面. 和下面一样的 string url=Request.RawUrl: Respo ...

  7. ML一些简单的资源

    参考文献及推荐阅读 维基百科,http://en.wikipedia.org/wiki/K-nearest_neighbor_algorithm: 机器学习中的相似性度量,http://www.cnb ...

  8. Github 团队协作基本流程与命令操作 图解git工作流程

    # 先 fork 项目到自己 github # 1. 从自己仓库克隆到本地(clone 的是项目指定的默认分支,比如 master) git clone git@github.com:me/em.gi ...

  9. Embeding如何理解?

    参考: http://www.sohu.com/a/206922947_390227 https://zhuanlan.zhihu.com/p/27830489 https://www.jianshu ...

  10. Java中面向对象三大特性之——封装

    概述 面向对象编程语言是对客观世界的模拟,客观世界里成员变量都是隐藏在对象内部的,外界无法直接操作和修改. 封装可以被认为是一个保护屏障,防止该类的代码和数据被其他类随意访问.要访问该类的数据,必须通 ...