matlab工具箱列車駕駛策略

㈠ 高分求助 matlab自帶工具箱中的svmtrain用法,要中文的,詳細點

Svmtrain的用法：
svmtrain [options] training_set_file [model_file]
Options：可用的選項即表示的涵義如下
-s svm類型：SVM設置類型(默認0)
0 -- C-SVC
1 --v-SVC
2 – 一類SVM
3 -- e -SVR
4 -- v-SVR
-t 核函數類型：核函數設置類型(默認2)
0 – 線性：u'v
1 – 多項式：(r*u'v + coef0)^degree
2 – RBF函數：exp(-r|u-v|^2)
3 –sigmoid：tanh(r*u'v + coef0)
-d degree：核函數中的degree設置(默認3)
-g 函數設置(默認1/ k)r(gama)：核函數中的
-r coef0：核函數中的coef0設置(默認0)
-c cost：設置C-SVC， -SVR的參數(默認1)-SVR和
- SVR的參數(默認0.5)-SVC，一類SVM和-n nu：設置
-SVR-p e：設置的值(默認0.1)中損失函數
-m cachesize：設置cache內存大小，以MB為單位(默認40)
-e ：設置允許的終止判據(默認0.001)
-h shrinking：是否使用啟發式，0或1(默認1)
-wi C(C-SVC中的C)(默認1)weight：設置第幾類的參數C為weight
-v n: n-fold交互檢驗模式
其中-g選項中的k是指輸入數據中的屬性數。option -v 隨機地將數據剖分為n部分並計算交互檢驗准確度和均方根誤差。以上這些參數設置可以按照SVM的類型和核函數所支持的參數進行任意組合，如果設置的參數在函數或SVM類型中沒有也不會產生影響，程序不會接受該參數；如果應有的參數設置不正確，參數將採用默認值。training_set_file是要進行訓練的數據集；model_file是訓練結束後產生的模型文件，文件中包括支持向量樣本數、支持向量樣本以及lagrange系數等必須的參數；該參數如果不設置將採用默認的文件名，也可以設置成自己慣用的文件名。

㈡ 在MATLAB的robotics工具箱中，怎麼畫出機械臂末端的運動軌跡

先把末端軌跡畫出來，記住hold on

plot3(j6(:,1),j6(:,2),j6(:,3),'*');hold on;

然後再調用函數，演示動畫

robot.plot(q);

㈢ 哪位朋友分享一下MATLAB中vehicle tools工具箱或類似工具箱呢做工程車輛設計模擬用，急等

MATLAB中貌似還沒遇到vehicle tools的工具箱，不過卻有Vehicle Network Toolbox，不過這也是交通網路模擬中用的，不適車輛結構設計模擬用。
還是沒能幫助到你，很抱歉！

㈣ 用matlab 做時間序列分析應該用什麼工具箱

要把抄這個工具箱添加進matlab 中就行了。具體方法：如果是Matlab安裝光碟上的工具箱，重新執行安裝程序，選中即可。
如果是單獨下載的工具箱，一般情況下僅需要把新的工具箱解壓到某 個目錄，然後用ddpath(對於多個目錄的使用genpath()或者pathtool添 加工具箱的路徑，然後用which newtoolbox_command.m來檢驗是否可 以訪問。
如果能夠顯示新設置的路徑，則表明該工具箱可以使用了。
具體請看工具箱自己代的README文件。

㈤ 如何評價MATLAB2017a自動駕駛工具箱

Implicit Expansion: Perform element-wise operations and functions on arrays with
automatic expansion of dimensions of length 1.
以前需要bsxfun才能完成的維度擴展在16b里似乎就可以自動完成了，個人最期待的一個更新！
另外，在即將拋棄 ez 系列的隱函數畫圖函數之際，終於迎來了全新的隱函數畫圖解決方案：
fimplicit and fimplicit3 Functions: Plot implicit functions of the form f (x ,y) = 0 and f (x ,y,z ) = 0！

㈥ matlab神經網路工具箱訓練出來的函數，怎麼輸出得到函數代碼段

這樣：

clear;

%輸入數據矩陣

p1=zeros(1,1000);

p2=zeros(1,1000);

%填充數據

for i=1:1000

p1(i)=rand;

p2(i)=rand;

end

%輸入層有兩個，樣本數為1000

p=[p1;p2];

%目標（輸出）數據矩陣，待擬合的關系為簡單的三角函數

t = cos(pi*p1)+sin(pi*p2);

%對訓練集中的輸入數據矩陣和目標數據矩陣進行歸一化處理

[pn, inputStr] = mapminmax(p);

[tn, outputStr] = mapminmax(t);

%建立BP神經網路

net = newff(pn, tn, [200,10]);

%每10輪回顯示一次結果

net.trainParam.show = 10;

%最大訓練次數

net.trainParam.epochs = 5000;

%網路的學習速率

net.trainParam.lr = 0.05;

%訓練網路所要達到的目標誤差

net.trainParam.goal = 10^(-8);

%網路誤差如果連續6次迭代都沒變化，則matlab會默認終止訓練。為了讓程序繼續運行，用以下命令取消這條設置

net.divideFcn = '';

%開始訓練網路

net = train(net, pn, tn);

%訓練完網路後要求網路的權值w和閾值b

%獲取網路權值、閾值

netiw = net.iw;

netlw = net.lw;

netb = net.b;

w1 = net.iw{1,1}; %輸入層到隱層1的權值

b1 = net.b{1} ; %輸入層到隱層1的閾值

w2 = net.lw{2,1}; %隱層1到隱層2的權值

b2 = net.b{2} ; %隱層1到隱層2的閾值

w3 = net.lw{3,2}; %隱層2到輸出層的權值

b3 = net.b{3} ;%隱層2到輸出層的閾值

%在默認的訓練函數下，擬合公式為，y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

%用公式計算測試數據[x1;x2]的輸出，輸入要歸一化，輸出反歸一化

in = mapminmax('apply',[x1;x2],inputStr);

y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

y1=mapminmax('reverse',y,outputStr);

%用bp神經網路驗證計算結果

out = sim(net,in);

out1=mapminmax('reverse',out,outputStr);

(6)matlab工具箱列車駕駛策略擴展閱讀：

注意事項

一、訓練函數

1、traingd

Name：Gradient descent backpropagation （梯度下降反向傳播演算法 ）

Description：triangd is a network training function that updates weight and bias values according to gradient descent.

2、traingda

Name：Gradient descentwith adaptive learning rate backpropagation(自適應學習率的t梯度下降反向傳播演算法)

Description：triangd is a network training function that updates weight and bias values according to gradient descent with adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

3、traingdx (newelm函數默認的訓練函數)

name:Gradient descent with momentum and adaptive learning rate backpropagation(帶動量的梯度下降的自適應學習率的反向傳播演算法)

Description：triangdx is a network training function that updates weight and bias values according to gradient descent momentumand an adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

4、trainlm

Name：Levenberg-Marquardtbackpropagation（L-M反向傳播演算法）

Description：triangd is a network training function that updates weight and bias values according toLevenberg-Marquardt optimization.it will return a trained net (net) and the trianing record (tr).

註：更多的訓練演算法請用matlab的help命令查看。

二、學習函數

1、learngd

Name：Gradient descent weight and bias learning function（梯度下降的權值和閾值學習函數）

Description：learngd is the gradient descentweight and bias learning function, it willreturn theweight change dWand a new learning state.

2、learngdm

Name：Gradient descentwith momentumweight and bias learning function（帶動量的梯度下降的權值和閾值學習函數）

Description：learngd is the gradient descentwith momentumweight and bias learning function, it willreturn the weight change dW and a new learning state.

註：更多的學習函數用matlab的help命令查看。

三、訓練函數與學習函數的區別

函數的輸出是權值和閾值的增量，訓練函數的輸出是訓練好的網路和訓練記錄，在訓練過程中訓練函數不斷調用學習函數修正權值和閾值，通過檢測設定的訓練步數或性能函數計算出的誤差小於設定誤差，來結束訓練。

或者這么說：訓練函數是全局調整權值和閾值，考慮的是整體誤差的最小。學習函數是局部調整權值和閾值，考慮的是單個神經元誤差的最小。

它的基本思想是學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。

正向傳播時，輸入樣本從輸入層傳入,經各隱層逐層處理後,傳向輸出層。若輸出層的實際輸出與期望的輸出(教師信號)不符,則轉入誤差的反向傳播階段。

反向傳播時，將輸出以某種形式通過隱層向輸入層逐層反傳,並將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,此誤差信號即作為修正各單元權值的依據。

㈦ 使用Matlab軟體，對下圖所示高速列車運行自動控制系統的特性進行模擬實驗分析。

前兩天剛好回答了一個相同的問題（編號689391549523114324），把答案轉貼過來，供參考。

這個題直接把傳遞函數表示出來然後調用相應的函數即可。

參考代碼：

G1=tf([12],[131229198]);
s=tf('s');
G=feedback(G1,1)/s;
bode(1000*G)
figure,margin(1000*G)
figure,rlocus(G)

（1）從margin的繪圖結果可知幅值裕度為14.1dB，相角裕度為40.6度。

㈧ 應用 MATLAB優化工具箱編程，求解如下不等式約束優化問題。

x0=[0;0];
VLB=[00];VUB=[];
[x,fval,exitflag,output]=fmincon('myfun1',x0,[],[],[],[],VLB,VUB,'mycon1')

%幾何法
figure;
plot(x(1),x(2),'ro');holdon;
ezplot('x^來2+y^2-4*x+4-3.7989');
ezplot('-x+y-2');
ezplot('x^2-y+1');
gridon;

兩個函數文件源

functionf=myfun1(x)
f=x(1)^2+x(2)^2-4*x(1)+4;
end

function[g,ceq]=mycon1(x)
g=[-x(1)+x(2)-2;x(1)^2-x(2)+1];
ceq=0;

最優化問題從幾何上看是在第一象限(x1,x2>0), 直線即拋物線之下(兩個約束條件), 最大的橢圓

㈨ 用matlab中的優化工具箱編制一個求解有約束條件的極值問題的程序。非常感謝！

通過matlab自帶的優化工具箱函數fmincon（），求得
x =
19.5020 38.4980 20.2629 23.0481 即x1，x2，x3，x4
fval =
28.5095 最大值