神經網路工具箱訓練出來的函數

⑴ matlab神經網路工具箱怎麼輸出得到函數代碼段

神經網路訓練出來的是權值矩陣，我想你是想在matlab外用訓練好的神經網路。首先你要在外部實現神經網路演算法，之後你把神經網路訓練出來的權值矩陣讀取到你在外部實現的神經網路演算法中，然後你就可以使用這個神經網路了。

⑵ BP神經網路matlab工具箱中的激勵函數（傳遞函數），訓練函數，學習函數

激勵函數用於神經元由輸入計算輸出的，而訓練函數和學習函數是基於誤差，內來修改權值和閾容值的，再就完成了一次訓練，然後繼續迭代，知道達到迭代次數或滿足精度。
然而，學習函數和訓練函數的功能貌似很相近，至於具體區別，正在糾結著我呢

⑶ BP神經網路中的訓練函數如何選取

神經網路不同的網路有這不同的訓練函數，BP神經網路有兩種訓練函數，trainbp（），利用BP演算法訓練前向神經網路。trainbpx（），利用快速BP演算法訓練前向神經網路，即採用了動量或自適應學習，可減少訓練時間，tansig函數是神經元的傳遞函數，與訓練函數無關，在trainbp（）函數中含有要訓練神經元的函數。

⑷ 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);

(4)神經網路工具箱訓練出來的函數擴展閱讀：

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。

⑸ matlab神經網路工具箱怎麼使用訓練好的神經網路

matlab神經網路入到隱層權值： w1=netiw{1,1} 隱層閾值： theta1=netmatlab神經網路工具箱怎麼使用訓練好的神經網路

⑹ matlab神經網路工具箱中網路訓練有能提出最終訓練步數的函數嗎非 net.trainParam.epochs

是什麼 求教

⑺ 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

神經網路訓練出來的是權值矩陣
我想你是想在matlab外用訓練好的神經網路
首先你要在外部實現神內經網路演算法
之後你把神容經網路訓練出來的權值矩陣讀取到你在外部實現的神經網路演算法中
然後你就可以使用這個神經網路了

⑻ MATLAB神經網路工具箱中訓練函數和自適應學習函數區別

訓練復函數和自適應學習函制數區別:
從范圍上：
訓練函數包含學習函數，學習函數是屬於訓練函數的一部分；
從誤差上：
訓練函數對整體來說誤差是最小，學習函數對於單個神經元來說誤差是最小；
從服裝整體上：
訓練函數是全局調整權值和閾值，學習函數是局部調整權值和閾值。

1. 學習函數
learnp 感知器學習函數
learnpn 標准感知器學習函數
learnwh Widrow_Hoff學習規則
learngd BP學習規則
learngdm 帶動量項的BP學習規則
learnk Kohonen權學習函數
learncon Conscience閾值學習函數
learnsom 自組織映射權學習函數

2. 訓練函數
trainwb 網路權與閾值的訓練函數
traingd 梯度下降的BP演算法訓練函數
traingdm 梯度下降w/動量的BP演算法訓練函數
traingda 梯度下降w/自適應lr的BP演算法訓練函數
traingdx 梯度下降w/動量和自適應lr的BP演算法訓練函數
trainlm Levenberg_Marquardt的BP演算法訓練函數
trainwbl 每個訓練周期用一個權值矢量或偏差矢量的訓練函數

⑼ 神經網路經過訓練後如何查看訓練出來的函數matlab的

用net.iw{1,1}函數輸出權值矩陣，按列求平均算出各個變數的權重。你去中國知網搜索
bp神經網路高等學校標准學費，記得是有這么的相關文獻的！