matlab神經網路工具箱該如何安裝

Ⅰ 如何使用matlab中的工具箱

上面的最優答案廢話有點多，我補充一個簡潔版答案：
一、自帶工具箱：
直接使用。都在toolbox文件夾內，而且默認早已設定完畢。
二、非自帶工具箱：
按照這個步驟：
1）下載並解壓；
2）復制到matlab安裝目錄下的toolbox文件夾內（當然也可以放到別處~）；
3）在matlab的菜單：file-set path中，添加路徑，要求是連同子文件夾一同添加，路徑就是剛才你放置文件夾的地方。設定好了記得save。
4）完畢！

Ⅱ matlab bp神經網路工具箱怎麼用

%% 訓練集/測試集產來生
% 訓練源集——用於訓練網路
P_train = ;%輸入集
T_train = ;%輸出集
% 測試集——用於測試或者使用。
P_test = ;%輸入
T_test ;
N = size(P_test,2);

%% BP神經網路創建、訓練及模擬測試

% 創建網路
net = newff(P_train,T_train,9);
% 設置訓練參數
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-3;
net.trainParam.lr = 0.01;
% 訓練網路
net = train(net,P_train,T_train);
% 模擬測試、使用。
T_test = sim(net,P_test);%得到結果。

Ⅲ matlab怎麼打開神經網路工具箱

1單擊Apps，在搜索框中輸入neu，下方出現了所有神經網路工具箱。neural net fitting 是我們要使回用的神答經網路擬合工具箱。

2
在下界面中點擊next

3
單擊load example data set，得到我們需要的測試數據。

4
單擊import

5
單擊next

6
單擊next

7
數字「10」表示有10個隱含層。單擊next。

8
單擊train，開始訓練。

9
訓練過程跳出的小窗口。

10
訓練結果。其中MSE表示均方差，R 表示相關系數。單擊next。

11
這里可以調整神經網路，也可以再次訓練。單擊next。

12
在這里，可以保存結果。如果不需要，直接finish。

Ⅳ matlab中bp神經網路的工具箱怎麼用，不要matlab程序，就工具箱怎麼實現問題的解決

matlab中神經網路的工具箱：輸入nntool，就會彈出一個對話框，然後你就可以根據彈出框的指示來操作。

Ⅳ matlab安裝時有好多組件，我該安裝哪些我學測量的，只需要一般的函數運算和M文件編輯、、

matlab的很多組件是相互進行協調的，缺乏之後可能出現無法使用的情況。

Trading Toolbox™: 一款用於訪問價格並將訂單發送到交易系統的新產品。

Financial Instruments Toolbox™: 赫爾-懷特、線性高斯和 LIBOR 市場模型的校準和 Monte Carlo 模擬。

image Processing Toolbox™: 使用有效輪廓進行圖像分割、對 10 個函數實現 C 代碼生成，對 11 個函數使用 GPU。

Image Acquisition Toolbox™: 提供了用於採集圖像、深度圖和框架數據的 Kinect® for Windows®感測器支持。

MATLAB 的應用范圍非常廣，包括信號和圖像處理、通訊、控制系統設計、測試和測量、財務建模和分析以及計算生物學等眾多應用領域。附加的工具箱（單獨提供的專用MATLAB函數集）擴展了MATLAB 環境，以解決這些應用領域內特定類型的問題。

(5)matlab神經網路工具箱該如何安裝擴展閱讀：

MATLAB系統由MATLAB開發環境、MATLAB數學函數庫、MATLAB語言、MATLAB圖形處理系統和MATLAB應用程序介面（API）五大部分構成。

1、開發環境

MATLAB開發環境是一套方便用戶使用的MATLAB函數和文件工具集，其中許多工具是圖形化用戶介面。它是一個集成的 用戶工作空間，允許用戶輸入輸出數據，並提供了M文件的集成編譯和調試環境，包括MATLAB桌面、命令窗口、M文件編輯調試器、MATLAB工作空間和在線幫助文檔。

2、數學函數

MATLAB數學函數庫包括了大量的計算演算法。從基本演算法如四則運算、三角函數，到復雜演算法如矩陣求逆、快速傅里葉變換等。

3、語言

MATLAB語言是一種高級的基於矩陣/數組的語言，它有程序流控制、函數、數據結構、輸入/輸出和面向對象編程等特色。用這種語言能夠方便快捷建立起簡單運行快的程序，也能建立復雜的程序。

4、圖形處理

圖形處理系統使得MATLAB能方便的圖形化顯示向量和矩陣，而且能對圖形添加標注和列印。它包括強大的二維三維圖形函數、圖像處理和動畫顯示等函數。

Ⅵ 在matlab中怎麼使用神經網路工具箱

為了看懂師兄的文章中使用的方法，研究了一下神經網路 昨天花了一天的時間查怎麼寫程序，但是費了半天勁，不能運行，網路知道里倒是有一個，可以運行的，先貼著做標本 % 生成訓練樣本集 clear all; cl

Ⅶ 在哪能下的matlab的神經網路工具箱

MATLAB的神經自網路工具箱是內置的，如果完全安裝了MATLAB，那麼你可以在MATLAB的幫助頁面上（幫助頁面可以在Comand Window下輸入'help help '(不名括單引號)，然後看Contents里有 Neural Network Toolbox。

神經網路工具箱有個教學GUI，可以在Comand Window下輸nnd'(不名括單引號，小寫)(因為這個教學GUI是和一本書結合的，這本書叫Neural Network Design，作者Martin T.Hagan,Howard B.Demuth，強烈推薦學習這本經典教材，會讓你入門並稍有進階)

Ⅷ matlab神經網路工具箱分別怎麼用

1單擊Apps，在搜索框中輸入neu，下方出現了所有神經網路工具箱。neural net fitting 是我們要使用的神經網路擬合工具箱。 2 在下界面中點擊next 3 單擊load example data set，得到我們需要的測試數據。

Ⅸ matlab的神經網路工具箱怎麼用

1．神經網路
神經網路是單個並行處理元素的集合，我們從生物學神經系統得到啟發。在自然界，網路功能主要由神經節決定，我們可以通過改變連接點的權重來訓練神經網路完成特定的功能。
一般的神經網路都是可調節的，或者說可訓練的，這樣一個特定的輸入便可得到要求的輸出。如下圖所示。這里，網路根據輸出和目標的比較而調整，直到網路輸出和目標匹配。作為典型，許多輸入/目標對應的方法已被用在有監督模式中來訓練神經網路。
神經網路已經在各個領域中應用，以實現各種復雜的功能。這些領域包括：模式識別、鑒定、分類、語音、翻譯和控制系統。
如今神經網路能夠用來解決常規計算腿四岩越餼齙奈侍狻N頤侵饕ü飧齬ぞ呦淅唇⑹痙兜納窬縵低常⒂τ玫焦こ獺⒔鶉諍推淥導氏釒恐腥ァ?BR>一般普遍使用有監督訓練方法，但是也能夠通過無監督的訓練方法或者直接設計得到其他的神經網路。無監督網路可以被應用在數據組的辨別上。一些線形網路和Hopfield網路是直接設計的。總的來說，有各種各樣的設計和學習方法來增強用戶的選擇。
神經網路領域已經有50年的歷史了，但是實際的應用卻是在最近15年裡，如今神經網路仍快速發展著。因此，它顯然不同與控制系統和最優化系統領域，它們的術語、數學理論和設計過程都已牢固的建立和應用了好多年。我們沒有把神經網路工具箱僅看作一個能正常運行的建好的處理輪廓。我們寧願希望它能成為一個有用的工業、教育和研究工具，一個能夠幫助用戶找到什麼能夠做什麼不能做的工具，一個能夠幫助發展和拓寬神經網路領域的工具。因為這個領域和它的材料是如此新，這個工具箱將給我們解釋處理過程，講述怎樣運用它們，並且舉例說明它們的成功和失敗。我們相信要成功和滿意的使用這個工具箱，對範例和它們的應用的理解是很重要的，並且如果沒有這些說明那麼用戶的埋怨和質詢就會把我們淹沒。所以如果我們包括了大量的說明性材料，請保持耐心。我們希望這些材料能對你有幫助。
這個章節在開始使用神經網路工具箱時包括了一些注釋，它也描述了新的圖形用戶介面和新的運演算法則和體系結構，並且它解釋了工具箱為了使用模塊化網路對象描述而增強的機動性。最後這一章給出了一個神經網路實際應用的列表並增加了一個新的文本--神經網路設計。這本書介紹了神經網路的理論和它們的設計和應用，並給出了相當可觀的MATLAB和神經網路工具箱的使用。

2．准備工作
基本章節
第一章是神經網路的基本介紹，第二章包括了由工具箱指定的有關網路結構和符號的基本材料以及建立神經網路的一些基本函數，例如new、init、adapt和train。第三章以反向傳播網路為例講解了反向傳播網路的原理和應用的基本過程。
幫助和安裝
神經網路工具箱包含在nnet目錄中，鍵入help nnet可得到幫助主題。
工具箱包含了許多示例。每一個

Ⅹ 如何使用matlab神經網路工具箱

為了看懂師兄的文章中使用的方法，研究了一下神經網路
昨天花了一天的時間查怎麼寫程序，但是費了半天勁，不能運行，網路知道里倒是有一個，可以運行的，先貼著做標本

% 生成訓練樣本集
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 2.59 240 0.1 12 4 24 1 1.5;
220 0.6 240 0.3 12 3 18 2 1;
220 3 240 0.3 25 3 21 1 1.5;
110 1.562 240 0.3 15 3 18 1 1.5;
110 0.547 240 0.3 15 1 9 2 1.5];
0 1.318 300 0.1 15 2 18 1 2];
T=[54248 162787 168380 314797;
28614 63958 69637 82898;
86002 402710 644415 328084;
230802 445102 362823 335913;
60257 127892 76753 73541;
34615 93532 80762 110049;
56783 172907 164548 144040];
@907 117437 120368 130179];
m=max(max(P));
n=max(max(T));
P=P'/m;
T=T'/n;
%-------------------------------------------------------------------------%
pr(1:9,1)=0; %輸入矢量的取值范圍矩陣
pr(1:9,2)=1;
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神經網路， 12個隱層神經元，4個輸出神經元
%tranferFcn屬性 'logsig' 隱層採用Sigmoid傳輸函數
%tranferFcn屬性 'logsig' 輸出層採用Sigmoid傳輸函數
%trainFcn屬性 'traingdx' 自適應調整學習速率附加動量因子梯度下降反向傳播演算法訓練函數
%learn屬性 'learngdm' 附加動量因子的梯度下降學習函數
net.trainParam.epochs=1000;%允許最大訓練步數2000步
net.trainParam.goal=0.001; %訓練目標最小誤差0.001
net.trainParam.show=10; %每間隔100步顯示一次訓練結果
net.trainParam.lr=0.05; %學習速率0.05
bpnet=train(bpnet,P,T);
%-------------------------------------------------------------------------
p=[110 1.318 300 0.1 15 2 18 1 2];
p=p'/m;
r=sim(bpnet,p);
R=r'*n;
display(R);

運行的結果是出現這樣的界面

點擊performance，training state，以及regression分別出現下面的界面

再搜索，發現可以通過神經網路工具箱來創建神經網路，比較友好的GUI界面，在輸入命令裡面輸入nntool，就可以開始了。

點擊import之後就出現下面的具體的設置神經網路參數的對話界面，
這是輸入輸出數據的對話窗

首先是訓練數據的輸入

然後點擊new，創建一個新的神經網路network1，並設置其輸入輸出數據，包括名稱，神經網路的類型以及隱含層的層數和節點數，還有隱含層及輸出層的訓練函數等

點擊view，可以看到這是神經網路的可視化直觀表達

創建好了一個network之後，點擊open，可以看到一個神經網路訓練，優化等的對話框，選擇了輸入輸出數據後，點擊train，神經網路開始訓練，如右下方的圖，可以顯示動態結果