simulinkrbf神經網路工具箱

Ⅰ RBF神經網路的建立

http://wenku..com/link?url=_Uv_MVU1PzBfy_TSm5Pcx_oFuF_
自己看

Ⅱ 我用matlab神經網路工具箱寫了個程序 現在想編譯成exe在其它電腦運行 結果不好使 有什麼解決辦法嗎

你目前的版本是？
R2016b之後的話，能編譯但是有限制：https://www.mathworks.com/procts/compiler/supported/compiler_support.html
大致不能編譯的部分是含Simulink的，以及含
genFunction （生成神經網路） gensim（生成獨立的simulink）等代碼的腳本。

之前似乎只能編譯訓練好的模型。

Ⅲ MATLAB神經網路編程的內容簡介

《MATLAB神經網路編程》結合神經網路的概念、理論和應用，以MATLAB為平台，系統地介紹了神經網路工具箱中的前向型神經網路、局部型神經網路、反饋型神經網路、競爭型神經網路、神經網路控制的綜合應用、神經網路在Simulink中的應用、神經網路的模糊控制及其自定義網路等內容。《MATLAB神經網路編程》重點是運用MATLAB神經網路工具箱介紹神經網路分析研究中的各種概念、理論、方法、演算法及其實現。《MATLAB神經網路編程》內容安排合理，理論結合實際，同時作者列舉了其總結的大量應用實例。《MATLAB神經網路編程》講述的各種統計理論和方法淺顯易懂，並均能在實際生活中找到應用對象。《MATLAB神經網路編程》可以作為廣大在校本科生和研究生的學慣用書，也可以作為廣大科研人員、學者、工程技術人員的參考用書。

Ⅳ simulink 怎麼frequency domain

如果是系統自帶的，你可以直接用，如果是外部的或者是自編的你需要先把文件夾拷貝到tools文件夾下，再設置路徑。 Matlab常用工具箱介紹(英漢對照) Matlab Main Toolbox——matlab主工具箱 Control System Toolbox——控制系統工具箱 Communication Toolbox——通訊工具箱 Financial Toolbox——財政金融工具箱 System Identification Toolbox——系統辨識工具箱 Fuzzy Logic Toolbox——模糊邏輯工具箱 Higher-Order Spectral Analysis Toolbox——高階譜分析工具箱 Image Processing Toolbox——圖象處理工具箱 LMI Control Toolbox——線性矩陣不等式工具箱 Model predictive Control Toolbox——模型預測控制工具箱 μ-Analysis and Synthesis Toolbox——μ分析工具箱 Neural Network Toolbox——神經網路工具箱 Optimization Toolbox——優化工具箱 Partial Differential Toolbox——偏微分方程工具箱 Robust Control Toolbox——魯棒控制工具箱 Signal Processing Toolbox——信號處理工具箱 Spline Toolbox——樣條工具箱 Statistics Toolbox——統計工具箱 Symbolic Math Toolbox——符號數學工具箱 Simulink Toolbox——動態模擬工具箱 System Identification Toolbox——系統辨識工具箱 Wavele Toolbox——小波工具箱 例如：控制系統工具箱包含如下功能： 連續系統設計和離散系統設計 狀態空間和傳遞函數以及模型轉換 時域響應（脈沖響應、階躍響應、斜坡響應） 頻域響應（Bode圖、Nyquist圖） 根軌跡、極點配置 較為常見的matlab控制箱有： 控制類： 控制系統工具箱(control systems toolbox) 系統識別工具箱（system identification toolbox） 魯棒控制工具箱（robust control toolbox） 神經網路工具箱（neural network toolbox） 頻域系統識別工具箱（frequency domain system identification toolbox） 模型預測控制工具箱（model predictive control toolbox） 多變數頻率設計工具箱（multivariable frequency design toolbox） 信號處理類： 信號處理工具箱（signal processing toolbox） 濾波器設計工具箱（filter design toolbox） 通信工具箱（communication toolbox） 小波分析工具箱（wavelet toolbox） 高階譜分析工具箱（higher order spectral analysis toolbox） 其它工具箱： 統計工具箱(statistics toolbox) 數學符號工具箱（symbolic math toolbox） 定點工具箱（fixed-point toolbox） 射頻工具箱（RF toolbox） 1990年，MathWorks軟體公司為Matlab提供了新的控制系統模型化圖形輸入與模擬工具，並命名為Simulab，使得模擬軟體進入了模型化圖形組態階段，1992年正式命名為Simulink，即simu（模擬）和link（連接）。matlab7.0里的simulink為6.0版本，matlab6.5里的simulink為5.0版本。 MATLAB的SIMULINK子庫是一個建模、分析各種物理和數學系統的軟體，它用框圖表示系統的各個環節，用帶方向的連線表示各環節的輸入輸出關系。 啟動SIMULINK十分容易，只需在MATLAB的命令窗口鍵入「SIMULINK」命令，此時出現一個SIMULINK窗口，包含七個模型庫，分別是信號源庫、輸出庫、離散系統庫、線性系統庫、非線性系統庫及擴展系統庫。 1.信號源庫 包括階躍信號、正弦波、白雜訊、時鍾、常值、文件、信號發生器等各種信號源，其中信號發生器可產生正弦波、方波、鋸齒波、隨機信號等波形。 2.輸出庫 包括示波器模擬窗口、MATLAB工作區、文件等形式的輸出。 3.離散系統庫 包括五種標准模式：延遲，零-極點，濾波器，離散傳遞函數，離散狀態空間。 4.線性系統庫 提供七種標准模式：加法器、比例環節、積分環節、微分環節、傳遞函數、零-極點、狀態空間。 5.非線性系統庫 提供十三種常用標准模式：絕對值、乘法、函數、回環特性、死區特性、斜率、繼電器特性、飽和特性、開關特性等。 6.系統連接庫包括輸入、輸出、多路轉換等模塊，用於連接其他模塊。 7.系統擴展庫 考慮到系統的復雜性，SIMULINK另提供十二種類型的擴展系統庫，每一種又有多種模型供選擇。 使用時只要從各子庫中取出模型，定義好模型參數，將各模型連接起來，然後設置系統參數，如模擬時間、模擬步長、計算方法等。SIMULINK提供了Euler、RungeKutta、Gear、Adams及專用於線性系統的LinSim演算法，用戶根據模擬要求選擇適當的演算法。 當然，不同版本的Matlab/Simulink內容有所不同。 另外，Simulink還提供了諸如航空航天、CDMA、DSP、機械、電力系統等專業模塊庫，給快速建模提供了很大的便利。

Ⅳ 精通MATLAB神經網路的圖書目錄

第一篇 MATLAB入門篇
第1章 MATLAB概述 2
第2章 MATLAB計算基礎 19
第3章 MATLAB繪圖入門 34
第4章 MATLAB編程入門 45
第5章 Simulink模擬入門 78
第二篇 神經網路提高篇
第6章 MATLAB神經網路工具箱概述 100
第7章 MATLAB神經網路GUI工具 114
第8章 感知器神經網路 140
第9章 線性神經網路 162
第10章 BP神經網路 193
第11章 徑向基神經網路 225
第12章 自組織神經網路 246
第13章 反饋神經網路 280
第三篇 神經網路綜合實戰篇
第14章 神經網路優化 306
第15章 神經網路控制 326
第16章 神經網路故障診斷 353
第17章 神經網路預測 375
第18章 Simulink中的神經網路設計 395
第19章 自定義神經網路 404
附錄A 工具箱函數列表 438
參考文獻 444
……

Ⅵ 神經網路在simulink中的實現

1.T=[1 1 1;1 1 1];目標函數是2維的，說明輸出可為2個，所以net=newff(minmax(X),[5 2],{'tansig','purelin'},'trainlm');你這個程序少了參數設置部分：net.trainParam.epochs=50;net.trainparam.goal=1e-3;還有其他參數可設置。
2.你建好個這個模型是對X=[1 2 3;-1 1 1;1 3 2];T=[1 1 1;1 1 1];控制的，對你那個模型當然不行，你這個程序連個介面都沒有沒法用SIMULINK，getsim()這個函數我不了解，你要是模擬可用.M文件編個S-FUNCTION，可用於模型模擬。

Ⅶ 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。

Ⅷ MATLAB演算法與SIMULINK 模擬的關系

我學自動化的，用MATLAB主要是進行數值計算，演算法方面有很多工具箱可以在MATLAB里運行，如遺傳演算法工具箱、神經網路工具箱；simulink是MATLAB裡面的模擬模塊，主要是基於MALAB強大的計算能力建立起來的，繪制系統框圖然後進行系統分析，通信方面還可以進行信號的處理和分析，這方面我們自動化就用得比較少了。

Ⅸ 如何使用simulink建立rbf神經網路建模

您好，我來為您解答：
使用simulink建立rbf神經網路建模是一彷論文的題目，你去網路文庫搜一下，有下載的，全文太長了，我就不復制了。
如果我的回答沒能幫助您，請繼續追問。

Ⅹ 1.如何用MATLAB神經網路工具箱創建BP神經網路模型具體有哪些步驟請高手舉實例詳細解釋下 2.如何把輸

%人臉識別模型，臉部模型自己找吧。
function mytest()

clc;
images=[ ];
M_train=3;%表示人臉
N_train=5;%表示方向
sample=[];
pixel_value=[];
sample_number=0;

for j=1:N_train
for i=1:M_train
str=strcat('Images\',num2str(i),'_',num2str(j),'.bmp'); %讀取圖像，連接字元串形成圖像的文件名。
img= imread(str);
[rows cols]= size(img);%獲得圖像的行和列值。
img_edge=edge(img,'Sobel');

%由於在分割圖片中我們可以看到這個人臉的眼睛部分也就是位於分割後的第二行中，位置變化比較大，而且眼睛邊緣檢測效果很好

sub_rows=floor(rows/6);%最接近的最小整數,分成6行
sub_cols=floor(cols/8);%最接近的最小整數，分成8列
sample_num=M_train*N_train;%前5個是第一幅人臉的5個角度

sample_number=sample_number+1;
for subblock_i=1:8 %因為這還在i，j的循環中，所以不可以用i
block_num=subblock_i;
pixel_value(sample_number,block_num)=0;
for ii=sub_rows:(2*sub_rows)
for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols
pixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj);
end
end
end
end
end
%將特徵值轉換為小於1的值
max_pixel_value=max(pixel_value);
max_pixel_value_1=max(max_pixel_value);
for i=1:3
mid_value=10^i;
if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10))
multiple_num=1/mid_value;
pixel_value=pixel_value*multiple_num;
break;
end
end

% T 為目標矢量
t=zeros(3,sample_number);
%因為有五類，所以至少用3個數表示，5介於2的2次方和2的3次方之間
for i=1:sample_number
% if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0))
if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15))
t(1,i)=1;
end
%if((mod(i,5)==2)||(mod(i,5)==4))
if((i>3)&&(i<=6))||((i>9)&&(i<=12))
t(2,i)=1;
end
%if((mod(i,5)==3)||(mod(i,5)==0))
if((i>6)&&(i<=9))||((i>12)&&(i<=15))
t(3,i)=1;
end
end

% NEWFF——生成一個新的前向神經網路
% TRAIN——對 BP 神經網路進行訓練
% SIM——對 BP 神經網路進行模擬

% 定義訓練樣本
% P 為輸入矢量
P=pixel_value'
% T 為目標矢量
T=t
size(P)
size(T)
% size(P)
% size(T)

% 創建一個新的前向神經網路
net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')

% 當前輸入層權值和閾值
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
% 當前網路層權值和閾值
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}

% 設置訓練參數
net_1.trainParam.show = 50;
net_1.trainParam.lr = 0.05;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-3;

% 調用 TRAINGDM 演算法訓練 BP 網路
[net_1,tr]=train(net_1,P,T);

% 對 BP 網路進行模擬
A = sim(net_1,P);
% 計算模擬誤差
E = T - A;
MSE=mse(E)

x=[0.14 0 1 1 0 1 1 1.2]';
sim(net_1,x)