神經網路工具箱應用實例

⑴ 神經網路演算法實例說明有哪些

在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人、復雜系統控制等等。

縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。

⑵ matlabBP神經網路工具箱，可以調整隱含層節點數嘛

Matlab神經網路工具箱幾乎包含了現有神經網路的最新成果，神經網路工具箱模型包括感知回器、線性網路、答BP網路、徑向基函數網路、競爭型神經網路、自組織網路和學習向量量化網路、反饋網路BP神經網路具有很強的映射能力，主要用於模式識別分類、函數逼近、函數壓縮等。下面通過實例來說明BP網路在函數逼近方面的應用需要逼近的函數是f(x)=1+sin(k*pi/2*x),其中，選擇k=2進行模擬，設置隱藏層神經元數目為n,n可以改變，便於後面觀察隱藏層節點與函數逼近能力的關系。

⑶ 求MATLAB解運籌學實例問題！

這個網站的東西不少。

數學建模講義
清華大學數模講義（姜啟源） 浙江大學數模講義（劉利剛）
人口模型講義（中科大 ，zizi） 神經網路等模型講義（中科大，zizi）
QuickPass系統排隊問題 （中科大，謝瑤） 國防科技大學數模講義
西點軍校軍事數學建模 紐約大學數學建模課筆記
優化模型與Lindo/Lingo優化軟體（清華，謝金星）

數學建模書籍
工科數學基地建設叢書-數學建模優秀案例選編 數學建模（修訂本）
數學建模——方法與範例 數學建模競賽教程
數學建模與數學實驗 數學模型
數學模型（第二版） 數學模型2
數學模型3 數學模型基礎
數學模型建模分析 數學建模實用教程

英文論文寫作講義
Ohio University 的數學英文寫作指導

數學工具資料
Matlab
綜合
Matlab5.3精要、編程及高級應用 Matlab6.0數學手冊
Matlab5.0語言與程序設計 Matlab5手冊
精通Matlab綜合輔導與指南 Matlab語法與繪圖
Matlab資源教程 精通和掌握Matlab
Matlab詳細手冊 用Maple和Matlab解決科學計算問題
精通Matlab6.5 Matlab作圖
Matlab實用教程 Matlab工具箱總匯
Matlab微分方程的解法 Matlab編程（英文影印版，第二版）
Matlab編程風格指南 Matlab講座
神經網路工具箱
Matlab神經網路工具箱函數 Matlab神經網路工具箱應用簡介
圖象處理
Matlab6.0圖形圖像處理函數 利用Matlab實現圖像處理
MATLAB6.x圖像處理
數字信號處理
Matlab下的數字信號處理示例 數字信號處理及其Matlab實現
優化工具箱
MATLAB6.5輔助優化計算與設計 Matlab處理優化問題
符號計算工具箱
Matlab符號計算工具箱應用簡介
模糊數學工具箱
Matlab模糊邏輯工具箱函數
偏微分方程工具箱
Matlab偏微分方程工具箱應用簡介
數理統計工具箱
Matlab數理統計工具箱應用簡介
小波演算法工具箱
MATLAB6.5輔助小波分析與應用
模擬工具箱
Matlab模擬命令集
Mathematica
Mathematica教程
Maple
Maple教程 Maple6實例教程
用Maple5學習線性代數 Maple5實例教程
SAS
SAS V8基礎教程 SAS教程
SAS6.12教程 SAS TUTOR簡介
SPSS
SPSS操作 SPSS基本統計分析
SPSS均值比較與檢驗 SPSS方差分析
SPSS相關分析 SPSS回歸分析
SPSS非參數檢驗 SPSS主成分分析與因子分析
SPSS聚類分析與判別分析
S-Plus
S-Plus使用簡介
Lindo，Lingo
用Lindo解運籌學問題 Lindo軟體包介紹
Origin
Origin6.0實例教程
Latex
Latex使用手冊

數學建模程序
神經網路Matlab程序（2001年北大B題）

⑷ 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。

⑸ 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

⑹ 如何用c#調用Matlab神經網路的工具箱

如果是用Matlab提供的GUI界面，在命令窗口輸入命令nntool回車即可。 建議不要用GUI界面，直接在代碼中調用神經網路工具箱，使用更方便，參數設置更明了。神經網路工具箱提供多個函數介面，不同的神經網路對應不同的函數

⑺ 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)

⑻ 直接用神經網路工具箱構建bp神經網路，希望能給個例子說明，有註解最好，本人matlab新手，謝謝

BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層專前饋網路，是目前應用屬最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。

附件就是利用神經網路工具箱構建BP神經網路進行預測的實例。如果要用可視化工具，可以在命令窗口輸入nntool.

%%BP演算法
functionOut=bpnet(p,t,p_test)
%p,t為樣本需要提前組織好
globalS1
net=newff(minmax(p),[S1,8],{'tansig','purelin'},'trainlm');%trainlm訓練函數最有效
%net=newff(P,T,31,{'tansig','purelin'},'trainlm');%新版用法
net.trainParam.epochs=1000;
net.trainParam.goal=0.00001;
net.trainParam.lr=0.01;
net.trainParam.showWindow=false;%阻止訓練窗口的彈出
net.trainParam.showCommandLine=false;%阻止訓練窗口的彈出
net=train(net,p,t);
Out=sim(net,p_test);
end