matlab神經網路工具箱使用教程

Ⅰ matlab怎麼打開神經網路工具箱

Ⅱ 如何使用matlab中的工具箱

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。

Ⅲ 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。

Ⅳ matlab神經網路工具箱具體怎麼用

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

下面三個圖形則是點擊performance，training state以及regression而出現的

下面就是simulate，輸入的數據是用來檢驗這個網路的數據，output改一個名字，這樣就把輸出數據和誤差都存放起來了

在主界面上點擊export就能將得到的out結果輸入到matlab中並查看

下圖就是輸出的兩個outputs結果

還在繼續挖掘，to be continue……

Ⅳ 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

Ⅵ 如何用MATLAB的神經網路工具箱實現三層BP網路

使用神經網路工具箱可以非常簡便地實現網路建立和訓練，實例代碼如下：

%%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

上面的代碼不完整，完整的帶訓練樣本數據的程序見附件。