matlab模糊神經網路工具箱

① matlab 有沒有模糊神經網路工具箱

有，工具箱名稱：anfisedit，以下是一些使用說明。
1． GUI工具
Anfisedit 打開ANFIS編輯內器GUI、Fuzzy 調用容基本FIS編輯器、Mfedit 隸屬度函數編輯器、Ruleedit 規則編輯器和語法解析器、Ruleview 規則觀察器和模糊推理方框圖、Surfview輸出曲面觀察器
2． 隸屬度函數
dsigmf 兩個sigmoid型隸屬度函數之差組成的隸屬度函數、gauss2mf 建立兩邊型高斯隸屬度函數、gaussmf 建立高斯曲線隸屬度函數、gbellmf 建立一般鍾型隸屬度函數、pimf 建立Π型隸屬度函數、psigmf 通過兩個sigmoid型隸屬度函數的乘積構造隸屬度函數、smf 建立S-型隸屬度函數、sigmf
建立Sigmoid型隸屬度函數、trapmf 建立梯形隸屬度函數、trimf 建立三角形隸屬度函數、zmf 建立Z-型隸屬度函數

② 用matlab的神經網路工具箱（nntool命令打開的窗口化工具）做bp神經網路時怎麼生成誤差曲

訓練結束後，訓練窗口裡有一個plot區域，點擊performance按鈕，就能彈出誤差曲線下降圖。內

BP（Back Propagation）神經網路是86年由容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前饋網路，是目前應用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)。

③ 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。

④ MATLAB神經網路的目錄

第1章 BP神經網路的數據分類——語音特徵信號分類1
本案例選取了民歌、古箏、搖滾和流行四類不同音樂，用BP神經網路實現對這四類音樂的有效分類。
第2章 BP神經網路的非線性系統建模——非線性函數擬合11
本章擬合的非線性函數為y=x21+x22。
第3章 遺傳演算法優化BP神經網路——非線性函數擬合21
根據遺傳演算法和BP神經網路理論，在MATLAB軟體中編程實現基於遺傳演算法優化的BP神經網路非線性系統擬合演算法。
第4章 神經網路遺傳演算法函數極值尋優——非線性函數極值尋優36
對於未知的非線性函數，僅通過函數的輸入輸出數據難以准確尋找函數極值。這類問題可以通過神經網路結合遺傳演算法求解，利用神經網路的非線性擬合能力和遺傳演算法的非線性尋優能力尋找函數極值。
第5章 基於BP_Adaboost的強分類器設計——公司財務預警建模45
BP_Adaboost模型即把BP神經網路作為弱分類器，反復訓練BP神經網路預測樣本輸出，通過Adaboost演算法得到多個BP神經網路弱分類器組成的強分類器。
第6章 PID神經元網路解耦控制演算法——多變數系統控制54
根據PID神經元網路控制器原理，在MATLAB中編程實現PID神經元網路控制多變數耦合系統。
第7章 RBF網路的回歸——非線性函數回歸的實現65
本例用RBF網路擬合未知函數，預先設定一個非線性函數，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函數解析式不清楚的情況下，隨機產生x1,x2和由這兩個變數按上式得出的y。將x1,x2作為RBF網路的輸入數據，將y作為RBF網路的輸出數據，分別建立近似和精確RBF網路進行回歸分析，並評價網路擬合效果。
第8章 GRNN的數據預測——基於廣義回歸神經網路的貨運量預測73
根據貨運量影響因素的分析，分別取國內生產總值（GDP），工業總產值，鐵路運輸線路長度，復線里程比重，公路運輸線路長度，等級公路比重，鐵路貨車數量和民用載貨汽車數量8項指標因素作為網路輸入，以貨運總量，鐵路貨運量和公路貨運量3項指標因素作為網路輸出，構建GRNN，由於訓練數據較少，採取交叉驗證方法訓練GRNN神經網路，並用循環找出最佳的SPREAD。
第9章 離散Hopfield神經網路的聯想記憶——數字識別81
根據Hopfield神經網路相關知識，設計一個具有聯想記憶功能的離散型Hopfield神經網路。要求該網路可以正確地識別0~9這10個數字，當數字被一定的雜訊干擾後，仍具有較好的識別效果。
第10章 離散Hopfield神經網路的分類——高校科研能力評價90
某機構對20所高校的科研能力進行了調研和評價，試根據調研結果中較為重要的11個評價指標的數據，並結合離散Hopfield神經網路的聯想記憶能力，建立離散Hopfield高校科研能力評價模型。
第11章 連續Hopfield神經網路的優化——旅行商問題優化計算100
現對於一個城市數量為10的TSP問題，要求設計一個可以對其進行組合優化的連續型Hopfield神經網路模型，利用該模型可以快速地找到最優（或近似最優）的一條路線。
第12章 SVM的數據分類預測——義大利葡萄酒種類識別112
將這178個樣本的50%做為訓練集,另50%做為測試集,用訓練集對SVM進行訓練可以得到分類模型,再用得到的模型對測試集進行類別標簽預測。
第13章 SVM的參數優化——如何更好的提升分類器的性能122
本章要解決的問題就是僅僅利用訓練集找到分類的最佳參數，不但能夠高准確率的預測訓練集而且要合理的預測測試集，使得測試集的分類准確率也維持在一個較高水平，即使得得到的SVM分類器的學習能力和推廣能力保持一個平衡，避免過學習和欠學習狀況發生。
第14章 SVM的回歸預測分析——上證指數開盤指數預測133
對上證指數從1990.12.20-2009.08.19每日的開盤數進行回歸分析。
第15章 SVM的信息粒化時序回歸預測——上證指數開盤指數變化趨勢和變化空間預測141
在這個案例裡面我們將利用SVM對進行模糊信息粒化後的上證每日的開盤指數進行變化趨勢和變化空間的預測。
若您對此書內容有任何疑問，可以憑在線交流卡登錄中文論壇與作者交流。
第16章 自組織競爭網路在模式分類中的應用——患者癌症發病預測153
本案例中給出了一個含有60個個體基因表達水平的樣本。每個樣本中測量了114個基因特徵，其中前20個樣本是癌症病人的基因表達水平的樣本(其中還可能有子類), 中間的20個樣本是正常人的基因表達信息樣本, 餘下的20個樣本是待檢測的樣本(未知它們是否正常)。以下將設法找出癌症與正常樣本在基因表達水平上的區別，建立競爭網路模型去預測待檢測樣本是癌症還是正常樣本。
第17章SOM神經網路的數據分類——柴油機故障診斷159
本案例中給出了一個含有8個故障樣本的數據集。每個故障樣本中有8個特徵，分別是前面提及過的：最大壓力(P1)、次最大壓力(P2)、波形幅度(P3)、上升沿寬度(P4)、波形寬度(P5)、最大餘波的寬度(P6)、波形的面積(P7)、起噴壓力(P8)，使用SOM網路進行故障診斷。
第18章Elman神經網路的數據預測——電力負荷預測模型研究170
根據負荷的歷史數據，選定反饋神經網路的輸入、輸出節點，來反映電力系統負荷運行的內在規律，從而達到預測未來時段負荷的目的。
第19章 概率神經網路的分類預測——基於PNN的變壓器故障診斷176
本案例在對油中溶解氣體分析法進行深入分析後，以改良三比值法為基礎，建立基於概率神經網路的故障診斷模型。
第20章 神經網路變數篩選——基於BP的神經網路變數篩選183
本例將結合BP神經網路應用平均影響值（MIV，Mean Impact Value）方法來說明如何使用神經網路來篩選變數，找到對結果有較大影響的輸入項，繼而實現使用神經網路進行變數篩選。
第21章 LVQ神經網路的分類——乳腺腫瘤診斷188
威斯康星大學醫學院經過多年的收集和整理，建立了一個乳腺腫瘤病灶組織的細胞核顯微圖像資料庫。資料庫中包含了細胞核圖像的10個量化特徵（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度），這些特徵與腫瘤的性質有密切的關系。因此，需要建立一個確定的模型來描述資料庫中各個量化特徵與腫瘤性質的關系，從而可以根據細胞核顯微圖像的量化特徵診斷乳腺腫瘤是良性還是惡性。
第22章 LVQ神經網路的預測——人臉朝向識別198
現採集到一組人臉朝向不同角度時的圖像，圖像來自不同的10個人，每人5幅圖像，人臉的朝向分別為：左方、左前方、前方、右前方和右方。試創建一個LVQ神經網路，對任意給出的人臉圖像進行朝向預測和識別。
第23章 小波神經網路的時間序列預測——短時交通流量預測208
根據小波神經網路原理在MATLAB環境中編程實現基於小波神經網路的短時交通流量預測。
第24章 模糊神經網路的預測演算法——嘉陵江水質評價218
根據模糊神經網路原理，在MATLAB中編程實現基於模糊神經網路的水質評價演算法。
第25章 廣義神經網路的聚類演算法——網路入侵聚類229
模糊聚類雖然能夠對數據聚類挖掘，但是由於網路入侵特徵數據維數較多，不同入侵類別間的數據差別較小，不少入侵模式不能被准確分類。本案例採用結合模糊聚類和廣義神經網路回歸的聚類演算法對入侵數據進行分類。
第26章 粒子群優化演算法的尋優演算法——非線性函數極值尋優236
根據PSO演算法原理，在MATLAB中編程實現基於PSO演算法的函數極值尋優演算法。
第27章 遺傳演算法優化計算——建模自變數降維243
在第21章中，建立模型時選用的每個樣本（即病例）數據包括10個量化特徵（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度）的平均值、10個量化特徵的標准差和10個量化特徵的最壞值（各特徵的3個最大數據的平均值）共30個數據。明顯，這30個輸入自變數相互之間存在一定的關系，並非相互獨立的，因此，為了縮短建模時間、提高建模精度，有必要將30個輸入自變數中起主要影響因素的自變數篩選出來參與最終的建模。
第28章 基於灰色神經網路的預測演算法研究——訂單需求預測258
根據灰色神經網路原理，在MATLAB中編程實現基於灰色神經網路的訂單需求預測。
第29章 基於Kohonen網路的聚類演算法——網路入侵聚類268
根據Kohonen網路原理，在MATLAB軟體中編程實現基於Kohonen網路的網路入侵分類演算法。
第30章 神經網路GUI的實現——基於GUI的神經網路擬合、模式識別、聚類277
為了便於使用MATLAB編程的新用戶，快速地利用神經網路解決實際問題，MATLAB提供了一個基於神經網路工具箱的圖形用戶界面。考慮到圖形用戶界面帶來的方便和神經網路在數據擬合、模式識別、聚類各個領域的應用，MATLAB R2009a提供了三種神經網路擬合工具箱（擬合工具箱/模式識別工具箱/聚類工具箱）。

⑤ matlab怎麼打開神經網路工具箱

在matlab命令窗口中，輸入

>>nnstart %回車後就會彈出神經網路工具箱主窗口。

⑥ 用MATLAB做的模糊神經網路代碼

您好，是這樣的：
經過訓練後的參數比較差，用原數據輸入訓練好的網路，得出結果和要的結果誤差很大，不明白是怎麼回事？

還有要是多輸入多輸出這段程序該怎麼改？模糊神經網路可以用matlab工具箱實現嗎？

還有輸入數據差別比較大（就是大小差異大）是不是要進行歸一化再學習訓練呢？

求解，求解答！

對於你的幫助不勝感激！

clear all
clc
close all
tic,
%[x,y]=data;
x=[1 2 3 4 5 6 7 8;
-1 -2 -3 -4 -5 -6 -7 -8];
y=[2 3 4 5 6 7 8 9]; %%%%%--數據顯示，輸入為－兩輸入，輸出為－單輸出。--------樣本為p2組
[p1,p2]=size(x);

% 隸屬度函數個數
k=7;
% 初始化四個隸屬度函數的參數A,B及輸出層初始權值W
for i=1:p1;
for j=1:k;
m(i,j)=1+0.6*rand(1);
b(i,j)=1+0.6*rand(1);
end
end
for j=1:k*k;
w(j)=1+rand(1);
end
%%%---推理計算輸出值
for q=1:p2;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%-----用同一隸屬度參數對 輸入樣本 X 累計計算
% 選用高斯函數作為隸屬度，求隸屬度，共 size(x,2)+k 個。x(1) K個，x(2) K個
for i=1:p1;
for j=1:k;
u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);
end
end

% 模糊推理計算：a21,a22.幾個隸屬度函數，得出幾個值，此處已知輸入為2
%%%%----由以前的取小做法改為相乘—prod(x,1) or prod(x,2)———
v=[];
for i=1:k
for j=1:k
v=[v,u(1,i)*u(2,j)];
end
end

% 歸一化計算模糊推理的值；相當於已經除去了經典去模糊輸出的分母值
for i=1:length(v);
v1(i)=v(i)/sum(v);
end
% 系統輸出
% out1(q)=w*v';
% e(q)=(y(q)-out1(q));
% end
% out=out1
out1(q)=w*v1';
e(q)=y(q)-out1(q);
end
out=out1;

%－ 三。參數修正過程。 增加方式，非批處理方式迭代
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%－－－－－－－－---------------------誤差反向傳播過程－－－-----------------------------------------
% 取誤差函數：E＝(1/2)*sumsqr(t-y)
E=(1/2)*sumsqr(y-out);
EE=E;
% e=sum(y-out)
lr=0.3; % c2=zeros(2,2);
%%%%----------------------------------------誤差反傳後的參數修正過程-------------------
r=1; %
p=1;
s=1000; %
% e(r)=y(r)-out(r);
while p<=s & EE>0.05
%%%%%%%%%%%%%_____隸屬度參數 M. B 輸出層權值參數 W 的修正過程_____%%%%%%%%%%%%
%%1.--W
wc=zeros(1,k*k);
for i=1:k*k;
wc(i)=-lr*e(r)*v1(i);
end
%%2.--M
mc=zeros(p1,k);
for i=1:p1;
for j=1:k;
mc(i,j)=2*lr*e(r) * w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))* (x(i,r)-m(i,j))/(b(i,j).^2);
end
end
%%3.--B
bc=zeros(p1,k);
for i=1:p1;
for j=1:k;
bc(i,j)=2*lr*e(r)* w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2)) * ((x(i,r)-m(i,j)).^2)/(b(i,j).^3);
end
end
% 4.參數修正 m b w
m=m-mc;
b=b-bc;
w=w-wc;
%%%%%%%%%%%_______利用修正後的參數重新計算_____________%%%%%%%%%%%%%%%%%%%%%
% 5.利用修正過的參數重新計算輸出
for q=1:p2;
for i=1:p1;
for j=1:k;
u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);
end
end
v=[];
for i=1:7
for j=1:7
v=[v,u(1,i)*u(2,j)];
end
end

% 歸一化計算模糊推理的值；相當於已經除去了經典去模糊輸出的分母值
for i=1:length(v)
v1(i)=v(i)/sum(v);
end
out1(q)=w*v1';
end
out=out1;
p=p+1;
EE=(1/2)*sumsqr(y-out);
E(p)=EE;
r=r+1;
if r>p2
r=1;
end
e(r)=(y(r)-out(r));
end
%%%%%%%%%%%%%%%%%%%________________當誤差或迭代步數滿足要求後得到結果_________________%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
m,b,w,E_out=EE,e
epoch=1:size(E,2);
figure
plot(epoch,E,'-r');
% plot(epoch,out(1),'b');
% axis([0 1.5*s min(E) max(E)]);
% set(gca,'fontsize',8);
% set(gca,'xtick',0:s/10:1.5*s);
%set(gca,'ytick',1e-30:1e5:1e5);
%set(gcf,'color','b')
title('誤差變化曲線');xlabel('步數');ylabel('誤差');
toc
%% %% 泛化過程

⑦ 哪個版本的matlab有神經網路工具箱

一般都有的，輸入nntool可以使用matlab神經網路GUI界面的工具箱，也可以自己在M文件編程，現在一般matlab裡面都有神經網路的相關函數，直接調用的，很方便

⑧ MATLAB神經網路工具箱configure函數使用

你想要什麼解釋？這句話是在為你的神經網路（net）配置每個RTDX緩沖channel中的位元組位數（p）和緩沖channel的數量（t）。RTDX（real time data exchange）實時數據交換。如果你懂低級計算機編程語言的話應該很好理解。這句話基本可以大致理解為為你的神經網路劃出一個計算的空間。神經網路演算法本身極其復雜，甚至有很多conference是專門討論該演算法的。matlab作為高級程序語言，出發點是把所有演算法打包好使用戶方便使用。要做到這個對一些基礎演算法來說並不難。但是神經網路本身就是一大堆演算法的集成，簡單打包演算法不太可能。使用這個工具箱你只需要知道大致原理，再找幾個模板依樣畫葫蘆練習一下就可以了，沒必要全弄明白