⑴ 怎麼用mtlab優化工具箱求目標函數為BP神經網路訓練結果的極值
需要聲明全局變數。分別在兩段程序的開頭加上
globalnet
不然無法在函數中調用net.
如果你要多於一個函數共用一個簡單的變數，簡單的處理方法就是把這個變數在所有函數中定義為global全局變數。在命令行做同樣的事情，如果你要工作空間訪問上述變數。這個全局變數的定義必須出現在變數被應用於一個函數之前。雖然不是要求，但全局變數也最好以大寫字母開頭，這樣可以同其他變數區別出來。舉個例子，做一個以falling.m命名的M－文件。
function h = falling(t)
global GRAVITY
h = 1/2*GRAVITY*t.^2;
然後交互地輸入語句
global GRAVITY
GRAVITY = 32;
y = falling((0:.1:5)');
這兩個變數在函數中表示同一個內容。之後你可以交互地修改GRVITY並獲得新的解法，而不用再編輯文檔。
注意：1 全局變數列表中各個變數名不能用逗號分隔。 如： global a b c
2 全局變數使用前必須再matlab工作空間中申明，如果再具體得函數中用則要在函數前面申明，否則在該函數中即使用到了該變數，也會被當成局部變數使用。
⑵ BP神經網路matlab工具箱中的激勵函數（傳遞函數），訓練函數，學習函數
激勵函數用於神經元由輸入計算輸出的，而訓練函數和學習函數是基於誤差，內來修改權值和閾容值的，再就完成了一次訓練，然後繼續迭代，知道達到迭代次數或滿足精度。
然而，學習函數和訓練函數的功能貌似很相近，至於具體區別，正在糾結著我呢
⑶ 用MATLAB中神經網路工具箱固有函數建立的BP網路，訓練精度始終達不到，而且誤差也大，該如何解決
除了樓上的方法，還可以修改下神經網路的初始權值，這方面的方法很多，可以改變下初始參數的取值范圍，或者用遺傳演算法搜索下。另外，改變神經網路的訓練函數是十分有效的，比如trainscg什麼的，還有好幾個記不得了，自己找找看！
⑷ 如何用MATLAB的神經網路工具箱實現三層BP網路
這是一個來自<神經網路之家>nnetinfo的例子,在matlab2012b運行後的確可以,因為網路知道的文本寬度不夠,注釋擠到第二行了,有些亂,樓主注意區分哪些是代碼哪些是注釋,
x1 =
[-3,-2.7,-2.4,-2.1,-1.8,-1.5,-1.2,-0.9,-0.6,-0.3,0,0.3,0.6,0.9,1.2,1.5,1.8]; %x1：x1 = -3:0.3:2;
x2 =
[-2,-1.8,-1.6,-1.4,-1.2,-1,-0.8,-0.6,-0.4,-0.2,-2.2204,0.2,0.4,0.6,0.8,1,1.2];%x2：x2 = -2:0.2:1.2;
y = [0.6589,0.2206,-0.1635,-0.4712,-0.6858,-0.7975,-0.8040,...
-0.7113,-0.5326,-0.2875
,0,0.3035,0.5966,0.8553,1.0600,1.1975,1.2618]; %y：
y = sin(x1)+0.2*x2.*x2;
inputData = [x1;x2]; %將x1,x2作為輸入數據
outputData = y; %將y作為輸出數據
%使用用輸入輸出數據（inputData、outputData）建立網路，
%隱節點個數設為3.其中隱層、輸出層的傳遞函數分別為tansig和purelin，使用trainlm方法訓練。
net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');
%設置一些常用參數
net.trainparam.goal = 0.0001;
%訓練目標：均方誤差低於0.0001
net.trainparam.show = 400; %每訓練400次展示一次結果
net.trainparam.epochs = 15000;
%最大訓練次數：15000.
[net,tr] = train(net,inputData,outputData);%調用matlab神經網路工具箱自帶的train函數訓練網路
simout = sim(net,inputData);
%調用matlab神經網路工具箱自帶的sim函數得到網路的預測值
figure; %新建畫圖窗口窗口
t=1:length(simout);
plot(t,y,t,simout,'r')%畫圖，對比原來的y和網路預測的y
⑸ BP神經網路中的訓練函數如何選取
神經網路不同的網路有這不同的訓練函數，BP神經網路有兩種訓練函數，trainbp（），利用BP演算法訓練前向神經網路。trainbpx（），利用快速BP演算法訓練前向神經網路，即採用了動量或自適應學習，可減少訓練時間，tansig函數是神經元的傳遞函數，與訓練函數無關，在trainbp（）函數中含有要訓練神經元的函數。
⑹ 你好 我在做BP神經網路的一個課程設計 想請教你一些問題
Matlab 中有的神經網路BP的工具箱的，就一個函數，你只要設置一下參數，像閥值等、初始權值。
⑺ 請大師指點：BP網路工具箱中的newff（）中的參數如何設置
分類: 電腦/網路 >> 互聯網
問題描述:
threshold=[0 1;0 1;0 1;0 1]';
=newff(threshold,[9,4],{'tansig','logsig'},'trainlm');
.trainParam.epochs=500;
.trainParam.goal=0.01;
LP.lr=0.1;
=train(,P,T);
P_test=[0.3277 0.4745 1.0000 0.2854];
out=sim(,P_test);
M=[0.1709 0.4114 0.7783 0.3101];
plot(1:4,M-out)
上面第二行的newff(threshold,[9,4],{'tansig','logsig'},'trainlm')
中[9，4]這兩個數據是怎麼確定的？？
還有學習速度LP.lr=0.1這個參數是如何選擇的？
懇請大師指點一二，感激不盡~！
解析:
threshold是一個限定BP網路輸出的范圍
在它規定的范圍內為有效(當無效值太多的時候會early stop)
[9,4]代表輸入輸出的神經元數目
學習速度關繫到誤差梯度的調整,由於誤差梯度是由誤差對權值的求導得出的,我們加上一個學習速度的系數可以加快或減慢權值調整的速度.一般在0.1~0.8之間.當然也可以用可變學習速率的訓練函數進行,這樣學習速率可以在開始的時候大一些,而後減小,優化學習過程.
⑻ 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。
⑼ bp神經網路 matlab 工具箱怎麼調出來
有神經網路的工具箱，bp是配出來的！
⑽ 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。