matlab工具箱列车驾驶策略

㈠ 高分求助 matlab自带工具箱中的svmtrain用法,要中文的,详细点

Svmtrain的用法：
svmtrain [options] training_set_file [model_file]
Options：可用的选项即表示的涵义如下
-s svm类型：SVM设置类型(默认0)
0 -- C-SVC
1 --v-SVC
2 – 一类SVM
3 -- e -SVR
4 -- v-SVR
-t 核函数类型：核函数设置类型(默认2)
0 – 线性：u'v
1 – 多项式：(r*u'v + coef0)^degree
2 – RBF函数：exp(-r|u-v|^2)
3 –sigmoid：tanh(r*u'v + coef0)
-d degree：核函数中的degree设置(默认3)
-g 函数设置(默认1/ k)r(gama)：核函数中的
-r coef0：核函数中的coef0设置(默认0)
-c cost：设置C-SVC， -SVR的参数(默认1)-SVR和
- SVR的参数(默认0.5)-SVC，一类SVM和-n nu：设置
-SVR-p e：设置的值(默认0.1)中损失函数
-m cachesize：设置cache内存大小，以MB为单位(默认40)
-e ：设置允许的终止判据(默认0.001)
-h shrinking：是否使用启发式，0或1(默认1)
-wi C(C-SVC中的C)(默认1)weight：设置第几类的参数C为weight
-v n: n-fold交互检验模式
其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，文件中包括支持向量样本数、支持向量样本以及lagrange系数等必须的参数；该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。

㈡ 在MATLAB的robotics工具箱中，怎么画出机械臂末端的运动轨迹

先把末端轨迹画出来，记住hold on

plot3(j6(:,1),j6(:,2),j6(:,3),'*');hold on;

然后再调用函数，演示动画

robot.plot(q);

㈢ 哪位朋友分享一下MATLAB中vehicle tools工具箱或类似工具箱呢做工程车辆设计仿真用，急等

MATLAB中貌似还没遇到vehicle tools的工具箱，不过却有Vehicle Network Toolbox，不过这也是交通网络仿真中用的，不适车辆结构设计仿真用。
还是没能帮助到你，很抱歉！

㈣ 用matlab 做时间序列分析应该用什么工具箱

要把抄这个工具箱添加进matlab 中就行了。具体方法：如果是Matlab安装光盘上的工具箱，重新执行安装程序，选中即可。
如果是单独下载的工具箱，一般情况下仅需要把新的工具箱解压到某 个目录，然后用ddpath(对于多个目录的使用genpath()或者pathtool添 加工具箱的路径，然后用which newtoolbox_command.m来检验是否可 以访问。
如果能够显示新设置的路径，则表明该工具箱可以使用了。
具体请看工具箱自己代的README文件。

㈤ 如何评价MATLAB2017a自动驾驶工具箱

Implicit Expansion: Perform element-wise operations and functions on arrays with
automatic expansion of dimensions of length 1.
以前需要bsxfun才能完成的维度扩展在16b里似乎就可以自动完成了，个人最期待的一个更新！
另外，在即将抛弃 ez 系列的隐函数画图函数之际，终于迎来了全新的隐函数画图解决方案：
fimplicit and fimplicit3 Functions: Plot implicit functions of the form f (x ,y) = 0 and f (x ,y,z ) = 0！

㈥ matlab神经网络工具箱训练出来的函数，怎么输出得到函数代码段

这样：

clear;

%输入数据矩阵

p1=zeros(1,1000);

p2=zeros(1,1000);

%填充数据

for i=1:1000

p1(i)=rand;

p2(i)=rand;

end

%输入层有两个，样本数为1000

p=[p1;p2];

%目标（输出）数据矩阵，待拟合的关系为简单的三角函数

t = cos(pi*p1)+sin(pi*p2);

%对训练集中的输入数据矩阵和目标数据矩阵进行归一化处理

[pn, inputStr] = mapminmax(p);

[tn, outputStr] = mapminmax(t);

%建立BP神经网络

net = newff(pn, tn, [200,10]);

%每10轮回显示一次结果

net.trainParam.show = 10;

%最大训练次数

net.trainParam.epochs = 5000;

%网络的学习速率

net.trainParam.lr = 0.05;

%训练网络所要达到的目标误差

net.trainParam.goal = 10^(-8);

%网络误差如果连续6次迭代都没变化，则matlab会默认终止训练。为了让程序继续运行，用以下命令取消这条设置

net.divideFcn = '';

%开始训练网络

net = train(net, pn, tn);

%训练完网络后要求网络的权值w和阈值b

%获取网络权值、阈值

netiw = net.iw;

netlw = net.lw;

netb = net.b;

w1 = net.iw{1,1}; %输入层到隐层1的权值

b1 = net.b{1} ; %输入层到隐层1的阈值

w2 = net.lw{2,1}; %隐层1到隐层2的权值

b2 = net.b{2} ; %隐层1到隐层2的阈值

w3 = net.lw{3,2}; %隐层2到输出层的权值

b3 = net.b{3} ;%隐层2到输出层的阈值

%在默认的训练函数下，拟合公式为，y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

%用公式计算测试数据[x1;x2]的输出，输入要归一化，输出反归一化

in = mapminmax('apply',[x1;x2],inputStr);

y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

y1=mapminmax('reverse',y,outputStr);

%用bp神经网络验证计算结果

out = sim(net,in);

out1=mapminmax('reverse',out,outputStr);

(6)matlab工具箱列车驾驶策略扩展阅读：

注意事项

一、训练函数

1、traingd

Name：Gradient descent backpropagation （梯度下降反向传播算法 ）

Description：triangd is a network training function that updates weight and bias values according to gradient descent.

2、traingda

Name：Gradient descentwith adaptive learning rate backpropagation(自适应学习率的t梯度下降反向传播算法)

Description：triangd is a network training function that updates weight and bias values according to gradient descent with adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

3、traingdx (newelm函数默认的训练函数)

name:Gradient descent with momentum and adaptive learning rate backpropagation(带动量的梯度下降的自适应学习率的反向传播算法)

Description：triangdx is a network training function that updates weight and bias values according to gradient descent momentumand an adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

4、trainlm

Name：Levenberg-Marquardtbackpropagation（L-M反向传播算法）

Description：triangd is a network training function that updates weight and bias values according toLevenberg-Marquardt optimization.it will return a trained net (net) and the trianing record (tr).

注：更多的训练算法请用matlab的help命令查看。

二、学习函数

1、learngd

Name：Gradient descent weight and bias learning function（梯度下降的权值和阈值学习函数）

Description：learngd is the gradient descentweight and bias learning function, it willreturn theweight change dWand a new learning state.

2、learngdm

Name：Gradient descentwith momentumweight and bias learning function（带动量的梯度下降的权值和阈值学习函数）

Description：learngd is the gradient descentwith momentumweight and bias learning function, it willreturn the weight change dW and a new learning state.

注：更多的学习函数用matlab的help命令查看。

三、训练函数与学习函数的区别

函数的输出是权值和阈值的增量，训练函数的输出是训练好的网络和训练记录，在训练过程中训练函数不断调用学习函数修正权值和阈值，通过检测设定的训练步数或性能函数计算出的误差小于设定误差，来结束训练。

或者这么说：训练函数是全局调整权值和阈值，考虑的是整体误差的最小。学习函数是局部调整权值和阈值，考虑的是单个神经元误差的最小。

它的基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成。

正向传播时，输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出(教师信号)不符,则转入误差的反向传播阶段。

反向传播时，将输出以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。

㈦ 使用Matlab软件，对下图所示高速列车运行自动控制系统的特性进行仿真实验分析。

前两天刚好回答了一个相同的问题（编号689391549523114324），把答案转贴过来，供参考。

这个题直接把传递函数表示出来然后调用相应的函数即可。

参考代码：

G1=tf([12],[131229198]);
s=tf('s');
G=feedback(G1,1)/s;
bode(1000*G)
figure,margin(1000*G)
figure,rlocus(G)

（1）从margin的绘图结果可知幅值裕度为14.1dB，相角裕度为40.6度。

㈧ 应用 MATLAB优化工具箱编程，求解如下不等式约束优化问题。

x0=[0;0];
VLB=[00];VUB=[];
[x,fval,exitflag,output]=fmincon('myfun1',x0,[],[],[],[],VLB,VUB,'mycon1')

%几何法
figure;
plot(x(1),x(2),'ro');holdon;
ezplot('x^来2+y^2-4*x+4-3.7989');
ezplot('-x+y-2');
ezplot('x^2-y+1');
gridon;

两个函数文件源

functionf=myfun1(x)
f=x(1)^2+x(2)^2-4*x(1)+4;
end

function[g,ceq]=mycon1(x)
g=[-x(1)+x(2)-2;x(1)^2-x(2)+1];
ceq=0;

最优化问题从几何上看是在第一象限(x1,x2>0), 直线即抛物线之下(两个约束条件), 最大的椭圆

㈨ 用matlab中的优化工具箱编制一个求解有约束条件的极值问题的程序。非常感谢！

通过matlab自带的优化工具箱函数fmincon（），求得
x =
19.5020 38.4980 20.2629 23.0481 即x1，x2，x3，x4
fval =
28.5095 最大值