⑴ matlab中神经网络怎么使用
可以直接用神经网络工具箱，GUI内设置训练的输入、目标、训练方法、迭代次数等。
⑵ 在matlab中怎么使用神经网络工具箱
为了看懂师兄的文章中使用的方法，研究了一下神经网络 昨天花了一天的时间查怎么写程序，但是费了半天劲，不能运行，网络知道里倒是有一个，可以运行的，先贴着做标本 % 生成训练样本集 clear all; cl
⑶ 如何使用matlab中的工具箱
如果是系统自带的，你可以直接用，如果是外部的或者是自编的你需要先把文件夹拷贝到tools文件夹下，再设置路径。
Matlab常用工具箱介绍(英汉对照)
Matlab Main Toolbox——matlab主工具箱
Control System Toolbox——控制系统工具箱
Communication Toolbox——通讯工具箱
Financial Toolbox——财政金融工具箱
System Identification Toolbox——系统辨识工具箱
Fuzzy Logic Toolbox——模糊逻辑工具箱
Higher-Order Spectral Analysis Toolbox——高阶谱分析工具箱
Image Processing Toolbox——图象处理工具箱
LMI Control Toolbox——线性矩阵不等式工具箱
Model predictive Control Toolbox——模型预测控制工具箱
μ-Analysis and Synthesis Toolbox——μ分析工具箱
Neural Network Toolbox——神经网络工具箱
Optimization Toolbox——优化工具箱
Partial Differential Toolbox——偏微分方程工具箱
Robust Control Toolbox——鲁棒控制工具箱
Signal Processing Toolbox——信号处理工具箱
Spline Toolbox——样条工具箱
Statistics Toolbox——统计工具箱
Symbolic Math Toolbox——符号数学工具箱
Simulink Toolbox——动态仿真工具箱
System Identification Toolbox——系统辨识工具箱
Wavele Toolbox——小波工具箱
例如：控制系统工具箱包含如下功能：
连续系统设计和离散系统设计
状态空间和传递函数以及模型转换
时域响应（脉冲响应、阶跃响应、斜坡响应）
频域响应（Bode图、Nyquist图）
根轨迹、极点配置
较为常见的matlab控制箱有：
控制类：
控制系统工具箱(control systems toolbox)
系统识别工具箱（system identification toolbox）
鲁棒控制工具箱（robust control toolbox）
神经网络工具箱（neural network toolbox）
频域系统识别工具箱（frequency domain system identification toolbox）
模型预测控制工具箱（model predictive control toolbox）
多变量频率设计工具箱（multivariable frequency design toolbox）
信号处理类：
信号处理工具箱（signal processing toolbox）
滤波器设计工具箱（filter design toolbox）
通信工具箱（communication toolbox）
小波分析工具箱（wavelet toolbox）
高阶谱分析工具箱（higher order spectral analysis toolbox）
其它工具箱：
统计工具箱(statistics toolbox)
数学符号工具箱（symbolic math toolbox）
定点工具箱（fixed-point toolbox）
射频工具箱（RF toolbox）
1990年，MathWorks软件公司为Matlab提供了新的控制系统模型化图形输入与仿真工具，并命名为Simulab，使得仿真软件进入了模型化图形组态阶段，1992年正式命名为Simulink，即simu（仿真）和link（连接）。matlab7.0里的simulink为6.0版本，matlab6.5里的simulink为5.0版本。
MATLAB的SIMULINK子库是一个建模、分析各种物理和数学系统的软件，它用框图表示系统的各个环节，用带方向的连线表示各环节的输入输出关系。
启动SIMULINK十分容易，只需在MATLAB的命令窗口键入“SIMULINK”命令，此时出现一个SIMULINK窗口，包含七个模型库，分别是信号源库、输出库、离散系统库、线性系统库、非线性系统库及扩展系统库。
1.信号源库
包括阶跃信号、正弦波、白噪声、时钟、常值、文件、信号发生器等各种信号源，其中信号发生器可产生正弦波、方波、锯齿波、随机信号等波形。
2.输出库
包括示波器仿真窗口、MATLAB工作区、文件等形式的输出。
3.离散系统库
包括五种标准模式：延迟，零-极点，滤波器，离散传递函数，离散状态空间。
4.线性系统库
提供七种标准模式：加法器、比例环节、积分环节、微分环节、传递函数、零-极点、状态空间。
5.非线性系统库
提供十三种常用标准模式：绝对值、乘法、函数、回环特性、死区特性、斜率、继电器特性、饱和特性、开关特性等。
6.系统连接库包括输入、输出、多路转换等模块，用于连接其他模块。
7.系统扩展库
考虑到系统的复杂性，SIMULINK另提供十二种类型的扩展系统库，每一种又有多种模型供选择。
使用时只要从各子库中取出模型，定义好模型参数，将各模型连接起来，然后设置系统参数，如仿真时间、仿真步长、计算方法等。SIMULINK提供了Euler、RungeKutta、Gear、Adams及专用于线性系统的LinSim算法，用户根据仿真要求选择适当的算法。
当然，不同版本的Matlab/Simulink内容有所不同。
另外，Simulink还提供了诸如航空航天、CDMA、DSP、机械、电力系统等专业模块库，给快速建模提供了很大的便利。
⑷ matlab怎么打开神经网络工具箱
1单击Apps，在搜索框中输入neu，下方出现了所有神经网络工具箱。neural net fitting 是我们要使回用的神答经网络拟合工具箱。
2
在下界面中点击next
3
单击load example data set，得到我们需要的测试数据。
4
单击import
5
单击next
6
单击next
7
数字“10”表示有10个隐含层。单击next。
8
单击train，开始训练。
9
训练过程跳出的小窗口。
10
训练结果。其中MSE表示均方差，R 表示相关系数。单击next。
11
这里可以调整神经网络，也可以再次训练。单击next。
12
在这里，可以保存结果。如果不需要，直接finish。
⑸ matlab神经网络工具箱分别怎么用
1单击Apps，在搜索框中输入neu，下方出现了所有神经网络工具箱。neural net fitting 是我们要使用的神经网络拟合工具箱。 2 在下界面中点击next 3 单击load example data set，得到我们需要的测试数据。
⑹ matlab神经网络工具箱具体怎么用
为了看懂师兄的文章中使用的方法，研究了一下神经网络
昨天花了一天的时间查怎么写程序，但是费了半天劲，不能运行，网络知道里倒是有一个，可以运行的，先贴着做标本
% 生成训练样本集
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; %输入矢量的取值范围矩阵
pr(1:9,2)=1;
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神经网络， 12个隐层神经元，4个输出神经元
%tranferFcn属性 'logsig' 隐层采用Sigmoid传输函数
%tranferFcn属性 'logsig' 输出层采用Sigmoid传输函数
%trainFcn属性 'traingdx' 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数
%learn属性 'learngdm' 附加动量因子的梯度下降学习函数
net.trainParam.epochs=1000;%允许最大训练步数2000步
net.trainParam.goal=0.001; %训练目标最小误差0.001
net.trainParam.show=10; %每间隔100步显示一次训练结果
net.trainParam.lr=0.05; %学习速率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);
运行的结果是出现这样的界面
点击performance，training state，以及regression分别出现下面的界面
再搜索，发现可以通过神经网络工具箱来创建神经网络，比较友好的GUI界面，在输入命令里面输入nntool，就可以开始了。
点击import之后就出现下面的具体的设置神经网络参数的对话界面，
这是输入输出数据的对话窗
首先是训练数据的输入
然后点击new，创建一个新的神经网络network1，并设置其输入输出数据，包括名称，神经网络的类型以及隐含层的层数和节点数，还有隐含层及输出层的训练函数等
点击view，可以看到这是神经网络的可视化直观表达
创建好了一个network之后，点击open，可以看到一个神经网络训练，优化等的对话框，选择了输入输出数据后，点击train，神经网络开始训练，如右下方的图，可以显示动态结果
下面三个图形则是点击performance，training state以及regression而出现的
下面就是simulate，输入的数据是用来检验这个网络的数据，output改一个名字，这样就把输出数据和误差都存放起来了
在主界面上点击export就能将得到的out结果输入到matlab中并查看
下图就是输出的两个outputs结果
还在继续挖掘，to be continue……
⑺ matlab工具箱中的神经网络和遗传算法要怎么调用
都是有两种调用方法，一种图形界面的，这个从开始菜单，然后工具，然后从里面找神经网络
neural
network，遗传算法工具是
全局优化工具箱里面的，global
optimization。
另外
一种通过命令行调用，这个需要你理解你都要做什么，我用神经网络举例。第一步需要先整理出输入变量和输出变量，第二步设计并初始化神经网络，第三部训练，第四部获得结果。
如果你想结合这两者，就会更加复杂，详细的你可以再问。我曾经做过用遗传算法优化神经网络的工具。
⑻ matlab 神经网络工具箱中的som怎么使用
使用newsom函数创建网络：
net=newsom(PR,[D1,D2,^],TFCN,DFCN,OLR,OSTEPS,TLR,TND)
PR:R个输入元素的最大值和最小值的设定值，R*2维矩阵
Di：第I层的维数，默认为[5 8]
TFCN：拓扑函数，默认为hextop
DFCN:距离函数，默认为linkdist
OLR：分类阶段学习速率，默认为0.9
OSTEPS：分类阶段的步长，默认为1000
TLR：调谐阶段的学习速率，默认为0.02
TNS:调谐阶段的领域距离，默认为1.
例子：
>>P=[rand(1,400)*2;rand(1,400)];
>>plot(P(1,:),P(2,:),'.','markersize',20)
>>net=newsom([01;01],[35]);
>>net=train(net,P);
>>holdon
>>plotsom(net.iw{1,1},net.layers{1}.distances)
>>holdoff
第二个函数：newc函数
功能：该函数用于创建一个竞争层
net=newc
net=newc(PR,S,KLR,CLR)
S:神经元的数目
KLR：Kohonen学习速度，默认为0.01
CLR：Conscience学习速度，默认为0.001
net:函数返回值，一个新的竞争层。
也可以参考附件的代码，里面有一个案例是SOM神经网络的。
⑼ 如何使用神经网络工具箱 matlab
%% 训练集/测试集产生
% 训练集——用于训练网络
P_train = ;%输入集
T_train = ;%输出集
% 测试集——用于测试或者使用。
P_test = ;%输入
⑽ matlab的神经网络工具箱怎么用
1．神经网络
神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。
一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所示。这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经网络。
神经网络已经在各个领域中应用，以实现各种复杂的功能。这些领域包括：模式识别、鉴定、分类、语音、翻译和控制系统。
如今神经网络能够用来解决常规计算腿四岩越饩龅奈侍狻N颐侵饕ü飧龉ぞ呦淅唇⑹痉兜纳窬缦低常⒂τ玫焦こ獭⒔鹑诤推渌导氏钅恐腥ァ?BR>一般普遍使用有监督训练方法，但是也能够通过无监督的训练方法或者直接设计得到其他的神经网络。无监督网络可以被应用在数据组的辨别上。一些线形网络和Hopfield网络是直接设计的。总的来说，有各种各样的设计和学习方法来增强用户的选择。
神经网络领域已经有50年的历史了，但是实际的应用却是在最近15年里，如今神经网络仍快速发展着。因此，它显然不同与控制系统和最优化系统领域，它们的术语、数学理论和设计过程都已牢固的建立和应用了好多年。我们没有把神经网络工具箱仅看作一个能正常运行的建好的处理轮廓。我们宁愿希望它能成为一个有用的工业、教育和研究工具，一个能够帮助用户找到什么能够做什么不能做的工具，一个能够帮助发展和拓宽神经网络领域的工具。因为这个领域和它的材料是如此新，这个工具箱将给我们解释处理过程，讲述怎样运用它们，并且举例说明它们的成功和失败。我们相信要成功和满意的使用这个工具箱，对范例和它们的应用的理解是很重要的，并且如果没有这些说明那么用户的埋怨和质询就会把我们淹没。所以如果我们包括了大量的说明性材料，请保持耐心。我们希望这些材料能对你有帮助。
这个章节在开始使用神经网络工具箱时包括了一些注释，它也描述了新的图形用户接口和新的运算法则和体系结构，并且它解释了工具箱为了使用模块化网络对象描述而增强的机动性。最后这一章给出了一个神经网络实际应用的列表并增加了一个新的文本--神经网络设计。这本书介绍了神经网络的理论和它们的设计和应用，并给出了相当可观的MATLAB和神经网络工具箱的使用。
2．准备工作
基本章节
第一章是神经网络的基本介绍，第二章包括了由工具箱指定的有关网络结构和符号的基本材料以及建立神经网络的一些基本函数，例如new、init、adapt和train。第三章以反向传播网络为例讲解了反向传播网络的原理和应用的基本过程。
帮助和安装
神经网络工具箱包含在nnet目录中，键入help nnet可得到帮助主题。
工具箱包含了许多示例。每一个