simulinkrbf神经网络工具箱

Ⅰ RBF神经网络的建立

http://wenku..com/link?url=_Uv_MVU1PzBfy_TSm5Pcx_oFuF_
自己看

Ⅱ 我用matlab神经网络工具箱写了个程序 现在想编译成exe在其它电脑运行 结果不好使 有什么解决办法吗

你目前的版本是？
R2016b之后的话，能编译但是有限制：https://www.mathworks.com/procts/compiler/supported/compiler_support.html
大致不能编译的部分是含Simulink的，以及含
genFunction （生成神经网络） gensim（生成独立的simulink）等代码的脚本。

之前似乎只能编译训练好的模型。

Ⅲ MATLAB神经网络编程的内容简介

《MATLAB神经网络编程》结合神经网络的概念、理论和应用，以MATLAB为平台，系统地介绍了神经网络工具箱中的前向型神经网络、局部型神经网络、反馈型神经网络、竞争型神经网络、神经网络控制的综合应用、神经网络在Simulink中的应用、神经网络的模糊控制及其自定义网络等内容。《MATLAB神经网络编程》重点是运用MATLAB神经网络工具箱介绍神经网络分析研究中的各种概念、理论、方法、算法及其实现。《MATLAB神经网络编程》内容安排合理，理论结合实际，同时作者列举了其总结的大量应用实例。《MATLAB神经网络编程》讲述的各种统计理论和方法浅显易懂，并均能在实际生活中找到应用对象。《MATLAB神经网络编程》可以作为广大在校本科生和研究生的学习用书，也可以作为广大科研人员、学者、工程技术人员的参考用书。

Ⅳ simulink 怎么frequency domain

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。

Ⅳ 精通MATLAB神经网络的图书目录

第一篇 MATLAB入门篇
第1章 MATLAB概述 2
第2章 MATLAB计算基础 19
第3章 MATLAB绘图入门 34
第4章 MATLAB编程入门 45
第5章 Simulink仿真入门 78
第二篇 神经网络提高篇
第6章 MATLAB神经网络工具箱概述 100
第7章 MATLAB神经网络GUI工具 114
第8章 感知器神经网络 140
第9章 线性神经网络 162
第10章 BP神经网络 193
第11章 径向基神经网络 225
第12章 自组织神经网络 246
第13章 反馈神经网络 280
第三篇 神经网络综合实战篇
第14章 神经网络优化 306
第15章 神经网络控制 326
第16章 神经网络故障诊断 353
第17章 神经网络预测 375
第18章 Simulink中的神经网络设计 395
第19章 自定义神经网络 404
附录A 工具箱函数列表 438
参考文献 444
……

Ⅵ 神经网络在simulink中的实现

1.T=[1 1 1;1 1 1];目标函数是2维的，说明输出可为2个，所以net=newff(minmax(X),[5 2],{'tansig','purelin'},'trainlm');你这个程序少了参数设置部分：net.trainParam.epochs=50;net.trainparam.goal=1e-3;还有其他参数可设置。
2.你建好个这个模型是对X=[1 2 3;-1 1 1;1 3 2];T=[1 1 1;1 1 1];控制的，对你那个模型当然不行，你这个程序连个接口都没有没法用SIMULINK，getsim()这个函数我不了解，你要是仿真可用.M文件编个S-FUNCTION，可用于模型仿真。

Ⅶ matlab神经网络工具箱怎么输出得到函数代码段

神经网络训练出来的是权值矩阵，我想你是想在matlab外用训练好的神经网络。首先你要在外部实现神经网络算法，之后你把神经网络训练出来的权值矩阵读取到你在外部实现的神经网络算法中，然后你就可以使用这个神经网络了。

Ⅷ MATLAB算法与SIMULINK 仿真的关系

我学自动化的，用MATLAB主要是进行数值计算，算法方面有很多工具箱可以在MATLAB里运行，如遗传算法工具箱、神经网络工具箱；simulink是MATLAB里面的仿真模块，主要是基于MALAB强大的计算能力建立起来的，绘制系统框图然后进行系统分析，通信方面还可以进行信号的处理和分析，这方面我们自动化就用得比较少了。

Ⅸ 如何使用simulink建立rbf神经网络建模

您好，我来为您解答：
使用simulink建立rbf神经网络建模是一彷论文的题目，你去网络文库搜一下，有下载的，全文太长了，我就不复制了。
如果我的回答没能帮助您，请继续追问。

Ⅹ 1.如何用MATLAB神经网络工具箱创建BP神经网络模型具体有哪些步骤请高手举实例详细解释下 2.如何把输

%人脸识别模型，脸部模型自己找吧。
function mytest()

clc;
images=[ ];
M_train=3;%表示人脸
N_train=5;%表示方向
sample=[];
pixel_value=[];
sample_number=0;

for j=1:N_train
for i=1:M_train
str=strcat('Images\',num2str(i),'_',num2str(j),'.bmp'); %读取图像，连接字符串形成图像的文件名。
img= imread(str);
[rows cols]= size(img);%获得图像的行和列值。
img_edge=edge(img,'Sobel');

%由于在分割图片中我们可以看到这个人脸的眼睛部分也就是位于分割后的第二行中，位置变化比较大，而且眼睛边缘检测效果很好

sub_rows=floor(rows/6);%最接近的最小整数,分成6行
sub_cols=floor(cols/8);%最接近的最小整数，分成8列
sample_num=M_train*N_train;%前5个是第一幅人脸的5个角度

sample_number=sample_number+1;
for subblock_i=1:8 %因为这还在i，j的循环中，所以不可以用i
block_num=subblock_i;
pixel_value(sample_number,block_num)=0;
for ii=sub_rows:(2*sub_rows)
for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols
pixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj);
end
end
end
end
end
%将特征值转换为小于1的值
max_pixel_value=max(pixel_value);
max_pixel_value_1=max(max_pixel_value);
for i=1:3
mid_value=10^i;
if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10))
multiple_num=1/mid_value;
pixel_value=pixel_value*multiple_num;
break;
end
end

% T 为目标矢量
t=zeros(3,sample_number);
%因为有五类，所以至少用3个数表示，5介于2的2次方和2的3次方之间
for i=1:sample_number
% if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0))
if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15))
t(1,i)=1;
end
%if((mod(i,5)==2)||(mod(i,5)==4))
if((i>3)&&(i<=6))||((i>9)&&(i<=12))
t(2,i)=1;
end
%if((mod(i,5)==3)||(mod(i,5)==0))
if((i>6)&&(i<=9))||((i>12)&&(i<=15))
t(3,i)=1;
end
end

% NEWFF——生成一个新的前向神经网络
% TRAIN——对 BP 神经网络进行训练
% SIM——对 BP 神经网络进行仿真

% 定义训练样本
% P 为输入矢量
P=pixel_value'
% T 为目标矢量
T=t
size(P)
size(T)
% size(P)
% size(T)

% 创建一个新的前向神经网络
net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')

% 当前输入层权值和阈值
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
% 当前网络层权值和阈值
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}

% 设置训练参数
net_1.trainParam.show = 50;
net_1.trainParam.lr = 0.05;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络
[net_1,tr]=train(net_1,P,T);

% 对 BP 网络进行仿真
A = sim(net_1,P);
% 计算仿真误差
E = T - A;
MSE=mse(E)

x=[0.14 0 1 1 0 1 1 1.2]';
sim(net_1,x)