神经网络工具箱多元拟合

A. matlab2012a BP神经网络函数拟合

newff函数出错，但是该函数的用法没错。你说你换了电脑，可能你现在用的电脑上的matlab版本太老，没有神经网络工具箱。安装高版本Matlab应该就能解决。

newff函数的格式为：
net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：
PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；
Si：第i层神经元个数；
TFi：第i层的传递函数，默认函数为tansig函数；
BTF：训练函数，默认函数为trainlm函数；
BLF：权值/阈值学习函数，默认函数为learngdm函数；
PF：性能函数，默认函数为mse函数。

B. matlab神经网络工具箱问题

线性神经网络的构建：
net=newlin(PR,S,ID,LR)
PR--Rx2阶矩阵，R个输入元素的最小最大矩阵
S---输出层神经元个数
ID--输入延迟向量，默认值为[0]
IR--学习率，默认值为0.01

net = newlin([-1 1;-1 1],1); 表示设计的是一个双输入单输出线性神经网络
P = [1 2 2 3; 2 1 3 1];表示输入样本有四个，每一列就是一个输入样本
又比如假设我们期望的输出为 T=[1 2 3 4],则一个简单的神经网络如下：

>>net = newlin([-1 1;-1 1],1);%创建初始网络
P=[1 2 2 3; 2 1 3 1]%输入
T=[1 2 3 4]%期望的输出
net=newlind(P,T);%用输入和期望训练网络
Y=sim(net,P)%仿真，可以看到仿真结果Y和期望输出T的接近程度
P =
1 2 2 3
2 1 3 1
T =
1 2 3 4
Y =
0.8889 2.1667 3.0556 3.8889

楼主可以从《matlab神经网络与应用（第二版）》董长虹 开始入门神经网络的matlab实现

参考资料：《matlab神经网络与应用（第二版）》

C. 在matlab‘nftool’神经网络拟合工具箱界面，网络训练运行结果出现此种情况是哪里出现了问题啊。。。

那种情况啊，贴个图看看

D. matlab多元拟合，有4个自变量

不算解答，给个建议，因为这类问题本身无解。

1. 先看看每个单一变量和y的关系图:plot(x(:,i),y)看看什么图形

2. 观察图形然后做适当的变量变换后进行多元线性回归

3. 线性回归本质上是找出大体的关系
   

E. 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。

F. matlab中，关于多元函数的拟合matlab程序如何书写（4自变量1因变量）

题主的（4自变量1因变量）多元函数的拟合matlab程序。可以用nlinfit非线性回归函数来做（也可以用lsqcurvefit函数）。实现代码：

x1=[0.55 0.65 0.65 0.65 0.65 0.55 0.55 0.55 0.65]';

x2=[1.6 1.6 1.4 1.6 1.4 1.4 1.6 1.4 1.4]';

x3=[20 20 20 10 10 20 20 20 20]';

x4=[10 10 10 10 10 10 12 12 12]';

Y=[1.848 3.145 3.337 3.022 3.188 1.97 1.63 1.621 2.534]';

X=[x1 x2 x3 x4];

n=length(x1);

a0=rand(1,5);

func=@(a,X)(a(1)+a(2)*X(:,1)+a(3)*X(:,2)+a(4)*X(:,3)+a(5)*X(:,4));

[a,r,J] = nlinfit(X,Y,func,a0);a

Y1=func(a,X);

[Y Y1]

运行上述代码，可以得到

a1= -1.52778571412534；a2=11.4823809522886；a3= -0.359047619087202；a4=0.00441190476147387；a5=-0.23363095238449

多元函数表达式，y=a1+a2*x1+a3*x2+a4*x3+a5*x4

nlinfit与lsqcurvefit两者区别并不太大，前者用回归的方法来求解，而后者用最小二乘法来求解，两者都可以用于非线性函数和线性函数。

G. MATLAB中NETLAB工具箱如何实现预测多元数据是否需要用到其他的工具箱

数据准备：
我们以一组多项式数据为例，进行示例，假如多项式是y=4x^3+3x^2+2产生的数据，x取0到3之间间隔为0.3的数。具体数据如下：

调用工具箱：
关于如何调用工具箱我在其他经验中有详细的介绍，有兴趣的可以查看。
这里我们用命令cftool进行调用拟合工具箱，在MATLAB主窗口中输入 cftool 回车
可以看到如下拟合工具箱界面

拟合操作步骤：
首先我们将要拟合的数据选入到工具箱中，如下图，在红圈处，点击向下三角，分别将要拟合的x y 选入，然后点击右侧的最上方的下三角，然后选择polynomial（ 多项式），下面的degree是阶数，也就是x的最高次数，选择不同的degree，在图的左下角是拟合的结果，包括拟合的系数以及方差相关系数等，右侧是数据点，以拟合曲线。

结果分析：
我们拟合的时候，一般情况下不知道要拟合的多项式是几阶的，我们一般调节degree都是从1逐渐增大，只要精度符合要求，就可以了，并不是精度越高越高。
拟合结果说明：
Linear model Poly3:
f(x) = p1*x^3 + p2*x^2 + p3*x + p4
Coefficients (with 95% confidence bounds):
p1 = 4 (4, 4)
p2 = 3 (3, 3)
p3 = 4.593e-15 (-3.266e-14, 4.185e-14)
p4 = 2 (2, 2)

Goodness of fit:
SSE: 2.386e-28
R-square: 1
Adjusted R-square: 1
RMSE: 5.839e-15
从以上可以看到最终拟合的y关于x的函数为：
f(x)=4*x^3+3*x^2+4.593e-15*x+2
我们可以看到一次项的系数为4.593e-15，实际上就是4.593*10^（-15），这个数量级完全可以认为是0，所以拟合的结果我们认为是：
f(x)=4*x^3+3*x^2+2
这里的方差SSE数量级为10的负28次方，相关系数 R-square=1，说明拟合的结果很好。

H. 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。

I. 神经网络工具箱与编程实现哪个更好

首先说一下神经网络工具箱，在我刚刚接触神经网络的时候，我就利用工具箱去解决问题，这让我从直观上对神经网络有了了解，大概清楚了神经网络的应用范围以及它是如何解决实际问题的。
工具箱的优势在于我们不用了解其内部的具体实现，更关注于模型的建立与问题的分析，也就是说，如果抛开算法的错误，那么用工具箱来解决实际问题会让我们能把更多的精力放在实际问题的模型建立上，而不是繁琐的算法实现以及分析上。

其次谈谈编程实现神经网络，由于个人能力有限，所以只是简单的编程实现过一些基本神经算法，总的体会就是编程的过程让我对算法有了更透彻的理解，可以更深入的分析其内部运行机制，也同样可以实现一下自己的想法，构建自己的神经网络算法。

以上是我对两个方法的简单理解。那究竟哪个方法更好些呢？我个人的看法是要看使用者的目的是怎样的。

如果使用者的目的在于解决实际问题，利用神经网络的函数逼近与拟合功能实现自己对实际问题的分析与模型求解，那我的建议就是利用神经网络工具箱，学过编程语言的人都知道，无论用什么编程语言将一个现有的算法编程实现达到可用的结果这一过程都是及其繁琐与复杂的，就拿简单的经典BP神经网络算法来说，算法本身的实现其实并不难，可根据不同人的能力，编出来的程序的运行效率是大不相同的，而且如果有心人看过matlab的工具箱的源码的话，应该能发现，里面采用的方法并不完全是纯粹的BP经典算法，一个算法从理论到实现还要依赖与其他算法的辅助，计算机在计算的时候难免出现的舍入误差，保证权值的时刻改变，这都是编程人员需要考虑的问题，可能还有很多的问题
这样的话，如果自己单人编程去实现神经网络来解决实际问题的话，整体效率就没有使用工具箱更好。

如果使用者的目的在于分析算法，构造新的网络的话那当然首推自己编程实现。个人的感觉就是，如果真的是自己完全编程实现的话，对算法会有很深入的理解，在编程的调试过程中，也会领悟到很多自己从前从来没有考虑过的问题，像权值的初始的随机选取应该怎么样，将训练样本按什么顺序输入等，这都是编程实现所要考虑的问题，不同的方法得到的结果会有很大的差距。

J. matlab 神经网络工具箱可以拟合带虚数变量吗

方法/步骤

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
在如下界面中点击next

单击load example data set，得到我们需要的测试数据。

单击import

单击next

单击next

数字“10”表示有10个隐含层。单击next。

单击train，开始训练。

训练过程跳出的小窗口。

训练结果。其中MSE表示均方差，R 表示相关系数。单击next。

这里可以调整神经网络，也可以再次训练。单击next。

在这里，可以保存结果。如果不需要，直接finish。