神经网络工具箱应用实例

⑴ 神经网络算法实例说明有哪些

在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人、复杂系统控制等等。

纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。

⑵ matlabBP神经网络工具箱，可以调整隐含层节点数嘛

Matlab神经网络工具箱几乎包含了现有神经网络的最新成果，神经网络工具箱模型包括感知回器、线性网络、答BP网络、径向基函数网络、竞争型神经网络、自组织网络和学习向量量化网络、反馈网络BP神经网络具有很强的映射能力，主要用于模式识别分类、函数逼近、函数压缩等。下面通过实例来说明BP网络在函数逼近方面的应用需要逼近的函数是f(x)=1+sin(k*pi/2*x),其中，选择k=2进行仿真，设置隐藏层神经元数目为n,n可以改变，便于后面观察隐藏层节点与函数逼近能力的关系。

⑶ 求MATLAB解运筹学实例问题！

这个网站的东西不少。

数学建模讲义
清华大学数模讲义（姜启源） 浙江大学数模讲义（刘利刚）
人口模型讲义（中科大 ，zizi） 神经网络等模型讲义（中科大，zizi）
QuickPass系统排队问题 （中科大，谢瑶） 国防科技大学数模讲义
西点军校军事数学建模 纽约大学数学建模课笔记
优化模型与Lindo/Lingo优化软件（清华，谢金星）

数学建模书籍
工科数学基地建设丛书-数学建模优秀案例选编 数学建模（修订本）
数学建模——方法与范例 数学建模竞赛教程
数学建模与数学实验 数学模型
数学模型（第二版） 数学模型2
数学模型3 数学模型基础
数学模型建模分析 数学建模实用教程

英文论文写作讲义
Ohio University 的数学英文写作指导

数学工具资料
Matlab
综合
Matlab5.3精要、编程及高级应用 Matlab6.0数学手册
Matlab5.0语言与程序设计 Matlab5手册
精通Matlab综合辅导与指南 Matlab语法与绘图
Matlab资源教程 精通和掌握Matlab
Matlab详细手册 用Maple和Matlab解决科学计算问题
精通Matlab6.5 Matlab作图
Matlab实用教程 Matlab工具箱总汇
Matlab微分方程的解法 Matlab编程（英文影印版，第二版）
Matlab编程风格指南 Matlab讲座
神经网络工具箱
Matlab神经网络工具箱函数 Matlab神经网络工具箱应用简介
图象处理
Matlab6.0图形图像处理函数 利用Matlab实现图像处理
MATLAB6.x图像处理
数字信号处理
Matlab下的数字信号处理示例 数字信号处理及其Matlab实现
优化工具箱
MATLAB6.5辅助优化计算与设计 Matlab处理优化问题
符号计算工具箱
Matlab符号计算工具箱应用简介
模糊数学工具箱
Matlab模糊逻辑工具箱函数
偏微分方程工具箱
Matlab偏微分方程工具箱应用简介
数理统计工具箱
Matlab数理统计工具箱应用简介
小波算法工具箱
MATLAB6.5辅助小波分析与应用
仿真工具箱
Matlab仿真命令集
Mathematica
Mathematica教程
Maple
Maple教程 Maple6实例教程
用Maple5学习线性代数 Maple5实例教程
SAS
SAS V8基础教程 SAS教程
SAS6.12教程 SAS TUTOR简介
SPSS
SPSS操作 SPSS基本统计分析
SPSS均值比较与检验 SPSS方差分析
SPSS相关分析 SPSS回归分析
SPSS非参数检验 SPSS主成分分析与因子分析
SPSS聚类分析与判别分析
S-Plus
S-Plus使用简介
Lindo，Lingo
用Lindo解运筹学问题 Lindo软件包介绍
Origin
Origin6.0实例教程
Latex
Latex使用手册

数学建模程序
神经网络Matlab程序（2001年北大B题）

⑷ matlab中bp神经网络的工具箱怎么用，不要matlab程序，就工具箱怎么实现问题的解决

matlab中神经网络的工具箱：输入nntool，就会弹出一个对话框，然后你就可以根据弹出框的指示来操作。

⑸ 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

⑹ 如何用c#调用Matlab神经网络的工具箱

如果是用Matlab提供的GUI界面，在命令窗口输入命令nntool回车即可。 建议不要用GUI界面，直接在代码中调用神经网络工具箱，使用更方便，参数设置更明了。神经网络工具箱提供多个函数接口，不同的神经网络对应不同的函数

⑺ 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)

⑻ 直接用神经网络工具箱构建bp神经网络，希望能给个例子说明，有注解最好，本人matlab新手，谢谢

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层专前馈网络，是目前应用属最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

附件就是利用神经网络工具箱构建BP神经网络进行预测的实例。如果要用可视化工具，可以在命令窗口输入nntool.

%%BP算法
functionOut=bpnet(p,t,p_test)
%p,t为样本需要提前组织好
globalS1
net=newff(minmax(p),[S1,8],{'tansig','purelin'},'trainlm');%trainlm训练函数最有效
%net=newff(P,T,31,{'tansig','purelin'},'trainlm');%新版用法
net.trainParam.epochs=1000;
net.trainParam.goal=0.00001;
net.trainParam.lr=0.01;
net.trainParam.showWindow=false;%阻止训练窗口的弹出
net.trainParam.showCommandLine=false;%阻止训练窗口的弹出
net=train(net,p,t);
Out=sim(net,p_test);
end