matlab模糊神经网络工具箱

① matlab 有没有模糊神经网络工具箱

有，工具箱名称：anfisedit，以下是一些使用说明。
1． GUI工具
Anfisedit 打开ANFIS编辑内器GUI、Fuzzy 调用容基本FIS编辑器、Mfedit 隶属度函数编辑器、Ruleedit 规则编辑器和语法解析器、Ruleview 规则观察器和模糊推理方框图、Surfview输出曲面观察器
2． 隶属度函数
dsigmf 两个sigmoid型隶属度函数之差组成的隶属度函数、gauss2mf 建立两边型高斯隶属度函数、gaussmf 建立高斯曲线隶属度函数、gbellmf 建立一般钟型隶属度函数、pimf 建立Π型隶属度函数、psigmf 通过两个sigmoid型隶属度函数的乘积构造隶属度函数、smf 建立S-型隶属度函数、sigmf
建立Sigmoid型隶属度函数、trapmf 建立梯形隶属度函数、trimf 建立三角形隶属度函数、zmf 建立Z-型隶属度函数

② 用matlab的神经网络工具箱（nntool命令打开的窗口化工具）做bp神经网络时怎么生成误差曲

训练结束后，训练窗口里有一个plot区域，点击performance按钮，就能弹出误差曲线下降图。内

BP（Back Propagation）神经网络是86年由容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前馈网络，是目前应用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)。

③ 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。

④ MATLAB神经网络的目录

第1章 BP神经网络的数据分类——语音特征信号分类1
本案例选取了民歌、古筝、摇滚和流行四类不同音乐，用BP神经网络实现对这四类音乐的有效分类。
第2章 BP神经网络的非线性系统建模——非线性函数拟合11
本章拟合的非线性函数为y=x21+x22。
第3章 遗传算法优化BP神经网络——非线性函数拟合21
根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。
第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优36
对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。
第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模45
BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。
第6章 PID神经元网络解耦控制算法——多变量系统控制54
根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。
第7章 RBF网络的回归——非线性函数回归的实现65
本例用RBF网络拟合未知函数，预先设定一个非线性函数，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函数解析式不清楚的情况下，随机产生x1,x2和由这两个变量按上式得出的y。将x1,x2作为RBF网络的输入数据，将y作为RBF网络的输出数据，分别建立近似和精确RBF网络进行回归分析，并评价网络拟合效果。
第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测73
根据货运量影响因素的分析，分别取国内生产总值（GDP），工业总产值，铁路运输线路长度，复线里程比重，公路运输线路长度，等级公路比重，铁路货车数量和民用载货汽车数量8项指标因素作为网络输入，以货运总量，铁路货运量和公路货运量3项指标因素作为网络输出，构建GRNN，由于训练数据较少，采取交叉验证方法训练GRNN神经网络，并用循环找出最佳的SPREAD。
第9章 离散Hopfield神经网络的联想记忆——数字识别81
根据Hopfield神经网络相关知识，设计一个具有联想记忆功能的离散型Hopfield神经网络。要求该网络可以正确地识别0~9这10个数字，当数字被一定的噪声干扰后，仍具有较好的识别效果。
第10章 离散Hopfield神经网络的分类——高校科研能力评价90
某机构对20所高校的科研能力进行了调研和评价，试根据调研结果中较为重要的11个评价指标的数据，并结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。
第11章 连续Hopfield神经网络的优化——旅行商问题优化计算100
现对于一个城市数量为10的TSP问题，要求设计一个可以对其进行组合优化的连续型Hopfield神经网络模型，利用该模型可以快速地找到最优（或近似最优）的一条路线。
第12章 SVM的数据分类预测——意大利葡萄酒种类识别112
将这178个样本的50%做为训练集,另50%做为测试集,用训练集对SVM进行训练可以得到分类模型,再用得到的模型对测试集进行类别标签预测。
第13章 SVM的参数优化——如何更好的提升分类器的性能122
本章要解决的问题就是仅仅利用训练集找到分类的最佳参数，不但能够高准确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况发生。
第14章 SVM的回归预测分析——上证指数开盘指数预测133
对上证指数从1990.12.20-2009.08.19每日的开盘数进行回归分析。
第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测141
在这个案例里面我们将利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测。
若您对此书内容有任何疑问，可以凭在线交流卡登录中文论坛与作者交流。
第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测153
本案例中给出了一个含有60个个体基因表达水平的样本。每个样本中测量了114个基因特征，其中前20个样本是癌症病人的基因表达水平的样本(其中还可能有子类), 中间的20个样本是正常人的基因表达信息样本, 余下的20个样本是待检测的样本(未知它们是否正常)。以下将设法找出癌症与正常样本在基因表达水平上的区别，建立竞争网络模型去预测待检测样本是癌症还是正常样本。
第17章SOM神经网络的数据分类——柴油机故障诊断159
本案例中给出了一个含有8个故障样本的数据集。每个故障样本中有8个特征，分别是前面提及过的：最大压力(P1)、次最大压力(P2)、波形幅度(P3)、上升沿宽度(P4)、波形宽度(P5)、最大余波的宽度(P6)、波形的面积(P7)、起喷压力(P8)，使用SOM网络进行故障诊断。
第18章Elman神经网络的数据预测——电力负荷预测模型研究170
根据负荷的历史数据，选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段负荷的目的。
第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断176
本案例在对油中溶解气体分析法进行深入分析后，以改良三比值法为基础，建立基于概率神经网络的故障诊断模型。
第20章 神经网络变量筛选——基于BP的神经网络变量筛选183
本例将结合BP神经网络应用平均影响值（MIV，Mean Impact Value）方法来说明如何使用神经网络来筛选变量，找到对结果有较大影响的输入项，继而实现使用神经网络进行变量筛选。
第21章 LVQ神经网络的分类——乳腺肿瘤诊断188
威斯康星大学医学院经过多年的收集和整理，建立了一个乳腺肿瘤病灶组织的细胞核显微图像数据库。数据库中包含了细胞核图像的10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度），这些特征与肿瘤的性质有密切的关系。因此，需要建立一个确定的模型来描述数据库中各个量化特征与肿瘤性质的关系，从而可以根据细胞核显微图像的量化特征诊断乳腺肿瘤是良性还是恶性。
第22章 LVQ神经网络的预测——人脸朝向识别198
现采集到一组人脸朝向不同角度时的图像，图像来自不同的10个人，每人5幅图像，人脸的朝向分别为：左方、左前方、前方、右前方和右方。试创建一个LVQ神经网络，对任意给出的人脸图像进行朝向预测和识别。
第23章 小波神经网络的时间序列预测——短时交通流量预测208
根据小波神经网络原理在MATLAB环境中编程实现基于小波神经网络的短时交通流量预测。
第24章 模糊神经网络的预测算法——嘉陵江水质评价218
根据模糊神经网络原理，在MATLAB中编程实现基于模糊神经网络的水质评价算法。
第25章 广义神经网络的聚类算法——网络入侵聚类229
模糊聚类虽然能够对数据聚类挖掘，但是由于网络入侵特征数据维数较多，不同入侵类别间的数据差别较小，不少入侵模式不能被准确分类。本案例采用结合模糊聚类和广义神经网络回归的聚类算法对入侵数据进行分类。
第26章 粒子群优化算法的寻优算法——非线性函数极值寻优236
根据PSO算法原理，在MATLAB中编程实现基于PSO算法的函数极值寻优算法。
第27章 遗传算法优化计算——建模自变量降维243
在第21章中，建立模型时选用的每个样本（即病例）数据包括10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度）的平均值、10个量化特征的标准差和10个量化特征的最坏值（各特征的3个最大数据的平均值）共30个数据。明显，这30个输入自变量相互之间存在一定的关系，并非相互独立的，因此，为了缩短建模时间、提高建模精度，有必要将30个输入自变量中起主要影响因素的自变量筛选出来参与最终的建模。
第28章 基于灰色神经网络的预测算法研究——订单需求预测258
根据灰色神经网络原理，在MATLAB中编程实现基于灰色神经网络的订单需求预测。
第29章 基于Kohonen网络的聚类算法——网络入侵聚类268
根据Kohonen网络原理，在MATLAB软件中编程实现基于Kohonen网络的网络入侵分类算法。
第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类277
为了便于使用MATLAB编程的新用户，快速地利用神经网络解决实际问题，MATLAB提供了一个基于神经网络工具箱的图形用户界面。考虑到图形用户界面带来的方便和神经网络在数据拟合、模式识别、聚类各个领域的应用，MATLAB R2009a提供了三种神经网络拟合工具箱（拟合工具箱/模式识别工具箱/聚类工具箱）。

⑤ matlab怎么打开神经网络工具箱

在matlab命令窗口中，输入

>>nnstart %回车后就会弹出神经网络工具箱主窗口。

⑥ 用MATLAB做的模糊神经网络代码

您好，是这样的：
经过训练后的参数比较差，用原数据输入训练好的网络，得出结果和要的结果误差很大，不明白是怎么回事？

还有要是多输入多输出这段程序该怎么改？模糊神经网络可以用matlab工具箱实现吗？

还有输入数据差别比较大（就是大小差异大）是不是要进行归一化再学习训练呢？

求解，求解答！

对于你的帮助不胜感激！

clear all
clc
close all
tic,
%[x,y]=data;
x=[1 2 3 4 5 6 7 8;
-1 -2 -3 -4 -5 -6 -7 -8];
y=[2 3 4 5 6 7 8 9]; %%%%%--数据显示，输入为－两输入，输出为－单输出。--------样本为p2组
[p1,p2]=size(x);

% 隶属度函数个数
k=7;
% 初始化四个隶属度函数的参数A,B及输出层初始权值W
for i=1:p1;
for j=1:k;
m(i,j)=1+0.6*rand(1);
b(i,j)=1+0.6*rand(1);
end
end
for j=1:k*k;
w(j)=1+rand(1);
end
%%%---推理计算输出值
for q=1:p2;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%-----用同一隶属度参数对 输入样本 X 累计计算
% 选用高斯函数作为隶属度，求隶属度，共 size(x,2)+k 个。x(1) K个，x(2) K个
for i=1:p1;
for j=1:k;
u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);
end
end

% 模糊推理计算：a21,a22.几个隶属度函数，得出几个值，此处已知输入为2
%%%%----由以前的取小做法改为相乘—prod(x,1) or prod(x,2)———
v=[];
for i=1:k
for j=1:k
v=[v,u(1,i)*u(2,j)];
end
end

% 归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值
for i=1:length(v);
v1(i)=v(i)/sum(v);
end
% 系统输出
% out1(q)=w*v';
% e(q)=(y(q)-out1(q));
% end
% out=out1
out1(q)=w*v1';
e(q)=y(q)-out1(q);
end
out=out1;

%－ 三。参数修正过程。 增加方式，非批处理方式迭代
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%－－－－－－－－---------------------误差反向传播过程－－－-----------------------------------------
% 取误差函数：E＝(1/2)*sumsqr(t-y)
E=(1/2)*sumsqr(y-out);
EE=E;
% e=sum(y-out)
lr=0.3; % c2=zeros(2,2);
%%%%----------------------------------------误差反传后的参数修正过程-------------------
r=1; %
p=1;
s=1000; %
% e(r)=y(r)-out(r);
while p<=s & EE>0.05
%%%%%%%%%%%%%_____隶属度参数 M. B 输出层权值参数 W 的修正过程_____%%%%%%%%%%%%
%%1.--W
wc=zeros(1,k*k);
for i=1:k*k;
wc(i)=-lr*e(r)*v1(i);
end
%%2.--M
mc=zeros(p1,k);
for i=1:p1;
for j=1:k;
mc(i,j)=2*lr*e(r) * w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))* (x(i,r)-m(i,j))/(b(i,j).^2);
end
end
%%3.--B
bc=zeros(p1,k);
for i=1:p1;
for j=1:k;
bc(i,j)=2*lr*e(r)* w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2)) * ((x(i,r)-m(i,j)).^2)/(b(i,j).^3);
end
end
% 4.参数修正 m b w
m=m-mc;
b=b-bc;
w=w-wc;
%%%%%%%%%%%_______利用修正后的参数重新计算_____________%%%%%%%%%%%%%%%%%%%%%
% 5.利用修正过的参数重新计算输出
for q=1:p2;
for i=1:p1;
for j=1:k;
u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);
end
end
v=[];
for i=1:7
for j=1:7
v=[v,u(1,i)*u(2,j)];
end
end

% 归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值
for i=1:length(v)
v1(i)=v(i)/sum(v);
end
out1(q)=w*v1';
end
out=out1;
p=p+1;
EE=(1/2)*sumsqr(y-out);
E(p)=EE;
r=r+1;
if r>p2
r=1;
end
e(r)=(y(r)-out(r));
end
%%%%%%%%%%%%%%%%%%%________________当误差或迭代步数满足要求后得到结果_________________%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
m,b,w,E_out=EE,e
epoch=1:size(E,2);
figure
plot(epoch,E,'-r');
% plot(epoch,out(1),'b');
% axis([0 1.5*s min(E) max(E)]);
% set(gca,'fontsize',8);
% set(gca,'xtick',0:s/10:1.5*s);
%set(gca,'ytick',1e-30:1e5:1e5);
%set(gcf,'color','b')
title('误差变化曲线');xlabel('步数');ylabel('误差');
toc
%% %% 泛化过程

⑦ 哪个版本的matlab有神经网络工具箱

一般都有的，输入nntool可以使用matlab神经网络GUI界面的工具箱，也可以自己在M文件编程，现在一般matlab里面都有神经网络的相关函数，直接调用的，很方便

⑧ MATLAB神经网络工具箱configure函数使用

你想要什么解释？这句话是在为你的神经网络（net）配置每个RTDX缓冲channel中的字节位数（p）和缓冲channel的数量（t）。RTDX（real time data exchange）实时数据交换。如果你懂低级计算机编程语言的话应该很好理解。这句话基本可以大致理解为为你的神经网络划出一个计算的空间。神经网络算法本身极其复杂，甚至有很多conference是专门讨论该算法的。matlab作为高级程序语言，出发点是把所有算法打包好使用户方便使用。要做到这个对一些基础算法来说并不难。但是神经网络本身就是一大堆算法的集成，简单打包算法不太可能。使用这个工具箱你只需要知道大致原理，再找几个模板依样画葫芦练习一下就可以了，没必要全弄明白