matlab神经网络工具箱创建神经网络.docx
《matlab神经网络工具箱创建神经网络.docx》由会员分享,可在线阅读,更多相关《matlab神经网络工具箱创建神经网络.docx(13页珍藏版)》请在冰豆网上搜索。
![matlab神经网络工具箱创建神经网络.docx](https://file1.bdocx.com/fileroot1/2023-2/7/02bc24ad-a261-4210-b498-b3892715bdc7/02bc24ad-a261-4210-b498-b3892715bdc71.gif)
matlab神经网络工具箱创建神经网络
matlab神经网络工具箱创建神经网络
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,XX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
clearall;
clc;
P=[1100.8072400.21511821.5;
1102.8652400.11521212;
1102.592400.11242411.5;
2200.62400.31231821;
22032400.32532111.5;
1101.5622400.31531811.5;
1100.5472400.3151921.5];
01.3183000.11521812];
T=[54248162787168380314797;
28614639586963782898;
86002402710644415328084;
230802445102362823335913;
602571278927675373541;
346159353280762110049;
56783172907164548144040];
@907117437120368130179];
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,[124],{'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1000步
net.trainParam.goal=0.001;%训练目标最小误差0.001
net.trainParam.show=10;%每间隔10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=[1101.3183000.11521812];
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,trainingstate,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,trainingstate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,tobecontinue……
20111130
神经网络工具箱
版本7.0(R2010b)
图形用户界面功能。
nnstart-神经网络启动GUI
nctool-神经网络分类工具
nftool-神经网络的拟合工具
nntraintool-神经网络的训练工具
nprtool-神经网络模式识别工具
ntstool-NFTool神经网络时间序列的工具
nntool-神经网络工具箱的图形用户界面。
查看-查看一个神经网络。
网络的建立功能。
cascadeforwardnet-串级,前馈神经网络。
competlayer-竞争神经层。
distdelaynet-分布时滞的神经网络。
elmannet-Elman神经网络。
feedforwardnet-前馈神经网络。
fitnet-函数拟合神经网络。
layrecnet-分层递归神经网络。
linearlayer-线性神经层。
lvqnet-学习矢量量化(LVQ)神经网络。
narnet-非线性自结合的时间序列网络。
narxnet-非线性自结合的时间序列与外部输入网络。
newgrnn-设计一个广义回归神经网络。
newhop-建立经常性的Hopfield网络。
newlind-设计一个线性层。
newpnn-设计概率神经网络。
newrb-径向基网络设计。
newrbe-设计一个确切的径向基网络。
patternnet-神经网络模式识别。
感知-感知。
selforgmap-自组织特征映射。
timedelaynet-时滞神经网络。
利用网络。
网络-创建一个自定义神经网络。
SIM卡-模拟一个神经网络。
初始化-初始化一个神经网络。
适应-允许一个神经网络来适应。
火车-火车的神经网络。
DISP键-显示一个神经网络的属性。
显示-显示的名称和神经网络属性
adddelay-添加延迟神经网络的反应。
closeloop-神经网络的开放反馈转换到关闭反馈回路。
formwb-表格偏见和成单个向量的权重。
getwb-将它作为一个单一向量中的所有网络权值和偏差。
noloop-删除神经网络的开放和关闭反馈回路。
开环-转换神经网络反馈,打开封闭的反馈循环。
removedelay-删除延迟神经网络的反应。
separatewb-独立的偏见和重量/偏置向量的权重。
setwb-将所有与单个矢量网络权值和偏差。
Simulink的支持。
gensim-生成Simulink模块来模拟神经网络。
setsiminit-集神经网络的Simulink模块的初始条件
getsiminit-获取神经网络Simulink模块的初始条件
神经元-神经网络Simulink的模块库。
培训职能。
trainb-批具有重量与偏见学习规则的培训。
trainbfg-的BFGS拟牛顿倒传递。
trainbr-贝叶斯规则的BP算法。
trainbu-与重量与偏见一批无监督学习规则的培训。
trainbuwb-与体重无监督学习规则与偏见一批培训。
trainc-循环顺序重量/偏见的培训。
traincgb-共轭鲍威尔比尔重新启动梯度反向传播。
traincgf-共轭弗莱彻-里夫斯更新梯度反向传播。
traincgp-共轭波拉克-Ribiere更新梯度反向传播。
traingd-梯度下降反向传播。
traingda-具有自适应LR的反向传播梯度下降。
traingdm-与动量梯度下降。
traingdx-梯度下降瓦特/惯性与自适应LR的反向传播。
trainlm-采用Levenberg-马奎德倒传递。
trainoss-一步割线倒传递。
trainr-随机重量/偏见的培训。
trainrp-RPROP反向传播。
trainru-无监督随机重量/偏见的培训。
火车-顺序重量/偏见的培训。
trainscg-规模化共轭梯度BP算法。
绘图功能。
plotconfusion-图分类混淆矩阵。
ploterrcorr-误差自相关时间序列图。
ploterrhist-绘制误差直方图。
plotfit-绘图功能适合。
plotinerrcorr-图输入错误的时间序列的互相关。
plotperform-小区网络性能。
plotregression-线性回归情节。
plotresponse-动态网络图的时间序列响应。
plotroc-绘制受试者工作特征。
plotsomhits-小区自组织图来样打。
plotsomnc-小区自组织映射邻居的连接。
plotsomnd-小区自组织映射邻居的距离。
plotsomplanes-小区自组织映射重量的飞机。
plotsompos-小区自组织映射重量立场。
plotsomtop-小区自组织映射的拓扑结构。
plottrainstate-情节训练状态值。
plotwb-图寒春重量和偏差值图。
列出其他神经网络实现的功能。
nnadapt-适应职能。
nnderivative-衍生功能。
nndistance-距离函数。
nndivision-除功能。
nninitlayer-初始化层功能。
nninitnetwork-初始化网络功能。
nninitweight-初始化权函数。
nnlearn-学习功能。
nnnetinput-净输入功能。
nnperformance-性能的功能。
nnprocess-处理功能。
nnsearch-线搜索功能。
nntopology-拓扑结构的功能。
nntransfer-传递函数。
nnweight-重量的功能。
示例,数据集和其他资源
nndemos-神经网络工具箱的示威。
nndatasets-神经网络工具箱的数据集。
nntextdemos-神经网络设计教科书的示威。
nntextbook-神经网络设计教科书的资讯。