1、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clear all;clc;P=110 0.807 240 0.2 15 1 18 2 1.5;110 2.865 240 0.1 15 2 12 1 2;110 2.59 240 0.1 12 4 24 1 1.5;220 0.6 240 0.3 12 3 18 2 1;220 3 240 0.3 25 3 21 1 1.5;110 1.562 2
2、40 0.3 15 3 18 1 1.5;110 0.547 240 0.3 15 1 9 2 1.5;0 1.318 300 0.1 15 2 18 1 2;T=54248 162787 168380 314797;28614 63958 69637 82898;86002 402710 644415 328084;230802 445102 362823 335913;60257 127892 76753 73541;34615 93532 80762 110049;56783 172907 164548 144040;907 117437 120368 130179;m=max(max(
3、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,12 4,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
4、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0.001net.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0.05bpnet=train(bpnet,P,T);%-p=110 1.318 300 0.1 15 2 18 1 2;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,training state,以
5、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,
6、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,training state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,to be continue20111130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 -
7、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。 li
8、nearlayer - 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
9、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。 rem
10、ovedelay - 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。 train
11、bu - 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
12、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。 plotregressio
13、n - 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。
14、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。
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1