神經網絡matlab(卷積神經網絡matlab)

matlab訓練神經網絡，performance圖中的best曲線意思是什么？表示達到最小精度了么？

精度是自己設定的，是那個水平的直線，這里的神經網絡沒有best曲線，就是個goal和training兩條的。是訓練過程中的誤差曲線，表示經過X次訓練，感知器輸出達到目標值，也就是感知器的輸出已經和目標向量一致了。

每一代BP訓練過程的MSE指標的性能，每一代BP交叉驗證過程的MSE指標shu的性能以及BP測試的MSE指標在每一代中執行的過程。 特別是，應該注意內部的TEST紅線，這是BP計算/訓練結果。

擴展資料：

BP（Back Propagation）神經網絡是由Rumelhart和McCelland領導的一組科學家于1986年提出的。BP（Back Propagation）是由反向傳播誤差反向傳播算法訓練的多層前饋網絡，是使用最廣泛的神經網絡模型之一。

BP網絡可以學習并存儲大量的輸入-輸出模式映射關系，而無需事先揭示描述這些映射關系的數學方程式。 BP網絡的學習規則是使用最速下降法，并通過反向傳播來不斷調整網絡的權重和閾值，以最小化網絡的平方誤差之和。 BP神經網絡模型的拓撲包括輸入層，隱藏層和輸出層。

參考資料來源：百度百科-BP神經網絡

matlab中的BP神經網絡

從原理上來說，神經網絡是可以預測未來的點的。
實際上，經過訓練之后，神經網絡就擬合了輸入和輸出數據之間的函數關系。只要訓練的足夠好，那么這個擬合的關系就會足夠準確，從而能夠預測在其他的輸入情況下，會有什么樣的輸出。
如果要預測t=[6
7]兩點的R值，先以t=[1
2
3
4
5]作為輸入，R=[12
13
14
14
15]作為輸出，訓練網絡。訓練完成之后，用t=[2
3
4
5
6]作為輸入，這樣會得到一個輸出。不出意外的話，輸出的數組應該是[13
14
14
15
X],這里的X就是預測t=6時的R值。然后以t=[3
4
5
6
7]作為輸入，同理得到t=7時候的R值。
根據我的神經網絡預測，t=6時，R=15，t=7時，R=15。我不知道這個結果是否正確，因為神經網絡通常需要大量的數據來訓練，而這里給的數據似乎太少，可能不足以擬合出正確的函數。

Matlab神經網絡原理中可以用于尋找最優解的算法有哪些？

若果對你有幫助，請點贊。
神經網絡的結構（例如2輸入3隱節點1輸出）建好后，一般就要求神經網絡里的權值和閾值。現在一般求解權值和閾值，都是采用梯度下降之類的搜索算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等），這些算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種算法適用于解決不同的問題），使初始解根據這個方向和步長移動后，能使目標函數的輸出（在神經網絡中就是預測誤差）下降。 然后將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網絡中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。
而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。
學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那么梯度下降法中每次調整的步長就是0.1*梯度，
而在matlab神經網絡工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
機制如下：
if newE2/E2 > maxE_inc %若果誤差上升大于閾值
lr = lr * lr_dec; %則降低學習率
el
if newE2 < E2 %若果誤差減少
lr = lr * lr_inc;%則增加學習率
end
詳細的可以看《神經網絡之家》nnetinfo里的《[重要]寫自己的BP神經網絡(traingd)》一文，里面是matlab神經網絡工具箱梯度下降法的簡化代碼

MATLAB神經網絡的目錄

第1章 BP神經網絡的數據分類——語音特征信號分類1
本案例選取了民歌、古箏、搖滾和流行四類不同音樂，用BP神經網絡實現對這四類音樂的有效分類。
第2章 BP神經網絡的非線性系統建模——非線性函數擬合11
本章擬合的非線性函數為y=x21+x22。
第3章 遺傳算法優化BP神經網絡——非線性函數擬合21
根據遺傳算法和BP神經網絡理論，在MATLAB軟件中編程實現基于遺傳算法優化的BP神經網絡非線性系統擬合算法。
第4章 神經網絡遺傳算法函數極值尋優——非線性函數極值尋優36
對于未知的非線性函數，僅通過函數的輸入輸出數據難以準確尋找函數極值。這類問題可以通過神經網絡結合遺傳算法求解，利用神經網絡的非線性擬合能力和遺傳算法的非線性尋優能力尋找函數極值。
第5章 基于BP_Adaboost的強分類器設計——公司財務預警建模45
BP_Adaboost模型即把BP神經網絡作為弱分類器，反復訓練BP神經網絡預測樣本輸出，通過Adaboost算法得到多個BP神經網絡弱分類器組成的強分類器。
第6章 PID神經元網絡解耦控制算法——多變量系統控制54
根據PID神經元網絡控制器原理，在MATLAB中編程實現PID神經元網絡控制多變量耦合系統。
第7章 RBF網絡的回歸——非線性函數回歸的實現65
本例用RBF網絡擬合未知函數，預先設定一個非線性函數，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函數解析式不清楚的情況下，隨機產生x1,x2和由這兩個變量按上式得出的y。將x1,x2作為RBF網絡的輸入數據，將y作為RBF網絡的輸出數據，分別建立近似和精確RBF網絡進行回歸分析，并評價網絡擬合效果。
第8章 GRNN的數據預測——基于廣義回歸神經網絡的貨運量預測73
根據貨運量影響因素的分析，分別取國內生產總值（GDP），工業總產值，鐵路運輸線路長度，復線里程比重，公路運輸線路長度，等級公路比重，鐵路貨車數量和民用載貨汽車數量8項指標因素作為網絡輸入，以貨運總量，鐵路貨運量和公路貨運量3項指標因素作為網絡輸出，構建GRNN，由于訓練數據較少，采取交叉驗證方法訓練GRNN神經網絡，并用循環找出最佳的SPREAD。
第9章 離散Hopfield神經網絡的聯想記憶——數字識別81
根據Hopfield神經網絡相關知識，設計一個具有聯想記憶功能的離散型Hopfield神經網絡。要求該網絡可以正確地識別0~9這10個數字，當數字被一定的噪聲干擾后，仍具有較好的識別效果。
第10章 離散Hopfield神經網絡的分類——高校科研能力評價90
某機構對20所高校的科研能力進行了調研和評價，試根據調研結果中較為重要的11個評價指標的數據，并結合離散Hopfield神經網絡的聯想記憶能力，建立離散Hopfield高校科研能力評價模型。
第11章 連續Hopfield神經網絡的優化——旅行商問題優化計算100
現對于一個城市數量為10的TSP問題，要求設計一個可以對其進行組合優化的連續型Hopfield神經網絡模型，利用該模型可以快速地找到最優（或近似最優）的一條路線。
第12章 SVM的數據分類預測——意大利葡萄酒種類識別112
將這178個樣本的50%做為訓練集,另50%做為測試集,用訓練集對SVM進行訓練可以得到分類模型,再用得到的模型對測試集進行類別標簽預測。
第13章 SVM的參數優化——如何更好的提升分類器的性能122
本章要解決的問題就是僅僅利用訓練集找到分類的最佳參數，不但能夠高準確率的預測訓練集而且要合理的預測測試集，使得測試集的分類準確率也維持在一個較高水平，即使得得到的SVM分類器的學習能力和推廣能力保持一個平衡，避免過學習和欠學習狀況發生。
第14章 SVM的回歸預測分析——上證指數開盤指數預測133
對上證指數從1990.12.20-2009.08.19每日的開盤數進行回歸分析。
第15章 SVM的信息粒化時序回歸預測——上證指數開盤指數變化趨勢和變化空間預測141
在這個案例里面我們將利用SVM對進行模糊信息粒化后的上證每日的開盤指數進行變化趨勢和變化空間的預測。
若您對此書內容有任何疑問，可以憑在線交流卡登錄中文論壇與作者交流。
第16章 自組織競爭網絡在模式分類中的應用——患者癌癥發病預測153
本案例中給出了一個含有60個個體基因表達水平的樣本。每個樣本中測量了114個基因特征，其中前20個樣本是癌癥病人的基因表達水平的樣本(其中還可能有子類), 中間的20個樣本是正常人的基因表達信息樣本, 余下的20個樣本是待檢測的樣本(未知它們是否正常)。以下將設法找出癌癥與正常樣本在基因表達水平上的區別，建立競爭網絡模型去預測待檢測樣本是癌癥還是正常樣本。
第17章SOM神經網絡的數據分類——柴油機故障診斷159
本案例中給出了一個含有8個故障樣本的數據集。每個故障樣本中有8個特征，分別是前面提及過的：最大壓力(P1)、次最大壓力(P2)、波形幅度(P3)、上升沿寬度(P4)、波形寬度(P5)、最大余波的寬度(P6)、波形的面積(P7)、起噴壓力(P8)，使用SOM網絡進行故障診斷。
第18章Elman神經網絡的數據預測——電力負荷預測模型研究170
根據負荷的歷史數據，選定反饋神經網絡的輸入、輸出節點，來反映電力系統負荷運行的內在規律，從而達到預測未來時段負荷的目的。
第19章 概率神經網絡的分類預測——基于PNN的變壓器故障診斷176
本案例在對油中溶解氣體分析法進行深入分析后，以改良三比值法為基礎，建立基于概率神經網絡的故障診斷模型。
第20章 神經網絡變量篩選——基于BP的神經網絡變量篩選183
本例將結合BP神經網絡應用平均影響值（MIV，Mean Impact Value）方法來說明如何使用神經網絡來篩選變量，找到對結果有較大影響的輸入項，繼而實現使用神經網絡進行變量篩選。
第21章 LVQ神經網絡的分類——乳腺腫瘤診斷188
威斯康星大學醫學院經過多年的收集和整理，建立了一個乳腺腫瘤病灶組織的細胞核顯微圖像數據庫。數據庫中包含了細胞核圖像的10個量化特征（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度），這些特征與腫瘤的性質有密切的關系。因此，需要建立一個確定的模型來描述數據庫中各個量化特征與腫瘤性質的關系，從而可以根據細胞核顯微圖像的量化特征診斷乳腺腫瘤是良性還是惡性。
第22章 LVQ神經網絡的預測——人臉朝向識別198
現采集到一組人臉朝向不同角度時的圖像，圖像來自不同的10個人，每人5幅圖像，人臉的朝向分別為：左方、左前方、前方、右前方和右方。試創建一個LVQ神經網絡，對任意給出的人臉圖像進行朝向預測和識別。
第23章 小波神經網絡的時間序列預測——短時交通流量預測208
根據小波神經網絡原理在MATLAB環境中編程實現基于小波神經網絡的短時交通流量預測。
第24章 模糊神經網絡的預測算法——嘉陵江水質評價218
根據模糊神經網絡原理，在MATLAB中編程實現基于模糊神經網絡的水質評價算法。
第25章 廣義神經網絡的聚類算法——網絡入侵聚類229
模糊聚類雖然能夠對數據聚類挖掘，但是由于網絡入侵特征數據維數較多，不同入侵類別間的數據差別較小，不少入侵模式不能被準確分類。本案例采用結合模糊聚類和廣義神經網絡回歸的聚類算法對入侵數據進行分類。
第26章 粒子群優化算法的尋優算法——非線性函數極值尋優236
根據PSO算法原理，在MATLAB中編程實現基于PSO算法的函數極值尋優算法。
第27章 遺傳算法優化計算——建模自變量降維243
在第21章中，建立模型時選用的每個樣本（即病例）數據包括10個量化特征（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度）的平均值、10個量化特征的標準差和10個量化特征的最壞值（各特征的3個最大數據的平均值）共30個數據。明顯，這30個輸入自變量相互之間存在一定的關系，并非相互獨立的，因此，為了縮短建模時間、提高建模精度，有必要將30個輸入自變量中起主要影響因素的自變量篩選出來參與最終的建模。
第28章 基于灰色神經網絡的預測算法研究——訂單需求預測258
根據灰色神經網絡原理，在MATLAB中編程實現基于灰色神經網絡的訂單需求預測。
第29章 基于Kohonen網絡的聚類算法——網絡入侵聚類268
根據Kohonen網絡原理，在MATLAB軟件中編程實現基于Kohonen網絡的網絡入侵分類算法。
第30章 神經網絡GUI的實現——基于GUI的神經網絡擬合、模式識別、聚類277
為了便于使用MATLAB編程的新用戶，快速地利用神經網絡解決實際問題，MATLAB提供了一個基于神經網絡工具箱的圖形用戶界面。考慮到圖形用戶界面帶來的方便和神經網絡在數據擬合、模式識別、聚類各個領域的應用，MATLAB R2009a提供了三種神經網絡擬合工具箱（擬合工具箱/模式識別工具箱/聚類工具箱）。

如何利用matlab進行神經網絡預測

matlab 帶有神經網絡工具箱，可直接調用，建議找本書看看，或者MATLAB論壇找例子。
核心調用語句如下：
%數據輸入

%選連樣本輸入輸出數據歸一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP網絡訓練
% %初始化網絡結構
net=newff(inputn,outputn,[8 8]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%網絡訓練
net=train(net,inputn,outputn);
%% BP網絡預測
%預測數據歸一化
inputn_test=mapminmax('apply',input_test,inputps);
%網絡預測輸出
an=sim(net,inputn_test);
%網絡輸出反歸一化
BPoutput=mapminmax('rever',an,outputps);
%% 結果分析