matlab神經網絡(matlab神經網絡43個案例分析)

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中一些函數，用于神經網絡

一：minmax（）

minmax(A) 即是求解A矩陣中每個 行向量 中的最小值和最大值

eg：A=[1 2 4 -6 ;

             3 -4 90 6;

             4 6 -23 -35];

         P=minmax(A)

         P = -6    4

              -4    90

              -35    6

二：hold on 和hold off

hold on 是當前軸及圖像保持而不被刷新，準備接受此后將繪制的圖形，多圖共存.即，啟動圖形保持功能，當前坐標軸和圖形都將保持，從此繪制的圖形都將添加在這個圖形的基礎上，并自動調整坐標軸的范圍。

hold off 使當前軸及圖像不再具備被刷新的性質，新圖出現時，取消原圖。即，關閉圖形保持功能。

hold on 和hold off，是相對使用的

前者的意思是，你在當前圖的軸（坐標系）中畫了一幅圖，再畫另一幅圖時，原來的圖還在，與新圖共存，都看得到

后者表達的是，你在當前圖的軸（坐標系）中畫了一幅圖，此時，狀態是hold off,則再畫另一幅圖時，原來的圖就看不到了，在軸上繪制的是新圖，原圖被替換了。

三：rand 和 randn

rand是0-1的均勻分布，randn是均值為0方差為1的正態分布；

rand(n)或randn(n)生成n*n的隨機數矩陣。

rand(n,m)或randn(m,n)生成m*n的隨機數矩陣。

四：gac、gca 和 gco

gcf 返回當前Figure對象的句柄值

gca 返回當前axes對象的句柄值

gco 返回當前鼠標單擊的句柄值，該對象可以是除root對象外的任意圖形對象，并且Matlab會把當前圖形對象的句柄值存放在Figure的CurrentObject屬性中。

五：compet

compet是神經網絡的競爭傳遞函數，用于指出矩陣中每列的最大值。對應最大值的行的值為1，其他行的值都為0。

六：bar和barn

二維條形圖：bar（）

bar(Y) 如果Y為矢量，其每一個元素繪制一個條形；如果Y為矩陣，側bar函數對每一行元素繪制的條形進行分組。

bar(x,Y) 按x中指定的位置繪制Y中每一元素的條形。

bar(…,width) 設置相鄰條形的寬度并控制組內條形的分離，默認值為0.8，如果指定width=1,則組內的條形挨在一起。

bar(…,’style’) 指定繪制條形的類型，style有兩個選項：（1） stacked 矩陣Y中每一行繪制一個條形，條形的高度為行元素中元素的和，每一個條形都用多種顏色表示，顏色對應不同種類的元素并表示每行元素對總和的相對貢獻。（2） group 繪制n條形圖組，每一個條形組中有m個垂直條形，其中n對應矩陣Y的行數，m對應列數，group為style的默認值。

bar(…,LineSpec) 用LineSpec指定的顏色繪制條形。

h=bar(…) 返回圖形句柄。

barh(…) 繪制水平條形圖。

h=barh(…) 返回水平條形圖的圖形句柄。

三維條形圖：bar3（）和barah（）

bar3(Y) 繪制三維條形圖，如果Y為矢量，其每一個元素繪制一個條形；如果Y為矩陣，側bar函數對每一行元素繪制的條形進行分組。

bar3(x,Y) 按x中指定的位置繪制Y中每一元素的條形。

bar3(…,width) 設置相鄰條形的寬度并控制組內條形的分離，默認值為0.8，如果指定width=1,則組內的條形挨在一起。

bar3(…,’style’) 指定繪制條形的類型，style有3個選項：（1） stacked 矩陣Y中每一行繪制一個條形，條形的高度為行元素中元素的和，每一個條形都用多種顏色表示，顏色對應不同種類的元素并表示每行元素對總和的相對貢獻。（2） group 繪制n條形圖組，每一個條形組中有m個垂直條形，其中n對應矩陣Y的行數，m對應列數，group為style的默認值。（3） detached 在x方向用單獨的條形塊繪制Y中的每一行元素，detached為style的默認值；

bar3(…,LineSpec) 用LineSpec指定的顏色繪制條形。

h=bar3(…) 返回三維條形圖的圖形句柄。

barh(…) 繪制三維水平條形圖。

h=barh(…) 返回三維水平條形圖的圖形句柄。

三維條形圖有兩種顯示形式：分組形式和行列形式。

未完待續

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神經網絡工具箱訓練出來的函數，怎么輸出得到函數代碼段

這樣：

clear;

%輸入數據矩陣

p1=zeros(1,1000);

p2=zeros(1,1000);

%填充數據

for i=1:1000

p1(i)=rand;

p2(i)=rand;

end

%輸入層有兩個，樣本數為1000

p=[p1;p2];

%目標（輸出）數據矩陣，待擬合的關系為簡單的三角函數

t = cos(pi*p1)+sin(pi*p2);

%對訓練集中的輸入數據矩陣和目標數據矩陣進行歸一化處理

[pn, inputStr] = mapminmax(p);

[tn, outputStr] = mapminmax(t);

%建立BP神經網絡

net = newff(pn, tn, [200,10]);

%每10輪回顯示一次結果

net.trainParam.show = 10;

%最大訓練次數

net.trainParam.epochs = 5000;

%網絡的學習速率

net.trainParam.lr = 0.05;

%訓練網絡所要達到的目標誤差

net.trainParam.goal = 10^(-8);

%網絡誤差如果連續6次迭代都沒變化，則matlab會默認終止訓練。為了讓程序繼續運行，用以下命令取消這條設置

net.divideFcn = '';

%開始訓練網絡

net = train(net, pn, tn);

%訓練完網絡后要求網絡的權值w和閾值b

%獲取網絡權值、閾值

netiw = net.iw;

netlw = net.lw;

netb = net.b;

w1 = net.iw{1,1}; %輸入層到隱層1的權值

b1 = net.b{1} ; %輸入層到隱層1的閾值

w2 = net.lw{2,1}; %隱層1到隱層2的權值

b2 = net.b{2} ; %隱層1到隱層2的閾值

w3 = net.lw{3,2}; %隱層2到輸出層的權值

b3 = net.b{3} ;%隱層2到輸出層的閾值

%在默認的訓練函數下，擬合公式為，y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

%用公式計算測試數據[x1;x2]的輸出，輸入要歸一化，輸出反歸一化

in = mapminmax('apply',[x1;x2],inputStr);

y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

y1=mapminmax('rever',y,outputStr);

%用bp神經網絡驗證計算結果

out = sim(net,in);

out1=mapminmax('rever',out,outputStr);

擴展資料：

注意事項

一、訓練函數

1、traingd

Name：Gradient descent backpropagation （梯度下降反向傳播算法 ）

Description：triangd is a network training function that updates weight and bias values according to gradient descent.

2、traingda

Name：Gradient descentwith adaptive learning rate backpropagation(自適應學習率的t梯度下降反向傳播算法)

Description：triangd is a network training function that updates weight and bias values according to gradient descent with adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

3、traingdx (newelm函數默認的訓練函數)

name:Gradient descent with momentum and adaptive learning rate backpropagation(帶動量的梯度下降的自適應學習率的反向傳播算法)

Description：triangdx is a network training function that updates weight and bias values according to gradient descent momentumand an adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

4、trainlm

Name：Levenberg-Marquardtbackpropagation（L-M反向傳播算法）

Description：triangd is a network training function that updates weight and bias values according toLevenberg-Marquardt optimization.it will return a trained net (net) and the trianing record (tr).

注：更多的訓練算法請用matlab的help命令查看。

二、學習函數

1、learngd

Name：Gradient descent weight and bias learning function（梯度下降的權值和閾值學習函數）

Description：learngd is the gradient descentweight and bias learning function, it willreturn theweight change dWand a new learning state.

2、learngdm

Name：Gradient descentwith momentumweight and bias learning function（帶動量的梯度下降的權值和閾值學習函數）

Description：learngd is the gradient descentwith momentumweight and bias learning function, it willreturn the weight change dW and a new learning state.

注：更多的學習函數用matlab的help命令查看。

三、訓練函數與學習函數的區別

函數的輸出是權值和閾值的增量，訓練函數的輸出是訓練好的網絡和訓練記錄，在訓練過程中訓練函數不斷調用學習函數修正權值和閾值，通過檢測設定的訓練步數或性能函數計算出的誤差小于設定誤差，來結束訓練。

或者這么說：訓練函數是全局調整權值和閾值，考慮的是整體誤差的最小。學習函數是局部調整權值和閾值，考慮的是單個神經元誤差的最小。

它的基本思想是學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。

正向傳播時，輸入樣本從輸入層傳入,經各隱層逐層處理后,傳向輸出層。若輸出層的實際輸出與期望的輸出(教師信號)不符,則轉入誤差的反向傳播階段。

反向傳播時，將輸出以某種形式通過隱層向輸入層逐層反傳,并將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,此誤差信號即作為修正各單元權值的依據。

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