matlab神經(jīng)網(wǎng)絡工具箱創(chuàng)建神經(jīng)網(wǎng)絡

1、matlab神經(jīng)網(wǎng)絡工具箱創(chuàng)建神經(jīng)網(wǎng)絡為丁看懂師兄的文章中使用的方法，研究廣下神經(jīng)m昨天花了一天的時間査怎么寫程序，侃是費丫半天勁，不能運行，百度知道里倒是有一個，可以運行 的，先貼著做標本%生成訓練樣本集clear all;clc;p=l 10 0.807 240 0.2 15 1 182 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 0.3 123 182 1;220 3 240 0.3 25 3 21 1 1.5;110 1.562 240 0.3 15 3 18 1 1.5;11

2、0 0.547 240 0.3 15 1 92 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 1440401;907 117437 120368 130179;m=max(max(p);n=max(max(t);p=p7m

3、;t 二 t7n;%pr( 1:9,1)=0; %輸入矢量的取值范圍矩陣 pr( 1:9,2)=1;bpnet=newff(pr，| 12 4|，logsig'，logsig', traingdx'，'learngdm');%建立bp祌經(jīng)網(wǎng)絡，12個隱層神經(jīng)元，4個輸出神經(jīng)元 %tranferfcn屈性'logsig'隱層采用sigmoid傳輸函數(shù) %tranferfcn屬性'logsig'輸出層采用sigmoid傳輸函數(shù)%trainfcn屈性'traingdx*自適應調整學速率附加動fiw子梯度下降反向傳播算法訓

4、練函數(shù)%learn屈性,lcamgdm,附加動量因子的梯度卜降學函數(shù)net.trainparam.epochs=1000;%允許最大訓練步數(shù) 2000 步net.trainparam.goal=0.001; %訓練 r 標最小'誤差 0.001net.trainparam.show= 10; %毎間陥100步aa示一次訓揀結果net.trainparam.lr=0.05; %學習速率 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)

5、;運行的結災是出現(xiàn)這樣的界而人1、1:il? performance，training state,以及 regression 分別出現(xiàn)卜 fftl 的評ftbest training performance is nan at epoch 999n110f«>$ul) j0jjujp9j«»nb<oufl3<>5trambest10iiiiiii|*10020030040050060070080090010001000 epochs稗搜索，發(fā)現(xiàn)可以通過神經(jīng)網(wǎng)絡工具箱來創(chuàng)建祌經(jīng)網(wǎng)絡，比較友好的gui界而，在輸入命令迅而輸 入nntool，就

6、可以開始了。點擊import之后就出現(xiàn)下而的具體的設置神經(jīng)網(wǎng)絡參數(shù)的對話界面 這是輸入輸出數(shù)據(jù)的對話窗 首先是訓練數(shù)據(jù)的輸入't«rg<t data' imports m#?wxvom>sourc«- import frotw kutlab workfmt c u>«d from dkk«wmatfiehu«ne|s<«e<tb variable神經(jīng)網(wǎng)絡的類然后點擊new，創(chuàng)建一個新的神經(jīng)m絡networkl,并設置其輸入輸出數(shù)據(jù)，包括名稱 型以及隱含層的層數(shù)和節(jié)點數(shù)，還有隱含層及輸出層的

7、訓練函數(shù)等創(chuàng)建好了 -個network之后，點擊open,可以看到一個神經(jīng)網(wǎng)絡訓練，優(yōu)化等的對話框，選擇了輸入 輸出數(shù)裾后，點擊train,神經(jīng)網(wǎng)絡開始訓練，如右下方的閹，討以顯示動態(tài)結果卜面三個®形則足點rlj performance, training state以及regression而出現(xiàn)的下面就是simulate，輸入的數(shù)據(jù)是用來檢驗這個m絡的數(shù)據(jù)，output改一個名字，這樣就把輸出數(shù)據(jù) 和誤差都存放起來了network: networlcliew train simulate adapt reinitialize weights view/edit weightssim

8、ulation resultssimulation datasimulate network在主界面上點擊export就能將得到的out結果輸入到matlab屮并杏看旅 network/data managerinput data:networksoutput dau:nrtworklnetworkl.outputsnetwork2.ovtput$68380 3147982898:15 328084. 823 3359)3.i 3 73941:110049.48 144040】:export from network/dau mnogcrselect variablet3 target dat

9、a:input delay states:tnetwcrkl networkl.outputs netvork2.outputs nnvorici errorsimport.new.-open. 公 export.select one or j 卜o the matla | j select allmore variables. then export the variawes b work&pace or save) them to a disk f3eselect none 丨冷 export u saveinputs(zeros)outputsnetwork2)output5in

10、rt input delay states(zeros)final input delay statesnetwo rkljn putstatesinit layer delay states(zeros)final layer delay statesnetworkl.layerstatessupply targets囹targets(zeros)errorsnetworkl.errorsk圖就是輸出的兩個outputs結果m 廣 jl / * 1 stodc ”，cno valid plots <oc: nctw_ * 田曲日 fi3 口vmworkl.outputsj networ

11、k2.oulp<hso * x1| 2nnta?-，04qa >al20.649904240.2010> 吻j0630.71w0.99920.98110.1，40.115100070.11580.1 156fl78! 9101112u5)田 networkl.outputs *4m5 doub*e>6781.101112u田 n«twork2.output$ <4x9 double>篡0.040.0444j0.04440.0 *0.w0 0.6905。.祕0.6aio8i0.11410.10810.11410.1081 0.1 u10.6o.i n 0 1workspace*戸 x1 c3 *1 stack e3 -*valuep<9x7 double*<4x7 doubl