MATLAB神经网络工具箱

实验七 MATLAB神经网络工具箱

一、实验目的

1、掌握Matlab对感知器网络的构建与训练方法。 2、掌握Matlab对线性神经网络的构建与训练方法。 3、掌握Matlab对BP神经网络的构建与训练方法。

二、实验原理

1、感知器的MATLAB仿真

感知器(Pereceptron)是一种特殊的神经网络模型，是由美国心理学家F.Rosenblatt于1958年提出的，一层为输入层，另一层具有计算单元，感知器特别适合于简单的模式分类问题，也可用于基于模式分类的学习控制和多模态控制中。

（一）感知器神经元模型

感知器神经元通过对权值的训练，可以使感知器神经元的输出能代表对输入模式进行的分类，图1.1为感知器神经元模型。

图1.1 感知器神经元模型

感知器神经元的每一个输入都对应于一个合适的权值，所有的输入与其对应权值的加权和作为阀值函数的输入。由于阀值函数的引入，从而使得感知器可以将输入向量分为两个区域，通常阀函数采用双极阶跃函数，如：

x1 o x2 o ┇ xR o 1 wi1 wi2 wiR θ i o ?1,x?0 （1.1） f(x)???0,x?0而感知器神经元模型的实际输出为

1

java调用matlab中神经网络工具箱编程

一、安装matlab、java，配置好java环境

应为matlab生成jar时直接调用的命令行，所以配置好java的标准就是在cmd里java和javac命令都可以用了~

matlab据说低版本的也不能导出，所以就选个新点儿吧，我的是2010a 二、在matlab中编写function文件

三、运行matlab中的deployment tool，新建一个项目，选择target一定是java的哦~ 四、添加类，编辑类名 五、添加刚刚的function文件 六、编译~

至此算是完成了，编译完之后再distrib文件夹下会有一个以你项目命名的jar文件，将这个文件和javabuilder.jar()添加到java程序的运行环境中就可以了，调用方法：

// 训练好的net文件，从matlab中导出的String matStr = \matPath = new MWCharArray(matStr);// 要进行test的数据double[][] xn_test = { { 71.60 }, { 0.00 }, { 107.41 }, { 110.99 }, { 0.00 } };MWNumericArr

在MATLAB中把定义的神经网络看作一个对象，对象还包括一些子对象：输入向量、网络层、输出向量、目标向量、权值向量和阈值向量等，这样网络对象和各子对象的属性共同确定了神经网络对象的特性。网络属性除了只读属性外，均可以按照约定的格式和属性的类型进行设置、修改、引用等。引用格式为：

网络名. [子对象] . 属性

例如：net.Inputs，net.biasConnect(1)，net.inputConnect(1,2)，net.inputs{1}.range。

在MATLAB命令窗口中逐条执行以下语句（newp、newff为网络创建函数），即可创建网络net1和net2。

p=[1,2;-1,1;0,1]; net1=newp(p,2);

net2=newff([-1 1;-1 1], [15,2], {'tansig','purelin'}, 'traingdx', 'learngdm');

1.结构属性

结构属性决定了网络子对象的数目（包括输入向量、网络层向量、输出向量、目标向量、阈值向量和权值向量的数目）以及它们之间的连接关系。无论何时，结构属性值一旦发生变化，网络就会自动重新定义，与之相关的其他属性值也会自动更新。

（1）numInpu

目录

结构属性 ...................................................................... 1 函数属性 ...................................................................... 4 参数属性 ...................................................................... 6 权值和阈值属性 .......................................................... 7 子对象的属性 .............................................................. 8

1

在MATLAB中把定义的神经网络看作一个对象，对象还包括一些子对象：输入向量、网络层、输出向量、目标向量、权值向量和阈值向量等，这样网络对象和各子对象的属性共同确定了神经网络对象的特性。网络属性除了只读属性外，均可以按照约定的格式和属性的类型进行设置、修改、引用等。引用格式为：

网络名. [子对象

在MATLAB中把定义的神经网络看作一个对象，对象还包括一些子对象：输入向量、网络层、输出向量、目标向量、权值向量和阈值向量等，这样网络对象和各子对象的属性共同确定了神经网络对象的特性。网络属性除了只读属性外，均可以按照约定的格式和属性的类型进行设置、修改、引用等。引用格式为：

网络名. [子对象] . 属性

例如：net.Inputs，net.biasConnect(1)，net.inputConnect(1,2)，net.inputs{1}.range。

在MATLAB命令窗口中逐条执行以下语句（newp、newff为网络创建函数），即可创建网络net1和net2。

p=[1,2;-1,1;0,1]; net1=newp(p,2);

net2=newff([-1 1;-1 1], [15,2], {'tansig','purelin'}, 'traingdx', 'learngdm');

1.结构属性

结构属性决定了网络子对象的数目（包括输入向量、网络层向量、输出向量、目标向量、阈值向量和权值向量的数目）以及它们之间的连接关系。无论何时，结构属性值一旦发生变化，网络就会自动重新定义，与之相关的其他属性值也会自动更新。

（1）numInpu

实验一 利用MATLAB实现遗传算法

一、实验目的

1、熟悉MATLAB语言编程环境 2、掌握MATLAB语言命令

3、学会利用MATLAB编程实现遗传算法

二、实验原理

MATLAB是美国Math Works公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计等领域。通过学习遗传算法原理，使用MATLAB编写程序，实现其求解策略。

三、实验内容

通过MATLAB编程，利用遗传算法求解 ：

f(x) 200exp( 0.05x)sin(x), 求maxf(x)，x [-2,2].

三、实验要求

1、程序设计 2、调试 3、实验结果 4、撰写实验报告

实验二 MATLAB神经网络工具箱的使用

一、实验目的

1、掌握MATLAB语言命令 2、提高MATLAB程序设计能力 3、学会使用MATLAB神经网络工具箱

二、实验原理

MATLAB语言是Math Works公司推出的一套高性能计算机编程语言，集数学计算、图形显示、语言设计于一体，其强大的扩展功能为用户提供了广阔的应用空间。它附带有30多个工具箱，神经

如何用MATLAB的神经网络工具箱实现三层BP网络？

% 读入训练数据和测试数据 Input = []; Output = []; str = {'Test','Check'}; Data = textread([str{1},'.txt']); % 读训练数据 Input = Data(:,1:end-1);

% 取数据表的前五列（主从成分） Output = Data(:,end);

% 取数据表的最后一列（输出值） Data = textread([str{2},'.txt']); % 读测试数据

CheckIn = Data(:,1:end-1); % 取数据表的前五列（主从成分） CheckOut = Data(:,end);

% 取数据表的最后一列（输出值） Input = Input'; Output = Output'; CheckIn = CheckIn'; CheckOut = CheckOut'; % 矩阵赚置

[Input,minp,maxp,Output,mint,maxt] = premnmx(Input,Output); % 标准化数据

%%%%%%%%%%%%%

基于神经网络工具箱的BP网络高血

压研究

摘要 关键字

0前言

人的大脑是由复杂的神经元网络组成的。由于它的存在，人脑可以从诸如人脸识别、骑自行车、打篮球等涉及联想或经验的问题中体会那些只可意会、不可言传的直觉与经验，可以根据情况灵活掌握处理问题的规则从而可以轻而易举地完成此类任务。任何一种人造的机器在这方面望尘莫及。人脑之所以有这些能力主要是由于人脑本身的构造加之多年以来的学习过程。人类具有高度发达的大脑，大脑是思维活动的物质基础，而思维是人类智能的集中体现。长期以来，人们想方设法了解人脑的工作机理和思维的本质，向往能够构造出具有类人智能的人工智能系统，以模仿人脑功能，完成类似于人脑的工作。人们对人脑的工作机理进行了长期不懈的探索和模拟，一门新的学科—人工神经网络发展起来了。

布满在人类大脑皮层上的神经细胞亦称为神经元。每个神经元与其他神经元通过数以千计的通道广泛相互连接，形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元，对信息进行分布式存储与加工。这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。人脑的信息处理机制是在漫长的进化过程中形成和完善的。通过分子和细胞技术所达到的微观层

BP神经网络matlab实现和matlab工具箱使用实例

经过最近一段时间的神经网络学习，终于能初步使用matlab实现BP网络仿真试验。这里特别感谢研友sistor2004的帖子《自己编的BP算法（工具：matlab）》和研友wangleisxcc的帖子《用C++，Matlab，Fortran实现的BP算法 》前者帮助我对BP算法有了更明确的认识，后者让我对matlab下BP函数的使用有了初步了解。因为他们发的帖子都没有加注释，对我等新手阅读时有一定困难，所以我把sistor2004发的程序稍加修改后加注了详细解释，方便新手阅读。

%严格按照BP网络计算公式来设计的一个matlab程序,对BP网络进行了优化设计

%yyy，即在o(k)计算公式时，当网络进入平坦区时(<0.0001)学习率加大， 出来后学习率又还原 %v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); 动量项 clear all clc

inputNums=3; %输入层节点 outputNums=3; %输出层节点 hideNums=10; %隐层节点数 maxcount=20000; %最大迭代次数 samplenum=3; %一个计数器，无意义 precision=0.001; %预设精度

yyy=1.3; %yyy是帮助网络加速走出平坦区

alpha=0.01; %学习率设定值

a=0.5; %BP

BP神经网络matlab实现和matlab工具箱使用实例

经过最近一段时间的神经网络学习，终于能初步使用matlab实现BP网络仿真试验。这里特别感谢研友sistor2004的帖子《自己编的BP算法（工具：matlab）》和研友wangleisxcc的帖子《用C++，Matlab，Fortran实现的BP算法 》前者帮助我对BP算法有了更明确的认识，后者让我对matlab下BP函数的使用有了初步了解。因为他们发的帖子都没有加注释，对我等新手阅读时有一定困难，所以我把sistor2004发的程序稍加修改后加注了详细解释，方便新手阅读。

%严格按照BP网络计算公式来设计的一个matlab程序,对BP网络进行了优化设计

%yyy，即在o(k)计算公式时，当网络进入平坦区时(<0.0001)学习率加大， 出来后学习率又还原 %v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); 动量项 clear all clc

inputNums=3; %输入层节点 outputNums=3; %输出层节点 hideNums=10; %隐层节点数 maxcount=20000; %最大迭代次数 samplenum=3; %一个计数器，无意义 precision=0.001; %预设精度

yyy=1.3; %yyy是帮助网络加速走出平坦区

alpha=0.01; %学习率设定值

a=0.5; %BP