Matlab神经网络工具箱函数.

合集下载

(完整word版)Matlab的神经网络工具箱入门

Matlab的神经网络工具箱入门在command window中键入help nnet>> help nnetNeural Network ToolboxVersion 7.0 (R2010b) 03-Aug-2010神经网络工具箱版本7.0（R2010b）03八月，2010图形用户界面功能。

nnstart - 神经网络启动GUInctool - 神经网络分类工具nftool - 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。

linearlayer - 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。

Matlab神经网络工具箱函数.

MATLAB神经网络工具箱函数说明:本文档中所列出的函数适用于MATLAB5.3以上版本,为了简明起见,只列出了函数名,若需要进一步的说明，请参阅MATLAB的帮助文档。

1. 网络创建函数n ewp创建感知器网络newli nd设计一线性层n ewlin创建一线性层newff创建一前馈BP网络newcf创建一多层前馈BP网络n ewfftd创建一前馈输入延迟BP网络n ewrb设计一径向基网络n ewrbe设计一严格的径向基网络n ewgrnn设计一广义回归神经网络n ewp nn设计一概率神经网络n ewe创建一竞争层n ewsom创建一自组织特征映射n ewhop创建一Hopfield递归网络n ewelm创建一Elman递归网络2. 网络应用函数sim仿真一个神经网络init初始化一个神经网络adapt神经网络的自适应化train训练一个神经网络3. 权函数dotprod权函数的点积ddotprod权函数点积的导数dist Euclidean距离权函数normprod规范点积权函数negdist Negative距离权函数man dist Man hattan 距离权函数linkdist Link距离权函数4. 网络输入函数netsum网络输入函数的求和dn etsum网络输入函数求和的导数5. 传递函数hardlim硬限幅传递函数hardlims对称硬限幅传递函数purelin线性传递函数tan sig正切S型传递函数logsig对数S型传递函数dpurelin线性传递函数的导数dta nsig正切S型传递函数的导数dlogsig对数S型传递函数的导数compet竞争传递函数radbas径向基传递函数satli ns对称饱和线性传递函数6. 初始化函数ini tlay层与层之间的网络初始化函数ini twb阈值与权值的初始化函数in itzero零权/阈值的初始化函数in it nw Nguyen_Widrow层的初始化函数in itcon Con scie nee阈值的初始化函数midpoi nt中点权值初始化函数7. 性能分析函数mae均值绝对误差性能分析函数mse均方差性能分析函数msereg均方差w/reg性能分析函数dmse均方差性能分析函数的导数dmsereg均方差w/reg性能分析函数的导数8. 学习函数learnp感知器学习函数learnpn标准感知器学习函数learnwh Widrow_Hoff 学习规则learngd BP学习规则learngdm带动量项的BP学习规则learnk Koho nen权学习函数learncon Con scie nee阈值学习函数learnsom自组织映射权学习函数9. 自适应函数adaptwb网络权与阈值的自适应函数10. 训练函数trai nwb网络权与阈值的训练函数traingd梯度下降的BP算法训练函数traingdm梯度下降w/动量的BP算法训练函数traingda梯度下降w/自适应lr的BP算法训练函数traingdx梯度下降w/动量和自适应lr的BP算法训练函数trainlmLeve nberg_Marquardt的BP算法训练函数trai nwbl每个训练周期用一个权值矢量或偏差矢量的训练函数11.分析函数maxli nlr线性学习层的最大学习率errsurf误差曲面12. 绘图函数plotes绘制误差曲面plotep绘制权和阈值在误差曲面上的位置plotsom绘制自组织映射图13. 符号变换函数ind2vec转换下标成为矢量vec2ind转换矢量成为下标矢量14.拓扑函数gridtop网络层拓扑函数hextop六角层拓扑函数ran dtop随机层拓扑函数。

matlab神经网络工具箱简介和函数及示例

目前，神经网络工具箱中提供的神经网络模型主要应用于：
函数逼近和模型拟合信息处理和预测神经网络控制故障诊断
神经网络实现的具体操作过程：
• 确定信息表达方式； • 网络模型的确定； • 网络参数的选择； • 训练模式的确定； • 网络测试
• 确定信息表达方式：
将领域问题抽象为适合于网络求解所能接受的某种数据形式。
函数类型输入函数
其它
函数名称
netsum netprcd concur dotprod
函数用途
输入求和函数输入求积函数使权值向量和阈值向量的结构一致权值求积函数
BP网络的神经网络工具箱函数
函数类型
函数名称函数用途
前向网络创建函数
传递函数
学习函数
函数类型性能函数显示函数
函数名函数用途称
三、BP网络学习函数
learngd 该函数为梯度下降权值/阈值学习函数，通过神经元的输入和误差，以及权值和阈值的学习速率，来计算权值或阈值的变化率。
调用格式; [dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)
二、神经元上的传递函数
传递函数是BP网络的重要组成部分，必须是连续可微的，BP网络常采用S型的对数或正切函数和线性函数。
• Logsig 传递函数为S型的对数函数。调用格式为： • A=logsig（N）
N：Q个S维的输入列向量； A：函数返回值，位于区间(0,1) 中
② info=logsig（code）
问题形式的种类：
数据样本已知；数据样本之间相互关系不明确；输入/输出模式为连续的或者离散的；输入数据按照模式进行分类，模式可能会具有平移、旋转或者伸缩等变化形式；数据样本的预处理；将数据样本分为训练样本和测试样本

MATLAB神经网络工具箱中的函数属性及其参数定义

N1
3.3 MATLAB神经网络工具箱中的网络子对象属性
子对象的属性定义了网络的各个子对象：输入向量、网络层、输出向量、目标向量、权值向量和阈值向量的属性。 1．输入向量（１）size属性： net.inputs{i}.size定义了网络各维输入向量的元素数目，可以被设置为零或正整数。（２）range属性：net.inputs{i}.range定义了第维输入向量中每个元素的取值范围，其值是一个的矩阵。 R2 （３）userdata属性：net.input{i}.userdata和erdata 为用户提供了关于输入向量的用户信息的地方，它预先只定义了一个字段，其值为一提示信息。
N N
3.2 MATLAB神经网络工具箱中的网络对象属性
（６）targetConnect属性：net.targetConnect定义各网络层是否和目标向量有关，其值为的布尔型向量（0或1）。 1 N （７）outputConnect属性：net.outputConnect 属性定义各网络层是否作为输出层，其值为的布尔型向量（0或 1）。 1 N （８）targetConnect：该属性定义了神经网络的目标层，即网络哪些层的输出具有目标矢量。其属性值为维的布尔量矩阵。 1 N （９）numOutputs：该属性定义了神经网络输出矢量的个数，属性值为只读变量，其数值为网络中输出层的总数 (sum(net.outputConnect))。
3.2 MATLAB神经网络工具箱中的网络对象属性
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）numInputs属性：net.numInputs属性定义了网络的输入源数，它可以被设置为零或正整数。

第2章MATLAB神经网络工具箱函数

Z=concur(b,q) 式中，b为N1维的权值向量；q为要达到一致化所需要的长度；Z为一个已经一致化了的矩阵。
13
例2-1 利用netsum( )函数和netprod( )函数，对两个加权
输入向量Z1和Z2进行相加和相乘。
解 MATLAB的程序如下。
Z1=[1 2 4;3 4 1];Z2=[-1 2 2;-5 -6 1]; %提供两个加权输入向量
神经网络的NET某一层i的权值和偏值进行初始化修正，该网络对每层的权值和偏值是按照设定的每层的初始化函数来进行修正的。其调用格式为：
net=initwb(NET,i) 4. 神经网络训练函数train( )
利用train( ) 函数可以训练一个神经网络。网络训练函数是一种通用的学习函数，训练函数重复地把一组输入向量应用到一个网络上，每次都更新网络，直到达到了某种准则。停止准则可能是最大的学习步神经网络仿真函数
dotprod( ) 权值点积函数
normprod( ) 规范点积权值函数
netsum( ) 输入求和函数
netprod( ) 网络输入的积函数
concur( ) 结构一致函数
8
1. 初始化神经网络函数init( ) 利用初始化神经网络函数init( )可以对一个已存
在的神经网络进行初始化修正，该网络的权值和偏值是按照网络初始化函数来进行修正的。其调用格式为：
如果T只含一元矢量，目标0的输入矢量画为 “o”；目标1的输入矢量画为“+”；如果T含二元矢量，则输入矢量对应如下：[0 0]用“o”；[0 1]用 “+”；[1 0]用“*”；[1 1]用“”。例
23
>>X=[-0.5,-0.5,0.3,-0.1,0.2,0.0,0.6,0.8; -0.5,0.5,-0.5,1.0,0.5,-0.9,0.8,-0.6];

matlab神经网络工具箱怎么用

matlab神经网络工具箱怎么用标题：Matlab神经网络工具箱的使用方法导言：Matlab神经网络工具箱是一个功能强大的工具，用于建立、训练和评估各种类型的神经网络。

本文将介绍如何使用Matlab神经网络工具箱进行神经网络的建立、训练和评估，帮助您更好地理解和使用这个工具箱。

一、Matlab神经网络工具箱的安装首先，您需要确保已成功安装了Matlab软件。

然后，您可以通过以下步骤来安装Matlab神经网络工具箱：1. 打开Matlab软件。

2. 在工具栏上选择“工具”菜单。

3. 在下拉菜单中选择“添加预定目录”。

4. 在弹出的窗口中，选择“文件夹”选项。

5. 点击“浏览”按钮，并选择包含神经网络工具箱的文件夹。

6. 点击“选择文件夹”按钮，然后点击“添加文件夹”按钮。

7. 点击“关闭”按钮，完成神经网络工具箱的安装。

二、神经网络的建立Matlab神经网络工具箱提供了多种类型的神经网络模型，如前馈神经网络、递归神经网络和自组织神经网络。

下面我们以前馈神经网络为例，介绍神经网络的建立方法：1. 打开Matlab软件，并在命令窗口中输入“nprtool”命令，打开“神经网络模式选择器”窗口。

2. 在“神经网络模式选择器”窗口中，选择“构建”按钮。

3. 在“神经网络模式选择器”窗口中，选择“前馈神经网络”选项，并点击“下一步”按钮。

4. 在“选择网络架构”窗口中，选择神经网络的层数、神经元数量和输入、输出数据的维度。

5. 点击“下一步”按钮，然后点击“完成”按钮，完成神经网络的建立。

三、神经网络的训练神经网络的训练是指通过将已知的输入和输出数据进行反复迭代调整网络参数，从而使网络能够更好地拟合输入输出之间的关系。

下面我们介绍神经网络的训练方法：1.在命令窗口中输入“trainlm”命令，选择Levenberg-Marquardt算法作为训练函数。

2.输入训练数据和目标数据，通过“trains”命令开始训练神经网络。

MATLAB中的神经网络工具箱详解

MATLAB中的神经网络工具箱详解神经网络是一种模拟人脑神经系统工作方式的计算模型，广泛应用于科学、工程和金融等领域。

而在MATLAB软件中，也有专门的神经网络工具箱，提供了丰富的功能和算法，用于实现神经网络的建模、训练和应用。

本文将对MATLAB中的神经网络工具箱进行详细的解析和介绍。

一、神经网络基础知识在深入了解MATLAB神经网络工具箱之前，我们首先来了解一些神经网络的基础知识。

1. 神经元和激活函数神经元是神经网络的基本单位，它接收来自其他神经元的输入，并通过激活函数将输入转化为输出。

在MATLAB中，可以使用`newff`函数创建一个前馈神经网络，可以通过`sim`函数进行网络的模拟和计算。

2. 训练算法神经网络的训练是指通过一系列的输入和输出样本来调整网络的参数，使得网络能够正确地学习和推断。

常用的训练算法包括误差逆传播算法（Backpropagation）、Levenberg-Marquardt算法等。

在MATLAB中，可以使用`train`函数进行网络的训练，可以选择不同的训练算法和参数。

二、MATLAB神经网络工具箱的使用1. 创建神经网络对象在MATLAB中，可以使用`newff`函数创建一个前馈神经网络对象，该函数的参数包括网络的结构、激活函数等。

例如，`net = newff(input, target, hiddenSize)`可以创建一个具有输入层、隐藏层和输出层的神经网络对象。

2. 设置神经网络参数创建神经网络对象后，可以使用`setwb`函数设置网络的权重和偏置值，使用`train`函数设置网络的训练算法和参数。

例如，`setwb(net, weights, biases)`可以设置网络的权重和偏置值。

3. 神经网络的训练神经网络的训练是通过提供一系列的输入和输出样本，调整网络的参数使得网络能够正确地学习和推断。

在MATLAB中，可以使用`train`函数进行网络的训练，该函数的参数包括训练集、目标值、训练算法和其他参数。

MATLAB函数与神经网络工具箱

>> l=length(z(:,:,1)) >> n=numel(z) >> prod(size(z)) >> ndims(z) >> length(size(z))
MATLAB函数与神经网络工具箱
2.矩阵生成和基本运算
sum/prod
>> a=ones(2,3,2,'uint8');
>> s1=sum(a)
linspace函数用于产生线性等分向量
MATLAB函数与神经网络工具箱
2.矩阵生成和基本运算
>> a=linspace(1,100,50);
% a为线性等分向量
>> b=logspace(0,2,50);
% b为对数等分向量
>> plot(a,a,'o');
% 在线性坐标下绘制两者的示意图
>> hold on;
MATLAB函数与神经网络工具箱
Outline
2.矩阵生成和基本运算 3.数学函数 4.图形相关函数
5.神经网络工具箱
命令 clear clf close clc home who whos pack format echo save load help
功能清除工作空间中的所有变量清除图形窗口的内容关闭图形窗口清除命令窗口中的内容，光标返回屏幕左上角光标返回屏幕左上角列出工作空间的变量列出工作空间的变量及其详细信息整理工作空间的内存设置浮点数的输出格式显示M文件中所执行的命令保存工作空间的变量到文件从文件加载变量到工作空间在命令窗口查询函数或命令
MATLAB函数与神经网络工具箱

MATLAB神经网络工具箱中的函数属性及其参数定义

（１）adaptFcn属性：net.adaptFcn属性定义了网络进行权值 /阈值自适应调整时所采用的函数，它可以被设置为任意一个进行权值/阈值调整的函数名，包括trains函数。
（２）performFcn属性 net.performFcn属性定义了网络用于衡量网络性能所采用的函
数，其属性值为表示性能函数名称的字符串。
每层神经元在多维空间中排列时各维的维数，其属性值为一个行矢量，该矢量中各元素的乘积等于该层神经元的个数(yers{i}.size)。（２）distanceFcn属性：yers{i}.distanceFcn，该属性定义了每层神经元间距的计算函数，其属性值为表示距离函数名称的字符串。（３）distances属性（只读）：yers{i}.disances，该属性定义了每层网络中各神经元之间的距离，属性值为只读变量，其数值由神经元的位置坐标(yers{i}.positions)和距离函数(yers{i}.distanceFcn)来确定。
4．权值和阈值属性
（１）IW属性：net.IW属性定义了从网络输入向量到网络层的权值向量（即输入层的权值向量）结构。其值为的细胞矩阵。
（２）LW属性：net.LW定义了从一个网络层到另一个网络层的权值向量结构。其值为的细胞矩阵。
（３）b属性：net.b属性定义各网络层的阈值向量结构。其值为的细胞矩阵。
的布尔型向量（0或1）。
3.2 MATLAB神经网络工具箱中的网络对象属性
（６）targetConnect属性：net.targetConnect定义各网络层是
否和目标向量有关，其值为
的布尔型向量（0或1）
。
（７）outputConnect属性：net.outputConnect属性定义各网

【最新精选】MATLAB神经网络之各函数介绍

绘制三维图形clear all;[x,y]=meshgrid(-8:0.1:8);z=sinc(x);mesh(x,y,z); 效果图如下set(gcf,'color','w'); 设置图形窗口背景为白色修改z的赋值clear all;[x,y]=meshgrid(-10:0.3:10);r=sqrt(x.^2+y.^2)+eps;z=sin(r)./r;mesh(x,y,z)初始化函数clear all;net=newp([0,1;-2,2],1);disp('³õÊ¼»¯Ö®Ç°µÄÈ¨ÖµÊÇ£º ')w1=net.iw{1,1}disp('³õÊ¼»¯Ö®Ç°µÄ·§ÖµÎª')b1=net.b{1}net.iw{1,1}=[5,6];disp('¡£¡£¡£È¨ÖµÎª')w2=net.iw{1,1}net.b{1}=7;disp('·§ÖµÎª')b2=net.b{1}net=init(net); 利用网络初始化复原网络权值和阀值w3=net.iw{1,1}b3=net.b{1}例子：利用init函数将网络输入的权值与阀值改变为随机数>> clear all;net=newp([0,1;-2,2],1);net.inputweights{1,1}.initFcn='rands';net.biases{1}.initFcn='rands';net=init(net); 检验权值和阀值w=net.iw{1,1}b=net.b{1}w =0.8116 -0.7460b =0.6294>>plotpv函数：用于在坐标中绘制给定的样本点及其类别plotpc函数：用于绘制感知器分界线clear all;p=[-0.5,-0.5,0.3,-0.1,-0.8;-0.5,0.5,-0.5,1.0,0.0];t=[1,1,0,0,0];plotpv(p,t); 绘制样本节点net=newp([-40,1;-1,50],1);hold onlinehandles=plotpc(net.IW{1},net.b{1});net.adaptParam.passes=3;linehandle=plotpc(net.IW{1},net.b{1});for a=1:25[net,y,e]=adapt(net,p,t);linehandle=plotpc(net.iw{1},net.b{1},linehandle); drawnow;endtitle('the kind of xiangliang')在matlab中提供了sim函数，对于神经网络进行仿真，格式：[y,pf,af,perf]=sim(net,p,pi,ai,t)[y,pf,af]=sim(net,{q ts},pi,ai)设计一个输入为二维向量的感知器网络，其边界值已定。