神经网络控制与matlab仿真,神经网络模型matlab例子

matlab神经网络目前有什么具体的实际应用

人工神经网络研究目前主要分两类：理论研究和应用研究。

理论研究方面，①利用神经生理与认知科学研究人类思维以及智能机理；②利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能。

谷歌人工智能写作项目：小发猫

如何用matlab软件实现神经网络应用

给你一个实例，希望通过该例子对实现神经网络应用有一定的了解人工神经网络算法优点。

%x,y分别为输入和目标向量x=1:5;y=[639646642624652];%创建一个前馈网络net=newff(minmax(x),[20,1],{'tansig','purelin'});%仿真未经训练的网络net并画图y1=sim(net,x);plot(x,y1,':');%采用L-M优化算法net.trainFcn='trainlm';%设置训练算法net.trainParam.epochs=500;=10^(-6);%调用相应算法训练BP网络[net,tr,yy]=train(net,x,y);%对BP网络进行仿真y1=sim(net,x);%计算仿真误差E=y-y1;MSE=mse(E)holdon%绘制匹配结果曲线figure;plot(x,y1,'r*',x,y,'b--')执行结果。

用Matlab编程BP神经网络进行预测

原理就是：建立网络-数据归一化-训练-预测-数据反归一化。附件是电力负荷预测的例子，可以参考。

BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。

用MATLAB建立bp神经网络模型，求高手，在线等

Matlab神经网络工具箱提供了一系列用于建立和训练bp神经网络模型的函数命令，很难一时讲全。下面仅以一个例子列举部分函数的部分用法。

更多的函数和用法请仔细查阅NeuralNetworkToolbox的帮助文档。例子：利用bp神经网络模型建立z=sin(x+y)的模型并检验效果%第1步。

随机生成200个采样点用于训练x=unifrnd(-5,5,1,200);y=unifrnd(-5,5,1,200);z=sin(x+y);%第2步。建立神经网络模型。

其中参数一是输入数据的范围，参数二是各层神经元数量，参数三是各层传递函数类型。

N=newff([-55;-55],[5,5,1],{'tansig','tansig','purelin'});%第3步。训练。这里用批训练函数train。也可用adapt函数进行增长训练。

N=train(N,[x;y],z);%第4步。检验训练成果。

[X,Y]=meshgrid(linspace(-5,5));Z=sim(N,[X(:),Y(:)]');figuremesh(X,Y,reshape(Z,100,100));holdon;plot3(x,y,z,'.')。