qq_18343569的博客

先说容易理解的vec2ind吧，从命令名字上可以看出是“向量变索引”，假设一个3*6的稀疏矩阵T(1,:)=[0 1 0 0 1 0];T(2,:)=[1 0 1 1 0 0];T(3,:)=[0 0 0 0 0 1],通过vec2ind(T)将会得到什么？因为通过矩阵知道T是6列的，T =     0     1     0     0     1    

代码的注释：cnnexamples.m[plain] view plaincopyclear all; close all; clc;  addpath('../data');  addpath('../util');  load mnist_uint8;    train_x = double(reshape(train

第0节、引例        本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set  找到。这里简要介绍一下Iris数据集：有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度

%% 清空环境变量clc;clear allclose allnntwarn off;warning off;%% 数据载入load data%% 选取训练数据和测试数据Train=data(1:23,:);Test=data(24:end,:);p_train=Train(:,1:3)';t_train=Train(:,4)';p_test=Test(:,1:3)';

%% 清空环境变量clear allclcwarning off%% 导入数据load data.mata=randperm(569);Train=data(a(1:500),:);Test=data(a(501:end),:);% 训练数据P_train=Train(:,3:end)';Tc_train=Train(:,2)';T_train=ind2vec(Tc_tra

一：算法推导　　神经网络通过模拟人的神经元活动，来构造分类器。它的基本组成单元称为”神经元”，离线情况下如果输入大于某值时，设定神经元处于兴奋状态，产生输出，否则不响应。而这个输入来自于所有其它的神经元。而神经元的响应函数有多种(需要满足可微，这种简单的函数可以拟合任何非线性函数)，本文选择sigmod函数。关于基础知识在此不在多说，这里主要介绍一下BP神经网络，并推导权值和阈值的更新公式

本文主要内容包括： (1) 介绍神经网络基本原理，(2) AForge.NET实现前向神经网络的方法，(3) Matlab实现前向神经网络的方法 。第0节、引例        本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set  找到。这里

模糊系统   模糊逻辑控制系统，简称模糊控制系统或模糊系统，是一种基于模糊数学理论的新型控制方法。  模糊控制由于模仿人对复杂事物的抽象思维方式，利用模糊信息处理对被控对象执行控制。所以，它不需要知道系统的精确数学模型。对不确定的非线性的系统来说是一种有效的控制途径。但是，模糊控制对信息的简单模糊化导致系统的控制精度下降。为了提高精度，往往要在模糊化时增加模糊量的个数，或者，增大控制规则集

自适应模糊神经推理系统    人工神经网络有较强的自学习和自适应能力，但它类似一个黑箱，缺少透明度，不能很好地表达人脑的推理功能，而模糊系统本身没有自适应能力，限制了其应用。   自适应模糊神经推理系统(Adaptive Neuro-FuzzyInference System)也称为基于网络的自适应模糊推理系统(Adaptive Network-based Fuzzy Inference

例子：%Fuzzy Control for washerclear all;close all;a=newfis('fuzz_wash');a=addvar(a,'input','x',[0,100]); %Fuzzy Staina=addmf(a,'input',1,'SD','trimf',[0,0,50]);a=addmf(a,'inpu

主要是利用输入和输出的限制，得到PID三个参数，然后进行PID系统的控制%Fuzzy Tunning PID Controlclear all;close all;a=newfis('fuzzpid'); %新建模糊推理系统a=addvar(a,'input','e',[-3,3]); %Parameter e 添加模糊语言变量a

clear all;close all;ts2=newfis('ts2','sugeno');ts2=addvar(ts2,'input','X',[0 5]);ts2=addmf(ts2,'input',1,'little','gaussmf',[1.8 0]);ts2=addmf(ts2,'input',1,'big','gaussmf',[1.8 5]);ts2=addva

1、传递函数的形式              假设传递函数为：G(s)=exp^(-0.004s)*400/(s^2+50s)；              其中^后表示指数,如：2^3=8;4^2=16；     在matlab里面建立这个传递函数的命令就是：sys=tf(400,[1,50,0],'inputdelay',0.004)； 2、脉冲传递函数     把传递函

BP神经网络的预测，根据输出层的是线性函数，这样可以拟合出输出和输入之间的函数关系，从而实现输入新的值时，可以预测值，实例：clear;p0=[11.9850 12.1121 12.2389 12.3626 12.4810 12.5768 12.6743 12.7627 12.8453 12.9227 12.9905 13.0756];for i =1:7 p(:

BP神经网络的运用 输入p=[-1 -1 2 2 ;0 5 0 5];t=[-1 -1 2 2]; 然后生成与输入输出对应的神经网络net=newff(minmax(p),[3 1],{'tansing','perelin'},'traingd');接下来设定网络参数net.p=trainParam.lr=0.05;  学习速率net.trainParam.ep

clccleartic%% 训练数据预测数据提取及归一化%下载输入输出数据load data1 input output%从1到2000间随机排序k=rand(1,4000);[m,n]=sort(k);%找出训练数据和预测数据input_train=input(n(1:3900),:)';output_train=output(n(1:3900),:)';input

BP神经网络预测首先进行训练网络，通过训练使网络具有联想记忆和预测能力，BP神经网络的训练过程包括下面：1、网络的初始化，根据系统输入和输出确定网路的输入层节点数n,隐含层l,和输出层m,初始化输入层隐含层和输出层之间的连接权值和偏移，给定学习速率和激励函数2、隐含层输出的计算，根据输入向量x，输入层和隐含层之间连接的权重w，以及隐含层阈值a,计算隐含层的输出H3、输出层的

1、模型的建立详细代码：%% 该代码为基于BP_Adaboost的强预测器预测%% 清空环境变量clcclear%% 下载数据load data1 input output%% 权重初始化k=rand(1,2000);[m,n]=sort(k);%训练样本input_train=input(n(1:1900),:)';outpu

广义回归神经网络是径向基神经网络的一种，GRNN具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，   网络还可以处理不稳定数据，GRNN的网络结构

遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法 。 遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。因此在介绍遗传算法前有必要简单的介绍生物进化知识。  一.进化论知识 　　作为遗传算法生物背景的介绍，下面内容了解即可：　　种群(Population)：生物的进化以群体的形式进行，这样的一个群体称

SVM分类的过程：1、选定训练集和测试集------------------->数据的预处理---------------------------------》训练SVM----------------------------------》预测测试集------------------------》分类的正确率close all;clear;clc;format compac

1、可以调用MATLAB工具箱里的函数创建竞争性神经网络：  主要进行分类：newc(p,s,KLR,CLR)   --------------------------------------p表示输入的范围，s-------------------------------表示神经元的个数                KLR表示Kohonen学习速率，--------------

径向神经网络的创建：调用格式：net=newrbe(p,t,spread) -------------------p  t分别为输入和输出样本，spread  为径向神经网络的散布常数或者更高效的神经网络net=newrb(p,t,goal,spread);概率神经网络的创建：P = [0 0;1 1;0 3;1 4;3 1;4 1;4 3]',Tc = [1 1

%% SVM Classification 2D examplesclear allclose allclcn = 100; sigma=0.3;[Xapp,yapp,xtest,ytest]=datasets('gaussian',n,0,sigma);%产生n个高斯分布的随机样本数据Xapp=single(Xapp);[Xapp]=normalizemeanst

[filename, pathname] = uigetfile('ST30.xls');file=[pathname filename];x=xlsread(file);[filename, pathname] = uigetfile('NST30.xls');file=[pathname filename];y=xlsread(file);p=[x;y]; p=p'; T=

%% 1D Regression example%close allclear alltic%-------------------creating and plotting data----------------n=50;x=linspace(0,3,n)';xx=linspace(0,3,n)';xi=x;yi=cos(exp(x));y=cos(exp(xx));

[filename, pathname] = uigetfile('17_1_P.xls');file=[pathname filename];x=xlsread(file);p=[x(:,1),x(:,2),x(:,3),x(:,4),x(:,5),x(:,6);]' t= x(:,7)',[filename, pathname] = uigetfile('17_1_Ptest.xl

1、感知神经网络 构造方法：net=newp(PR,S,TF,LF)PR：表示R*2矩阵，表示数据的大小范围，minmax函数就可以S：表示神经元个数，主要表示隐含层和输出层神经元的个数，一般是个向量TF:表示传递函数，一般默认hardlimLF:表示学习函数，一般默认不用写训练方法:net=train(net,P,T)主要作用：主要用于分类2、线性神经