介绍神经网络算法在机械结构优化中的应用的例子
（大家要学习的时候只需要把输入输出变量更改为你自己的数据既可以了，如果看完了还有问题的话可以加我微博“极南师兄”给我留言，与大家共同进步)。
把一个结构的8个尺寸参数设计为变量，如上图所示，
对应的质量，温差，面积作为输出。用神经网络拟合变量与输出的数学模型，首相必须要有数据来源，这里我用复合中心设计法则构造设计点，根据规则，八个变量将构造出81个设计点。然后在ansys workbench中进行81次仿真（先在proe建模并设置变量，将模型导入wokbench中进行相应的设置，那么就会自动的完成81次仿真，将结果导出来exceel文件）
Matlab程序如下
P=
[20 2.5 6 14.9 16.5 6 14.9 16.5
15 2.5 6 14.9 16.5 6 14.9 16.5
25 2.5 6 14.9 16.5 6 14.9 16.5
20 1 6 14.9 16.5 6 14.9 16.5
20 4 6 14.9 16.5 6 14.9 16.5
20 2.5 2 14.9 16.5 6 14.9 16.5
20 2.5 10 14.9 16.5 6 14.9 16.5
20 2.5 6 10 16.5 6 14.9 16.5
20 2.5 6 19.8 16.5 6 14.9 16.5
20 2.5 6 14.9 10 6 14.9 16.5
20 2.5 6 14.9 23 6 14.9 16.5
20 2.5 6 14.9 16.5 2 14.9 16.5
20 2.5 6 14.9 16.5 10 14.9 16.5
20 2.5 6 14.9 16.5 6 10 16.5
20 2.5 6 14.9 16.5 6 19.8 16.5
20 2.5 6 14.9 16.5 6 14.9 10
20 2.5 6 14.9 16.5 6 14.9 23
17.51238947 1.75371684 4.009911573 12.46214168 13.26610631 4.009911573
12.46214168 19.73389369
22.48761053 1.75371684 4.009911573 12.46214168 13.26610631 4.009911573
12.46214168 13.26610631
17.51238947 3.24628316 4.009911573 12.46214168 13.26610631 4.009911573
22.48761053 3.24628316 4.009911573 12.46214168 13.26610631 4.009911573
17.33785832 13.26610631
17.51238947 1.75371684 7.990088427 12.46214168 13.26610631 4.009911573
17.33785832 19.73389369
22.48761053 1.75371684 7.990088427 12.46214168 13.26610631 4.009911573
17.33785832 13.26610631
17.51238947 3.24628316 7.990088427 12.46214168 13.26610631 4.009911573
12.46214168 19.73389369
22.48761053 3.24628316 7.990088427 12.46214168 13.26610631 4.009911573
12.46214168 13.26610631
17.51238947 1.75371684 4.009911573 17.33785832 13.26610631 4.009911573
17.33785832 13.26610631
22.48761053 1.75371684 4.009911573 17.33785832 13.26610631 4.009911573
17.33785832 19.73389369
17.51238947 3.24628316 4.009911573 17.33785832 13.26610631 4.009911573
12.46214168 13.26610631
22.48761053 3.24628316 4.009911573 17.33785832 13.26610631 4.009911573
12.46214168 19.73389369
17.51238947 1.75371684 7.990088427 17.33785832 13.26610631 4.009911573
12.46214168 13.26610631
22.48761053 1.75371684 7.990088427 17.33785832 13.26610631 4.009911573
12.46214168 19.73389369
17.51238947 3.24628316 7.990088427 17.33785832 13.26610631 4.009911573
17.33785832 13.26610631
22.48761053 3.24628316 7.990088427 17.33785832 13.26610631 4.009911573
17.33785832 19.73389369
17.51238947 1.75371684 4.009911573 12.46214168 19.73389369 4.009911573
17.33785832 13.26610631
22.48761053 1.75371684 4.009911573 12.46214168 19.73389369 4.009911573
17.33785832 19.73389369
17.51238947 3.24628316 4.009911573 12.46214168 19.73389369 4.009911573
12.46214168 13.26610631
22.48761053 3.24628316 4.009911573 12.46214168 19.73389369 4.009911573
12.46214168 19.73389369
17.51238947 1.75371684 7.990088427 12.46214168 19.73389369 4.009911573
12.46214168 13.26610631
22.48761053 1.75371684 7.990088427 12.46214168 19.73389369 4.009911573
12.46214168 19.73389369
17.51238947 3.24628316 7.990088427 12.46214168 19.73389369 4.009911573
17.33785832 13.26610631
22.48761053 3.24628316 7.990088427 12.46214168 19.73389369 4.009911573
17.33785832 19.73389369
17.51238947 1.75371684 4.009911573 17.33785832 19.73389369 4.009911573
22.48761053 1.75371684 4.009911573 17.33785832 19.73389369 4.009911573
12.46214168 13.26610631
17.51238947 3.24628316 4.009911573 17.33785832 19.73389369 4.009911573
17.33785832 19.73389369
22.48761053 3.24628316 4.009911573 17.33785832 19.73389369 4.009911573
17.33785832 13.26610631
17.51238947 1.75371684 7.990088427 17.33785832 19.73389369 4.009911573
17.33785832 19.73389369
22.48761053 1.75371684 7.990088427 17.33785832 19.73389369 4.009911573
17.33785832 13.26610631
17.51238947 3.24628316 7.990088427 17.33785832 19.73389369 4.009911573
12.46214168 19.73389369
22.48761053 3.24628316 7.990088427 17.33785832 19.73389369 4.009911573
12.46214168 13.26610631
17.51238947 1.75371684 4.009911573 12.46214168 13.26610631 7.990088427
17.33785832 13.26610631
22.48761053 1.75371684 4.009911573 12.46214168 13.26610631 7.990088427
17.33785832 19.73389369
17.51238947 3.24628316 4.009911573 12.46214168 13.26610631 7.990088427
12.46214168 13.26610631
22.48761053 3.24628316 4.009911573 12.46214168 13.26610631 7.990088427
12.46214168 19.73389369
17.51238947 1.75371684 7.990088427 12.46214168 13.26610631 7.990088427
12.46214168 13.26610631
22.48761053 1.75371684 7.990088427 12.46214168 13.26610631 7.990088427
12.46214168 19.73389369
17.51238947 3.24628316 7.990088427 12.46214168 13.26610631 7.990088427
17.33785832 13.26610631
22.48761053 3.24628316 7.990088427 12.46214168 13.26610631 7.990088427
17.33785832 19.73389369
17.51238947 1.75371684 4.009911573 17.33785832 13.26610631 7.990088427
12.46214168 19.73389369
22.48761053 1.75371684 4.009911573 17.33785832 13.26610631 7.990088427
12.46214168 13.26610631
17.51238947 3.24628316 4.009911573 17.33785832 13.26610631 7.990088427
17.33785832 19.73389369
22.48761053 3.24628316 4.009911573 17.33785832 13.26610631 7.990088427
17.33785832 13.26610631
17.51238947 1.75371684 7.990088427 17.33785832 13.26610631 7.990088427
17.33785832 19.73389369
22.48761053 1.75371684 7.990088427 17.33785832 13.26610631 7.990088427
17.33785832 13.26610631
17.51238947 3.24628316 7.990088427 17.33785832 13.26610631 7.990088427
22.48761053 3.24628316 7.990088427 17.33785832 13.26610631 7.990088427
12.46214168 13.26610631
17.51238947 1.75371684 4.009911573 12.46214168 19.73389369 7.990088427
12.46214168 19.73389369
22.48761053 1.75371684 4.009911573 12.46214168 19.73389369 7.990088427
12.46214168 13.26610631
17.51238947 3.24628316 4.009911573 12.46214168 19.73389369 7.990088427
17.33785832 19.73389369
22.48761053 3.24628316 4.009911573 12.46214168 19.73389369 7.990088427
17.33785832 13.26610631
17.51238947 1.75371684 7.990088427 12.46214168 19.73389369 7.990088427
17.33785832 19.73389369
22.48761053 1.75371684 7.990088427 12.46214168 19.73389369 7.990088427
17.33785832 13.26610631
17.51238947 3.24628316 7.990088427 12.46214168 19.73389369 7.990088427
12.46214168 19.73389369
22.48761053 3.24628316 7.990088427 12.46214168 19.73389369 7.990088427
12.46214168 13.26610631
17.51238947 1.75371684 4.009911573 17.33785832 19.73389369 7.990088427
17.33785832 13.26610631
22.48761053 1.75371684 4.009911573 17.33785832 19.73389369 7.990088427
17.33785832 19.73389369
17.51238947 3.24628316 4.009911573 17.33785832 19.73389369 7.990088427
12.46214168 13.26610631
22.48761053 3.24628316 4.009911573 17.33785832 19.73389369 7.990088427
12.46214168 19.73389369
17.51238947 1.75371684 7.990088427 17.33785832 19.73389369 7.990088427
12.46214168 13.26610631
22.48761053 1.75371684 7.990088427 17.33785832 19.73389369 7.990088427
12.46214168 19.73389369
17.51238947 3.24628316 7.990088427 17.33785832 19.73389369 7.990088427
17.33785832 13.26610631
22.48761053 3.24628316 7.990088427 17.33785832 19.73389369 7.990088427
17.33785832 19.73389369
]';%注意因为本人做了81组仿真试验，这里的矩阵后面有转置符号，在神经网络模型中，输入P的是8X81的矩阵（把程序复制过来之后格式没对齐，大家自己调整一下啦），对应的下面的输出T的是3x81的矩阵。
T=[150.749 2.28499 13.466
165.148 2.64021 9.6525
138.061 1.92976 17.2795
149.446 2.25704 13.766
151.642 2.31293 13.166
147.146 2.22947 14.062
154.131 2.3405 12.87 144.164 2.2576 13.76 155.889 2.31237 13.172 150.646 2.28499 13.466 150.621 2.28499 13.466 147.091 2.22947 14.062 154.166 2.3405 12.87 144.289 2.2576 13.76 155.553 2.31237 13.172 150.653 2.28499 13.466 150.704 2.28499 13.466 148.424 2.37609 12.4879 134.952 2.01917 16.3197 154.264 2.41865 12.0311 141.207 2.06864 15.7885 156.492 2.44051 11.7964 142.671 2.08358 15.6282 152.473 2.44664 11.7306 138.329 2.09663 15.488 159.696 2.41252 12.0969 145.947 2.05559 15.9287 155.401 2.41865 12.0311 141.73 2.06864 15.7885 157.408 2.45858 11.6024 144.1 2.10166 15.4341 163.483 2.50114 11.1455 150.483 2.15114 14.9029 154.111 2.3943 12.2924 140.418 2.03738 16.1242 149.253 2.40044 12.2266 135.997 2.05043 15.984 151.518 2.4223 11.9919 137.257 2.06537 15.8237 158.05 2.46485 11.535 143.739 2.11485 15.2925 153.641 2.3943 12.2924 140.723 2.03738 16.1242 158.956 2.43686 11.8355 146.933 2.08685 15.593 160.731 2.4768 11.4068 149.315 2.11987 15.2386 156.842 2.48293 11.341 145.17 2.13292 15.0984 156.942 2.45858 11.6024
143.948 2.10166 15.4341
152.503 2.44664 11.7306
138.486 2.09663 15.488
154.84 2.4685 11.4959
139.795 2.11157 15.3276
161.574 2.52914 10.845
147.502 2.17913 14.6024
156.975 2.44051 11.7964
143.06 2.08358 15.6282
162.688 2.50114 11.1455
150.483 2.15114 14.9029
164.588 2.54108 10.7168
153.024 2.18415 14.5485
160.908 2.52914 10.845
147.794 2.17913 14.6024
151.437 2.4223 11.9919
137.386 2.06537 15.8237
156.979 2.48293 11.341
144.915 2.13292 15.0984
159.167 2.50479 11.1063
146.229 2.14786 14.9381
155.699 2.49285 11.2345
140.767 2.14284 14.992
161.782 2.4768 11.4068
149.124 2.11987 15.2386
157.819 2.46485 11.535
143.8 2.11485 15.2925
159.553 2.50479 11.1063
146.186 2.14786 14.9381
166.512 2.56542 10.4554
153.896 2.21542 14.2129
]'; % T 为目标矢量
[PP,ps]=mapminmax(P,-1,1); %把P归一化处理变为pp，在范围（-1,1）内
%把T归一化处理变TT，在范围（-1,1）内，归一化主要是为了消除不通量岗对结果的影响[TT,ps]=mapminmax(T,-1,1);
% 创建三层前向神经网络,隐层神经元为15输出层神经元为3
net=newff(minmax(PP),[15,3],{'tansig','purelin'},'traingdm')
% ---------------------------------------------------------------
% 训练函数：traingdm，功能：以动量BP算法修正神经网络的权值和阈值。
% 它的相关特性包括：
% epochs：训练的次数，默认：100
% goal：误差性能目标值，默认：0
% lr：学习率，默认：0.01
% max_fail：确认样本进行仿真时，最大的失败次数，默认：5
% mc：动量因子，默认：0.9
% min_grad：最小梯度值，默认：1e-10
% show：显示的间隔次数，默认：25
% time：训练的最长时间，默认：inf
% ---------------------------------------------------------------
inputWeights=net.IW{1,1} %当前输入层权值和阈值
inputbias=net.b{1}
% 当前网络层权值和阈值
layerWeights=net.LW{2,1}
layerbias=net.b{2}
% 设置网络的训练参数
net.trainParam.show = 2;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs =10000;
net.trainParam.goal = 1e-3;
% 调用TRAINGDM 算法训练BP 网络(在构建net中有说明)
[net,tr]=train(net,PP,TT);
A = sim(net,PP) ; % 对BP 网络进行仿真，
A=mapminmax('reverse',A,ps) ; % 对A矩阵进行反归一化处理（）
% 计算仿真误差
E = T - A
MSE=mse(E)
echo off
按上面的运行之后结果如图所示。
如果输出值与目标值完全相等则R=1，这里已经非常接近了，说明效果拟合效果还是可以的，右图是训练过程的平方和误差变化，达到我们指定的误差0.001时候，训练停止。
p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 原始数据归一化 net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx'); %设置网络,建立相应的BP 网络net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM 算法训练BP 网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); anew=postmnmx(anewn,mint,maxt); %对 BP 网络进行仿真%还原数据 y=anew'; 1、 BP 网络构建 （1）生成 BP 网络 net newff ( PR,[ S1 S2...SNl],{ TF1 TF 2...TFNl }, BTF , BLF , PF ) PR ：由R 维的输入样本最小最大值构成的R 2 维矩阵。 [ S1 S2...SNl] ：各层的神经元个数。 {TF 1 TF 2...TFNl } ：各层的神经元传递函数。 BTF ：训练用函数的名称。 （2）网络训练 [ net,tr ,Y, E, Pf , Af ] train (net, P, T , Pi , Ai ,VV , TV ) （3）网络仿真 [Y, Pf , Af , E, perf ] sim(net, P, Pi , Ai ,T ) {'tansig','purelin'},'trainrp' BP 网络的训练函数 训练方法 梯度下降法 有动量的梯度下降法 自适应 lr 梯度下降法 自适应 lr 动量梯度下降法弹性梯度下降法训练函数traingd traingdm traingda traingdx trainrp Fletcher-Reeves 共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgp
Matlab GUI编程教程（适用于初学者） 1．首先我们新建一个GUI文件：如下图所示； 选择Blank GUI(Default) 2．进入GUI开发环境以后添加两个编辑文本框，6个静态文本框，和一个按钮，布置如下
图所示； 布置好各控件以后，我们就可以来为这些控件编写程序来实现两数相加的功能了。3．我们先为数据1文本框添加代码； 点击上图所示红色方框，选择edit1_Callback，光标便立刻移到下面这段代码的位置。 1. 2. 3.function edit1_Callback(hObject, eventdata, handles) 4.% hObject handle to edit1 (see GCBO) 5.% eventdata reserved - to be defined in a future version of MATLAB
6.% handles structure with handles and user data (see GUIDATA) 7.% Hints: get(hObject,'String') returns contents of edit1 as text 8.% str2double(get(hObject,'String')) returns contents of edit1 as a double 复制代码 然后在上面这段代码的下面插入如下代码： 1. 2.%以字符串的形式来存储数据文本框1的内容. 如果字符串不是数字，则现实空白内容input = str2num(get(hObject,'String')); %检查输入是否为空. 如果为空,则默认显示为0if (isempty(input)) set(hObject,'String','0')endguidata(hObject, handles); 复制代码 这段代码使得输入被严格限制，我们不能试图输入一个非数字。 4．为edit2_Callback添加同样一段代码 5 现在我们为计算按钮添加代码来实现把数据1和数据2相加的目的。 用3中同样的方法在m文件中找到pushbutton1_Callback代码段 如下； 1.function pushbutton1_Callback(hObject, eventdata, handles) 2.% hObject handle to pushbutton1 (see GCBO) 3.% eventdata reserved - to be defined in a future version of MATLAB 4.% handles structure with handles and user data (see GUIDATA) 复制代码
BP神经网络模型 第1节基本原理简介 近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注． 目前，已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络
设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11)(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并 传向输出层。每一层神经元的状态只影响下一层神经
实例matlab-非线性规划-作业
现代设计方法-工程优化理论、方法与设计 姓名 学号 班级 研 问题 ： 某厂向用户提供发动机，合同规定，第一、二、三季度末分别交货40台、60台、80台。每季度的生产费用为 （元），其中x 是该季生产的台数。若交货后有剩余，可用于下季度交货，但需支付存储费，每台每季度c 元。已知工厂每季度最大生产能力为100台，第一季度开始时无存货，设a=50、b=0.2、c=4，问工厂应如何安排生产计划，才能既满足合同又使总费用最低。讨论a 、b 、c 变化对计划的影响，并作出合理的解释。 问题的分析和假设： 问题分析：本题是一个有约束条件的二次规划问题。决策变量是工厂每季度生产的台数，目标函数是总费用（包括生产费用和存储费）。约束条件是生产合同，生产能力的限制。在这些条件下需要如何安排生产计划，才能既满足合同又使总费用最低。 问题假设： 1、工厂最大生产能力不会发生变化； 2、合同不会发生变更； 3、第一季度开始时工厂无存货； 4、生产总量达到180台时，不在进行生产； 5、工厂生产处的发动机质量有保证，不考虑退货等因素； 6、不考虑产品运输费用是否有厂家承担等和生产无关的因素。 符号规定： x1——第一季度生产的台数； x2——第二季度生产的台数； 180-x1-x2——第三季度生产的台数； y1——第一季度总费用； y2——第二季度总费用； y3——第三季度总费用； y ——总费用（包括生产费用和存储费）。 ()2bx ax x f +=
建模： 1、第一、二、三季度末分别交货40台、60台、80台； 2、每季度的生产费用为 （元）； 3、每季度生产数量满足40 ≤x1≤100，0≤x2≤100，100≤x1+x2 ≤180； 4、要求总费用最低，这是一个目标规划模型。 目标函数: y1 2111x b x a Z ?+?= y2()4012222-?+?+?=x c x b x a Z y3()()()10018018021221213 -+?+--?+--?=x x c x x b x x a Z y x x x x x x Z Z Z Z 68644.04.04.0149201 212221321--+++=++= 40≤x1≤100 0≤x2≤100 100≤x1+x2≤180 ()2 bx ax x f +=
MATLAB简单程序大全 求特征值特征向量 A=[2 3 4;1 5 9;8 5 2] det(A) A' rank(A) inv(A) rref(A) eig(A)%求特征值和特征向量 卫星运行问题 h=200,H=51000,R=6378; a=(h+H+2*R)/2; c=(H-h)/2; b=(a^2-c^2)^(1/2); e=c/a; f=sqrt(1-exp(2).*cos(t)^2); l=int(f,t,0,pi/2) L=4*a.*l 动态玫瑰线 n=3;N=10000; theta=2*pi*(0:N)/N; r=cos(n*theta); x=r.*cos(theta); y=r.*sin(theta); comet(x,y) 二重积分 syms x y f=x^2*sin(y); int(int(f,x,0,1),y,0,pi) ezmesh(f,[0,1,0,pi]) 函数画图 syms x;f=exp(-0.2*x)*sin(0.5*x); ezplot(f,[0,8*pi])
玫瑰线 theta=0:0.01:2*pi; r=cos(3*theta); polar(theta,r,'r') 求x^2+y^2=1和x^2+z^2=1所围成的体积 syms x y z R r=1; Z=sqrt(1-x^2); y0=Z; V=8*int(int(Z,y,0,y0),x,0,1) 求导数及图像 f='1/(5+4*cos(x))'; subplot(1,2,1);ezplot(f) f1=diff(f) subplot(1,2,2);ezplot(f1) 绕x轴旋转 t=(0:20)*pi/10; r=exp(-.2*t).*sin(.5*t); theta=t; x=t'*ones(size(t)); y=r'*cos(theta); z=r'*sin(theta); mesh(x,y,z) colormap([0 0 0]) 某年是否闰年 year=input('input year:='); n1=year/4; n2=year/100; n3=year/400; if n1==fix(n1)&n2~=fix(n2) disp('是闰年') elseif n1==fix(n1)&n3==fix(n3) disp('是闰年') else
神经网络的设计实例(MATLAB编程) 例1 采用动量梯度下降算法训练BP 网络。训练样本定义如下： 输入矢量为 p =[-1 -2 3 1 -1 1 5 -3] 目标矢量为t = [-1 -1 1 1] 解：本例的MATLAB 程序如下： close all clear echo on clc % NEWFF——生成一个新的前向神经网络% TRAIN——对BP 神经网络进行训练 % SIM——对BP 神经网络进行仿真pause % 敲任意键开始 clc % 定义训练样本 P=[-1, -2, 3, 1; -1, 1, 5, -3]; % P 为输入矢量T=[-1, -1, 1, 1]; % T 为目标矢量
clc % 创建一个新的前向神经网络 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net.IW{1,1} inputbias=net.b{1} % 当前网络层权值和阈值 layerWeights=net.LW{2,1} layerbias=net.b{2} pause clc % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause clc % 调用TRAINGDM 算法训练BP 网络 [net,tr]=train(net,P,T);
Matlab训练好的BP神经网络如何保存和读取方法（附实例说明） 看到论坛里很多朋友都在提问如何存储和调用已经训练好的神经网络。 本人前几天也遇到了这样的问题，在论坛中看了大家的回复，虽然都提到了关键的两个函数“save”和“load”，但或多或少都简洁了些，让人摸不着头脑（呵呵，当然也可能是本人太菜）。通过不断调试，大致弄明白这两个函数对神经网络的存储。下面附上实例给大家做个说明，希望对跟我有一样问题的朋友有所帮助。 如果只是需要在工作目录下保到当前训练好的网络，可以在命令窗口 输入：save net %net为已训练好的网络 然后在命令窗口 输入：load net %net为已保存的网络 加载net。 但一般我们都会在加载完后对网络进行进一步的操作，建议都放在M文件中进行保存网络和调用网络的操作 如下所示： %% 以函数的形式训练神经网络 functionshenjingwangluo() P=[-1,-2,3,1; -1,1,5,-3]; %P为输入矢量 T=[-1,-1,1,1,]; %T为目标矢量 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') %创建一个新的前向神经网络 inputWeights=net.IW{1,1} inputbias=net.b{1} %当前输入层权值和阀值 layerWeights=net.LW{2,1} layerbias=net.b{2} net.trainParam.show=50; net.trainParam.lr=0.05; net.trainParam.mc=0.9;
神经网络Matlab p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) R?维矩阵。 PR：由R维的输入样本最小最大值构成的2
S S SNl：各层的神经元个数。 [1 2...] TF TF TFNl：各层的神经元传递函数。 { 1 2...} BTF：训练用函数的名称。 （2）网络训练 = [,,,,,] (,,,,,,) net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp' BP网络的训练函数 训练方法训练函数 梯度下降法traingd 有动量的梯度下降法traingdm 自适应lr梯度下降法traingda 自适应lr动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere共轭梯度法traincgp Powell-Beale共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm
Matlab 程序代码 绘制y = 10e-1.5t sin( 7.75t ) 的函数图象 7.75 fv clear; t=0:0.02:10; f1=10/sqrt(7.75).*exp(-1.5*t); f2=sin(sqrt(7.75).*t); y=f1.*f2; plot(t,y,'-k',t,y,'ok'); xlabel('t');ylabel('y(t) ');title('函数图像') axis([-2 10 -0.5 2]) 拉氏变换 clear; clc; syms s t fs1 fs2 fs3 ft1 ft2 ft3; L=1,C=0.1,R=[1.5 3 5]; h1=1/(L*C*s^2+R(1)*C*s+1); h2=1/(L*C*s^2+R(2)*C*s+1); h3=1/(L*C*s^2+R(3)*C*s+1); fs1=h1*(1/s); fs2=h2*(1/s); fs3=h3*(1/s);
ft1=ilaplace(fs1,s,t); ft2=ilaplace(fs2,s,t); ft3=ilaplace(fs3,s,t); ezplot(t,ft1); hold on; ezplot(t,ft2); hold on; ezplot(t,ft3); 信号编码 对[1 1 0 1 1 1 0 1 0 0 1]进行编码。 clear; clc; c=[1 1 0 1 1 1 0 1 0 0 1] for i=1:length(c) if i==1 d1(i)=0;d2(i)=0; elseif i==2 d1(i)=c(i-1);d2(i)=c(i-1); elseif i==3 d1(i)=mod(c(i-1)+c(i-2),2); d2(i)=c(i-1); else d1(i)=mod(c(i-1)+c(i-2),2); d2(i)=mod(c(i-1)+c(i-3),2); end
基于MATLAB的BP神经网络工具箱函数 最新版本的神经网络工具箱几乎涵盖了所有的神经网络的基本常用模型，如感知器和BP网络等。对于各种不同的网络模型，神经网络工具箱集成了多种学习算法，为用户提供了极大的方便[16]。Matlab R2007神经网络工具箱中包含了许多用于BP网络分析与设计的函数，BP网络的常用函数如表3.1所示。 3.1.1BP网络创建函数 1) newff 该函数用于创建一个BP网络。调用格式为： net=newff net=newff(PR,[S1S2..SN1],{TF1TF2..TFN1},BTF,BLF,PF) 其中， net=newff;用于在对话框中创建一个BP网络。 net为创建的新BP神经网络； PR为网络输入向量取值范围的矩阵； [S1S2…SNl]表示网络隐含层和输出层神经元的个数； {TFlTF2…TFN1}表示网络隐含层和输出层的传输函数，默认为‘tansig’； BTF表示网络的训练函数，默认为‘trainlm’； BLF表示网络的权值学习函数，默认为‘learngdm’； PF表示性能数，默认为‘mse’。
2）newcf函数用于创建级联前向BP网络，newfftd函数用于创建一个存在输入延迟的前向网络。 3.1.2神经元上的传递函数 传递函数是BP网络的重要组成部分。传递函数又称为激活函数，必须是连续可微的。BP网络经常采用S型的对数或正切函数和线性函数。 1) logsig 该传递函数为S型的对数函数。调用格式为： A=logsig（N） info=logsig（code） 其中， 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）tansig 该函数为双曲正切S型传递函数。调用格式为： A=tansig（N） info=tansig（code） 其中， N：Q个S维的输入列向量； A：函数返回值，位于区间（-1，1）之间。 3）purelin 该函数为线性传递函数。调用格式为： A=purelin（N） info=purelin（code） 其中， N：Q个S维的输入列向量； A：函数返回值，A=N。 3.1.3BP网络学习函数 1）learngd 该函数为梯度下降权值/阈值学习函数，它通过神经元的输入和误差，以及权值和阈值的学习效率，来计算权值或阈值的变化率。调用格式为： [dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) [db,ls]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS)
MATLAB作业一1、试求出如下极限。 （1） 23 25 (2)(3) lim (5) x x x x x x x ++ + →∞ ++ + ，（2） 23 3 1 2 lim () x y x y xy x y →- → + + ，（3） 22 22 22 1cos() lim ()x y x y x y x y e+ → → -+ + 解：（1）syms x； f=((x+2)^(x+2))*((x+3)^(x+3))/((x+5)^(2*x+5)) limit（f，x，inf） =exp（-5） （2）syms x y； f=(x^2*y+x*y^3)/(x+y)^3； limit(limit(f,x,-1),y,2) =-6； （3）syms x y； f=(1-cos(x^2+y^2))/(x^2+y^2)*exp(x^2+y^2)； limit(limit(f,x,0),y,0) =0 2、试求出下面函数的导数。 （1 ）() y x=, (2)22 atan ln() y x y x =+ 解; （1）syms x; f=sqrt(x*sin(x)*sqrt(1-exp(x))); g= diff(f,x); g== (sin(x)*(1 - exp(x))^(1/2) + x*cos(x)*(1 - exp(x))^(1/2) - (x*exp(x)*sin(x))/(2*(1 - exp(x))^(1/2)))/(2*(x*sin(x)*(1 - exp(x))^(1/2))^(1/2)) pretty(g)= (2)syms x y; f=atan(y/x)-log(x^2+y^2) pretty(-simple(diff(f,x)/diff(f,y)))= 2 x + y =------- x - 2 y (3) 假设1 cos u- =，试验证 22 u u x y y x ?? = ???? 。 解：syms x y; u=1/cos(sqrt(x/y)); diff(diff(u,x),y)-diff(diff(u,y),x)=0; 所以： 22 u u x y y x ?? = ????
bp神经网络及matlab实现 分类：算法学习2012-06-20 20:56 66399人阅读评论(28) 收藏举报网络matlab算法functionnetworkinput 本文主要内容包括：(1) 介绍神经网络基本原理，(2) https://www.doczj.com/doc/6911859474.html,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https://www.doczj.com/doc/6911859474.html,/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、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。 一种解决方法是用已有的数据训练一个神经网络用作分类器。 如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节——神经网络实现。 第一节、神经网络基本原理 1. 人工神经元( Artificial Neuron )模型 人工神经元是神经网络的基本元素，其原理可以用下图表示：
图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为： 图中yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 若用X表示输入向量，用W表示权重向量，即： X = [ x0 , x1 , x2 , ....... , xn ]
matlab 仿真实例 实验五MATLAB 及仿真实验一、控制系统的时域分析 (一)稳定性 1、系统传递函数为G(s)，试判断其稳定性。 程序： >> nu m=[3,2,5,4,6]; >> den=[1,3,4,2,7,2]; >> sys=tf( nu m,de n); >> figure(1); >> pzmap(sys); >> title(' 零极点图') 由图可知：在S 右半平面有极点，因此可知系统是不稳定的。 2、用MATLA 求 出 G(s)=(s A 2+2*s+2)/(s A 4+7*s A 3+5*s+2) 的极点。 程序及结果： >> sys=tf([1,2,2],[1,7,3,5,2]); >> p=pole(sys) 矿'. 赳 _ ■ —
-6.6553 0.0327 + 0.8555i 0.0327 - 0.8555i -0.4100 (二)阶跃响应 1、二阶系统G(s)=10/s A2+2*s+10 1)键入程序，观察并记录单位阶跃响应曲线： 程序： >> sys=tf(10,[1,2,10]); >> step(sys); >> title('G(s)=10/sA2+2*s+10 单位阶跃响应曲线') 2）计算系统闭环跟、阻尼比、无阻尼振荡频率，并记录程序及结果： >> sys=tf(10,[1,2,10]); >> p=pole(sys)
p = -1.0000 + 3.0000i -1.0000 - 3.0000i >> [wn,z]=damp(sys) wn = 3.1623 3.1623 z = 0.3162 0.3162 3)记录实际测取的峰值大小，峰值时间和过渡过程时间，并填表实际值理论值峰值Cmax 1.35s 峰值时间tp 1.05s 过渡时间+5% 3.54s ts +2% 3.18s 程序: >> sys=tf(10,[1,2,10]); >> step(sys); >> title('G(s)=10/sA2+2*s+10 单位阶跃响应曲线')
用遗传算法优化BP神经网络的 Matlab编程实例 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- % GABPNET.m % 使用遗传算法对BP网络权值阈值进行优化，再用BP 算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=premnmx(XX); YY=premnmx(YY); %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},' trainlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数 %下面调用gaot工具箱，其中目标函数定义为gabpEval [x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,... 'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutatio n',[2 gen 3]); %绘收敛曲线图 figure(1) plot(trace(:,1),1./trace(:,3),'r-'); hold on plot(trace(:,1),1./trace(:,2),'b-'); xlabel('Generation'); ylabel('Sum-Squared Error'); figure(2) plot(trace(:,1),trace(:,3),'r-'); hold on plot(trace(:,1),trace(:,2),'b-'); xlabel('Generation'); ylabel('Fittness'); %下面将初步得到的权值矩阵赋给尚未开始训练的BP网络 [W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x); net.LW{2,1}=W1; net.LW{3,2}=W2; net.b{2,1}=B1; net.b{3,1}=B2; XX=P; YY=T; %设置训练参数 net.trainParam.show=1; net.trainParam.lr=1; net.trainParam.epochs=50; net.trainParam.goal=0.001; %训练网络 net=train(net,XX,YY); 程序二：适应值函数 function [sol, val] = gabpEval(sol,options) % val - the fittness of this individual % sol - the individual, returned to allow for Lamarckian evolution % options - [current_generation] load data2 nntwarn off XX=premnmx(XX); YY=premnmx(YY); P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 for i=1:S, x(i)=sol(i); end; [W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x);
MATLAB 作业二 1、请将下面给出的矩阵A 和B 输入到MATLAB 环境中，并将它们转换成符号矩阵。若某一 矩阵为数值矩阵，另以矩阵为符号矩阵，两矩阵相乘是符号矩阵还是数值矩阵。 57651653 5501232310014325462564206441211346,3 9636623 51521210760077410120172440773 473 78 124867217110 7 681 5A B ???? ?????????? ????? ?==?????? ????? ?---????????--??? ? 解：A 转换为符号矩阵；a=sym（A） a=[5,7,6,5,1,6,5] [2,3,1,0,0,1,4][6,4,2,0,6,4,4][3,9,6,3,6,6,2][10,7,6,0,0,7,7][7,2,4,4,0,7,0][4,8,6,7,2,1,7]B 转换为符号矩阵；b=sym（B）b = [3,5,5,0,1,2,3][3,2,5,4,6,2,5][1,2,1,1,3,4,6][3,5,1,5,2,1,2][4,1,0,1,2,0,1][-3,-4,-7,3,7,8,12][1,-10,7,-6,8,1,5] 若某一矩阵为数值矩阵，另以矩阵为符号矩阵，两矩阵相乘是符号矩阵例；a*B= [48,3,64,48,159,106,194][17,-26,47,-8,62,26,59][48,-8,52,12,108,64,124][59,22,41,69,151,101,184][43,-22,91,13,175,121,220][22,39,4,53,88,94,147][75,11,115,36,151,70,151] 2、利用MATLAB 语言提供的现成函数对习题1中给出的两个矩阵进行分析，判定它们是否 为奇异矩阵，得出矩阵的秩、行列式、迹和逆矩阵，检验得出的逆矩阵是否正确。 解：由于a=det（A）=3.7396e+04；故A 是非奇异矩阵。B=det（B）=0，故B 是奇异矩阵； 由于a=rank(A)=7，故A 的秩为7；由于b=rank(B)=5，故B 的秩为5；由于a=trace(A)=27，b=trace(B)=26，故A，B 的迹为27,26；由a=inv(A)得A 的逆矩阵如下；
Matlab 程序代码 绘制 1.5 10sin(7.75)7.75 t y e t -= 的函数图象。 fv clear; t=0:0.02:10; f1=10/sqrt(7.75).*exp(-1.5*t); f2=sin(sqrt(7.75).*t); y=f1.*f2; plot(t,y,'-k',t,y,'ok'); xlabel('t');ylabel('y(t) ');title('函数图像') axis([-2 10 -0.5 2]) 拉氏变换 clear; clc; syms s t fs1 fs2 fs3 ft1 ft2 ft3; L=1,C=0.1,R=[1.5 3 5]; h1=1/(L*C*s^2+R(1)*C*s+1); h2=1/(L*C*s^2+R(2)*C*s+1);
h3=1/(L*C*s^2+R(3)*C*s+1); fs1=h1*(1/s); fs2=h2*(1/s); fs3=h3*(1/s); ft1=ilaplace(fs1,s,t); ft2=ilaplace(fs2,s,t); ft3=ilaplace(fs3,s,t); ezplot(t,ft1); hold on; ezplot(t,ft2); hold on; ezplot(t,ft3); 信号编码 对[1 1 0 1 1 1 0 1 0 0 1]进行编码。 clear; clc; c=[1 1 0 1 1 1 0 1 0 0 1] for i=1:length(c) if i==1 d1(i)=0;d2(i)=0; elseif i==2 d1(i)=c(i-1);d2(i)=c(i-1); elseif i==3
《Matlab/Simulink电力系统建模与仿真》 上机实验报告 班级：15电气工程及其自动化二班 学号：154139240096 姓名：汤嘉旺 实验一：Powergui在简单电力系统潮流计算中的应用实例 1.1实验内容与要求 完成2机5节点电力系统的潮流计算，以2机5节点电力系统为模型进行Matlab/Simulink电力系统建模与仿真。并完成电力系统元件的模型选择、模型参数的计算及设置、计算结果及比较。 2机5节点电力系统图 1.2 Simulink建模原理图和主要模块参数设置 1、发电机模型 在该系统中的两台发电机均选用p.u.标准同步电机模块
“Synchronous Machine pu Standard”,该模块使用标幺值参数，以转子dq 轴建立的坐标系为参数，定子绕组为星形连接。 2、变压器模块 系统中的两台变压器均选用三相双绕组变压器模块 “Three-phase Transformer(Two Windings)”,采用Y-Y连接方式。 3、线路模块 系统中带有地导纳的线路选用三相“II”形等值模块 “Three Phase PI Section Line”,没有对地导纳的线路选用三相串联RLC支路模块“Three Phase Series RLC Branch”。 4、负荷模块 在SimPowerSystems库中，利用R、L、C的串联或并联组合，提供了两个静态三相负荷模块。这两种模块是用恒阻抗支路模拟负荷，在仿真时，在给定的频率下负荷阻抗为常数。 5、母线模块 选择带有测量元件的母线模型，及三相电压电流测量元 件“Three-Phase V-I Measurement”来模拟系统中的母线，同时方便测量流过线路的潮流，在线路元件的两端也设置了该元件。 2机5节点电力系统潮流计算仿真模型图
Matlab 程序代码 绘 制 1.5sin(7.75)7.75t y e t -=的函数图象。 fv clear; t=0:0.02:10; f1=10/sqrt(7.75).*exp(-1.5*t); f2=sin(sqrt(7.75).*t); y=f1.*f2; plot(t,y,'-k',t,y,'ok'); xlabel('t');ylabel('y(t) ');title('函数图像') axis([-2 10 -0.5 2]) 拉氏变换 clear; clc; syms s t fs1 fs2 fs3 ft1 ft2 ft3; L=1,C=0.1,R=[1.5 3 5]; h1=1/(L*C*s^2+R(1)*C*s+1); h2=1/(L*C*s^2+R(2)*C*s+1);
h3=1/(L*C*s^2+R(3)*C*s+1); fs1=h1*(1/s); fs2=h2*(1/s); fs3=h3*(1/s); ft1=ilaplace(fs1,s,t); ft2=ilaplace(fs2,s,t); ft3=ilaplace(fs3,s,t); ezplot(t,ft1); hold on; ezplot(t,ft2); hold on; ezplot(t,ft3); 信号编码 对[1 1 0 1 1 1 0 1 0 0 1]进行编码。clear; clc; c=[1 1 0 1 1 1 0 1 0 0 1] for i=1:length(c) if i==1 d1(i)=0;d2(i)=0; elseif i==2 d1(i)=c(i-1);d2(i)=c(i-1); elseif i==3
BP神经网络及其MATLAB实例 问题：BP神经网络预测2020年某地区客运量和货运量 公路运量主要包括公路客运量和公路货运量两方面。某个地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，已知该地区20年(1999-2018)的公路运量相关数据如下： 人数/万人： 20.5522.4425.3727.1329.4530.1030.9634.0636.4238.09 39.1339.9941.9344.5947.3052.8955.7356.7659.1760.63机动车数量/万辆： 0.60.750.850.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1 公路面积/单位：万平方公里： 0.090.110.110.140.200.230.230.320.320.34 0.360.360.380.490.560.590.590.670.690.79 公路客运量/万人：5126621777309145104601138712353157501830419836 21024194902043322598251073344236836405484292743462公路货运量/万吨： 1237137913851399166317141834432281328936 11099112031052411115133201676218673207242080321804影响公路客运量和公路货运量主要的三个因素是：该地区的人数、机动车数量和公路面积。 Matlab代码实现 %人数(单位：万人) numberOfPeople=[20.5522.4425.3727.1329.4530.1030.9634.0636.42 38.0939.1339.9941.9344.5947.3052.8955.7356.7659.1760.63]; %机动车数(单位：万辆) numberOfAutomobile=[0.60.750.850.91.051.351.451.61.71.852.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1]; %公路面积(单位：万平方公里) roadArea=[0.090.110.110.140.200.230.230.320.320.340.360.360.38