matlab实现神经网络算法,人工神经网络matlab代码

求一段神经网络MATLAB代码 50

function [presim ss net] = simnonlin( y,d,n )% y– 时间序列数据，列向量% d– 时间延迟参数，正整数% n–用于训练的点的个数，正整数trainset = gettrain(y,d);inputs = trainset(:,1:end-1)’;targets = trainset(:,end)’;net = feedforwardnet(20,’trainscg’);% net = newff(inputs,targets,40);% net = train(net,inputs,targets);net=train(net,inputs,targets);presim(1:d)=y(end-d+1:end);for i = d+1:d + npresim(i) = sim(net,presim(i-d:i-1)’);endss = presim(d+1:end)’;end调用示例：t=[1:100]’;y = exp(-0.1t).sin(t);d=10;n=80;sim = simnonlin( y,d,n );。

谷歌人工智能写作项目：神经网络伪原创

求预测一组数据的bp神经网络模型的matlab代码

用matlab求预测一组数据的bp神经网络模型，可以分1、给定已经数据，作为一个原始序列；2、设定自回归阶数，一般2～3，太高不一定好；3、设定预测某一时间段4、设定预测步数5、用BP自定义函数进行预测6、根据预测值，用plot函数绘制预测数据走势图其主要实现代码如下：clc% x为原始序列（行向量）x=[208.72 205.69 231.5 242.78 235.64 218.41];%x=[101.4 101.4 101.9 102.4 101.9 102.9];%x=[140 137 112 125 213 437.43];t=1:length(x);% 自回归阶数lag=3; %预测某一时间段t1=t(end)+1:t(end)+5;%预测步数为fnfn=length(t1); [f_out,iinput]=BP(x,lag,fn);P=vpa(f_out,5);A=[t1′ P’];disp(‘预测值’)disp(A)% 画出预测图figure(1),plot(t,iinput,’bo-‘),hold onplot(t(end):t1(end),[iinput(end),f_out],’rp-‘),grid ontitle(‘BP神经网络预测某地铁线路客流量’)xlabel(‘月号’),ylabel(‘客流量（百万）’);运行结果：

遗传算法优化概率神经网络的matlab代码

原理大概是，设置一个初始种群，种群里的个体就是平滑因子，经过遗传算法的选择、交叉、变异后，逐渐找到一个最佳的spread，即为最终结果。

附件是一个GA-BP算法的程序，虽然不同，但是原理是相近的，可以参考。遗传算法的基本运算过程如下：a)初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。

b)个体评价：计算群体P(t)中各个个体的适应度。c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。

选择操作是建立在群体中个体的适应度评估基础上的。d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。e)变异运算：将变异算子作用于群体。

即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

matlab程序 BP神经网络预测 程序如下：

P=[。。。];输入T=[。。。

];输出% 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],,’traingdm’)% 当前输入层权值和阈值inputbias=net_1.b% 当前网络层权值和阈值layerbias=net_1.b应该没问题吧。

这是我网上下载下来的，基于BP神经网络算法的牌照识别技术的matlab程序代码。但运行出来报错，要怎么改啊 10

求一个4，8，1的bp神经网络模型的matlab代码？

代码如下：直接运行就是了。

P=P=[-1, -2, 3, 1; -1, 1, 5, -3; -2, 3, 4, 6; 1, 2, 3, 4 ];%初始训练值% 创建一个新的前向神经网络 net=newff(minmax(P),[8,1],{‘tansig’,’purelin’},’traingdm’)% 当前输入层权值和阈值 {1,1} inputbias=net.b{1} % 当前网络层权值和阈值 {2,1} layerbias=net.b{2} % 设置训练参数 = 50; = 0.05; = 0.9; net.trainParam.epochs = 1000; = 1e-3; % 调用 TRAINGDM 算法训练 BP 网络 [net,tr]=train(net,P,T); % 对 BP 网络进行仿真 A = sim(net,P) %最后结果% 计算仿真误差 E = T – A MSE=mse(E)。

MATLAB线性神经网络的程序，跪求。。

美国Michigan 大学的 Holland 教授提出的遗传算法(GeneticAlgorithm, GA)是求解复杂的组合优化问题的有效方法 ，其思想来自于达尔文进化论和门德尔松遗传学说 ，它模拟生物进化过程来从庞大的搜索空间中筛选出较优秀的解，是一种高效而且具有强鲁棒性方法。

所以，遗传算法在求解TSP和 MTSP问题中得到了广泛的应用。

matlab程序如下：function[opt_rte,opt_brk,min_dist] =mtspf_ga(xy,dmat,salesmen,min_tour,pop_size,num_iter)%%%实例% n = 20;%城市个数% xy = 10rand(n,2);%城市坐标 随机产生，也可以自己设定% salesmen = 5;%旅行商个数% min_tour = 3;%每个旅行商最少访问的城市数% pop_size = 80;%种群个数% num_iter = 200;%迭代次数% a = meshgrid(1:n);% dmat =reshape(sqrt(sum((xy(a,:)-xy(a’,:)).^2,2)),n,n);% [opt_rte,opt_brk,min_dist] = mtspf_ga(xy,dmat,salesmen,min_tour,…% pop_size,num_iter);%函数%%[N,dims]= size(xy); %城市矩阵大小[nr,nc]= size(dmat); %城市距离矩阵大小n = N -1;% 除去起始的城市后剩余的城市的数% 初始化路线、断点的选择num_brks= salesmen-1;dof = n- min_toursalesmen; %初始化路线、断点的选择addto =ones(1,dof+1);for k =2:num_brks addto = cumsum(addto);endcum_prob= cumsum(addto)/sum(addto);%% 初始化种群pop_rte= zeros(pop_size,n); % 种群路径pop_brk= zeros(pop_size,num_brks); % 断点集合的种群for k =1:pop_size pop_rte(k,:) = randperm(n)+1; pop_brk(k,:) = randbreaks();end% 画图路径曲线颜色clr =[1 0 0; 0 0 1; 0.67 0 1; 0 1 0; 1 0.5 0];ifsalesmen > 5 clr = hsv(salesmen);end%%% 基于遗传算法的MTSPglobal_min= Inf; %初始化最短路径total_dist= zeros(1,pop_size);dist_history= zeros(1,num_iter);tmp_pop_rte= zeros(8,n);%当前的路径设置tmp_pop_brk= zeros(8,num_brks); %当前的断点设置new_pop_rte= zeros(pop_size,n);%更新的路径设置new_pop_brk= zeros(pop_size,num_brks);%更新的断点设置foriter = 1:num_iter % 计算适应值 for p = 1:pop_size d = 0; p_rte = pop_rte(p,:); p_brk = pop_brk(p,:); rng = [[1 p_brk+1];[p_brk n]]’; for s = 1:salesmen d = d + dmat(1,p_rte(rng(s,1)));% 添加开始的路径 for k = rng(s,1):rng(s,2)-1 d = d + dmat(p_rte(k),p_rte(k+1)); end d = d + dmat(p_rte(rng(s,2)),1); % 添加结束的的路径 end total_dist(p) = d; end % 找到种群中最优路径 [min_dist,index] = min(total_dist); dist_history(iter) = min_dist; if min_dist < global_min global_min = min_dist; opt_rte = pop_rte(index,:); %最优的最短路径 opt_brk = pop_brk(index,:);%最优的断点设置 rng = [[1 opt_brk+1];[opt_brk n]]’;%设置记录断点的方法 figure(1); for s = 1:salesmen rte = [1 opt_rte(rng(s,1):rng(s,2))1];plot(xy(rte,1),xy(rte,2),’.-‘,’Color’,clr(s,:)); title(sprintf(‘城市数目为 = %d,旅行商数目为 = %d,总路程 = %1.4f, 迭代次数 =%d’,n+1,salesmen,min_dist,iter)); hold on grid on end plot(xy(1,1),xy(1,2),’ko’); hold off end % 遗传操作 rand_grouping = randperm(pop_size); for p = 8:8:pop_size rtes = pop_rte(rand_grouping(p-7:p),:); brks = pop_brk(rand_grouping(p-7:p),:); dists =total_dist(rand_grouping(p-7:p)); [ignore,idx] = min(dists); best_of_8_rte = rtes(idx,:); best_of_8_brk = brks(idx,:); rte_ins_pts = sort(ceil(n*rand(1,2))); I = rte_ins_pts(1); J = rte_ins_pts(2); for k = 1:8 %产生新种群 tmp_pop_rte(k,:) = best_of_8_rte; tmp_pop_brk(k,:) = best_of_8_brk; switch k case 2% 倒置操作 tmp_pop_rte(k,I:J) =fliplr(tmp_pop_rte(k,I:J)); case 3 % 互换操作 tmp_pop_rte(k,[I J]) =tmp_pop_rte(k,[J I]); case 4 % 滑动平移操作 tmp_pop_rte(k,I:J) =tmp_pop_rte(k,[I+1:J I]); case 5% 更新断点 tmp_pop_brk(k,:) = randbreaks(); case 6 % 倒置并更新断点 tmp_pop_rte(k,I:J) =fliplr(tmp_pop_rte(k,I:J)); tmp_pop_brk(k,:) =randbreaks(); case 7 % 互换并更新断点 tmp_pop_rte(k,[I J]) =tmp_pop_rte(k,[J I]); tmp_pop_brk(k,:) =randbreaks(); case 8 % 评议并更新断点 tmp_pop_rte(k,I:J) =tmp_pop_rte(k,[I+1:J I]); tmp_pop_brk(k,:) =randbreaks(); otherwise end end new_pop_rte(p-7:p,:) = tmp_pop_rte; new_pop_brk(p-7:p,:) = tmp_pop_brk; end pop_rte = new_pop_rte; pop_brk = new_pop_brk;end figure(2) plot(dist_history,’b’,’LineWidth’,2); title(‘历史最优解’); xlabel(‘迭代次数’) ylabel(‘最优路程’) % 随机产生一套断点 的集合 function breaks = randbreaks() if min_tour == 1 % 一个旅行商时，没有断点的设置 tmp_brks = randperm(n-1); breaks =sort(tmp_brks(1:num_brks)); else % 强制断点至少找到最短的履行长度 num_adjust = find(rand。

Original: https://blog.csdn.net/aifamao6/article/details/126886782
Author: 幸福的小浣熊
Title: matlab实现神经网络算法,人工神经网络matlab代码