matlab神經(jīng)網(wǎng)絡工具箱怎么使用訓練好的神經(jīng)網(wǎng)絡？使用神經(jīng)網(wǎng)絡工具箱，很容易建立和訓練網(wǎng)絡。示例代碼如下：；%%BP算法函數(shù)out=BPnet（P，t，P）Test）%P，t對于示例，需要提前組織全

matlab神經(jīng)網(wǎng)絡工具箱怎么使用訓練好的神經(jīng)網(wǎng)絡？

使用神經(jīng)網(wǎng)絡工具箱，很容易建立和訓練網(wǎng)絡。示例代碼如下：；%%BP算法函數(shù)out=BPnet（P，t，P）Test）%P，t對于示例，需要提前組織全局s1net=newff（minmax（P），[S1，8]，{“Tansig”，“purelin”}，“trainlm”%trainlm訓練函數(shù)，這是最有效的%net=newff（P，t，31，{“Tansig”，“purelin”}，“trainlm”）%net.trainParam.epochs=1000凈. trainParam.goal=0.00001 net.trainParam.lr=0.01 net.trainParam.showWindow=false%阻止彈出訓練窗口net.trainParam.showCommandLine=False%阻止彈出訓練窗口。Net=train（Net，P，t）out=sim（Net，P，t）以上代碼不完整，附完整的程序及訓練樣本數(shù)據(jù)。

matlabSOM神經(jīng)網(wǎng)絡算法？

使用Newsom函數(shù)創(chuàng)建網(wǎng)絡：Net=Newsom（PR，[D1，D2，^]，tfcn，dfcn，OLR，osteps，TLR，TND）PR：R輸入元素的最大值和最小值的設置值，R*2維矩陣Di：層I的維數(shù)，默認為[58]tfcn：拓撲函數(shù)，默認為hexopdfcn：距離函數(shù)，默認為linklistolr：分類階段的學習率，默認為0.9osteps：分形函數(shù)例如：>> P=[rand（1400）*2rand（1400）]>> plot（P（1，：），P（2，：），”?！埃眒arketize“，20）>> net=Newsom（[0 10 1]，[3 5]）>> net=train（net，P）>> hold on>> plotsom（網(wǎng)絡.iw{1，1}， 網(wǎng)絡層{1} . 距離）>>保持第二個函數(shù)：NEWC函數(shù)函數(shù)：此函數(shù)用于創(chuàng)建一個競賽層net=newcnet=NEWC（PR，s，KLR，CLR）s：神經(jīng)元數(shù)KLR:Kohonen學習速度，默認為0.01clr：共識學習速度，默認為0.001net：函數(shù)返回值，一個新的競賽層。您也可以參考所附的代碼，其中有一個SOM神經(jīng)網(wǎng)絡的情況。

MATLAB中BP神經(jīng)網(wǎng)絡的訓練算法具體是怎么樣的？

BP神經(jīng)網(wǎng)絡是最基本、最常用的神經(jīng)網(wǎng)絡。MATLAB有專門的功能來建立和訓練它，主要包括newff（）、train（）、sim（）。當然，如果其他歸一化函數(shù)如mapminmax（）、其他網(wǎng)絡（LR、goal等）的參數(shù)設置良好，則可以通過歷史數(shù)據(jù)的學習來進行預測。附錄是電力負荷預測的一個基本例子。它最初是電力負荷預測的一個例子，但它是通用的。仔細一看就知道了。