人工神经网络的例子两三个就可以了。

[人工神经网络的例子两三个就可以了。。]基于MATLAB的神经网络编程（1）编程理论作为比较成熟的算法，软件Matlab中有神经网络工具箱，所以可以借助Matlab神经网络工具箱的强大功能，在此基础上进行二次开发，从繁琐的编程工作...+阅读

人工神经网络的例子两三个就可以了。。

基于MATLAB的神经网络编程

（1）编程理论作为比较成熟的算法，软件Matlab中有神经网络工具箱，所以可以借助Matlab神经网络工具箱的强大功能，在此基础上进行二次开发，从繁琐的编程工作中解脱出来，大大提高工作效率。Matlab的神经网络工具箱是在Matlab环境下所开发出来的许多工具箱之一，它以人工神经网络理论为基础，用Matlab语言构造出典型神经网络的激活函数（如S型、线性等激活函数），使使用者对所选定网络的输出计算编程对激活函数的调用；另外，根据各种修改网络权值的规律，加上网络的训练过程，用Matlab编写出各种网络训练的子程序。这样，使用者可以根据自己的应用要求，直接调用（或加进自己编写的）神经网络子函数，而不必要从事繁琐的编程。基于Matlab的BP神经网络编程过程如下：

（1）对样本集进行归一化确定输入样本和输出样本，并对它们进行归一化，将输入和输出样本变换到（0.1,0.9）区间，由于Matlab的归一化函数premnmx把数据变换到（-1,1）之间，所以使用自编premnmx2归一化函数。

（2）创建BP神经网络在样本集确定之后，即可进行网络的结构设计，在Matlab中一般使用newff创建函数，它不但创建了网络对象，还自动初始化网络的权重和阈值。如果需要重新初始化网络权重和阈值，可以使用Init函数。关键语句如下：net=newff（输入样本的取值范围，[网络各层的神经元数目]，{网络各层神经元的激活函数}，‘训练函数'，‘学习函数’，‘性能函数’）一般选用三层BP网络，输入层、输出层的神经元个数根据具体情况确定，而隐层神经元个数目前多采用经验的方法确定。

（3）设置网络的训练参数net.trainParam.epochs―最大收敛次数；net.trainParam.goal―收敛误差；net.trainParam.show―显示间隔；以上在一般的神经网络训练中都有使用，本文使用Levenberg-Marquart优化算法进行训练，还需设置的参数有：net.trainParam.mu―Levenberg-Marquart优化算法中的net.trainParam.mu_dec― 的缩减因子；

急求人工神经网络的MATLAB算法求大虾教我

1、采用2-5-1三层BP网络结构即可实现其 MATLAB 程序如下： clc clear a=rand(2,200); x=a(1,:); y=a(2,:); F=x.^2+y.^2; net=newff(minmax(a),[5,1],{'tansig' 'purelin'},'trainlm'); net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainparam.goal=0.001; net=train(net,a,F) b=rand(2,100); x1=b(1,:); y1=b(2,:); F1=x1.^2+y1.^2; ty=sim(net,b); subplot(1,2,1) plot(F1); subplot(1,2,2) plot(ty,'r') 以上程序我运行很好，。

2、神经网络的核心就是求权值W，偏置值b，很多算法都可实现，当V,M收敛后，就确定这个函数了，只是这个函数为非线性函数，非常复杂，表达困难，已经包含在训练好的神经网络了，此时，可以用这个网络进行预测和分类记住分给我啊，这个matlab程序花了很多时间，注释懒的写了，你应该看的懂的。

简单说明人工神经网络和模糊神经网络

其实百科说明的很详细，如“人工神经网络是模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的利用也较少。但缺点是它不能处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习及问题的求解具有黑箱特性，其工作不具有可解释性，同时它对样本的要求较高；模糊系统相对于神经网络而言，具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，很难实现自适应学习的功能，而且如何自动生成和调整隶属度函数和模糊规则，也是一个棘手的问题。”

即保证人工神经网络自身的学习能力下，采用模糊理论解决模糊信号，使神经网络权系数为模糊权，或者输入为模糊量。

比如原本神经网络处理的是连续数据（double）不适合求解模糊数据，此时就需要引入模糊理论，来构造适合于求解这类模糊数据的神经网络。

用Matlab算BP神经网络的具体算法

BP神经网络的传递函数一般采用sigmiod函数，学习算法一般采用最小梯度下降法；下面是具体的程序例子：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 为输入矢量 P=[-1, -2, 3, 1; -1, 1, 5, -3]; % T 为目标矢量 T=[-1, -1, 1, 1]; pause; 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；学习速率 net.trainParam.mc = 0.9；动量系数 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); pause clc % 对 BP 网络进行仿真 A = sim(net,P) % 计算仿真误差 E = T - A MSE=mse(E) pause clc echo off