神经网络实现
❶ 如何用MATLAB的神经网络工具箱实现三层BP网络
这是一个来自<神经网络之家>nnetinfo的例子,在matlab2012b运行后的确可以,因为网络知道的文本宽度不够,注释挤到第二行了,有些乱,楼主注意区分哪些是代码哪些是注释,
x1 =
[-3,-2.7,-2.4,-2.1,-1.8,-1.5,-1.2,-0.9,-0.6,-0.3,0,0.3,0.6,0.9,1.2,1.5,1.8]; %x1：x1 = -3:0.3:2;
x2 =
[-2,-1.8,-1.6,-1.4,-1.2,-1,-0.8,-0.6,-0.4,-0.2,-2.2204,0.2,0.4,0.6,0.8,1,1.2];%x2：x2 = -2:0.2:1.2;
y = [0.6589,0.2206,-0.1635,-0.4712,-0.6858,-0.7975,-0.8040,...
-0.7113,-0.5326,-0.2875
,0,0.3035,0.5966,0.8553,1.0600,1.1975,1.2618]; %y：
y = sin(x1)+0.2*x2.*x2;
inputData = [x1;x2]; %将x1,x2作为输入数据
outputData = y; %将y作为输出数据
%使用用输入输出数据（inputData、outputData）建立网络，
%隐节点个数设为3.其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。
net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');
%设置一些常用参数
net.trainparam.goal = 0.0001;
%训练目标：均方误差低于0.0001
net.trainparam.show = 400; %每训练400次展示一次结果
net.trainparam.epochs = 15000;
%最大训练次数：15000.
[net,tr] = train(net,inputData,outputData);%调用matlab神经网络工具箱自带的train函数训练网络
simout = sim(net,inputData);
%调用matlab神经网络工具箱自带的sim函数得到网络的预测值
figure; %新建画图窗口窗口
t=1:length(simout);
plot(t,y,t,simout,'r')%画图，对比原来的y和网络预测的y
❷ 如何用BP神经网络实现预测
BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
❸ 神经网络如何用单片机实现
用单片机开发神经网络应用主要考虑三个方向：
1）网络本身，神网本质上是一组矩阵，矩阵在单片机中的表现可以通过数组来实现；
2）输入输出，神网的应用就是把输入阵列与网络本身的矩阵点乘叉乘后算术求和，产生输出矩阵，把输入输出的算法做到单片机里也不是难事；
3）训练，神网的权值矩阵都是训练出来的，采用诸如前向或反向的算法，可以做离线也可以做在线，如果做离线就没有必要把算法实现在单片机内，PC上就可以做，然后导入矩阵即可；如果做在线则是相对较难的技术，需要在单片机上实现，对于单片机本身的资源要求也较高。
简单说，1）是基础，也最容易；1）+2）就已经是神经网络的应用了，也容易实现；1）+2）+Matlab神经网络离线训练是易于实现，且富有弹性的应用方式；1）+2）+在线训练基本上就是具备自己学习能力的机器人，这是学术界一直探索的方向。
希望能给你一些启发，研究神网对我来说已经是五六年前的过去了，还是很怀念那时候的激情，个人认为这将是二十一世纪后期最有影响力的技术之一。
❹ BP神经网络代码用什么实现
BP算法，只是一种算法，用任何语言都能实现。
Matlab有神经网络工具箱，提供已经封装好的：网络建立函数newff、训练函数train，省去了自己编写代码的麻烦，你可以考虑。
BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
❺ 急求BP神经网络算法，用java实现！！！
见附件，一个基本的用java编写的BP网络代码。
BP（Back Propagation）神经网络是86年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
❻ 什么是人工神经网络及其算法实现方式
人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。
❼ 神经网络是什么
神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。
人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。因此，生物神经网络主要研究智能的机理；人工神经网络主要研究智能机理的实现，两者相辅相成。
(7)神经网络实现扩展阅读：
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。主要的研究工作集中在以下几个方面：
1、生物原型
从生理学、心理学、解剖学、脑科学、病理学等方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。
2、建立模型
根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
3、算法
在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。
神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。
❽ 神经网络计算机的实现技术
人工神经网络的主要特点是大量神经元之间的加权互连。这就是神经网络与光学技术相结合的重要原因。电子技术与光学技术相比，精确度高，便于程序控制，抗噪声能力强。但是，随着计算机芯片集成度和速度的提高，计算机中的引线问题已成为一个严重的障碍。由于电子引线不能互相短路交叉，引线靠近时会发生耦合，高速电脉冲在引线上传播时要发生色散和延迟，以及电子器件的扇入和扇出系数较低等问题，使得高密度的电子互连在技术上有很大困难。超大规模集成电路（VLSI）的引线问题造成的时钟扭曲（clock skew），严重限制了诺依曼型计算机的速度。而另一方面，光学互连是高度并行的，光线在传播时可以任意互相交叉而不会发生串扰，光传播速度极快，其延时和色散可以忽略不计，加上光学元件的扇入和扇出系数都很高，因此光学互连具有明显的优势。
正因如此，许多科学家早已开始研究采用光学互连来解决VLSI的引线问题，以及芯片之间、插板之间的连接问题。此外，光学运算的高度并行性和快速实现大信息量线性运算的能力，如矩阵相乘，二维线性变换，二维卷积、积分等，也是用光学手段实现人工神经网络的有利条件。光学信息处理虽有高速度及大信息量并行处理和优点，但要满足模糊运算和随机处理的要求还是远远不够的。光学信息处理性能的改进，要求在传统的线性光学处理系统中引入非线性，而这些问题的解决与神经网络的光学实现恰好不谋而合。光学信息处理中的许多课题，如光计算、图像变换、相关滤波、特征提取、边缘增强、联想存储、噪声消除等，都可以用神经网络的方法来完成。
关于光学神经网络的研究，国内外已提出许多不同的硬件系统。例如，基于光学矢量矩阵相乘的Hopfield网络的外积实现，采用全息存储和共轭反射镜（PCM）的全光学系统，采用液晶开关阵列、液晶光阀以及其它空间光调制器（SLM）的内积型光学神经网络，光电混合全双极“WTA”网络等等。光学神经网络已成为人工神经网络研究的一个重要组成部分。
❾ 神经网络在simulink中的实现
1.T=[1 1 1;1 1 1];目标函数是2维的，说明输出可为2个，所以net=newff(minmax(X),[5 2],{'tansig','purelin'},'trainlm');你这个程序少了参数设置部分：net.trainParam.epochs=50;net.trainparam.goal=1e-3;还有其他参数可设置。
2.你建好个这个模型是对X=[1 2 3;-1 1 1;1 3 2];T=[1 1 1;1 1 1];控制的，对你那个模型当然不行，你这个程序连个接口都没有没法用SIMULINK，getsim()这个函数我不了解，你要是仿真可用.M文件编个S-FUNCTION，可用于模型仿真。
❿ 如何用神经网络实现连续型变量的回归预测
神经网络最开始是机器学习的一种模型，但其训练的时间和其他几种模型相比不占优势，且结果也不尽人意，所以一直没有被广泛使用。但随着数学的深入研究以及计算机硬件质量的提高，尤其是GPU的出现，给深度学习的广泛应用提供了基础。GPU最初是为了给游戏玩家带来高质量的视觉体验，由于其处理矩阵运算的能力特别优秀，也被用于深度学习中模型的训练，以往数十天才能训练好的模型在GPU上训练几天就可以训练好，大大减少了深度学习的训练时间，因而深度学习的应用越来越多。
通常使用Python来搭建神经网络，Python自带深度学习的一些库，在进行回归预测时，我们只需用调用函数，设定几个参数，如隐藏层层数和神经元个数等，剩下的就是等模型自行训练，最终便能完成回归预测，非常的方便。