神经网络模式识别方法,神经网络模式识别代码

为什么Matlab神经网络里面会有聚类分析，模式识别，还有fitting tools，神经网络和聚类、模式有区别吗？

我的理解是神经网络可以用于预测，模式识别，聚类，fittingtools是MATLAB自带工具箱模式识别与分类都是基于原始数据通过学习训练网络来预测新的数据源，通过预测结果来确定属于哪一类。

真正的聚类分析是给定初始点迭代通过计算类间距离确定属于哪一类，谱系聚类和kmeans聚类。

而神经网络倾向于有监督学习，已经给定样本数据及所属类别输出为（0,1），（1,0），根据样本数据进行训练学习，再对新的数据进行计算输出，通过输出判断类别。

谷歌人工智能写作项目：神经网络伪原创

matlab神经网络分类工具,神经网络模式识别工具这两个是不是差不多的。 40

的确，这两个是相通的写作猫。模式识别（英语：PatternRecognition），就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。

随着计算机技术的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。

对人类来说，特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得）的识别。这是模式识别的两个重要方面。市场上可见到的代表性产品有光学字符识别、语音识别系统。

要求用MatLab，如何建立一个6输入，6个输出的BP神经网络用于模式识别？

。

A(n)=input('请输入');%input里面不能有任何变量，就是分号以及分号里面的内容改成这样就可以了另外函数有点复杂，不用num2str函数就可以了A=zeros(1,5);A=input('输入5个数据:');这样就可以了另外最后k=input(……);有错误，首先有分号，什么也显示不出来，而且此时k是等于你输入的那个数，而不是这个序号对应的A矩阵里元素的值改成k=A(input(……))就可以了如果加了分号，后面需要再加一个输出语句。

matlab神经网络目前有什么具体的实际应用

MATLAB中文论坛2010年出过一本书，北航出版社的，叫《MATLAB神经网络30个案例分析(豆瓣)》。我觉得把它作为入门书挺好的，每一章配有视频和代码，可以依样画葫芦。

刚刚顺手还看到了另一本书《MATLAB智能算法30个案例分析》，看目录貌似内容也比较接近的。

《神经网络》包含的30个例子：P神经网络的数据分类——语音特征信号分类BP神经网络的非线性系统建模——非线性函数拟合遗传算法优化BP神经网络——非线性函数拟合神经网络遗传算法函数极值寻优——非线性函数极值寻优基于BP_Adaboost的强分类器设计——公司财务预警建模PID神经元网络解耦控制算法——多变量系统控制RBF网络的回归——非线性函数回归的实现GRNN的数据预测——基于广义回归神经网络的货运量预测离散Hopfield神经网络的联想记忆——数字识别离散Hopfield神经网络的分类——高校科研能力评价连续Hopfield神经网络的优化——旅行商问题优化计算SVM的数据分类预测——意大利葡萄酒种类识别SVM的参数优化——如何更好的提升分类器的性能SVM的回归预测分析——上证指数开盘指数预测SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测自组织竞争网络在模式分类中的应用——患者癌症发病预测SOM神经网络的数据分类——柴油机故障诊断Elman神经网络的数据预测——电力负荷预测模型研究概率神经网络的分类预测——基于PNN的变压器故障诊断神经网络变量筛选——基于BP的神经网络变量筛选LVQ神经网络的分类——乳腺肿瘤诊断LVQ神经网络的预测——人脸朝向识别小波神经网络的时间序列预测——短时交通流量预测模糊神经网络的预测算法——嘉陵江水质评价广义神经网络的聚类算法——网络入侵聚类粒子群优化算法的寻优算法——非线性函数极值寻优遗传算法优化计算——建模自变量降维基于灰色神经网络的预测算法研究——订单需求预测基于Kohonen网络的聚类算法——网络入侵聚类神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类。

我是初学，编的神经网络在matlab中运行出错了，求指点，谢谢！

。

你这是改人家的代码的吧.看楼主做的是模式识别,可以参考nnetinfo里的你的代码有两个地方有错:'net.traimParam.epochs=1000;%训练步数'里的traimParam应该是trainParam,后面几句也是.newff里[10,3],3代表输出是3个变量,而你的输出是一个变量.所以应该改为[10,1]改好的代码如下:P=[329.820332.869328.685329.011332.596337.584330.125333.822331.888336.239329.090332.724334.409336.184337.622332.897327.786330.213329.179340.234337.217333.563333.259337.763330.012334.876335.324331.829333.317328.841];%输出样本T=[010101010101010101010101010101010101010110101010101010101010];net=newff(minmax(P),[10,1],{'tansig','logsig'},'trainlm');%创建新的向前神经网络net=init(net);%初始化函数{1};%层与层的权系数b1=net.b{1};%层与层间神经元的阈值{2};b2=net.b{2};net.trainParam.epochs=1000;%训练步数=0.0001;%目标误差=0.1;%学习率net=train(net,P,T);%训练指令y=sim(net,P);%仿真figure(1);plot(y,'r+');grid;p=[330.624335.042331.995335.497330.140328.075328.010334.200332.044331.983371.688375.61377.571383.452373.206375.863375.041369.156373.902369.599];a=sim(net,p);%测试holdonplot(a,'bo')。

这种写法的bp神经网络，可以用哪个版本的，matlab运行，不报错！

在MATLAB的commandwindow里输出命令nnstart即可调用其自带的神经网络工具箱向导。首先根据你要解决的问题选择合适的神经网络，这里以运用的最多的模式识别举例。

选择patternrecognitionapp。

matlab的神经网络工具箱怎么用

1．神经网络神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。

一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所示。这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。

作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经网络。神经网络已经在各个领域中应用，以实现各种复杂的功能。这些领域包括：模式识别、鉴定、分类、语音、翻译和控制系统。

如今神经网络能够用来解决常规计算腿四岩越饩龅奈侍狻N颐侵饕ü飧龉ぞ呦淅唇⑹痉兜纳窬缦低常⒂τ玫焦こ獭⒔鹑诤推渌导氏钅恐腥ァ?BR>一般普遍使用有监督训练方法，但是也能够通过无监督的训练方法或者直接设计得到其他的神经网络。

无监督网络可以被应用在数据组的辨别上。一些线形网络和Hopfield网络是直接设计的。总的来说，有各种各样的设计和学习方法来增强用户的选择。

神经网络领域已经有50年的历史了，但是实际的应用却是在最近15年里，如今神经网络仍快速发展着。因此，它显然不同与控制系统和最优化系统领域，它们的术语、数学理论和设计过程都已牢固的建立和应用了好多年。

我们没有把神经网络工具箱仅看作一个能正常运行的建好的处理轮廓。

我们宁愿希望它能成为一个有用的工业、教育和研究工具，一个能够帮助用户找到什么能够做什么不能做的工具，一个能够帮助发展和拓宽神经网络领域的工具。

因为这个领域和它的材料是如此新，这个工具箱将给我们解释处理过程，讲述怎样运用它们，并且举例说明它们的成功和失败。

我们相信要成功和满意的使用这个工具箱，对范例和它们的应用的理解是很重要的，并且如果没有这些说明那么用户的埋怨和质询就会把我们淹没。所以如果我们包括了大量的说明性材料，请保持耐心。

我们希望这些材料能对你有帮助。这个章节在开始使用神经网络工具箱时包括了一些注释，它也描述了新的图形用户接口和新的运算法则和体系结构，并且它解释了工具箱为了使用模块化网络对象描述而增强的机动性。

最后这一章给出了一个神经网络实际应用的列表并增加了一个新的文本--神经网络设计。这本书介绍了神经网络的理论和它们的设计和应用，并给出了相当可观的MATLAB和神经网络工具箱的使用。

2．准备工作基本章节第一章是神经网络的基本介绍，第二章包括了由工具箱指定的有关网络结构和符号的基本材料以及建立神经网络的一些基本函数，例如new、init、adapt和train。

第三章以反向传播网络为例讲解了反向传播网络的原理和应用的基本过程。帮助和安装神经网络工具箱包含在nnet目录中，键入helpnnet可得到帮助主题。工具箱包含了许多示例。每一个。

如何通过人工神经网络实现图像识别

。

人工神经网络（ArtificialNeuralNetworks）（简称ANN）系统从20世纪40年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。

尤其是基于误差反向传播（ErrorBackPropagation）算法的多层前馈网络（Multiple-LayerFeedforwardNetwork）(简称BP网络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。

目标识别是模式识别领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义。

这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机，用神经网络识别图像的问题。

一、BP神经网络BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的BP网络采用的是梯度下降算法，也就是Widrow-Hoff算法所规定的。

backpropagation就是指的为非线性多层网络计算梯度的方法。一个典型的BP网络结构如图所示。我们将它用向量图表示如下图所示。

其中：对于第k个模式对，输出层单元的j的加权输入为该单元的实际输出为而隐含层单元i的加权输入为该单元的实际输出为函数f为可微分递减函数其算法描述如下：（1）初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。

（2）提供训练模式，训练网络，直到满足学习要求。（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）。

（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）二、BP网络隐层个数的选择对于含有一个隐层的三层BP网络可以实现输入到输出的任何非线性映射。

增加网络隐层数可以降低误差，提高精度，但同时也使网络复杂化，增加网络的训练时间。误差精度的提高也可以通过增加隐层结点数来实现。一般情况下，应优先考虑增加隐含层的结点数。

三、隐含层神经元个数的选择当用神经网络实现网络映射时，隐含层神经元个数直接影响着神经网络的学习能力和归纳能力。

隐含层神经元数目较少时，网络每次学习的时间较短，但有可能因为学习不足导致网络无法记住全部学习内容；隐含层神经元数目较大时，学习能力增强，网络每次学习的时间较长，网络的存储容量随之变大，导致网络对未知输入的归纳能力下降，因为对隐含层神经元个数的选择尚无理论上的指导，一般凭经验确定。

四、神经网络图像识别系统人工神经网络方法实现模式识别，可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，神经网络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类还不够多，神经网络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。

神经网络的图像识别系统是神经网络模式识别系统的一种，原理是一致的。一般神经网络图像识别系统由预处理，特征提取和神经网络分类器组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。

神经网络图像识别系统中的特征提取部分不一定存在，这样就分为两大类：①有特征提取部分的：这一类系统实际上是传统方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别目标图像。

特征提取必须能反应整个图像的特征。但它的抗干扰能力不如第2类。

②无特征提取部分的：省去特征抽取，整副图像直接作为神经网络的输入，这种方式下，系统的神经网络结构的复杂度大大增加了，输入模式维数的增加导致了网络规模的庞大。

此外，神经网络结构需要完全自己消除模式变形的影响。但是网络的抗干扰性能好，识别率高。当BP网用于分类时，首先要选择各类的样本进行训练，每类样本的个数要近似相等。

其原因在于一方面防止训练后网络对样本多的类别响应过于敏感，而对样本数少的类别不敏感。另一方面可以大幅度提高训练速度，避免网络陷入局部最小点。

由于BP网络不具有不变识别的能力，所以要使网络对模式的平移、旋转、伸缩具有不变性，要尽可能选择各种可能情况的样本。

例如要选择不同姿态、不同方位、不同角度、不同背景等有代表性的样本，这样可以保证网络有较高的识别率。

构造神经网络分类器首先要选择适当的网络结构：神经网络分类器的输入就是图像的特征向量；神经网络分类器的输出节点应该是类别数。隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。

然后要选择适当的学习算法，这样才会有很好的识别效果。

在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。

神经网络是按整个特征向量的整体来记忆图像的，只要大多数特征符合曾学习过的样本就可识别为同一类别，所以当样本存在较大噪声时神经网络分类器仍可正确识别。

在图像识别阶段，只要将图像的点阵向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。五、仿真实验1、实验对象本实验用MATLAB完成了对神经网络的训练和图像识别模拟。

从实验数据库中选择0～9这十个数字的BMP格式的目标图像。图像大小为16×8像素，每个目标图像分别加10％、20％、30％、40％、50％大小的随机噪声，共产生60个图像样本。

将样本分为两个部分，一部分用于训练，另一部分用于测试。实验中用于训练的样本为40个，用于测试的样本为20个。随机噪声调用函数randn(m,n)产生。

2、网络结构本试验采用三层的BP网络，输入层神经元个数等于样本图像的象素个数16×8个。隐含层选24个神经元，这是在试验中试出的较理想的隐层结点数。

输出层神经元个数就是要识别的模式数目，此例中有10个模式，所以输出层神经元选择10个，10个神经元与10个模式一一对应。

3、基于MATLAB语言的网络训练与仿真建立并初始化网络% ================S1 = 24;% 隐层神经元数目S1 选为24[R,Q] = size(numdata);[S2,Q] = size(targets);F = numdata;P=double(F);net = newff(minmax(P),[S1 S2],{'logsig''logsig'},'traingda','learngdm')这里numdata为训练样本矩阵，大小为128×40，targets为对应的目标输出矩阵，大小为10×40。

newff(PR,[S1S2…SN],{TF1TF2…TFN}，BTF,BLF,PF)为MATLAB函数库中建立一个N层前向BP网络的函数，函数的自变量PR表示网络输入矢量取值范围的矩阵[Pminmax];S1~SN为各层神经元的个数；TF1~TFN用于指定各层神经元的传递函数；BTF用于指定网络的训练函数；BLF用于指定权值和阀值的学习函数；PF用于指定网络的性能函数，缺省值为‘mse’。

设置训练参数net.performFcn = 'sse'; %平方和误差性能函数 = 0.1; %平方和误差目标 = 20; %进程显示频率net.trainParam.epochs = 5000;%最大训练步数 = 0.95; %动量常数网络训练net=init(net);%初始化网络[net,tr] = train(net,P,T);％网络训练对训练好的网络进行仿真D=sim(net,P);A = sim(net,B);B为测试样本向量集,128×20的点阵。

D为网络对训练样本的识别结果，A为测试样本的网络识别结果。实验结果表明：网络对训练样本和对测试样本的识别率均为100％。如图为64579五个数字添加50%随机噪声后网络的识别结果。

六、总结从上述的试验中已经可以看出，采用神经网络识别是切实可行的，给出的例子只是简单的数字识别实验，要想在网络模式下识别复杂的目标图像则需要降低网络规模，增加识别能力，原理是一样的。

可以给我模式识别的RBF神经网络的matlab程序吗，谢谢，谢谢了