matlab 神经网络 向量 输入 方法

1. matlab 神经网络 向量 输入 方法

你这个P要变成P=[1000，3.2，100；
      2000，2.9，150]‘注意我加了一个“’”表示进行了转置，你运行看看，应该是正确的了！

2. 《MATLAB神经网络43个案例分析》 第17章运行疑问

您好，对于这个问题，配套视频中已经解释的相当清晰。
plotsomhits绘制了SOM神经网络的竞争层，每个神经元表示了他分类的向量。
plotsomplanes他会创建一系列子图，他展示了每一个竞争神经元和输入数据每一个特征的关系，无联系是黑色，强相关是红色。
希望您能仔细看下视频：
http://www.ilovematlab.cn/thread-65106-1-1.html

3. 我的Matlab程序中，训练好的神经网络输出都是1是为什么？

你的数据格式是怎样，请贴出来看一下，好帮你分析。

4. 在用matlab神经网络编程中如何把预测出来的归一后的数值还原为实际数值？用的归一函数是

关于神经网络（matlab）归一化的整理
关于神经网络归一化方法的整理
由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（by james）
1、线性函数转换，表达式如下：
y=(x-MinValue)/(MaxValue-MinValue)
说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
2、对数函数转换，表达式如下：
y=log10(x)
说明：以10为底的对数函数转换。
3、反余切函数转换，表达式如下：
y=atan(x)*2/PI
归一化是为了加快训练网络的收敛性，可以不进行归一化处理 
归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布； 
当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。
但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。
关于用premnmx语句进行归一化：
premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)
其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint和maxt分别为T的最小值和最大值。
premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。
我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。
下面介绍tramnmx函数：
[Pn]=tramnmx(P,minp,maxp)
其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。
（by terry2008）
matlab中的归一化处理有三种方法
1. premnmx、postmnmx、tramnmx
2. restd、poststd、trastd
3. 自己编程
具体用那种方法就和你的具体问题有关了 
（by happy）
pm=max(abs(p(i,:))); p(i,:)=p(i,:)/pm;
和
for i=1:27
p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));
end 可以归一到0 1 之间
0.1+(x-min)/(max-min)*(0.9-0.1)其中max和min分别表示样本最大值和最小值。
这个可以归一到0.1-0.9


premnmx归一化
postmnmx反归一化

具体的可以查看matlab的帮助文档，比如在command window 下直接输入help premnmx，就可以看到该函数的使用说明，已经和它相关的函数

5. matlab 中归一化的几种方法及其各自的适用条件

　　关于神经网络（matlab）归一化方法的整理

　　matlab中的归一化处理有三种方法：
　　1. premnmx、postmnmx、tramnmx
　　2. restd、poststd、trastd
　　3. 自己编程
　　具体用那种方法就和你的具体问题有关了

　　归一化是为了加快训练网络的收敛性，可以不进行归一化处理
　　归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布；
　　当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
　　归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。
　　但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。

　　归一化方法主要有如下几种：

　　1、线性函数转换，表达式如下：
　　y=(x-MinValue)/(MaxValue-MinValue)
　　说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。

　　2、对数函数转换，表达式如下：
　　y=log10(x)
　　说明：以10为底的对数函数转换。

　　3、反余切函数转换，表达式如下：
　　y=atan(x)*2/PI

　　关于用premnmx语句进行归一化：
　　premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)
　　其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint和maxt分别为T的最小值和最大值。
　　premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。

　　我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。
　　下面介绍tramnmx函数：
　　[Pn]=tramnmx(P,minp,maxp)
　　其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。

6. Matlab小问题 神经网络能求极值吗

可以啊，神经网络其实就是一种数值拟合的方法，其意义和泰勒级数展开实际上是一样的，只要你正确的拟合出了数据的规律是可以求得极大值的，而且神经网络的神经元函数都是非常好球微分的，所以可以用现在很多流行的数值方法，求极大值。

这里对于一维拟合需要使用小波函数，高维需要脊波函数，PID神经元网络可用于动态网络的无导师学习。

当然对于化工领域一些问题由于样本非常有限无法找到数据的正确规律，所以可能存在预报困难的问题

7. matlab BP神经网络多输出怎么实现。比如输出层有4个节点，输出向量和训练函数该怎么写？

输出的数量取决于你的target怎么设置，比如你的输入是一个5行n列的数据，输出是一个4行n列的数据，你用这个数据初始化并且训练神经网络，得到的当然是5个输入值4个输出值的神经网络。
函数怎么写的话，去看matlab 帮助，搜索newff，你就能看到用法了。

8. matlab中神经网络的数据归一化处理就是相当于模糊化吗？

%BP建模
clear;
%原始数据归一化 
p=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;
378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;
527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685]'；
t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];
%定义网络输入p1和期望输出t1
p1=p(:,1:13);t1=t(1:13);
[pn,PS]=mapminmax(p1);[tn,TS]=mapminmax(t1); 
%设置网络隐单元的神经元数 
NodeNum=15;
%建立相应的BP网络
net=newff(pn,tn,NodeNum,{'tansig','purelin'},'traingdm','learngdm');
% 训练网络
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.epochs=2000;
net.trainParam.goal=1e-4;
%调用TRAINGDM算法训练BP网络
net=train(net,pn,tn);
%对BP网络进行仿真
p2=p(:,[14 15]); 
p2n=mapminmax('apply',p2,PS);
a2n=sim(net,p2n);
a2=mapminmax('reverse',a2n,TS);
t2=[t([14 15]);
    a2]
%我也不知道怎么回事。我用前13组数据构建网络，去预测后两组，效果很差。建议你把NodeNum=15;中的数值更改一下看看有没有变化。