bp神经网络performance怎么看,BP神经网络用什么软件

1、除了MATLAB能做BP神经网络，还有其他什么软件能做

除了MATLAB能够实现BP神经网络外，还有哪些其他软件也可以用来实现

谷歌人工智能写作项目：小发猫

2、如何用BP神经网络去预测数据，请问谁会呢?貌似用到MATLAB这个软件。，。。。

在Matlab的帮助文档中打开，在进入神经网络工具箱选项后，可以选择大量BP（Backpropagation）预测的应用实例。具体而言，在该资源库中提供了详细的BP神经网络建模与仿真案例分析。

3、通过matlab软件做bp神经网络预测奶制品价格，求大神帮忙 30

样本组织是关键，在明确输入与输出样本的基础上展开分析。具体而言，在过去连续十二个月的数据基础上进行预测较为合理，在这种模式下将第n至n+11号数据共计十二个视为当前阶段的输入集合，在此之上取第n+12号数据作为下一阶段的输出目标

以附件的程序作参考，将P、T换为你的样本即可。

BP（Backward Propagation Algorithm）神经网络是由Rumelhart和McCelland等科学家于1986年提出的基于误差逆传播算法的一种多层前馈型神经网络模型。该方法旨在通过训练解决复杂的模式识别问题，并已发展成为其中应用最为广泛的一种神经网络模型之一。
该方法能够有效存储并学习大量输入-输出模式之间的映射关系，在无需预先明确描述这种映射关系的具体数学方程的情况下展现出强大的泛化能力。
其学习机制基于最速下降法原理，并通过反向传播算法动态更新各层节点之间的权值与阈值参数以最小化整体系统误差平方和的目标函数。
该网络架构通常由输入层、一个或多个隐含层以及输出层组成。

4、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command window中输入命令 nnstart 可以启动其自带的神经网络工具箱向导。首先为了解决特定问题而选择合适的神经网络模型，在这里我们采用应用广泛的模式识别技术作为示例。然后选择pattern recognition app进行操作。

5、关于车速检测的BP神经网络算法程序

以往的汽车四轮转向控制系统的设计，往往依据侧向加速度较小时的车辆运动的线型两轴模型进行线性控制器的设计。这样在某些危险行驶状态，例如紧急躲避障碍物、在路面摩擦力低的滑路面行驶，汽车四轮转向控制系统将失去应有的控制作用，致使汽车的转向安全性大大减低。文章提出在侧向加速度大的情况下，利用神经网络理论来设计汽车四轮转向控制系统。这样的控制系统不依赖于车辆运动的线型模型，它不是基于模型的控制，而是基于知识的控制，保证了控制系统能适应车辆运动的非线性特性。 2 基于神经网络四轮转向控制系统的设计 [IMG]image/040916guonew13-1.gif[/IMG] [IMG]image/040916guonew13-2.gif[/IMG] 四轮转向控制系统的控制目的应为：(1)对沿行驶路线行驶的汽车车身姿势进行控制，使汽车的侧偏角β保持为零；(2)横摆角速度λ或侧向加速度。接近所期望的转向响应特性。四轮转向控制系统采用后轮主动式，即控制器主动控制后轮的转角，通过控制后轮进行车辆运动控制。其控制系统如图1所示。在设计过程中，参两轮车的线性模型，选前轮转向角6f、横摆角速度／作为控制器的输入量；同时考虑侧向加速度α而造成的控制误差的补偿作用，把侧向加速度。也作为输入。图1中车辆系统为通过神经网络辩识的非线性动态系统。设计包括两部分内容：车辆动态模型离线辩识、后轮转向角神经网络控制器的设计. 2．1 车辆动态模型离线辩识 车辆动态模型离线辩识采用多层神经网络误差逆传播学习算法：BP神经网络法.BP神经网络是一种输入输出向量空间的非线性映射。其拓扑结构由3部分组成：输入层、隐含层和输出层。层与层之间各神经元实现全连接，而每层各神经元之间无连接。设计中采用具有双隐含层的BP网络，通过离线训练学到车辆动力系统的非线性特性。为使该网络能在车辆的各种工况下识别车辆运动，应使网络的学习模式对能覆盖车辆的全部工况。由于采集实际车辆的运行数据是非常困难的，因此在离线训练的过程中，采用四轮转向车辆系统模型，并通过计算机仿真(图2)向BP网络提供学习模式对，使BP网络进行离线训练学习，对BP网络的连接权和阈值进行粗调节；然后通过该模式提取测试模式对，对网络进行测试；测试满意后，再用实验数据对网络作进一步离线训练，从而对网络进行细调节。辩识系统中，输入参数有第n时间步侧偏角β(n)、横摆角速度γ(n)、前轮转向角(n)、后轮转向角δ(n)、侧向加速度α(n)5个参数；输出有第，2+l时间步侧偏角β(n+1)、横摆角速度γ(2+1)(图3)。训练网络用的信号δf(n)是幅值分别为3．4和5．5的阶跃信号和正弦信号。每层神经元数分别为5、12、10、2。两隐层传递函数均为双极性Sigmoid函数[IMG]image/040916guonew13-g1.gif[/IMG] 输出层传递函数为线性函数。 [IMG]image/040916guonew13-3.gif[/IMG] 2．2 神经控制器的设计 为配合车辆动态模型一起工作，设计神经控制器。该控制器也是双隐含层的BP神经网络各层神经元数分别为3、10、10、l。控制器的输入为横摆角速度／(，2)、前轮转角δf(n)及与车速有关的参数侧向加速度o(n)；输出有后轮转角δf(n)。两隐含层的传递函数也为双极性Sigmoid函数，输出层的传递函数为 [IMG]image/040916guonew13-g2.gif[/IMG] 为使侧偏最小， 引入性能目标函数[IMG]image/040916guonew13-g3.gif[/IMG]评价侧偏角和后轮转向角。每个神经元的权值和阈值可以通过控制器的学习过程得到。学习的目的是使目标函数值最小。训练神经控制器时，在计算机上将车辆动态模型与神经控制器组成控制系统，同样用四轮转向控制的车辆仿真模型输出的数据集进行训练。但此时只修改神经控制器的权矩阵。 2．3 BP神经网络的MATLAB实现 设计过程中，可以采用MATLAB软件中的神经网络工具箱来实现BP神经网络算法。BP神经网络的学习过程由前向计算过程、误差计算和误差反向传播过程组成。双含隐层BP神经网络的MATLAB程序，由输入部分、计算部分、输出部分组成，其中输入部分包括网络参数与训练样本数据的输入、初始化权系、求输入输出模式各分量的平均值及标准差并作相应数据预处理、读入测试集样本数据并作相应数据预处理；计算部分包括正向计算、反向传播、计算各层权矩阵的增量、自适应和动量项修改各层权矩阵；输出部分包括显示网络最终状态及计算值与期望值之间的相对误差、输出测试集相应结果、显示训练，测试误差曲线。 3 控制系统仿真 用神经网络车辆动态模型与神经控制器构成控制系统，进行仿真分析。其瞬态响应，如图4中实线所示。图中的虚线、双点划线分别表示2WS和线性控制4WS。 [IMG]image/040916guonew13-4.gif[/IMG] 4 结论 (1)因为神经控制网络能很好地适应汽车的非线性特性，故在大的前轮转角下，神经网络控制系统的侧偏角p比线性控制系统的车辆侧偏角p更接近零，可获得更满意的控制效果。 (2)横摆角速度丫响应在经过一段时间后收敛至稳态值，4WS比2WS收敛更快，相位滞后更小。

6、基于BP 神经网络的环境影响评价方法

基于BP神经网络的环境影响评价模型的建立过程如下：

（1）样本选择

根据表3.7、表3.8、表3.9提取建模所需的样本数据（表3.11）

表3.11 8组基坑环境影响工程数据

（2）BP神经网络结构设计

对于任何定义域内的连续函数，在单隐藏层的情况下都可以被BP网络逼近；因此基于这一原则的基础上采用三层BP网络结构能够实现任意维度之间的映射关系

（3）网络训练及检验

BP网络基于梯度下降法进行参数优化训练，在分析基坑降水区域地表沉降量变化特征时选择了较小的控制阈值（训练目标设为0.001）。鉴于 BP神经网络架构较为复杂且节点数量较多，在保证模型收敛性的前提下适当增加了训练周期数与学习率参数设置：初始设置为1万次迭代次数及学习步长为 0.1；其中间层神经元激活函数选择 S形正切函数（tansig）作为传递函数，并采用对称型 logistic 函数 logsig 作为输出层传输函数；选用 Levenberg-Marquardt算法（trainlm）作为优化训练函数；通过 MATLAB6.0软件对表3.11中7组数据进行神经网络模型训练并选取剩余一组数据作为检验样本用于模型验证；考虑到样本数量较少导致预测结果不稳定的特点，在评估过程中采用了多次模拟计算的方式并取其平均值作为最终评价指标；经过实验测试确定当隐层神经元数目设定为 1个时能够获得较优的预测效果

表3.12 基坑降水环境影响评价模型检验结果

研究表明利用BP神经网络对基坑降水环境影响评价的结果大部分与实测数据吻合其中一些结果略显倾向危险

7、需要把MATLAB中的BP神经网络工具箱与自己的一个软件项目结合

这种情况下涉及C++与MATLAB的混合编程方案，在实际应用中较为常见且具有一定的灵活性和扩展性