| ²é¿´: 933 | »Ø¸´: 4 | |||
| µ±Ç°Ö»ÏÔʾÂú×ãÖ¸¶¨Ìõ¼þµÄ»ØÌû£¬µã»÷ÕâÀï²é¿´±¾»°ÌâµÄËùÓлØÌû | |||
JYºÚÌÒ7ľ³æ (СÓÐÃûÆø)
|
[ÇóÖú]
¡¾MATLAB¡¿BPÈ˹¤Éñ¾ÍøÂçÇóÖú ÒÑÓÐ2È˲ÎÓë
|
||
|
µØÀíѧ´úÂëС°×ÇóÖú´óÉñ£º ÎÊÌâÊÇÕâÑùµÄ£º°ÑÅ©ÓõØÕûÖÎDZÁ¦ÆÀ¼ÛÖ¸±êÌåϵ±ê×¼»¯ºóÖ¸±ê¾ØÕóX×÷ΪÊäÈë²ã£¬Å©ÓõØÕûÖÎDZÁ¦ÆÀ¼Û×ÛºÏÖ¸ÊýY×÷ΪÊä³ö²ã£¬È·¶¨3²ãBPÍøÂç½á¹¹¡£¶Ô±ê×¼»¯ºóµÄÑù±¾¾ØÕó½øÐÐÍøÂçѵÁ·£¬»ñÈ¡ÊäÈë²ãÓëÒþº¬²ãÖ®¼äµÄÍøÂçÈ¨ÖØ¾ØÕóWºÍÒþº¬²ãÓëÊä³ö²ãÖ®¼äµÄÍøÂçÈ¨ÖØ¾ØÕóV¡£×îºóͨ¹ý¼ÆËãÍøÂçÈ¨ÖØÖ®¼äµÄÏà¹ØÐÔ»ñÈ¡ÐÞÕýºóÅ©ÓõØÕûÖÎDZÁ¦ÆÀ¼ÛÖ¸±êÌåÏµÈ¨ÖØ¡£ ÏëÒªµÃµ½µÄ½á¹û£ºÊäÈë²ãºÍÒþ²ãÖ®¼äµÄÍøÂçÈ¨ÖØWºÍÒþ²ãÓëÊä³ö²ãÖ®¼äµÄÈ¨ÖØV£¨Òþ½ÚµãÊýĿΪ4¸ö£©¡£Çó´úÂë»òMÎļþ ±ê×¼»¯ºóµÄÊý¾ÝºÍ²Î¿¼ÎÄÏ×£¨²Î¿¼ÎÄÏ×32Ò³ÓмÆËãÈ¨ÖØË¼Â·£©¼û¸½¼þ£¨.xlsºÍ.txt¸ñʽ£© |
» ±¾Ìû¸½¼þ×ÊÔ´Áбí
-
»¶Ó¼à¶½ºÍ·´À¡£ºÐ¡Ä¾³æ½öÌṩ½»Á÷ƽ̨£¬²»¶Ô¸ÃÄÚÈݸºÔð¡£
±¾ÄÚÈÝÓÉÓû§×ÔÖ÷·¢²¼£¬Èç¹ûÆäÄÚÈÝÉæ¼°µ½ÖªÊ¶²úȨÎÊÌ⣬ÆäÔðÈÎÔÚÓÚÓû§±¾ÈË£¬Èç¶Ô°æÈ¨ÓÐÒìÒ飬ÇëÁªÏµÓÊÏ䣺xiaomuchong@tal.com - ¸½¼þ 1 : bpÉñ¾ÍøÂçÊý¾Ý.zip
2015-10-13 18:43:42, 4.5 M
» ²ÂÄãϲ»¶
±¾¿Æ211£¬±¨¿¼085601-310·Ö
ÒѾÓÐ14È˻ظ´
RY£ºÖйú²ú³öµÄ¿ÆÑ§À¬»øÂÛÎÄ£¬¾ø¶ÔÊýÁ¿ºÍ±ÈÀý¶¼ÊÀ½çµÚÒ»
ÒѾÓÐ16È˻ظ´
297£¬¹¤¿Æµ÷¼Á?ºÓÄÏũҵ´óѧ±¾¿Æ
ÒѾÓÐ7È˻ظ´
ҩѧÇóµ÷¼Á
ÒѾÓÐ5È˻ظ´
ʳƷÓëÓªÑø£¨0955£©271Çóµ÷¼Á
ÒѾÓÐ14È˻ظ´
366Çóµ÷¼Á
ÒѾÓÐ10È˻ظ´
085408¹âµçÐÅÏ¢¹¤³Ìר˶355Ò»Ö¾Ô¸³¤´º¹â»úËùµ÷¼Á
ÒѾÓÐ13È˻ظ´
һ־Ը³¶«´óѧ071000ÉúÎïѧѧ˶³õÊÔ·ÖÊý276Çóµ÷¼Á
ÒѾÓÐ25È˻ظ´
ҩѧ305Çóµ÷¼Á
ÒѾÓÐ9È˻ظ´
ת³¤Æ¸ÁË
ÒѾÓÐ6È˻ظ´
» ±¾Ö÷ÌâÏà¹Ø¼ÛÖµÌùÍÆ¼ö£¬¶ÔÄúͬÑùÓаïÖú:
¡¾ÒÑÍê½á¡¿BPÉñ¾ÍøÂç³ÌÐòÎÊÌâ
ÒѾÓÐ3È˻ظ´
¡¾·ÖÏí¡¿Éñ¾ÍøÂ繤¾ßÏäµÄÓï¾ä´óÈ«£¨ÒÑËÑË÷ÎÞÖØ¸´£©
ÒѾÓÐ14È˻ظ´
¼¸±¾²»´íµÄmatlab½Ì³Ì¡¾×ªÔØ¡¿
ÒѾÓÐ192È˻ظ´
¡¾Matlab¡¿ÇóÖúÓÐûÓдóÏÀÓùýmatlabµÄÉñ¾ÍøÂçÓÅ»¯·¢½ÍÅàÑø»ù£¿
ÒѾÓÐ2È˻ظ´
¡¾ÌÖÂÛ¡¿Matlab BP-ANNʶ±ð·ÖÀàÎÊÌâÇó½Ì
ÒѾÓÐ2È˻ظ´
¡¾ÇóÖú¡¿matlabÖÐnewffÒªÇóÊäÈë²ÎÊý
ÒѾÓÐ2È˻ظ´
¡¾ÇóÖú¡¿matlabÉñ¾ÍøÂçÔËÐдíÎó£¬Targets are incorrectly sized for network.°ï°ïæ
ÒѾÓÐ2È˻ظ´
¡¾ÇóÖú¡¿BPÉñ¾ÍøÂçÔõô»³ö¹ØÏµÍ¼£¿
ÒѾÓÐ5È˻ظ´
¡¾ÇóÖú¡¿BPÍøÂçѵÁ·µÄÎÊÌâ
ÒѾÓÐ5È˻ظ´
¡¾ÇóÖú¡¿ÔËÓÃBPÉñ¾ÍøÂçѵÁ·²ÄÁϱ¾¹¹Ä£Ð͵ÄÒ»¸öÎÊÌâ
ÒѾÓÐ12È˻ظ´
¡¾×ÊÔ´¡¿matlabһЩ ×ÊÁÏ£¬Ï£Íû¶Ô´ó¼ÒÓÐÓã¡
ÒѾÓÐ9È˻ظ´
¡¾ÇóÖú¡¿MATLABÖÐBPÉñ¾ÍøÂçµÄѵÁ·Ëã·¨¾ßÌåÊÇÔõôÑùµÄ£¿
ÒѾÓÐ5È˻ظ´

³ÂÖ¾²Å
гæ (³õÈëÎÄ̳)
- Ó¦Öú: 0 (Ó×¶ùÔ°)
- ½ð±Ò: 144.5
- É¢½ð: 10
- Ìû×Ó: 25
- ÔÚÏß: 8.2Сʱ
- ³æºÅ: 4135610
- ×¢²á: 2015-10-11
- רҵ: ½¨Öþѧ
¡¾´ð°¸¡¿Ó¦Öú»ØÌû
¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï ¡ï
JYºÚÌÒ7: ½ð±Ò+50, ¡ï¡ï¡ïºÜÓаïÖú 2015-11-06 16:34:26
JYºÚÌÒ7: ½ð±Ò+50, ¡ï¡ï¡ïºÜÓаïÖú 2015-11-06 16:34:26
|
% simplefitInputs - input data. % simplefitTargets - target data. x = simplefitInputs; t = simplefitTargets; % Choose a Training Function % For a list of all training functions type: help nntrain % 'trainlm' is usually fastest. % 'trainbr' takes longer but may be better for challenging problems. % 'trainscg' uses less memory. Suitable in low memory situations. trainFcn = 'trainlm'; % Levenberg-Marquardt backpropagation. % Create a Fitting Network(´´½¨Ò»¸öºÏÊʵÄBPÍøÂç) hiddenLayerSize = 10; net = fitnet(hiddenLayerSize,trainFcn); % Setup Division of Data for Training, Validation, Testing %(Êý¾ÝµÄѵÁ·£¬ÑéÖ¤£¬²âÊÔÉèÖñÈÀý) net.divideParam.trainRatio = 70/100; net.divideParam.valRatio = 15/100; net.divideParam.testRatio = 15/100; % Train the Network %ѵÁ·Éñ¾ÍøÂç [net,tr] = train(net,x,t); % Test the Network %¼ìÑéÉñ¾ÍøÂç y = net(x); e = gsubtract(t,y); performance = perform(net,t,y) % View the Network %²é¿´Éñ¾ÍøÂç view(net) % Plots % figure1 % plotperform(tr); % figure2 % plottrainstate(tr); % figure3 % ploterrhist(e); % figure4 % plotregression(t,y) % figure5 % plotfit(net,x,t) ¾ßÌåµÄËã·¨ÏÖÔÚÎÒÀ´²»¼°Ð´ÁË£¬Õâ¸öÄãÖ»ÐèÒª¸Ä¸Ä¾Í¿ÉÒÔÁ赀 |
5Â¥2015-11-06 09:18:32
JYºÚÌÒ7
ľ³æ (СÓÐÃûÆø)
- Ó¦Öú: 12 (СѧÉú)
- ½ð±Ò: 1693.6
- ºì»¨: 1
- Ìû×Ó: 88
- ÔÚÏß: 36.9Сʱ
- ³æºÅ: 2839917
- ×¢²á: 2013-12-01
- ÐÔ±ð: GG
- רҵ: ×ÔÈ»µØÀíѧ

2Â¥2015-10-13 18:57:38
maga1234
гæ (СÓÐÃûÆø)
- Ó¦Öú: 1 (Ó×¶ùÔ°)
- ½ð±Ò: 121.5
- É¢½ð: 1066
- ºì»¨: 5
- Ìû×Ó: 201
- ÔÚÏß: 199.6Сʱ
- ³æºÅ: 3232674
- ×¢²á: 2014-05-25
- רҵ: ëÔó¶«Ë¼ÏëÑо¿
4Â¥2015-10-13 22:04:32














»Ø¸´´ËÂ¥