matlab实现神经网络

一、原理

人工神经网络是具有适应性的简单神经元组成的广泛并互连的网络，它的组织能够模拟生物神经系统对真实世界物体作出的交互式反应。人工神经网络具有自学习、自组织、较好的容错性和优良的非线性逼近能力

将神经网络的学习能力引入到模糊系统中，将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示是实现模糊系统自组织、自学习的重要途径。在模糊神经网络中，神经网络的输入、输出节点用来模糊系统的输入、输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。

BP_ Adaboost模型：

Adaboost 算法的思想是合并多个“弱”分类器的输出以产生有效分类。其主要步骤为 ：

（1）首先给出弱学习算法和样本空间（x， y） ，从样本空间中找出 m 组训练数据，每组训练数据的权重都是 1 /m。

（2）用弱学习算法迭代运算 T 次，每次运算后都按照分类结果更新训练数据权重分布，对于分类失败的训练个体赋予较大权重，下一次迭代运算时更加关注这些训练个体。弱分类器通过反复迭代得到一个分类函数序列 f1, ,f2 ， … ， fT ，每个分类函数赋予一个权重，分类结果越好的函数，其对应权重越大。

（3）T 次迭代之后，最终强分类函数 F 由弱分类函数加权得。BP_Adaboost模型即把BP 神经网络作为弱分类器，反复训练 BP 神经网络预测样本输出，通过Adaboost算法得到多个 BP 神经网络弱分类器组成的强分类器。

二、实验过程及结果

1.倒车仿真，利用ANFIS对模糊神经网络建模

将实测数据送入MATLAB工作空间：

图1 数据

调出编辑器anfisedit：