1 引 言
神经网络东西箱扩大了Matlab的规划、运用、显现和仿真神经网络的东西。现在神经网络可以用来处理惯例核算机和人难以处理的问题，神经网络现已在各个范畴中运用，以完结各种杂乱的功用。这些范畴包括：形式辨认、非线性体系判定和体系控制。神经网络东西箱除了供给方便用户规划和办理网络的可视化接口(GUI)外，还供给了很多现已证明的网络规划的支撑。规范、敞开、可扩张的东西箱规划方便了用户自界说函数和网络的生成。
像生物学神经体系相同，一个神经网络会学习，因而，也就可以被练习去处理问题，辨认形式，差异数据和猜测事态开展。神经网络的行为由它的各个核算参数的结合办法以及它们的权重来决议。一般的神经网络都是可调理的，或许说可练习的，这样一个特定的输入便可得到要求的输出。这儿，网络依据输出和方针的比较而调整，直到网络输出和方针匹配。神经网络东西GUI使神经网络变得简略，它使你可以导人很多杂乱的数据，并可以很快地发生、初始化、练习、仿真和办理网络。简略的图画表明有助于清晰和了解网络的结构。因为神经网络需求杂乱的矩阵核算，Matlab供给一个神经结构，协助快速地运用神经网络和学习它们的行为和运用。
文献[5]评论了用扩大的神经体系东西的办法在仿真环境里处理现存的问题。这种新办法简化了网络结构，而且也完结对其他软件东西的运用。现在还没有论文揭露评论NNT在同步机制中的运用，而这一部分的研讨也是具有现实意义的。
2 Matlab神经网络东西箱
NNT使在Matlab中运用神经网络变得简略。其东西箱中包括了很多函数和网络结构框图(图1是一个简略的神经网络框图，图中独立的符号简化了对网络结构的了解)，因而，这儿不需求介绍一切的将用到的函数、练习算法等。
2.1 NNT的结构
东西箱是依据网络方针的。网络方针包括关于神经网络的一切信息，例如：网络的层数和结构、层与层之间的衔接等。Matlab供给了高级网络层的创立函数，比方：newlin(创立一个线性层)，newp(创立一个感知机)，newff(创立一个反向传达网络)等。举例阐明，这儿创立了1个感知机，2个输入向量p1=[0 1]，p2=[-2 2]，神经元数为1。
子方针结构中包括了网络单个方针的信息。神经元的每一层有相同的传输函数net.transferFcn和网络输入函数net.netInputFcn，关于创立感知机选用hardlim和netsum函数。假如神经元要有不同的传输函数，则将规划不同的层以满足要求。参数net.Input-Weights和net.layerWeights描绘了被运用的练习函数以及它们的参数。
接下来叙说练习函数、初始化函数和功能函数。
trainFcn和adaptFcn是2种不同的练习办法，别离指批处理办法和添加办法或称在线办法。经过设置trainFcn的参数，就可以告知Matlab哪种运算法被运用；在运用循环次序添加办法时，多用trainc函数。ANN东西箱包括大约20个练习函数。功能函数用来测定ANN完结规则使命时的功能。关于感知机，它的均匀过失功能测定用函数mae；关于线性阑珊体系，它的均方根过失功能测定用函数mae。initFcn函数用来初始化网络的权重和偏置。神经网络东西箱包括在nnet目录中，键入help nnet可得到协助主题。假如要将这些函数替换为东西箱里的其他函数或许是自己编写的函数，只需把这些函数名装备新的参数即可，例如：
经过改动参数，可以改动上面说到的函数的默许行为。最常常用到的函数的参数便是：trainParam，格局：net.trainParam.epochs，用来设置运算的时间点的最大数目；格局：net.trainParam.show，用来设置功能测定距离的时间点的数目。可以经过输入协助help取得更多信息。
网络的权重和偏置也被存储鄙人面的结构体里边：
IW(i，j)部分是一个二维的元胞矩阵，存储输入j与网络层i的衔接的权重。LW(i，j)部分，用来存储网络层j和网络层i间衔接的权重。元胞数组b存储每一层的偏置向量。
2.2 形式分类
假如一个问题可以被分解为多个形式等级，则可以用神经网络来处理这一问题。在大多数情况下，运用神经网络处理问题是或许的。神经网络的函数用来接纳输入形式，然后输出合适这一等级的形式。
这方面的比如由发生和练习一个感知机对归于3个不同等级的点进行正确的分级。神经网络的输入数据被界说如下：
X矩阵的每一行代表一个采样点，采样点的等级用矩阵C的相应元素值来描绘。因为想要对3个不同的等级进行差异，所以需求3个感知机，每一个等级有1个。相应的方针函数描绘如下：
2.3 练习与泛化
神经网络是形式分级的，但并不是一切的形式分级都指的是神经网络。下面将叙述神将神经网络与其他分级的一些差异。它们的首要差异在2个特点上：学习与泛化。
在运用电子存储器处理数字分级器时，办理存储器，特别是完结输入的兼并方面，花费很大精力。要求可以经过给它较少数目的简略且具有正确呼应的比如来处理问题，这就指的是学习或称为练习：体系学习辨认默写特定的形式，然后给出正确的输出呼应。
某种程度上，这一部分现已被现在的电子存储器完结了。首要初始化设置存储器的一切值为0，然后，调用典范对存储器的值进行练习，将成果存入存储器的相应方位。在相应的方位用1替换本来的0。1显现了相应的输入形式等级。练习阶段完毕后，进入实际操作。假如这些形式与练习阶段的形式是相同的，则输出成果便是正确的。
抱负的，器材应该给出正确的呼应，即便有些比如没有清晰的显现。这部分被称为泛化。体系可以推断出比如给的不同形式等级的特点。神经网络可以做这种事，假如他们被正确操作，他们将对那些在练习阶段学习的形式十分类似的形式做出呼应。那么，关于数字分级器来说，这意味着神经网络被数据典范进行练习，它就能正确地差异类似的数据，而曾经这些都是非必须的。这儿设：
练习参数一般都依赖于挑选的练习函数。两个重要的参数：net.trainParam.epochs设置一切数据悉数用于练习的最多次数，net.trainParam.show设置练习函数状况陈述的时间。例如：
3 在同步中的运用
在加性高斯白噪声条件下，接纳端对信号进行高速采样，依据香农定理，在一个模拟信号继续时间内至少要确保4个采样点，才干完好和精确地康复信号的信息，由此决议了体系的采样要求。软件上首要由若干BP(Back-Propagation)前向神经网络完结，网络的个数与算法精度有关。
在查找长度必定的条件下，依据整个查找区间上采样点个数确认各个神经网络的输出节点数目。运用的网络个数由捕获精度来确认，即整个捕获区间上差异为N个查找相位，则采样N个网络并行履行。每个网络都具有相同的一组输入信号，一个输出为0或许1。
为表现神经网络对信号进行捕获的思维，练习样本为不含噪声的高斯脉冲信号，查找的相位区间为6个，识其他成果是6维向量，在呈现信号相应得区间方位上对应的元素为1，其他元素为0，测验样本信噪比为30dB。图2是6个不含噪声的练习样本；图2和图3左面是信噪比为30 dB的别离呈现在6个不同区间的测验样本，右边是网络输出的辨认成果，在向量的对应元素上呈现尖峰。仿真成果阐明在30 dB信噪比的情况下，运用神经网络可以精确检测到信号的呈现时间。因为仿真运用的练习样本比较少，神经网络没有充沛提取样本的计算特性，也没有满足的网络结构和练习进程对神经网络检测信号才能的影响和噪声对练习进程和测验进程及功能的影响。经过仿真看来，在特定情况下神经网络对信号具有必定的检测才能。
4 结 语
本文在介绍Matlab神经网络东西箱的基础上，结合简略比如进一步对神经网络东西箱中的一些函数及神经网络结构进行解说和阐明。然后运用神经网络在同步中的运用进行了简略的阐明，并经过仿真验证了神经网络在同步中的可行性。
