神经网络工具箱的使用.docx
《神经网络工具箱的使用.docx》由会员分享，可在线阅读，更多相关《神经网络工具箱的使用.docx（6页珍藏版）》请在冰点文库上搜索。
神经网络工具箱的使用
神经网络工具箱的使用
神经网络工具箱的使用
本章主要介绍神经网络工具箱的使用,使用nntool可以使得原本用编程来创建神经网络变得容易，而且不容易出错。
1神经网络的创建与训练
神经网络的创建主要分为以下四步：
1）在命令窗口键入nntool命令打开神经网络工具箱。
如图1：
图1
2）点击Import按钮两次，分别把输入向量和目标输出加入到对应的窗口（[Inputs]和[Targets]）中，有两种可供选择的加入对象（点击Import后可以看见），一种是把当前工作区中的某个矩阵加入，另一种是通过.mat文件读入。
如图2和图3：
图2
图3
3）点击[NewNetwork]按钮，填入各参数：
（以最常用的带一个隐层的3层神经网络为例说明，下面没有列出的参数表示使用默认值就可以了，例如NetworkType为默认的BP神经网络）；
i）InputRange——这个通过点击GetFromInput下拉框选择你加入的输入向量便可自动完成，当然也可以自己手动添加。
ii）TrainingFunction——最好使用TRAINSCG，即共轭梯度法，其好处是当训练不收敛时，它会自动停止训练，而且耗时较其他算法（TRAINLM，TRAINGD）少，也就是收敛很快（如果收敛的话），而且TrainParameters输入不多，也不用太多的技巧调整，一般指定迭代次数、结果显示频率和目标误差就可以了（详见下文）。
iii）Layer1NumberofNeurons——隐层的神经元个数，这是需要经验慢慢尝试并调整的，大致上由输入向量的维数、样本的数量和输出层（Layer2）的神经元个数决定。
一般来说，神经元越多，输出的数值与目标值越接近，但所花费的训练时间也越长，反之，神经元越少，输出值与目标值相差越大，但训练时间会相应地减少，这是由于神经元越多其算法越复杂造成的，所以需要自己慢慢尝试，找到一个合适的中间点。
比如输入是3行5000列的0-9的随机整数矩阵，在一开始选择1000个神经元，虽然精度比较高，但是花费的训练时间较长，而且这样神经网络的结构与算法都非常复杂，不容易在实际应用中实现，尝试改为100个，再调整为50个，如果发现在50个以下时精度较差，则可最后定为50个神经元，等等。
iv）Layer1TransferFunction——一般用TANSIG（当然也可以LOGSIG），即表示隐层输出是[-1,1]之间的实数，与LOGSIG相比范围更大。
v）Layer2NumberofNeurons——输出层的神经元个数，需要与输出的矩阵行数对应，比如设置为3，等等。
vi）Layer2TransferFunction——如果是模式识别的两类（或者多类）问题，一般用LOGSIG，即表示输出层的输出是[0,1]之间的实数；如果输出超过[0,1]则可选择PURELIN。
如图4和图5。
图4
图5
所有参数输入后，可以先用View按钮预览一下，如图6。
没有问题的话就可以Create了。
另外，网络创建完毕后，如果需要手动设置权重的初始值，按View按钮后有个Initialize选项卡，在那里可以设定。
当然了，也可以不自行设定，这时候Matlab执行默认的程序进行权重的初始化（没有具体研究过，可能是随机设定）。
图6
4）点击Train按钮，到达TrainingInfo选项卡，在输入向量[Inputs]和目标输入向量[Targets]下拉框中选择你要训练的向量（即第二步加入的对象），如图7。
然后到达TrainParameters选项卡，填入适当的迭代次数[epochs]（一般先设置一个较小的数如200，然后观察收敛结果，如果结果窗口的收敛曲线衰减较快，则表示之前的参数比较有效，因此可填入2000或更大的数目使得网络收敛，否则修改之前的参数）、结果显示频率[show]（例如要每隔50次迭代显示结果窗口，则填50）和目标误差[goal]（这个与第2步中的“PerformanceFunction”有关，如果使用默认的MSE，则一般满足“goal*样本数量<0.5”就可以了），就可以开始训练了（按钮[TrainNetwork]），如果结果收敛（训练误差不大于目标误差，即蓝色线到达黑色线位置）就OK了（例如要求精度很高，尝试填0，等等），如图8。
图7
图8
2神经网络的仿真测试
神经网络的仿真测试非常简单，选定训练好的神经网络，点击View按钮，再点击Simulate按钮，在SimulateData中的Inputs一栏中导入需要测试的数据（需要是工作区的矩阵，所以可以事先将数据写在但单独的程序中，需要时运行程序即可），然后点击SimulateNetwork，测试结束后可以在Outputs中看到结果，在Errors中可以看到误差。
当然也可以不借用工具箱，直接手工编写程序来测试，相比工具箱虽然稍显麻烦，但是结果更直观。
升级会员 