《神经网络工具箱的使用.doc》由会员分享，可在线阅读，更多相关《神经网络工具箱的使用.doc（6页珍藏版）》请在金锄头文库上搜索。
1、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 12)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 33)点击New Network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，
2、下面没有列出的参数表示使用默认值就可以了，例如Network Type为默认的BP神经网络）； i)Input Range这个通过点击Get From Input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) Training Function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Train Parameters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) Layer 1 N
3、umber of Neurons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
4、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)Layer 1 Transfer Function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) Layer 2 Number of Neurons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) Layer 2 Transfer Function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V
5、iew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 64)点击Train按钮，到达Training Info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Train Parameters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
6、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“Performance Function”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Train Network），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 82 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Simulate Data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Simulate Network，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。
