MATLAB 拟合神经网络—— fitnet

建立神经网络

• 语法：net = fitnet(hiddenSizes,trainFcn)

• hiddenSize 为隐藏层数，是一个行向量，分别表示从左到右的隐藏层神经元数。
• trainFcn 为训练函数，如下表所示

名称	函数
‘trainlm’	Levenberg-Marquardt
‘trainbr’	Bayesian Regularization
‘trainscg’	Scaled Conjugate Gradient
‘trainbfg’	BFGS Quasi-Newton
‘trainrp’	Resilient Backpropagation
‘traincgb’	Conjugate Gradient with Powell/Beale Restarts
‘traincgf’	Fletcher-Powell Conjugate Gradient
‘traincgp’	Polak-Ribiére Conjugate Gradient
‘trainoss’	One Step Secant
‘traingdx’	Variable Learning Rate Gradient Descent
‘traingdm’	Gradient Descent with Momentum
‘traingd’	Gradient Descent

• 黄色标出的是常用方法，也是工具箱中提供的三种方法

参数设置

• 以下参数通常不修改，采用默认值

名称	说明	默认值
net.trainParam.epochs	最大训练次数	1000
net.trainParam.goal	训练要求精度	0
net.trainParam.time	最大训练时间	inf
net.trainParam.max_fail	最大不下降步数	6
net.trainParam.show	显示训练过程	false
net.trainParam.showWindow	显示训练窗口	true

• 设置训练样本数据、验证样本数据、测试样本数据比例

名称	说明	默认值
net.divideParam.trainRatio	训练样本比例	0.7
net.divideParam.valRatio	验证样本比例	0.15
net.divideParam.testRatio	测试样本比例	0.15

训练网络

• 语法：[net,tr] = train(net,x,y);

• 用已知数据训练网络 net ，返回训练好的网络 net ，训练的相关数据在结构体 tr 中。
• 注意 x、y 和习惯上方向是相反的，每一行表示一个指标，每一列是一个样本。
• y 可以是多个预测数据

预测数据

• 语法：y = sim(net,x)

• 和训练网络一样，注意 x、y 每一行是指标，每一列是样本。

模型评价

• tr 结构中记录了模型的相关数据，主要数据如下表所示
• 总体特征数据

名称	说明
num_epochs	训练次数
best_epoch	最佳训练次数
best_perf	最佳均方误差（MSE）
best_vperf	验证样本最佳均方误差
best_tperf	测试样本最佳均方误差
trainInd	选取训练样本序号
valInd	选取验证样本序号
testInd	选取测试样本序号

• 记录每次训练数据

名称	说明
epoch	行向量，训练步数标号，0~（步数-1）
time	训练时间
perf	训练样本均方误差
vperf	验证样本均方误差
tperf	测试样本均方误差

• 计算总体均方误差
  • 语法：performance = perform(net, origin_y, predict_y)
  • 其中 predict_y = sim(net,x)

程序

% 转置
x = X'; y = Y';

% 一个隐藏层，神经元数为5
hiddenLayerSize = 5;

% 训练函数为 trainlm
trainFcn = 'trainlm';

% 初始化网络
net = fitnet(hiddenLayerSize,trainFcn);

% 设置比例
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% 训练网络
[net,tr] = train(net,x,y);

% 计算所有训练样本预测值
yp = sim(net,x);

% 计算总体均方误差
performance = perform(net,y,yp);

% 查看网络结构
view(net)