matlab神经网络求解最优化,matlab神经网络训练数据

1、神经网络的准确率是怎么计算的？

其实神经网络的准确率的标准是自己定义的。
我把你的例子赋予某种意义讲解：
1，期望输出[1 0 0 1]，每个元素代表一个属性是否存在。像着4个元素分别表示：是否肺炎，是否肝炎，是否肾炎，是否胆炎，1表示是，0表示不是。
2，你的神经网络输出必定不可能全部都是输出只有0,1的输出。绝大部分是像[ 0.9968 0.0000 0.0001 0.9970]这样的输出，所以只要输出中的某个元素大于一定的值，例如0.7，我们就认为这个元素是1，即是有某种炎。否则为0，所以你的[ 0.9968 0.0000 0.0001 0.9970]可以看成是[1,0,0,1],。
3，所以一般神经网络的输出要按一定的标准定义成另一种输出（像上面说的），看调整后的输出和期望输出是否一致，一致的话算正确，不一致算错误。
4，用总量为n的检验样本对网络进行评价，输出调整后的输出，统计错误的个数，记为m。
所以检验正确率可以定义为n/m。

2、Matlab的神经网络训练完了，怎么测试的时候误差这么大

正常 模型的准确度取决于你的样本质量和数量 样本最好能涵盖所有因子的取值范围，比如说样本中因子A取值在0-100之间，如果测试数据因子A取值为200，就可能造成模型预测偏差太大matlab神经网络准确率。

3、matlab bp神经网络 精度低

首先是我不知道你用的matlab是什么版本。

如果用的2010以后的版本，那么你这样初始化神经网络一定会报警告。

2010版以后初始化神经网络的语句是这样的

net = newff(p, t, 7);

输出层不需要自己去告诉系统。

我想知道的第二个问题，是你的输出层函数是否需要使用logsig。如果使用purelin，那么你大可不必去归一化。后面我会告诉你原因。

你手动指定了训练次数，但是学习率0.01这个数值不知道你从哪里找到的。我可能会选择高一点的学习率，最高我用过0.25.

训练函数你也是手动指定的，这个是需要的么？如果不需要，对于7个神经节点，完全可以使用trainlm，这样你也不需要这么多的训练次数。

下面说一下2010以后的matlab中，神经网络训练增加的一个功能。在初始化神经网络以后，有一个默认的dividing function，将训练样本中的一部分用来校验神经网络性能，以防止过度训练。那么这个参数可能会导致训练不充分。在初始化神经网络以后，需要做的工作是设定net.divideFcn = ''；用来去掉这个分配函数。

如果你需要更改你的transfer function，那么可以在net.layers{2}.transferFcn = 'logsig'将输出层传输函数手动修改。

那么，我使用全默认设置，没有进行归一化处理，获得的结果是这样的。

这个就是把你的t和训练后的神经网络计算的结果放在一起。结果已经很不错了。

如过我去掉了分配函数，那么神经网络就会一直训练到训练次数上限或者达到目标值。165次训练后，误差值是1.77e-19（误差使用mean squared error计算），结果在这里贴出来已经没意义了，因为几乎没有误差。

如果你还有问题，那么跟我细聊一下。

4、为什么用训练好的bp神经网络去测试，准确率为0？

1、你可以尝试运行多次后比较其结果，最好重启matlab，再运行你的神经网络程序。
2、确认一下你的bp神经网络参数设置是否合理。
3、也有可能的数据不适合用bp神经网络训练，可以考虑其他方法。

5、matlab7.0做BP神经网络预测，精度怎么看？

应该是点performance那个按钮，显示一个误差下降曲线图。

事实上，不需过分关注这条曲线，除非是研究改进算法提高收敛速度的。一般关注网络的实际训练效果，以及实际应用能力，如预测能力等。

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

6、用MATLAB中神经网络工具箱固有函数建立的BP网络，训练精度始终达不到，而且误差也大，该如何解决

除了楼上的方法，还可以修改下神经网络的初始权值，这方面的方法很多，可以改变下初始参数的取值范围，或者用遗传算法搜索下。另外，改变神经网络的训练函数是十分有效的，比如trainscg什么的，还有好几个记不得了，自己找找看！

7、如何看MATLAB运行神经网络的结果

如何看MATLAB运行神经网络的结果
从图中Neural Network可以看出，你的网络结构是两个隐含层，2-3-1-1结构的网络，算法是traindm，显示出来的误差变化为均方误差值mse。经过482次迭代循环完成训练，耗时5秒。相同计算精度的话，训练次数越少，耗时越短，网络结构越优秀。达到设定的网络精度0.001的时候，误差下降梯度为0.0046，远大于默认的1e-5，说明此时的网络误差仍在快速下降，所以可以把训练精度目标再提高一些，比如设为0.0001或者1e-5。

8、为什么matlab的BP神经网络曲线拟合的时候没问题，预测的时候误差这么大

这是神经网络特性导致的，与matlab没关系。
一方面，如果你的网络层选的神经元的个数和层数不合适，就会导致这种结果；
另一方面，如果你的训练样本选择的不合适，或者数据表达的太快，也会导致这种问题。
前一个方面根据经验，后一个可以做成神经元的参数可调的。

9、《matlab神经网络30个案例分析》 第13章的SVM参数优化用的是什么方法? 代码如下

这就是用的grid search的原理啊，
定义好c g搜索的网格，然后一个个的试，取交叉验证精度最高的g c值作为寻优的参数结果

10、识别数字，bp神经网络算法，卷积神经网络算法，svm算法，adaboost算法哪种好

看数字图片而定。如果图片较小并且质量还不错，那么通过2层的神经网络就能胜任。
对于MNIst数据集（28*28的手写数字），2层神经网络准确率可达99%，svm也有98%以上。
以上实现非常简单，matlab已经有现成工具箱。
卷积神经网络通常用于更加复杂的场合，闭合是被图像内容等。在MNIST数据集上cnn可达99.7%准确率，但是实现起来较为复杂，需要通过开源框架caffe，keras等进行编程。
如果对准确率要求没有达到小数点后两位的程度，用简单的svm，神经网络，softmax等调调参数就行了。