神经网络工具箱学习
说明：《MATLAB/Simulink系统仿真超级学习手册》石良臣 matlab2018a——仅作为笔记。
神经网络工具箱的四种类型：函数拟合、模式识别、数据聚类、时间序列预测。
神经网络设计与应用的步骤：
- 数据收集；
- 创建网格；
- 设计网络的结构；
- 初始化权重和阈值；
- 训练网络；
- 验证网络；
- 使用网络。
12.2.2神经网路函数拟合
1、神经网络拟合GUI
命令行：nnstart nftool
2、网格创建
（1）数据获取
上图点击“Next”
（2）样本分配
（3）网络结构设置
3、网络训练
回归图 误差柱状图
（4）网络评定
如果在训练样本上的性能是好的，但检测性能相当糟糕，说明过度拟合了，需要减少神经元个数；如果训练样本性能样本也不好，则需要增加神经元个数。
（5）结果保存
三种保存方式：生成脚本文件、导入MATLAB工作空间、生成Simulink模型。
simulink模块
12.2.3神经网络模式识别
GUI工具nprtool和命令行函数
1、神经网络模式识别GUI
2、网络创建
上图点击“Next”
（1）数据获取
（2）样本分配
（3）网络结构设置
3、网络训练
4、网络评定
5、结果保存
三种保存方式：生成脚本文件、导入MATLAB工作空间、生成Simulink模型。
12.2.4神经网络数据聚类
1、神经网络聚类GUI
命令行：nctool——回车键
无隐含层，而是SOM层。
2、网络创建
上图点击“Next”
（1）数据获取
（2）数据结构设置
注意：神经网络聚类不需要对样本数据进行分配。
3、网络训练
4、网络评定
5、结果保存。
12.2.5神经网络时间序列预测
1、神经网路时间序列GUI
命令行：ntstool
2、网络创建
（1）数据获取
（2）样本分配
（3）网络结构设置
3、网络训练
时间序列响应图、误差自动校正图
4、网络评定和结果保存
12.2.6神经网络函数命令
1、网络创建函数
调用格式：
变量名 = 网络名称 （隐含层维数，传递函数）
注意：具有延迟结构的网络还需要设置其延迟信息。
2、网络训练函数
（1）使用语法
[net,tr]=train(NET,X,T,Xi,Ai)
（2）功能描述
例12-1
[x,t]=house_dataset; %导入示例数据
net=feedforwardnet(15) %创建前馈型神经网路
[net,tr]=train(net,x,t); %训练网络
y=net(x); %网络实际输出
perf_mse=mes(net,x,t) %计算平方误差均值
[r,m,b]=regression(t,y) %计算回归值
4、图像绘制
例12-2
接例12-1的代码
e=t-y; %计算误差
figure(1),ploterrhist(e) %误差柱状图
figure(2),plotperform(tr) %性能图
figure(3),plotregression(t,y) %训练状态图
12.3神经网络与Simulink
12.3.1神经网路Simulink模块
1、Transfer Functions
2、Net Input Functions
3、Weight Functions
4、Processing Functions
5、Control Systems
12.3.2神经网络Simulink建模
方法：GUI；MATLAB命令创建，通过gensim生成simulink模型（常用）；
- 创建模型
使用语法：gensim(net,st)
注释：结构体；采样时间。
例12-3利用gensim函数创建一个前馈型神经网络的simulink模型。
[x,t]=simplefit_dataset;
net=feedforwardnet(10);
net=train(net,x,t);
gensim(net)
2、模型仿真
例12-4
12.4自定义神经网络
12.4.1自定义神经网络函数命令
两种使用语法：
net=network
net=network(numInputs,numLayers,biasConnect,layerConnect,outConnect)
例12-5利用network创建一个自定义神经网络，并对其进行仿真。
net=network
net.numInputs=1
net.numLayers=2
% net=networkk(1,2) %用这句代码可创建相同的网格
%上述代码可创建一个一输入两层的网格。
%下面一行代码可以让网络第一层具有阈值，
%第一层与第一个输入之间有输入权重，第一层与第二层为网格的输出。
net=network(1,2,[1;0],[1;0],[0 0;1 0],[0 1])
%下面代码可以查看自子对象的属性
net.inputs{1}
net.layers{1},net.layers{2}
net.biases{1}
net.inputWeights{1,1},net.layerWeights{2,1}
net.outputs{2}
%下面代码可以获取权重矩阵和阈值向量
net.iw{1,1},net.iw{2,1}
net.b{1}
%运行下面代码可以对网络进行仿真
p=[0.5;-0.1];
y=sim(net,p)
12.4.2神经网络数据管理GUI
1、神经网络数据管理界面“nntool”
2、网络创建
3、网络训练
4、网络仿真
结束。