MATLAB 创建神经网络模型的patternnet和newff函数区别

patternnet和newff都是在MATLAB中用于创建人工神经网络的函数，但它们有一些区别和适用场景。

1. 网络类型：

   • patternnet：用于创建多层感知器（MLP）类型的神经网络，MLP是一种前馈神经网络，由输入层、若干隐藏层和输出层组成。它适用于各种问题，包括分类和回归任务。
   • newff：用于创建通用的前馈神经网络，除了MLP，也可以创建其他类型的前馈神经网络。newff函数更加灵活，可以定义自定义的网络结构和激活函数。

2. 参数设置：

   • patternnet：在创建patternnet网络时，您只需要指定各隐藏层的节点数和训练函数。网络结构和参数已经被设置为适合各种分类问题。
   • newff：在创建newff网络时，您需要手动设置更多的网络参数，例如输入层、各隐藏层和输出层的节点数，激活函数，训练函数等。这使得newff函数更加灵活，可以针对不同问题进行定制化的网络设计。

3. 适用场景：

   • patternnet：适用于一般的分类问题，特别是当您对神经网络的结构不需要过多定制化时。它可以快速创建一个常用的MLP网络并进行训练和预测。
   • newff：适用于对神经网络结构和参数有特殊要求的情况，或者当您需要自定义网络结构和激活函数时。它提供更大的灵活性，可以构建更复杂和定制化的神经网络。

综上所述，如果您需要一个简单的多层感知器神经网络，用于常规的分类问题，patternnet是一个较为方便的选择。如果您对网络结构有更高的要求，或者需要更灵活的定制化，newff函数提供了更多的选项和控制权。

patternnet函数语法

net = patternnet(hiddenLayerSizes, trainFcn)

参数说明：

• hiddenLayerSizes: 各隐藏层的节点数构成的向量，例如 [10, 5] 表示有两个隐藏层，分别有 10 和 5 个节点。
• trainFcn: 训练函数，用于指定训练神经网络时使用的优化算法。常用的训练函数包括 'trainscg'（scaled conjugate gradient）、'trainlm'（Levenberg-Marquardt）、'trainrp'（resilient backpropagation）等。

patternnet函数返回一个已经初始化的多层感知器神经网络 net。

newff函数语法

net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

参数说明：

• P: 输入数据（训练样本）的输入层数据，是一个大小为 N x Q 的矩阵，其中 N 是输入特征的数量，Q 是样本数量。
• T: 输入数据对应的目标输出（标签），是一个大小为 S x Q 的矩阵，其中 S 是输出节点的数量，与输出层节点数相同，Q 是样本数量。
• S: 各层节点数构成的向量，如 [10, 5] 表示隐藏层有两个，节点数分别为 10 和 5。
• TF: 各层的激活函数，例如 'tansig' 表示双曲正切函数，'logsig' 表示对数函数等。默认隐含层为tansig函数，输出层为purelin函数，即{'tansig', 'purelin'}。
• BTF: 反向传播的激活函数，默认为 'trainlm'。
• BLF: 反向传播的学习函数，默认为 'learngdm'。

       学习训练函数BTF ：
　　traingd：最速下降BP算法。 
　　traingdm：动量BP算法。 
　　trainda：学习率可变的最速下降BP算法。 
　　traindx：学习率可变的动量BP算法。 
　　trainrp：弹性算法。

• PF: 性能函数，默认为 'mse'（均方误差）。
• IPF: 输入处理函数，默认为空矩阵 []。
• OPF: 输出处理函数，默认为空矩阵 []。
• DDF: 分隔数据函数，默认为空矩阵 []。

newff函数返回一个已经初始化的前馈神经网络 net。