神经网络Newff使用方法

newff，已经obsolete，新函数似乎自动可以分割training set和testing set，实验中不想要这个功能，所以暂时还是使用习惯的newff，等有时间再熟悉新函数。

newff似乎也更新过一次使用方法，所以有些old的资料中的方法obsolete。总结一下，目前的newff方法。

在MATLAB中运用神经网络时主要分为三步：设计、训练、测试：

• 设计包括：
  • 设计每层神经元数目（输入层，隐含层，输出层）
  • 设定转移函数σ：（每一层的神经元基本上都会用同一个转移函数）
  • 设定训练方法：traingdx（梯度下降）、trainlm（Levenburg-Marquardt，一种结合了梯度下降法和牛顿法的方法）
  • 其他可选部分：误差函数（默认MSE），训练过程作图，等等。

 

1. 简单的例子

P = [0 1 2 3 4 5 6 7 8 9 10];%Training Patterns (domain values)

T = [0 1 2 3 4 3 2 1 2 3 4];%Training Targets (range values)

net = newff([0 10],[5 1],{’tansig’ ’purelin’});

%Plot the original data points and the untrained output

Y = sim(net,P);

figure(1)

plot(P,T,P,Y,’o’)

title(’Data and Untrained Network Output’)

%Train the network and plot the results

net.trainParam.goal=0.01; %0 is the default- too small!

net.trainParam.epochs = 50; %For our sample, don’t train toolong

net = train(net,P,T);

X = linspace(0,10); %New Domain Points

Y = sim(net,X); %Network Output

figure(2)

plot(P,T,’ko’,X,Y)

%An alternative way to test training: postreg

figure(3)

Tout=sim(net,P); %Get network output for the training domain

[m,b,r]=postreg(T,Tout); %Performs a linear regression

 

注意：

1. 输入值最小值为0，最大值为10，这是通过newff第一个变量设定的。如果具有m个输入特征，此变量，需要变成m行。
2. 上面说了，newff第一个变量，用来设定输入特征的范围。有些人使用minmax来输入也可以，如下：

newff第二个变量，用来设定隐含层和输出层神经元的数目。第三个变量，设定转移函数：tansig（反正切），与默认的函数（sigmoidal）效果一样好。我们通常在输出层选择一个线性函数，所以我们选择（purelin）。

1. 默认训练方法为（Levenburg-Marquardt）,为梯度下降和牛顿法的结合。