[matlab]bp神經網絡工具箱學習筆記

基本就三個函數：

newff():創建一個bp神經網絡

train():訓練函數

sim():仿真函數

同時具有可視化界面，但目前不知道可視化界面如何進行仿真，且設置不太全

工具箱：Neural net fitting

textread使用方法：http://blog.sina.com.cn/s/blog_9e67285801010bju.html

 ex1.

clear; 
clc;
%注意P矩陣，matlab默認將一列作為一個輸入
P=[0.5152	0.8173	1.0000 ;
     0.8173	1.0000	0.7308;
     1.0000	0.7308	0.1390;
     0.7308	0.1390	0.1087;
     0.1390	0.1087	0.3520;
     0.1087	0.3520	0.0000;]';
%以第四個月的銷售量歸一化處理后作為目標向量
T=[0.7308 0.1390 0.1087 0.3520 0.0000 0.3761];
%創建一個BP神經網絡，每一個輸入向量的取值范圍為[0 ,1]，隱含層有5個神經元，輸出層有一個神經元，隱含層的激活函數為tansig，輸出層的激活函數為%logsig，訓練函數為梯度下降函數，即標准學習算法
net=newff([0 1;0 1;0 1],[5,1],{'tansig','logsig'},'traingd');%minmax(P)
net.trainParam.epochs=1500;%最大迭代次數.
net.trainParam.goal=0.01; %訓練的誤差精度
%設置學習速率為0.1
LP.lr=0.1;
net=train(net,P,T); 
a=[0.1;0.2;0.3];
a=premnmx(a);
b=sim(net,a);
b=postmnmx(b,0,1);
b

ex2.

P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;
9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;
3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;
2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;
140 120 140 150 80 130 130 100 130 140 115 80 90 130;
2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;
11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;
50 70 50 80 50 60 65 40 65 50 50 50 70 70];
T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];
[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);

%創建網絡
net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');%此時的minmax函數是正確的，minmax是在每一行取最大最小值，而這也是有意義的
%設置訓練次數
net.trainParam.epochs = 5000;
%設置收斂誤差
net.trainParam.goal=0.0000001;
%訓練網絡
[net,tr]=train(net,p1,t1);
%TRAINLM, Epoch 0/5000, MSE 0.533351/1e-007, Gradient 18.9079/1e-010
%TRAINLM, Epoch 24/5000, MSE 8.81926e-008/1e-007, Gradient 0.0022922/1e-010
%TRAINLM, Performance goal met.
 
%輸入數據
a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];
%將輸入數據歸一化
a=premnmx(a);
%放入到網絡輸出數據
b=sim(net,a);
%將得到的數據反歸一化得到預測數據
c=postmnmx(b,mint,maxt);
c

　　

 

ex3.

close all;
clear;
clc;
%讀取訓練數據
[f1,f2,f3,f4,class] = textread('Train.txt','%f%f%f%f%d',75,'delimiter',',');
%特征值歸一化
[input,minI,maxI] = premnmx( [f1,f2,f3,f4 ]')  ;
%構造輸出矩陣
s=length(class) ;
output=zeros(s,3) ;
for i=1:s 
   output(i,class(i)) = 1 ;
end
%output=class';
%創建神經網絡
net = newff( minmax(input),[10 3],{ 'logsig','purelin' },'traingdx' ); 
%設置訓練參數
net.trainparam.show=50 ;
net.trainparam.epochs=500 ;
net.trainparam.goal=0.01 ;
net.trainParam.lr=0.01 ;
%開始訓練
net=train(net,input,output') ;
 

%讀取測試數據
[t1 t2 t3 t4 c]=textread('Test.txt','%f%f%f%f%d',75,'delimiter',',');
%測試數據歸一化
testInput=tramnmx([t1,t2,t3,t4]',minI,maxI);
%仿真
Y = sim(net,testInput)
%統計識別正確率
[s1,s2]=size( Y ) ;
hitNum=0 ;
for i=1:s2
    [m,Index]=max( Y(:,i));
    if(Index==c(i)) 
        hitNum=hitNum+1;
    end
end
sprintf('識別率是 %3.3f%%',100*hitNum/s2)

　　

擬合曲線：