电子技术论坛_中国专业的电子工程师学习交流社区-中电网技术论坛

标题: bp神经网络及matlab实现（3） [打印本页]

作者: yuyang911220 时间: 2016-8-8 09:56 标题: bp神经网络及matlab实现（3）

(1) newff函数
<1>newff函数语法
newff函数参数列表有很多的可选参数，具体可以参考Matlab的帮助文档，这里介绍newff函数的一种简单的形式。
语法：net = newff ( A, B, {C} ,‘trainFun’)
参数：
A：一个n×2的矩阵，第i行元素为输入信号xi的最小值和最大值；
B：一个k维行向量，其元素为网络中各层节点数；
C：一个k维字符串行向量，每一分量为对应层神经元的激活函数；
trainFun ：为学习规则采用的训练算法。
<2>常用的激活函数
　　常用的激活函数有：
　　a) 线性函数 (Linear transfer function)

f(x) = x

　　该函数的字符串为’purelin’。

b) 对数S形转移函数( Logarithmic sigmoid transfer function )

该函数的字符串为’logsig’。
c) 双曲正切S形函数 (Hyperbolic tangent sigmoid transfer function )

　　也就是上面所提到的双极S形函数。

　　该函数的字符串为’ tansig’。
　　Matlab的安装目录下的toolbox\nnet\nnet\nntransfer子目录中有所有激活函数的定义说明。
<3>常见的训练函数
常见的训练函数有：
traingd ：梯度下降BP训练函数(Gradient descent backpropagation)
traingdx ：梯度下降自适应学习率训练函数
<4>网络配置参数
一些重要的网络配置参数如下：
net.trainparam.goal ：神经网络训练的目标误差
net.trainparam.show ：显示中间结果的周期
net.trainparam.epochs 　：最大迭代次数

net.trainParam.lr ：学习率

(2) train函数
网络训练学习函数。
语法：[ net, tr, Y1, E ]  = train( net, X, Y )
参数：
X：网络实际输入
Y：网络应有输出
tr：训练跟踪信息
Y1：网络实际输出
E：误差矩阵
(3) sim函数
语法：Y=sim(net,X)
参数：
net：网络
X：输入给网络的Ｋ×N矩阵，其中K为网络输入个数，N为数据样本数
Y：输出矩阵Q×N，其中Q为网络输出个数
(4) Matlab BP网络实例
   我将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将3类花分别编号为1，2，3 。
　　使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。

   Matlab程序如下：

%读取训练数据[f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);%特征值归一化[input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;

%构造输出矩阵s = length( class) ;output = zeros( s , 3  ) ;for i =
1 : s output( i , class( i )  ) =
1 ;end%创建神经网络net = newff( minmax(input) , [10
3] , { 'logsig'
'purelin' } , 'traingdx' ) ; %设置训练参数net.trainparam.show =
50 ;net.trainparam.epochs =
500 ;net.trainparam.goal =
0.01 ;net.trainParam.lr =
0.01 ;%开始训练net = train( net, input , output' ) ;

%读取测试数据[t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);%测试数据归一化testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;

%仿真Y = sim( net , testInput ) %统计识别正确率[s1 , s2] = size( Y ) ;hitNum = 0 ;for i =
1 : s2 [m , Index] = max( Y( : ,  i ) ) ; if( Index  == c(i) )       hitNum = hitNum +
1 ;    endendsprintf('识别率是 %3.3f%%',100
* hitNum / s2 )

　　以上程序的识别率稳定在95%左右，训练100次左右达到收敛，训练曲线如下图所示：

图9. 训练性能表现

作者: yuchengze 时间: 2016-8-21 14:58

很好的文章，感谢楼主的分享

欢迎光临电子技术论坛_中国专业的电子工程师学习交流社区-中电网技术论坛 (http://bbs.eccn.com/)