新版Matlab中神经网络训练函数Newff的使用方法

新版Matlab中神经网络训练函数Newff的使用方法一、介绍新版newffSyntaxnet=newff(P,T,[S1S2...S(N-l)],{TF1TF2...TFNl},BTF,BLF,PF,IPF,OPF,DDF)Descriptionnewff(P,T,[S1S2...S(N-l)],{TF1TF2...TFNl},BTF,BLF,PF,IPF,OPF,DDF)takesseveralargumentsPRxQ1matrixofQ1sampleR-elementinputvectorsTSNxQ2matrixofQ2sampleSN-elementtargetvectorsSiSizeofithlayer,forN-1layers,default=[].(OutputlayersizeSNisdeterminedfromT.)TFiTransferfunctionofithlayer.(Default='tansig'forhiddenlayersand'purelin'foroutputlayer.)BTFBackpropagationnetworktrainingfunction(default='trainlm')BLFBackpropagationweight/biaslearningfunction(default='learngdm')IPFRowcellarrayofinputprocessingfunctions.(Default={'fixunknowns','removeconstantrows','mapminmax'})OPFRowcellarrayofoutputprocessingfunctions.(Default={'removeconstantrows','mapminmax'})DDFDatadivisonfunction(default='dividerand')ExamplesHereisaproblemconsistingofinputsPandtargetsTtobesolvedwithanetwork.P=[012345678910];T=[01234321234];Hereanetworkiscreatedwithonehiddenlayeroffiveneurons.net=newff(P,T,5);Thenetworkissimulatedanditsoutputplottedagainstthetargets.Y=sim(net,P);plot(P,T,P,Y,'o')Thenetworkistrainedfor50epochs.Againthenetwork'soutputisplotted.net.trainParam.epochs=50;net=train(net,P,T);Y=sim(net,P);plot(P,T,P,Y,'o')二、新版newff与旧版newff调用语法对比Example1比如输入input（6*1000），输出output为（4*1000），那么旧版定义：net=newff(minmax(input),[7,1],{'tansig','purelin'},'trainlm');新版定义：net=newff(input,output,7,{'tansig','purelin'},'trainlm');Example2比如输入input（6*1000），输出output为（4*1000），那么旧版定义：net=newff(minmax(input),[49,10,1],{'tansig','tansig','tansig'},'traingdx');新版定义：net=newff(input,output,[49,10],{'tansig','tansig','tansig'},'traingdx');三、旧版newff使用方法在新版本中使用提示：旧版本定义的newff虽也能在新版本中使用，但会有警告，警告如下：Warning:NEWFFusedinanobsoleteway.Inobs_useat18Innewffcreate_networkat127Innewffat102SeehelpforNEWFFtoupdatecallstothenewargumentlist.四、新版newff与旧版newff使用的训练效果对比旧版本：旧用法训练次数多，但精度高新版本：新用法训练次数少，但精度可能达不到要求造成上述原因是：程序里面的权值、阈值的初始值是随机赋值的，所以每次运行的结果都会不一样，有好有坏。你可以把预测效果不错的网络的权值和阈值作为初始值。具体可以查看net.iw{1,1}、net.lw{2,1}、net.b{1}、net.b{2}的值。现在给一个完整的例子%%清空环境变量clcclear%%训练数据预测数据data=importdata('test.txt');%从1到768间随机排序k=rand(1,768);[m,n]=sort(k);%输入输出数据input=data(:,1:8);output=data(:,9);%随机提取500个样本为训练样本，268个样本为预测样本input_train=input(n(1:500),:)';output_train=output(n(1:500),:)';input_test=input(n(501:768),:)';output_test=output(n(501:768),:)';%输入数据归一化[inputn,inputps]=mapminmax(input_train);%%BP网络训练%%初始化网络结构net=newff(inputn,output_train,10);net.trainParam.epochs=1000;net.trainParam.lr=0.1;net.trainParam.goal=0.0000004;%%网络训练net=train(net,inputn,output_train);%%BP网络预测%预测数据归一化inputn_test=mapminmax('apply',input_test,inputps);%网络预测输出BPoutput=sim(net,inputn_test);%%结果分析%根据网络输出找出数据属于哪类BPoutput(find(BPoutput0.5))=0;BPoutput(find(BPoutput=0.5))=1;%%结果分析%画出预测种类和实际种类的分类图figure(1)plot(BPoutput,'og')holdonplot(output_test,'r*');legend('预测类别','输出类别')title('BP网络预测分类与实际类别比对','fontsize',12)ylabel('类别标签','fontsize',12)xlabel('样本数目','fontsize',12)ylim([-0.51.5])%预测正确率rightnumber=0;fori=1:size(output_test,2)ifBPoutput(i)==output_test(i)rightnumber=rightnumber+1;endendrightratio=rightnumber/size(output_test,2)*100;sprintf('测试准确率=%0.2f',rightratio)