BP神經(jīng)網(wǎng)絡(luò)的Matlab語法介紹

1、1. 數(shù)據(jù)預(yù)處理 在訓(xùn)練神經(jīng)網(wǎng)絡(luò)前一般需要對數(shù)據(jù)進行預(yù)處理，一種重要的預(yù)處理手段是 歸一化處理。下面簡要介紹歸一化處理的原理與方法。(1) 什么是歸一化？數(shù)據(jù)歸一化，就是將數(shù)據(jù)映射到 0,1 或-1,1 區(qū)間或更小的區(qū)間，比如 (0.1,0.9) 。(2) 為什么要歸一化處理？ 輸入數(shù)據(jù)的單位不一樣，有些數(shù)據(jù)的范圍可能特別大，導(dǎo)致的結(jié)果是神經(jīng) 網(wǎng)絡(luò)收斂慢、訓(xùn)練時間長。 數(shù)據(jù)范圍大的輸入在模式分類中的作用可能會偏大，而數(shù)據(jù)范圍小的輸入 作用就可能會偏小。 由于神經(jīng)網(wǎng)絡(luò)輸出層的激活函數(shù)的值域是有限制的，因此需要將網(wǎng)絡(luò)訓(xùn)練 的目標數(shù)據(jù)映射到激活函數(shù)的值域。例如神經(jīng)網(wǎng)絡(luò)的輸出層若采用 S 形激活函 數(shù)

2、，由于 S 形函數(shù)的值域限制在 (0,1) ，也就是說神經(jīng)網(wǎng)絡(luò)的輸出只能限制在 (0,1) ，所以訓(xùn)練數(shù)據(jù)的輸出就要歸一化到 0,1 區(qū)間。S 形激活函數(shù)在 (0,1) 區(qū)間以外區(qū)域很平緩，區(qū)分度太小。例如 S 形函數(shù) f(X) 在參數(shù) a=1 時， f(100) 與 f(5) 只相差 0.0067 。(3) 歸一化算法一種簡單而快速的歸一化算法是線性轉(zhuǎn)換算法。 線性轉(zhuǎn)換算法常見有兩種形 式：y = ( x - min )/( max - min )其中 min 為 x 的最小值， max 為 x 的最大值，輸入向量為 x ，歸一化后的 輸出向量為 y 。上式將數(shù)據(jù)歸一化到 0 , 1 區(qū)間，

3、當(dāng)激活函數(shù)采用 S 形函數(shù) 時(值域為 (0,1) )時這條式子適用。y = 2 * ( x - min ) / ( max - min ) - 1這條公式將數(shù)據(jù)歸一化到 -1 , 1 區(qū)間。當(dāng)激活函數(shù)采用雙極 S 形函 數(shù)(值域為 (-1,1) )時這條式子適用。(4) Matlab 數(shù)據(jù)歸一化處理函數(shù)Matlab 中歸一化處理數(shù)據(jù)可以采用 premnmx ， postmnmx ， tramnmx 這 3 個函數(shù)。 premnmx語法： pn,minp,maxp,tn,mint,maxt = premnmx(p,t)參數(shù)：pn ： p 矩陣按行歸一化后的矩陣minp ， maxp ：p 矩陣

4、每一行的最小值，最大值tn : t矩陣按行歸一化后的矩陣mint , maxt : t矩陣每一行的最小值，最大值作用：將矩陣p , t歸一化到-1,1，主要用于歸一化處理訓(xùn)練數(shù)據(jù)集。 tramnmx語法：pn = tramnmx(p,minp,maxp)參數(shù)：minp ， maxp : premnmx 函數(shù)計算的矩陣的最小，最大值pn :歸一化后的矩陣作用：主要用于歸一化處理待分類的輸入數(shù)據(jù)。 post mnmx語法： p,t = post mnm x(p n, mi np,maxp,t n,mi nt,maxt)參數(shù)：minp ， maxp : premnmx 函數(shù)計算的 p矩陣每行的最小值

5、，最大值 mint ， maxt : premnmx 函數(shù)計算的t矩陣每行的最小值，最大值 作用：將矩陣pn，tn映射回歸一化處理前的范圍。postmnmx 函數(shù)主要用于 將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果映射回歸一化前的數(shù)據(jù)范圍。2.使用Matlab 實現(xiàn)神經(jīng)網(wǎng)絡(luò)使用Matlab建立前饋神經(jīng)網(wǎng)絡(luò)主要會使用到下面 3個函數(shù)：n ewff :前饋網(wǎng)絡(luò)創(chuàng)建函數(shù)train :訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)sim :使用網(wǎng)絡(luò)進行仿真下面簡要介紹這3個函數(shù)的用法。(1) newff 函數(shù) newff函數(shù)語法newff函數(shù)參數(shù)列表有很多的可選參數(shù)，具體可以參考 Matlab的幫助文 檔，這里介紹newff函數(shù)的一種簡單的形式。語法：

6、n et = newff ( A, B, C , train Fun )參數(shù)：A :一個n X2的矩陣，第i行元素為輸入信號xi的最小值和最大值；B :一個k維行向量，其元素為網(wǎng)絡(luò)中各層節(jié)點數(shù)；C: 一個k維字符串行向量，每一分量為對應(yīng)層神經(jīng)元的 激活函數(shù)； trainFun :為學(xué)習(xí)規(guī)則采用的訓(xùn)練算法。表3.1 BP網(wǎng)絡(luò)的常用函數(shù)表函數(shù)類型函數(shù)名稱函數(shù)用途前向網(wǎng)絡(luò)創(chuàng)建函數(shù)n ewcf創(chuàng)建級聯(lián)前向網(wǎng)絡(luò)Newff創(chuàng)建前向BP網(wǎng)絡(luò)logsigS型的對數(shù)函數(shù)傳遞函數(shù)tan sigS型的正切函數(shù)purelin純線性函數(shù)學(xué)習(xí)函數(shù)lear ngd基于梯度下降法的學(xué)習(xí)函數(shù)lear ngdm梯度下降動量學(xué)習(xí)函

7、數(shù)性能函數(shù)mse均方誤差函數(shù)msereg均方誤差規(guī)范化函數(shù)顯示函數(shù)plotperf繪制網(wǎng)絡(luò)的性能plotes繪制一個單獨神經(jīng)元的誤差曲面plotep繪制權(quán)值和閾值在誤差曲面上的位置errsurf計算單個神經(jīng)元的誤差曲面3.1.1 BP網(wǎng)絡(luò)創(chuàng)建函數(shù)1) n ewff該函數(shù)用于創(chuàng)建一個BP網(wǎng)絡(luò)。調(diào)用格式為：net=newffnet=newff(PR S1 S2. SN1, TF1 TF2. TFN1, BTF BLF, PF)其中，net=newff;用于在對話框中創(chuàng)建一個BP網(wǎng)絡(luò)。net為創(chuàng)建的新BP神經(jīng)網(wǎng)絡(luò)；PR為網(wǎng)絡(luò)輸入向量取值范圍的矩陣；S1 S2- SNl表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個

8、數(shù);TFITF2TFN1表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，默認為tan sig;BTF表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認為trainlm ;BLF表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默認為learngdm;PF表示性能數(shù)，默認為mse。常用的激活函數(shù)常用的激活函數(shù)有：a) 線性函數(shù)(Linear transfer function)f(x) = x該函數(shù)的字符串為purelin。b) 對數(shù) S 形轉(zhuǎn)移函數(shù)(Logarithmic sigmoid transfer function )f(x)=(0 f(x) 1)c) 雙曲正切 S 形函數(shù) (Hyperbolic tangent sigmoid transfer f

9、unction )心)一 1+ 召憐1 C 1 f(x) 1)也就是上面所提到的雙極S形函數(shù)該函數(shù)的字符串為tan sig。Matlab的安裝目錄下的toolboxnnetnnetnntransfer子目錄中有所有激活函數(shù)的定義說明。常見的訓(xùn)練函數(shù)常見的訓(xùn)練函數(shù)有：traingd :梯度下降 BP 訓(xùn)練函數(shù)(Gradient descent backpropagation)train gdx:梯度下降自適應(yīng)學(xué)習(xí)率訓(xùn)練函數(shù)網(wǎng)絡(luò)配置參數(shù)一些重要的網(wǎng)絡(luò)配置參數(shù)如下：n et.trai nparam.goaln et.trai nparam.shown et.tra in param.epochsn et.tra in Para m.lr:神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標誤差:顯示中間結(jié)果的周期:最大迭代次數(shù):學(xué)習(xí)率train函數(shù)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)函數(shù)。語法：net, tr, Y1, E 參數(shù)：=train( net, X, Y )