MATLAB 拟合神经网络—— fitnet建立神经网络参数设置训练网络预测数据模型评价程序

56 阅读 0 评论 37 点赞

我是靠谱客的博主懦弱水池，最近开发中收集的这篇文章主要介绍MATLAB 拟合神经网络—— fitnet建立神经网络参数设置训练网络预测数据模型评价程序，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

建立神经网络

语法：net = fitnet(hiddenSizes,trainFcn)
hiddenSize 为隐藏层数，是一个行向量，分别表示从左到右的隐藏层神经元数。
trainFcn 为训练函数，如下表所示

名称	函数
‘trainlm’	Levenberg-Marquardt
‘trainbr’	Bayesian Regularization
‘trainscg’	Scaled Conjugate Gradient
‘trainbfg’	BFGS Quasi-Newton
‘trainrp’	Resilient Backpropagation
‘traincgb’	Conjugate Gradient with Powell/Beale Restarts
‘traincgf’	Fletcher-Powell Conjugate Gradient
‘traincgp’	Polak-Ribiére Conjugate Gradient
‘trainoss’	One Step Secant
‘traingdx’	Variable Learning Rate Gradient Descent
‘traingdm’	Gradient Descent with Momentum
‘traingd’	Gradient Descent

黄色标出的是常用方法，也是工具箱中提供的三种方法

参数设置

以下参数通常不修改，采用默认值

名称	说明	默认值
net.trainParam.epochs	最大训练次数	1000
net.trainParam.goal	训练要求精度	0
net.trainParam.time	最大训练时间	inf
net.trainParam.max_fail	最大不下降步数	6
net.trainParam.show	显示训练过程	false
net.trainParam.showWindow	显示训练窗口	true

设置训练样本数据、验证样本数据、测试样本数据比例

名称	说明	默认值
net.divideParam.trainRatio	训练样本比例	0.7
net.divideParam.valRatio	验证样本比例	0.15
net.divideParam.testRatio	测试样本比例	0.15

训练网络

语法：[net,tr] = train(net,x,y);
用已知数据训练网络 net ，返回训练好的网络 net ，训练的相关数据在结构体 tr 中。
注意 x、y 和习惯上方向是相反的，每一行表示一个指标，每一列是一个样本。
y 可以是多个预测数据

预测数据

语法：y = sim(net,x)
和训练网络一样，注意 x、y 每一行是指标，每一列是样本。

模型评价

tr 结构中记录了模型的相关数据，主要数据如下表所示
总体特征数据

名称	说明
num_epochs	训练次数
best_epoch	最佳训练次数
best_perf	最佳均方误差（MSE）
best_vperf	验证样本最佳均方误差
best_tperf	测试样本最佳均方误差
trainInd	选取训练样本序号
valInd	选取验证样本序号
testInd	选取测试样本序号

记录每次训练数据

名称	说明
epoch	行向量，训练步数标号，0~（步数-1）
time	训练时间
perf	训练样本均方误差
vperf	验证样本均方误差
tperf	测试样本均方误差

计算总体均方误差
- 语法：performance = perform(net, origin_y, predict_y)
- 其中 predict_y = sim(net,x)

程序

% 转置
x = X'; y = Y';

% 一个隐藏层，神经元数为5
hiddenLayerSize = 5;

% 训练函数为 trainlm
trainFcn = 'trainlm';

% 初始化网络
net = fitnet(hiddenLayerSize,trainFcn);

% 设置比例
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% 训练网络
[net,tr] = train(net,x,y);

% 计算所有训练样本预测值
yp = sim(net,x);

% 计算总体均方误差
performance = perform(net,y,yp);

% 查看网络结构
view(net)