matlab神经网络工具箱
 
matlab拥有着很多实用的工科计算工具，其中就包含了神经网络工具箱。利用matlab，可以很容易地搭建一个实用的神经网络。
 
启动神经网络工具箱
 
nnstart
 
输入后，会出现窗体，点击对应的窗体即可启动相关的训练程序。
 
其中包含
 
nftool(Neural network fitting tool，神经网络拟合工具) 常用于线性拟合
nprtool(Neural network pattern recognition tool，神经网络模式识别工具) 常用于分类问题（有标签）
nctool(Neural network classification or clustering tool，神经网络分类与聚类工具) 用于聚类问题（无标签）
ntstool(Neural network time series tool，神经网络时序拟合工具) 带有记忆功能的拟合工具
 
启动后按照指引，可以执行对应的功能。
 
神经网络拟合数据
 
据证明，简单的神经网络可以拟合任何实际的函数。
 
LM算法(Levenberg-Marquardt)适合于大多数的问题，但对于有小噪声干扰的数据，贝叶斯正则化算法(Bayesian Regularization)可以通过长时间的运算以获得更好的拟合效果。对于大规模的问题，量化共轭梯度法(Scaled Conjugate Gradient)更推荐适用，因为其梯度计算比实用雅各比行列式能节约更多的内存。
 
神经网络模式分类
 
神经网络在分类问题上也很实用。
 
对于分类问题来说，其数据格式应该是这样的：
 
二分类
 
inputs  = [0 1 0 1; 0 0 1 1];
targets = [1 0 0 1; 0 1 1 0];
 
三分类
 
inputs  = [0 0 0 0 5 5 5 5; 0 0 5 5 0 0 5 5; 0 5 0 5 0 5 0 5];
targets = [1 0 0 0 0 0 0 0; 0 1 1 1 1 1 1 0; 0 0 0 0 0 0 0 1];
 
输入为MxN维矩阵，对于K分类问题，输入应该为MxK维矩阵。对输出来说，每个分类的列都应该只包含一个1，其余为0。
 
自组织映射聚类
 
聚类问题是神经网络的一个出色的应用，通过相似性对数据进行分组。
 
动态时序神经网络
 
动态神经网络适用于时序预测。
 
网络参数
 
为了验证网络效果，我们需要对生成的网络参数进行分析。
 
Performance(误差函数)
 
mse(Mean squared normalized error performance function，归一化均方误差函数) 表现数据与预测值直接的距离和，越小越好。
 
Regression(相关性)
 
表现为系统输出与数据之间的关联性，越接近于1表现越好。
 
Training State(训练状态)
 
Gradient梯度
Mu学习率
Validation Checks失败检验次数
 
Error Histogram(误差直方图)
 
横坐标为目标值-输出值，纵坐标为出现的次数。
 
Confusion(混乱型)
 
表现不同数据集中的分类的精确性，横坐标为目标分类，纵坐标为系统训练的输出分类。
 
红色表示错误分类，绿色表示正确分类。高亮块表示当前训练得到的精确度，右下角表示总体精确度。
 
Receiver Operating Characteristic(认知工作特性)
 
表现不同数据集中的ROC特性，对于完美的测试结果，应该贴合在左上边框，表现为全敏感性和全特异性。
 
参考文献
 
本文首载自RuaBlog，欢迎访问我的博客。
 
 
 
Matlab训练神经网络实操 - 知乎 (zhihu.com)
 
 
 
 
matlab官方文档
 

  最近一段时间在研究如何利用预测其销量个数，在网上搜索了一下，发现了很多模型来预测，比如利用回归模型、时间序列模型，GM（1,1）模型，可是自己在结合实际的工作内容，发现这几种模型预测的精度不是很高，于是再在网上进行搜索，发现神经网络模型可以来预测，并且有很多是结合时间序列或者SVM（支持向量机）等组合模型来进行预测，本文结合实际数据，选取了常用的BP神经网络算法，其算法原理，因网上一大堆，所以在此不必一一展示，并参考了bp神经网络进行交通预测的Matlab源代码这篇博文，运用matlab 2016a,给出了下面的代码，并最终进行了预测
 
clc

clear all

close all

%bp 神经网络的预测代码

%载入输出和输入数据

load C:\Users\amzon\Desktop\p.txt;

load C:\Users\amzon\Desktop\t.txt;

%保存数据到matlab的工作路径里面

save p.mat;

save t.mat;%注意t必须为行向量

%赋值给输出p和输入t

p=p;

t=t;

%数据的归一化处理，利用mapminmax函数，使数值归一化到[-1.1]之间

%该函数使用方法如下：[y,ps] =mapminmax(x,ymin,ymax)，x需归化的数据输入，

%ymin，ymax为需归化到的范围，不填默认为归化到[-1,1]

%返回归化后的值y，以及参数ps，ps在结果反归一化中，需要调用

[p1,ps]=mapminmax(p);

[t1,ts]=mapminmax(t);

%确定训练数据，测试数据,一般是随机的从样本中选取70%的数据作为训练数据

%15%的数据作为测试数据，一般是使用函数dividerand，其一般的使用方法如下：

%[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)

[trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);

[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);

%建立反向传播算法的BP神经网络，使用newff函数，其一般的使用方法如下

%net = newff(minmax(p),[隐层的神经元的个数，输出层的神经元的个数],{隐层神经元的传输函数，输出层的传输函数｝,'反向传播的训练函数'),其中p为输入数据，t为输出数据

%tf为神经网络的传输函数，默认为'tansig'函数为隐层的传输函数，

%purelin函数为输出层的传输函数

%一般在这里还有其他的传输的函数一般的如下，如果预测出来的效果不是很好，可以调节

%TF1 = 'tansig';TF2 = 'logsig';

%TF1 = 'logsig';TF2 = 'purelin';

%TF1 = 'logsig';TF2 = 'logsig';

%TF1 = 'purelin';TF2 = 'purelin';

TF1='tansig';TF2='purelin';

net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%网络创建

%网络参数的设置

net.trainParam.epochs=10000;%训练次数设置

net.trainParam.goal=1e-7;%训练目标设置

net.trainParam.lr=0.01;%学习率设置,应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛

net.trainParam.mc=0.9;%动量因子的设置，默认为0.9

net.trainParam.show=25;%显示的间隔次数

% 指定训练参数

% net.trainFcn = 'traingd'; % 梯度下降算法

% net.trainFcn = 'traingdm'; % 动量梯度下降算法

% net.trainFcn = 'traingda'; % 变学习率梯度下降算法

% net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法

% (大型网络的首选算法)

% net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小

% 共轭梯度算法

% net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法

% net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大

% net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大

% (大型网络的首选算法)

%net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多

% net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快

% net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大

% (中型网络的首选算法)

%net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快

% net.trainFcn = 'trainbr'; % 贝叶斯正则化算法

% 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'

%在这里一般是选取'trainlm'函数来训练，其算对对应的是Levenberg-Marquardt算法

net.trainFcn='trainlm';

[net,tr]=train(net,trainsample.p,trainsample.t);

%计算仿真，其一般用sim函数

[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据，根据BP得到的结果

[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据，经BP得到的结果

[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据，经BP得到的结果

%将所得的结果进行反归一化，得到其拟合的数据

trainoutput=mapminmax('reverse',normtrainoutput,ts);

validateoutput=mapminmax('reverse',normvalidateoutput,ts);

testoutput=mapminmax('reverse',normtestoutput,ts);

%正常输入的数据的反归一化的处理，得到其正式值

trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据

validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据

testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据

%做预测，输入要预测的数据pnew

pnew=[313,256,239]';

pnewn=mapminmax(pnew);

anewn=sim(net,pnewn);

anew=mapminmax('reverse',anewn,ts);

%绝对误差的计算

errors=trainvalue-trainoutput;

%plotregression拟合图

figure,plotregression(trainvalue,trainoutput)

%误差图

figure,plot(1:length(errors),errors,'-b')

title('误差变化图')

%误差值的正态性的检验

figure,hist(errors);%频数直方图

figure,normplot(errors);%Q-Q图

[muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间

[h1,sig,ci]= ttest(errors,muhat);%假设检验

figure, ploterrcorr(errors);%绘制误差的自相关图

figure, parcorr(errors);%绘制偏相关图
 
运行之后的，结果如下：
 
 
BP神经网络的结果分析图
 
 
训练数据的梯度和均方误差之间的关系图
 
 
验证数据的梯度与学习次数
 
 
残差的正态的检验图（Q-Q图）
 
 
 
 
 
在网上，发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下：
 
1：在输入命令里面输入nntool命令，或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序，点击打开，就能看见如下界面
 
 
 
 
 
 
 
 
 
2：输入数据和输出数据的导入（在本文中选取了matlab自带的案例数据）
 
 

3：随机选择三种类型的数据所占的样本量的比例，一般选取默认即可
  
 
 


4：隐层神经元的确定
                                                                               


5：训练算法的选取，一般是选择默认即可，选择完成后点击<train>按钮即可运行程序




6：根据得到的结果，一般是MSE的值越小，R值越接近1，其训练的效果比较，并第二张图给出了神经网络的各参数的设置以及其最终的结果，其拟合图R越接近1，模型拟合的更好








 最终的结果图
 
7：如果所得到的模型不能满足你的需求，则需重复上述的步骤直至能够得到你想要的精确度

 8：将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到所要的拟合值

 


最后参考了网上和MATLAB的帮助，给出了一些与神经网络相关的函数，希望能够帮助大家。。
  图形用户界面功能。 
     nnstart - 神经网络启动GUI 
     nctool - 神经网络分类工具 
     nftool - 神经网络的拟合工具 
     nntraintool - 神经网络的训练工具 
     nprtool - 神经网络模式识别工具 
     ntstool - NFTool神经网络时间序列的工具 
     nntool - 神经网络工具箱的图形用户界面。 
     查看 - 查看一个神经网络。 
   
   网络的建立功能。 
     cascadeforwardnet - 串级，前馈神经网络。 
     competlayer - 竞争神经层。 
     distdelaynet - 分布时滞的神经网络。 
     elmannet - Elman神经网络。 
     feedforwardnet - 前馈神经网络。 
     fitnet - 函数拟合神经网络。 
     layrecnet - 分层递归神经网络。 
     linearlayer - 线性神经层。 
     lvqnet - 学习矢量量化（LVQ）神经网络。 
     narnet - 非线性自结合的时间序列网络。 
     narxnet - 非线性自结合的时间序列与外部输入网络。 
     newgrnn - 设计一个广义回归神经网络。 
     newhop - 建立经常性的Hopfield网络。 
     newlind - 设计一个线性层。 
     newpnn - 设计概率神经网络。 
     newrb - 径向基网络设计。 
     newrbe - 设计一个确切的径向基网络。 
     patternnet - 神经网络模式识别。 
     感知 - 感知。 
     selforgmap - 自组织特征映射。 
     timedelaynet - 时滞神经网络。 
   
   利用网络。 
     网络 - 创建一个自定义神经网络。 
     SIM卡 - 模拟一个神经网络。 
     初始化 - 初始化一个神经网络。 
     适应 - 允许一个神经网络来适应。 
     火车 - 火车的神经网络。 
     DISP键 - 显示一个神经网络的属性。 
     显示 - 显示的名称和神经网络属性 
     adddelay - 添加延迟神经网络的反应。 
     closeloop - 神经网络的开放反馈转换到关闭反馈回路。 
     formwb - 表格偏见和成单个向量的权重。 
     getwb - 将它作为一个单一向量中的所有网络权值和偏差。 
     noloop - 删除神经网络的开放和关闭反馈回路。 
     开环 - 转换神经网络反馈，打开封闭的反馈循环。 
     removedelay - 删除延迟神经网络的反应。 
     separatewb - 独立的偏见和重量/偏置向量的权重。 
     setwb - 将所有与单个矢量网络权值和偏差。 
   
   Simulink的支持。 
     gensim - 生成Simulink模块来模拟神经网络。 
     setsiminit - 集神经网络的Simulink模块的初始条件 
     getsiminit - 获取神经网络Simulink模块的初始条件 
     神经元 - 神经网络Simulink的模块库。 
   
   培训职能。 
     trainb - 批具有重量与偏见学习规则的培训。 
     trainbfg - 的BFGS拟牛顿倒传递。 
     trainbr - 贝叶斯规则的BP算法。 
     trainbu - 与重量与偏见一批无监督学习规则的培训。 
     trainbuwb - 与体重无监督学习规则与偏见一批培训。 
     trainc - 循环顺序重量/偏见的培训。 
     traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。 
     traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。 
     traincgp - 共轭波拉克- Ribiere更新梯度反向传播。 
     traingd - 梯度下降反向传播。 
     traingda - 具有自适应LR的反向传播梯度下降。 
     traingdm - 与动量梯度下降。 
     traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。 
     trainlm - 采用Levenberg -马奎德倒传递。 
     trainoss - 一步割线倒传递。 
     trainr - 随机重量/偏见的培训。 
     trainrp - RPROP反向传播。 
     trainru - 无监督随机重量/偏见的培训。 
     火车 - 顺序重量/偏见的培训。 
     trainscg - 规模化共轭梯度BP算法。 
   
   绘图功能。 
     plotconfusion - 图分类混淆矩阵。 
     ploterrcorr - 误差自相关时间序列图。 
     ploterrhist - 绘制误差直方图。 
     plotfit - 绘图功能适合。 
     plotinerrcorr - 图输入错误的时间序列的互相关。 
     plotperform - 小区网络性能。 
     plotregression - 线性回归情节。 
     plotresponse - 动态网络图的时间序列响应。 
     plotroc - 绘制受试者工作特征。 
     plotsomhits - 小区自组织图来样打。 
     plotsomnc - 小区自组织映射邻居的连接。 
     plotsomnd - 小区自组织映射邻居的距离。 
     plotsomplanes - 小区自组织映射重量的飞机。 
     plotsompos - 小区自组织映射重量立场。 
     plotsomtop - 小区自组织映射的拓扑结构。 
     plottrainstate - 情节训练状态值。 
     plotwb - 图寒春重量和偏差值图。 
   
   列出其他神经网络实现的功能。 
     nnadapt - 适应职能。 
     nnderivati​​ve - 衍生功能。 
     nndistance - 距离函数。 
     nndivision - 除功能。 
     nninitlayer - 初始化层功能。 
     nninitnetwork - 初始化网络功能。 
     nninitweight - 初始化权函数。 
     nnlearn - 学习功能。 
     nnnetinput - 净输入功能。 
     nnperformance - 性能的功能。 
     nnprocess - 处理功能。 
     nnsearch - 线搜索功能。 
     nntopology - 拓扑结构的功能。 
     nntransfer - 传递函数。 
     nnweight - 重量的功能。 
  nndemos - 神经网络工具箱的示威。 
     nndatasets - 神经网络工具箱的数据集。 
     nntextdemos - 神经网络设计教科书的示威。 
     nntextbook - 神经网络设计教科书的资讯。
 
 

        利用MATLAB 进行BP神经网络的预测（含有神经网络工具箱）
 
  最近一段时间在研究如何利用预测其销量个数，在网上搜索了一下，发现了很多模型来预测，比如利用回归模型、时间序列模型，GM（1,1）模型，可是自己在结合实际的工作内容，发现这几种模型预测的精度不是很高，于是再在网上进行搜索，发现神经网络模型可以来预测，并且有很多是结合时间序列或者SVM（支持向量机）等组合模型来进行预测，本文结合实际数据，选取了常用的BP神经网络算法，其算法原理，因网上一大堆，所以在此不必一一展示，并参考了bp神经网络进行交通预测的Matlab源代码这篇博文，运用matlab 2016a,给出了下面的代码，并最终进行了预测
 
clc

clear all

close all

%bp 神经网络的预测代码

%载入输出和输入数据

load C:\Users\amzon\Desktop\p.txt;

load C:\Users\amzon\Desktop\t.txt;

%保存数据到matlab的工作路径里面

save p.mat;

save t.mat;%注意t必须为行向量

%赋值给输出p和输入t

p=p;

t=t;

%数据的归一化处理，利用mapminmax函数，使数值归一化到[-1.1]之间

%该函数使用方法如下：[y,ps] =mapminmax(x,ymin,ymax)，x需归化的数据输入，

%ymin，ymax为需归化到的范围，不填默认为归化到[-1,1]

%返

 

 
类型：Mac学习教育大小：11.37G语言：多国语言[中文] 评分：10.0
 
标签：
 
立即下载
 
matlab2010版后的都是有神经网络工具箱的，用户在软件内可以直接使用，很多小伙伴对这个工具还不了解，matlab神经网络工具箱怎么用，西西小编来为大家介绍。
 
matlab神经网络工具箱怎么用
 
操作工具：matlab(17版)
 
打开matlab，点击“app”,图示“三角形”图标。
 

 
图中圈出工具箱，即为神经网络工具箱工具箱。这四种分别为BP、拟合、模式识别和时间序列神经网络。这里我们使用时间序列神经网络。
 

 
图示，右边即为选择问题处理方式，第一个有出入有反馈，第二个有反馈无输入，第三个无反馈有输入。
 

 
选择有输入有反馈方式，点击next。
 
图示选择好输入输出，选择时间步骤行或列，然后点击nex。
 

 
选择训练数据、校正数据以及测试数据，然后点击next。
 

 
设置隐藏层以及神经元影响步距，点击next。
 

 
选择训练方式，点击训练train。
 

 
弹出训练窗口。
 

 
训练结束之后，会有很多分析图形，正对这次神经网络调试结果进行展示，你可依据该数据进行调节。
 

 

 
以上就是西西小编为大家带来的matlab神经网络工具箱怎么用，希望大家喜欢。