1、神经网络工具箱的使用 本章主要介绍神经网络工具箱的使用 ,使用 nntool可以使得原本用编程来创建神经网络变得容易，而且不容易出错。 1 神经网络的创建与训练 神经网络的创建主要分为以下四步： 1)在命令窗口键入 nntool命令打开神经网络工具箱 。如图 1： 图 1 2)点击 Import按钮两次，分别把 输入 向量和目标 输出 加入到对应的窗口（ Inputs和Targets）中，有两种可供选择的加入对象（点击 Import后可以看见），一种是把当前 工作区中的某个矩阵 加入，另一种是 通过 .mat文件 读入 。 如图 2和图 3： 图 2 图 3 3)点击 New Network按
2、钮，填入各参数：（以最常用的带一个隐层的 3层神经网络为例说明，下面没有列出的参数表示使用默认值就可以了，例如 Network Type为默认的 BP神经网络）； i)Input Range 这个通过点击 Get From Input下拉框选择你加入的输入向量便可自动完成 ，当然也可以自己手动添加。 ii) Training Function 最好使用 TRAINSCG，即 共轭梯度法 ，其好处是当训练不收敛时，它会自动停止训练，而且 耗时较其他算法（ TRAINLM， TRAINGD）少，也就是收敛很快（如果收敛的话），而且 Train Parameters输入不多，也不用太多的技巧调整，一
3、般指定 迭代次数、结果显示频率和目标误差 就可以了（详见下文）。 iii) Layer 1 Number of Neurons 隐层 的神经元个数，这是需要经验慢慢尝试并调整的，大致上由 输入向量的维数 、 样本的数量 和 输出层（ Layer2）的神经元个数 决定 。一般来说，神经元越多，输出的数值与目标值越接近，但所花费的训练时间也越长，反之，神经元越少，输出值与 目标值相差越大，但训练时间会相应地减少，这是由于神经元越多其算法越复杂造成的，所以需要自己慢慢尝试，找到一个合适的中间点。 比 如输入是 3行 5000列的0-9的随 机 整数矩阵，在一开始 选择 1000个神经元，虽然精度比较
4、高，但是花费的训练时间较长，而且这样神经网络的结构与算法都非常复杂，不容易在实际应用中实现， 尝试 改为 100个，再调整为 50个， 如果 发现在 50个以下时精度较差， 则可 最后定为 50个神经元 ，等等 。 iv)Layer 1 Transfer Function 一般用 TANSIG（当然也可以 LOGSIG），即表示隐层输出是 -1,1之间的实数，与 LOGSIG相比范围更大。 v) Layer 2 Number of Neurons 输出层 的神经元个数， 需要与输出的矩阵行数对应，比如 设置为 3，等等 。 vi) Layer 2 Transfer Function 如果是模式
5、识别的两类（或者多类）问题，一般用 LOGSIG，即表示输出层的输出是 0,1之间的实数 ；如果输出超过 0,1则可选择 PURELIN。如图 4和图 5。 图 4 图 5 所有参数输入后，可以先用 View按钮预览一下， 如图 6。 没有问题的话就可以 Create了。另外，网络创建完毕后，如果需要手动设置权重的初始值，按 View按钮后有个 Initialize选项卡，在那里可以设定。当然了， 也 可以不自行设定，这时候 Matlab执行默认的程序进行权重的初始化（没有具体研究过，可能是随机设定）。 图 6 4)点击 Train按钮，到达 Training Info选项卡，在输入向量 In
6、puts和目标输入向量Targets下拉框中选择你要训练的向量（即第二步加入的对象）， 如图 7。 然后到 达 Train Parameters选项卡，填入适当的迭代次数 epochs（一般先设置一个较小的数如 200，然后观察收敛结果，如果结果窗口的收敛曲线衰减较快，则表示之前的参数比较有效，因此可填入 2000或更大的数目使得网络收敛，否则修改之前的参数）、结果显示频率 show（例如要每隔 50次迭代显示结果窗口，则填 50）和目标误差 goal（这个与第 2步中的 “Performance Function” 有关，如果使用默认的 MSE，则一般满足 “goal* 样本数量 0.5”
7、就可以了），就可以开始训练了（按钮 Train Network），如果结果收敛（训练误差不大于目标误差，即蓝色线到达黑色线位置）就 OK了 （例如要求精度很高，尝试填 0，等等 ） ， 如图 8。 图 7 图 8 2 神经网络的仿真测试 神经网络的仿真测试非常简单，选定训练好的神经网络，点击 View按钮，再点击 Simulate按钮，在 Simulate Data中的 Inputs一栏中导入需要测试的数据（需要是工作区的矩阵，所以可以事先将数据写在但单独的程序中，需要时运行程序即可），然后点击 Simulate Network，测试结束后可以在 Outputs中看到结果，在 Errors中可以看到误差。 当然也可以不借用工具箱，直接手工编写程序来测试，相比工具箱虽然稍显麻烦，但是结果更直观。
