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