matlab神经网络求解最优化,matlab神经网络训练数据

1、神经网络的准确率是怎么计算的？

其实神经网络的准确率的标准是自己定义的。
我把你的例子赋予某种意义讲解：
1，期望输出[1 0 0 1]，每个元素代表一个属性是否存在。像着4个元素分别表示：是否肺炎，是否肝炎，是否肾炎，是否胆炎，1表示是，0表示不是。
2，你的神经网络输出必定不可能全部都是输出只有0,1的输出。绝大部分是像[ 0.9968 0.0000 0.0001 0.9970]这样的输出，所以只要输出中的某个元素大于一定的值，例如0.7，我们就认为这个元素是1，即是有某种炎。否则为0，所以你的[ 0.9968 0.0000 0.0001 0.9970]可以看成是[1,0,0,1],。
3，所以一般神经网络的输出要按一定的标准定义成另一种输出（像上面说的），看调整后的输出和期望输出是否一致，一致的话算正确，不一致算错误。
4，用总量为n的检验样本对网络进行评价，输出调整后的输出，统计错误的个数，记为m。
所以检验正确率可以定义为n/m。

2、Matlab的神经网络训练完了，怎么测试的时候误差这么大

正常模型的准确度取决于你的样本质量和数量样本最好能涵盖所有因子的取值范围，比如说样本中因子A取值在0-100之间，如果测试数据因子A取值为200，就可能造成模型预测偏差太大matlab神经网络准确率。

3、matlab bp神经网络精度低

首先是我不知道你用的matlab是什么版本。

如果用的2010以后的版本，那么你这样初始化神经网络一定会报警告。

2010版以后初始化神经网络的语句是这样的

net = newff(p, t, 7);

输出层不需要自己去告诉系统。

我想知道的第二个问题，是你的输出层函数是否需要使用logsig。如果使用purelin，那么你大可不必去归一化。后面我会告诉你原因。

你手动指定了训练次数，但是学习率0.01这个数值不知道你从哪里找到的。我可能会选择高一点的学习率，最高我用过0.25.

训练函数你也是手动指定的，这个是需要的么？如果不需要，对于7个神经节点，完全可以使用trainlm，这样你也不需要这么多的训练次数。

下面说一下2010以后的matlab中，神经网络训练增加的一个功能。在初始化神经网络以后，有一个默认的dividing function，将训练样本中的一部分用来校验神经网络性能，以防止过度训练。那么这个参数可能会导致训练不充分。在初始化神经网络以后，需要做的工作是设定net.divideFcn = ''；用来去掉这个分配函数。

如果你需要更改你的transfer function，那么可以在net.layers{2}.transferFcn = 'logsig'将输出层传输函数手动修改。

那么，我使用全默认设置，没有进行归一化处理，获得的结果是这样的。

这个就是把你的t和训练后的神经网络计算的结果放在一起。结果已经很不错了。

如过我去掉了分配函数，那么神经网络就会一直训练到训练次数上限或者达到目标值。165次训练后，误差值是1.77e-19（误差使用mean squared error计算），结果在这里贴出来已经没意义了，因为几乎没有误差。

如果你还有问题，那么跟我细聊一下。

4、为什么用训练好的bp神经网络去测试，准确率为0？

1、你可以尝试运行多次后比较其结果，最好重启matlab，再运行你的神经网络程序。
2、确认一下你的bp神经网络参数设置是否合理。
3、也有可能的数据不适合用bp神经网络训练，可以考虑其他方法。

5、matlab7.0做BP神经网络预测，精度怎么看？

应该是点performance那个按钮，显示一个误差下降曲线图。

事实上，不需过分关注这条曲线，除非是研究改进算法提高收敛速度的。一般关注网络的实际训练效果，以及实际应用能力，如预测能力等。

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

6、用MATLAB中神经网络工具箱固有函数建立的BP网络，训练精度始终达不到，而且误差也大，该如何解决

除了楼上的方法，还可以修改下神经网络的初始权值，这方面的方法很多，可以改变下初始参数的取值范围，或者用遗传算法搜索下。另外，改变神经网络的训练函数是十分有效的，比如trainscg什么的，还有好几个记不得了，自己找找看！

7、如何看MATLAB运行神经网络的结果

如何看MATLAB运行神经网络的结果
从图中Neural Network可以看出，你的网络结构是两个隐含层，2-3-1-1结构的网络，算法是traindm，显示出来的误差变化为均方误差值mse。经过482次迭代循环完成训练，耗时5秒。相同计算精度的话，训练次数越少，耗时越短，网络结构越优秀。达到设定的网络精度0.001的时候，误差下降梯度为0.0046，远大于默认的1e-5，说明此时的网络误差仍在快速下降，所以可以把训练精度目标再提高一些，比如设为0.0001或者1e-5。

8、为什么matlab的BP神经网络曲线拟合的时候没问题，预测的时候误差这么大

这是神经网络特性导致的，与matlab没关系。
一方面，如果你的网络层选的神经元的个数和层数不合适，就会导致这种结果；
另一方面，如果你的训练样本选择的不合适，或者数据表达的太快，也会导致这种问题。
前一个方面根据经验，后一个可以做成神经元的参数可调的。

9、《matlab神经网络30个案例分析》第13章的SVM参数优化用的是什么方法? 代码如下

这就是用的grid search的原理啊，
定义好c g搜索的网格，然后一个个的试，取交叉验证精度最高的g c值作为寻优的参数结果

10、识别数字，bp神经网络算法，卷积神经网络算法，svm算法，adaboost算法哪种好

看数字图片而定。如果图片较小并且质量还不错，那么通过2层的神经网络就能胜任。
对于MNIst数据集（28*28的手写数字），2层神经网络准确率可达99%，svm也有98%以上。
以上实现非常简单，matlab已经有现成工具箱。
卷积神经网络通常用于更加复杂的场合，闭合是被图像内容等。在MNIST数据集上cnn可达99.7%准确率，但是实现起来较为复杂，需要通过开源框架caffe，keras等进行编程。
如果对准确率要求没有达到小数点后两位的程度，用简单的svm，神经网络，softmax等调调参数就行了。