MATLAB_第二篇神经网络学习

非常感谢博主wishes61的分享。这篇博客只是为了记录下第一个神经网络的训练。

BP神经网络代码实现

1. BP神经网络的简介和结构参数
- 1.1 BP神经网络的结构组成
- 1.2 神经元结构示意图
- 1.3 BP神经网络训练界面的参数解读
2. BP网络训练的步骤
3. IRIS数据集
4. MATLAB代码编写
4. 运行结果
- ４.１预测值，真实值，误差的分析图像
- ４.２预测值和真实值的误差计算（ＭＡＥ，MＳＥ，ＭＲＳＥ）

1. BP神经网络的简介和结构参数

一种按照误差逆向传播算法训练的多层前馈神经网络用于预测BP神经网络的计算过程：由正向计算过程和反向计算过程组成。
正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。
如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小值。

1.1 BP神经网络的结构组成

下图是训练神经网络时经常出现的一个界面，从这部分我们可以看到，这是一个2输入1输出，5个隐含层的BP网络，称为2-5-1网络结构

1.2 神经元结构示意图

1.3 BP神经网络训练界面的参数解读

需要注意的是：

泛化性：表示BP神经网络在训练过程中，如果均方误差（MSE）连续6次不降反升，则网络停止训练
误差精度：关于mu参数含义的一种理解是，mu是误差精度参数，用于给神经网络的权重再加一个调制，这样可以避免在BP网络训练的过程中陷入局部最小值，mu的范围为0到1。

2. BP网络训练的步骤

读取数据
设置训练数据和预测数据
训练样本数据归一化
构建BP神经网络网络参数配置(训练次数，学习速率，训练目标最小误差.等)
BP神经网络训练
测试样本归一化
BP神经网络预测
预测结果反归一化与误差计算
验证集的真实值与预测值误差比较

3. IRIS数据集

iris是鸢尾花数据集，是一类多重变量分析的数据集。
数据集包含150个数据样本，分为3类，酶类50个数据，每个数据包含4个属性。
可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。
数据下载链接：http://archive.ics.uci.edu/ml/index.php

4. MATLAB代码编写

% 清空环境变量
clc
clear all
% 1.导入数据
iris=load('iris.csv');
% 统计描述量
feature=iris(:,1:4);
mean=mean(feature); % 描述算法平均值
median=median(feature);% 描述元素的中位数
std=std(feature);%描述元素的标准差% 2. 设置训练数据和预测数据%doc dividevec[分频器]：divid problem vectors into training,validation and test通过分频器得到的结果为三个struct。其中trainSamples中有90个样本（以列的形式呈现），此外trainSamples.P表示数据的特征;trainSamples.L表示90个样本对应的标签；trainSamples.indices表示90个样本在源数据中对应的位置。
normInput=iris(:,1:4)';
normTarget=iris(:,5)';
testPercent=0.20; %测试数据
validatePercent=0.20;%验证数据
[trainSamples,validateSamples,testSamples]=dividevec(normInput,normTarget,validatePercent,testPercent);% 3. 训练样本数据归一化
[inputn,inputps]=mapminmax(trainSamples.P); % 归一化到[-1,1]之间,inputps用来作下一次同样的归一化
[outputn,outputps]=mapminmax(trainSamples.T);% 4. 构建神经网络
% 节点个数
inputnum=2;
hiddenum=5;
% 隐含层节点数量经验公式p=sqrt(m+n)+a，故分别取2~13进行试验
outputnum=1;
% 构建BP神经网络
net=newff(inputn,outputn,hiddenum,{'tansig','purelin'},'trainlm');% 建立模型，传递函数使用purelin，采用梯度下降法训练
w1=net.iw{1,1} ;%输入层到中间层的权值
B1=net.b{1} ;% 中间各层神经元阈值
w2=net.lw{2,1} ;%中间层到输出层的权值
B2=net.b{2}; %输出层各神经元阈值% 5. 网络参数配置(训练次数，学习速率，训练目标最小误差等)
net.trainParam.epochs=1000; % 训练次数，这里设置为1000次
net.trainParam.lr=0.01;% 学习速率，这里设置为0.01
net.trainParam.goal=0.00001; %训练目标最小误差，这里设置为0.00001% 6. BP神经网络训练
net=train(net,inputn,outputn);% 开始训练，其中inputn，outputn分别是输入输出样本% 7. 验证样本归一化
inputn_validation=mapminmax('apply',validateSamples.P,inputps);%对验证样本进行归一化% 8. BP神经网络预测
an=sim(net,inputn_validation);% 用训练好的模型进行仿真% 9. 预测结果反归一化与误差计算
validation_simu=mapminmax('reverse',an,outputps);% 把仿真结果得到的数据还原为原始的数量集
error=validation_simu-validateSamples.T;%预测值与真实值的误差%　10. 真实值与预测值误差的比较
figure(1)
plot(validateSamples.T,'bo-')
hold on
plot(validation_simu,'r*-')
hold on
plot(error,'square','MarkerFaceColor','b')
legend('期望值','预测值','误差')
xlabel('数据组数')
ylabel('值')
[c,l]=size(validateSamples.T);
MAE1=sum(abs(error./validateSamples.T))/l;
MSE1=error*error'/l;
RMSE1=MSE1^(1/2);
disp(['-----------------------误差计算--------------------------'])
disp(['隐含层节点数为',num2str(hiddenum),'时的误差结果如下：'])
disp(['平均绝对误差MAE为：',num2str(MAE1)])
disp(['均方误差MSE为：       ',num2str(MSE1)])
disp(['均方根误差RMSE为：  ',num2str(RMSE1)])

4. 运行结果

４.１预测值，真实值，误差的分析图像

４.２预测值和真实值的误差计算（ＭＡＥ，MＳＥ，ＭＲＳＥ）

MATLAB_第二篇神经网络学习_BP神经网络相关推荐

神经网络学习：神经网络节点配置
在这篇文章中,你将了解两个重要的超参数,用于控制网络的体系结构或拓扑:层数和每个隐藏层中的节点数.配置网络时,必须指定这些参数的值,以及如何着手为你的预测建模问题配置多层感知器神经网络. 在这里贴上教 ...
Egret入门学习日记 --- 第二篇
第二篇(学习篇) 既然选好了Egret,那我就要想想怎么学了. 开始第一步,先加个Q群先,这不,拿到了一本<Egret HTML5游戏开发指南>,阅至三章,得到印象相对较深的好处和坏处: ...
【MATLAB】神经网络学习
NNTOOL 神经网络学习函数神经网络传递函数神经网络学习函数 learnp函数[默认] [dW,LS] = leanrp(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) dW为权值变化 ...
神经网络如何入门,神经网络训练流程
(1)BP算法的学习过程中有两个过程是什么?(2)写出BP神经网络的数学模型,并以20 bp(backpropagation)网络是1986年由rumelhart和mccelland为首的科学家小组提 ...
吴恩达神经网络1-2-2_图神经网络进行药物发现-第2部分
吴恩达神经网络1-2-2 预测毒性 (Predicting Toxicity) 相关资料 (Related Material) Jupyter Notebook for the article Jup ...
深度学习笔记第二门课改善深层神经网络第一周：深度学习的实践层面
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
1.1 训练/开发/测试集-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 4.9 总结习题 (第一课) 回到目录 1.2 偏差/方差训练/开发/测试集 (Train/Dev/Test Sets) 大家可能已经了解了,那么本周,我们将继续学习如何有 ...
深度学习系列 -- 第二门课改善深层神经网络：超参数调试、正则化以及优化(一)：深度学习的实践层面(Practical aspects of Deep Learning)
目录一.深度学习的实践层面(Practical aspects of Deep Learning) 1 训练,验证,测试集(Train / Dev / Test sets) 2 偏差,方差(Bias ...
神经网络学习小记录-番外篇——常见问题汇总
神经网络学习小记录-番外篇--常见问题汇总前言问题汇总 1.下载问题 a.代码下载 b. 权值下载 c. 数据集下载 2.环境配置问题 a.20系列所用的环境 b.30系列显卡环境配置 c.CPU ...

MATLAB_第二篇神经网络学习_BP神经网络

BP神经网络代码实现

1. BP神经网络的简介和结构参数

1.1 BP神经网络的结构组成

1.2 神经元结构示意图

1.3 BP神经网络训练界面的参数解读

2. BP网络训练的步骤

3. IRIS数据集

4. MATLAB代码编写

4. 运行结果

４.１预测值，真实值，误差的分析图像

４.２预测值和真实值的误差计算（ＭＡＥ，MＳＥ，ＭＲＳＥ）

MATLAB_第二篇神经网络学习_BP神经网络相关推荐

最新文章

热门文章

MATLAB_第二篇神经网络学习_BP神经网络

BP神经网络代码实现

1. BP神经网络的简介和结构参数

1.1 BP神经网络的结构组成

1.2 神经元结构示意图

1.3 BP神经网络训练界面的参数解读

2. BP网络训练的步骤

3. IRIS数据集

4. MATLAB代码编写

4. 运行结果

４.１预测值，真实值，误差的分析图像

４.２ 预测值和真实值的误差计算（ＭＡＥ，MＳＥ，ＭＲＳＥ）

MATLAB_第二篇神经网络学习_BP神经网络相关推荐

最新文章

热门文章

４.２预测值和真实值的误差计算（ＭＡＥ，MＳＥ，ＭＲＳＥ）