第六章 神经网络工具箱的应用

92
如果聚类效果差可以再重 新训练神经网络模型。
调整隐藏层的神经元个数 点击下一步
93
变量名。数据存储在变量中，在Matlab的命 令窗口中输入变量名即可显示出数据。
单击，保存结果。
94
8
打开“Import to Network”对话框
单击“Import”按钮，打开“Import to Network”对话框
9
确定输入数据
选择“Import from Matlab workspace”，在“Select a variable”中选择输入数据对应的变量，选择“Input Data”单选项，并单击 “Import”按钮。
27
在输入数据栏中出现了 u
28
点击“Simulate”选项 卡
仿真测试
在Inputs一栏中导入新的需要测试的 数据 u
点击“Simulate Network”按 钮
点击“OK”按钮
29
仿真测试结果
在“Output Data”中选 择仿真输出的网络
单击“Export”按钮
30
选择“network1_outputs”
14
所创建的神经网络框图
15
（二） 神经网络的训练
16
训练参数设置
单击神经网络框图中 的“Train”选项卡。 在其下单击 “Training Parameters”选项卡。
每隔多少训练次数会显示训 练过程。 训练的最大循环次数 最大训练所需时间
动量的初始值 动量的减少系数 动量的增加系数 动量的最大值
点击下拉菜单进行选取
默认为LEARNGDM算法 （最速下降法）
隐藏层所使用的转移函数类型
所有参数设置完成后， 单击“View”预览一下创 建的模型。
13
预览后没有问题，单击“Create”按钮，创建网络。
单击“OK”按钮，返回神经网络数据管理窗 口。
选中“Network1”选项，单击“Open”按钮， 打开神经网络框图。
选择保存的神经网络文 件名
单击“Import”
36
选中导入的神经网络文件名
打开了保存的神经网络框图
单击“Open”按钮
37
二、 其他神经网络工具的使用
38
启动方式之一：Command窗口敲入命令nnstart。
39
40
启动方式之二：单击AAPS中有对应按钮。
41
神经网络的数据拟合 神经网络的聚类 神经网络的预测
y(t) = f(y(t – 1), ..., y(t – d)) y(t) = f(x(t –1), ..., x(t – d))
67
需要利用num2cell将数值数组转化为cell数组。
68
cell数组的形式
69
第一个预测模型的数据输入界面
输入层数据 输出层数据 数据以cell数组形式（默认）
n 个不同的投入组合
m 项 投 入
x11 x1 j x1n x 21 x2 j x 2 n x m 1 xmj xmn
输入层矩阵
49
在下拉菜单中选择输入层 数据矩阵向量
在下拉菜单中选择输出层 数据矩阵向量
输入层数据
输出层数据
数据以列向量形式（默认）
47
在Matlab命令窗口定义输入层数据和输 出层数据： 输入层：10行50列的数据矩阵。每一列 为一组输入数据，每一行为一项指标。即 每一列为一组数据，包含10个指标，共有 50组数据。 输出层：3行50列的数据矩阵。针对输 入层的每一列10个数据，在输出层反馈出 3个输出值。
73
100个样本数据的分配
指定隐藏层神经元的个数。 如果训练效果差，可增加 隐藏层的神经元个数。
输入层神经元的个数为2，分 别是x和y 输出层神经元的个数为1
74
点击训练按钮
75
权值
会 弹 出 训 练 效 果 窗 口
阈值
迭代9次
迭代9次时的耗时
迭代9次时梯度 数值达到2.68
76
如果拟合效果差可以再重 新训练神经网络模型。
单击“Export”按钮
单击“OK”按钮
31
在“workspace”中右键 单击“network1 outputs”，在快捷菜单 中选择第一个选项 “Open Selection”
32
33
全选所有数据
单击保存按钮
文件扩展名默认为.mat
34
（四）导入已保存神经网络用于仿真 测试
35
下次可直接导入该模型
一般均选列向量形式
单击下一步
50
函数拟合第三步
50个样本数据的分配
默认分配比例为样本数 （输入矩阵列数）中的 70%用于模型训练。
加到一起为样本总数，也 即输入层矩阵的列数。
51
函数拟合第四步
50个样本数据的分配
输入层神经元的个数（即输入 矩阵中投入指标数，也即输入 矩阵行数）不需要指定，为输 入矩阵的行数。
62
输出阈值：在command窗口敲入命令net.b{2}，获得当前输入层的阈值。
63
（二）神经网络的预测
64
启动方式之一：在 command 窗口敲入 nnstart ，打 开对话框，选择“Times Series tool”。
65
启动方式之二：单击AAPS中有对应按钮。
66
y( t ) = f ( y( t – 1), ..., y(t – d), x(t –1), ..., (t – d))
单击下一步。
86
指定网络中的行数和列数 （5即5行5列）
87
点击训练按钮
88
会 弹 出 训 练 效 果 窗 口
点击该按钮
89
变量 x 共产生 100 个点，现分为25个聚类，6边形中的数字 为该区域的点的个数。
90
会 弹 出 训 练 效 果 窗 口
点击该按钮
91
25个聚类的具体分布，蓝色点为每个聚类的中心点，绿色 点为变量 x 样本点的位置。
性能目标
最小性能梯度 最大验证数据失败次数
17
训练数据设置
单击“Train”选项卡下 的的“Training Info” 选项卡。
设置输入层数据所代表的变 量
选择目标层数据所代表的数 据变量
单击“Train Network” 按钮。
18
权值
会 弹 出 训 练 效 果 窗 口
阈值
迭代10次
迭代10次时的耗时
单击“ok”按钮。
10
确定目标数据
选择“Import from Matlab workspace”，在“Select a variable”中选择输入数据对应的变量，选择“Target Data”单选项，并单击 “Import”按钮。
单击“ok”按钮。
11
单击“Close”按钮，关闭 数据导入网络对话框。
返 回 神 经 网 络 数 据 管 理 工 具 窗 口
单击“New”按钮，打开神经网络创建对话框
12
神经网络的名字
在神经网络创建对话框中设置神经网络各种参数。
神经网络的类型
输入层数据
默认为前向神经网络
输出层数据
训练函数类型
适应性学习函数类型 性能函数 隐藏层的层数 隐藏层的神经元个数
默认为TRAINLM算法，经常用 的还有TRAINSCG（共轭梯度法）
25
录入一组新数据 u ，数据 u 的 结构 一定要同训练 神经网络 network1时所用的输入数据 x 的结构一样，故 u 也应当是10 行，但列数不一样要和 x 一样， 因为列数表示的样本数。
26
选择新的输入数据变量 u
单击“Import”按钮导入
在神经网络数据管理窗口中单 击“Import”按钮
调整隐藏层的神经元个数 点击下一步
77
变量名。数据存储在变量中，在Matlab的命 令窗口中输入变量名即可显示出数据。
单击，保存结果。
78
79
（三）神经网络的聚类功能
80
启动方式之一：在 command 窗口敲入 nnstart ，打 开对话框，选择“Clustering tool”。
81
启动方式之二：单击AAPS中有对应按钮。
54
迭代9次时梯度达到要求， 停止训练
55
训练状态
随着迭代次数增加，LM算法中梯 度的具体变化情况 随着迭代次数增加，MU的变化情 况。如果误差增加，MU的值也会 增加。
56
函数源自文库合第六步
单击回归按钮
57
显示拟合 的效果。 如果拟合 效果好， 则点均沿 45度角的 斜线。
R值的大 小反映拟 合的好坏。 R值越接 近1，拟 合度越好。 本例拟合 度很小， 所以效果 较差，需 要重新训 练，增加 隐藏层神 经元数量。
单击下一步
70
第二个预测模型的数据输入界面
输入层数据
数据以cell数组形式（默认）
单击下一步
71
第三个预测模型的数据输入界面
输入层数据
输出层数据
数据以cell数组形式（默认）
单击下一步
72
100个样本数据的分配
默认分配比例为样本数中 的70%用于模型训练。
加到一起为样本总数，也 即输入层矩阵的列数。
42
（一）神经网络的函数拟合
43
启动方式之一：在 command 窗口敲入 nnstart ，打 开对话框，选择“Fitting tool”。
44
启动方式之二：单击AAPS中有对应按钮。
45
函数拟合第一步
两层前向神经网络（默认）
输入层（第0层）
隐层（第1层）
输出层（第2层）
直接单击
46
函数拟合第二步
58
如果拟合效果差可以再重 新训练神经网络模型。
调整隐藏层的神经元个数 点击下一步
59
函数拟合第七步
变量名。数据存储在变量中，在Matlab的命 令窗口中输入变量名即可显示出数据。
单击，保存结果。
60
输出权值：在command窗口敲入命令net.iw{1,1}，获得当前输入层的权值。
61
输出阈值：在command窗口敲入命令net.b{1}，获得当前输入层的阈值。
迭代10次时梯度 数值达到1.94
19
迭代10次时梯度达到要求， 停止训练
20
训练状态
随着迭代次数增加，LM算法中梯 度的具体变化情况 随着迭代次数增加，MU的变化情 况。如果误差增加，MU的值也会 增加。
21
单击回归按钮
22
显示拟合 的效果。 如果拟合 效果好， 则点均沿 45度角的 斜线。
5
神经网络的创建 神经网络的训练 神经网络的仿真测试
导入已保存神经网络用于仿真测试
6
（一） 神经网络的创建
7
在Matlab命令窗口定义输入层数据和输 出层数据： 输入层：10行100列的数据矩阵。每一 列为一组输入样本数据，每一行为一项指 标。即每一列为一组数据，包含10个指标， 共有100组样本数据。 输出层：2行100列的数据矩阵。针对输 入层的每一列10个数据，在输出层反馈出 2个输出值。
82
启动方式之三：在 command窗口敲入nctool，打开 SOM神经网路聚类分析窗口。
83
两层前向神经网络（默认）
输入层（第0层）
隐层（第1层）
输出层（第2层）
直接单击
84
在Matlab命令窗口定义 输入聚类数据矩阵：该 矩阵为2行n列，每一列 分别代表一个点的地理 坐标。
85
将代表地理坐标的矩阵 变量作为输入层。
指定隐藏层神经元的个数。 如果训练效果差，可增加 隐藏层的神经元个数。
输出层神经元的个数（即输出 矩阵中产出指标数，也即输出 矩阵行数）不需要指定，为输 出矩阵的行数。
52
函数拟合第五步
点击训练按钮
53
权值
会 弹 出 训 练 效 果 窗 口
阈值
迭代9次
迭代9次时的耗时
迭代9次时梯度 数值达到283
R值的大 小反映拟 合的好坏。 R值越接 近1，拟 合度越好。 本例拟合 度很小， 所以效果 较差，需 要重新训 练，增加 隐藏层神 经元数量。
23
训练完毕后查看训练后的权值和阈值
单 击 “ View/Edit Weights”选项卡
第一层权值 第二层权值 第一层阈值 第二层阈值
24
（三） 神经网络的仿真测试
第6章 神经网络工具箱
1
求解神经网络模型即求解各层之间的权值和阈值
输入层
w11 w12
隐藏层 w11 b1 b2 w1,3 w12
输出层
w1,10
b1
…
…
b2
b3
b10 权值 阈值 权值 阈值
2
一、 神经网络工具箱的使用
3
启动方式：Command窗口敲入命令nntool。
4
打开神经网络数据管理工具窗口
48
s 项 产 生
针对输入层矩阵 的每一列 m 个投 入数据，在输出 层矩阵的对应列 会输出 s 个产出 数据。
y11 y1 j y1n y21 y2 j y2 n y y y sj sn s1
输出层矩阵