第六章 神经网络工具箱的应用.ppt

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。 （二）神经网络的预测 启动方式之一：在 command窗口敲入nnstart，打开对话框，选择“Times Series tool”。 启动方式之二：单击AAPS中有对应按钮。 选择“network1_outputs” 单击“Export”按钮 单击“OK”按钮 在“workspace”中右键单击“network1 outputs”，在快捷菜单中选择第一个选项“Open Selection” 全选所有数据 单击保存按钮 文件扩展名默认为.mat （四）导入已保存神经网络用于仿真测试 下次可直接导入该模型 单击“Import” 选择保存的神经网络文件名 选中导入的神经网络文件名 单击“Open”按钮 打开了保存的神经网络框图 二、 其他神经网络工具的使用 启动方式之一：Command窗口敲入命令nnstart。 启动方式之二：单击AAPS中有对应按钮。 神经网络的数据拟合 神经网络的聚类 神经网络的预测 （一）神经网络的函数拟合 启动方式之一：在 command窗口敲入nnstart，打开对话框，选择“Fitting tool”。 启动方式之二：单击AAPS中有对应按钮。 函数拟合第一步 直接单击 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） 函数拟合第二步 输入层数据 输出层数据 数据以列向量形式（默认） 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。 n 个不同的投入组合 m 项投入 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。 输入层矩阵 输出层矩阵 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 一般均选列向量形式 单击下一步 函数拟合第三步 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。 50个样本数据的分配 加到一起为样本总数，也即输入层矩阵的列数。 函数拟合第四步 50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（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。 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。 函数拟合第五步 点击训练按钮 会弹出训练效果窗口 迭代9次 迭代9次时的耗时 迭代9次时梯度数值达到283 权值 阈值 迭代9次时梯度达到要求，停止训练 随着迭代次数增加，LM算法中梯度的具体变化情况 训练状态 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。 函数拟合第六步 单击回归按钮 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。 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 函数拟合第七步 单击，保存结果。 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。 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。 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。 * * 第6章 神经网络工具箱 输入层 隐藏层 输出层 w11 w12 w1,10 … … b1 b2 b10 阈值 权值 b1 b2 b3 权值 阈值 w11 w12 w1,3 求解神经网络模型即求解各层之间的权值和阈值 一、 神经网络工具箱的使用 启动方式：Command窗口敲入命令nntool。 打开神经网络数据管理工具窗口 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 （一） 神经网络的创建 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。 打开“Import to Network”对话框 单击“Import”按钮，打开“Import to Network”对话框 确定输入数据 选择“Import from Matlab workspace”，在“Sel