神经网络工具箱的使用.pdf

====Word行业资料分享--可编辑版本--双击可删====

神经网络工具箱的使用

本章主要介绍神经网络工具箱的使用,使用nntool可以使得原本用编程来创建神经网络变得容易，

而且不容易出错。

1神经网络的创建与训练

神经网络的创建主要分为以下四步：

1)在命令窗口键入nntool命令打开神经网络工具箱。如图1：

图1

2)点击Import按钮两次，分别把输入向量和目标输出加入到对应的窗口（[Inputs]和[Targets]）

中，有两种可供选择的加入对象（点击Import后可以看见），一种是把当前工作区中的某个矩阵加入，

另一种是通过.mat文件读入。如图2和图3：

源-于-网-络-收-集

====Word行业资料分享--可编辑版本--双击可删====

图2

图3

3)点击[NewNetwork]按钮，填入各参数：（以最常用的带一个隐层的3层神经网络为例说明，下

面没有列出的参数表示使用默认值就可以了，例如NetworkType为默认的BP神经网络）；

i)InputRange——这个通过点击GetFromInput下拉框选择你加入的输入向量便可自动完成，当

源-于-网-络-收-集

====Word行业资料分享--可编辑版本--双击可删====

然也可以自己手动添加。

ii)TrainingFunction——最好使用TRAINSCG，即共轭梯度法，其好处是当训练不收敛时，它会

自动停止训练，而且耗时较其他算法（TRAINLM，TRAINGD）少，也就是收敛很快（如果收敛的话），

而且TrainParameters输入不多，也不用太多的技巧调整，一般指定迭代次数、结果显示频率和目标

误差就可以了（详见下文）。

iii)Layer1NumberofNeurons——隐层的神经元个数，这是需要经验慢慢尝试并调整的，大

致上由输入向量的维数、样本的数量和输出层（Layer2）的神经元个数决定。一般来说，神经元越多，

输出的数值与目标值越接近，但所花费的训练时间也越长，反之，神经元越少，输出值与目标值相差

越大，但训练时间会相应地减少，这是由于神经元越多其算法越复杂造成的，所以需要自己慢慢尝试，

找到一个合适的中间点。比如输入是3行5000列的0-9的随机整数矩阵，在一开始选择1000个神经元，

虽然精度比较高，但是花费的训练时间较长，而且这样神经网络的结构与算法都非常复杂，不容易在

实际应用中实现，尝试改为100个，再调整为50个，如果发现在50个以下时精度较差，则可最后定为50

个神经元，等等。

iv)Layer1TransferFunction——一般用TANSIG（当然也可以LOGSIG），即表示隐层输出是[-1,1]

之间的实数，与LOGSIG相比范围更大。

v)Layer2NumberofNeurons——输出层的神经元个数，需要与输出的矩阵行数对应，比如设

置为3，等等。

vi)Layer2TransferFunction——如果是模式识别的两类（或者多类）问题，一般用LOGSIG，

即表示输出层的输出是[0,1]之间的实数；如果输出超过[0,1]则可选择PURELIN。如图4和图5。

源-于-网-络-收-集

====Word行业资料分享--可编辑版本--双击可删====

图4

图5

所有参数输入后，可以先用View按钮预览一下，如图6。没有问题的话就可以Create了。另外，网

络创建完毕后，如果需要手动设置权重的初始值，按View按钮后有个Initialize选项卡，在那里可以

设定。当