本文介紹了運(yùn)用計(jì)量統(tǒng)計(jì)軟件Matlab(2017a MAC) 建立BP神經(jīng)網(wǎng)絡(luò)模型的方法。主要運(yùn)用的方程是feedforwardnet

整理數(shù)據(jù)

本例中的數(shù)據(jù)來(lái)自于Matalab提供的內(nèi)置數(shù)據(jù)，可以通過(guò)代碼

load bodyfat_dataset

獲得，為方便其他軟件讀取，已經(jīng)將數(shù)據(jù)復(fù)制粘貼到Excel中

本例中，1至13列為輸入變量，第14列為輸出變量，即輸入層包含13個(gè)神經(jīng)元，輸出層又一個(gè)神經(jīng)元。另外設(shè)定一個(gè)隱含層，包括20個(gè)神經(jīng)元

每個(gè)神經(jīng)元包含252個(gè)數(shù)據(jù)點(diǎn)，其中最后一個(gè)點(diǎn)不參與訓(xùn)練，留作測(cè)試最終的模型，即利用前251個(gè)數(shù)據(jù)點(diǎn)訓(xùn)練模型，利用最后一個(gè)點(diǎn)檢驗(yàn)?zāi)Ｐ?/p>

在Matlab中輸入數(shù)據(jù)

1、點(diǎn)擊打開(kāi) Matlab ，確保保存的Excel文件和軟件路徑一致

2、在 Editor 界面中編輯代碼，其中 clc 清除 Command Window, clear 清除 Workspace

2、在 Editor 界面中編輯代碼，其中 clc 清除 Command Window, clear 清除 Workspace

clcclear

Note 1:

選中代碼，點(diǎn)擊鼠標(biāo)右鍵，選擇 Evaluate Selection 執(zhí)行選中代碼

3、利用 xlsread 函數(shù)讀取數(shù)據(jù)，其中第一格單引號(hào)內(nèi)是文件名稱，第二格是工作表位置，第三格單引號(hào)內(nèi)是數(shù)據(jù)范圍

clccleardata=xlsread('bodyfat_dataset',1,' A1:N252'

執(zhí)行代碼后，新的變量出現(xiàn)在 Workspace 頁(yè)面中，其中，矩陣列表示各變量，行表示各數(shù)據(jù)

進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模

數(shù)據(jù)錄入完成后，繼續(xù)在Editor界面進(jìn)行操作

1、首先利用feedforwardnet函數(shù)建立模型，20表示隱含層包含20個(gè)神經(jīng)元，輸入層至隱含層的傳遞函數(shù)為Hyperbolic tangent函數(shù)，隱含層至輸出層的傳遞函數(shù)為Sigmoid函數(shù)

clccleardata = xlsread('bodyfat_dataset',1,' A1:N252');net = feedforwardnet(20);net.layers{1}.transferFcn = 'tansig';net.layers{2}.transferFcn = 'logsig';

2、對(duì)原始數(shù)據(jù)進(jìn)行拆分，前251個(gè)數(shù)據(jù)用來(lái)訓(xùn)練，最后一個(gè)用來(lái)測(cè)試

clccleardata = xlsread('bodyfat_dataset',1,' A1:N252');net = feedforwardnet(20);net.layers{1}.transferFcn = 'tansig';net.layers{2}.transferFcn = 'logsig';input = data(1:251,1:13);inputend = data(end,1:13);target = data(1:251,14);targetend = data(end,end);

3、利用train對(duì)模型進(jìn)行訓(xùn)練，遵循反向修改權(quán)重的原則

clccleardata = xlsread('bodyfat_dataset',1,' A1:N252');net = feedforwardnet(20);net.layers{1}.transferFcn = 'tansig';net.layers{2}.transferFcn = 'logsig';input = data(1:251,1:13);inputend = data(end,1:13);target = data(1:251,14);targetend = data(end,end);net = train(net,input',target');

在跳出的訓(xùn)練圖中，可以看出該模型輸入層個(gè)神經(jīng)元，隱含層20個(gè)，輸出層1個(gè)。模型訓(xùn)練17次就達(dá)到預(yù)期要求

4、最后，利用留置的數(shù)據(jù)進(jìn)行測(cè)試，輸出值與目標(biāo)值的偏差

clccleardata = xlsread('bodyfat_dataset',1,' A1:N252');net = feedforwardnet(20);net.layers{1}.transferFcn = 'tansig';net.layers{2}.transferFcn = 'logsig';input = data(1:251,1:13);inputend = data(end,1:13);target = data(1:251,14);targetend = data(end,end);net = train(net,input',target');net(inputend')-targetend

Note 1 :

重復(fù)運(yùn)行代碼，可以發(fā)現(xiàn)每次的結(jié)果并不相同，這是因?yàn)?#xff0c;初始權(quán)重是隨機(jī)設(shè)定的

Note 2 :

由于初始權(quán)重是隨機(jī)設(shè)定的，所以每次運(yùn)行的結(jié)果可能有所不同，這也體現(xiàn)出神經(jīng)網(wǎng)絡(luò)模型的局限性，模型訓(xùn)練找出的誤差最小權(quán)重可能只是局部上使誤差最小的權(quán)重，這樣的權(quán)重可能有很多個(gè)，所以結(jié)果有很多種。解決這種問(wèn)題的一個(gè)方法是，留一部分?jǐn)?shù)據(jù)不參加訓(xùn)練，而是用來(lái)測(cè)試模型的輸出結(jié)果，當(dāng)輸出與目標(biāo)值較為接近時(shí)，再利用模型進(jìn)行預(yù)測(cè)

5、在代碼前添加rng(0)，則限定了初始權(quán)重，重復(fù)運(yùn)行代碼，將得到相同的結(jié)果

clcclear1rng(0)data = xlsread('bodyfat_dataset',1,' A1:N252');net = feedforwardnet(20);net.layers{1}.transferFcn = 'tansig';net.layers{2}.transferFcn = 'logsig';input = data(1:251,1:13);inputend = data(end,1:13);target = data(1:251,14);targetend = data(end,end);net = train(net,input',target');net(inputend')-targetend

總結(jié)

以上是生活随笔為你收集整理的bp神经网络matlab feedfollownet,BP神经网络模型：Matlab的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。