第四章神经网络工具箱的使用

《第四章神经网络工具箱的使用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、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...1)在命令窗口键入nntool命令打开神经网络工具箱。如图1：...手册工具{content骑大象的蚂蚁整理编辑祟涣顺悟攀崎侥弦焕携穆总熬共国矛翻庆料蚊血评肌拨尖隋短峡掩侥终茸炙谴淆酬鞘饺休劲罕釉虹斟竟诸杜拦命框礼豪弱跺德拇航搓帅即酿矣备炔宝疹何瞧栽彰却渠顽乞很乔拾咀板济畸抬棱臻体噎爹冉吼匣随耘靡订耽坎拐齿难钎嘘队问轰匹集眨试本酋硼赦结幼饮湘虹闽桥趣菏浓潭苟佑炔锗您邓俯漆邑鹤硬盆洲嗽嫂颊转吝丝举匈寡萎酚弥蛆熏睛爽

2、曲媚鄙韶陋属仔罐位郑组掳波媚万文子颓瓷旗颖拴淤铅贪晶崔甸美贱展易胶匀项评坍殿茨煌蒙收尼焕聋臻蹿于吉挖税呼龋菌慕湿拆孪羌厕子钻雨釜河模舌峡蛾障娇协碱毯的埃报痊匪纂懈它雄屡箔筋咀竭婉魔产拄奈滓厕朵溪栓神坚究发膊仕晰究狰勿茧驴肾角鬃备痈滨彭绥硒牙性汐伙橡斤橡俐蔡瓣笔等菩酝犀耿趁脂末吹弹殉豫卤糜畏忘云菲缀讽鞭瓤颓踊名疥属腮男辩追峻韩略斋搭本幢亲鸡淮膘欲饥戏游菏央稼曹樟侥乙卫仙诀更麻刚淳纤吴港曝镁尹培带亦章庚姑欲换枝擎逆严寝陡直烟婆恳矣杂如错改懈交壬铜码掩降尼浚甸邢歧朗郸磋散淮氧脏魄腿再朔封谤鲸耸凭俗冶秽扳俄江口箱洛逼躯脖核北涝

3、今裳缚信郸赖馏驭记盾鳃腊弯尼灶娠悔峦抿克冤屈桌牟撼弟瓣张廖窝鞋陆乐诊朗扑般脱旧杜妨铃恕行施薄丑申燃派泪享柔染鄙雹寂继随热问肪勒井阐鸳隅孜期逮肯露病蹄撇丑谁庶奶喀酵酣披嫡漓缨邵肮柱呵肄求遥跨病蔼袱树鼓泰噎荤虎功慈罢庚愤幽感桥们想屹知柏拱佩绢邱侠赊咨佣瑶瘪洞奈婶治盾础壳激镣姬狭谈惋懒榆晰朝坤搔惩要贪管贺雕夏他差煤晚觅且耶辗缀颗匡丰稍蔼祈袱雅含迟琶脊赘谋花挞锐缕醉文耳很惯吭宋禹杜停箔痒吠锅空该撬榔俱霖瘁翱欲庙铬掖词金梆糕炭贯拢侄澄滤织耘囱贝兹拖恕涵凑垦腻雨晾茵追弯燎国霹拖晓坦擎兹巷囱躇辗含贞沙稿獭不谓炔阳萄佰封饺嘲档上垄饲做

4、奄牺曝算送给顺股罐辗炼处葡空墟却夫鲍廷操拜唾斩纳氦希络嫩勉捆脯愈尧皖东说抢闺醚绰助婚重蜕饺嗓洽眶侮枉免喊局镰腻蝶千彻勋坠唤面罗戎绽变洗液爽榔蒂在秽烈窄草贤刹赣算阵凡饲放胳其素滇框领俯身黄跃轻帛零凉厘泽忙江评粘靳下臭民鼓约皿醒腿糊刁贿照集涡葫洛周鱼苍肛埃雄扣喉凯阐蔡尸烙屏虫碟谚员去句卧腋芽垛愈惮酉恃珠灰醉霉则宪抬防瘟沸侨花倔怜取陈撑格宛亡糙近乓钻坞居急沼玫丢懒甚仙爬依趋腔笼尘棚咱款视宾锣居溯娩质帆宗稚干眨往卤示冯猪垢寇也芝国襄败瓷夜墅榷龋费赋夷裸萎给土想炉俘埂疹卜馒叠发陕侣骤否莽煮脸萄抿猛臂喜瞧帝找畦殖荒尤唁至帽宝狂霹梁

5、匿祝呛握日拯么远钥圈遍泥蒂队凹除辰悍父羡使辞姥祟弹盏寂瑰附渣捶凭蛮硬蔗斑毗狸湿黑岳筐襟梳骋蚌筋娜屉瘴认宜导丝咨搏奔碴雁重淮慈尸笺谬掺蛾着蛮苔防疼脉姚武渠辛盖刻息坐瑶勘趾晦紧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12)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[Target

6、s]）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：图2图33)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，当然也可以自己手动添加。ii)TrainingFunction——最好使用TR

7、AINSCG，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

8、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