Matlab神经网络工具箱——一个例子搞定神经网络算法

本文用到的数据来自于matlab神经网络
数据的文件提取码以及链接会放在评论区

分析数据

这里大致是整个数据的样子，下面来分析数据：
①整个数据一共有401个输入，这里体现的也就是有401种吸光度
②前五十组数据，既有输入也有输出，后十组数据只有输入没有输出
③没有给定一个特定的函数，需要我们用模型进行训练，得到最合适的最后十组的输出

保存数据

我们需要把excel的数据保存在matlab中，可以用下面的方法进行保存

新建工作区变量

导入数据

这里我们需要把前50组有输入也有输出的数据导入到matlab中
我们可以双击工作区中的X，打开一个表格

接着我们可以打开excel，把excel中的数据复制到表格中
此时我们只需要复制输入即可，不需要复制输出

然后我们在工作区再新建一个变量Y，把这50组数据的输出复制到Y中

神经网络工具箱

打开方式：可以在命令行输入nftool

接着，在Next中选择刚刚建立的X和Y变量：
需要注意的是我们需要把Inputs和Outputs还有Samples are进行改变，这里因为我们是完整的数据(输入+输出)在同一行，也就是X的第i行是Y的第i行的输入

接下来可以设置检验数据的比例，这里可以根据实际情况进行改变，本文不对这里进行修改
这里的training设置为70%是为了避免过拟合的情况

下一步是设置我们的隐含层的个数，一般设置5-10个隐含层，我们在实际的使用中可以多尝试几个，直到得到最小的 MSE

下一步是选择算法，在本文单独使用神经网络算法的时候建议选择第一个，第二个可以和遗传算法结合使用

然后点击Train按钮，开始训练模型

模型训练

点击Train按钮后应该会出现以下的界面，点击Performance，观察训练结果

看到训练结果图上有一个绿色的圆圈，那个点代表着MSE最小的点，我们一般使用这个点的w和b进行预测
接着点击Regression，出现四个图，这几个图表示相关性，如果相关性都在0.9以上的话，说明模型预测的较为准确，如果对结果不满意可以重新训练

有时候需要重复训练多次，我这里重复训练了5次以后，把四个的相关性全部选择在了0.9以上

获取函数

训练完成后，我们需要获得matlab中有关于神经网络算法的函数，我们可以一直点击Next，直到出现以下界面：

点击Matlab Function后，即可生成函数

包括最后的这个选项，点击后是整个神经网络的过程，也是十分重要的，可以加在文章中

获得结果

点击Next来到下一个界面，选择保存结果就可以在matlab的工作区找到结果了

进行预测

接下来我们就可以利用工作区产生的net(网络),output(输出),error(残差)，再结合上sim函数进行预测

输入需要预测的数据

首先先把需要预测的10组数据用上面的方法放入matlab的工作区中，并且给这个变量命名为Predict

接着利用代码：

Predict_Y = zeros(10,1); % 进行初始化，这样可以提高运行的速度
for i = 1 : 10 % 有十行数据
	Predict_Y(i,1) = sim(net,Predict(i,:)'); %要特别注意这个地方需要进行矩阵的转置
end
	
1
2
3
4
5

最后成功得到预测值