BP神經網路模型：Matlab

本文介紹了運用計量統計軟體Matlab(2017aMAC)建立BP神經網路模型的方法。主要運用的方程是feedforwardnet

整理數據

本例中的數據來自於Matalab提供的內置數據，可以通過代碼

1.load bodyfat_dataset

獲得，為方便其他軟體讀取，已經將數據複製粘貼到Excel中

本例中，1至13列為輸入變數，第14列為輸出變數，即輸入層包含13個神經元，輸出層有一個神經元。另外設定一個隱含層，包括20個神經元

每個神經元包含252個數據點，其中最後一個點不參與訓練，留作測試最終的模型，即利用前251個數據點訓練模型，利用最後一個點檢驗模型

在Matlab中輸入數據

1、點擊打開Matlab，確保保存的Excel文件和軟體路徑一致

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

1.clc

2.clear

Note 1:

選中代碼，點擊滑鼠右鍵，選擇Evaluate Selection執行選中代碼

3、利用xlsread函數讀取數據，其中第一格單引號內是文件名稱，第二格是工作表位置，第三格單引號內是數據範圍

1.clc

2.clear

3.

4.data=xlsread("bodyfat_dataset",1,"A1:N252");

5.

執行代碼後，新的變數出現在Workspace頁面中，其中，矩陣列表示各變數，行表示各數據

進行BP神經網路建模

數據錄入完成後，繼續在Editor界面進行操作

1、首先利用feedforwardnet函數建立模型，20表示隱含層包含20個神經元，輸入層至隱含層的傳遞函數為Hyperbolictangent函數，隱含層至輸出層的傳遞函數為Sigmoid函數

1.clc

2.clear

3.

4.data = xlsread("bodyfat_dataset",1," A1:N252");

5.

6.net = feedforwardnet(20);

9.

2、對原始數據進行拆分，前251個數據用來訓練，最後一個用來測試

1.clc

2.clear

3.

4.data = xlsread("bodyfat_dataset",1," A1:N252");

5.

6.net = feedforwardnet(20);

9.

10.input = data(1:251,1:13);

11.inputend = data(end,1:13);

12.target = data(1:251,14);

13.targetend = data(end,end);

14.

3、利用train對模型進行訓練，遵循反向修改權重的原則

1.clc

2.clear

3.

4.data = xlsread("bodyfat_dataset",1," A1:N252");

5.

6.net = feedforwardnet(20);

9.

10.input = data(1:251,1:13);

11.inputend = data(end,1:13);

12.target = data(1:251,14);

13.targetend = data(end,end);

14.

15.net = train(net,input",target");

16.

在跳出的訓練圖中，可以看出該模型輸入層個神經元，隱含層20個，輸出層1個。模型訓練17次就達到預期要求

4、最後，利用留置的數據進行測試，輸出值與目標值的偏差

1.clc

2.clear

3.

4.data = xlsread("bodyfat_dataset",1," A1:N252");

5.

6.net = feedforwardnet(20);

9.

10.input = data(1:251,1:13);

11.inputend = data(end,1:13);

12.target = data(1:251,14);

13.targetend = data(end,end);

14.

15.net = train(net,input",target");

16.

17.net(inputend")-targetend

18.

Note 2:

重複運行代碼，可以發現每次的結果並不相同，這是因為，初始權重是隨機設定的

Note 3 :

由於初始權重是隨機設定的，所以每次運行的結果可能有所不同，這也體現出神經網路模型的局限性，模型訓練找出的誤差最小權重可能只是局部上使誤差最小的權重，這樣的權重可能有很多個，所以結果有很多種。解決這種問題的一個方法是，留一部分數據不參加訓練，而是用來測試模型的輸出結果，當輸出與目標值較為接近時，再利用模型進行預測

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！