谁可以分享一下，神经网络工具箱使用说明？

Reader_Founder

使用说明，不要理论推导，
! d5 X- q( Z) a# M" `3 @# n' Z& @2 b谢谢，在线等~
' b9 a5 l5 i# ?# F0 \* l2 y2 j

gt93

神经网络工具箱nntool的使用方法
) L& [8 P- A  I* c# {这是根据我个人经验整理出来的关于如何使用nntool神经网络工具箱进行“数据训练”的方法：
& l' H: |" G) J- I' N: z8 _1 T3 j# g
. a* T: s1 K* o5 K/ G$ d7 ]- |$ M1. 在命令窗口键入nntool命令打开神经网络工具箱；
2 a% B; d: u: |8 I. N" ~; F
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；
; w7 `* o4 M& I( n8 H9 Q  e' G
0 X; n, ?* N9 T: R' f# }3. 点击[New Network]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Network Type为默认的BP神经网络）；

1) Input Range――这个通过点击Get From Input下拉框选择你加入的输入向量便可自动完成。

2) Training Function——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Train Parameters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）。
! [$ ]" z6 K  a  Z8 x3 E: K5 W  v$ `6 D
6 ]5 R9 V, j/ l) x/ w4 S: q  Z3) Layer 1 Number of Neurons——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。
& U' |" T1 c6 y& t% W; l. `% _
5 a4 J" N6 l% u$ S6 r1 ?! |; r4) Layer 1 Transfer Function——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。
9 O# R5 _6 q& `
1 Z) y0 v9 L) d8 H) O5) Layer 2 Number of Neurons——输出层的神经元个数，对于两类问题，个数为1，取值分别为0和1，对于多类问题，个数为10，取值为等。
# d0 ]$ ~- q. L  i
$ [5 p8 I; A2 I( u  B7 m: m6) Layer 2 Transfer Function——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。
$ p0 i7 D2 |; w- J
7 I+ `1 H1 O7 j  ^+ }所有参数输入后，可以先用View按钮预览一下，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。当然了，可以不自行设定，这时候matlab执行默认的程序进行权重的初始化（没有具体研究过，可能是随机设定）。
+ E* v* v+ V/ @2 k( H  P
& ?/ W& e" J+ H% c2 \5 T4. 点击Train按钮，到达Training Info选项卡，在输入向量[Inputs]和目标输入向量[Targets]下拉框中选择你要训练的向量（即第二步加入的对象），然后到达Train Parameters选项卡，填入适当的迭代次数[epochs]（一般先设置一个较小的数如200，然后观察收敛结果，如果结果窗口的收敛曲线衰减较快，则表示之前的参数比较有效，因此可填入2000或更大的数目使得网络收敛，否则修改之前的参数）、结果显示频率[show]（例如要每隔500次迭代显示结果窗口，则填500）和目标误差[goal]（这个与第2步中的“Performance Function”有关，如果使用默认的MSE，则一般满足“goal*样本数量<0.5”就可以了），就可以开始训练了（按钮[Train Network]），如果结果收敛（训练误差不大于目标误差，即蓝色线到达黑色线位置）就OK了。

----------------------------------------------------------------------------------------------------------------------------------------------
3 G# L7 M, C9 ?9 K后话：上面只介绍了“数据训练”的方法，至于“数据测试”，则点击Simulate按钮就可以了（或者用C＋＋写，也不难，且网上有现成的BP神经网络的程序），这个相对简单，不说了。下面关于特征向量的维数问题和BP网络的个数问题谈谈我的经验。
0 ^' Z- e0 \9 Q+ a% ^2 ?% s) d
, A: Z! o# H# k" j1 Q$ q" N9 F如果是两类问题，则特征向量维数可以比较小，例如识别4和9时，特征维数（曲率特征）为8便可；但当识别多类问题时（下面以十类为例），则特征维数太少是不足以把各类问题分开的（即使使用十个网络，每个网络为一个两类问题）。如果只设计一个网络，要同时识别10个类，则此时样本数量要足够多。另外，应尽量避免使用十个网络进行分类（注意，这与多级分类问题不一样，多级分类问题可以分为几个两类问题有效处理，而对于十个数字来说是同级多类问题），因为此时会把类间相互约束的信息丢失，造成即使对训练样本收敛（而且往往收敛速度很快）但对测试样本分类不好的情况出现，也就是分类器的推广能力差。