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，
谢谢，在线等~
: _% V+ l" U$ c

gt93

神经网络工具箱nntool的使用方法
/ M* y; x* ], a8 L. o/ f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：
/ ~& b3 Z8 |( ^! M
1. 在命令窗口键入nntool命令打开神经网络工具箱；

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；

" B4 X( e  ?- f3 O1 w3. 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）；

% p7 I/ b. b" n: T6 f8 @5 M1) 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。
: v! O( L& m' W! q
8 Y8 U% s6 Y2 e7 f' c2) 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）。

3) 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。
4 D# m9 Z! }& m7 Q. H  a1 M
4) 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。

5) 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。

9 h7 N6 ~6 s9 R5 t. k6) 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。
" [- O$ N. `7 B+ y* ?
" f6 w3 m" {5 x2 a9 t! S5 m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）。

6 W+ V3 a1 Y. W/ Z# I4. 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。

----------------------------------------------------------------------------------------------------------------------------------------------
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。
. E5 g% x  _" H4 H' q  t! ?) c
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。