bp神经网络matlab实例_人工神经网络学习笔记2——MATLAB神经网络工具箱

神经网络理论的初学者可以利用MATLAB自带的神经网络工具箱来理解ANN算法。

神经网络工具箱模型包括如下内容：

· 感知器

· 线性网络

· BP网络

· 径向基函数网络

· 竞争型神经网络

· 自组织网络和学习向量量化网络

· 反馈网络

---

神经网络工具箱的使用

在命令行窗口输入nnstart，可以打开MATLAB提供的神经网络图形用户界面，如图1所示：

图1 神经网络图形用户界面

再次点击该界面的‘Fitting app’按钮，打开神经网络工具箱。正如上图显示的一样，直接在命令行窗口输入‘nftool’打开神经网络工具箱。点击之后界面如图2所示：

图2 神经网络工具箱

可以很清楚的看到，一个人工神经网络模型是由‘Input’，‘Hidden Layer’，‘Output Layer’和‘Output’三（四）个主要成分构成，单击‘Next’按钮继续下面的操作。

图3 输入值及目标值选择界面

‘Input’和‘Targets’可以分别选择神经网络的输入及目标值，此处为了演示，我选择了‘Load Example Data Set’按钮用系统自带的数据‘House’导入到要训练的神经网络中，此时输入为‘houseinputs’，目标为‘house Targets’，单击Next继续下一步操作。

图4 样本比例选择界面

阅读图4中信息，我们需要设置用于训练、验证和测试的样本比例，默认为70：15：15。选择完成之后单击‘Next’，开始建立图5所示神经网络结构图。本神经网络共3层，分别为输入层、输出层和隐含层，其中隐含层的神经元数目可以在途中修改。

图5 神经网络隐含层神经元数目选择

确定神经网络隐含层神经元后，单击‘Next’按钮，确定神经网络结构，在出现的界面中可以选择是否训练神经网络，如图6所示。

图6 神经网络的确定

单击‘Train’按钮，选择训练之前确定的神经网络，如图7所示。

图7 训练神经网络

出现如图所示结果，则说明神经网络已经训练完成，可以在‘Plots’选项内选择需要看到的图形信息。‘Performance’按钮可以显示训练结果示意图；‘Training State’可以得到神经网络训练参数的变化过程示意图，如图8，9所示。

图8 训练结果

图9 训练参数变化曲线

训练完成后，连续单击‘Next’两次，在神经网络的确定窗口中可以保存此次训练结果。

图10 保存结果

---

准备文书准备的心力憔悴，以上是MATLAB神经网络工具箱的具体使用流程，更多的细节望大家自己去挖掘！