在matlab基础上简单实现一个神经网络算法
2016-11-30 22:45
856 查看
神经网络是机器学习里面很基础的算法,如果没有深入到深度学习(deep learning),我们可以直接利用matlab自带的函数来解决这个问题;
首先,解决神经网络问题的关键步骤是:训练集数据引入--归一化-- newff函数进行神经网络结构的定义--使用train函数训练训练集--使用sim函数进行测试级的比较
我们说的newff函数的定义如下:
net
= newff(P,T,[S1 S2...S(N-l)],{TF1 TF2...TFNl}, BTF,BLF,PF,IPF,OPF,DDF)
Si指的是我们的隐藏层和输出层,TF选择对应的激活函数,P,T分别是训练集的输入输出,后面的我们暂时不用管,也不需要特地去输入;
net.trainparam.show=50
;net.trainparam.epochs=500
;net.trainparam.goal=0.01
;net.trainParam.lr=0.01
;
这是一个对于net训练的定义;show是每隔多少次迭代就显示一次;epochs是迭代次数;goal是目标、误差;
定义后,我们可以开始训练;
net=
train( net, input , output);
其中,input是输入矩阵,output是输出矩阵;
后期我们进行测试级的测试:Y=
sim( net , testInput )
通过net来simulate,testinput即测试输入,得到测试输出;
Y是一个输出矩阵,如果是n维的矩阵,那么取n中数值最大的一个,就是训练后认为测试集中合理的输出;
首先,解决神经网络问题的关键步骤是:训练集数据引入--归一化-- newff函数进行神经网络结构的定义--使用train函数训练训练集--使用sim函数进行测试级的比较
我们说的newff函数的定义如下:
net
= newff(P,T,[S1 S2...S(N-l)],{TF1 TF2...TFNl}, BTF,BLF,PF,IPF,OPF,DDF)
Si指的是我们的隐藏层和输出层,TF选择对应的激活函数,P,T分别是训练集的输入输出,后面的我们暂时不用管,也不需要特地去输入;
net.trainparam.show=50
;net.trainparam.epochs=500
;net.trainparam.goal=0.01
;net.trainParam.lr=0.01
;
这是一个对于net训练的定义;show是每隔多少次迭代就显示一次;epochs是迭代次数;goal是目标、误差;
定义后,我们可以开始训练;
net=
train( net, input , output);
其中,input是输入矩阵,output是输出矩阵;
后期我们进行测试级的测试:Y=
sim( net , testInput )
通过net来simulate,testinput即测试输入,得到测试输出;
Y是一个输出矩阵,如果是n维的矩阵,那么取n中数值最大的一个,就是训练后认为测试集中合理的输出;
相关文章推荐
- 一个简单的matlab项目实现三层神经网络的简单应用
- 深度学习基础(二):简单神经网络,后向传播算法及实现
- 神经网络之感知器算法简单介绍和MATLAB简单实现
- python实现简单神经网络算法
- RBF神经网络的matlab简单实现
- Adaline神经网络简单介绍和MATLAB简单实现
- 神经网络算法推导,附python实现一个简单神经网络
- JavaScript 实现简单的神经网络算法
- 一个单层的基础神经网络实现手写字识别
- 机器学习--感知器数据分类算法步骤(慕课网-实现简单的神经网络)
- RBF神经网络的matlab简单实现
- Opnet 一个简单的网络实现Dijkstra最短路径算法,路径代价为跳数加排队延时
- 基于python实现一个简单的神经网络
- 三层神经网络自编码算法推导和MATLAB实现 (转载)
- 三层神经网络自编码算法推导和MATLAB实现
- RBF神经网络的matlab简单实现
- 实现一个最简单的神经网络
- python实现简单神经网络算法
- 深度学习基础模型算法原理及编程实现--04.改进神经网络的方法
- Python编程实现的简单神经网络算法示例