本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com

本文描述使用matlab神经网络工具箱训练BP神经网络的一些最常用的调用方法和参数

本文旨在说明BP神经网络工具箱的常用方法及其参数意义

   背景说明   

matlab2014b一个最简BP神经网络DEMO代码如下：

%用于训练的数据
X = linspace(-3,3,100);   
y = 10*sin(X);   

%网络训练 
net = newff(X,y,3,{'tansig','purelin'},'trainlm');
net.trainparam.goal = 0.00001;    % 设置训练误差目标
net.trainparam.epochs = 15000;    % 设置最大训练次数.
[net,tr,net_y] = train(net,X,y);  % 训练
sim_y = sim(net,X);               % 预测

可以看到，最关键的方法有以下三个
   👉 newff   :   构建网络          
👉 train     :   训练网络       
👉 sim       :  网络预测       
本文展示这三个最关键的方法的详细说明

     01. newff方法详述    

newff用于建立一个BP神经网络，它的完整用例、参数说明如下

   newff调用方法   

● 完整参数：
    net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

● 完整用例：
    net = newff(X,y,3,{'tansig','purelin'},'trainlm','learngdm','mse',{'fixunknowns','removeconstantrows','mapminmax'}, {'removeconstantrows','mapminmax'},'dividerand');

   newff的出入参说明   

● 入参说明:
   P:     输入数据X，每列代表一个样本的X。
   T：   target，拟合目标，也即输出数据y，每列代表一个样本的Y。
   S：  行向量，隐节点个数，例如 [3,2]代表两个隐层，第一个隐层3个神经元，第2个隐层2个神经元。
   TF：Transfer function，传递函数(激活函数), {'tansig','purelin'} 代表只有一个隐层，隐层传递函数为tansig,输出层传递函数为purelin.注意，要与S对齐。
   BTF： Backprop network training function，训练函数，默认用'trainlm'
   BLF:   Backprop learning function，反向传播权重/阈值 学习函数，默认learngdm.(adapt时调用，一般不需用到)
   PF:     Performance function，性能函数，即误差函数，默认为均方差'mse'，可选：mse,sse,mae,sae(均方差，总方差，均绝对差，总绝对差)，trainlm只支持mse,sse
   IPF:    input processing functions,输入处理函数，默认{'fixunknowns','removeconstantrows','mapminmax'}
   OPF：output processing functions，输出处理函数，默认 {'removeconstantrows','mapminmax'}
   DDF：Data division function，数据分割函数，默认值'dividerand'，即随机分割。

●  出参说明：
   net:训练好的网络 

    关于newff参数的特别说明    

关于训练方法
训练方法只推荐两种：
数据量小，内存够时，用'trainlm',
数据量大，trainlm不能用时，用'trainscg'
trainlm为Levenberg-Marquardt方法，会利用二阶导信息，trainscg则为量化共轭梯度法。

关于数据处理函数
mapminmax：将数据按最小最大值线性缩放到[-1,1],即2(x - min(x))/(max(x) - min(x))-1，
removeconstantrows：删除 常数变量
fixunknowns：处理NaN数据

     02. train方法详述    

train函数用于对BP神经网络进行训练，下面讲解train函数的出入参和工作流程

    train的调用方法     

train支持多种参数格式，最常用的是： [net,tr,out_T] = train(net,P,T);

    train的出入参说明     

● 入参说明：
   net:需要训练的网络
   P:用于训练的输入数据，
   T：用于训练的输出数据
● 出参说明：
   net:训练好的网络
   tr:训练过程
   out_T：网络对训练数据的预测。

   train函数的工作流程   

调用train函数，train函数就会将X进行数据预处理(例如归一化)，
并将数据分割成三分：训练数据，验证数据和测试数据，

数据分割完成后，train利用训练数据对net进行训练，
使用的训练方法为net里设置的训练函数(例如trainlm)
并且在训练的过程，用验证数据不断检验训练是否走向过拟合，如果走向过拟合，就终止训练

训练完成后，
train输出训练好的网络、训练过程和训练好的BP神经网络的预测结果
其中，哪些样本属于训练数据，哪些属于测试数据，
可以在train输出的训练过程中找到，
例如tr.testInd就是测试数据的索引。

     03. sim方法详述    

sim用于BP神经网络的预测，下面讲解sim的使用方法

     sim的调用方法   

使用方法：
sim_y = sim(net,X)

     sim的出入参说明   

● 入参说明：
net  : 用于预测的网络                                                           
X    : 需要预测的数据（X为矩阵格式 ，每列代表一个样本）

● 出参说明：
sim_y  : 网络的预测结果

  03. 常用训练参数  

常用的训练参数有：

net.trainparam.goal       = 0.00001;     % 训练目标：均方误差低于0.0001
net.trainparam.show       = 400;         % 每训练400次展示一次结果
net.trainparam.epochs     = 15000;       % 最大训练次数：15000.
net.divideParam.trainRatio= 0.7;         % 用于训练的数据比例
net.divideParam.valRatio  = 0.15 ;       % 用于验证过拟合的数据比例
net.divideParam.testRatio = 0.15;        % 用于比例
net.trainparam.max_fail   = 6;           % 过拟合验证失败次数

训练参数为可选项，可设可不设，为个性化配置。

 End