一个简单的BP神经网络matlab程序（附函数详解）

说明：

1、此文的程序来自博客：http://www.cnblogs.com/heaad/archive/2011/03/07/1976443.html

2、本人对其中涉及到的函数进行了详细说明。

3、此程序部分使用函数方式是高版本Matlab中不推荐的，文中给出了当前高版本使用的方式，给出了相关博客地址。

归一化方式mapminmax :

http://blog.csdn.net/lkj345/article/details/50352385

newff函数的使用：

http://www.cnblogs.com/xxfcz/p/4482813.html

具体程序如下：

%读取训练数据[f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);%特征值归一化[input,minI,maxI] = PRemnmx( [f1 , f2 , f3 , f4 ]')  ;%构造输出矩阵s = length( class) ;output = zeros( s , 3  ) ;for i = 1 : s    output( i , class( i )  ) = 1 ;end%创建神经网络net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ; %设置训练参数net.trainparam.show = 50 ;net.trainparam.epochs = 500 ;net.trainparam.goal = 0.01 ;net.trainParam.lr = 0.01 ;%开始训练net = train( net, input , output' ) ;%读取测试数据[t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);%测试数据归一化testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;%仿真Y = sim( net , testInput ) %统计识别正确率[s1 , s2] = size( Y ) ;hitNum = 0 ;for i = 1 : s2    [m , Index] = max( Y( : ,  i ) ) ;    if( Index  == c(i)   )         hitNum = hitNum + 1 ;     endendsprintf('识别率是 %3.3f%%',100 * hitNum / s2 )
详细说明：
1、
textread() 读取文件中数据，%f表示读取单浮点数，按列分别送给f1、f2、f3……这里的每列是一个节点的所有输入值，并不是后面输入的一组数据。
而后面的premnmx、newff、train、tramnmx都是以列的形式输入每组数据，故需要转置。
2、
premnmx()在高版本中被废弃了。归一化到-1到1之间。
[input,minI,maxI] = premnmx（P）
矩阵P是4行75列的（4个属性，75组训练样本）
input是归一化后的矩阵4行75列。后面神经网络创建的newff函数的第一个参数是一个Rx2的矩阵以定义R个输入向量(即输入层节点个数-输入特征值个数)的最小值和最大值
minI,maxI均是4行1列，这两个是为了后面的测试数据的归一化。
 
推荐使用mapminmax进行归一化。
http://blog.csdn.net/lkj345/article/details/50352385
3、
zeros(s,3)生成s乘3的全零阵。即75行3列
%构造输出矩阵
s = length( class ) ;
output = zeros( s , 3  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end
output是75行3列。class矩阵是75行1列，前几列是1，中间是2，最后是3.（即三种花的类型）。数据集中第一种花标记为1，第二种花记为2，第三种花记为3，这样经过循环后，output依然是75行3列，第一列的前几行全为1，第二列的中间几行全为1，第三列的最后几行全为1，其余均为0.
目的是：训练样本集的输出，把output转置后就是每一组数据的输出结果，共75组结果。
即训练样本中，第一种花输出为[1 0 0]，第二种花输出为[0 1 0]，第三种花输出为[0 0 1]。
4、
net = newff( minmax(input) ,[10 3] , { 'logsig' 'purelin' } , 'traingdx' )
（此例是老版本的使用http://blog.sina.com.cn/s/blog_64b046c70101cko4.html）
旧版newff函数的格式为：
net=newff(PR,[S1S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：
PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；
Si：第i层神经元个数；
TFi：第i层的传递函数，默认函数为tansig函数；
BTF：训练函数，默认函数为trainlm函数；
traingdx表示学习率自适应并附加动量因子的最速下降法
BLF：权值/阈值学习函数，默认函数为learngdm函数；
PF：性能函数，默认函数为mse函数。
minmax()函数用于获取数组中每一行的最小值和最大值
新版newff函数格式：
 net =newff(P,T,[S1 S2...S(N-l)],{TF1 TF2...TFNl}, BTF,BLF,PF,ipF,OPF,DDF)
P.T:输入和输出矩阵；
Si：第i层神经元个数，输出层不用写，根据T决定；
TFi：第i层的传递函数，隐含层默认函数为tansig函数，输出层默认为’purelin’；
BTF：训练函数，默认函数为trainlm函数，表示采用LM法进行训练；
BLF：权值/阈值学习函数，默认函数为learngdm函数；
PF：性能函数，默认函数为mse函数即均方误差。
IPF：指定输入数据归一化函数的细胞数组。
OPF：指定输出数据反归一化函数的细胞数组
DDF：数据划分函数。
（后5个一般用不到）
 
 旧版本：旧用法训练次数多，但精度高  
新版本：新用法训练次数少，但精度可能达不到要求
造成上述原因是：
程序里面的权值、阈值的初始值是随机赋值的，所以每次运行的结果都会不一样，有好有坏。你可以把预测效果不错的网络的权值和阈值作为初始值。具体可以查看net.iw{1,1}、net.lw{2,1}、net.b{1}、net.b{2}的值。
5、
net = train( net, input ,output' ) ;
这里input是4行75列，output经转置后是3行75列。
即每组数据是以列的形式输入到输入层，共75组。相应的，输出层与之对应，组数保持一致。
6、Y = sim( net, testInput )
sim仿真，Y是训练好的网络net对输入testInput的实际输出。