神经网络具体实现步骤.

数据预处理-归一化

在训练神经网络前一般需要对数据进行预处理，一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。

什么是归一化

数据归一化，就是将数据映射到[0,1]或[-1,1]区间或更小的区间，比如(0.1,0.9) 。

为什么要归一化处理 

<1>输入数据的单位不一样，有些数据的范围可能特别大，导致的结果是神经网络收敛慢、训练时间长。

<2>数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小。

<3>由于神经网络输出层的激活函数的值域是有限制的，因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活函数，由于S形函数的值域限制在(0,1)，也就是说神经网络的输出只能限制在(0,1)，所以训练数据的输出就要归一化到[0,1]区间。

<4>S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(X)在参数a=1时，f(100)与f(5)只相差0.0067。

归一化算法 

我最经常用的是线性转换，很方便。 只要知道字段的 最大值和最小值即可。

线性函数转换

表达式如下：
y=(x-MinValue)/(MaxValue-MinValue) （归一到0 1 之间）
y=0.1+(x-min)/(max-min)*(0.9-0.1)（归一到0.1-0.9之间）
说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。

对数函数转换

表达式如下：
y=log10(x)
说明：以10为底的对数函数转换。

反余切函数转换

表达式如下：
y=atan(x)*2/PI

 

Matlab数据归一化处理函数 

Matlab中归一化处理数据可以采用premnmx ， postmnmx ， tramnmx 这3个函数。

 premnmx

语法：[pn,minp,maxp,tn,mint,maxt] = premnmx(p,t)
参数：
pn： p矩阵按行归一化后的矩阵
minp，maxp：p矩阵每一行的最小值，最大值
tn：t矩阵按行归一化后的矩阵
mint，maxt：t矩阵每一行的最小值，最大值
作用：将矩阵p，t归一化到[-1,1] ，主要用于归一化处理训练数据集。

 tramnmx

语法：[pn] = tramnmx(p,minp,maxp)
参数：
minp，maxp：premnmx函数计算的矩阵的最小，最大值
pn：归一化后的矩阵
作用：主要用于归一化处理待分类的输入数据。

postmnmx

语法： [p,t] = postmnmx(pn,minp,maxp,tn,mint,maxt)
参数：
minp，maxp：premnmx函数计算的p矩阵每行的最小值，最大值
mint，maxt：premnmx函数计算的t矩阵每行的最小值，最大值
作用：将矩阵pn，tn映射回归一化处理前的范围。postmnmx函数主要用于将神经网络的输出结果映射回归一化前的数据范围。

使用Matlab实现神经网络

使用Matlab建立前馈神经网络主要会使用到下面3个函数：
newff ：前馈网络创建函数
train：训练一个神经网络
sim ：使用网络进行仿真

 下面简要介绍这3个函数的用法。

newff函数

newff函数语法 

newff函数参数列表有很多的可选参数，具体可以参考Matlab的帮助文档，这里介绍newff函数的一种简单的形式。
语法：net = newff ( A, B, {C} ,‘trainFun’)
参数：
A：一个n×2的矩阵，第i行元素为输入信号xi的最小值和最大值；
B：一个k维行向量，其元素为网络中各层节点数；
C：一个k维字符串行向量，每一分量为对应层神经元的激活函数；
trainFun ：为学习规则采用的训练算法。

常用的激活函数

　 　常用的激活函数有：
　　a) 线性函数 (Linear transfer function)
f(x) = x
　　该函数的字符串为’purelin’。

b) 对数S形转移函数( Logarithmic sigmoid transfer function )
    该函数的字符串为’logsig’。

c) 双曲正切S形函数 (Hyperbolic tangent sigmoid transfer function )
　　也就是上面所提到的双极S形函数。 
　　该函数的字符串为’ tansig’。
　　Matlab的安装目录下的toolbox\nnet\nnet\nntransfer子目录中有所有激活函数的定义说明。

常见的训练函数

    常见的训练函数有：
traingd ：梯度下降BP训练函数(Gradient descent backpropagation)
traingdx ：梯度下降自适应学习率训练函数

网络配置参数

一些重要的网络配置参数如下：
net.trainparam.goal  ：神经网络训练的目标误差
net.trainparam.show   ： 显示中间结果的周期
net.trainparam.epochs 　：最大迭代次数
net.trainParam.lr    ： 学习率

 train函数

网络训练学习函数。
语法：[ net, tr, Y1, E ]  = train( net, X, Y )
参数：
X：网络实际输入
Y：网络应有输出
tr：训练跟踪信息
Y1：网络实际输出
E：误差矩阵

 sim函数

语法：Y=sim(net,X)
参数：
net：网络
X：输入给网络的Ｋ×N矩阵，其中K为网络输入个数，N为数据样本数
Y：输出矩阵Q×N，其中Q为网络输出个数

Matlab BP网络实例 

        我将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将3类花分别编号为1，2，3 。

　　使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。

       Matlab程序如下：

[plain]  view plain  copy

1. %读取训练数据  
2. [f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);  
3.   
4. %特征值归一化  
5. [input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;  
6.   
7. %构造输出矩阵  
8. s = length( class) ;  
9. output = zeros( s , 3  ) ;  
10. for i = 1 : s   
11.    output( i , class( i )  ) = 1 ;  
12. end  
13.   
14. %创建神经网络  
15. net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ;   
16.   
17. %设置训练参数  
18. net.trainparam.show = 50 ;  
19. net.trainparam.epochs = 500 ;  
20. net.trainparam.goal = 0.01 ;  
21. net.trainParam.lr = 0.01 ;  
22.   
23. %开始训练  
24. net = train( net, input , output' ) ;  
25.   
26. %读取测试数据  
27. [t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);  
28.   
29. %测试数据归一化  
30. testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;  
31.   
32. %仿真  
33. Y = sim( net , testInput )   
34.   
35. %统计识别正确率  
36. [s1 , s2] = size( Y ) ;  
37. hitNum = 0 ;  
38. for i = 1 : s2  
39.     [m , Index] = max( Y( : ,  i ) ) ;  
40.     if( Index  == c(i)   )   
41.         hitNum = hitNum + 1 ;   
42.     end  
43. end  
44. sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )  

参数设置对神经网络性能的影响 

        我在实验中通过调整隐含层节点数，选择不通过的激活函数，设定不同的学习率  

隐含层节点个数 

隐含层节点的个数对于识别率的影响并不大，但是节点个数过多会增加运算量，使得训练较慢。

激活函数的选择 

激活函数无论对于识别率或收敛速度都有显著的影响。在逼近高次曲线时，S形函数精度比线性函数要高得多，但计算量也要大得多。  

学习率的选择 

学习率影响着网络收敛的速度，以及网络能否收敛。学习率设置偏小可以保证网络收敛，但是收敛较慢。相反，学习率设置偏大则有可能使网络训练不收敛，影响识别效果。

使用AForge.NET实现神经网络 

 AForge.NET简介 

 AForge.NET是一个C#实现的面向人工智能、计算机视觉等领域的开源架构。AForge.NET源代码下的Neuro目录包含一个神经网络的类库。
AForge.NET主页：http://www.aforgenet.com/
AForge.NET代码下载：http://code.google.com/p/aforge/

下面介绍图9中的几个基本的类：
Neuron — 神经元的抽象基类
Layer — 层的抽象基类，由多个神经元组成
Network —神经网络的抽象基类，由多个层（Layer）组成
IActivationFunction - 激活函数（activation function）的接口
IUnsupervisedLearning - 无导师学习（unsupervised learning）算法的接口ISupervisedLearning - 有导师学习（supervised learning）算法的接口

使用Aforge建立BP神经网络 

        使用AForge建立BP神经网络会用到下面的几个类：

 SigmoidFunction ： S形神经网络
　　构造函数：public SigmoidFunction( double alpha )
　　 参数alpha决定S形函数的陡峭程度。

 ActivationNetwork　：神经网络类
　　构造函数：
　　public ActivationNetwork( IActivationFunction function, int inputsCount, params int[] neuronsCount )
                         : base( inputsCount, neuronsCount.Length )
　　public virtual double[] Compute( double[] input )
参数意义：
inputsCount：输入个数
neuronsCount　：表示各层神经元个数

 BackPropagationLearning：BP学习算法

 构造函数：
public BackPropagationLearning( ActivationNetwork network )
 参数意义：
network ：要训练的神经网络对象
BackPropagationLearning类需要用户设置的属性有下面2个：
learningRate ：学习率
momentum ：冲量因子


下面给出一个用AForge构建BP网络的代码。

[csharp]  view plain  copy

1. // 创建一个多层神经网络，采用S形激活函数，各层分别有4,5,3个神经元  
2. //(其中4是输入个数，3是输出个数，5是中间层结点个数)  
3. ActivationNetwork network = new ActivationNetwork(  
4.     new SigmoidFunction(2), 4, 5, 3);  
5.   
6. // 创建训练算法对象  
7. BackPropagationLearning teacher = new  
8. BackPropagationLearning(network);  
9.   
10. // 设置BP算法的学习率与冲量系数  
11. teacher.LearningRate = 0.1;  
12. teacher.Momentum = 0;  
13.   
14. int iteration = 1 ;   
15.   
16. // 迭代训练500次  
17. while( iteration < 500 )   
18. {  
19.          teacher.RunEpoch( trainInput , trainOutput ) ;   
20.          ++iteration ;  
21. }  
22.   
23. //使用训练出来的神经网络来分类，t为输入数据向量  
24. network.Compute(t)[0]  

Aforge的相关参考链接:

http://www.codeproject.com/Articles/16447/Neural-Networks-on-C

http://code.google.com/p/aforge/

http://www.aforgenet.com/forum/viewtopic.php?f=2&t=343

我的实例

根据上一篇文章 神经网络模型   中说到的判断 建筑形态。

样本的选择

每种分类中随机选取一部分。剩余的作为测试数据。在预测测试样本结果时中把预测错误的标识出来，把对应的样本添加到训练的样本中。这样能很快训练出成功率达到90+甚至100%的网络

部分代码

如下:

训练网络

我这里是 4个输入 得到 4个输出

[csharp]  view plain  copy

1. private void make_network()  
2.       {  
3.           work_name = this.workname.Text;  
4.           double[][] input = new double[samples][];  
5.           double[][] output = new double[samples][];  
6.           for (int i = 0; i < samples; i++)  
7.           {  
8.               input[i] = new double[4];  
9.               output[i] = new double[4];  
10.   
11.               for (int s = 0; s < 4; s++)  
12.               {  
13.                   input[i][s] = input_temps[i, s];  
14.   
15.               }  
16.   
17.               for (int s = 0; s < 4; s++)  
18.               {  
19.                   output[i][s] = output_temps[i, s];  
20.   
21.               }  
22.           }  
23.           //训练网络  
24.           int neruon = int.Parse(this.neuron_text.Text);  
25.           int alpha = int.Parse(this.alpha_text.Text);  
26.           // create multi-layer neural network  
27.           ActivationNetwork network = new ActivationNetwork(new SigmoidFunction(alpha), 4, neruon, 4);  
28.           // create teacher  
29.           BackPropagationLearning teacher = new BackPropagationLearning(network);  
30.           // set learning rate and momentum  
31.           teacher.LearningRate = double.Parse(this.learninglate_text.Text);  
32.           teacher.Momentum = double.Parse(this.Momentum_text.Text);  
33.           //定义绝对误差   
34.           double error = 1.0;  
35.           int iteration = 1;  
36.         
37.           
38.           if (radio2.Checked)  
39.           {  
40.               double error_limit = double.Parse(this.error_text.Text);  
41.               while (error > error_limit)  
42.               {  
43.                   error = teacher.RunEpoch(input, output);  
44.                   this.Invoke(new setStatusDelegate(setStatus), iteration.ToString(), error.ToString());  
45.                   iteration++;  
46.                  
47.               }  
48.           }  
49.   
50.           else if (radio1.Checked)  
51.           {  
52.               int iteration_limit = int.Parse(this.iteration_text.Text);  
53.               while (iteration <iteration_limit )  
54.               {  
55.                   error = teacher.RunEpoch(input, output);  
56.                   this.Invoke(new setStatusDelegate(setStatus), iteration.ToString(), error.ToString());  
57.                   iteration++;  
58.                  
59.   
60.               }  
61.           }  
62.   
63.           MessageBox.Show("训练结束");  
64.           // save neural network to file  
65.           network.Save(work_name);  
66.         
67.       }  

单个预测

[csharp]  view plain  copy

1.  private void button4_Click(object sender, EventArgs e)  
2.  {  
3.      //把后面需要到的最大最小值,编码与建筑形态的对应数据提出来  
4.      List<string> building_type_names = new List<string>();  
5.      List<string> building_type_code = new List<string>();  
6.   
7.      MongoClient client;  
8.      MongoServer server;  
9.      MongoDatabase database;  
10.   
11.      client = new MongoClient("mongodb://192.168.0.121");  
12.   
13.      server = client.GetServer();  
14.      database = server.GetDatabase("building_type");  
15.   
16.      var coll_max_min = database.GetCollection("max_min");  
17.      var cur_max_min = coll_max_min.FindAll();  
18.   
19.      foreach (var ttdoc in cur_max_min)  
20.      {  
21.          if (ttdoc.AsBsonDocument["Name"].ToString() == "high")  
22.          {  
23.              high_max = double.Parse(ttdoc.AsBsonDocument["max"].ToString());  
24.              high_min = double.Parse(ttdoc.AsBsonDocument["min"].ToString());  
25.          }  
26.          else if (ttdoc.AsBsonDocument["Name"].ToString() == "all_count")  
27.          {  
28.   
29.              all_count_max = double.Parse(ttdoc.AsBsonDocument["max"].ToString());  
30.              all_count_min = double.Parse(ttdoc.AsBsonDocument["min"].ToString());  
31.   
32.          }  
33.          else  
34.          {  
35.              house_count_max = double.Parse(ttdoc.AsBsonDocument["max"].ToString());  
36.              house_count_min = double.Parse(ttdoc.AsBsonDocument["min"].ToString());  
37.          }  
38.   
39.   
40.      }  
41.   
42.      var coll_building_type_name = database.GetCollection("building_type_name");  
43.      var cur_building_type_name = coll_building_type_name.FindAll();  
44.   
45.      foreach (var ttdoc in cur_building_type_name)  
46.      {  
47.   
48.          building_type_names.Add(ttdoc.AsBsonDocument["Name"].ToString());  
49.   
50.          building_type_code.Add(ttdoc.AsBsonDocument["code"].ToString());  
51.      }  
52.   
53.   
54.   
55.   
56.      //对输入数据归一化,并使用网络进行预测  
57.      string use_work = this.use_work_name_1.Text;  
58.      Network network = Network.Load(use_work);  
59.     
60.      double[] inputsss = new double[4];  
61.   
62.    
63.          double x = double.Parse(this.high_text.Text);  
64.          double y = (x - high_min) / (high_max - high_min);  
65.          double s = ((0.5 - 0.1) / 0.5) * y + 0.1;  
66.                 inputsss[0] =  s;  
67.      
68. inputsss[1] = double.Parse(this.has_businee_text.Text);  
69.   
70. x = double.Parse(this.all_count_text.Text);  
71.         y = (x - all_count_min) / (all_count_max - all_count_min);  
72.         s = ((0.5 - 0.1) / 0.5) * y + 0.1;  
73.         inputsss[2] = s;  
74.   
75.   
76.         x = double.Parse(this.house_count_text.Text);  
77.         y = (x - house_count_min) / (house_count_max - house_count_min);  
78.         s = ((0.5 - 0.1) / 0.5) * y + 0.1;  
79.          inputsss[3] = s;  
80.   
81.   
82.          this.label29.Text = inputsss[0] +"," +inputsss[1] +"," +inputsss[2] +"，"+ inputsss[3];  
83.      
84.        
85.      // 使用网络对训练样本计算输出  
86.      double[] result = network.Compute(inputsss);  
87.      string results = "";  
88.   
89.   
90.      for (int i = 0; i < result.Length; i++)  
91.      {  
92.          if (i == result.Length - 1)  
93.          {  
94.              results += result[i].ToString();  
95.          }  
96.          else  
97.          {  
98.              results += result[i].ToString() + ",";  
99.   
100.          }  
101.      }  
102.   
103.      this.label22.Text = results;  
104.   
105.      //结果数据还原成编码  
106.      string change_results = "";  
107.   
108.      for (int i = 0; i < result.Length; i++)  
109.      {  
110.          if (i == result.Length - 1)  
111.          {  
112.              if (result[i] <= 0.5)  
113.              {  
114.                  change_results += "0";  
115.              }  
116.              else   
117.              {  
118.                  change_results += "1";  
119.                
120.              }  
121.          }  
122.          else  
123.          {  
124.              if (result[i] <= 0.5)  
125.              {  
126.                  change_results += "0"+",";  
127.              }  
128.              else  
129.              {  
130.                  change_results += "1"+",";  
131.   
132.              }  
133.   
134.          }  
135.      }  
136.   
137.      this.label24.Text = change_results;  
138.   
139.   
140.      string result_building_type = "";  
141.      //把编码对应转化为建筑形态  
142.      for (int nn = 0; nn < building_type_code.Count(); nn++)  
143.      {  
144.   
145.          if (building_type_code[nn].ToString() == change_results)  
146.          {  
147.              result_building_type = building_type_names[nn];  
148.   
149.          }  
150.        
151.      }  
152.   
153.      this.label26.Text = result_building_type;  
154.   
155.  }  

可能遇到的问题

Aforge如何保存训练好的神经网络

在使用Aforge时 要确定下的版本是不是最新版，如果不是最新版的话可能没有保存的方法。

如果支持保存 可用如下方法保存：

[csharp]  view plain  copy

1. // save neural network to file  
2. network.Save( "my_nn.bin" );  

加载神经网络:

[csharp]  view plain  copy

1. // load neural network  
2. Network network = Network.Load( "my_nn.bin" );  

神经网络不收敛

收敛不了有可能是样本中出现了 用一种输入得到不同输出。清除一对二的情况。

学习步长和误差率的设置会影响到收敛   一般100条左右的数据收敛时间在 2分钟内 清除一对二之后 很久都没收敛 要适当修改神经元个数，学习步长等。 我100左右的样本 我一般用7或者10个 12个神经元。 

学习步长也应该 注意， 决定学习步长时 你要观察归一化出来的输入数据，虽然说学习步长太大了会导致不收敛，太小了能保证收敛，但速度有很可能很慢， 比如 输入数据中有0.1 也有0.6  如果 学习步长设置为0.01 那收敛速度就会超慢。 设置成0.1 就很快

神经网络参数设置比较;
其他因素一样的情况下:
学习步长:0.1比1快
神经元7个比3个快
函数陡峭度 1比3快  但正确率比3低