MATLAB R2021b(09)

nprtool使用简介以及几种工具箱的区分。

主要参考来源

• MATLAB帮助中心 - nprtool
• MATLAB帮助中心 - 使用浅层神经网络对模式进行分类
• Matlab神经网络的几个工具箱nntool、nftool、nctool、ntstool与nprtool的区别与使用

神经网络模式识别工具

nprtool

（1）算法：
nprtool 引导您使用一个具有 sigmoid 输出神经元的两层前馈 patternnet 网络求解一个模式识别分类问题。

（2）使用浅层神经网络对模式进行分类

要以交互方式构建和训练深度网络，请使用深度网络设计器。

①命令行输入 nprtool 打开神经网络模式识别模块。
②导入数据，选择示例数据里的 玻璃。

比例是，70，15，15

③创建网络
该网络是一个双层前馈网络。
隐藏层有一个 sigmoid 传递函数，输出层有一个 softmax 传递函数。
隐藏层的大小对应于隐藏神经元的数量。默认层大小为 10。
输出神经元的数量设置为 2，等于响应数据指定的类的数量。

④开始训练
在训练窗格中可以看到训练进度。
训练会一直持续，直到满足其中一个停止条件。
在此示例中，训练会一直持续，直到 6 次迭代的验证误差持续增大（“满足验证条件”）。

（3）对结果进行数据分析：

从图像分析：

①混淆矩阵绘图。

如果绿色方块（对角线）中的正确分类数字很高，红色方块（非对角线）中的错误分类数字很低，这表明网络输出非常准确。
不过从本图可以看出测试的正确率只有81.2%，训练与验证正确率也不是很高，该网络还需要优化。

②ROC 曲线
网络性能的额外验证。

每个轴上的彩色线条表示 ROC 曲线。
ROC 曲线是随阈值变化的真正率（敏感度）对假正率（1 - 特异度）的图。
完美的测试会在左上角显示点，灵敏度和特异度均为 100%。
此时，网络性能非常好。

（4）关于过拟合
如果基于训练集的性能很好，但测试集的性能很差，这可能表明模型出现了过拟合。减少神经元的数量可以减少过拟合。

神经元越多，需要的计算也越多；当数量设置得太高时，可能会出现数据过拟合倾向，但这使网络能够求解更复杂的问题。层越多，需要的计算也越多，但使用更多的层可以使网络更高效地求解复杂问题。要使用多个隐藏层，请在 patternnet 命令中输入隐藏层大小作为数组的元素。

求隐含节点数的三种方法：
1.fangfaGorman指出隐层结点数s与模式数N的关系是：s＝log2N；
2.Kolmogorov定理表明，隐层结点数s＝2n＋1(n为输入层结点数)；
3.s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51
（m是输入层的个数，n是输出层的个数）。
公式参考

（5）优化
对搭建的网络性能不满意的话可以：
① 重新训练网络。
② 增加隐藏神经元的数量。
③ 使用更大的训练数据集。

其他搭建方法

nntool、nftool、nctool、ntstool与nprtool 解决的不同类型问题