Matlab实现BP神经网络和RBF神经网络（一）

本实验依托于教材《模式分类》第二版第六章（公式符号与书中一致）

实验内容：

设计编写BP神经网络和RBF神经网络，对给定数据集进行分类测试，并将分类准确率与SVM进行对比。

实验环境：

matlab2016a

数据集：

数据集大小3*3000，表示3000个样本，每个样本包含2个特征，第三行表示样本所属的分类。对于此次实验编写的BP神经网络和RBF神经网络，均将原始数据集分为训练集和测试集两部分，训练集含2700个样本，测试集300样本，并且采用10-折交叉验证，将数据集分为10份，每次将其中一份作为测试，剩余作为训练，总共进行10次验证，得到10个准确率，将10个准确率求平均作为最终的衡量指标，与SVM分类效果进行对比。

本实验数据集下载：sample_ex6.mat

BP网络和RBF网络相似但有所不同，因此分开阐述，先来设计BP网络。

BP神经网络：

BP网络有三层，输入层，隐含层，输出层，输入层与隐含层之间有权值Wji，隐含层与输出层之间有权值Wkj（i，j，k分别代表各层的神经元数目）。根据给定数据规模，可设计输入层3个神经元（本来是2个神经元，加偏置后变为3），输出层1个神经元，隐含层的神经元个数待会讨论。
BP网络训练算法需要初始化以下参数：

（1）隐含层神经元个数

尽管输入和输出单元数分别由输入向量的维数和类别数目决定，但隐单元个数并不简单与此分类问题的外在特性相关。隐单元的个数决定了网络的表达能力，从而决定判决边界的复杂度。对于较多的隐单元数，训练误差可变得很小，这是因为网络具有较高的表达能力，但这种场合下对测试样本的误差率会很高，是一个“过拟合”的例子；相反隐单元数过少，网络没有足够的自由度来拟合训练集，同样导致测试误差高。一个简单的规则经验是选取隐单元的个数，使得网络的权值总数大致为n/10，n为总的样本数。当然，隐单元的个数需要根据实际效果来调节，这只是一个经验规则。对于本实验，选取初始隐单元数为62左右可使总的权值为n/10。

（2）激活函数

一般输入层到隐含层的激活函数需要非线性，饱和性和连续性，而隐含层到输出层的激活函数为线性即可。使用最多的激活函数是sigmoid函数，具有下列形式的激活函数可以很好的工作：

本次实验中，取a=1.716，b=2/3，从而保证线性范围为-1< net <+1。

（3）初始化权值

我们不能简单将权值初始化为0，否则学习过程将不可能开始。我们要设置初始权值以获得快速和均衡地学习，使所有权值同时达到最终的平衡值。为了使-1< net <+1，输入权值应该选取范围内，d为输入向量的维数。隐含层到输出层的权值应该在，其中nh为隐含层的神经元个数。

（4）学习率eta和阈值theta

学习率决定网络收敛的速度，可以先设为0.1，如果学习速度过慢，则将学习率调大，如果准则函数在学习过程中发散，则将学习率调小。阈值决定训练是否可以停止，设为0.01即可，根据实验效果再调节。

相关参数初始化后，可以开始训练，有三种训练方式：随机训练、成批训练和在线训练。本实验采用成批训练，更新权值前所有样本都提供一次，记为1个回合。
开始训练前，记得增广输入向量，给输入向量增加一维恒为1，作为偏置。数据训练前可以先规范化，都映射到-1和1之间，经过实际测试，对于本数据，是否规范化对最后的准确率影响不大，但没有规范化的数据收敛慢，运行时间长。

实验代码：

（1）函数 Batch_BP_neutral_network.m（建议使用matlab查看