matlabGUI神经网络系统设计

@TOC界面设计

  本文主要介绍如何实现一个神经网络或深度学习应用的matlab-GUI实例，该程序具有界面，并且能实现BP网络、竞争网络、LVQ网络三种网络算法。
  设计一个可以实现分类，预测，聚类功能的神经网络系统，设计的系统包括三种网络算法：BP网络算法，竞争网络算法，LVQ网络算法。其中BP网络与LVQ网络可以实现分类、预测功能；竞争网络可以实现聚类功能。

设计的界面中包括网络类型的选择，网络结构的设置，网络参数的设置，网络训练结果和测试结果的可视化。对于分类的问题，可以对期望值和实际值的差异进行可视化， 聚类的问题可以对最后的结果进行可视化，方便用户观察网络的拟合效果，从而进一步调节参数来训练网络。
设计的界面，由两部分组成，一部分主要是显示网络类型的选择、网络结构的设置，网络参数的设定，另一部分主要实现结果的可视化。除主界面外，还包含有两个子界面，一个用于提示该系统的使用方法，另一个用于展现竞争网络的聚类结果。
GUI界面设计：

界面包括一个下拉式菜单，可以选择三种网络，网络结构分别由三个静态文本框和可编辑文本组成；网络参数也是使用三个可编辑文本来输入参数。数据导入模块如图。
程序部分：
参数设计和网络结构设置部分

%% 网络结构设置（可编辑文本）
% 输入层的神经元个数
function edit_structure1_Callback(hObject, eventdata, handles)

% 使用set函数将文本中的内容清除
set(hObject, 'String');
% 将数据存储在一个对象中，方便调用
global inputlayer_num
uicontrol(hObject);
inputlayer_num = str2num(get(hObject, 'string'));
if isnan(inputlayer_num)
    errordlg("yon need input a number", "Error input", "modal")
end

% --- Executes during object creation, after setting all properties.
function edit_structure1_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end


% 输出层神经元个数
function edit_structure3_Callback(hObject, eventdata, handles)
% 使用set函数将文本中的内容清除
set(hObject, 'String');
uicontrol(hObject);
global outputlayer_num;
outputlayer_num = str2num(get(hObject, 'string'));
if isnan(outputlayer_num)
    errordlg("yon need input a number", "Error input", "modal")
end


% --- Executes during object creation, after setting all properties.
function edit_structure3_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end


% 隐藏层神经元个数
function edit_structure2_Callback(hObject, eventdata, handles)

% 使用set函数将文本中的内容清除
set(hObject, 'String');
uicontrol(hObject);
global hiddenlayer_num
% 获取隐层神经元个数
hiddenlayer_num = str2num(get(hObject, 'string'));
if isnan(hiddenlayer_num)
    errordlg("yon need input a number", "Error input", "modal")
end


% --- Executes during object creation, after setting all properties.
function edit_structure2_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end


%% 网络参数设置（可编辑文本）
% 迭代次数设置
function edit_params1_Callback(hObject, eventdata, handles)

% 使用set函数将文本中的内容清除
set(hObject, 'String');
uicontrol(hObject);
global params_epochs;
% 设置迭代次数
params_epochs = str2num(get(hObject, 'string'));
if isnan(params_epochs)
    errordlg("yon need input a number", "Error input", "modal")
end

% --- Executes during object creation, after setting all properties.
function edit_params1_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end


% 学习率设置
function edit_params2_Callback(hObject, eventdata, handles)

% 使用set函数将文本中的内容清除
set(hObject, 'String');
uicontrol(hObject);
% 设置学习率
global params_lr;
params_lr= str2num(get(hObject, 'string'));

if isnan(params_lr)
    errordlg("yon need input a number", "Error input", "modal")
end

% --- Executes during object creation, after setting all properties.
function edit_params2_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end

% 目标误差设置
function edit_params3_Callback(hObject, eventdata, handles)

% 使用set函数将文本中的内容清除
set(hObject, 'String');
uicontrol(hObject);
% 设置目标误差
global params_goal;
params_goal= str2num(get(hObject, 'string'));

if isnan(params_goal)
    errordlg("yon need input a number", "Error input", "modal")
end

% --- Executes during object creation, after setting all properties.
function edit_params3_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end

数据导入部分：

%% 数据导入工作区（按钮）
function pushbutton_importdata1_Callback(hObject, eventdata, handles)
% 导入数据

[filename, pathname] = uigetfile( ...
{'*.m;*.fig;*.mat;*.mdl', 'All MATLAB Files (*.m, *.fig, *.mat, *.mdl)'; ...
'*.*',                   'All Files (*.*)'}, ...
'Pick a file');
if (filename==0 & pathname==0)
    msgbox('您没有选择文件，请重新选择!','打开文件出错','error');
else
   Numdata = load(strcat([pathname,filename])); %加载数据,保存为一个结构体
   dataname=fieldnames(Numdata); %获取结构体的所有变量名，保存为一个矩阵
   length = size(dataname,1); %获取矩阵的长度
   for i=1:length
       strname = dataname(i,1); 
       assignin('base',char(strname), getfield(Numdata,char(strname)));% 要将变量名转换为字符串，getfield获取结构体中指定变量的值，然后用assignin将变量加载到工作空间
   end
   msgbox('打开及读取数据完毕！','确认','warn');
end


%% 数据导入：输入及输出
% 输入
function edit_input_data_Callback(hObject, eventdata, handles)

% 清空文本
set(hObject, 'String');
uicontrol(hObject);
% 获取文本中的输入名
input_name = get(hObject, 'string');
% 从工作区导入输入数据
global input;
input = evalin('base', input_name);

% --- Executes during object creation, after setting all properties.
function edit_input_data_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end

% 输出
function edit_output_data_Callback(hObject, eventdata, handles)

% 清空文本
set(hObject, 'String');
uicontrol(hObject);
% 获取文本的输出名
output_name = get(hObject, 'string');
% 从工作区导入输出数据
global output;
output = evalin('base', output_name);

% --- Executes during object creation, after setting all properties.
function edit_output_data_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end

网络训练部分

%% 网络训练按钮（按钮）
% --- Executes on button press in pushbutton_network_sim.
function pushbutton_network_sim_Callback(hObject, eventdata, handles)

% 调用参数：输入层神经元，隐藏层神经元，输出层神经元，迭代次数，学习率，误差目标
% 输入数据，输出数据
global inputlayer_num;global hiddenlayer_num;global outputlayer_num;
global params_epochs;global params_lr;global params_goal;
global input;global output;

% 网络选择
global types
types
if types == 'BP网络 '
    global output_train; global output_test;
    global output_test_pred; global output_train_pred; % 将实际输出设为全局变量
    [m, n] = size(input);
    % 打乱数据集
    k = rand(1, m);
    [a, b] = sort(k);
    % 随机选择训练样本,测试样本
    % 训练集占比80%
    train_percent = ceil(0.8 * m); 
    input = input';
    output = output';
    size(input)
    size(output)
    input_train = input(:, b(1 : train_percent)); % 训练输入
    output_train = output(:, b(1 : train_percent)); % 期望输出
    input_test = input(:, b(train_percent + 1 : m)); % 测试输入
    output_test = output(:, b(train_percent + 1 : m)); % 测试期望输出
  
    % 训练数据归一化
    [inputn, inputps] = mapminmax(input_train);
    [outputn, outputps] = mapminmax(output_train);
    
    % 构建BP网络
    net = newff(inputn, outputn, hiddenlayer_num);
    net.trainParam.epochs = params_epochs;  % 迭代次数
    net.trainParam.lr = params_lr; % 学习率
    net.trainParam.goal = params_goal; % 误差目标
    
    % 网络训练
    net = train(net, inputn, outputn);
    an_train = sim(net, inputn);
    output_train_pred = mapminmax('reverse', an_train, outputps); % 训练的实际输出
    
    % 网络测试
    inputn_test = mapminmax('apply', input_test, inputps); % 归一化
    an = sim(net, inputn_test); % 测试
    output_test_pred = mapminmax('reverse', an, outputps); % 反归一化，测试的实际输出 
end

% 竞争网络
if types == '竞争网络 '
    % 将训练结果和预测结果设为全局变量
    global sim_train_pred; global sim_test_pred;
    % 导入数据
    input = input;
    [m, n] = size(input);
    % 分割训练样本与测试集
    train_percent= m * 0.8;
    input_train = input(1 : train_percent, :); % 训练集
    input_train = input_train';
    input_test = input(train_percent + 1 : m, :); % 测试集
    input_test = input_test';
    % 构建网络
    Q = minmax(input_train);
    net = newc(Q, hiddenlayer_num, params_lr);
    net = init(net);
    net.trainParam.epochs = params_epochs;
    % 训练网络
    net = train(net, input_train);
    % 带回原数据测试网络
    sim_train = sim(net, input_train);
    sim_train_pred = vec2ind(sim_train);
    
    % 测试网络
    sim_test = sim(net, input_test);
    sim_test_pred = vec2ind(sim_test);  
    
    
end

% LVQ网络设置
if types == 'LVQ网络'
    % 将期望输出与实际输出设为全局变量
    global output_train; global output_test;
    global y_pred_train_ind; global y_pred_test_ind;
    
    % 数据集划分,随机选择80%样本作为训练集
    input = input';
    output = output';
    size(input)
    [m, n] = size(input);
    sample = randperm(n); % 打乱样本集
    max(sample)
    trian_percent = ceil( n * 0.8);  % 选择80%样本作为训练集
    input_train = input(:, sample(1 : trian_percent));
    output_train = output(:, sample(1 : trian_percent));
    output_train_vec = ind2vec(output_train); % 将类别转化为向量形式
    % 测试集
    input_test = input(:, sample(trian_percent + 1 : end));
    output_test = output(:, sample(trian_percent + 1 : end));
    output_test_vec = ind2vec(output_test); % 将类别转化为向量形式
    % 创建网络
    net = lvqnet(hiddenlayer_num, params_lr);
    net.trainParam.epochs = params_epochs;
    net.trainParam.lr = params_lr;
    net.trainParam.goal = params_goal;
    % 训练网络
    net = train(net, input_train, output_train_vec);
    % 测试训练样本
    y_pred_train = sim(net, input_train);
    y_pred_train_ind = vec2ind(y_pred_train);
    % 仿真测试
    y_pred_test = sim(net, input_test);
    y_pred_test_ind = vec2ind(y_pred_test);
end

坐标轴绘制部分（竞争网络是调用一个如下图的子界面来显示分类结果，如下图所示），调用子界面的代码为：

if types == '竞争网络 '
 
    % 打开竞争网络显示界面
    h = gcf;
    COMPETE_Window;
    
end

%% 执行绘制图形命令
% --- Executes on button press in pushbutton_plot_error.
function pushbutton_plot_error_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton_plot_error (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% 获取变量
global types
if types == 'BP网络 '
    % 调用第一个坐标轴绘制测试误差
    axes(handles.axes_train_error);
    % 调用数据
    global output_train; global output_train_pred;
    % 如果样本数过多, 随机抽取50%的样本绘图
    [m, n] = size(output_train);
    n = n;
    sample = ceil(0.5 * n);
    if n > 100
        train_sample = output_train(:, 1 : 5 : sample);
        train_pred_sample = output_train_pred(:, 1 : 5 : sample);
    else
        train_sample = output_train;
        train_pred_sample = output_train_pred;
    end
    % 绘图
    plot(train_sample, ':og');
    hold on
    plot(train_pred_sample, '- *');
    xlabel('样本'); ylabel('输出');
    legend('期望输出', '实际输出');
    
    % 调用第二个坐标轴绘制测试误差
    axes(handles.axes_test_error);
    % 调用数据
    global output_test; global output_test_pred;
    % 随机抽取50%的样本绘图
    [m, n] = size(output_test);
    n = n;
    if n > 100
        sample = ceil(0.5 * n);
        test_sample = output_test(:, 1 : 5 : sample);
        test_pred_sample = output_test_pred(:, 1 : 5 : sample);
    else
        test_sample = output_test;
        test_pred_sample = output_test_pred;
    end
    % 绘图
    plot(test_sample, ':og');
    hold on
    plot(test_pred_sample, '- *');
    xlabel('样本'); ylabel('输出');
    legend('期望输出', '实际输出');
end

if types == '竞争网络 '
 
    % 打开竞争网络显示界面
    h = gcf;
    COMPETE_Window;
    
end

if types == 'LVQ网络'
    
    % 绘图
    % 调用第一个坐标轴绘制测试误差
    axes(handles.axes_train_error);
    % 调用数据
    global output_train; global y_pred_train_ind;
    % 如果样本数过多, 随机抽取50%的样本绘图
    [m, n] = size(output_train);
    n = n;
    sample = ceil(0.5 * n);
    if n > 100
        train_sample = output_train(:, 1 : 5 : sample);
        train_pred_sample = y_pred_train_ind(:, 1 : 5 : sample);
    else
        train_sample = output_train;
        train_pred_sample = y_pred_train_ind;
    end
    % 绘图
    plot(train_sample, ':og');
    hold on
    plot(train_pred_sample, '- *');
    xlabel('样本'); ylabel('输出');
    legend('期望输出', '实际输出');
    
    % 调用第二个坐标轴绘制测试误差
    axes(handles.axes_test_error);
    % 调用数据
    global output_test; global y_pred_test_ind;
    % 随机抽取50%的样本绘图
    [m, n] = size(output_test);
    n = n;
    if n > 100
        sample = ceil(0.5 * n);
        test_sample = output_test(:, 1 : 5 : sample);
        test_pred_sample = y_pred_test_ind(:, 1 : 5 : sample);
    else
        test_sample = output_test;
        test_pred_sample = y_pred_test_ind;
    end
    % 绘图
    plot(test_sample, ':og');
    hold on
    plot(test_pred_sample, '- *');
    xlabel('样本'); ylabel('输出');
    legend('期望输出', '实际输出');
   
end

在每次绘图完成后都需要清空坐标轴的图像，代码如下：

%% 清空图像
% --- Executes on button press in pushbutton_clear_axes.
function pushbutton_clear_axes_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton_clear_axes (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% 清空训练误差图
axes(handles.axes_train_error);
cla reset;
box on;
set(handles.axes_train_error, 'xtick', []);
set(handles.axes_train_error, 'ytick', []);
% 清空测试误差图
axes(handles.axes_test_error);
cla reset;
box on;
set(handles.axes_test_error, 'xtick', []);
set(handles.axes_test_error, 'ytick', []);

结果展示：