15.使用matlab的神经网络工具箱进行轨迹预测

经过调查研究，分析衡量，最终选取反向传播算法进行预测，轨迹预测系统的创新点在第12篇。

在百度上找bp算法的实现代码，发现matlab的神经网络工具箱特别好用。

matlab有自己的优势，也有其局限。优势在于脚本式编程，简单易学、调试方便。局限就是灵活性不够，难以扩展和改进算法内部，无法移植成其他代码，也没法进行服务器编程（其实能，但是是个超级大的坑），效率也是问题。

为了偷懒省下自己开发bp算法的工作量，就开心的勉强使用matlab吧，放弃开发b/s架构的系统，把优化算法内部放在下次。系统分成4个主要模块，分别是预处理模块、训练模块、预测模块、测试模块。以后的研究只要重新实现这4个模块就可以了，至少不用改架构。下面的内容分成两块，神经网络工具箱的使用，和实现过程中遇到的坑。

一、跳过对4个模块的解释，直接说神经网络工具箱怎么用。

matlab肯定是装最新版啦，可是从某一版开始神经网络工具箱的用法整个有修改，我就不对比了，直接说最新版的用法

1.数据归一化，反归一化

[p1,minmaxp]=mapminmax(P_train,-1,1);%参数是原始训练数据，归一化的范围，返回归一化后的数据和归一化参数，后面还要反归一化
[t1,minmaxt]=mapminmax(T_train,-1,1);%标签数据，和训练数据一一对应

c=mapminmax('reverse',b,minmaxt);%反归一化，用于预测结果

2.初始化网络

net=newff(p1,t1,[4,10,4],{'tansig','tansig','tansig','purelin'},'trainlm');

参数是训练集，标签集，层数，每层的激活函数，误差传播方法。这里注意层数这个东西，最后会自动加上一个输出层，不用自己设计输出层。ps:原理性的东西去别处找吧

3.参数设置

net.trainParam.epochs = 5000;%设置训练次数
net.trainParam.goal=0.000000002;%设置收敛误差,1秒是30米,误差大概设定为3秒,大概8.3e-4度,归一化后大概是4.6e-6，这种计算方式好像不对
net.trainParam.min_grad=1e-9;%最小梯度，这是个坑
net.trainParam.max_fail=10;% 最小确认失败次数 

4.开始训练

[net,tr]=train(net,p1,t1);

5.使用训练好的网络预测

b=sim(net,a);
c=mapminmax('reverse',b,minmaxt);%还记得前面的反归一化吗

二、实际操作时遇到的坑

1.先说说归一化这件事，因为数据的单位不统一，所以需要归一化。也有说反向传播网络的激活函数只支持0到1的数据，某些支持-1到1，例如我用的激活函数。其他激活函数，或者误差传播方法也请去别处查找。

反正归一化一定要做，不然结果肯定不准

2.matlab的datanum是按天算的，interval=(1/24)*(1/2);这是30分钟的意思

3.Gradient

这个参数网上给的解释只有两个字“梯度”，更具体的都是原理上的解释，谁也没说怎么设置。我自己摸索出来的，看上面1.3

4.训练目标，这个问题非常坑。我本来以为这个是标签要达到的精度，那样算一算实际精度，加上归一化，也就差不多了。先回到归一化，如果用地理经度作为标签，取值范围是-180到180，精度是小数点第6位，归一化成-1到1，精度大概是小数点第9位。训练目标大概就选到小数点第9位吧，那按字面理解梯度要比精度低吧，不然改变一个梯度就超过训练目标位置了。这也是为什么上面费劲找怎么设置梯度。

可是后来我发现了训练误差这个指标，就是图中的“Mean Squared Error”均方误差。而训练目标大概就是这个误差的程度，一下子整个人都崩了，根本不知道怎么设置训练精度。现在仍然不会

5.反归一化，这个不难，只是要记得保存之前的归一化参数，不然你用什么反归一化呢

6.其实训练一半打断了或者有新数据进来，是可以继续训练的，但是一定要注意新数据要采用旧数据的归一化标准，因为归一化标准不统一肯定不行，按新数据的标准归一化就相当于改变了旧数据归一化后的结果，也是不行。

都是一脚一脚踩出来的坑啊，等我顺利毕业的，把源代码放出来大家参考下。