MATLAB之机器学习——BP神经网络

要开始慢慢谢谢自己的博客，作为一个刚刚开始写博客的萌新，将自己的想法，学习内容总结变成文字进行输出。不管写得怎样，有时间都会坚持写下去。(#^.^#)

有什么建议，欢迎指正。

开始进入正题，上篇博客写了一个十分简单的三帧间差分法，其实存在很多的缺点的，会出现“空洞”现象，“双影”现象（物体轮廓太粗啦），不能提取区域物体的完整区域，只能提取轮廓，算法十分简单。

好像走题了，还没讲我们的“猪脚“——BP神经网络。

Backpropagation is a common method of teaching artificial neural networks how to perform a given task.这就是BP神经网络，简单讲就是信号的前项传播，误差的反向传播。

下面是一个简单的神经网络结构，第一层是输入层（3个神经元）， 第二层是隐含层（2个神经元），第三层是输出层。

BP神经网络算法，Goole上一大推。。。。。我在这推荐一篇。

我觉得BP神经网络中比较重要的就是数据归一化。

1.什么是数据归一化？

就是将数据映射到[0,1]或[-1,1]区间或其他的区间。

2.为什么要数据归一化

1. 输入数据的范围不一致，例如一些时0-10，一些是20-100，这样神经网络收敛慢、训练时间长。
2. 数据范围大的输入在模式分类就会偏大，小的反之。
3. 还有一个就是神经网络的输出层的激活函数使有限的

3.归一化算法

y=(x-min)/(max-min)  归一化到[0,1]

y=2*(x-min)/(max-min)-1  归一化到[-1,1]

以上就是我对数据归一化的了解。下面附上我学习时的代码！

%% I. 清空环境变量
clear all
clc

%% II. 训练集/测试集产生
%%
% 1. 导入数据
load spectra_data.mat

%%
% 2. 随机产生训练集和测试集
temp = randperm(size(NIR,1));
% 训练集——50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集——10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);

%% III. 数据归一化
[p_train, ps_input] = mapminmax(P_train,0,1);
p_test = mapminmax('apply',P_test,ps_input);

[t_train, ps_output] = mapminmax(T_train,0,1);

%% IV. BP神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newff(p_train,t_train,9);

%%
% 2. 设置训练参数
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-3;
net.trainParam.lr = 0.01;

%%
% 3. 训练网络
net = train(net,p_train,t_train);

%%
% 4. 仿真测试
t_sim = sim(net,p_test);

%%
% 5. 数据反归一化
T_sim = mapminmax('reverse',t_sim,ps_output);

%% V. 性能评价
%%
% 1. 相对误差error
error = abs(T_sim - T_test)./T_test;

%%
% 2. 决定系数R^2
R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); 

%%
% 3. 结果对比
result = [T_test' T_sim' error']

%% VI. 绘图
figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('辛烷值')
string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
title(string)

哇哇！！发现写一篇博客是真的难受，发现自己写的和自己想的出入还是很大的！

学习的内容输入和输出终究还是不成正比的。

代码数据集在这里上传