Matlab实现人工神经网络

在Matlab中实现一个人工神经网络（Artificial Neural Network, ANN）通常涉及定义网络结构、准备数据、设置训练选项，以及进行训练和测试。以下是一个简单的例子，使用Matlab的Deep Learning Toolbox来创建一个前馈神经网络（Feedforward Neural Network），用于分类任务。这里我们使用随机生成的数据作为示例。

步骤 1: 准备数据

	% 生成随机输入特征
	rng(1); % 为了结果的可重复性
	numInputs = 100; % 样本数量
	numFeatures = 10; % 特征数量
	X = rand(numInputs, numFeatures);
	% 创建标签
	% 假设我们有两个类别，通过输入特征的某种规则来分配标签
	labels = arrayfun(@(i) mod(sum(X(i,:)), 2), 1:numInputs);
	labels = categorical(labels); % 转换为categorical类型，适合分类问题
	% 划分训练集和测试集
	cv = cvpartition(numInputs, 'HoldOut', 0.2);
	idxTrain = training(cv);
	idxTest = test(cv);
	XTrain = X(idxTrain, :);
	YTrain = labels(idxTrain);
	XTest = X(idxTest, :);
	YTest = labels(idxTest);

步骤 2: 创建神经网络

接下来，我们使用patternnet函数（尽管它在新版本中可能不是首选，但这里为了简单起见使用它）来创建一个神经网络。在较新的版本中，可能更倾向于使用layerGraph来定义自定义网络结构。

	% 创建一个简单的神经网络
	hiddenLayerSize = 10; % 隐藏层神经元数量
	net = patternnet(hiddenLayerSize);
	% 查看网络结构
	view(net);

注意：patternnet函数在新版本的Matlab中可能不再推荐使用，建议使用layerGraph结合fullyConnectedLayer、reluLayer等自定义网络层。

步骤 3: 设置训练选项

	% 设置训练选项
	options = trainingOptions('sgdm', ...
	'MaxEpochs', 100, ...
	'ValidationData', {XTest, YTest}, ...
	'ValidationFrequency', 30, ...
	'Verbose', true, ...
	'Plots', 'training-progress');

步骤 4: 训练网络

	% 训练网络
	[net, tr] = train(net, XTrain, YTrain, options);

步骤 5: 测试网络

	% 使用测试集评估网络性能
	YPred = classify(net, XTest);
	% 计算准确率
	accuracy = sum(strcmp(YPred, YTest)) / numel(YTest);
	disp(['Accuracy: ', num2str(accuracy)]);