我的编程空间,编程开发者的网络收藏夹
学习永远不晚

基于Matlab如何实现人工神经网络回归

短信预约 -IT技能 免费直播动态提醒
省份

北京

  • 北京
  • 上海
  • 天津
  • 重庆
  • 河北
  • 山东
  • 辽宁
  • 黑龙江
  • 吉林
  • 甘肃
  • 青海
  • 河南
  • 江苏
  • 湖北
  • 湖南
  • 江西
  • 浙江
  • 广东
  • 云南
  • 福建
  • 海南
  • 山西
  • 四川
  • 陕西
  • 贵州
  • 安徽
  • 广西
  • 内蒙
  • 西藏
  • 新疆
  • 宁夏
  • 兵团
手机号立即预约

请填写图片验证码后获取短信验证码

看不清楚,换张图片

免费获取短信验证码

基于Matlab如何实现人工神经网络回归

这篇文章主要介绍了基于Matlab如何实现人工神经网络回归的相关知识,内容详细易懂,操作简单快捷,具有一定借鉴价值,相信大家阅读完这篇基于Matlab如何实现人工神经网络回归文章都会有所收获,下面我们一起来看看吧。

首先需要注明的是,在MATLAB中,我们可以直接基于“APP”中的“Neural Net Fitting”工具箱实现在无需代码的情况下,对神经网络算法加以运行。

基于Matlab如何实现人工神经网络回归

基于工具箱的神经网络方法虽然方便,但是一些参数不能调整;同时也不利于我们对算法、代码的理解。因此,本文不利用“Neural Net Fitting”工具箱,而是直接通过代码将神经网络方法加以运行——但是,本文的代码其实也是通过上述工具箱运行后生成的;而这种生成神经网络代码的方法也是MATLAB官方推荐的方式。

另外,需要注意的是,本文直接进行神经网络算法的执行,省略了前期数据处理、训练集与测试集划分、精度衡量指标选取等。因此建议大家先将文章MATLAB实现随机森林(RF)回归与自变量影响程度分析阅读后,再阅读本文。

本文分为两部分,首先是将代码分段、详细讲解,方便大家理解;随后是完整代码,方便大家自行尝试。

1 分解代码

1.1 循环准备

由于机器学习往往需要多次执行,我们就在此先定义循环。

%% ANN Cycle PreparationANNRMSE=9999;ANNRunNum=0;ANNRMSEMatrix=[];ANNrAllMatrix=[];while ANNRMSE>400

其中,ANNRMSE是初始的RMSEANNRunNum是神经网络算法当前运行的次数;ANNRMSEMatrix用来存储每一次神经网络运行后所得到的RMSE结果;ANNrAllMatrix用来存储每一次神经网络运行后所得到的皮尔逊相关系数结果;最后一句表示当所得到的模型RMSE>400时,则停止循环。

1.2 神经网络构建

接下来,我们对神经网络的整体结构加以定义。

%% ANNx=TrainVARI';t=TrainYield';trainFcn = 'trainlm';hiddenLayerSize = [10 10 10];ANNnet = fitnet(hiddenLayerSize,trainFcn);

其中,TrainVARITrainYield分别是我这里训练数据的自变量(特征)与因变量(标签);trainFcn为神经网络所选用的训练函数方法名称,其名称与对应的方法对照如下表:

基于Matlab如何实现人工神经网络回归

hiddenLayerSize为神经网络所用隐层与各层神经元个数,[10 10 10]代表共有三层隐层,各层神经元个数分别为101010

1.3 数据处理

接下来,对输入神经网络模型的数据加以处理。

ANNnet.input.processFcns = {'removeconstantrows','mapminmax'};ANNnet.output.processFcns = {'removeconstantrows','mapminmax'};ANNnet.divideFcn = 'dividerand';ANNnet.divideMode = 'sample';ANNnet.divideParam.trainRatio = 0.6;ANNnet.divideParam.valRatio = 0.4;ANNnet.divideParam.testRatio = 0.0;

其中,ANNnet.input.processFcnsANNnet.output.processFcns分别代表输入模型数据的处理方法,'removeconstantrows'表示删除在各样本中数值始终一致的特征列,'mapminmax'表示将数据归一化处理;divideFcn表示划分数据训练集、验证集与测试集的方法,'dividerand'表示依据所给定的比例随机划分;divideMode表示对数据划分的维度,我们这里选择'sample',也就是对样本进行划分;divideParam表示训练集、验证集与测试集所占比例,那么在这里,因为是直接用了先前随机森林方法(可以看这篇博客)中的数据划分方式,那么为了保证训练集、测试集的固定,我们就将divideParam.testRatio设置为0.0,然后将训练集与验证集比例划分为0.60.4

1.4 模型训练参数配置

接下来对模型运行过程中的主要参数加以配置。

ANNnet.performFcn = 'mse';ANNnet.trainParam.epochs=5000;ANNnet.trainParam.goal=0.01;

其中,performFcn为模型误差衡量函数,'mse'表示均方误差;trainParam.epochs表示训练时Epoch次数,trainParam.goal表示模型所要达到的精度要求(即模型运行到trainParam.epochs次时或误差小于trainParam.goal时将会停止运行)。

1.5 神经网络实现

这一部分代码大多数与绘图、代码与GUI生成等相关,因此就不再一一解释了,大家可以直接运行。需要注意的是,train是模型训练函数。

% For a list of all plot functions type: help nnplotANNnet.plotFcns = {'plotperform','plottrainstate','ploterrhist','plotregression','plotfit'};[ANNnet,tr] = train(ANNnet,x,t);y = ANNnet(x);e = gsubtract(t,y);performance = perform(ANNnet,t,y);% Recalculate Training, Validation and Test PerformancetrainTargets = t .* tr.trainMask{1};valTargets = t .* tr.valMask{1};testTargets = t .* tr.testMask{1};trainPerformance = perform(ANNnet,trainTargets,y);valPerformance = perform(ANNnet,valTargets,y);testPerformance = perform(ANNnet,testTargets,y);% view(net)% Plots%figure, plotperform(tr)%figure, plottrainstate(tr)%figure, ploterrhist(e)%figure, plotregression(t,y)%figure, plotfit(net,x,t)% Deployment% See the help for each generation function for more information.if (false)    % Generate MATLAB function for neural network for application    % deployment in MATLAB scripts or with MATLAB Compiler and Builder    % tools, or simply to examine the calculations your trained neural    % network performs.    genFunction(ANNnet,'myNeuralNetworkFunction');    y = myNeuralNetworkFunction(x);endif (false)    % Generate a matrix-only MATLAB function for neural network code    % generation with MATLAB Coder tools.    genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');    y = myNeuralNetworkFunction(x);endif (false)    % Generate a Simulink diagram for simulation or deployment with.    % Simulink Coder tools.    gensim(ANNnet);end

1.6 精度衡量

%% Accuracy of ANNANNPredictYield=sim(ANNnet,TestVARI')';ANNRMSE=sqrt(sum(sum((ANNPredictYield-TestYield).^2))/size(TestYield,1));ANNrMatrix=corrcoef(ANNPredictYield,TestYield);ANNr=ANNrMatrix(1,2);ANNRunNum=ANNRunNum+1;ANNRMSEMatrix=[ANNRMSEMatrix,ANNRMSE];ANNrAllMatrix=[ANNrAllMatrix,ANNr];disp(ANNRunNum);enddisp(ANNRMSE);

其中,ANNPredictYield为预测结果;ANNRMSEANNrMatrix分别为模型精度衡量指标RMSE与皮尔逊相关系数。结合本文1.1部分可知,我这里设置为当所得神经网络模型RMSE400以内时,将会停止循环;否则继续开始执行本文1.2部分至1.6部分的代码。

1.7 保存模型

这一部分就不再赘述了,大家可以参考文章MATLAB实现随机森林(RF)回归与自变量影响程度分析。

%% ANN Model StorageANNModelSavePath='G:\CropYield\02_CodeAndMap\00_SavedModel\';save(sprintf('%sRF0417ANN0399.mat',ANNModelSavePath),'TestVARI','TestYield','TrainVARI','TrainYield','ANNnet','ANNPredictYield','ANNr','ANNRMSE',...    'hiddenLayerSize');

2 完整代码

完整代码如下:

%% ANN Cycle PreparationANNRMSE=9999;ANNRunNum=0;ANNRMSEMatrix=[];ANNrAllMatrix=[];while ANNRMSE>1000%% ANNx=TrainVARI';t=TrainYield';trainFcn = 'trainlm';hiddenLayerSize = [10 10 10];ANNnet = fitnet(hiddenLayerSize,trainFcn);ANNnet.input.processFcns = {'removeconstantrows','mapminmax'};ANNnet.output.processFcns = {'removeconstantrows','mapminmax'};ANNnet.divideFcn = 'dividerand';ANNnet.divideMode = 'sample';ANNnet.divideParam.trainRatio = 0.6;ANNnet.divideParam.valRatio = 0.4;ANNnet.divideParam.testRatio = 0.0;ANNnet.performFcn = 'mse';ANNnet.trainParam.epochs=5000;ANNnet.trainParam.goal=0.01;% For a list of all plot functions type: help nnplotANNnet.plotFcns = {'plotperform','plottrainstate','ploterrhist','plotregression','plotfit'};[ANNnet,tr] = train(ANNnet,x,t);y = ANNnet(x);e = gsubtract(t,y);performance = perform(ANNnet,t,y);% Recalculate Training, Validation and Test PerformancetrainTargets = t .* tr.trainMask{1};valTargets = t .* tr.valMask{1};testTargets = t .* tr.testMask{1};trainPerformance = perform(ANNnet,trainTargets,y);valPerformance = perform(ANNnet,valTargets,y);testPerformance = perform(ANNnet,testTargets,y);% view(net)% Plots%figure, plotperform(tr)%figure, plottrainstate(tr)%figure, ploterrhist(e)%figure, plotregression(t,y)%figure, plotfit(net,x,t)% Deployment% See the help for each generation function for more information.if (false)    % Generate MATLAB function for neural network for application    % deployment in MATLAB scripts or with MATLAB Compiler and Builder    % tools, or simply to examine the calculations your trained neural    % network performs.    genFunction(ANNnet,'myNeuralNetworkFunction');    y = myNeuralNetworkFunction(x);endif (false)    % Generate a matrix-only MATLAB function for neural network code    % generation with MATLAB Coder tools.    genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');    y = myNeuralNetworkFunction(x);endif (false)    % Generate a Simulink diagram for simulation or deployment with.    % Simulink Coder tools.    gensim(ANNnet);end%% Accuracy of ANNANNPredictYield=sim(ANNnet,TestVARI')';ANNRMSE=sqrt(sum(sum((ANNPredictYield-TestYield).^2))/size(TestYield,1));ANNrMatrix=corrcoef(ANNPredictYield,TestYield);ANNr=ANNrMatrix(1,2);ANNRunNum=ANNRunNum+1;ANNRMSEMatrix=[ANNRMSEMatrix,ANNRMSE];ANNrAllMatrix=[ANNrAllMatrix,ANNr];disp(ANNRunNum);enddisp(ANNRMSE);%% ANN Model StorageANNModelSavePath='G:\CropYield\02_CodeAndMap\00_SavedModel\';save(sprintf('%sRF0417ANN0399.mat',ANNModelSavePath),'AreaPercent','InputOutput','nLeaf','nTree',...    'RandomNumber','RFModel','RFPredictConfidenceInterval','RFPredictYield','RFr','RFRMSE',...    'TestVARI','TestYield','TrainVARI','TrainYield','ANNnet','ANNPredictYield','ANNr','ANNRMSE',...    'hiddenLayerSize');

关于“基于Matlab如何实现人工神经网络回归”这篇文章的内容就介绍到这里,感谢各位的阅读!相信大家对“基于Matlab如何实现人工神经网络回归”知识都有一定的了解,大家如果还想学习更多知识,欢迎关注编程网行业资讯频道。

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

基于Matlab如何实现人工神经网络回归

下载Word文档到电脑,方便收藏和打印~

下载Word文档

猜你喜欢

基于Matlab如何实现人工神经网络回归

这篇文章主要介绍了基于Matlab如何实现人工神经网络回归的相关知识,内容详细易懂,操作简单快捷,具有一定借鉴价值,相信大家阅读完这篇基于Matlab如何实现人工神经网络回归文章都会有所收获,下面我们一起来看看吧。首先需要注明的是,在MAT
2023-07-05

Python基于TensorFlow接口实现深度学习神经网络回归

这篇文章主要为大家详细介绍了如何基于Python语言中TensorFlow的tf.estimator接口,实现深度学习神经网络回归的具体方法,感兴趣的可以了解一下
2023-02-17

基于Pytorch的神经网络如何实现Regression

这篇文章将为大家详细讲解有关基于Pytorch的神经网络如何实现Regression,小编觉得挺实用的,因此分享给大家做个参考,希望大家阅读完这篇文章后可以有所收获。1.引言我们之前已经介绍了神经网络的基本知识,神经网络的主要作用就是预测与
2023-06-29

php如何实现人工神经网络算法

这篇文章主要介绍“php如何实现人工神经网络算法”,在日常操作中,相信很多人在php如何实现人工神经网络算法问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”php如何实现人工神经网络算法”的疑惑有所帮助!接下来
2023-07-06

基于Java实现的一层简单人工神经网络算法示例

本文实例讲述了基于Java实现的一层简单人工神经网络算法。分享给大家供大家参考,具体如下:先来看看笔者绘制的算法图:2、数据类import java.util.Arrays;public class Data { double[] vec
2023-05-30

Python实现的人工神经网络算法示例【基于反向传播算法】

本文实例讲述了Python实现的人工神经网络算法。分享给大家供大家参考,具体如下: 注意:本程序使用Python3编写,额外需要安装numpy工具包用于矩阵运算,未测试python2是否可以运行。 本程序实现了《机器学习》书中所述的反向传播
2022-06-04

单层的基础神经网络基于TensorFlow如何实现手写字识别

本篇文章为大家展示了单层的基础神经网络基于TensorFlow如何实现手写字识别,内容简明扼要并且容易理解,绝对能使你眼前一亮,通过这篇文章的详细介绍希望你能有所收获。先上代码import tensorflow from tensorfl
2023-06-17

编程热搜

  • Python 学习之路 - Python
    一、安装Python34Windows在Python官网(https://www.python.org/downloads/)下载安装包并安装。Python的默认安装路径是:C:\Python34配置环境变量:【右键计算机】--》【属性】-
    Python 学习之路 - Python
  • chatgpt的中文全称是什么
    chatgpt的中文全称是生成型预训练变换模型。ChatGPT是什么ChatGPT是美国人工智能研究实验室OpenAI开发的一种全新聊天机器人模型,它能够通过学习和理解人类的语言来进行对话,还能根据聊天的上下文进行互动,并协助人类完成一系列
    chatgpt的中文全称是什么
  • C/C++中extern函数使用详解
  • C/C++可变参数的使用
    可变参数的使用方法远远不止以下几种,不过在C,C++中使用可变参数时要小心,在使用printf()等函数时传入的参数个数一定不能比前面的格式化字符串中的’%’符号个数少,否则会产生访问越界,运气不好的话还会导致程序崩溃
    C/C++可变参数的使用
  • css样式文件该放在哪里
  • php中数组下标必须是连续的吗
  • Python 3 教程
    Python 3 教程 Python 的 3.0 版本,常被称为 Python 3000,或简称 Py3k。相对于 Python 的早期版本,这是一个较大的升级。为了不带入过多的累赘,Python 3.0 在设计的时候没有考虑向下兼容。 Python
    Python 3 教程
  • Python pip包管理
    一、前言    在Python中, 安装第三方模块是通过 setuptools 这个工具完成的。 Python有两个封装了 setuptools的包管理工具: easy_install  和  pip , 目前官方推荐使用 pip。    
    Python pip包管理
  • ubuntu如何重新编译内核
  • 改善Java代码之慎用java动态编译

目录