基于Matlab如何实现人工神经网络回归

免费教程 2024年05月23日 14:00

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。

%%ANNCyclePreparationANNRMSE=9999;ANNRunNum=0;ANNRMSEMatrix=[];ANNrAllMatrix=[];whileANNRMSE>400

其中，ANNRMSE是初始的RMSE；ANNRunNum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=[101010];ANNnet=fitnet(hiddenLayerSize,trainFcn);

其中，TrainVARI、TrainYield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：

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10，10与10。

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.processFcns与ANNnet.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0.6与0.4。

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。

%Foralistofallplotfunctionstype:helpnnplotANNnet.plotFcns={'plotperform','plottrainstate','ploterrhist','plotregression','plotfit'};[ANNnet,tr]=train(ANNnet,x,t);y=ANNnet(x);e=gsubtract(t,y);performance=perform(ANNnet,t,y);%RecalculateTraining,ValidationandTestPerformancetrainTargets=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%Seethehelpforeachgenerationfunctionformoreinformation.if(false)%GenerateMATLABfunctionforneuralnetworkforapplication%deploymentinMATLABscriptsorwithMATLABCompilerandBuilder%tools,orsimplytoexaminethecalculationsyourtrainedneural%networkperforms.genFunction(ANNnet,'myNeuralNetworkFunction');y=myNeuralNetworkFunction(x);endif(false)%Generateamatrix-onlyMATLABfunctionforneuralnetworkcode%generationwithMATLABCodertools.genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');y=myNeuralNetworkFunction(x);endif(false)%GenerateaSimulinkdiagramforsimulationordeploymentwith.%SimulinkCodertools.gensim(ANNnet);end1.6 精度衡量%%AccuracyofANNANNPredictYield=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；ANNRMSE、ANNrMatrix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RMSE在400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。

%%ANNModelStorageANNModelSavePath='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：

%%ANNCyclePreparationANNRMSE=9999;ANNRunNum=0;ANNRMSEMatrix=[];ANNrAllMatrix=[];whileANNRMSE>1000%%ANNx=TrainVARI';t=TrainYield';trainFcn='trainlm';hiddenLayerSize=[101010];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;%Foralistofallplotfunctionstype:helpnnplotANNnet.plotFcns={'plotperform','plottrainstate','ploterrhist','plotregression','plotfit'};[ANNnet,tr]=train(ANNnet,x,t);y=ANNnet(x);e=gsubtract(t,y);performance=perform(ANNnet,t,y);%RecalculateTraining,ValidationandTestPerformancetrainTargets=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%Seethehelpforeachgenerationfunctionformoreinformation.if(false)%GenerateMATLABfunctionforneuralnetworkforapplication%deploymentinMATLABscriptsorwithMATLABCompilerandBuilder%tools,orsimplytoexaminethecalculationsyourtrainedneural%networkperforms.genFunction(ANNnet,'myNeuralNetworkFunction');y=myNeuralNetworkFunction(x);endif(false)%Generateamatrix-onlyMATLABfunctionforneuralnetworkcode%generationwithMATLABCodertools.genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');y=myNeuralNetworkFunction(x);endif(false)%GenerateaSimulinkdiagramforsimulationordeploymentwith.%SimulinkCodertools.gensim(ANNnet);end%%AccuracyofANNANNPredictYield=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);%%ANNModelStorageANNModelSavePath='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，欢迎关注行业资讯频道。