基于Matlab實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)(ANN)回歸的示例詳解
在之前的文章MATLAB實現(xiàn)隨機森林（RF）回歸與自變量影響程度分析中，我們對基于MATLAB的隨機森林（RF）回歸與變量影響程度（重要性）排序的代碼加以詳細(xì)講解與實踐。本次我們繼續(xù)基于MATLAB，對另一種常用的機器學(xué)習(xí)方法——神經(jīng)網(wǎng)絡(luò)方法加以代碼實戰(zhàn)。
首先需要注明的是，在MATLAB中，我們可以直接基于“APP”中的“Neural Net Fitting”工具箱實現(xiàn)在無需代碼的情況下，對神經(jīng)網(wǎng)絡(luò)算法加以運行。
基于工具箱的神經(jīng)網(wǎng)絡(luò)方法雖然方便，但是一些參數(shù)不能調(diào)整；同時也不利于我們對算法、代碼的理解。因此，本文不利用“Neural Net Fitting”工具箱，而是直接通過代碼將神經(jīng)網(wǎng)絡(luò)方法加以運行——但是，本文的代碼其實也是通過上述工具箱運行后生成的；而這種生成神經(jīng)網(wǎng)絡(luò)代碼的方法也是MATLAB官方推薦的方式。
另外，需要注意的是，本文直接進(jìn)行神經(jīng)網(wǎng)絡(luò)算法的執(zhí)行，省略了前期數(shù)據(jù)處理、訓(xùn)練集與測試集劃分、精度衡量指標(biāo)選取等。因此建議大家先將文章MATLAB實現(xiàn)隨機森林（RF）回歸與自變量影響程度分析閱讀后，再閱讀本文。
本文分為兩部分，首先是將代碼分段、詳細(xì)講解，方便大家理解；隨后是完整代碼，方便大家自行嘗試。
1 分解代碼
1.1 循環(huán)準(zhǔn)備
由于機器學(xué)習(xí)往往需要多次執(zhí)行，我們就在此先定義循環(huán)。
%% ANN Cycle Preparation ANNRMSE=9999; ANNRunNum=0; ANNRMSEMatrix=[]; ANNrAllMatrix=[]; while ANNRMSE>400
其中，ANNRMSE是初始的RMSE；ANNRunNum是神經(jīng)網(wǎng)絡(luò)算法當(dāng)前運行的次數(shù)；ANNRMSEMatrix用來存儲每一次神經(jīng)網(wǎng)絡(luò)運行后所得到的RMSE結(jié)果；ANNrAllMatrix用來存儲每一次神經(jīng)網(wǎng)絡(luò)運行后所得到的皮爾遜相關(guān)系數(shù)結(jié)果；最后一句表示當(dāng)所得到的模型RMSE>400時，則停止循環(huán)。
1.2 神經(jīng)網(wǎng)絡(luò)構(gòu)建
接下來，我們對神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)加以定義。
%% ANN x=TrainVARI'; t=TrainYield'; trainFcn = 'trainlm'; hiddenLayerSize = [10 10 10]; ANNnet = fitnet(hiddenLayerSize,trainFcn);
其中，TrainVARI、TrainYield分別是我這里訓(xùn)練數(shù)據(jù)的自變量（特征）與因變量（標(biāo)簽）；trainFcn為神經(jīng)網(wǎng)絡(luò)所選用的訓(xùn)練函數(shù)方法名稱，其名稱與對應(yīng)的方法對照如下表：
hiddenLayerSize為神經(jīng)網(wǎng)絡(luò)所用隱層與各層神經(jīng)元個數(shù)，[10 10 10]代表共有三層隱層，各層神經(jīng)元個數(shù)分別為10，10與10。
1.3 數(shù)據(jù)處理
接下來，對輸入神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)加以處理。
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與ANNnet.output.processFcns分別代表輸入模型數(shù)據(jù)的處理方法，'removeconstantrows'表示刪除在各樣本中數(shù)值始終一致的特征列，'mapminmax'表示將數(shù)據(jù)歸一化處理；divideFcn表示劃分?jǐn)?shù)據(jù)訓(xùn)練集、驗證集與測試集的方法，'dividerand'表示依據(jù)所給定的比例隨機劃分；divideMode表示對數(shù)據(jù)劃分的維度，我們這里選擇'sample'，也就是對樣本進(jìn)行劃分；divideParam表示訓(xùn)練集、驗證集與測試集所占比例，那么在這里，因為是直接用了先前隨機森林方法（可以看這篇博客）中的數(shù)據(jù)劃分方式，那么為了保證訓(xùn)練集、測試集的固定，我們就將divideParam.testRatio設(shè)置為0.0，然后將訓(xùn)練集與驗證集比例劃分為0.6與0.4。
1.4 模型訓(xùn)練參數(shù)配置
接下來對模型運行過程中的主要參數(shù)加以配置。
ANNnet.performFcn = 'mse'; ANNnet.trainParam.epochs=5000; ANNnet.trainParam.goal=0.01;
其中，performFcn為模型誤差衡量函數(shù)，'mse'表示均方誤差；trainParam.epochs表示訓(xùn)練時Epoch次數(shù)，trainParam.goal表示模型所要達(dá)到的精度要求（即模型運行到trainParam.epochs次時或誤差小于trainParam.goal時將會停止運行）。
1.5 神經(jīng)網(wǎng)絡(luò)實現(xiàn)
這一部分代碼大多數(shù)與繪圖、代碼與GUI生成等相關(guān)，因此就不再一一解釋了，大家可以直接運行。需要注意的是，train是模型訓(xùn)練函數(shù)。
% For a list of all plot functions type: help nnplot
ANNnet.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 Performance
trainTargets = 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);
end
if (false)
% Generate a matrix-only MATLAB function for neural network code
% generation with MATLAB Coder tools.
genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');
y = myNeuralNetworkFunction(x);
end
if (false)
% Generate a Simulink diagram for simulation or deployment with.
% Simulink Coder tools.
gensim(ANNnet);
end
1.6 精度衡量
%% Accuracy of ANN ANNPredictYield=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); end disp(ANNRMSE);
其中，ANNPredictYield為預(yù)測結(jié)果；ANNRMSE、ANNrMatrix分別為模型精度衡量指標(biāo)RMSE與皮爾遜相關(guān)系數(shù)。結(jié)合本文1.1部分可知，我這里設(shè)置為當(dāng)所得神經(jīng)網(wǎng)絡(luò)模型RMSE在400以內(nèi)時，將會停止循環(huán)；否則繼續(xù)開始執(zhí)行本文1.2部分至1.6部分的代碼。
1.7 保存模型
這一部分就不再贅述了，大家可以參考文章MATLAB實現(xiàn)隨機森林（RF）回歸與自變量影響程度分析。
%% ANN Model Storage
ANNModelSavePath='G:\CropYield\02_CodeAndMap\00_SavedModel\';
save(sprintf('%sRF0417ANN0399.mat',ANNModelSavePath),'TestVARI','TestYield','TrainVARI','TrainYield','ANNnet','ANNPredictYield','ANNr','ANNRMSE',...
'hiddenLayerSize');
2 完整代碼
完整代碼如下：
%% ANN Cycle Preparation
ANNRMSE=9999;
ANNRunNum=0;
ANNRMSEMatrix=[];
ANNrAllMatrix=[];
while ANNRMSE>1000
%% ANN
x=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 nnplot
ANNnet.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 Performance
trainTargets = 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);
end
if (false)
% Generate a matrix-only MATLAB function for neural network code
% generation with MATLAB Coder tools.
genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');
y = myNeuralNetworkFunction(x);
end
if (false)
% Generate a Simulink diagram for simulation or deployment with.
% Simulink Coder tools.
gensim(ANNnet);
end
%% Accuracy of ANN
ANNPredictYield=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);
end
disp(ANNRMSE);
%% ANN Model Storage
ANNModelSavePath='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');以上就是基于Matlab實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)(ANN)回歸的示例詳解的詳細(xì)內(nèi)容，更多關(guān)于Matlab人工神經(jīng)網(wǎng)絡(luò)ANN回歸的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要為大家分享了幾種通過C語言實現(xiàn)字符串字符反向排列（不是逆序打?。┑姆椒?，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以了解一下2022-05-05
詳解C語言中typedef和#define的用法與區(qū)別
這篇文章主要給大家介紹了關(guān)于C語言中typedef和#define的的用法、區(qū)別，以及陷阱。文中通過示例進(jìn)行了詳細(xì)講解，感興趣的小伙伴可以了解一下2022-07-07
指針是C語言的靈魂,精華之所在,指針強大而危險,用得好是一大利器,用得不好是一大潛在危害,下面這篇文章主要給大家介紹了C語言中指針的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),需要的朋友可以參考下2021-10-10
C 數(shù)組允許定義可存儲相同類型數(shù)據(jù)項的變量，結(jié)構(gòu)是 C 編程中另一種用戶自定義的可用的數(shù)據(jù)類型，它允許你存儲不同類型的數(shù)據(jù)項，本篇讓我們來了解C 的結(jié)構(gòu)體內(nèi)存對齊2022-06-06
這篇文章主要為大家詳細(xì)介紹了C語言代碼實現(xiàn)俄羅斯方塊，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-01-01
Qt中正則表達(dá)式的常見用法(QRegularExpression類)
正則表達(dá)式即一個文本匹配字符串的一種模式,Qt中使用QRegExp類進(jìn)行模式匹配,下面這篇文章主要給大家介紹了關(guān)于Qt中正則表達(dá)式的常見用法,文中介紹的是QRegularExpression類的相關(guān)資料,需要的朋友可以參考下2024-05-05
這篇文章主要介紹了C++ 函數(shù)重載詳情，函數(shù)重載還有一個別名叫函數(shù)多態(tài)，函數(shù)多態(tài)是C++在C語言基礎(chǔ)上的新特性，它可以讓我們使用多個同名函數(shù)，下面來看看文章具體內(nèi)容的介紹2021-11-11
位運算是指按二進(jìn)制進(jìn)行的運算。在系統(tǒng)軟件中,常常需要處理二進(jìn)制位的問題。本文就詳細(xì)的介紹一下，感興趣的可以了解一下2021-09-09
OpenCV霍夫變換(Hough Transform)直線檢測詳解
這篇文章主要為大家詳細(xì)介紹了OpenCV霍夫變換直線檢測的相關(guān)資料，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-12-12
這篇文章主要為大家詳細(xì)介紹了C++實現(xiàn)屏幕截圖功能，截圖自動保存為png格式文件，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-05-05