神经网络学习算法matlab应用分析.docx

神经网络学习算法应用分析
摘要：为了提高BP神经网络模型运用效果，基于不同方法提出了很多的优化算法算法例如从经典梯度下降法，到复杂的BFGS，LM算法等，然而不同的算法在不同的应用场景有不同的效果，本文以matlab神经网络工具箱为基础，比较各种优化算法在预测分类问题中的应用效果，并分析各种算法优缺点，为神经网络优化算法的选择提供建议。

关键词：神经网络，优化算法，语音分类，梯度下降，拟牛顿法
一、 神经网络基本原理简介
近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径。它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注。
目前，已发展了几十种神经网络[1,2]，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。
二、神经网络原理
2.1最速下降学习算法公式推导
基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。

…
…
…
…
…
…

输出变量
输入变量
输入层
隐含层
输出层

图2-1 BP网络结构
Fig.2-1 Structure of BP network
符号意义：
：表示输入层第个节点的输入，；
：表示隐含层第i个节点到输入层第j个节点之间的权值；
：表示隐含层第i个节点的阈值；
：表示输出层第个节点到隐含层第i个节点之间的权值，；
：表示输出层第k个节点的阈值,k=1,…,L；
：表示输出层第k个节点的输出。
：表示隐含层的激励函数；
表示输出层的激励函数；
（1）信号的前向传播过程
隐含层第i个节点的输入neti：
（2-1）
隐含层第i个节点的输出yi：
（2-2）
输出层第k个节点的输入netk：
（2-3）
输出层第k个节点的输出ok：
（2-4）
（2）误差的反向传播过程
误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。
对于每一个样本p的二次型误差准则函数为Ep：
（2-5）
系统对P个训练样本的总误差准则函数为：
（2-6）
根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量。
；；； （2-7）
输出层权值调整公式：
（2-8）
输出层阈值调整公式：
（2-9）
隐含层权值调整公式：
（2-10）
隐含层阈值调整公式：
（2-11）
又因为：
（2-12）
，，， （2-13）
（2-14）
（2-15）
（2-16）
所以最后得到以下公式：
（2-17）
（2-18）
（2-19）
（2-20）
三、 改进神经网络学习算法
3.1附加动量法
附加动量法[3]使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，类似运动中惯性的作用。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。
该方法是在反向传播法的基础上在每一个权值（或阈值）的变化上加上一项正比于前次权值（或阈值）变化量的值，并根据反向传播法来产生新的权值（或阈值）变化。
带有附加动量因子的权值和阈值调节公式为：
（3-1）
（3-2）
（3-3）
其中k为训练次数，mc为动量因子，一般取0.95左右。
附加动量法的实质是将最后一次权值（或阈值）变化的影响，通过一个动量因子来传递。当动量因子取值为零时，权值（或阈值）的变化仅是根据梯度下降法产生；当动量因子取值为1时，新的权值（或阈值）变化则是设置为最后一次权值（或阈值）的变化，而依梯度法产生的变化部分则被忽略掉了。以此方式，当增加了动量项后，促使权值的调节向着误差曲面底部的平均方向变化，当网络权值进入误差曲面底部的平坦区时， di将变得很小，于是,从而防止了的出现，有助于使网络从误差曲面的局部极小值中跳出。
此外，该算法是以前一次的修正结果来影响本次修正量，当前一次的修正量过大时，式(3-2)第一项的符号将与前一次修正量的符号相反，从而使本次的修正量减小，起到减小振荡的作用; 当前一次的修正最过小时，式(3-2) 第一项的符号将与前一次修正最的符号相同，从而使本次的修正量增大，起到加速修正的作用。可以看出，动量BP算法，总是力图使在同一梯度方向上的修正量增加。因子mc越大，同一梯度方向上的"动量"也越大。
在动量BP 算法中，可以采用较大的学习率，而不会造成学习过程的发散，因为当修正过量时，该算法总是可以使修正量减小，以保持修正方向向着收敛的方向进行; 另一方面，动量BP 算法总是加速同一梯度方向的修正量。上述两个方面表明， 在保证算法稳定的同时，动量BP算法的收敛速率较快，学习时间较短。
根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变化率对其旧值超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在进行附加动量法的训练程序设计时，必须加进条件判断以正确使用其权值修正公式。
训练程序设计中采用动量法的判断条件为：
（3-4）
为第k步误差平方和。
3.2自适应学习速率
在最速下降BP算法[4]和动量BP算法中，其学习率是一个常数， 在整个训练的过程中保持不变，学习算法的性能对于学习率的选择非常敏感，学习率过大，算法可能振荡而不稳定;学习率过小，则收敛的速度慢，训练的时间长。而在训练之前，要选择最佳的学习率是不现实的。
事实上，可以在训练的过程中，使学习率随之变化，而使算法沿着误差性能曲面进行修正。自适应调整学习率的梯度下降算法，在训练的过程中，力图使算法稳定， 而同时又使学习的步长尽量地大， 学习率则是根据局部误差曲面作出相应的调整。当误差以减小的方式趋于目标时，说明修正方向正确，可使步长增加，因此学习率乘以增量因子，使学习率增加;而当误差增加超过事先设定值时，说明修正过头，应减小步长，因此学习率乘以缩减因子，使学习率减小，同时舍去使误差增加的前一步修正过程；下式给出一个自适应学习速率的调整公式：
（3-5）
初始学习速率的选取范围可以有很大的随意性。
3.3弹性BP算法。
多层BP网络的隐层一般采用传输函数sigmoid，它把一个取值范围为无穷大的输入变量，压缩到一个取值范围有限的输出变量中。函数sigmoid具有这样的特性 当输入变量的取值很大时，其斜率趋向于0，这样在采用最速下降BP 法训练传输函数为sigmoid的多层网络时就带来一个问题，尽管权值和阔值离其最佳值相差甚远，但此时梯度的幅度非常小，导致权值和阈值的修正量也很小，这样就使训练的时间变得很长。弹性BP算法的目的是消除梯度幅度的不利影响，所以在进行权值的修正时，仅仅用到偏导的符号，其幅值却不影响权值的修正，权值大小的改变取决于与幅值无关的修正值。连续两次迭代的梯度方向相同时，可将权值和阈值的修正值乘以一个增因子，matlab默认为1.2，使其修正值增加; 当连续两次迭代的梯度方向相反时，可将权值和阈值的修正值乘以一个减量因子，matlab默认为0.5，使其修正值减小; 当梯度为零时，权值和阀值的修正值保持不变; 当权值的修正发生振荡时，其修正值将会减小。如果权值在相同的梯度上连续被修正，幅度必将增加，从而克服了梯度幅度偏导的不利影响，更新公式如下：
（3-6）
公式中是第k次迭代的梯度；为第k次权值修正量，其初始值需提前设定。
3.4 变梯度算法
最速下降BP算法是沿着梯度最陡下降方向修正权值的，虽然误差函数沿着梯度的最陡下降方向进行修正，误差减小的速度是最快的，但收敛的速度不一定是最快的。在变梯度算法中，沿着变化的方向进行搜索，使其收敛速度比最陡下降梯度方向的收敛速度更快。
所有变梯度算法的第一次迭代都是沿着最陡梯度下降方向开始进行搜索的:
（3-7）
然后， 决定最佳距离的线性搜索沿着当前搜索的方向进行:
（3-8）
（3-9）
公式中，为第k+1次搜索方向，由式（3-9）可以看出，它由第k次迭代梯度和搜索方向共同决定；系数在不同的变梯度方法中有不同的形式。
Fletcher-Reeves 修正算法，Fletcher-Reeves修正算法是由R. Fletcher和C. M. Reeves提出的，在式(3-9)中系数定义为：
（3-10）
3.5 牛顿法
使用导数的最优化算法中，拟牛顿法是目前为止最为行之有效的一种算法，具有收敛速度快、算法稳定性强、编写程序容易等优点。在现今的大型计算程序中有着广泛的应用。本文试图介绍拟牛顿法的基础理论和若干进展。
牛顿法的基本思想是在极小点附近通过对目标函数做二阶Taylor展开，进而找到的极小点的估计值。一维情况下，也即令函数为：
（3-11）
其导数满足
（3-12）
所以
（3-13）
将作为极小点的一个进一步的估计值。重复上述过程，可以产生一系列的极小点估值集合。一定条件下，这个极小点序列收敛于的极值点。
将上述讨论扩展到维空间，类似的，对于维函数有
（3-14）
其中和分别是目标函数的的一阶和二阶导数，表现为维向量和矩阵，而后者又称为目标函数在处的Hesse矩阵。 设可逆，则可得与方程(1)类似的迭代公式：
（3-15）
这就是原始牛顿法的迭代公式。
原始牛顿法虽然具有二次终止性（即用于二次凸函数时，经有限次迭代必达极小点），但是要求初始点需要尽量靠近极小点，否则有可能不收敛。因此人们又提出了阻尼牛顿法。这种方法在算法形式上等同于所有流行的优化方法，即确定搜索方向，再沿此方向进行一维搜索，找出该方向上的极小点，然后在该点处重新确定搜索方向，重复上述过程，直至函数梯度小于预设判据。
3.6拟牛顿法 (Quasi-Newton Method)
如同上一节指出，牛顿法虽然收敛速度快，但是计算过程中需要计算目标函数的二阶偏导数，难度较大。更为复杂的是目标函数的Hesse矩阵无法保持正定，从而令牛顿法失效。为了解决这两个问题，人们提出了拟牛顿法。这个方法的基本思想是不用二阶偏导数而构造出可以近似Hesse矩阵的逆的正定对称阵， 从而在"拟牛顿"的条件下优化目标函数。构造方法的不同决定了不同的拟牛顿法。
首先分析如何构造矩阵可以近似Hesse矩阵的逆：
设第k次迭代之后得到点，将目标函数在处展成Taylor级数，取二阶近似，得到

………………（3-16）
（3-17）
令，则
（3-18）
记 ，
同时设Hesse矩阵可逆，则方程（3-18）可以表示为
（3-19）
因此，只需计算目标函数的一阶导数，就可以依据方程(4)估计该处的Hesse矩阵的逆。也即，为了用不包含二阶导数的矩阵近似牛顿法中的Hesse矩阵的逆矩阵，必须满足
（3-20）
方程（3-20）也称为拟牛顿条件。不加证明的，下面给出两个最常用的构造公式。
3.6.1 DFP算法
设初始的矩阵为单位矩阵，然后通过修正给出，即
（3-21）
DFP算法中定义校正矩阵为
（3-22）
可以验证，这样产生的对于二次凸函数而言可以保证正定，且满足拟牛顿条件。
3.6.2 BFGS算法
BFGS公式有时也称为DFP公式的对偶公式,其推导过程与方程（3-22）完全一样，只需要用矩阵取代，同时将和 互换，最后可以得到
（3-23）
这个公式要优于DFP公式，因此目前得到了最为广泛的应用。
3.6.3 L-BFGS算法
BFGS算法的步骤中，为了确定第次搜索方向，需要知道对称正定矩阵，因此对于维的问题，存储空间至少是，对于大型计算而言，这显然是一个极大的缺点。作为比较，共轭梯度法只需要存储3个维向量。为了解决这个问题，Nocedal首次提出了基于BFGS公式的限域拟牛顿法(L-BFGS)。
L-BFGS的基本思想是存储有限次数（如次）的更新矩阵，如果 的话就舍弃次以前的，也即L-BFGS的记忆只有次。如果，则L- BFGS等价于标准的BFGS公式。计算可行方向的时间复杂度从O(n*n)降低到了O(n*m)，当m远小于n时为线性复杂度。
3.7 LM算法
LM算法与拟牛顿法一样，是为了在以近似二阶训练速率进行修正时避免计算Hessian矩阵而设计的。当误差性能函数具有平方和误差(训练前馈网络的典型误差函数)的形式时， Hessian 矩阵可以近似表示为
（3-24）
梯度的计算表达式为
（3-24）
式中:H是包含网络误差函数对权值和阈值一阶导数的雅可比矩阵，e是网络的误差向量。雅可比矩阵可以通过标准的前馈网络技术进行计算，比Hessian 矩阵的计算要简单得多。
类似于牛顿法，LM算法用上述近似Hessian矩阵按下式进行修正:
（3-25）
当系数μ为0时，上式即为牛顿法; 当系数μ的值很大时， 上式变为步长较小的梯度下降法。牛顿法逼近最小误差的速度更快，更精确， 因此应尽可能使算法接近于牛顿法，在每一步成功的迭代后(误差性能减小) ，使μ减小; 仅在进行尝试性迭代后的误差性能增加的情况下，才使μ增加。这样，该算法每一步迭代的误差性能总是减小的。
LM 算法是为了训练中等规模的前馈神经网络(多达数百个连接权)而提出的最快速算法，它对M ATLAB 实现也是相当有效的， 因为其矩阵的计算在MATLAB 中是以函数实现的，其属性在设置时变得非常明确。

四、实验验证
对于一个给定的问题，到底采用哪种训练方法，其训练速度是最快，这是很难预知的，因为这取决于许多因素，包括给定问题的复杂性、训练样本集的数量、网络权值和阈值的数量、误差目标、网络的用途(如用于模式识别还是函数逼近)等
4.1实验原理简介
实验选用神经网络进行语音特征信号识别，根据语音特征信号的特点，构建神经网络的结构。由于语音输入信号有24维，待分类的语音信号共有4类，分别为民歌，古筝，摇滚和流行四类不同的音乐；所以网络结构为24—25—4，即输入有24个节点，隐层有25个节点，输出层有4个节点[5]。
原始的语音数据，共有2000组语音特征信号，从中随机选择1500组数据作为训练数据，用于训练网络；500组数据作为测试数据测试网络的分类能力。算法代码详见附录。
实验电脑配置为服务器主机，性能和运算速度较好；计算速度比一般电脑要快。
实验过程中分为两组，第一组实验，为了体现算法的寻优能力，设置收敛精度为，迭代次数设置为5000；第二组实验，为了体现算法收敛速度快慢，设置收敛精度为，迭代次数为5000。
实验一结果如表4-1：
算法名称
准确率
训练时间
均方误差
标准bp算法
0.6440 ± 0.0151
14.153 ± 0.0246
0.0132 ± 0.0002
动量项算法
0.6800 ± 0.0567
12.766 ± 0.0329
0.0131 ± 0.0004
自适应算法
0.8800 ± 0.0151
13.728 ± 1.0184
0.0105 ± 0.0005
自适应lr动量法
0.9147 ± 0.0042
14.1693 ± 0.0295
0.0092 ± 0.0001
弹性梯度法
0.9300 ± 0.0104
13.1460 ± 0.1778
0.0070 ± 0.0001
FR共轭梯度法
0.8967 ± 0.0261
35.3527 ± 18.305
0.0046 ± 0.0009
SCG算法
0.8773 ± 0.0101
22.4517 ± 0.2748
0.0034 ± 0.0003
BFGS算法
0.9007 ± 0.0046
533.983 ± 318.28
0.0051 ± 0.0006
LM算法
0.8793 ± 0.0255
884.094 ± 472.402
0.0030 ± 0.0013
表4-1，确定迭代次数下各算法结果列表
弹性梯度法和BFGS算法均方差收敛图：

图4-1：弹性梯度法 图4-2：BFGS算法
从均方误差值的角度，我们可以看出在误差精度要求很高的条件下，所有算法都没有达到所要求的精度，其中表现比较好的是自适应lr动量法，弹性梯度法，FR共轭梯度法，BFGS算法，LM算法，表现最好的是LM算法；但是从其分类的准确率来看，FR共轭梯度算法和BFGS算法的分类准确率没有弹性梯度法和自适应lr算法高，说明FR共轭梯度算法，BFGS算法和LM算法出现了过拟合现象[6]，过小的均方误差反而使网络丧失了灵活性，使其在测试数据集上分类准确率不高。
从算法的训练时间上，在未达到训练要求精度的前提下，全部迭代5000次时；动量项算法所用时间最少；标准bp算法，自适应算法，自适应lr动量法，弹性梯度法，说用时间稍多于动量项算法，说明上述算法相对简单，复杂度低，每次迭代计算量小；此外由时间的均方差可以看出，上述算法计算稳定，对于初始值要求不大。而相比较FR共轭梯度法，SCG算法，BFGS算法，LM算法算法，由于FR共轭算法要对梯度进行搜索，BFGS算法，LM算法要对Hesse阵进行近似计算，所以算法的复杂度较高，迭代时间比较长；此外，从其比较大的标准差可以看出，FR共轭梯度法，SCG算法，BFGS算法，LM算法在时间上不稳定，算法对初值比较敏感，好的初始值能够是算法的迭代时间明显的降低。
在分类准确率上，我们依据分类结果，其中标准bp算法，动量项算法的准确率在65%左右，属于分类结果最差；说明标准bp算法，动量项算法在有限的迭代次数下是欠拟合的，增加迭代次数到1000次，准确率达到了0.7407，均方误差达到了0.104。其他算法都达到了很好的准确率，其中弹性度法，更是达到了93%的最高水平，说明仅仅依据梯度值，进行寻优迭代是不够理想的；而忽略梯度的幅度值，依靠梯度方向的弹性梯度法得到了很好的结果，说明梯度迭代方法迭代步长和迭代幅度值上面，需进行好的组合再能达到好的结果。FR共轭梯度法，SCG算法，BFGS算法，LM算法由于其复杂的迭代过程，保证了每一步迭代都选取很好的步长和梯度幅值，使得此类算法收敛快，结果较好。
实验二结果如表4-2：
算法名称
准确率
训练时间
迭代次数
标准bp算法
0.6853 ± 0.0330
13.335 ± 0.0792
5000
动量项算法
0.6167 ± 0.0514
13.2583 ± 0.0313
5000
自适应算法
0.8927 ± 0.0095
13.4107 ± 0.0959
5000
自适应lr动量法
0.9060 ± 0.0087
13.2870 ± 0.2236
5000
弹性梯度法
0.9107 ± 0.0031
13.1973 ± 0.0379
5000
FR共轭梯度法
0.9120 ± 0.0053
28.371 ± 8.4342
2756
SCG算法
0.9187 ± 0.0136
9.9130 ± 3.6813
1702
BFGS算法
0.8893 ± 0.0219
318.54 ± 305.72
1120
LM算法
0.9193 ± 0.0261
6.6310 ± 0.4069
28
表4-2：确定精度下各算法结果列表
有上表的结果，可以看出，在准确率、训练时间、迭代次数3个指标上面，LM算法都达到了最好的水平，其中计算时间和迭代次数更是称倍地减小；说明LM算法是所有算法中均方误差收敛最快的算法。标准bp算法，动量项算法，自适应算法，弹性梯度法等算法在有限次迭代内，没有达到均方误差收敛条件，说明其迭代收敛速度较慢。
在迭代运算过程中，共轭梯度法，SCG算法，BFGS算法均方误差在减小到一定程度后，算法初选震荡现象；已知算法的均方误差不在下降，梯度值反复交换，知识迭代陷入循环；说明共轭梯度法，SCG算法，BFGS算法这些快速收敛算法，容易陷入死循环，而导致算法停止继续寻优。此外，实验二共轭梯度法，SCG算法，BFGS算法结果，同实验一种结果对比发现，实验二提前停止迭代后，网络的识别准确率有了提高，说明提前结束迭代，可以起到防止过拟合的作用。
五、BP 网络的局限性
在人工神经网络的应用中，绝大部分的神经网络模型采用了BP 网络及其变化形式，但这并不说明BP 网络是尽善尽美的，其各种算法依然存在一定的局限性。BP 网络的局限性主要有以下几个方面[7]:
( 1 )学习率与稳定性的矛盾
梯度算法进行稳定学习要求的学习率较小，所以通常学习过程的收敛速度很慢。附加动量法通常比简单的梯度算法快，因为在保证稳定学习的同时，它司以采用很高的学习率，但对于许多实际应用，仍然太慢。以上两种方法往往只适用于希望增加l训练次数的情况。
如果有足够的存储空间，则对于中、小规模的神经网络通常可采用LM算法;如果存储空间有问题，则可采用其他多种快速算法，例如对于大规模神经网络采用SCG或弹性算法更合适。
( 2 ) 学习率的选择缺乏有效的方法
对于非线性网络，选择学习率也是一个比较困难的事情。对于线性网络，我们知道，学习率选择得太大，容易导致学习不稳定; 反之，学习率选择得太小， 则可能导致无法忍受的过长的学习时间。不同于线性网络，我们还没有找到一种简单易行的方法，以解决非线性网络选择学习率的问题。对于快速训练算法，其默认参数通常留有余量。
( 3 ) 训练过程可能陷于局部最小
从理论上说，多层BP 网络可以实现任意可实现的线性和非线性函数的映射，克服了感知器和线性神经网络的局限性。但在实际应用中， BP 网络往往在训练过程中，也可能找不到某个具体问题的解，比如在训练过程中陷入局部最小的情况。当BP 网络在训练过程中陷入误差性能函数的局部最小时，可以通过改变其初始值，并经多次训练，以获得全局最小。
( 4 )没有确定隐层神经元数的有效方法
如何确定多层神经网络隐层的神经元数也是一个很重要的问题，太少的隐层神经元会导致网络"欠适配"，太多的隐层神经元又会导致"过适配" 。

参考文献：
[1] 高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003.7.
[2]魏海坤.神经网络结构设计的理论与方法[M].北京:国防一L业出版社,2005.2.
[3]神经网络原理[M],J匕京:机械工业出版社,2004:109一173.
[4]杨安华,彭清娥,刘光中.BP算法固定学习率不收敛原因分析及对策[J].系统工程理论与实践,2(X)2,12:22一25.
[5]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005,2.
[6]李杰,韩正之.神经网络的学习误差函数及泛化能力[J].控制与决策, 2001,15(1)
[7]郝陪锋,肖文栋,祝钢,徐心和.关于BP网络变结构问题的研究[J]. 控制与决策
2001,16(3):287一290.

附录程序代码：
程序A：test.m
clear
ratio=zeros(1,3);
mse=zeros(1,3);
time=zeros(1,3);
for i=1:1:3
[a ,b,c]=test(5000,1E-6);
ratio(1,i)=a;
time(1,i)=b;
mse(1,i)=c;
end
avg_ratio=[mean(ratio),std(ratio)]
avg_time=[mean(time),std(time)]
avg_mse=[mean(mse),std(mse)]
程序B：test1.m
function [rightridio ,time,mse]=test1(epochs,ee)
%下载四类语音信号
load data1 c1
load data2 c2
load data3 c3
load data4 c4
%四个特征信号矩阵合成一个矩阵
data(1:500,:)=c1(1:500,:);
data(501:1000,:)=c2(1:500,:);
data(1001:1500,:)=c3(1:500,:);
data(1501:2000,:)=c4(1:500,:);
%从1到2000间随机排序
k=rand(1,2000);
[m,n]=sort(k);
%输入输出数据
input=data(:,2:25);
output1 =data(:,1);
%把输出从1维变成4维
output=zeros(2000,4);
for i=1:2000
switch output1(i)
case 1
output(i,:)=[1 0 0 0];
case 2
output(i,:)=[0 1 0 0];
case 3
output(i,:)=[0 0 1 0];
case 4
output(i,:)=[0 0 0 1];
end
end
%随机提取1500个样本为训练样本，500个样本为预测样本
input_train=input(n(1:1500),:)';
output_train=output(n(1:1500),:)';
input_test=input(n(1501:2000),:)';
output_test=output(n(1501:2000),:)';
%输入数据归一化
[inputn,inputps]=mapminmax(input_train);
%% 网络结构初始化
p=ones(24,2);
p(:,1)=-1;
t1=clock;
%net=newff(p,[25 4],{'logsig','purelin'},'traingd');%bp
%net=newff(p,[25 4],{'logsig','purelin'},'traingda');%自适应bp
%net=newff(p,[25 4],{'logsig','purelin'},'traingdm');%有动量的梯度下降法
%net=newff(p,[25 4],{'logsig','purelin'},'traingdx');%自适应lr动量梯度下降法
%net=newff(p,[25 4],{'logsig','purelin'},'trainrp');%弹性梯度下降法
%net=newff(p,[25 4],{'logsig','purelin'},'traincgf');%Fletcher-Reeves共轭梯度法
%net=newff(p,[25 4],{'logsig','purelin'},'trainscg');%量化共轭算法
%net=newff(p,[25 4],{'logsig','purelin'},'trainbfg');%拟牛顿算法 bfgs
net=newff(p,[25 4],{'logsig','purelin'},'trainlm');
net.trainParam.goal=ee;
net.trainParam.epochs=epochs;
[net,tr]=train(net,inputn,output_train);
t2=clock;
time=etime(t2,t1);
inputn_test=mapminmax('apply',input_test,inputps);
%计算mse
output=sim(net,inputn);
mse=norm(output-output_train,2)/1500;
%% 结果分析
%根据网络输出找出数据属于哪类
output_fore=sim(net,inputn_test);
%正确率
[b1 c1]=max(output_fore);
[b2 c2]=max(output_test);
cc=find(c1==c2);
rightridio=length(cc)/500;