神經網路工具箱擬合

A. Matlab AI 工具箱演算法轉C code

在進行MATLAB AI工具箱演算法向C代碼轉換的過程中，我們首先需要在MATLAB軟體中利用神經網路擬合（Neural Net Fitting）工具箱訓練一個神經網路模型。在導入訓練數據時，我們通常需要幾行代碼，使用readtable()函數讀取存儲在Excel中的數據，並提取因變數Y與自變數X備用。需要注意的是，如果有多個自變數（例如data_NDVI與data_Soil），需要將這些自變數合並為一個變數X。

接著，通過MATLAB軟體頂部菜單選擇「APP」→「Neural Net Fitting」，打開神經網路擬合工具箱。在打開的界面中，選擇「Next」進入數據篩選界面。此界面用於選擇輸入數據（自變數）和輸出數據（因變數），並使用滑鼠在MATLAB軟體的工作區中找到對應的變數。在數據篩選完成之後，需要對數據維度進行選擇，以確定輸入與輸出數據矩陣中，不同行代表的是不同樣本還是同一樣本的不同屬性。

點擊選擇數據後，進入驗證集與測試集數據劃分界面。在這里，我們需為驗證集與測試集數據設定比例，一般情況下，數據量較少時按照6:2:2比例劃分，數據量較大時可以採用98:1:1比例。具體劃分比例應根據實際情況來確定。

隨後，進入神經網路結構配置界面，配置隱藏層的神經元數量。隱藏層數量默認為1層且不能修改，建議先填寫10個神經元數量，後期根據模型精度和運行時間進行調整。點擊「Next」進入神經網路模型訓練界面，選擇訓練演算法，通常推薦使用Levenberg-Marquardt演算法。模型訓練完畢後，會彈出訓練結果窗口，展示精度評定指標和擬合情況圖。

如果對模型不滿意，可以重復訓練、調整隱藏層神經元數量、修改數據集等，以完善模型。訓練完成後，點擊「Next」進入模型調整界面，繼續優化模型。點擊「Next」進入解決方案部署界面，這里可以將訓練好的神經網路模型以不同形式導出，生成MATLAB代碼或保存關鍵參數。選擇生成MATLAB代碼，以方便後續訓練和調用。

步驟2涉及保存訓練後的模型函數，生成一個新的文件。步驟3則將模型函數轉換為C語言代碼。為了確保轉換成功，需要在coder中測試生成的C語言代碼。通過定義輸入量（例如1*6一組特徵值），運行檢查，確保生成的C語言代碼與MATLAB測試結果一致。

整個流程結束後，通過命令行輸入「coder」，選擇要轉換的模型函數（例如AfterTrained_MmyNeuralNetworkFunction），定義輸入量類型，運行測試，確保代碼生成無誤，最後選擇C語言進行代碼生成。

通過上述步驟，我們成功地將MATLAB AI工具箱演算法轉換為C代碼，實現了從模型訓練到代碼生成的完整流程。

B. 一個關於BP神經網路的問題，matlab中神經網路工具箱的初始權值和閥值是

訓練BP神經網路所採取的隨機初始參數確實是隨機的，在訓練過程中這些參數和權值都會朝著同一個大方向進行修正。例如你用BP神經網路來擬合曲線，找到輸入值與輸出值之間的線性規律，那麼在訓練的過程中這個擬合的曲線會不斷的調整其參數和權值直到滿足幾個預設條件之一時訓練停止。雖然這個訓練出來的結果有時候會有一定誤差，但都在可以接受的范圍內。
縮小誤差的一個方法是需要預先設置初始參數，雖然每次依然會得到不一樣的模型（只要參數是隨機修正的），但不同模型之間的差距會很小。另外可以反復訓練，找到一個自己覺得滿意的模型（可以是測試通過率最高，可以是平均結果誤差值最小）。
至於你說別人怎麼檢查你的論文結果，基本上都是通過你的演算法來重建模型，而且還不一定都用matlab來做，即便是用同樣的代碼都會出現不同的結果，何況是不同的語言呢？其實驗算結果最重要的是看測試時的通過率，例如在對一組新的數據進行測試（或預測）時，通過率達到95%，別人用其他的方式重建了你的模型也得到這樣的通過率，那麼你的演算法就是可行的。注意，在計算機專業的論文裡面大家看重的不是代碼，而是演算法。
補充一點：只要你訓練好了一個神經網路可以把這個神經網路以struct形式保存，這樣這個網路可以被反復使用，且每次對同一組測試數據的預測結果都會一樣。你也可以當做是檢測論文可行性的工具。

C. MATLAB神經網路擬合工具箱Neural Net Fitting實現回歸預測

本文講解在MATLAB軟體中利用神經網路擬合（Neural Net Fitting）工具箱實現回歸預測的具體方法。首先，導入數據時通過readtable()函數從Excel讀取數據，隨後將因變數Y與自變數X准備就緒。對於多個自變數，需合並放置於單一變數X中。

接著，運行MATLAB軟體並選擇「APP」→「Neural Net Fitting」打開工具箱。在「Neural Network Start」界面，選擇輸入與輸出數據。通過滑鼠在MATLAB工作區找到對應變數，確保數據維度正確設置。

繼續點擊「Next」，進入數據集劃分界面。在此選擇驗證集與測試集比例，一般數據量少時採用6:2:2比例，數據量大時則為98:1:1，依據實際情況調整。

接著，點擊「Next」進入神經網路結構配置界面。僅能配置隱藏層神經元數量，默認為1層，不能修改。對於隱藏層數量，建議先填寫默認值10，根據模型精度與運行時間進行二次調整。

點擊「Next」後，進入神經網路模型訓練界面。選擇訓練演算法，提供三種選項：Levenberg-Marquardt演算法、Bayesian regularization演算法、Scaled conjugate gradient backpropagation演算法。結合數據特性，一般優先選擇Levenberg-Marquardt演算法。

訓練模型後，界面顯示訓練結果窗口與精度評定指標數值。如對模型不滿意，可多次重復訓練並調整參數重新構建模型。若模型基本滿意，點擊「Next」進入模型調整界面，可進一步優化模型。

繼續點擊「Next」，進入解決方案部署界面。此界面提供代碼生成、關鍵參數保存等功能。選擇「Generate Scripts」自動生成MATLAB代碼，簡化後續模型訓練。在「Save Data to Workspace」中保存模型參數，以便未來直接調用模型。

保存完畢後，點擊「Finish」退出神經網路擬合工具箱。系統若未保存任何代碼或參數，會彈出提示確認退出。

D. matlab神經網路工具箱訓練出來的函數，怎麼輸出得到函數代碼段

這樣：

clear;

%輸入數據矩陣

p1=zeros(1,1000);

p2=zeros(1,1000);

%填充數據

for i=1:1000

p1(i)=rand;

p2(i)=rand;

end

%輸入層有兩個，樣本數為1000

p=[p1;p2];

%目標（輸出）數據矩陣，待擬合的關系為簡單的三角函數

t = cos(pi*p1)+sin(pi*p2);

%對訓練集中的輸入數據矩陣和目標數據矩陣進行歸一化處理

[pn, inputStr] = mapminmax(p);

[tn, outputStr] = mapminmax(t);

%建立BP神經網路

net = newff(pn, tn, [200,10]);

%每10輪回顯示一次結果

net.trainParam.show = 10;

%最大訓練次數

net.trainParam.epochs = 5000;

%網路的學習速率

net.trainParam.lr = 0.05;

%訓練網路所要達到的目標誤差

net.trainParam.goal = 10^(-8);

%網路誤差如果連續6次迭代都沒變化，則matlab會默認終止訓練。為了讓程序繼續運行，用以下命令取消這條設置

net.divideFcn = '';

%開始訓練網路

net = train(net, pn, tn);

%訓練完網路後要求網路的權值w和閾值b

%獲取網路權值、閾值

netiw = net.iw;

netlw = net.lw;

netb = net.b;

w1 = net.iw{1,1}; %輸入層到隱層1的權值

b1 = net.b{1} ; %輸入層到隱層1的閾值

w2 = net.lw{2,1}; %隱層1到隱層2的權值

b2 = net.b{2} ; %隱層1到隱層2的閾值

w3 = net.lw{3,2}; %隱層2到輸出層的權值

b3 = net.b{3} ;%隱層2到輸出層的閾值

%在默認的訓練函數下，擬合公式為，y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

%用公式計算測試數據[x1;x2]的輸出，輸入要歸一化，輸出反歸一化

in = mapminmax('apply',[x1;x2],inputStr);

y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;

y1=mapminmax('reverse',y,outputStr);

%用bp神經網路驗證計算結果

out = sim(net,in);

out1=mapminmax('reverse',out,outputStr);

(4)神經網路工具箱擬合擴展閱讀：

注意事項

一、訓練函數

1、traingd

Name：Gradient descent backpropagation （梯度下降反向傳播演算法 ）

Description：triangd is a network training function that updates weight and bias values according to gradient descent.

2、traingda

Name：Gradient descentwith adaptive learning rate backpropagation(自適應學習率的t梯度下降反向傳播演算法)

Description：triangd is a network training function that updates weight and bias values according to gradient descent with adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

3、traingdx (newelm函數默認的訓練函數)

name:Gradient descent with momentum and adaptive learning rate backpropagation(帶動量的梯度下降的自適應學習率的反向傳播演算法)

Description：triangdx is a network training function that updates weight and bias values according to gradient descent momentumand an adaptive learning rate.it will return a trained net (net) and the trianing record (tr).

4、trainlm

Name：Levenberg-Marquardtbackpropagation（L-M反向傳播演算法）

Description：triangd is a network training function that updates weight and bias values according toLevenberg-Marquardt optimization.it will return a trained net (net) and the trianing record (tr).

註：更多的訓練演算法請用matlab的help命令查看。

二、學習函數

1、learngd

Name：Gradient descent weight and bias learning function（梯度下降的權值和閾值學習函數）

Description：learngd is the gradient descentweight and bias learning function, it willreturn theweight change dWand a new learning state.

2、learngdm

Name：Gradient descentwith momentumweight and bias learning function（帶動量的梯度下降的權值和閾值學習函數）

Description：learngd is the gradient descentwith momentumweight and bias learning function, it willreturn the weight change dW and a new learning state.

註：更多的學習函數用matlab的help命令查看。

三、訓練函數與學習函數的區別

函數的輸出是權值和閾值的增量，訓練函數的輸出是訓練好的網路和訓練記錄，在訓練過程中訓練函數不斷調用學習函數修正權值和閾值，通過檢測設定的訓練步數或性能函數計算出的誤差小於設定誤差，來結束訓練。

或者這么說：訓練函數是全局調整權值和閾值，考慮的是整體誤差的最小。學習函數是局部調整權值和閾值，考慮的是單個神經元誤差的最小。

它的基本思想是學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。

正向傳播時，輸入樣本從輸入層傳入,經各隱層逐層處理後,傳向輸出層。若輸出層的實際輸出與期望的輸出(教師信號)不符,則轉入誤差的反向傳播階段。

反向傳播時，將輸出以某種形式通過隱層向輸入層逐層反傳,並將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,此誤差信號即作為修正各單元權值的依據。

E. MATLAB中GUI工具箱中的nntool 和nftool

nftool - 神經網路的擬合工具
nntool - 神經網路工具箱的圖形用戶界面。