第六章 神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用

1、1第第6章章 神經(jīng)網(wǎng)絡(luò)工具箱神經(jīng)網(wǎng)絡(luò)工具箱 2輸入層輸入層隱藏層隱藏層輸出層輸出層w11w12w1,10b1b2b10b1b2b3w11w12w1,3求解神經(jīng)網(wǎng)絡(luò)模型即求解各層之間的權(quán)值和閾值求解神經(jīng)網(wǎng)絡(luò)模型即求解各層之間的權(quán)值和閾值3一、一、 神經(jīng)網(wǎng)絡(luò)工具箱的使用神經(jīng)網(wǎng)絡(luò)工具箱的使用 4啟動方式：啟動方式：Command窗口敲入命令窗口敲入命令。5打開神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)管理工具窗口打開神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)管理工具窗口6p神經(jīng)網(wǎng)絡(luò)的創(chuàng)建神經(jīng)網(wǎng)絡(luò)的創(chuàng)建p神經(jīng)網(wǎng)絡(luò)的訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練p神經(jīng)網(wǎng)絡(luò)的仿真測試神經(jīng)網(wǎng)絡(luò)的仿真測試p導(dǎo)入已保存神經(jīng)網(wǎng)絡(luò)用于仿真測試導(dǎo)入已保存神經(jīng)網(wǎng)絡(luò)用于仿真測試 7（一）（一） 神經(jīng)網(wǎng)絡(luò)的創(chuàng)

2、建神經(jīng)網(wǎng)絡(luò)的創(chuàng)建8在在Matlab命令窗口定義輸入層數(shù)據(jù)和輸出命令窗口定義輸入層數(shù)據(jù)和輸出層數(shù)據(jù)：層數(shù)據(jù)：p輸入層：輸入層：10行行100列的數(shù)據(jù)矩陣。每一列的數(shù)據(jù)矩陣。每一列為一組輸入樣本數(shù)據(jù)，每一行為一項指列為一組輸入樣本數(shù)據(jù)，每一行為一項指標(biāo)。即每一列為一組數(shù)據(jù)，包含標(biāo)。即每一列為一組數(shù)據(jù)，包含10個指標(biāo)，個指標(biāo)，共有共有100組樣本數(shù)據(jù)。組樣本數(shù)據(jù)。p輸出層：輸出層：2行行100列的數(shù)據(jù)矩陣。針對輸列的數(shù)據(jù)矩陣。針對輸入層的每一列入層的每一列10個數(shù)據(jù)，在輸出層反饋出個數(shù)據(jù)，在輸出層反饋出2個輸出值。個輸出值。9打開打開“Import to Network”對話框?qū)υ捒騿螕魡螕簟癐mp

3、ort”按鈕，打開按鈕，打開“Import to Network”對話框?qū)υ捒?0確定輸入數(shù)據(jù)確定輸入數(shù)據(jù)選擇選擇“Import from Matlab workspace”，在，在“Select a variable”中選擇輸入數(shù)據(jù)對應(yīng)的變量，選擇中選擇輸入數(shù)據(jù)對應(yīng)的變量，選擇“Input Data”單選項，并單擊單選項，并單擊 “Import”按鈕。按鈕。單擊單擊“ok”按鈕。按鈕。11確定目標(biāo)數(shù)據(jù)確定目標(biāo)數(shù)據(jù)選擇選擇“Import from Matlab workspace”，在，在“Select a variable”中選擇輸入數(shù)據(jù)對應(yīng)的變量，選擇中選擇輸入數(shù)據(jù)對應(yīng)的變量，選擇“Tar

4、get Data”單選項，并單擊單選項，并單擊 “Import”按鈕。按鈕。單擊單擊“ok”按鈕。按鈕。12單擊單擊“Close”按鈕，關(guān)閉按鈕，關(guān)閉數(shù)據(jù)導(dǎo)入網(wǎng)絡(luò)對話框。數(shù)據(jù)導(dǎo)入網(wǎng)絡(luò)對話框。返返回回神神經(jīng)經(jīng)網(wǎng)網(wǎng)絡(luò)絡(luò)數(shù)數(shù)據(jù)據(jù)管管理理工工具具窗窗口口單擊單擊“New”按鈕，打開神經(jīng)網(wǎng)絡(luò)創(chuàng)建對話框按鈕，打開神經(jīng)網(wǎng)絡(luò)創(chuàng)建對話框13在神經(jīng)網(wǎng)絡(luò)創(chuàng)建對話框中設(shè)置神經(jīng)網(wǎng)絡(luò)各種參數(shù)。在神經(jīng)網(wǎng)絡(luò)創(chuàng)建對話框中設(shè)置神經(jīng)網(wǎng)絡(luò)各種參數(shù)。神經(jīng)網(wǎng)絡(luò)的名字神經(jīng)網(wǎng)絡(luò)的名字神經(jīng)網(wǎng)絡(luò)的類型神經(jīng)網(wǎng)絡(luò)的類型默認(rèn)為前向神經(jīng)網(wǎng)絡(luò)默認(rèn)為前向神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)輸入層數(shù)據(jù)輸出層數(shù)據(jù)輸出層數(shù)據(jù)點擊下拉菜單進行選取點擊下拉菜單進行選取訓(xùn)練函數(shù)類型訓(xùn)練

5、函數(shù)類型默認(rèn)為默認(rèn)為TRAINLM算法，經(jīng)常用算法，經(jīng)常用的還有的還有TRAINSCG（共軛梯度法）（共軛梯度法） 適應(yīng)性學(xué)習(xí)函數(shù)類型適應(yīng)性學(xué)習(xí)函數(shù)類型默認(rèn)為默認(rèn)為LEARNGDM算法算法（最速下降法）（最速下降法） 性能函數(shù)性能函數(shù)隱藏層的層數(shù)隱藏層的層數(shù)隱藏層的神經(jīng)元個數(shù)隱藏層的神經(jīng)元個數(shù)隱藏層所使用的轉(zhuǎn)移函數(shù)類型隱藏層所使用的轉(zhuǎn)移函數(shù)類型預(yù)覽后沒有問題，單擊預(yù)覽后沒有問題，單擊“Create”按鈕，創(chuàng)建網(wǎng)絡(luò)。按鈕，創(chuàng)建網(wǎng)絡(luò)。所有參數(shù)設(shè)置完成后，所有參數(shù)設(shè)置完成后，單擊單擊“View”預(yù)覽一下創(chuàng)預(yù)覽一下創(chuàng)建的模型。建的模型。14單擊單擊“OK”按鈕，返回神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)管理窗口。按鈕，返回神經(jīng)

6、網(wǎng)絡(luò)數(shù)據(jù)管理窗口。選中選中“Network1”選項，單擊選項，單擊“Open”按鈕，按鈕，打開神經(jīng)網(wǎng)絡(luò)框圖。打開神經(jīng)網(wǎng)絡(luò)框圖。15所創(chuàng)建的神經(jīng)網(wǎng)絡(luò)框圖所創(chuàng)建的神經(jīng)網(wǎng)絡(luò)框圖16（二）（二） 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練17訓(xùn)練參數(shù)設(shè)置訓(xùn)練參數(shù)設(shè)置單擊神經(jīng)網(wǎng)絡(luò)框圖中的單擊神經(jīng)網(wǎng)絡(luò)框圖中的“Train”選項卡。選項卡。在其下單擊在其下單擊“Training Parameters”選項卡。選項卡。訓(xùn)練的最大循環(huán)次數(shù)訓(xùn)練的最大循環(huán)次數(shù)性能目標(biāo)性能目標(biāo)最大驗證數(shù)據(jù)失敗次數(shù)最大驗證數(shù)據(jù)失敗次數(shù)最小性能梯度最小性能梯度動量的初始值動量的初始值動量的減少系數(shù)動量的減少系數(shù)動量的增加系數(shù)動量的增加系數(shù)動量的最大值

7、動量的最大值每隔多少訓(xùn)練次數(shù)會顯示訓(xùn)每隔多少訓(xùn)練次數(shù)會顯示訓(xùn)練過程。練過程。最大訓(xùn)練所需時間最大訓(xùn)練所需時間18訓(xùn)練數(shù)據(jù)設(shè)置訓(xùn)練數(shù)據(jù)設(shè)置單擊單擊“Train”選項卡下選項卡下的的的的“Training Info”選項卡。選項卡。選擇目標(biāo)層數(shù)據(jù)所代表的數(shù)選擇目標(biāo)層數(shù)據(jù)所代表的數(shù)據(jù)變量據(jù)變量設(shè)置輸入層數(shù)據(jù)所代表的變設(shè)置輸入層數(shù)據(jù)所代表的變量量單擊單擊“Train Network”按鈕。按鈕。19會會彈彈出出訓(xùn)訓(xùn)練練效效果果窗窗口口迭代迭代10次次迭代迭代10次時的耗時次時的耗時迭代迭代10次時梯度次時梯度數(shù)值達到數(shù)值達到1.9420迭代迭代10次時梯度達到要求，次時梯度達到要求，停止訓(xùn)練停止訓(xùn)練2

8、1隨著迭代次數(shù)增加，隨著迭代次數(shù)增加，LM算法中梯算法中梯度的具體變化情況度的具體變化情況訓(xùn)練狀態(tài)訓(xùn)練狀態(tài)隨著迭代次數(shù)增加，隨著迭代次數(shù)增加，MU的變化情的變化情況。如果誤差增加，況。如果誤差增加，MU的值也會的值也會增加。增加。22單擊回歸按鈕單擊回歸按鈕23顯示擬合顯示擬合的效果。的效果。如果擬合如果擬合效果好，效果好，則點均沿則點均沿45度角的度角的斜線。斜線。R值的大值的大小反映擬小反映擬合的好壞。合的好壞。R值越接值越接近近1，擬，擬合度越好。合度越好。本例擬合本例擬合度很小，度很小，所以效果所以效果較差，需較差，需要重新訓(xùn)要重新訓(xùn)練，增加練，增加隱藏層神隱藏層神經(jīng)元數(shù)量。經(jīng)元數(shù)量。

9、24訓(xùn)練完畢后查看訓(xùn)練后的權(quán)值和閾值訓(xùn)練完畢后查看訓(xùn)練后的權(quán)值和閾值單擊單擊“View/Edit Weights”選項卡選項卡第一層權(quán)值第一層權(quán)值第二層權(quán)值第二層權(quán)值第一層閾值第一層閾值第二層閾值第二層閾值25（三）（三） 神經(jīng)網(wǎng)絡(luò)的仿真測試神經(jīng)網(wǎng)絡(luò)的仿真測試26錄入一組新數(shù)據(jù)錄入一組新數(shù)據(jù)u，數(shù)據(jù)，數(shù)據(jù)u的的結(jié)構(gòu)一定要同訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一定要同訓(xùn)練神經(jīng)網(wǎng)絡(luò)network1時所用的輸入數(shù)據(jù)時所用的輸入數(shù)據(jù) x 的結(jié)構(gòu)一樣，故的結(jié)構(gòu)一樣，故 u 也應(yīng)當(dāng)是也應(yīng)當(dāng)是10行，但列數(shù)不一樣要和行，但列數(shù)不一樣要和x一樣，一樣，因為列數(shù)表示的樣本數(shù)。因為列數(shù)表示的樣本數(shù)。27在神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)管理窗口中單在神

10、經(jīng)網(wǎng)絡(luò)數(shù)據(jù)管理窗口中單擊擊“Import”按鈕按鈕選擇新的輸入數(shù)據(jù)變量選擇新的輸入數(shù)據(jù)變量 u單擊單擊“Import”按鈕導(dǎo)入按鈕導(dǎo)入28在輸入數(shù)據(jù)欄中出現(xiàn)了在輸入數(shù)據(jù)欄中出現(xiàn)了 u29仿真測試仿真測試點擊點擊“Simulate”選項選項卡卡在在Inputs一欄中導(dǎo)入新的需要測試的一欄中導(dǎo)入新的需要測試的數(shù)據(jù)數(shù)據(jù) u點擊點擊“Simulate Network”按按鈕鈕點擊點擊“OK”按鈕按鈕30仿真測試結(jié)果仿真測試結(jié)果在在“Output Data”中選中選擇仿真輸出的網(wǎng)絡(luò)擇仿真輸出的網(wǎng)絡(luò)單擊單擊“Export”按鈕按鈕31選擇選擇“network1_outputs”單擊單擊“Export”按鈕

11、按鈕單擊單擊“OK”按鈕按鈕32在在“workspace”中右鍵中右鍵單擊單擊“network1 outputs”，在快捷菜單，在快捷菜單中選擇第一個選項中選擇第一個選項“Open Selection”3334全選所有數(shù)據(jù)全選所有數(shù)據(jù)單擊保存按鈕單擊保存按鈕文件擴展名默認(rèn)為文件擴展名默認(rèn)為.mat35（四）導(dǎo)入已保存神經(jīng)網(wǎng)絡(luò)用于仿真（四）導(dǎo)入已保存神經(jīng)網(wǎng)絡(luò)用于仿真測試測試36下次可直接導(dǎo)入該模型下次可直接導(dǎo)入該模型單擊單擊“Import”選擇保存的神經(jīng)網(wǎng)絡(luò)文選擇保存的神經(jīng)網(wǎng)絡(luò)文件名件名37選中導(dǎo)入的神經(jīng)網(wǎng)絡(luò)文件名選中導(dǎo)入的神經(jīng)網(wǎng)絡(luò)文件名單擊單擊“Open”按鈕按鈕打開了保存的神經(jīng)網(wǎng)絡(luò)框圖打開了

12、保存的神經(jīng)網(wǎng)絡(luò)框圖38二、二、 其他神經(jīng)網(wǎng)絡(luò)工具的使用其他神經(jīng)網(wǎng)絡(luò)工具的使用 39啟動方式之一：啟動方式之一：Command窗口敲入命令窗口敲入命令nnstart。4041啟動方式之二：單擊啟動方式之二：單擊AAPS中有對應(yīng)按鈕。中有對應(yīng)按鈕。42p神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)擬合神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)擬合p神經(jīng)網(wǎng)絡(luò)的聚類神經(jīng)網(wǎng)絡(luò)的聚類p神經(jīng)網(wǎng)絡(luò)的預(yù)測神經(jīng)網(wǎng)絡(luò)的預(yù)測43（一）神經(jīng)網(wǎng)絡(luò)的函數(shù)擬合（一）神經(jīng)網(wǎng)絡(luò)的函數(shù)擬合 44啟動方式之一：在啟動方式之一：在 command窗口敲入窗口敲入nnstart，打，打開對話框，選擇開對話框，選擇“Fitting tool”。45啟動方式之二：單擊啟動方式之二：單擊AAPS中有

13、對應(yīng)按鈕。中有對應(yīng)按鈕。46函數(shù)擬合第一步函數(shù)擬合第一步直接單擊直接單擊兩層前向神經(jīng)網(wǎng)絡(luò)（默認(rèn)）兩層前向神經(jīng)網(wǎng)絡(luò)（默認(rèn)）輸入層（第輸入層（第0層）層）隱層（第隱層（第1層）層）輸出層（第輸出層（第2層）層）47函數(shù)擬合第二步函數(shù)擬合第二步輸入層數(shù)據(jù)輸入層數(shù)據(jù)輸出層數(shù)據(jù)輸出層數(shù)據(jù)數(shù)據(jù)以列向量形式（默認(rèn)）數(shù)據(jù)以列向量形式（默認(rèn)）48在在Matlab命令窗口定義輸入層數(shù)據(jù)和輸出命令窗口定義輸入層數(shù)據(jù)和輸出層數(shù)據(jù)：層數(shù)據(jù)：p輸入層：輸入層：10行行50列的數(shù)據(jù)矩陣。每一列列的數(shù)據(jù)矩陣。每一列為一組輸入數(shù)據(jù)，每一行為一項指標(biāo)。即為一組輸入數(shù)據(jù)，每一行為一項指標(biāo)。即每一列為一組數(shù)據(jù)，包含每一列為一組數(shù)據(jù)，

14、包含10個指標(biāo)，共有個指標(biāo)，共有50組數(shù)據(jù)。組數(shù)據(jù)。p輸出層：輸出層：3行行50列的數(shù)據(jù)矩陣。針對輸列的數(shù)據(jù)矩陣。針對輸入層的每一列入層的每一列10個數(shù)據(jù)，在輸出層反饋出個數(shù)據(jù)，在輸出層反饋出3個輸出值。個輸出值。49 mnmjmnjnjxxxxxxxxx122211111n 個不同的投入組合個不同的投入組合m 項項投投入入 snsjsnjnjyyyyyyyyy122211111s 項項產(chǎn)產(chǎn)生生50在下拉菜單中選擇輸入層在下拉菜單中選擇輸入層數(shù)據(jù)矩陣向量數(shù)據(jù)矩陣向量在下拉菜單中選擇輸出層在下拉菜單中選擇輸出層數(shù)據(jù)矩陣向量數(shù)據(jù)矩陣向量一般均選列向量形式一般均選列向量形式單擊下一步單擊下一步51函

15、數(shù)擬合第三步函數(shù)擬合第三步默認(rèn)分配比例為樣本數(shù)默認(rèn)分配比例為樣本數(shù)（輸入矩陣列數(shù)）中的（輸入矩陣列數(shù)）中的70%用于模型訓(xùn)練。用于模型訓(xùn)練。50個樣本數(shù)據(jù)的分配個樣本數(shù)據(jù)的分配加到一起為樣本總數(shù)，也加到一起為樣本總數(shù)，也即輸入層矩陣的列數(shù)。即輸入層矩陣的列數(shù)。52函數(shù)擬合第四步函數(shù)擬合第四步50個樣本數(shù)據(jù)的分配個樣本數(shù)據(jù)的分配指定隱藏層神經(jīng)元的個數(shù)。指定隱藏層神經(jīng)元的個數(shù)。如果訓(xùn)練效果差，可增加如果訓(xùn)練效果差，可增加隱藏層的神經(jīng)元個數(shù)。隱藏層的神經(jīng)元個數(shù)。輸入層神經(jīng)元的個數(shù)（即輸入輸入層神經(jīng)元的個數(shù)（即輸入矩陣中投入指標(biāo)數(shù)，也即輸入矩陣中投入指標(biāo)數(shù)，也即輸入矩陣行數(shù)）不需要指定，為輸矩陣行數(shù)）

16、不需要指定，為輸入矩陣的行數(shù)。入矩陣的行數(shù)。輸出層神經(jīng)元的個數(shù)（即輸出輸出層神經(jīng)元的個數(shù)（即輸出矩陣中產(chǎn)出指標(biāo)數(shù)，也即輸出矩陣中產(chǎn)出指標(biāo)數(shù)，也即輸出矩陣行數(shù)）不需要指定，為輸矩陣行數(shù)）不需要指定，為輸出矩陣的行數(shù)。出矩陣的行數(shù)。53函數(shù)擬合第五步函數(shù)擬合第五步點擊訓(xùn)練按鈕點擊訓(xùn)練按鈕54會會彈彈出出訓(xùn)訓(xùn)練練效效果果窗窗口口迭代迭代9次次迭代迭代9次時的耗時次時的耗時迭代迭代9次時梯度次時梯度數(shù)值達到數(shù)值達到28355迭代迭代9次時梯度達到要求，次時梯度達到要求，停止訓(xùn)練停止訓(xùn)練56隨著迭代次數(shù)增加，隨著迭代次數(shù)增加，LM算法中梯算法中梯度的具體變化情況度的具體變化情況訓(xùn)練狀態(tài)訓(xùn)練狀態(tài)隨著迭代次

17、數(shù)增加，隨著迭代次數(shù)增加，MU的變化情的變化情況。如果誤差增加，況。如果誤差增加，MU的值也會的值也會增加。增加。57函數(shù)擬合第六步函數(shù)擬合第六步單擊回歸按鈕單擊回歸按鈕58顯示擬合顯示擬合的效果。的效果。如果擬合如果擬合效果好，效果好，則點均沿則點均沿45度角的度角的斜線。斜線。R值的大值的大小反映擬小反映擬合的好壞。合的好壞。R值越接值越接近近1，擬，擬合度越好。合度越好。本例擬合本例擬合度很小，度很小，所以效果所以效果較差，需較差，需要重新訓(xùn)要重新訓(xùn)練，增加練，增加隱藏層神隱藏層神經(jīng)元數(shù)量。經(jīng)元數(shù)量。59如果擬合效果差可以再重如果擬合效果差可以再重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

18、調(diào)整隱藏層的神經(jīng)元個數(shù)調(diào)整隱藏層的神經(jīng)元個數(shù)點擊下一步點擊下一步60函數(shù)擬合第七步函數(shù)擬合第七步單擊，保存結(jié)果。單擊，保存結(jié)果。變量名。數(shù)據(jù)存儲在變量中，在變量名。數(shù)據(jù)存儲在變量中，在Matlab的命的命令窗口中輸入變量名即可顯示出數(shù)據(jù)。令窗口中輸入變量名即可顯示出數(shù)據(jù)。61輸出權(quán)值：在輸出權(quán)值：在command窗口敲入命令窗口敲入命令62輸出閾值：在輸出閾值：在command窗口敲入命令窗口敲入命令。63輸出閾值：在輸出閾值：在command窗口敲入命令窗口敲入命令。64（二）神經(jīng)網(wǎng)絡(luò)的預(yù)測（二）神經(jīng)網(wǎng)絡(luò)的預(yù)測 65啟動方式之一：在啟動方式之一：在 command窗口敲入窗口敲入nnstar

19、t，打，打開對話框，選擇開對話框，選擇“Times Series tool”。66啟動方式之二：單擊啟動方式之二：單擊AAPS中有對應(yīng)按鈕。中有對應(yīng)按鈕。67686970輸入層數(shù)據(jù)輸入層數(shù)據(jù)輸出層數(shù)據(jù)輸出層數(shù)據(jù)數(shù)據(jù)以數(shù)據(jù)以cell數(shù)組形式（默認(rèn)）數(shù)組形式（默認(rèn)）單擊下一步單擊下一步第一個預(yù)測模型的數(shù)據(jù)輸入界面第一個預(yù)測模型的數(shù)據(jù)輸入界面71輸入層數(shù)據(jù)輸入層數(shù)據(jù)數(shù)據(jù)以數(shù)據(jù)以cell數(shù)組形式（默認(rèn)）數(shù)組形式（默認(rèn)）單擊下一步單擊下一步第二個預(yù)測模型的數(shù)據(jù)輸入界面第二個預(yù)測模型的數(shù)據(jù)輸入界面72輸入層數(shù)據(jù)輸入層數(shù)據(jù)輸出層數(shù)據(jù)輸出層數(shù)據(jù)數(shù)據(jù)以數(shù)據(jù)以cell數(shù)組形式（默認(rèn)）數(shù)組形式（默認(rèn)）單擊下一步單擊

20、下一步第三個預(yù)測模型的數(shù)據(jù)輸入界面第三個預(yù)測模型的數(shù)據(jù)輸入界面73默認(rèn)分配比例為樣本數(shù)中默認(rèn)分配比例為樣本數(shù)中的的70%用于模型訓(xùn)練。用于模型訓(xùn)練。100個樣本數(shù)據(jù)的分配個樣本數(shù)據(jù)的分配加到一起為樣本總數(shù)，也加到一起為樣本總數(shù)，也即輸入層矩陣的列數(shù)。即輸入層矩陣的列數(shù)。74100個樣本數(shù)據(jù)的分配個樣本數(shù)據(jù)的分配指定隱藏層神經(jīng)元的個數(shù)。指定隱藏層神經(jīng)元的個數(shù)。如果訓(xùn)練效果差，可增加如果訓(xùn)練效果差，可增加隱藏層的神經(jīng)元個數(shù)。隱藏層的神經(jīng)元個數(shù)。輸入層神經(jīng)元的個數(shù)為輸入層神經(jīng)元的個數(shù)為2，分，分別是別是x和和y輸出層神經(jīng)元的個數(shù)為輸出層神經(jīng)元的個數(shù)為175點擊訓(xùn)練按鈕點擊訓(xùn)練按鈕76會會彈彈出出訓(xùn)訓(xùn)

21、練練效效果果窗窗口口迭代迭代9次次迭代迭代9次時的耗時次時的耗時迭代迭代9次時梯度次時梯度數(shù)值達到數(shù)值達到2.6877如果擬合效果差可以再重如果擬合效果差可以再重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。調(diào)整隱藏層的神經(jīng)元個數(shù)調(diào)整隱藏層的神經(jīng)元個數(shù)點擊下一步點擊下一步78單擊，保存結(jié)果。單擊，保存結(jié)果。變量名。數(shù)據(jù)存儲在變量中，在變量名。數(shù)據(jù)存儲在變量中，在Matlab的命的命令窗口中輸入變量名即可顯示出數(shù)據(jù)。令窗口中輸入變量名即可顯示出數(shù)據(jù)。7980（三）神經(jīng)網(wǎng)絡(luò)的聚類功能（三）神經(jīng)網(wǎng)絡(luò)的聚類功能 81啟動方式之一：在啟動方式之一：在 command窗口敲入窗口敲入nnstart，打，打開對話框，選擇開對話框，選擇“Clustering tool”。82啟動方式之二：單擊啟動方式之二：單擊AAPS中有對應(yīng)按鈕。中有對應(yīng)按鈕。83啟動方式