matlab 中“newff” 函数的参数设置

先来一个简单的源程序让大家练习一下：

% Here input P and targets T define a simple function which

% we can plot:

p = [0 1 2 3 4 5 6 7 8];

t = [0 0.84 0.91 0.14 -0.77 -0.96 -0.28 0.66 0.99];

plot(p,t,\'o\')

net = newff([0 8],[10 1],{\'tansig\' \'purelin\'},\'trainlm\');

y1 = sim(net,p)

plot(p,t,\'o\',p,y1,\'x\')

Here the network is trained for up to 50 epochs to a error goal of

0.01, and then resimulated.

net.trainParam.epochs = 50;

net.trainParam.goal = 0.01;

net = train(net,p,t);

y2 = sim(net,p)

plot(p,t,\'o\',p,y1,\'x\',p,y2,\'*\')

设[P,T]是训练样本，[X,Y]是测试样本；

net=newrb(P,T,err_goal,spread); %建立网络

q=sim(net,p);

e=q-T;

plot(p,q); %画训练误差曲线

q=sim(net,X);

e=q-Y;

plot(X,q); %画测试误差曲线

训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这需要4个输入参数。

第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。

第二个参数是一个设定每层神经元个数的数组。

第三个参数是包含每层用到的传递函数名称的细胞数组。

最后一个参数是用到的训练函数的名称。

举个例子，下面命令将创建一个二层网络。它的输入是两个元素的向量，第一层有三个神经元(3)，第二层有一个神经元(1)。

第一层的传递函数是tan-sigmoid，输出层的传递函数是linear。

输入向量的第一个元素的范围是-1到2[-1 2]，输入向量的第二个元素的范围是0到5[0 5]，训练函数是traingd。

　　net=newff([-1 2; 0 5],[3,1],{\'tansig\',\'purelin\'},\'traingd\');

这个命令建立了网络对象并且初始化了网络权重和偏置，因此网络就可以进行训练了。

我们可能要多次重新初始化权重或者进行自定义的初始化。

下面就是初始化的详细步骤。

　　在训练前馈网络之前，权重和偏置必须被初始化。初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。

下面就是网络如何初始化的：

　　net = init(net);

　　我们可以通过设定网络参数net.initFcn和net.layer{i}.initFcn这一技巧来初始化一个给定的网络。

net.initFcn用来决定整个网络的初始化函数。前馈网络的缺省值为initlay，它允许每一层用单独的初始化函数。

设定了net.initFcn ，那么参数net.layer{i}.initFcn 也要设定用来决定每一层的初始化函数。

　　对前馈网络来说，有两种不同的初始化方式经常被用到：initwb和initnw。initwb函数根据每一层自己的初始化参数(net.inputWeights{i,j}.initFcn)初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1到1之间随机取值。这种方式经常用在转换函数是线性函数时。initnw通常用于转换函数是曲线函数。它根据Nguyen和Widrow[NgWi90]为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。

它比起单纯的给权重和偏置随机赋值有以下优点：

（1）减少神经元的浪费（因为所有神经元的活动区域都在输入空间内）。

（2）有更快的训练速度（因为输入空间的每个区域都在活动的神经元范围中）。

　　初始化函数被newff所调用。因此当网络创建时，它根据缺省的参数自动初始化。init不需要单独的调用。可是我们可能要重新初始化权重和偏置或者进行自定义的初始化。例如，我们用newff创建的网络，它缺省用initnw来初始化第一层。如果我们想要用rands重新初始化第一层的权重和偏置，我们用以下命令：

　　net.layers{1}.initFcn = \'initwb\';

　　net.inputWeights{1,1}.initFcn = \'rands\';

　　net.biases{1,1}.initFcn = \'rands\';

　　net.biases{2,1}.initFcn = \'rands\';

　　net = init(net);

IW: 输入层到隐含层的权重矩阵

LW: 隐含层和输出层间的权重矩阵

b: 阀值向量

如网络为net, 输入层和输出均为一个接点情况下，则用

net.IW{1,1}可以看到第一个输入接点到第一隐含层的权重向量；

net.LW{2,1}可以看到隐含层到输出层的权值向量；

net.b{1,1}是隐含层的阀值向量，

net.b{2,1}是输出接点的阀值；

在多输入输出下先用

net.IW

net.LW

net.b

查看各矩阵结构，再相应用net.IW{?,?}等语句查到相关的向量