当前位置：首页 > news >正文

人工神经网络MATLAB工具箱指南

news 2025/8/20 11:50:38

人工神经网络MATLAB工具箱指南

MATLAB的神经网络工具箱提供了强大的功能，用于设计、训练和部署各种类型的神经网络。本指南将全面介绍如何使用MATLAB进行神经网络建模、训练和应用。

核心功能概览

MATLAB神经网络工具箱包含以下主要功能：

神经网络创建和配置
多种训练算法
可视化工具
模型评估和验证
深度学习支持
自动代码生成

基本神经网络工作流程

% 1. 数据准备
load bodyfat_dataset
inputs = bodyfatInputs;
targets = bodyfatTargets;% 2. 创建网络
net = feedforwardnet(10); % 单隐层10个神经元% 3. 配置网络
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;
net.trainParam.epochs = 100; % 最大训练轮数% 4. 训练网络
[net, tr] = train(net, inputs, targets);% 5. 测试网络
outputs = net(inputs);
testPerformance = perform(net, targets, outputs);
disp(['测试集性能: ', num2str(testPerformance)]);

常用神经网络类型

1. 前馈神经网络 (Feedforward Networks)

% 创建多层感知机
net = feedforwardnet([10 8]); % 两个隐层: 10和8个神经元
view(net) % 可视化网络结构

2. 径向基函数网络 (Radial Basis Networks)

% 创建径向基函数网络
net = newrb(inputs, targets, 0.01, 1, 10); 
% 参数: 目标误差, 扩展常数, 最大神经元数

3. 自组织映射 (Self-Organizing Maps)

% 创建SOM网络
net = selforgmap([8 8]); % 8x8网格
net = train(net, inputs);
plotsomtop(net) % 显示拓扑结构

4. 时间序列网络 (Time Series Networks)

% 创建NARX网络(非线性自回归外生输入)
net = narxnet(1:2, 1:2, 10); % 输入延迟1-2, 反馈延迟1-2, 10个隐层神经元
net = train(net, inputs, targets);

深度学习支持

MATLAB支持深度学习框架，包括卷积神经网络(CNN)和长短期记忆网络(LSTM)

图像分类CNN

% 创建卷积神经网络架构
layers = [imageInputLayer([28 28 1]) % 28x28灰度图像convolution2dLayer(5, 20, 'Padding', 'same')batchNormalizationLayerreluLayermaxPooling2dLayer(2, 'Stride', 2)convolution2dLayer(5, 50, 'Padding', 'same')batchNormalizationLayerreluLayermaxPooling2dLayer(2, 'Stride', 2)fullyConnectedLayer(500)reluLayerfullyConnectedLayer(10) % 10个类别softmaxLayerclassificationLayer];% 训练选项
options = trainingOptions('sgdm', ...'MaxEpochs', 20, ...'Shuffle', 'every-epoch', ...'ValidationData', {valImages, valLabels}, ...'Plots', 'training-progress');% 训练网络
net = trainNetwork(trainImages, trainLabels, layers, options);

序列分类LSTM

% 创建LSTM网络
inputSize = 12; % 特征维度
numHiddenUnits = 100;
numClasses = 5;layers = [ ...sequenceInputLayer(inputSize)bilstmLayer(numHiddenUnits, 'OutputMode', 'last')fullyConnectedLayer(numClasses)softmaxLayerclassificationLayer];% 训练选项
options = trainingOptions('adam', ...'MaxEpochs', 30, ...'MiniBatchSize', 64, ...'ValidationData', {valData, valLabels}, ...'Plots', 'training-progress');% 训练网络
net = trainNetwork(trainData, trainLabels, layers, options);

可视化工具

1. 训练过程可视化

% 在训练选项中启用可视化
options = trainingOptions('sgdm', ...'Plots', 'training-progress', ... % 训练进度图'Verbose', true);

2. 网络结构可视化

% 查看网络结构
analyzeNetwork(net) % 显示网络架构和分析% 或使用
view(net)

3. 特征可视化

% 可视化卷积层的特征
layer = 2; % 选择卷积层
act = activations(net, testImages, layer);
montage(rescale(act(:,:,:,1:16))) % 显示前16个特征图

模型评估与调优

性能评估

% 分类问题
[predictedLabels, scores] = classify(net, testData);
confusionchart(testLabels, predictedLabels) % 混淆矩阵% 回归问题
predictions = predict(net, testInputs);
plotregression(testTargets, predictions) % 回归图% 计算指标
accuracy = sum(predictedLabels == testLabels)/numel(testLabels);
rmse = sqrt(mean((testTargets - predictions).^2));

超参数调优

% 创建超参数优化对象
optimVars = [optimizableVariable('LayerSize', [10, 100], 'Type', 'integer')optimizableVariable('InitialLearnRate', [1e-3, 1e-1], 'Transform', 'log')optimizableVariable('Momentum', [0.8, 0.99])];% 目标函数
ObjFcn = makeObjFcn(trainData, trainLabels, valData, valLabels);% 运行贝叶斯优化
BayesObject = bayesopt(ObjFcn, optimVars, ...'MaxTime', 14*60*60, ... % 14小时'IsObjectiveDeterministic', false, ...'UseParallel', true);% 获取最佳参数
bestIdx = BayesObject.IndexOfMinimumTrace(end);
bestParams = BayesObject.XTrace(bestIdx,:);

部署与应用

部署为MATLAB函数

% 生成预测函数
genFunction(net, 'myNeuralNetworkFunction');% 使用生成的函数
prediction = myNeuralNetworkFunction(inputData);

部署到嵌入式系统

% 生成C代码
cfg = coder.config('lib');
codegen -config cfg myNeuralNetworkFunction -args {coder.typeof(inputData)}

导出为ONNX格式

% 导出网络
exportONNXNetwork(net, 'myNetwork.onnx');% 导入ONNX网络
net = importONNXNetwork('myNetwork.onnx');

实用技巧与最佳实践

数据预处理

% 标准化数据
[inputs, inputSettings] = mapminmax(inputs); % 归一化到[-1,1]
[targets, targetSettings] = mapminmax(targets);% 处理缺失值
inputs = fillmissing(inputs, 'constant', 0); % 用0填充缺失值% 数据增强(图像)
augmenter = imageDataAugmenter( ...'RandRotation', [-20 20], ...'RandXReflection', true, ...'RandScale', [0.8 1.2]);

防止过拟合

% 添加正则化
net.performParam.regularization = 0.1; % L2正则化% 早停法
net.trainParam.max_fail = 10; % 验证误差连续增加10次后停止% Dropout层(深度学习)
layers = [fullyConnectedLayer(100)dropoutLayer(0.5) % 50% dropoutreluLayer];

迁移学习

% 加载预训练网络
net = alexnet; % 或googlenet, resnet50等% 修改用于新任务
numClasses = 10;
layersTransfer = net.Layers(1:end-3);
layers = [layersTransferfullyConnectedLayer(numClasses, 'WeightLearnRateFactor', 10, 'BiasLearnRateFactor', 10)softmaxLayerclassificationLayer];

资源与扩展

内置数据集

% 常用数据集
digitDatasetPath = fullfile(matlabroot, 'toolbox', 'nnet', 'nndemos', 'nndatasets', 'DigitDataset');
imds = imageDatastore(digitDatasetPath, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');% 其他数据集
[XTrain, YTrain] = digitTrain4DArrayData; % 手写数字
cifar10Data = load('cifar10.mat'); % CIFAR-10