說明：20180604更新

2、本人對其中涉及到的函式進行了詳細說明。

3、此程式中部分函式的使用方式是高版本Matlab中不推薦的

文中給出了當前高版本Matlab中的使用方式，並給出了相關部落格地址，具體如下：

4、使用過程中，可能出現的問題

5、所需的IRIS資料集

具體程式如下：

%讀取訓練資料
[f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);

%特徵值歸一化
[input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;

%構造輸出矩陣
s = length( class) ;
output = zeros( s , 3  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end

%建立神經網路
net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ; 

%設定訓練引數
net.trainparam.show = 50 ;
net.trainparam.epochs = 500 ;
net.trainparam.goal = 0.01 ;
net.trainParam.lr = 0.01 ;

%開始訓練
net = train( net, input , output' ) ;

%讀取測試資料
[t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);

%測試資料歸一化
testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;

%模擬
Y = sim( net , testInput ) 

%統計識別正確率
[s1 , s2] = size( Y ) ;
hitNum = 0 ;
for i = 1 : s2
    [m , Index] = max( Y( : ,  i ) ) ;
    if( Index  == c(i)   ) 
        hitNum = hitNum + 1 ; 
    end
end
sprintf('識別率是 %3.3f%%',100 * hitNum / s2 )
 

1、文字檔案讀取函式

textread() 讀取檔案中資料，%f表示讀取單浮點數，按列依次將資料存入f1、f2、f3……。這裡f1—f4代表四個特徵，class代表每組資料所屬的類別。

這裡的每列是一個屬性/特徵的所有輸入值，並不是後面函式中輸入的一組樣本資料。

而在程式中 premnmx、newff、train、tramnmx都是以列的形式輸入每組樣本資料，故在歸一化時需要轉置。

2、歸一化處理函式

premnmx()將原始資料歸一化到-1到1之間，該函式在高版本的MATLAB中已被廢棄。

[input,minI,maxI] = premnmx（P）

premnmx()對行歸一化，故需要將textread讀取的原始資料進行轉置，此時矩陣P是4行75列的（4個屬性，75組訓練樣本）。

minI,maxI均是4行1列，這兩個是為了後面的測試資料的歸一化。

input是歸一化後的矩陣4行75列。後面神經網路建立的newff函式的第一個引數是一個Rx2的矩陣以定義R個輸入向量(即輸入層節點個數-輸入特徵值個數)的最小值和最大值。

推薦使用mapminmax進行歸一化：該函式也是對行歸一化！！！

http://blog.csdn.net/lkj345/article/details/50352385

https://blog.csdn.net/ckzhb/article/details/72871140

例子：[inputn,setting]=mapminmax(input_train);

3、輸出矩陣

%構造輸出矩陣
s = length( class ) ;
output = zeros( s , 3  ) ; %zeros(s,3)生成s乘3的全零陣。即75行3列     
for i = 1 : s
   output( i , class( i )  ) = 1 ;
end
 

output是75行3列。class矩陣是75行1列，前幾列是1，中間是2，最後是3.（即三種花的型別）。資料集中第一種花標記為1，第二種花記為2，第三種花記為3，這樣經過迴圈後，output依然是75行3列，第一列的前幾行全為1，第二列的中間幾行全為1，第三列的最後幾行全為1，其餘均為0.

目的是：神經網路輸出需要根據類別數量進行一定的處理，有幾種類別輸出層便含有幾個結點，即第一種花輸出為[1 0 0]，第二種花輸出為[0 1 0]，第三種花輸出為[0 0 1]。這裡output每一行對應一組樣本的輸出類別，通過一個for迴圈，將所述的類所在的列置為1，此時output是75行3列的。後續train()函式所需的輸出標籤要求每一列對應一組資料的類別，故後續需要將output轉置。

4、神經網路構建

net = newff( minmax(input) ,[10 3] , { 'logsig' 'purelin' } , 'traingdx' )

（此例是老版本的使用http://blog.sina.com.cn/s/blog_64b046c70101cko4.html）

舊版newff函式的格式為：

net=newff(PR,[S1S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函式newff建立一個可訓練的前饋網路。輸入引數說明：

PR：Rx2的矩陣以定義R個輸入向量的最小值和最大值；

Si：第i層神經元個數；

TFi：第i層的傳遞函式，預設函式為tansig函式；

BTF：訓練函式，預設函式為trainlm函式；

traingdx表示學習率自適應並附加動量因子的最速下降法

BLF：權值/閾值學習函式，預設函式為learngdm函式；

PF：效能函式，預設函式為mse函式。

minmax()函式用於獲取陣列中每一行的最小值和最大值

新版newff函式格式：

 net =newff(P,T,[S1 S2...S(N-l)],{TF1 TF2...TFNl}, BTF,BLF,PF,IPF,OPF,DDF)

例如：net=newff(inputn,output_train,6,{'tansig','purelin'},'traingda');

P和T:輸入和輸出矩陣；每一列代表一組樣本資料。

Si：第i層神經元個數，輸出層不用寫，根據T決定；

TFi：第i層的傳遞函式，隱含層預設函式為tansig函式，輸出層預設為’purelin’；

BTF：訓練函式，預設函式為trainlm函式，表示採用LM法進行訓練；

BLF：權值/閾值學習函式，預設函式為learngdm函式；

PF：效能函式，預設函式為mse函式即均方誤差。

IPF：指定輸入資料歸一化函式的細胞陣列。

OPF：指定輸出資料反歸一化函式的細胞陣列

DDF：資料劃分函式。

（後5個一般用不到）

舊版本：舊用法訓練次數多，但精度高

新版本：新用法訓練次數少，但精度可能達不到要求

造成上述原因是：

程式裡面的權值、閾值的初始值是隨機賦值的，所以每次執行的結果都會不一樣，有好有壞。你可以把預測效果不錯的網路的權值和閾值作為初始值。具體可以檢視net.iw{1,1}、net.lw{2,1}、net.b{1，1}、net.b{2,1}的值。

5、訓練函式

net = train( net, input ,output' ) ;

這裡input是4行75列，output經轉置後是3行75列。

即每組資料是以列的形式輸入到構建的神經網路模型，共75組。相應的，輸出層與之對應，組數保持一致。

6、測試

Y = sim( net, testInput )

sim模擬，Y是訓練好的網路net對輸入testInput的實際輸出。