【说明】matlab-BP使用函数-说明

newff、train、sim三个函数是通过matlab使用BP神经网络的三把斧，那么这节我们详细地展示一下这三个函数的了入参，好在使用的时候有个参考。

前言

在matlab中，一个简单BP神经网络使用示例代码如下：

%用于训练的数据
X = linspace(-3,3,100);   
y = 10*sin(X);   

%网络训练 
net = newff(X,y,3,{'tansig','purelin'},'trainlm');
net.trainparam.goal = 0.00001;    % 设置训练误差目标
net.trainparam.epochs = 15000;    % 设置最大训练次数.
[net,tr,net_y] = train(net,X,y);  % 训练
sim_y = sim(net,X);               % 预测

如代码所示，matlab中，构建一个BP神经网络，最主要就是newff、train、sim三个函数。那么下面我们展示这三个函数完整、具体的使用说明。

一、newff方法详述

newff用于建立一个BP神经网络，下面我们来看看newff函数的详细使用方法。

1.1. newff-调用方法

newff的完整参数如下：

net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

下面展示一个完整的使用示例，如下：
net = newff(X,y,3,{'tansig','purelin'},'trainlm','learngdm','mse',
                   {'fixunknowns','removeconstantrows','mapminmax'}, 
                   {'removeconstantrows','mapminmax'},'dividerand');

1.2. newff-入参说明

newff函数的入参说明如下：

   P:    输入数据X。

          输出数据X的每行代表一个变量，每列代表一个样本。

   T：  target，拟合目标。

          也就是输出数据y，每行代表一个变量，每列代表一个样本。

   S：  行向量，隐节点个数。

          例如 [3,2]代表两个隐层，第一个隐层3个神经元，第2个隐层2个神经元。

   TF：Transfer function，传递函数(激活函数)。

         {'tansig','purelin'} 代表只有一个隐层，隐层传递函数为tansig，输出层传递函数为purelin。

      注意，TF要与S对齐，也就是在S中有多少层，这里对应地设置每层的激活函数。

   BTF： Backprop network training function，训练函数，默认用'trainlm'。

   BLF:   Backprop learning function，反向传播中权重/阈值的学习函数。

             默认learngdm. (adapt时调用，一般不需用到)

   PF:     Performance function，性能函数，即误差函数。

        默认为均方差'mse'，可选：mse,sse,mae,sae(均方差，总方差，均绝对差，总绝对差)。

        trainlm只支持mse,sse

   IPF:    input processing functions，输入处理函数。

            默认{'fixunknowns','removeconstantrows','mapminmax'}

   OPF：output processing functions，输出处理函数

             默认 {'removeconstantrows','mapminmax'}

   DDF：Data division function，数据分割函数。

            默认值'dividerand'，即随机分割。

1.3. newff-出参说明

newff只有一个出参net，如下：

net：构建好的网络

1.4. 关于newff的训练方法

newff的训练方法只推荐两种：

1. 数据量小，内存够时，用'trainlm',
2. 数据量大，trainlm不能用时，用'trainscg'
trainlm为Levenberg-Marquardt方法，会利用二阶导信息，trainscg则为量化共轭梯度法

关于newff的数据处理函数：

mapminmax：将数据按最小最大值线性缩放到[-1,1],即2(x - min(x))/(max(x) - min(x))-1，
removeconstantrows：删除常数变量
fixunknowns：处理NaN数据

二、train方法详述

train函数用来训练BP神经网络，下面我们详细说下train函数的使用方法。

2.1. train的调用方法

train支持多种参数格式，最常用的调用方法为：

 [net,tr,out_T] = train(net,P,T);

2.2. train的入参说明

train函数的详细入参说明如下：

net：需要训练的网络

P   ：用于训练的输入数据

T   ：用于训练的输出数据

2.3. train的出参说明

train函数的详细出参说明如下：

net：训练好的网络

tr   ：训练过程

out_T：网络对训练数据的预测                                       

2.4. train函数的工作流程

调用train函数，train函数则会执行如下三部分工作：

1. 数据处理

train函数就会将X进行数据预处理(例如归一化)，并将数据分割成三分：训练数据，验证数据和测试数据。

 2. 模型训练

数据分割完成后，train利用训练数据对net进行训练，使用的训练方法为net里设置的训练函数(例如trainlm) ,并且在训练的过程，用验证数据不断检验训练是否走向过拟合，如果走向过拟合，就终止训练。

3. 返回结果

训练完成后，train输出训练好的网络、训练过程和训练好的BP神经网络的预测结果，其中，哪些样本属于训练数据，哪些属于测试数据，可以在train输出的训练过程中找到，例如tr.testInd就是测试数据的索引。

三、sim方法详述

sim函数就是simulate(模拟)的意思，它用来预测BP神经网络的输出。

3.1. sim的调用方法

sim函数的调用方法如下：

sim的使用方法：sim_y = sim(net,X)

3.2. sim函数的入参说明

sim函数的入参说明如下：

net  : 用于预测的网络 

X    : 需要预测的数据（X为矩阵格式 ，每列代表一个样本）

3.3. sim函数的出参说明

sim函数的出参说明如下：

 sim_y  : 网络的预测结果                                                

总结

好了 ，以上就是newff、train、sim三个函数的详细说明了，事实上我们不需要去理解它，只有在使用时需要要再来详细参考就可以了。