基于Matlab实现人工神经网络(ANN)回归的示例详解

目录

1 分解代码

1.1 循环准备1.2 神经网络构建1.3 数据处置1.4 模型训练参数配置1.5 神经网络实现1.6 精度衡量1.7 保管模型

2 完好代码

在之前的文章MATLAB实现随机森林（RF）回归与自变量影响水平分析中，我们对基于MATLAB的随机森林（RF）回归与变量影响水平（重要性）排序的代码加以详细讲解与理论。本次我们继续基于MATLAB，对另一种常用的机器学习方法——神经网络方法加以代码实战。
首先需要注明的是，在MATLAB中，我们可以直接基于“APP”中的“Neural Net Fitting”工具箱实如今无需代码的情况下，对神经网络算法加以运行。

基于工具箱的神经网络方法虽然方便，但是一些参数不能调整；同时也不利于我们对算法、代码的理解。因而，本文不利用“Neural Net Fitting”工具箱，而是直接通过代码将神经网络方法加以运行——但是，本文的代码其实也是通过上述工具箱运行后生成的；而这种生成神经网络代码的方法也是MATLAB官方推荐的方式。
另外，需要注意的是，本文直接停止神经网络算法的执行，省略了前期数据处置、训练集与测试集划分、精度衡量指标选取等。因而建议大家先将文章MATLAB实现随机森林（RF）回归与自变量影响水平分析阅读后，再阅读本文。
本文分为两部分，首先是将代码分段、详细讲解，方便大家理解；随后是完好代码，方便大家自行尝试。

1 分解代码


1.1 循环准备

由于机器学习往往需要屡次执行，我们就在此先定义循环。

1. %% ANN Cycle Preparation
3. ANNRMSE=9999;
4. ANNRunNum=0;
5. ANNRMSEMatrix=[];
6. ANNrAllMatrix=[];
7. while ANNRMSE>400

复制代码

其中，ANNRMSE是初始的RMSE；ANNRunNum是神经网络算法当前运行的次数；ANNRMSEMatrix用来存储每一次神经网络运行后所得到的RMSE结果；ANNrAllMatrix用来存储每一次神经网络运行后所得到的皮尔逊相关系数结果；最后一句表示当所得到的模型RMSE>400时，则停止循环。

1.2 神经网络构建

接下来，我们对神经网络的整体构造加以定义。

1. %% ANN
3. x=TrainVARI';
4. t=TrainYield';
5. trainFcn = 'trainlm';
6. hiddenLayerSize = [10 10 10];
7. ANNnet = fitnet(hiddenLayerSize,trainFcn);

复制代码

其中，TrainVARI、TrainYield分别是我这里训练数据的自变量（特征）与因变量（标签）；trainFcn为神经网络所选用的训练函数方法名称，其名称与对应的方法对照如下表：

hiddenLayerSize为神经网络所用隐层与各层神经元个数，[10 10 10]代表共有三层隐层，各层神经元个数分别为10，10与10。

1.3 数据处置

接下来，对输入神经网络模型的数据加以处置。

1. ANNnet.input.processFcns = {'removeconstantrows','mapminmax'};
2. ANNnet.output.processFcns = {'removeconstantrows','mapminmax'};
3. ANNnet.divideFcn = 'dividerand';
4. ANNnet.divideMode = 'sample';
5. ANNnet.divideParam.trainRatio = 0.6;
6. ANNnet.divideParam.valRatio = 0.4;
7. ANNnet.divideParam.testRatio = 0.0;

复制代码

其中，ANNnet.input.processFcns与ANNnet.output.processFcns分别代表输入模型数据的处置方法，'removeconstantrows'表示删除在各样本中数值始终一致的特征列，'mapminmax'表示将数据归一化处置；divideFcn表示划分数据训练集、验证集与测试集的方法，'dividerand'表示根据所给定的比例随机划分；divideMode表示对数据划分的维度，我们这里选择'sample'，也就是对样本停止划分；divideParam表示训练集、验证集与测试集所占比例，那么在这里，因为是直接用了先前随机森林方法（可以看这篇博客）中的数据划分方式，那么为了保证训练集、测试集的固定，我们就将divideParam.testRatio设置为0.0，然后将训练集与验证集比例划分为0.6与0.4。

1.4 模型训练参数配置

接下来对模型运行过程中的主要参数加以配置。

1. ANNnet.performFcn = 'mse';
2. ANNnet.trainParam.epochs=5000;
3. ANNnet.trainParam.goal=0.01;

复制代码

其中，performFcn为模型误差衡量函数，'mse'表示均方误差；trainParam.epochs表示训练时Epoch次数，trainParam.goal表示模型所要到达的精度要求（即模型运行到trainParam.epochs次时或误差小于trainParam.goal时将会停止运行）。

1.5 神经网络实现

这一部分代码大多数与绘图、代码与GUI生成等相关，因而就不再逐个解释了，大家可以直接运行。需要注意的是，train是模型训练函数。

1. % For a list of all plot functions type: help nnplot
2. ANNnet.plotFcns = {'plotperform','plottrainstate','ploterrhist','plotregression','plotfit'};
3. [ANNnet,tr] = train(ANNnet,x,t);
4. y = ANNnet(x);
5. e = gsubtract(t,y);
6. performance = perform(ANNnet,t,y);
7. % Recalculate Training, Validation and Test Performance
8. trainTargets = t .* tr.trainMask{1};
9. valTargets = t .* tr.valMask{1};
10. testTargets = t .* tr.testMask{1};
11. trainPerformance = perform(ANNnet,trainTargets,y);
12. valPerformance = perform(ANNnet,valTargets,y);
13. testPerformance = perform(ANNnet,testTargets,y);
14. % view(net)
15. % Plots
16. %figure, plotperform(tr)
17. %figure, plottrainstate(tr)
18. %figure, ploterrhist(e)
19. %figure, plotregression(t,y)
20. %figure, plotfit(net,x,t)
21. % Deployment
22. % See the help for each generation function for more information.
23. if (false)
24.     % Generate MATLAB function for neural network for application
25.     % deployment in MATLAB scripts or with MATLAB Compiler and Builder
26.     % tools, or simply to examine the calculations your trained neural
27.     % network performs.
28.     genFunction(ANNnet,'myNeuralNetworkFunction');
29.     y = myNeuralNetworkFunction(x);
30. end
31. if (false)
32.     % Generate a matrix-only MATLAB function for neural network code
33.     % generation with MATLAB Coder tools.
34.     genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');
35.     y = myNeuralNetworkFunction(x);
36. end
37. if (false)
38.     % Generate a Simulink diagram for simulation or deployment with.
39.     % Simulink Coder tools.
40.     gensim(ANNnet);
41. end

复制代码

1.6 精度衡量

1. %% Accuracy of ANN
3. ANNPredictYield=sim(ANNnet,TestVARI')';
4. ANNRMSE=sqrt(sum(sum((ANNPredictYield-TestYield).^2))/size(TestYield,1));
5. ANNrMatrix=corrcoef(ANNPredictYield,TestYield);
6. ANNr=ANNrMatrix(1,2);
7. ANNRunNum=ANNRunNum+1;
8. ANNRMSEMatrix=[ANNRMSEMatrix,ANNRMSE];
9. ANNrAllMatrix=[ANNrAllMatrix,ANNr];
10. disp(ANNRunNum);
11. end
12. disp(ANNRMSE);

复制代码

其中，ANNPredictYield为预测结果；ANNRMSE、ANNrMatrix分别为模型精度衡量指标RMSE与皮尔逊相关系数。结合本文1.1部分可知，我这里设置为当所得神经网络模型RMSE在400以内时，将会停止循环；否则继续开端执行本文1.2部分至1.6部分的代码。

1.7 保管模型

这一部分就不再赘述了，大家可以参考文章MATLAB实现随机森林（RF）回归与自变量影响水平分析。

1. %% ANN Model Storage
3. ANNModelSavePath='G:\CropYield\02_CodeAndMap\00_SavedModel\';
4. save(sprintf('%sRF0417ANN0399.mat',ANNModelSavePath),'TestVARI','TestYield','TrainVARI','TrainYield','ANNnet','ANNPredictYield','ANNr','ANNRMSE',...
5.     'hiddenLayerSize');

复制代码

2 完好代码

完好代码如下：

1. %% ANN Cycle Preparation
2. ANNRMSE=9999;
3. ANNRunNum=0;
4. ANNRMSEMatrix=[];
5. ANNrAllMatrix=[];
6. while ANNRMSE>1000
8. %% ANN
9. x=TrainVARI';
10. t=TrainYield';
11. trainFcn = 'trainlm';
12. hiddenLayerSize = [10 10 10];
13. ANNnet = fitnet(hiddenLayerSize,trainFcn);
14. ANNnet.input.processFcns = {'removeconstantrows','mapminmax'};
15. ANNnet.output.processFcns = {'removeconstantrows','mapminmax'};
16. ANNnet.divideFcn = 'dividerand';
17. ANNnet.divideMode = 'sample';
18. ANNnet.divideParam.trainRatio = 0.6;
19. ANNnet.divideParam.valRatio = 0.4;
20. ANNnet.divideParam.testRatio = 0.0;
21. ANNnet.performFcn = 'mse';
22. ANNnet.trainParam.epochs=5000;
23. ANNnet.trainParam.goal=0.01;
24. % For a list of all plot functions type: help nnplot
25. ANNnet.plotFcns = {'plotperform','plottrainstate','ploterrhist','plotregression','plotfit'};
26. [ANNnet,tr] = train(ANNnet,x,t);
27. y = ANNnet(x);
28. e = gsubtract(t,y);
29. performance = perform(ANNnet,t,y);
30. % Recalculate Training, Validation and Test Performance
31. trainTargets = t .* tr.trainMask{1};
32. valTargets = t .* tr.valMask{1};
33. testTargets = t .* tr.testMask{1};
34. trainPerformance = perform(ANNnet,trainTargets,y);
35. valPerformance = perform(ANNnet,valTargets,y);
36. testPerformance = perform(ANNnet,testTargets,y);
37. % view(net)
38. % Plots
39. %figure, plotperform(tr)
40. %figure, plottrainstate(tr)
41. %figure, ploterrhist(e)
42. %figure, plotregression(t,y)
43. %figure, plotfit(net,x,t)
44. % Deployment
45. % See the help for each generation function for more information.
46. if (false)
47.     % Generate MATLAB function for neural network for application
48.     % deployment in MATLAB scripts or with MATLAB Compiler and Builder
49.     % tools, or simply to examine the calculations your trained neural
50.     % network performs.
51.     genFunction(ANNnet,'myNeuralNetworkFunction');
52.     y = myNeuralNetworkFunction(x);
53. end
54. if (false)
55.     % Generate a matrix-only MATLAB function for neural network code
56.     % generation with MATLAB Coder tools.
57.     genFunction(ANNnet,'myNeuralNetworkFunction','MatrixOnly','yes');
58.     y = myNeuralNetworkFunction(x);
59. end
60. if (false)
61.     % Generate a Simulink diagram for simulation or deployment with.
62.     % Simulink Coder tools.
63.     gensim(ANNnet);
64. end
66. %% Accuracy of ANN
67. ANNPredictYield=sim(ANNnet,TestVARI')';
68. ANNRMSE=sqrt(sum(sum((ANNPredictYield-TestYield).^2))/size(TestYield,1));
69. ANNrMatrix=corrcoef(ANNPredictYield,TestYield);
70. ANNr=ANNrMatrix(1,2);
71. ANNRunNum=ANNRunNum+1;
72. ANNRMSEMatrix=[ANNRMSEMatrix,ANNRMSE];
73. ANNrAllMatrix=[ANNrAllMatrix,ANNr];
74. disp(ANNRunNum);
75. end
76. disp(ANNRMSE);
78. %% ANN Model Storage
79. ANNModelSavePath='G:\CropYield\02_CodeAndMap\00_SavedModel\';
80. save(sprintf('%sRF0417ANN0399.mat',ANNModelSavePath),'AreaPercent','InputOutput','nLeaf','nTree',...
81.     'RandomNumber','RFModel','RFPredictConfidenceInterval','RFPredictYield','RFr','RFRMSE',...
82.     'TestVARI','TestYield','TrainVARI','TrainYield','ANNnet','ANNPredictYield','ANNr','ANNRMSE',...
83.     'hiddenLayerSize');

复制代码

以上就是基于Matlab实现人工神经网络(ANN)回归的示例详解的详细内容，更多关于Matlab人工神经网络ANN回归的资料请关注网站其它相关文章！