MATLAB神經網絡模式識別

Question

我已經為鼠標手勢識別（輸入是角度）制作了簡單的神經網絡，並且我使用了nprtool（用於創建的函數patternnet）。 我保存了網絡的權重和偏見：

W1=net.IW{1,1};
W2=net.LW{2,1};
b1=net.b{1,1};
b2=net.b{2,1};

為了計算結果，我使用了tansig(W2*(tansig(W1*in+b1))+b2); 其中in是輸入。 但結果很糟糕（每個數字大約等於0.99）。 來自推薦net(in)輸出是好的。 我究竟做錯了什么 ？ 對我來說非常重要的是為什么第一種方法是壞的（和我在C ++程序中做的一樣）。 我在尋求幫助:)

[編輯]下面是從nprtool GUI生成的代碼。 也許對某人來說這會有所幫助，但我沒有從這段代碼中看到我的問題的任何解決方案。 對於隱藏和輸出層，神經元使用tansig激活函數（MATLAB網絡中是否有任何參數？）。

% Solve a Pattern Recognition Problem with a Neural Network
% Script generated by NPRTOOL
% Created Tue May 22 22:05:57 CEST 2012
%
% This script assumes these variables are defined:
%
%   input - input data.
%   target - target data.    
inputs = input;
targets = target;

% Create a Pattern Recognition Network
hiddenLayerSize = 10;
net = patternnet(hiddenLayerSize);

% Choose Input and Output Pre/Post-Processing Functions
% For a list of all processing functions type: help nnprocess
net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};
net.outputs{2}.processFcns = {'removeconstantrows','mapminmax'};


% Setup Division of Data for Training, Validation, Testing
% For a list of all data division functions type: help nndivide
net.divideFcn = 'dividerand';  % Divide data randomly
net.divideMode = 'sample';  % Divide up every sample
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% For help on training function 'trainlm' type: help trainlm
% For a list of all training functions type: help nntrain
net.trainFcn = 'trainlm';  % Levenberg-Marquardt

% Choose a Performance Function
% For a list of all performance functions type: help nnperformance
net.performFcn = 'mse';  % Mean squared error

% Choose Plot Functions
% For a list of all plot functions type: help nnplot
net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ...
  'plotregression', 'plotfit'};


% Train the Network
[net,tr] = train(net,inputs,targets);

% Test the Network
outputs = net(inputs);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs)

% Recalculate Training, Validation and Test Performance
trainTargets = targets .* tr.trainMask{1};
valTargets = targets  .* tr.valMask{1};
testTargets = targets  .* tr.testMask{1};
trainPerformance = perform(net,trainTargets,outputs)
valPerformance = perform(net,valTargets,outputs)
testPerformance = perform(net,testTargets,outputs)

% View the Network
view(net)

% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, plotconfusion(targets,outputs)
%figure, ploterrhist(errors)

Answer 1

從代碼中可以看出，網絡對目標的輸入和后處理應用自動預處理 - 查找定義processFcns的行。 這意味着訓練的參數對於預處理的輸入有效，並且網絡的輸出被后處理（具有與目標相同的參數）。 所以在你的行tansig(W2*(tansig(W1*in+b1))+b2); 你不能使用原始輸入。 您必須預處理輸入，將結果用作網絡的輸入，並使用用於后處理目標的相同參數對輸出進行后處理。 只有這樣你才能得到與調用net(in)相同的結果。

您可以在這里閱讀更多內容： http ： //www.mathworks.com/help/toolbox/nnet/rn/f0-81221.html#f0-81692