接上篇。
前面两篇讲解了神经网络就是一个黑箱，里面有一个一个的小圆球（神经元）连接而成，通过改变神经元的连接方式及各个参数，就可以实现一个符合要求的神经网络。接下来我们来举一个BP神经网络的例子，以加深理解。
在讲解这个例子之前，大概说一下一个神经网络解决问题的思路：
1.对要解决的问题进行理解，找到输入输出数据。
2.把已知的输入输出数据分为两部分：一部分用来训练网络；另外一部分来验证训练的网络到底好不好用。
3.对输入数据进行预处理及归一化处理。
4.创建合适的网络，如BP、感知器、RBF、Hopfield等等。（其实是先建立一个神经网络的黑箱子）
5.设置网络训练参数，例如设置训练函数，学习函数、激活函数等等。
6.使用输入输出训练网络。（其实是把黑箱子里面的神经元的各个参数给训练和学习合适了）
7.使用验证数据验证网络。
8.验证后觉得网络还不错，就可以实际应用，在实际应用过程中，还可以再对模型进行优化、重构等等。
下面开始我们例子的说明，用一个传统的花分类的例子（http://en.wikipedia.org/wiki/Iris_flower_data_set ）：大概意思是：给你一朵花的四个特征，神经网络输出它的品种（共有三个品种）。
所以每一个样本的输入：四个数据，代表花的四个特征；输出：一个数据，代表花的品种，分别为1,2,3代表三个不同的品种。
样本数据为：http://files.cnblogs.com/wuguanglei/%E6%95%B0%E6%8D%AE.rar
其中trainData.txt用作训练数据，testData.txt用作验证数据。Matlab程序代码如下：
%0.操作前
clear;
close all;
clc;
%1.读入训练数据
[f1,f2,f3,f4,class] = textread(‘trainData.txt‘ , ‘%f%f%f%f%f‘,150);
input=[f1,f2,f3,f4]‘;%神经网络是一列算做一个样本输入，因此矩阵要转置一下
output=class‘;
%2.输入数据归一化
[input,Se] = mapminmax(input) ;
minI=Se.xmin;
maxI=Se.xmax;
%3.构造输出数据矩阵
s = length( class) ;%输出为1,2,3,这用1 0 0表示1；0 1 0表示2；0 0 1表示3
output = zeros( 3, s ) ;
for i = 1 : s
output( class( i ),i ) = 1 ;
end
%4.创建神经网络
net = newff( minmax(input) , [70 3] , { ‘logsig‘ ‘logsig‘ } , ‘traingdx‘ ) ; %其中70表示第一层70个神经元，第二层30个神经元，后面几个参数分别设置的是激活函数和训练函数。
%5.设置训练参数
net.trainparam.show = 40 ;
net.trainparam.epochs = 600 ;
net.trainparam.goal = 0.01 ;
net.trainParam.lr = 0.01 ;
%6.开始训练
[net,tr,e] = train( net, input , output ) ;
%7.测试网络
[t1 t2 t3 t4 c] = textread(‘testData.txt‘ , ‘%f%f%f%f%f‘,150);
testInput=[t1,t2,t3,t4]‘;
testInput = mapminmax (testInput ) ;
Y = sim( net , testInput ) ;
%8.统计结果
[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(‘识别率是 %0.3f%%‘,100 * hitNum / s2 )
详细讲解看代码注释吧。
就先写到这儿吧，对于入门，应该够了。
============================
最近帮朋友弄了微信公众号，每天早上6点30分，发送一个60秒的语音，有兴趣的朋友不妨关注一下。
微信号：歪理邪说（wailixs）
二维码：
