神经网络简介与原理讲解+使用“高贵的”MATLAB代码求例题

模型简介

有趣的比喻

想象你有一个超级勤奋的宠物——比如说，一只名叫“神经网”（NeurNet）的宠物狗。开始的时候，它一无所知，但它很善于学习。你希望训练它识别猫和狗。

每次你向它展示一张图片，它都会尝试猜测这是猫还是狗。开始的时候，NeurNet的猜测都是乱七八糟的。但每次它猜错时，你都会纠正它：“错了，那其实是猫！”或者“错了，那其实是狗！”。

NeurNet的大脑（我们称之为“神经网络”）里面有成千上万的小旋钮（权重）。每次猜错后，它都会微调这些旋钮。经过上千次、甚至上万次的猜测和纠正，它开始变得更加准确。最后，你向它展示的图片，它都能准确地告诉你是猫还是狗。

在这个过程中，NeurNet并不真的“知道”猫和狗的定义，但它通过大量的例子调整了自己的“旋钮”，从而达到了正确猜测的目的。

这就是神经网络的原理——通过大量的数据和反复的调整，它可以学会识别各种模式，就像NeurNet学会区分猫和狗一样！🐱🐶

基础知识

适用赛题

 原理讲解

感知机

问题：如何综合考虑身高( 𝑥 1 )和体重( 𝑥 2 )，判断 是否达到了 8周岁(阈值 𝑏 )。  结果 只能有“ 未达到 ”和“ 达到 ” 。也就是根据最后经过激活函数后是否达到b来判断。

 BP神经网络（ back propagation，误差逆传播），多层神经网络

检验模型的泛化能力

使用MATLAB工具箱进行代码求解

clc,clear,close all%% 1、导入数据
% 读取excle指定范围的数据
X = table2array(readtable('NNs.xlsx','Range','B2:N253'));
T = table2array(readtable('NNs.xlsx','Range','O2:O253'));
X_zs = table2array(readtable('NNs.xlsx','Range','B254:N254'));% 神经网络工具包语法默认需要以样本为列，所以对导入的数据进行转置
X = X'; T = T'; X_zs = X_zs';

样本自动分为训练集、验证集和测试集。训练集用于对网络进行训练，只要网络针对验证集持续改进，训练就会继续。测试集提供完全独立的网络准确度测量。

% 建立前馈神经网络，工具箱会自动把数据归一化
% 设置隐藏层
% 这个神经网络包含了三层，分别是输入层、一个包含15个神经元的隐藏层、一个包含6个神经元的隐藏层和一个包含9个神经元的输出层
net = feedforwardnet([15,6,9]);  % 开始训练，采用随机划分的方法把样本分为训练集、验证集和测试集
[net,tr] = train(net,X,T);  % [net,tr]分别是训练好的网络和训练记录
% X 和 T 分别表示输入数据和目标数据。
% 在这个训练过程中，神经网络会通过反向传播算法来不断调整权重和偏置，以最小化输出与目标之间的误差。
view(net) %可视化神经网络的结构% 求张三体脂率估计值
Y_zs = net(X_zs)
%使用训练好的神经网络 net 对输入数据 X_zs 进行预测，并将结果存储在 Y_zs 变量中。
% 这实际上是在进行前向传播，将输入数据传递给神经网络，然后获得网络的输出。% 调用工具包极大地简化了代码，对于初学者，直接使用matlab的默认设置更稳妥
% 更多细节，例如选择训练函数、设置其他终止条件、设置样本分类比例、设置学习率初始值、权重初始值等等可手动设置