共计 1685 个字符，预计需要花费 5 分钟才能阅读完成。
一、BP 神经网络与分类任务
BP 神经网络（反向传播神经网络）是一种常见的有监督学习算法，特别适合解决分类问题。它的核心思想是通过不断调整网络中的权重和偏置，使得网络的输出尽可能接近真实的标签。在 MATLAB 中，Neural Network Toolbox 提供了一套完整的工具，帮助我们快速构建和训练 BP 神经网络。
二、MATLAB Neural Network Toolbox 核心函数
1. feedforwardnet
feedforwardnet用于创建一个前馈神经网络。其基本语法如下：
net = feedforwardnet(hiddenSizes, trainFcn);– hiddenSizes：隐藏层的大小，例如 [10, 5] 表示两层隐藏层，分别为 10 个和 5 个神经元。
– trainFcn：训练函数，默认为'trainlm'（Levenberg-Marquardt 算法）。
2. train
train函数用于训练网络：
[net, tr] = train(net, inputs, targets);– inputs：输入数据。
– targets：目标输出。
– tr：训练记录，包含训练过程中的性能指标。
三、完整代码实现
1. 数据标准化处理
数据标准化是神经网络训练的重要步骤，通常使用 mapminmax 函数将数据归一化到 [-1, 1] 区间：
[inputs, settings] = mapminmax(inputs);2. 网络结构设计
隐藏层神经元数量的选择通常遵循以下原则：
– 第一隐藏层神经元数量为输入层神经元数量的 1.5 到 2 倍。
– 后续隐藏层神经元数量逐渐减少。
3. 训练参数设置
net.trainParam.lr = 0.01; % 学习率
net.trainParam.epochs = 1000; % 迭代次数
net.trainParam.goal = 1e-5; % 目标误差四、重点分析
1. 交叉验证防止过拟合
使用 dividerand 函数将数据分为训练集、验证集和测试集：
net.divideFcn = 'dividerand';
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;2. 激活函数选择
常见的激活函数包括 tansig（双曲正切）和logsig（对数 S 型）。tansig 通常收敛更快，但 logsig 在某些分类任务中表现更好。
3. 训练过程可视化
MATLAB 提供了多种可视化工具：
– plotperform：显示训练过程中的性能变化。
– plottrainstate：显示训练状态（如梯度、动量等）。
五、避坑指南
1. 梯度消失问题
如果训练过程中发现损失函数下降缓慢，可能是梯度消失问题。可以尝试：
– 使用 ReLU 激活函数。
– 调整学习率。
2. 数据量不足
数据不足时，可以通过数据增强（如旋转、平移图像）或使用迁移学习来提升模型性能。
3. 内存不足
对于大数据集，可以使用trainbr（贝叶斯正则化）或减小batch size。
六、完整案例：鸢尾花分类
以下是一个完整的鸢尾花分类代码示例：
% 加载数据
load fisheriris;
inputs = meas';
targets = dummyvar(categorical(species))';
% 数据标准化
[inputs, settings] = mapminmax(inputs);
% 创建网络
net = feedforwardnet([10, 5]);
net.trainFcn = 'trainscg';
net.trainParam.lr = 0.01;
net.trainParam.epochs = 1000;
% 训练网络
[net, tr] = train(net, inputs, targets);
% 测试网络
outputs = net(inputs);
plotconfusion(targets, outputs);结语
通过本文的学习，你应该已经掌握了如何在 MATLAB 中构建和训练 BP 神经网络。接下来，可以尝试修改隐藏层的结构（如增加或减少层数、调整神经元数量），观察模型性能的变化。实践是学习的最佳方式，祝你成功！
