BP神经网络MATLAB实战：从零开始构建你的第一个分类模型

1次阅读

共计 2624 个字符，预计需要花费 7 分钟才能阅读完成。

BP 神经网络（Backpropagation Neural Network）是一种经典的前馈神经网络，广泛应用于分类、回归等任务。在分类问题中，BP 神经网络通过学习输入数据的非线性映射关系，能够有效区分不同类别的样本。常见的应用场景包括：

图像分类（如手写数字识别）
医学诊断（如肿瘤良恶性判断）
金融风险评估（如信用评分）
工业质量控制（如产品缺陷检测）

MATLAB 提供了强大的 Neural Network Toolbox，其中几个关键函数如下：

feedforwardnet: 创建前馈神经网络
train: 训练神经网络
perform: 计算网络性能
view: 可视化网络结构

% 加载数据
data = load('iris_dataset.mat');
X = data.meas;
Y = data.species;

% 数据标准化（Z-score）[X, PS] = mapstd(X');
X = X';

% 标签转换为分类变量
Y = categorical(Y);

% 划分训练集和测试集（70% 训练，30% 测试）[trainInd, testInd] = dividerand(size(X,1), 0.7, 0.3);
X_train = X(trainInd,:);
Y_train = Y(trainInd);
X_test = X(testInd,:);
Y_test = Y(testInd);

% 创建 BP 神经网络（1 个隐藏层，10 个神经元）net = feedforwardnet(10);

% 设置训练参数
net.trainParam.epochs = 1000;     % 迭代次数
net.trainParam.lr = 0.01;         % 学习率
net.trainParam.goal = 1e-5;       % 训练目标误差
net.trainParam.showCommandLine = true;  % 显示训练过程

% 设置激活函数
net.layers{1}.transferFcn = 'tansig';  % 隐藏层用 tanh
net.layers{2}.transferFcn = 'softmax'; % 输出层用 softmax

% 查看网络结构
view(net)

% 将分类标签转换为 dummy 变量
T_train = dummyvar(double(Y_train));
T_test = dummyvar(double(Y_test));

% 训练网络
[net, tr] = train(net, X_train', T_train');

% 测试网络
Y_pred = net(X_test');
[~, Y_pred] = max(Y_pred);
Y_pred = categorical(Y_pred, [1 2 3], categories(Y_train));

% 计算准确率
accuracy = sum(Y_pred == Y_test)/numel(Y_test);
fprintf('测试集准确率: %.2f%%\n', accuracy*100);

使用交叉验证：MATLAB 内置的 dividerand 函数可以随机划分数据集
早停法（Early Stopping）：通过验证集监控训练过程，当验证误差开始上升时停止训练
正则化：通过设置 net.performParam.regularization 参数添加 L2 正则项

tansig（双曲正切）：输出范围[-1,1]，适合隐藏层
logsig（逻辑 Sigmoid）：输出范围[0,1]，适合二分类
softmax：输出归一化为概率分布，适合多分类

% 绘制训练过程
plotperform(tr)

% 绘制回归图
plotregression(Y_test, Y_pred)

现象：训练初期 loss 下降很慢或几乎不变
解决方案：
使用 ReLU 激活函数（poslin）
调整初始权重（init函数）
批归一化（Batch Normalization）

数据增强：对现有数据进行旋转、平移等变换
迁移学习：使用预训练网络的特征提取部分
合成少数类样本：如 SMOTE 算法

使用小批量训练：设置net.trainParam.miniBatchSize
降低网络规模：减少隐藏层神经元数量
使用 GPU 加速：train(net,X,T,'useGPU','yes')

%% 鸢尾花分类完整示例
% 加载数据
load fisheriris
X = meas;
Y = species;

% 数据预处理
[X, PS] = mapstd(X');
X = X';
Y = categorical(Y);

% 划分数据集
[trainInd, testInd] = dividerand(size(X,1), 0.7, 0.3);
X_train = X(trainInd,:);
Y_train = Y(trainInd);
X_test = X(testInd,:);
Y_test = Y(testInd);

% 创建网络
net = feedforwardnet(10);
net.trainParam.epochs = 500;
net.trainParam.lr = 0.01;
net.layers{1}.transferFcn = 'tansig';
net.layers{2}.transferFcn = 'softmax';

% 训练
T_train = dummyvar(double(Y_train));
[net, tr] = train(net, X_train', T_train');

% 测试
Y_pred = net(X_test');
[~, Y_pred] = max(Y_pred);
Y_pred = categorical(Y_pred, [1 2 3], categories(Y_train));

% 评估
accuracy = sum(Y_pred == Y_test)/numel(Y_test);
fprintf('准确率: %.2f%%\n', accuracy*100);

% 可视化
figure, plotconfusion(Y_test, Y_pred)
figure, plotroc(Y_test', Y_pred')

读者可以尝试修改隐藏层神经元数量（如改为 5 或 20），观察对分类准确率的影响。也可以尝试增加隐藏层数量，体验深层网络的训练过程。通过这种方式，可以直观理解网络容量与模型性能的关系。

正文完