MATLAB神经网络学习

由于做研究需要，学习了一下matlab的知识。在学习过程当中也出现过问题，也学会一些办法来解决这些问题。在这里做一下笔记，来记录matlab神经网络学习过程。以下内容中还有很多是从网上借鉴而来，权当学习。

1.什么是神经网络

比较粗浅的解释是，我们把输入信号当做matlab中需要输入的数据，将这些数据输入到神经网路后，这些数据都会乘以个数，即权值w，得出的结果再与阈值b相加后求和得到u，为了能达到处理非线性的目的，u做了个变换，变换的规则和传输函数有关。

BP网络结构

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP网络函数生成（newff函数）

net=newff(PR,[S1 S2...SN],{TF1 TF2...TFN},BTF,BLF,PF)

PR:一个R*2矩阵，由R维输入向量的每维最小值和最大值组成

Si：第i层的神经元个数

TFi：第i层的传递函数，默认为tansig

BTF：训练函数，默认为trainlm

BLF：学习函数，默认为learngdm

PF：性能函数，默认为mse

关于隐含层节点数

n为输入层节点数

①s=log2n

②s=2n+1

2.BP算法网络训练失败的可能性较大，其原因有：

①从数学角度看，BP算法作为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的局部极值，因此，算法很有可能陷入局部极值，使训练失败。

②网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

3.求两个矩阵的相关性

可以用corrcoef函数来解决，corrcoef函数算出来的是皮尔逊（pearson）相关系数。例如A=corrcoef(X,Y); 输出A是一个二维矩阵，它的对角元恒为1，关于X，Y的相关系数就存放到A(1，2)=A(2,1)上，其值在[-1,1]之间，1代表最大的正相关，-1代表绝对值最大的负相关。

皮尔逊相关也称为积差相关（或积矩相关）是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。

回归分析
[b,bint,r,rint,stats]=regress(Y,X)

b是回归方程的系数，bint是回归系数的区间估计，r是残差，rint是置信区间，stats是用于检验回归模型的统计量，有三个参数：相关系数r^2，F值，与F对应的概率P。