0
点赞
收藏
分享

微信扫一扫

神经网络实现步骤



数据预处理-归一化



在训练神经网络前一般需要对数据进行预处理,一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。



什么是归一化


数据归一化,就是将数据映射到[0,1]或[-1,1]区间或更小的区间,比如(0.1,0.9) 。



为什么要归一化处理 



<1>输入数据的单位不一样,有些数据的范围可能特别大,导致的结果是神经网络收敛慢、训练时间长。


<2>数据范围大的输入在模式分类中的作用可能会偏大,而数据范围小的输入作用就可能会偏小。


<3>由于神经网络输出层的激活函数的值域是有限制的,因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活函数,由于S形函数的值域限制在(0,1),也就是说神经网络的输出只能限制在(0,1),所以训练数据的输出就要归一化到[0,1]区间。


<4>S形激活函数在(0,1)区间以外区域很平缓,区分度太小。例如S形函数f(X)在参数a=1时,f(100)与f(5)只相差0.0067。

归一化算法 

我最经常用的是线性转换,很方便。 只要知道字段的 最大值和最小值即可。

线性函数转换

表达式如下:
y=(x-MinValue)/(MaxValue-MinValue) (归一到0 1 之间)
y=0.1+(x-min)/(max-min)*(0.9-0.1)(归一到0.1-0.9之间)
说明:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。

对数函数转换

表达式如下:
y=log10(x)
说明:以10为底的对数函数转换。

反余切函数转换

表达式如下:
y=atan(x)*2/PI


 

Matlab数据归一化处理函数 

Matlab中归一化处理数据可以采用premnmx , postmnmx , tramnmx 这3个函数。


 premnmx


语法:[pn,minp,maxp,tn,mint,maxt] = premnmx(p,t)

参数:

pn: p矩阵按行归一化后的矩阵

minp,maxp:p矩阵每一行的最小值,最大值

tn:t矩阵按行归一化后的矩阵

mint,maxt:t矩阵每一行的最小值,最大值

作用:将矩阵p,t归一化到[-1,1] ,主要用于归一化处理训练数据集。




 tramnmx


语法:[pn] = tramnmx(p,minp,maxp)

参数:

minp,maxp:premnmx函数计算的矩阵的最小,最大值

pn:归一化后的矩阵


作用:主要用于归一化处理待分类的输入数据。




postmnmx


语法: [p,t] = postmnmx(pn,minp,maxp,tn,mint,maxt)

参数:

minp,maxp:premnmx函数计算的p矩阵每行的最小值,最大值

mint,maxt:premnmx函数计算的t矩阵每行的最小值,最大值

作用:将矩阵pn,tn映射回归一化处理前的范围。postmnmx函数主要用于将神经网络的输出结果映射回归一化前的数据范围。


使用Matlab实现神经网络

使用Matlab建立前馈神经网络主要会使用到下面3个函数:
newff :前馈网络创建函数
train:训练一个神经网络
sim :使用网络进行仿真

 下面简要介绍这3个函数的用法。

newff函数

newff函数语法


newff函数参数列表有很多的可选参数,具体可以参考Matlab的帮助文档,这里介绍newff函数的一种简单的形式。

语法:net = newff ( A, B, {C} ,‘trainFun’)

参数:

A:一个n×2的矩阵,第i行元素为输入信号xi的最小值和最大值;

B:一个k维行向量,其元素为网络中各层节点数;

C:一个k维字符串行向量,每一分量为对应层神经元的激活函数;

trainFun :为学习规则采用的训练算法。




常用的激活函数

 

 常用的激活函数有:

  a) 线性函数 (Linear transfer function)

f(x) = x

  该函数的字符串为’purelin’。


b) 对数S形转移函数( Logarithmic sigmoid transfer function )

    该函数的字符串为’logsig’。

c) 双曲正切S形函数 (Hyperbolic tangent sigmoid transfer function )
  也就是上面所提到的双极S形函数。 
  该函数的字符串为’ tansig’。
  Matlab的安装目录下的toolbox\nnet\nnet\nntransfer子目录中有所有激活函数的定义说明。

常见的训练函数


    常见的训练函数有:

traingd :梯度下降BP训练函数(Gradient descent backpropagation)

traingdx :梯度下降自适应学习率训练函数




网络配置参数


一些重要的网络配置参数如下:

net.trainparam.goal  :神经网络训练的目标误差

net.trainparam.show   : 显示中间结果的周期

net.trainparam.epochs  :最大迭代次数

net.trainParam.lr    : 学习率




 train函数


网络训练学习函数。

语法:[ net, tr, Y1, E ]  = train( net, X, Y )

参数:

X:网络实际输入

Y:网络应有输出

tr:训练跟踪信息

Y1:网络实际输出

E:误差矩阵




 sim函数


语法:Y=sim(net,X)

参数:

net:网络

X:输入给网络的K×N矩阵,其中K为网络输入个数,N为数据样本数

Y:输出矩阵Q×N,其中Q为网络输出个数


Matlab BP网络实例



     

 我将Iris数据集分为2组,每组各75个样本,每组中每种花各有25个样本。其中一组作为以上程序的训练样本,另外一组作为检验样本。为了方便训练,将3类花分别编号为1,2,3 。


  使用这些数据训练一个4输入(分别对应4个特征),3输出(分别对应该样本属于某一品种的可能性大小)的前向网络。


       Matlab程序如下:


%读取训练数据
[f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);

%特征值归一化
[input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;

%构造输出矩阵
s = length( class) ;
output = zeros( s , 3  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end

%创建神经网络
net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ; 

%设置训练参数
net.trainparam.show = 50 ;
net.trainparam.epochs = 500 ;
net.trainparam.goal = 0.01 ;
net.trainParam.lr = 0.01 ;

%开始训练
net = train( net, input , output' ) ;

%读取测试数据
[t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);

%测试数据归一化
testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;

%仿真
Y = sim( net , testInput ) 

%统计识别正确率
[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 %3.3f%%',100 * hitNum / s2 )


参数设置对神经网络性能的影响

       

我在实验中通过调整隐含层节点数,选择不通过的激活函数,设定不同的学习率 


隐含层节点个数


隐含层节点的个数对于识别率的影响并不大,但是节点个数过多会增加运算量,使得训练较慢。


激活函数的选择


激活函数无论对于识别率或收敛速度都有显著的影响。在逼近高次曲线时,S形函数精度比线性函数要高得多,但计算量也要大得多。 


学习率的选择


学习率影响着网络收敛的速度,以及网络能否收敛。学习率设置偏小可以保证网络收敛,但是收敛较慢。相反,学习率设置偏大则有可能使网络训练不收敛,影响识别效果。



使用AForge.NET实现神经网络

 AForge.NET简介


 AForge.NET是一个C#实现的面向人工智能、计算机视觉等领域的开源架构。AForge.NET源代码下的Neuro目录包含一个神经网络的类库。

AForge.NET主页:http://www.aforgenet.com/

AForge.NET代码下载:http://code.google.com/p/aforge/

下面介绍图9中的几个基本的类:
Neuron — 神经元的抽象基类
Layer — 层的抽象基类,由多个神经元组成
Network —神经网络的抽象基类,由多个层(Layer)组成
IActivationFunction - 激活函数(activation function)的接口
IUnsupervisedLearning - 无导师学习(unsupervised learning)算法的接口ISupervisedLearning - 有导师学习(supervised learning)算法的接口

使用Aforge建立BP神经网络

   

   使用AForge建立BP神经网络会用到下面的几个类:


 SigmoidFunction : S形神经网络
  构造函数:public SigmoidFunction( double alpha )
   参数alpha决定S形函数的陡峭程度。



 ActivationNetwork :神经网络类
  构造函数:
  public ActivationNetwork( IActivationFunction function, int inputsCount, params int[] neuronsCount )
                         : base( inputsCount, neuronsCount.Length )
  public virtual double[] Compute( double[] input )
参数意义:
inputsCount:输入个数
neuronsCount :表示各层神经元个数


 BackPropagationLearning:BP学习算法

 构造函数:
public BackPropagationLearning( ActivationNetwork network )
 参数意义:
network :要训练的神经网络对象
BackPropagationLearning类需要用户设置的属性有下面2个:
learningRate :学习率
momentum :冲量因子


下面给出一个用AForge构建BP网络的代码。

// 创建一个多层神经网络,采用S形激活函数,各层分别有4,5,3个神经元
//(其中4是输入个数,3是输出个数,5是中间层结点个数)
ActivationNetwork network = new ActivationNetwork(
    new SigmoidFunction(2), 4, 5, 3);

// 创建训练算法对象
BackPropagationLearning teacher = new
BackPropagationLearning(network);

// 设置BP算法的学习率与冲量系数
teacher.LearningRate = 0.1;
teacher.Momentum = 0;

int iteration = 1 ; 

// 迭代训练500次
while( iteration < 500 ) 
{
         teacher.RunEpoch( trainInput , trainOutput ) ; 
         ++iteration ;
}

//使用训练出来的神经网络来分类,t为输入数据向量
network.Compute(t)[0]




Aforge的相关参考链接:

http://www.codeproject.com/Articles/16447/Neural-Networks-on-C

http://code.google.com/p/aforge/

http://www.aforgenet.com/forum/viewtopic.php?f=2&t=343





我的实例

根据上一篇文章 神经网络模型   中说到的判断 建筑形态。

样本的选择

每种分类中随机选取一部分。剩余的作为测试数据。在预测测试样本结果时中把预测错误的标识出来,把对应的样本添加到训练的样本中。这样能很快训练出成功率达到90+甚至100%的网络

部分代码

如下:

训练网络

我这里是 4个输入 得到 4个输出

private void make_network()
        {
            work_name = this.workname.Text;
            double[][] input = new double[samples][];
            double[][] output = new double[samples][];
            for (int i = 0; i < samples; i++)
            {
                input[i] = new double[4];
                output[i] = new double[4];

                for (int s = 0; s < 4; s++)
                {
                    input[i][s] = input_temps[i, s];

                }

                for (int s = 0; s < 4; s++)
                {
                    output[i][s] = output_temps[i, s];

                }
            }
            //训练网络
            int neruon = int.Parse(this.neuron_text.Text);
            int alpha = int.Parse(this.alpha_text.Text);
            // create multi-layer neural network
            ActivationNetwork network = new ActivationNetwork(new SigmoidFunction(alpha), 4, neruon, 4);
            // create teacher
            BackPropagationLearning teacher = new BackPropagationLearning(network);
            // set learning rate and momentum
            teacher.LearningRate = double.Parse(this.learninglate_text.Text);
            teacher.Momentum = double.Parse(this.Momentum_text.Text);
            //定义绝对误差 
            double error = 1.0;
            int iteration = 1;
        
          
            if (radio2.Checked)
            {
                double error_limit = double.Parse(this.error_text.Text);
                while (error > error_limit)
                {
                    error = teacher.RunEpoch(input, output);
                    this.Invoke(new setStatusDelegate(setStatus), iteration.ToString(), error.ToString());
                    iteration++;
                 
                }
            }

            else if (radio1.Checked)
            {
                int iteration_limit = int.Parse(this.iteration_text.Text);
                while (iteration <iteration_limit )
                {
                    error = teacher.RunEpoch(input, output);
                    this.Invoke(new setStatusDelegate(setStatus), iteration.ToString(), error.ToString());
                    iteration++;
                 

                }
            }

            MessageBox.Show("训练结束");
            // save neural network to file
            network.Save(work_name);
        
        }





单个预测

private void button4_Click(object sender, EventArgs e)
        {
            //把后面需要到的最大最小值,编码与建筑形态的对应数据提出来
            List<string> building_type_names = new List<string>();
            List<string> building_type_code = new List<string>();

            MongoClient client;
            MongoServer server;
            MongoDatabase database;

            client = new MongoClient("mongodb://192.168.0.121");

            server = client.GetServer();
            database = server.GetDatabase("building_type");

            var coll_max_min = database.GetCollection("max_min");
            var cur_max_min = coll_max_min.FindAll();

            foreach (var ttdoc in cur_max_min)
            {
                if (ttdoc.AsBsonDocument["Name"].ToString() == "high")
                {
                    high_max = double.Parse(ttdoc.AsBsonDocument["max"].ToString());
                    high_min = double.Parse(ttdoc.AsBsonDocument["min"].ToString());
                }
                else if (ttdoc.AsBsonDocument["Name"].ToString() == "all_count")
                {

                    all_count_max = double.Parse(ttdoc.AsBsonDocument["max"].ToString());
                    all_count_min = double.Parse(ttdoc.AsBsonDocument["min"].ToString());

                }
                else
                {
                    house_count_max = double.Parse(ttdoc.AsBsonDocument["max"].ToString());
                    house_count_min = double.Parse(ttdoc.AsBsonDocument["min"].ToString());
                }


            }

            var coll_building_type_name = database.GetCollection("building_type_name");
            var cur_building_type_name = coll_building_type_name.FindAll();

            foreach (var ttdoc in cur_building_type_name)
            {

                building_type_names.Add(ttdoc.AsBsonDocument["Name"].ToString());

                building_type_code.Add(ttdoc.AsBsonDocument["code"].ToString());
            }




            //对输入数据归一化,并使用网络进行预测
            string use_work = this.use_work_name_1.Text;
            Network network = Network.Load(use_work);
         
            double[] inputsss = new double[4];

        
                double x = double.Parse(this.high_text.Text);
                double y = (x - high_min) / (high_max - high_min);
                double s = ((0.5 - 0.1) / 0.5) * y + 0.1;
                       inputsss[0] =  s;
          
       inputsss[1] = double.Parse(this.has_businee_text.Text);

       x = double.Parse(this.all_count_text.Text);
               y = (x - all_count_min) / (all_count_max - all_count_min);
               s = ((0.5 - 0.1) / 0.5) * y + 0.1;
               inputsss[2] = s;


               x = double.Parse(this.house_count_text.Text);
               y = (x - house_count_min) / (house_count_max - house_count_min);
               s = ((0.5 - 0.1) / 0.5) * y + 0.1;
                inputsss[3] = s;


                this.label29.Text = inputsss[0] +"," +inputsss[1] +"," +inputsss[2] +","+ inputsss[3];
          
            
            // 使用网络对训练样本计算输出
            double[] result = network.Compute(inputsss);
            string results = "";


            for (int i = 0; i < result.Length; i++)
            {
                if (i == result.Length - 1)
                {
                    results += result[i].ToString();
                }
                else
                {
                    results += result[i].ToString() + ",";

                }
            }

            this.label22.Text = results;

            //结果数据还原成编码
            string change_results = "";

            for (int i = 0; i < result.Length; i++)
            {
                if (i == result.Length - 1)
                {
                    if (result[i] <= 0.5)
                    {
                        change_results += "0";
                    }
                    else 
                    {
                        change_results += "1";
                    
                    }
                }
                else
                {
                    if (result[i] <= 0.5)
                    {
                        change_results += "0"+",";
                    }
                    else
                    {
                        change_results += "1"+",";

                    }

                }
            }

            this.label24.Text = change_results;


            string result_building_type = "";
            //把编码对应转化为建筑形态
            for (int nn = 0; nn < building_type_code.Count(); nn++)
            {

                if (building_type_code[nn].ToString() == change_results)
                {
                    result_building_type = building_type_names[nn];

                }
            
            }

            this.label26.Text = result_building_type;

        }







可能遇到的问题

Aforge如何保存训练好的神经网络

在使用Aforge时 要确定下的版本是不是最新版,如果不是最新版的话可能没有保存的方法。

如果支持保存 可用如下方法保存:

// save neural network to file
network.Save( "my_nn.bin" );




加载神经网络:

// load neural network
Network network = Network.Load( "my_nn.bin" );






神经网络不收敛

收敛不了有可能是样本中出现了 用一种输入得到不同输出。清除一对二的情况。

学习步长和误差率的设置会影响到收敛   一般100条左右的数据收敛时间在 2分钟内 清除一对二之后 很久都没收敛 要适当修改神经元个数,学习步长等。 我100左右的样本 我一般用7或者10个 12个神经元。 

学习步长也应该 注意, 决定学习步长时 你要观察归一化出来的输入数据,虽然说学习步长太大了会导致不收敛,太小了能保证收敛,但速度有很可能很慢, 比如 输入数据中有0.1 也有0.6  如果 学习步长设置为0.01 那收敛速度就会超慢。 设置成0.1 就很快

神经网络参数设置比较;
其他因素一样的情况下:
学习步长:0.1比1快
神经元7个比3个快
函数陡峭度 1比3快  但正确率比3低





举报

相关推荐

0 条评论