MATLAB中一些函数，用于神经网络

一：minmax（）

minmax(A) 即是求解A矩阵中每个 行向量 中的最小值和最大值

eg：A=[1 2 4 -6 ;

             3 -4 90 6;

             4 6 -23 -35];

         P=minmax(A)

         P = -6    4

              -4    90

              -35    6

二：hold on 和hold off

hold on 是当前轴及图像保持而不被刷新，准备接受此后将绘制的图形，多图共存即，启动图形保持功能，当前坐标轴和图形都将保持，从此绘制的图形都将添加在这个图形的基础上，并自动调整坐标轴的范围。

hold off 使当前轴及图像不再具备被刷新的性质，新图出现时，取消原图。即，关闭图形保持功能。

hold on 和hold off，是相对使用的

前者的意思是，你在当前图的轴（坐标系）中画了一幅图，再画另一幅图时，原来的图还在，与新图共存，都看得到

后者表达的是，你在当前图的轴（坐标系）中画了一幅图，此时，状态是hold off,则再画另一幅图时，原来的图就看不到了，在轴上绘制的是新图，原图被替换了。

三：rand 和 randn

rand是0-1的均匀分布，randn是均值为0方差为1的正态分布；

rand(n)或randn(n)生成nn的随机数矩阵。

rand(n,m)或randn(m,n)生成mn的随机数矩阵。

四：gac、gca 和 gco

gcf 返回当前Figure对象的句柄值

gca 返回当前axes对象的句柄值

gco 返回当前鼠标单击的句柄值，该对象可以是除root对象外的任意图形对象，并且Matlab会把当前图形对象的句柄值存放在Figure的CurrentObject属性中。

五：compet

compet是神经网络的竞争传递函数，用于指出矩阵中每列的最大值。对应最大值的行的值为1，其他行的值都为0。

六：bar和barn

二维条形图：bar（）

bar(Y) 如果Y为矢量，其每一个元素绘制一个条形；如果Y为矩阵，侧bar函数对每一行元素绘制的条形进行分组。

bar(x,Y) 按x中指定的位置绘制Y中每一元素的条形。

bar(…,width) 设置相邻条形的宽度并控制组内条形的分离，默认值为08，如果指定width=1,则组内的条形挨在一起。

bar(…,’style’) 指定绘制条形的类型，style有两个选项：（1） stacked 矩阵Y中每一行绘制一个条形，条形的高度为行元素中元素的和，每一个条形都用多种颜色表示，颜色对应不同种类的元素并表示每行元素对总和的相对贡献。（2） group 绘制n条形图组，每一个条形组中有m个垂直条形，其中n对应矩阵Y的行数，m对应列数，group为style的默认值。

bar(…,LineSpec) 用LineSpec指定的颜色绘制条形。

h=bar(…) 返回图形句柄。

barh(…) 绘制水平条形图。

h=barh(…) 返回水平条形图的图形句柄。

三维条形图：bar3（）和barah（）

bar3(Y) 绘制三维条形图，如果Y为矢量，其每一个元素绘制一个条形；如果Y为矩阵，侧bar函数对每一行元素绘制的条形进行分组。

bar3(x,Y) 按x中指定的位置绘制Y中每一元素的条形。

bar3(…,width) 设置相邻条形的宽度并控制组内条形的分离，默认值为08，如果指定width=1,则组内的条形挨在一起。

bar3(…,’style’) 指定绘制条形的类型，style有3个选项：（1） stacked 矩阵Y中每一行绘制一个条形，条形的高度为行元素中元素的和，每一个条形都用多种颜色表示，颜色对应不同种类的元素并表示每行元素对总和的相对贡献。（2） group 绘制n条形图组，每一个条形组中有m个垂直条形，其中n对应矩阵Y的行数，m对应列数，group为style的默认值。（3） detached 在x方向用单独的条形块绘制Y中的每一行元素，detached为style的默认值；

bar3(…,LineSpec) 用LineSpec指定的颜色绘制条形。

h=bar3(…) 返回三维条形图的图形句柄。

barh(…) 绘制三维水平条形图。

h=barh(…) 返回三维水平条形图的图形句柄。

三维条形图有两种显示形式：分组形式和行列形式。

未完待续

是的，Matlab提供了神经网络工具箱，其中包括多种神经网络算法和函数。用户可以使用这些现成的包来构建、训练和测试神经网络模型，以实现各种任务，如分类、回归、聚类等。神经网络工具箱还提供了可视化工具和交互式界面，以简化神经网络建模和分析的过程。除了常见的前馈神经网络、反馈神经网络和自组织神经网络，Matlab神经网络工具箱还包括以下算法和函数：

1 卷积神经网络（Convolutional Neural Networks, CNNs）：用于处理图像、视频等数据的神经网络结构。

2 循环神经网络（Recurrent Neural Networks, RNNs）：用于处理序列数据的神经网络结构，如文本、语音等。

3 长短时记忆网络（Long Short-Term Memory Networks, LSTM）：一种特殊的循环神经网络，用于处理长序列数据的模型。

4 限制玻尔兹曼机（Restricted Boltzmann Machines, RBMs）：一种用于学习数据分布的无监督学习模型。

5 自编码器（Autoencoder）：一种用于学习数据表征的模型，可以用于压缩、降噪和特征提取等任务。

6 深度强化学习（Deep Reinforcement Learning）：结合深度学习和强化学习的技术，用于解决复杂的决策问题。

此外，Matlab还提供了丰富的神经网络函数库，用于模型初始化、训练、调试和评估等方面的 *** 作。用户可以根据具体需求选择适合的算法和函数，进行定制化的神经网络建模和分析。

你要看你的图像是什么。如果是彩色数字，先转成灰度。用MNIST训练网络。如果是各种主题，用彩色的imageNET训练。如果你的数据量大到足以与数据集媲美，那么直接用你的数据训练网络即可。

在流行的数据集上训练完，你需要固定卷积池化层，只训练后面的全连接层参数，用你自己的数据集。

CNN一是调整网络结构，几层卷积几层池化，卷积的模板大小等。而是在确定结构上调整参数，weightscale，learningrate，reg等。

你用CNN做图像分类，无非是把CNN当成学习特征的手段，你可以吧网络看成两部分，前面的卷积层学习图像基本-中等-高层特征，后面的全连接层对应普通的神经网络做分类。

需要学习的话，首先你去看UFLDL教程。然后cs231n

与其问别人，首先你看了imageNet数据集了吗？

对于把流行数据集与自己数据混合训练模型的方法。如果两种数据十分相似，也未尝不可。但是对于流行数据集而言，自己的标注数据量一般不会太大，如果是1：1000，1:100这种比例，那么可能不加自己的数据，完全用数据集训练的模型就能得到一个还好的结果。

如果自己的数据和数据集有些差别，那混在一起我认为自己的是在用自己的数据当做噪声加到数据集中。cnn认为图像是局部相关的，而欺骗CNN的方法则主要出于，自然图像分布在一种流形结构中，训练的模型需要这种流形假设，而人工合成的图像由于添加非自然噪点，不满足模型假设，所以能用肉眼难分辨的噪声严重干扰分类结果。

如果二者相差过大，数据集是一种分布，你的数据是另一种，放到一起训练，我没试过，但我认为结果不会太好。

这时候只能把数据集用来训练cnn的特征提取能力。而后用于分类的全连接层，视你的数据量调整规模。

首先你要根据的你问他选择用什么神经网络，然后重点关注那一种神经网络的特点，输入输出怎么定，精度要求是多少等问他，然后你就一一解决就可以了。你的问题太宽泛了，自己先想好要解决什么问题然后再确定怎么解决

给你一个实例，希望通过该例子对实现神经网络应用有一定的了解。

%x,y分别为输入和目标向量

x=1:5;

y=[639 646 642 624 652];

%创建一个前馈网络

net=newff(minmax(x),[20,1],{'tansig','purelin'});

%仿真未经训练的网络net并画图

y1=sim(net,x);plot(x,y1,':');

%采用L-M优化算法

nettrainFcn='trainlm';

%设置训练算法

nettrainParamepochs=500;nettrainParamgoal=10^(-6);

%调用相应算法训练BP网络

[net,tr,yy]=train(net,x,y);

%对BP网络进行仿真

y1=sim(net,x);

 %计算仿真误差

E=y-y1;MSE=mse(E)

hold on

%绘制匹配结果曲线

figure;

plot(x,y1,'r',x,y,'b--')

执行结果

matlab 带有神经网络工具箱，可直接调用，建议找本书看看，或者MATLAB论坛找例子。

核心调用语句如下：

%数据输入

%选连样本输入输出数据归一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%% BP网络训练

% %初始化网络结构

net=newff(inputn,outputn,[8 8]);

nettrainParamepochs=100;

nettrainParamlr=001;

nettrainParamgoal=001;

%网络训练

net=train(net,inputn,outputn);

%% BP网络预测

%预测数据归一化

inputn_test=mapminmax('apply',input_test,inputps);

%网络预测输出

an=sim(net,inputn_test);

%网络输出反归一化

BPoutput=mapminmax('reverse',an,outputps);

%% 结果分析