Matlab多层感知器问题

Question

我需要使用 Matlab MLP 对数据集进行分类并显示分类。

数据集看起来像

Click to view

到目前为止我所做的是：

1. 我创建了一个包含隐藏层的神经网络（两个神经元 ?? 也许有人可以给我一些建议 神经元适合我的例子）和一个输出层（一个 神经元）。

2. 我使用了几种不同的学习方法，例如 Delta bar Delta，反向传播（这两种方法都与或 -out 一起使用 动量和 Levenberg-Marquardt。）

这是我在 Matlab 中使用的代码（Levenberg-Marquardt 示例）

net = newff(minmax(Input),[2 1],{'logsig' 'logsig'},'trainlm');
net.trainParam.epochs = 10000;
net.trainParam.goal = 0;
net.trainParam.lr = 0.1;
[net tr outputs] = train(net,Input,Target);

下面是Matlab在数据上生成的隐藏神经元分类边界，我有点糊涂，因为网络应该产生非线性结果，但下面的结果似乎两条边界线是线性的..

Click to view

生成上图的代码是：

figure(1)
plotpv(Input,Target);
hold on
plotpc(net.IW{1},net.b{1});
hold off

我还需要绘制输出神经元的输出函数，但我坚持这一步。谁能给我一些建议？

提前致谢。

Answer 1

关于隐藏层中的神经元数量，对于这样一个小例子来说，两个就绰绰有余了。确定最佳值的唯一方法是使用不同的数字进行测试。在此常见问题解答中，您可以找到可能有用的经验法则：http://www.faqs.org/faqs/ai-faq/neural-nets/

对于输出函数，将其分为两步通常很有用：

首先，给定输入向量x，隐藏层神经元的输出为y = f(x) = x^T w + b 其中w是从输入神经元到隐藏层的权重矩阵， >b 是偏置向量。

其次，您必须将网络的激活函数 g 应用于上一步的结果向量 z = g(y)

最后，输出是点积 h(z) = z 。 v + n，其中 v 是从隐藏层到输出神经元的权重向量，n 是偏差。如果有多个输出神经元，您将对每个神经元重复此操作。

我从未使用过 matlab mlp 函数，所以我不知道在这种情况下如何获得权重，但我确信网络会将它们存储在某个地方。编辑：搜索文档我找到了属性：

• net.IW numLayers-by-numInputs 输入权重值元胞数组
• net.LW numLayers-by-numLayers 层权重值元胞数组
• net.b numLayers-by-1 偏差值元胞数组