上QQ阅读APP看书，第一时间看更新
2.4 神经网络Net训练窗口的显示与关闭
神经网络应用比比皆是，例如常用的BP神经网络，该网络通过误差反向传播，达到逼近目标的目的。BP神经网络有自学习功能，能够很好地适应各种线性及非线性系统等，结构图如图2-36所示。
图2-36 BP神经网络结构图
对于一个BP神经网络模型而言，定义输入输出变量，以及各层权值和符号简要说明如下：
对于输出层，有：
对于隐层，有：
其中，
。
具体的MATLAB代码如下：
% Designed by Yu Shengwei From SWJTU University
% 2015年2月3日
clc,clear,close all % 清理命令区、清理工作区、关闭显示图形
warning off % 消除警告
feature jit off % 加速代码运行
format short % 数据类型
tic % 运算计时
P = [1,1,7,4,0,6,3,0,8,7; % 输入
1,3,6,7,9,6,1,0,0,4];
T = [1,8,2,8,0,3,7,8,2,4]; % 输出
% 创建一个新的前向神经网络
net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm');
% 当前输入层权值和阈值
inputWeights=net_1.IW{1,1} ; % 权值
inputbias=net_1.b{1} ; % 阈值
% 当前网络层权值和阈值
layerWeights=net_1.LW{2,1} ; % 权值
layerbias=net_1.b{2} ; % 阈值
% 设置训练参数
net_1.trainParam.show = 50; % 训练显示间隔
net_1.trainParam.lr = 0.05; % 学习率
net_1.trainParam.mc = 0.9; % 动量因子
net_1.trainParam.epochs = 10000; % 迭代次数
net_1.trainParam.goal = 1e-3; % 最小误差
% 调用 TRAINGDM 算法训练 BP 网络
[net_1,tr]=train(net_1,P,T); % 训练网络
% 对 BP 网络进行仿真
A = sim(net_1,P);
% 计算仿真误差
E = T - A; % 误差
MSE=mse(E) % 均方差
x=[1,3,6,7,9,6,1,0,0,4;
1,8,2,4,5,7,8,9,0,1];
sim(net_1,x)' % 预测结果
toc % 计时结束
运行程序输出结果如下：
MSE =
0.1187
ans =
1.0630
8.5173
2.8468
3.2789
3.1808
5.8226
0.1082
0.0756
7.9932
6.6894
时间已过 26.751669 秒。
由均方误差值可知，该网络训练输出误差很小，可以用于模型预测。
然而运行的过程中，经常弹出如图2-37所示的网络训练对话框，有时候很影响用户执行程序的效率，因此很多用户更多地希望该对话框不出现，即隐藏该对话框，提高程序运行速度。
图2-37 网络训练对话框
当给程序添加以下代码时，则如图2-37所示的窗口将不显示，具体如下：
net_1.trainParam.showWindow = 0;
默认情况下，net_1.trainParam.showWindow等于1，即显示网络训练状态，如图2-37所示。
则完整的BP代码如下：
% Designed by Yu Shengwei From SWJTU University
% 2015年2月3日
clc,clear,close all % 清理命令区、清理工作区、关闭显示图形
warning off % 消除警告
feature jit off % 加速代码运行
format short % 数据类型
tic % 运算计时
% 构建网络
nntwarn off
P = [1,1,7,4,0,6,3,0,8,7;
1,3,6,7,9,6,1,0,0,4];
T = [1,8,2,8,0,3,7,8,2,4];
% 创建一个新的前向神经网络
net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm');
% 当前输入层权值和阈值
inputWeights=net_1.IW{1,1} ;
inputbias=net_1.b{1} ;
% 当前网络层权值和阈值
layerWeights=net_1.LW{2,1} ;
layerbias=net_1.b{2} ;
% 设置训练参数
net_1.trainParam.show = 50; % 显示间隔
net_1.trainParam.lr = 0.05; % 学习率
net_1.trainParam.mc = 0.9; % 动量因子
net_1.trainParam.epochs = 10000; % 学习次数
net_1.trainParam.goal = 1e-3; % 最小均方根误差
net_1.trainParam.showWindow = 0; % 不显示神经网络训练窗口
% 调用 TRAINGDM 算法训练BP网络
[net_1,tr]=train(net_1,P,T); % 训练
% 对BP网络进行仿真
A = sim(net_1,P);
% 计算仿真误差
E = T - A; % 误差
MSE=mse(E) % 均方差
x=[1,3,6,7,9,6,1,0,0,4;
1,8,2,4,5,7,8,9,0,1];
sim(net_1,x)' % 预测结果
toc % 计时结束
运行程序输出结果如下：
MSE =
9.7580e-04
ans =
1.0432
6.0335
4.1839
4.0281
3.0099
1.4709
6.3602
0.0262
7.9593
4.5517
时间已过 10.713016 秒。
对比显示BP网络训练窗口程序，添加net_1.trainParam.showWindow=0这句代码后，程序执行时间为10.713016秒，大大降低了程序执行时间，而net_1.trainParam.showWindow=1时，程序执行时间为26.751669秒。因此这个小技巧也应该引起读者朋友的注意。