Matlab 神经网络拟合使用总结

目录

前言

模型训练

模型验证

总结

---

前言

最近在学习AI，尝试了Matlab自带的神经网络拟合功能，有一些心得简单总结下。如何训练数据并仿真验证训练得到的模型。

模型训练

对于一些应用如果不能很好进行物理建模，输入的变量太多，通过传统的方法很难从输入得到正确的输出，这时候通过AI就可以训练出一个模型应对这些特殊情况。比如洗衣机称重，电池SOC估算等等。

但对不管是什么类型的模型训练都需要提供足够可靠的训练数据，参考Matlab提供的使用深度学习预测电池的充电状态例程。

Predict Battery State of Charge Using Deep Learning - MATLAB & Simulink (mathworks.com)

关于这个例程是通过trainnet函数训练得到的前馈神经网络模型。

 上图的FNN就是训练好的模型，通过输入输出仿真验证模型的准确性。可以看到模型预测的效果和实际效果接近。

 这里采用Matlab的神经网络拟合得到另一个模型，在此基础上验证通过神经网络拟合app得到的模型是否准确。

1.准备训练的数据，上述的例程刚好提供了一些可以用于训练的数据，数据左侧作为输入的x，右侧定义为y。

 2. 打开神经网络拟合app, 可以在app里找到，也可以在命令行输入nftool命令调出。

3.  导入数据

 把刚刚的数据拆分成x和y, 分别导入预测变量和响应，预测变量对应的就是x, y对就正确答案输出。

 4.配置训练参数

如下图，验证数据和测试数据的数值代表百分比，如下：比如输入的数据有100组，70%会作为训练数据，15%作为验证数据，15%作为测试数据。层大小指的是隐藏层有多少个神经元，一般这一层神经元数量越多，训练出来的模型越准确，但过多的神经元也会导致计算量会很大，这时候就需要综合选择合适的层大小。

 5.开始训练

训练结束后会有训练结果，R值越大越准确性越好。可以查看训练状态，性能等。

 

 

 如果生成的模型满足预期，可以生成训练脚本。

 也可以生成simulink模块利用simulink仿真验证。

模型验证

这里我们导出到Simulink，添加到之前的预测电池的充电状态模型。

 这里用层大小用2和10的训练模型进行仿真对比得到两个结论：

1. 通过Matlab 神经网络app训练出来的模型和例程里通过trainnet训练出来的模型效果一样。

2. 层大小为2的效果明显没有层大小为10的效果好。

总结

Matlab的AI或者说尝试学习操作流程也和开源的免费模型差不多，都需要准备训练数据，验证数据，Simulink有个好处除了通过已经获得的数据进行验证外，还可以通过仿真在系统上进行验证。对于一些边沿AI的布署有很大帮助。