MATLAB神经网络工具箱中的网络对象及属性

目录

结构属性 ...................................................................... 1 函数属性 ...................................................................... 4 参数属性 ...................................................................... 6 权值和阈值属性 .......................................................... 7 子对象的属性 .............................................................. 8

1

在MATLAB中把定义的神经网络看作一个对象，对象还包括一些子对象：输入向量、网络层、输出向量、目标向量、权值向量和阈值向量等，这样网络对象和各子对象的属性共同确定了神经网络对象的特性。网络属性除了只读属性外，均可以按照约定的格式和属性的类型进行设置、修改、引用等。引用格式为：

网络名. [子对象] . 属性

例如：net.Inputs，net.biasConnect(1)，net.inputConnect(1,2)，net.inputs{1}.range。

在MATLAB命令窗口中逐条执行以下语句（newp、newff为网络创建函数），即可创建网络net1和net2。

p=[1,2;-1,1;0,1]; net1=newp(p,2);

net2=newff([-1 1;-1 1], [15,2], {'tansig','purelin'}, 'traingdx', 'learngdm');

结构属性

结构属性决定了网络子对象的数目（包括输入向量、网络层向量、输出向量、目标向量、阈值向量和权值向量的数目）以及它们之间的连接关系。无论何时，结构属性值一旦发生变化，网络就会自动重新定义，与之相关的其他属性值也会自动更新。

（1）numInputs属性

net.numInputs属性定义了网络的输入向量数，它可以被设置为零或正整数。其值一般在用户定义网络中才被设置，而由MATLAB神经网络工具箱中的网络定义函数所创建的网络，则输入向量就不止一个，而是多个。所以网络的输入向量数并不是网络输入元素的个数。

net.numInputs属性值一旦改变，与输入向量相关的输入层连接向量（net.inputConnect）和输入层向量（net.inputs）会自动随之改变。

（2）numLayers属性

numLayers属性定义了网络的层数，它可以被设置为零或正整数。

net.numLayers属性值一旦改变，下列与网络相关的布尔代数矩阵就会随之改变： net.biasConnect net.inputConnect net.layerConnect net.targetConnect

下列与网络层相关的子对象细胞矩阵的大小也会随之改变： net.biases

net.inputWeights net.layerWeights net.outputs net.targets

下列网络调整参数细胞矩阵的大小也会随之改变： net.IW net.LW net.b

1

细胞矩阵是将多个矩阵向量作为细胞矩阵的一个“细胞（Cell）”，细胞矩阵的各个元素值为对应细胞的大小和数值类型。

（3）biasConnect属性

net.biasConnect属性定义各个网络层是否具有阈值向量，其值为Nl*1布尔型向量（0或1），Nl为网络层数（net.Layers）。

可以通过访问net.biasConnect{i}的值，查看第i个网络层是否具有阈值向量。

net.biasConnect的属性值一旦改变，则阈值结构细胞矩阵（net.biases）和阈值向量细胞矩阵（net.b）将随之改变。

（4）inputConnect属性

net.inputConnect属性定义各网络层是否具有来自个输入向量的连接权，其值为Nl*Ni布尔型向量（0或1），Nl为网络层数（net.numLayers），Ni为网络输入向量数（net.numInputs）。

可以通过访问net.inputConnect(i,j)的值，来查看第i个网络是否具有来自第j个输入向量的连接权。

net.inputConnect的属性值一旦改变，输入层权值细胞结构矩阵（net.inputWeights）和权值向量细胞矩阵（net.IW）将随之改变。

（5）layerConnect属性

net.layerConnect属性定义一个网络层是否具有来自另外一个网络层的连接权，其值为Nl*Nl的布尔型向量（0或1），Nl为网络层数（net.numLayers）。

可以通过访问net.layerConnect(i,j)的值，来查看第i个网络层是否具有来自第j个网络层的连接权。

net.layerConnect的属性值一旦改变，网络层权值结构细胞矩阵（net.layerWeights）和网络层权值向量细胞矩阵（net.IW）将随之改变。

（6）outputConnect属性

net.outputConnect属性定义各网络层是否作为输出层，其值为1*Nl的布尔型向量（0或1），Nl为网络层数（net.numLayers）。

可以通过访问net.outputConnect(i)的值来查看第i个网络层是否作为输出层。

net.outputConnect属性值一旦改变，网络输出层数目（net.numOutputs）和输出层结构细胞矩阵（net.outputs）将随之改变。

（7）targetConnect属性

net.targetConnect定义各网络层是否和目标向量有关，其值为1*Nl的布尔型向量（0或1），Nl为网络层数（net.numLayers）。

可以通过访问net.targetConnect(i)的值来查看第i个网络层是否和目标向量有关。 net.targetConnect属性值一旦改变，网络层目标向量的数目（net.numOutputs）和目标向量结构细胞矩阵（net.targets）将随之改变。

（8）numOutputs属性（只读）

net.numOtputs属性值为输出向量的数目，它等于outputConnect矩阵中元素值为1（True） 的个数之和， 即：numOutputs=sum(net.outputConnect)。

（9）numTargets属性（只读）

net.numTargets属性值为输出向量的数目，它等于targetConnect矩阵中元素值为1（True） 的个数之和， 即：numTargets=sum(net.targetConnect)。

（10）numInputDelays属性（只读）

net.numInputDelays属性定义进行网络仿真时输入向量的延迟量。其值总是设置为与网络输入相连的权值延迟量的最大值，即

2

numInputDelays=0; for i=1:net.numLayers for j=1:net.numInputs

if net.inputConnect(i,j)

numInputDelays=max([numInputDelays net.inputWeights{i,j}.delays]);

end end

（11）numLayerDelays属性（只读）

net.numLayerDelays属性定义进行网络仿真时网络层输出到哪员的延迟量。其值总是设置为与网络相连的权值延迟量的最大值，即

numLayerDelays=0; for i=1:net.numLayers for j=1:net.numLayers

if net.layerConnect(i,j)

numLayerDelays=max([numLayerDelays net.layerWeights{i,j}.delays]); end end

3

函数属性

函数属性定义了一个网络在进行权值/阈值调整、初始化、误差性能计算或训练时采用的算法。

（1）adaptFcn属性

net.adaptFcn属性定义了网络进行权值/阈值调整时所采用的函数，它可以被设置为任意一个进行权值/阈值调整的函数名，包括trains函数。

adapt函数一旦被调用，就可以实现网络权值/阈值的调整： [net, Y, E, Pf, Af]=adapt(NET, P, T, Pi, Ai) 另外，用户可以自定义权值/阈值调整函数。

adaptFcn属性值一旦发生变化，网络的调整参数（net.adaptFcn）将被设置为新的调整函数所包含的参数及其默认参数值。

（2）initFcn属性

net.adaptFcn属性定义了网络初始化权值/阈值向量所采用的函数，它可以被设置为任意一个进行网络权值/阈值初始化的函数名，包括initlay（网络层初始化函数）工具箱函数。

init函数一旦被调用，就可以实现网络权值/阈值的初始化： net=init(net)

init属性值一旦发生变化，网络的初始化参数（net.initParam）将被设置为新的初始化函数所包含的参数及其默认参数值。

（3）performFcn属性

net.performFcn属性定义了网络用于衡量网络性能所采用的函数，它可以被设置为任意一个网络性能函数名。例如：mae---绝对平均误差性能函数（mean absolute error）；mse---均方误差性能函数（mean squared error）；msereg---归一化均方误差性能函数（mean squared error with regularization）；sse---平方和误差性能函数（sum squared error）。

performFcn属性值一旦发生变化，网络性能参数（net.performParam）将被设置为新的性能函数所包含的参数及其默认值。

（4）trainFcn属性

net.trainFcn属性定义了网络用于训练网络性能所采用的函数，它可以被设置为任意一个训练函数名。

trainbfg---BFGS算法（拟牛顿反向传播算法）训练函数； trainbr---贝叶斯归一化法训练函数；

traincgb---Powell-Beale共轭梯度反向传播算法训练函数； traincgp---Polak-Ribiere变梯度反向传播算法训练函数； traingd---梯度下降反向传播算法训练函数；

4

本文来源：https://www.bwwdw.com/article/ez22.html