MATLAB 神经网络从入门到实战：零基础教程

news/2026/1/19 20:23:53/文章来源:https://www.cnblogs.com/chengdr/p/19503623

一、神经网络核心概念与MATLAB优势

神经网络是模拟人脑神经元结构的数学模型，通过数据训练自动学习特征规律，广泛应用于分类、回归、预测等场景。MATLAB作为工程领域主流工具，其Neural Network Toolbox（神经网络工具箱）封装了从数据预处理到模型部署的全流程功能，无需手动编写复杂算法，零基础也能快速上手。

MATLAB神经网络工具箱核心优势

可视化程度高：内置训练过程监控、网络结构可视化工具，直观理解模型状态；
封装常用网络：BP神经网络、CNN、RNN、LSTM等主流网络一键调用；
数据适配性强：兼容矩阵、表格、图像等多种数据格式，无需复杂格式转换；
轻量化部署：训练好的模型可导出为C/C++代码、MATLAB函数，直接嵌入工程应用。

二、环境准备与基础配置

1. 版本要求

建议使用MATLAB R2020b及以上版本（工具箱功能更完善），安装时需勾选“Neural Network Toolbox”（神经网络工具箱）。

2. 验证工具箱是否安装

打开MATLAB，在命令行输入：

ver neuralnetwork

若返回版本信息，说明工具箱已安装；若提示“未找到命令”，需重新安装并勾选对应工具箱。

三、实战1：BP神经网络实现数据回归预测

BP（反向传播）神经网络是最基础的前馈神经网络，适合解决连续值预测问题（如房价预测、温度预测）。以下以“波士顿房价数据集”为例，完整演示从数据处理到模型训练的全流程。

步骤1：加载并预处理数据

MATLAB内置经典数据集，直接调用即可。数据预处理的核心是归一化（消除量纲影响，提升训练效率）：

% 加载波士顿房价数据集（输入特征13维，输出1维房价）
[inputs, targets] = house_dataset;% 数据归一化（映射到0-1区间）
inputs = mapminmax(inputs, 0, 1); % 输入特征归一化
targets = mapminmax(targets, 0, 1); % 输出标签归一化% 划分训练集、验证集、测试集（默认比例70%:15%:15%）
[inputTrain, inputVal, inputTest, targetTrain, targetVal, targetTest] = dividerand(inputs, targets, 0.7, 0.15, 0.15);

步骤2：创建BP神经网络模型

% 创建BP网络：输入层13神经元，隐藏层8神经元，输出层1神经元
% feedforwardnet为前馈神经网络函数，trainlm为Levenberg-Marquardt训练算法（收敛速度快）
net = feedforwardnet(8, 'trainlm');% 设置网络参数
net.trainParam.epochs = 1000; % 最大训练轮数
net.trainParam.goal = 1e-5; % 训练目标误差（越小精度越高）
net.trainParam.lr = 0.01; % 学习率（控制参数更新步长）% 划分数据（将预处理后的数据分配给网络）
net.inputs{1}.processFcns = {'removeconstantrows', 'mapminmax'}; % 输入处理：移除常量行+归一化
net.outputs{2}.processFcns = {'removeconstantrows', 'mapminmax'}; % 输出处理：移除常量行+归一化

步骤3：训练模型并可视化结果

% 训练网络
[net, tr] = train(net, inputTrain, targetTrain);% 用测试集验证模型
yTest = net(inputTest);% 反归一化（将预测值和真实值还原为原始尺度）
yTest = mapminmax('reverse', yTest, targets);
targetTest = mapminmax('reverse', targetTest, targets);% 计算均方误差（评价模型精度）
mseError = mse(yTest - targetTest);
fprintf('测试集均方误差：%.4f\n', mseError);% 可视化预测结果
figure;
plot(targetTest, 'b-o', 'LineWidth', 1); hold on;
plot(yTest, 'r--s', 'LineWidth', 1);
legend('真实房价', '预测房价');
xlabel('样本序号'); ylabel('房价（万美元）');
title('BP神经网络房价预测结果');
grid on;% 可视化训练过程
figure;
plotperform(tr); % 绘制训练误差曲线
title('训练误差变化趋势');
xlabel('训练轮数'); ylabel('误差');
grid on;

关键代码解释

feedforwardnet(8, 'trainlm')：创建隐藏层8个神经元的前馈网络，选用trainlm算法（适合小样本、高精度场景）；
dividerand：按比例随机划分数据集，避免过拟合；
mapminmax：数据归一化/反归一化核心函数，解决不同特征量纲差异问题；
train：训练函数，返回训练后的网络net和训练记录tr（包含误差、轮数等信息）；
mse：计算均方误差，值越小说明模型预测越准确（一般小于0.1为合格）。

四、实战2：神经网络分类任务（鸢尾花数据集）

分类是神经网络另一核心应用，以下以鸢尾花数据集为例，实现三类花卉的分类。

% 加载鸢尾花数据集（4个特征，3类标签）
[inputs, targets] = iris_dataset;% 标签向量化（将类别转换为二进制矩阵，适配神经网络输出）
targets = ind2vec(targets);% 划分数据集
[inputTrain, inputVal, inputTest, targetTrain, targetVal, targetTest] = dividerand(inputs, targets, 0.7, 0.15, 0.15);% 创建分类神经网络（隐藏层10个神经元）
net = patternnet(10); % patternnet专为分类任务设计% 设置训练参数
net.trainParam.epochs = 500;
net.trainParam.goal = 1e-4;% 训练网络
[net, tr] = train(net, inputTrain, targetTrain);% 测试模型
yTest = net(inputTest);
yTest = vec2ind(yTest); % 将输出向量转换为类别索引
targetTest = vec2ind(targetTest);% 计算分类准确率
accuracy = sum(yTest == targetTest) / length(targetTest) * 100;
fprintf('测试集分类准确率：%.2f%%\n', accuracy);% 混淆矩阵可视化（直观展示分类效果）
figure;
confusionmat(targetTest, yTest);
title('分类混淆矩阵');