解决Warning: NEWFF used in an obsolete way. See help for NEWFF to update calls to the new argument li

迈不过友情╰ 2022-06-18 00:29 124阅读 0赞

# 解决Warning: NEWFF used in an obsolete way.   See help for NEWFF to update calls to the new argument list. #

【[转载请注明出处][Link 1]】http://blog.csdn.net/guyuealian/article/details/66969232

使用Matlab工具箱创建神经网络时，需要用到newff函数，但若使用旧版本的newff函数，会出现下面的警告：

>> net = newff( minmax(input) , \[10 3\] , \{ 'logsig' 'purelin' \} , 'traingdx') ; %旧版本  
Warning: NEWFF used in an obsolete way.   
> In obs\_use at 18  
  In newff>create\_network at 127  
  In newff at 102   
          See help for NEWFF to update calls to the new argument list.

![Center][]

**一、新旧版本newff函数差异和解决方法：**

** **    这种警告是由于使用旧版本的newff参数列表，解决方法很简单，就是改为新版本形式参数列表：

net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx') ; %旧版本
    net2 = newff( input,output', [10] , { 'logsig' 'purelin' } , 'traingdx' ) ;    %新版本

说明：旧版本中第一个参数需要结合minmax()函数使用，新版本不需要了；新版本中不需要指定输出层的神经元个数，改为由输入参数output决定，其他参数不变。

这是新旧版本创建神经网络的方法， 但存在另外一个问题，即使相同的数据和参数下，新旧版本的计算结果总是不一样，而且二者偏差很大，通常新版本的newff方法的识别率总是偏低。

网上找了一些原因：newff.m分成三大块：主程序、新版实现子函数 new\_5p1()、旧版实现子函数 new\_5p0()。通过仔细比较新旧这两个子函数，发现新版设置了net.divideFcn 属性，其值为'dividerand'。该函数把样本数据三分为训练集、验证集和测试集，默认比例是6:2:2。

若想减少新旧版本之间的差异，需要清除net2.divideFcn等属性再训练，否则结果相去甚远，且远不止一个数量级。因此，解决新旧版本newff之间差异的方法，是在新版中net2中再添加一条语句：

net2.divideFcn = '';

**     下面内容是函数说明和例子，倘若您的问题解决的话，可以不看了……**

**二、新版newff函数参数说明：**

**(1)net=newff（P,T,S）或者net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)**  
   P：输入参数矩阵。(RxQ1)，其中Q1代表R元的输入向量。其数据意义是矩阵P有Q1列，每一列都是一个样本，而每个样本有R个属性（特征）。一般矩阵P需要归一化，即P的每一行都归一化到\[0 1\]或者\[-1 1\]。  
   T：目标参数矩阵。(SNxQ2)，Q2代表SN元的目标向量。  
   S：N-1个隐含层的数目（S（i）到S（N-1）），默认为空矩阵\[\]。输出层的单元数目SN取决于T。返回N层的前馈BP神经网络  
   TF：相关层的传递函数，默认隐含层为tansig函数，输出层为purelin函数。  
   BTF：BP神经网络学习训练函数，默认值为trainlm函数。  
   BLF：权重学习函数，默认值为learngdm。  
   PF：性能函数，默认值为mse。  
   IPF，OPF，DDF均为默认值即可。  
如：

net = newff( minmax(TrainData) , [50 4] , { 'logsig' 'purelin' } , 'traingdx' ) ;%旧版本
    PS：其中TrainData：是输入的训练的数据矩阵，注意TrainData矩阵形式每一列是一个样本，每一行是样本的属性或特征
    net = newff( input,output, [50] , { 'logsig' 'purelin' } , 'traingdx' ) ;        %新版本

**(2)传递函数**  
   purelin 线性传递函数  
   tansig 正切 S 型传递函数  
   logsig 对数 S 型传递函数  
   隐含层和输出层函数的选择对BP神经网络预测精度有较大影响，一般隐含层节点转移函数选用 tansig函数或logsig函数，输出层节点转移函数选用tansig函数或purelin函数。  
**(3)学习训练函数**  
神经网络的学习分为有导师学习和无导师学习。  
   最速下降BP算法：traingd  
   动量BP算法：traingdm  
   学习率可变的BP算法：trainda（学习率可变的最速下降BP算法）；traindx（学习率可变的动量BP算法）  
   弹性算法：trainrp  
   变梯度算法：traincgf（Fletcher-Reeves修正算法）  
            traincgp（Polak\_Ribiere修正算法）  
            traincgb（Powell-Beale复位算法）  
            trainbfg（BFGS 拟牛顿算法）  
            trainoss（OSS算法）  
            trainlm（LM算法）  
参数说明：通过net.trainParam可以查看参数  
    Show Training Window Feedback   showWindow: true  
    Show Command Line Feedback showCommandLine: false  
    Command Line Frequency            show: 两次显示之间的训练次数  
    Maximum Epochs                   epochs: 训练次数  
    Maximum Training Time              time: 最长训练时间（秒）  
    Performance Goal                      goal: 网络性能目标  
    Minimum Gradient                  min\_grad: 性能函数最小梯度  
    Maximum Validation Checks         max\_fail: 最大验证失败次数  
    Learning Rate                           lr: 学习速率  
    Learning Rate Increase              lr\_inc: 学习速率增长值  
    Learning Rate                       lr\_dec: 学习速率下降值  
    Maximum Performance Increase  max\_perf\_inc:  
    Momentum Constant                       mc: 动量因子  
**三、新版newff与旧版newff语法对比【[例子源代码下载][Link 2]】**

**      http://download.csdn.net/detail/guyuealian/9795364 **

下面以Iris数据分类为例子，将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本，每种样本有4个属性（特征）。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将3类花分别编号为1，2，3 。使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。

根据上面的题意，我知道输入训练数据矩阵input有4个特征共75个样本（input=4×75），输出output为3个类别（3×75），假设，使用三层网络结构，那么第一层输入层的神经元个数由输入矩阵的特征决定（即3个），隐含层神经元个数可自定义设定（本例是10个），输出层的神经元个数由预期样本类别决定（即3个类别）， 整个Matlab程序如下：

clc,clear 
    %读取训练数据
    [f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);
    %特征值归一化
    [input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;
    %构造输出矩阵
    s = length( class ) ;
    output = zeros( s , 3  ) ;
    for i = 1 : s 
       output( i , class( i )  ) = 1 ;
    end
    %创建神经网络
     net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx') ;   %旧版本
    % net = newff( input,output', [10] , { 'logsig' 'purelin' } , 'traingdx' ) ;    %新版本
    % net.divideFcn = '';
    %设置训练参数
    net.trainparam.show = 50 ;
    net.trainparam.epochs = 500 ;
    net.trainparam.goal = 0.01 ;
    net.trainParam.lr = 0.01 ;
    %开始训练
    net = train( net, input , output' ) ;
    %读取测试数据
    [t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);
    %测试数据归一化
    testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;
    %仿真
    Y = sim( net , testInput ) ;
    %统计识别正确率
    [s1 , s2] = size( Y ) ;
    hitNum = 0 ;
    for i = 1 : s2
        [m , Index] = max( Y( : ,  i ) ) ;
        if( Index  == c(i)   ) 
            hitNum = hitNum + 1 ; 
        end
    end
    sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )

运行发现，旧版本的识别率是稳定在 97.333%左右，而改用新版本newff且不设置net.divideFcn = '';时的识别率只有 90.667%- 94.667%，设置net.divideFcn = '';后，二者相差不大了。

如果你觉得该帖子帮到你，还望贵人多多支持，鄙人会再接再厉，继续努力的~

![Center 1][]

[Link 1]: http://blog.csdn.net/guyuealian/article/details/66969232
[Center]: /images/20220618/d3c53e2c19c346c78ab6c9eaca5b8231.png
[Link 2]: http://download.csdn.net/detail/guyuealian/9795364
[Center 1]: /images/20220618/44fcedb0bc51473d8df836e860847777.png