我在使用Matlab Neural Networks Toolkit实现多层感知器时遇到了问题。
我尝试实现神经网络，它将识别存储为二进制图像的单个字符（大小为40x50）。 图像被转换为二进制矢量。输出以6位编码。我以这种方式使用简单的newff函数（隐藏层中有30个感知器）：
net = newff(P, [30, 6], {'tansig' 'tansig'}, 'traingd', 'learngdm', 'mse');
然后我使用3种不同的字体训练我的网络，其中包含以下列车参数：
net.trainParam.epochs=1000000;
net.trainParam.goal = 0.00001;
net.traxinParam.lr = 0.01;
训练后网络正确识别训练集中的所有角色，但...... 它无法识别其他字体中的两个以上字符。
我怎样才能改进这个简单的网络？
答案 0 :(得分：1)
你可以尝试在你的训练集中添加随机弹性失真（为了扩展它，使其更具“推广性”）。
您可以在Microsoft Research上看到这篇精彩文章的详细信息： http://research.microsoft.com/pubs/68920/icdar03.pdf
答案 1 :(得分：1)
您有非常多的输入变量（如果我理解您的描述，则为2,000）。我的第一个建议是尽可能减少这个数字。一些可能的技术包括：对输入变量进行二次采样或计算信息特征（例如行和列总数，这会将输入向量减少到90 = 40 + 50）
此外，您的输出编码为6位，提供32种可能的组合值，因此我假设您使用这些值来表示26个字母？如果是这样，那么你可以用另一个输出表示更好。例如，考虑到看起来不相似的各种字母将在位1上共享1的值，这使得从输入到输出的映射变得复杂。每个类1位的输出表示将简化操作。
答案 2 :(得分：0)
您可以使用patternnet代替newff，这会创建一个更适合模式识别的网络。作为目标函数使用26个元素的向量，右侧字母的位置为1（其他地方为0）。识别的输出将是介于0和1之间的26个实数值的向量，其中识别出的字母具有最高值。
确保使用所有字体的数据进行培训。
将所有数据集作为输入，train将根据指定的百分比自动将它们划分为列车验证测试集：
net.divideParam.trainRatio = .70;
net.divideParam.valRatio = .15;
net.divideParam.testRatio = .15;
（选择你自己的百分比）。
然后仅使用测试集进行测试，您可以在
中找到它们的索引[net, tr] = train(net,inputs,targets);
tr.testInd