很多模式或關(guān)系不清晰的情況下，比較適合用神經(jīng)網(wǎng)絡(luò)。關(guān)于神經(jīng)網(wǎng)絡(luò)本身拖刃，最近發(fā)展的很快，應(yīng)用也越來越廣贪绘，自行谷歌兑牡。
本文使用的為最為流行的前饋神經(jīng)網(wǎng)絡(luò)（feed-forward neural network），網(wǎng)絡(luò)各層使用默認的Sigmoid函數(shù)税灌，以氣體傳感器為例簡單介紹下MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的使用均函。
我們有下面的數(shù)據(jù)原始電壓CO_diff和溫濕度（Temp和Humi）為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入，對應(yīng)的標(biāo)準(zhǔn)氣體濃度CO_ref為訓(xùn)練目標(biāo)（target）,然后我們用訓(xùn)練后生成的方程去預(yù)測未來不同溫度濕度條件下垄琐，不同CO原始響應(yīng)電壓對應(yīng)的濃度边酒。
1. 復(fù)制CO_diff、Temp和Humi三個輸入元素到CO_input變量狸窘，CO_ref到CO_ref變量，然后轉(zhuǎn)置下坯认，因為MATLAB走的是列翻擒。
CO_input = CO_input'
CO_ref =CO_ref'
2.打開神經(jīng)網(wǎng)絡(luò) 擬合工具箱
3. 選上input和Target
4. 選擇訓(xùn)練的樣本量，用作validation的樣本量和作為最后的自檢的樣本量牛哺，樣本少的時候建議training的樣本要多一些
5.選擇隱藏層的數(shù)量陋气，這個可以先默認10，回頭誤差大相關(guān)性不好的時候再過來改引润，一般來說不要太多巩趁，具體看相關(guān)文章。
6.Train,每次train都會有些許變化的淳附，重點看MSE和R如何议慰，如果保持較好就可以。否則要回到上一步奴曙。也可以通過編程來評估别凹，譬如每個隱藏層選擇train 100次，然后看好的MSE和R出現(xiàn)的概率洽糟。
7. 生成函數(shù)炉菲，用以預(yù)測。這里我用的MATLAB Matrix-only Function坤溃，點一下即可拍霜。上面那個MATLAB Function也是一樣的，不過可以做成單獨的應(yīng)用更方便些薪介，里面代碼大部分都一樣的祠饺。
改函數(shù)名：
8. 測試下，按照順序把下面的CO_diff和Temp昭灵，Humi放到CO_test_input這個變量里吠裆。然后直接 CO_test_output = ANN_CO(CO_test_input); 即可
輸出如下：
5分鐘移動平均的趨勢圖：
