用matlab模式識別工具箱（函式）來對某些指標（如空氣質素、水質量、個人業績等）進行分類、評估、**，分為三步：
1. 資料準備
（1）確保輸入資料（包括訓練以及將來要**的資料）在比較接近的範圍裡（歸一化是其中一種方式）。
這乙個步驟不僅僅是在模式識別裡，其實在任何一種網路裡，這一步都是必須的。比如說你有400組資料，每組資料對應乙個中國縣城的空氣質素。假設每組資料含有6個指標（稱之為a,b,c,d,e,f,g), 如果資料a的範圍是10^5-10^7, f的範圍是0.1-0.5， 如果用這些資料來訓練，很容易導致網路的權重也有同樣的數量級的差別，結果是你的網路會非常的「敏感」（可以想象一下，如果f對應的權重是10^10,那麼即使f稍微變化一下，都有可能導致網路的輸出結果不同。而有時候這樣的敏感度並不是你想要的，你可以對資料進行歸一化處理，把資料都轉換到0-1的區間內。
matlab模式識別工具箱可以自動對輸入資料進行歸一化處理，所以你只要明白這個過程，但是並不需要你額外寫程式來處理這些資料。
（2）對輸出資料進行二進位制量化
通常情況下，用於測試的輸入資料所對應的輸出資料不是量化資料，比如說：優、良，或者是一級、二級等等。那麼通常我們用二進位制來表達，兩位數字的二進位制可以表示3類（01，10，11），三位數字的二進位制可以表示7類（001，010，011，100，101，110，111，通常我們不使用000)。二進位制的順序不重要，比如說優可以對應001,也可以用010來表示。
2. 訓練和評估
可以使用matlab自帶的模式識別工具箱介面(nprtool)來匯入資料、調整引數等，然後得到結果。通常第一次這樣使用，得到乙個基礎架構以後，然後生成m**，再在**上修改。
網路訓練的每次結果都有可能不一樣，比如說第一次得到不太滿意的結果（準確率低於80%)：
多訓練幾次，可以得到不錯的結果（準確率達到97.5%)：
3. **
首先確保你用來**的輸入資料，格式跟訓練資料一樣（否則肯定不能使用）。在上面的網路裡，我們的每組輸入資料含有6個指標，那麼用來**的資料，也必須符合以上要求。
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路簡介 多層神經網路
如上圖所示，該神經網路有三層。我們標記第一層 也就是輸入層 為a 1 第一層與第二層連線權重為w 1 然後第一層輸入與第一層權重的線性和為z 1 第一層神經元個數為n 1 並依次標記剩餘網路層。可以看出，存在 z l j i 1 n l a l i w l i,j a l w l j a l 1 f...