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

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

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.

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​​】

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。

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 )

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~