我用Matlab神经网络工具包实现多层感知器时遇到了问题。Matlab神经网络 - 结果不好
我尝试实现神经网络，它将识别存储为二进制图像（大小40x50）的单个字符。 图像被转换成二进制向量。输出以6位编码。我用简单newff功能以这种方式（与在隐藏层30个感知）：
net = newff(P, [30, 6], {'tansig' 'tansig'}, 'traingd', 'learngdm', 'mse');
然后我训练我的网络与字符的打在3名不同的字体，用以下的列车参数：
net.trainParam.epochs=1000000;
net.trainParam.goal = 0.00001;
net.traxinParam.lr = 0.01;
经过训练网络正确识别训练集中的所有字符，但是... 它无法识别来自其他字体的更多两次字符。
我该如何改善这个简单的网络？
你可以尝试为你的训练集添加随机弹性变形（为了扩展它，并使其更“泛化”）。
你可以看到来自微软研究院的这个漂亮的文章的详细信息： http://research.microsoft.com/pubs/68920/icdar03.pdf
你有一个非常大的数量的输入变量（2000，如果我理解你的描述）。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， 32个可能的组合值，所以我假设你使用这些来代表26个字母？如果是这样，那么你可能会更好地用另一个输出表示。考虑到看起来没有任何相似之处的各种字母将在比特1上共享1的值，使得从输入到输出的映射复杂化。每个类有1位的输出表示会简化事情。
您可以使用patternnet而不是newff，这会创建一个更适合模式识别的网络。由于目标函数使用一个26元素的向量，在右边的字母位置上有1（其他地方为0）。识别的输出将是一个介于0和1之间的26个实数的向量，其中识别的字母具有最高值。
确保使用来自所有字体的数据进行培训。
给作为输入的所有数据集，train将根据指定的百分比会自动将其分为列车验证试验台：
net.divideParam.trainRatio = .70;
net.divideParam.valRatio = .15;
net.divideParam.testRatio = .15;
（选择你自己的百分比）。
然后测试仅使用测试集，你可以找到自己的指数纳入
[net, tr] = train(net,inputs,targets);
tr.testInd