fuel_left/train_comprehensive.m

   1 % Solve an Input-Output Fitting problem with a Neural Network
   2 % Script generated by Neural Fitting app
   3 % Created 20-Jun-2022 16:02:39
   4 %
   5 % This script assumes these variables are defined:
   6 %
   7 %   s - input data.
   8 %   r - target data.
   9
  10 x = s';
  11 t = r';
  12
  13 % Choose a Training Function
  14 % For a list of all training functions type: help nntrain
  15 % 'trainlm' is usually fastest.
  16 % 'trainbr' takes longer but may be better for challenging problems.
  17 % 'trainscg' uses less memory. Suitable in low memory situations.
  18 trainFcn = 'trainlm';  % Levenberg-Marquardt backpropagation.
  19
  20 % Create a Fitting Network
  21 hiddenLayerSize = 10;
  22 net = fitnet(hiddenLayerSize,trainFcn);
  23
  24 % Choose Input and Output Pre/Post-Processing Functions
  25 % For a list of all processing functions type: help nnprocess
  26 net.input.processFcns = {'removeconstantrows','mapminmax'};
  27 net.output.processFcns = {'removeconstantrows','mapminmax'};
  28
  29 % Setup Division of Data for Training, Validation, Testing
  30 % For a list of all data division functions type: help nndivision
  31 net.divideFcn = 'dividerand';  % Divide data randomly
  32 net.divideMode = 'sample';  % Divide up every sample
  33 net.divideParam.trainRatio = 70/100;
  34 net.divideParam.valRatio = 15/100;
  35 net.divideParam.testRatio = 15/100;
  36
  37 % Choose a Performance Function
  38 % For a list of all performance functions type: help nnperformance
  39 net.performFcn = 'mse';  % Mean Squared Error
  40
  41 % Choose Plot Functions
  42 % For a list of all plot functions type: help nnplot
  43 net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ...
  44     'plotregression', 'plotfit'};
  45
  46 % Train the Network
  47 [net,tr] = train(net,x,t);
  48
  49 % Test the Network
  50 y = net(x);
  51 e = gsubtract(t,y);
  52 performance = perform(net,t,y)
  53
  54 % Recalculate Training, Validation and Test Performance
  55 trainTargets = t .* tr.trainMask{1};
  56 valTargets = t .* tr.valMask{1};
  57 testTargets = t .* tr.testMask{1};
  58 trainPerformance = perform(net,trainTargets,y)
  59 valPerformance = perform(net,valTargets,y)
  60 testPerformance = perform(net,testTargets,y)
  61
  62 % View the Network
  63 view(net)
  64
  65 % Plots
  66 % Uncomment these lines to enable various plots.
  67 %figure, plotperform(tr)
  68 %figure, plottrainstate(tr)
  69 %figure, ploterrhist(e)
  70 %figure, plotregression(t,y)
  71 %figure, plotfit(net,x,t)
  72
  73 % Deployment
  74 % Change the (false) values to (true) to enable the following code blocks.
  75 % See the help for each generation function for more information.
  76 if (false)
  77     % Generate MATLAB function for neural network for application
  78     % deployment in MATLAB scripts or with MATLAB Compiler and Builder
  79     % tools, or simply to examine the calculations your trained neural
  80     % network performs.
  81     genFunction(net,'myNeuralNetworkFunction');
  82     y = myNeuralNetworkFunction(x);
  83 end
  84 if (false)
  85     % Generate a matrix-only MATLAB function for neural network code
  86     % generation with MATLAB Coder tools.
  87     genFunction(net,'myNeuralNetworkFunction','MatrixOnly','yes');
  88     y = myNeuralNetworkFunction(x);
  89 end
  90 if (false)
  91     % Generate a Simulink diagram for simulation or deployment with.
  92     % Simulink Coder tools.
  93     gensim(net);
  94 end