matlab利用神经网络分类
%利用神经网络进行分类clear all
x=[1.24 1.36 1.38 1.38 1.38 1.40 1.48 1.54 1.56 1.14 1.18 1.20 1.26 1.28 1.30;...
1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08 1.78 1.96 1.86 2.0 2.0 1.96];
y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
xmin1=min(x(1,:));
xmax1=max(x(1,:));
xmin2=min(x(2,:));
xmax2=max(x(2,:));
%设定迭代次数
net.trainparam.epochs=10000;
%网络初始化
net=newff(,,{'tansig','logsig','logsig','tansig','tansig'});
%训练网络
=train(net,x,y);
X=[1.24 1.28 1.40;...
1.80 1.84 2.04];
%网络泛化
y2=sim(net,X)
plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
grid on这段Matlab代码实现了一个简单的神经网络的训练和泛化。以下是代码的逐行解释：
1.clear all: 清除当前工作区的所有变量。
2.x: 输入数据，是一个2x15的矩阵，其中第一行是一组样本的x坐标，第二行是对应的y坐标。
3.y: 目标输出，是一个2x15的矩阵，其中第一行表示类别1，第二行表示类别2。
4.xmin1, xmax1, xmin2, xmax2: 计算输入数据的最小和最大值，用于神经网络的输入范围。
5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
6.net=newff(,,{'tansig','logsig','logsig','tansig','tansig'});: 创建一个前馈神经网络。指定了输入范围，指定了每个隐藏层的节点数，{'tansig','logsig','logsig','tansig','tansig'}指定了每一层的激活函数。
7.=train(net,x,y);: 训练神经网络。train函数返回了训练后的网络 net，训练记录 tr，输出 y1 和误差 e。
8.X: 用于泛化的新输入数据，是一个2x3的矩阵。
9.y2=sim(net,X): 使用训练好的神经网络对新输入数据进行泛化，得到输出 y2。
10.plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v'): 绘制样本数据和泛化数据的散点图。前9个样本用圆圈表示，后6个用星号表示，泛化数据用倒三角表示。
11.grid on: 显示网格。
这段代码创建了一个包含输入层、四个隐藏层和输出层的神经网络，然后使用样本数据进行训练，并用新的数据进行泛化。最后，通过散点图可视化了样本数据和泛化数据。
页:
[1]