matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   ; K; Y# e- k* k/ N5 J9 Q
2. clear all1 Z2 m3 N1 L2 h( g5 b
   
3. 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;...
   \" r1 H5 @3 j0 t
4.     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];% Z3 `! c. _9 w
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...0 ~4 W- D. M! }; a- J; W
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   : C5 {6 G0 L0 u3 j' f# H
7. xmin1=min(x(1,:));0 ]\" p- r: Y+ |7 a  E
   
8. xmax1=max(x(1,:));5 a; U4 U: T6 g2 H7 S
   
9. xmin2=min(x(2,:));  L0 D' ?1 I0 Y, z
   
10. xmax2=max(x(2,:));0 i, Y' q4 o) N# Q) d/ w/ [- `
    
11. %设定迭代次数+ i( Z& R+ h9 S- H/ b
    
12. net.trainparam.epochs=10000;
    1 H! M9 |7 y+ u! `, ?
13. %网络初始化
    1 R( @7 D5 o; z6 M
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});9 i4 [' B3 ^* y* S0 x% N& n
    
15. %训练网络
    7 @\" t' I: P; l# W7 {! A1 M
16. [net,tr,y1,e]=train(net,x,y);\" R6 g0 o$ d  y
    
17. 
    $ p\" ]  E1 r# g9 X, F
18. X=[1.24 1.28 1.40;...5 |/ ~/ X! `' f* T% I2 V
    
19.     1.80 1.84 2.04];
    * K) `! u0 ]/ j2 z
20. %网络泛化
    . J# O; u+ B0 m6 v( d- \5 [
21. y2=sim(net,X)
    , m/ n$ V7 F) F6 q1 S, e
22. 
    6 N7 r\" @\" H+ s. M5 n
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')& j* b; R3 p+ x9 O1 B
    
24. grid on

复制代码

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 I$ O% o  p. j% I4.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。
6 ^8 O& c9 A- l/ H) t) Z5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
$ j5 h8 I; z3 f1 A0 {6.net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});: 创建一个前馈神经网络。[xmin1,xmax1;xmin2,xmax2]指定了输入范围，[8,8,8,8,2]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.[net,tr,y1,e]=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。
  p8 z; V3 `) G$ a1 V" {6 p9.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。
' [! j; i: c7 C" D  f11.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。

% z6 b" p9 D8 K2 {9 x) M% t* R
+ q, k; s8 G9 ]$ k, {