matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   8 T2 X# A9 x. j) N/ T# h1 g& i4 s5 Q
2. clear all# f. W! F) g$ h. ~
   
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;...
   ! Q! J9 w: T* g\" @4 X2 l
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];$ Z2 E5 Q- g4 ]2 J7 c& t# t; r
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   3 L+ v4 u) a- z. l+ M. c. f
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];( Y3 k+ c( p9 v9 |! ]
   
7. xmin1=min(x(1,:));
   0 ?4 H\" ^) R\" n3 l1 u4 ]' U
8. xmax1=max(x(1,:));: C' b5 _) l4 C0 X& O, T
   
9. xmin2=min(x(2,:));; o$ S2 n\" U7 D
   
10. xmax2=max(x(2,:));
    & G1 \2 S3 ^: M2 L7 z6 B7 J
11. %设定迭代次数0 U$ G: N& }! s! o, }  g8 K
    
12. net.trainparam.epochs=10000;
    ) x\" B! q! c1 F. h( C: g9 H* y
13. %网络初始化\" C# ~. k. p* j' ^, D
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});; h9 E0 \3 U5 E+ a& w( V1 o  l
    
15. %训练网络4 F! Z3 D3 Y3 q% U
    
16. [net,tr,y1,e]=train(net,x,y);
      I' N+ ~7 R7 X7 ]! q. _9 m6 o
17. 
    ; D\" }. s: S& q/ F
18. X=[1.24 1.28 1.40;...# s5 E# a  v/ a% G1 _
    
19.     1.80 1.84 2.04];
    5 Y0 g( F5 Y9 L% f
20. %网络泛化* Z+ m: ^# x, K/ k, `0 f; N
    
21. y2=sim(net,X)
    7 O9 ^5 {# D5 m) S2 a
22. 
      Q7 X) ^8 a( M$ \
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
    1 i0 e0 W2 F7 E4 I
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。
+ B3 I' Q; \/ S2.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。
4 G, u0 _/ U/ Z8 c+ b& G" X5 N, V6.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。
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。
- a5 U% b  g. G. R10.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。


: \1 F3 a$ k7 u2 f. h1 t: K