matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类9 i( v2 G# o3 x8 M) d) P
   
2. clear all
   3 h2 w$ K* I2 W  ]
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;...
   : l; l, Z) q) s. K! ]& k4 H5 @0 K3 Y
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];% |% T( S$ y( j6 r: Z
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   \" a3 c  f3 c3 s6 q( d
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
     A% ~; U\" q4 D3 n
7. xmin1=min(x(1,:));! |9 \0 J1 z* w: \5 |, k
   
8. xmax1=max(x(1,:));
   ( @$ o+ A$ l) t9 X( d- P' P\" J: j\" Y
9. xmin2=min(x(2,:));
     G7 m5 H5 o- S
10. xmax2=max(x(2,:));  X1 q9 q7 {' b# P5 [0 b9 }9 v
    
11. %设定迭代次数
    ; U- |0 @8 x7 z1 ?( _; @3 o
12. net.trainparam.epochs=10000;
    / F% r) D\" H5 R( ~
13. %网络初始化& T9 s, L4 d9 v. J/ q( v) D
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    ; x6 p/ _* {5 [. N! |3 |. E
15. %训练网络
    3 E3 Q- V! a6 t
16. [net,tr,y1,e]=train(net,x,y);
    & A( p# j* d# c# X* i
17. 
    7 w# a  ^! U: V1 Q. T/ m
18. X=[1.24 1.28 1.40;...8 w8 w' X, L' l+ @8 u
    
19.     1.80 1.84 2.04];3 L6 U0 v, T5 ]7 j* d
    
20. %网络泛化
    2 I3 r; A0 y: X\" Q( T
21. y2=sim(net,X)
      D0 n& |5 |2 |
22. 
    * I3 _: }) |/ X6 g0 d
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 ^* S7 s7 J! P$ C% i) z! h6 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：

, R- K) L4 [7 g8 D8 O: Z% c1.clear all: 清除当前工作区的所有变量。
0 {  b, n6 G5 ]' e& T" U' U2 `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。
( j7 q# n! ^5 w4 L/ o( l) {5 p% K6.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。
% m4 p7 \- W$ V7 J4 A: k; n( t& p10.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。
2 J- a- Q5 W- B  f6 z2 G
+ L, j. ?1 H2 t& s2 r2 [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。


0 _; P# S# B' |" t5 [