matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   ( ?% @5 k5 f% j8 F0 n. _
2. clear all9 x  G) q! O0 u8 J: |' {6 Z
   
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;...
   , ?' D* ]! W9 g, c
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];5 `\" {- n, `- ?
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...5 C: t8 Y6 f8 Q8 t
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   6 y3 @9 y% [! g& X$ ^/ w4 Z
7. xmin1=min(x(1,:));
   - M) A) K9 t\" y! ^. w' Z' C9 }0 s
8. xmax1=max(x(1,:));
   + J( Y0 [/ P  M! u' z
9. xmin2=min(x(2,:));
   + K) u\" r: k1 ~/ M. W  S: b  M
10. xmax2=max(x(2,:));: w8 y9 S% ?  J
    
11. %设定迭代次数
    ; ^- p8 Q( a$ g( a# w
12. net.trainparam.epochs=10000;, p/ Y3 I$ F. B4 _
    
13. %网络初始化# G* c6 `: U* W' L9 t, `7 o
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});/ Z2 u' n( t2 k& B% u# M0 }. y4 E& J
    
15. %训练网络7 H. Q: M) t' N
    
16. [net,tr,y1,e]=train(net,x,y);8 {8 T' Q/ x/ m+ {
    
17. 
    ; ?& _$ ^7 D  w4 z/ C
18. X=[1.24 1.28 1.40;...
    / j7 d/ z# X0 h9 ~3 `
19.     1.80 1.84 2.04];! ~0 Y! P! |1 G' S+ q% Y  o
    
20. %网络泛化
    % x+ P/ C2 U8 \5 x8 \' t
21. y2=sim(net,X)3 A1 H* v5 j+ z; Q  _  p- U$ g4 r8 E
    
22. : {# [9 y3 q+ M) J  c
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')0 ^4 C1 T/ d- N+ g2 q
    
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：
/ t! {$ {( {+ D. L
1.clear all: 清除当前工作区的所有变量。
7 V8 K+ y3 D/ e' {1 u( Q" C4 B2.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。
0 @" |; j# t% s6 {7 w" z3.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。
, @1 c! {: p- h  e4.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。
. t2 |5 x: L& P, E' Q' `4 T6.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。
% i1 N2 @' d3 J. z* Q4 u: E7 b7 J8.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。
! V  p1 a1 o2 k& H! @/ ~, l9 }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。
& q( u) V: a0 O( p
! ?* q2 v8 `: `* g! R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。