matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类& N! p, O6 H& N, T+ M
   
2. clear all
   , S+ O% \: X6 j2 {
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;...
   9 P\" i* w' X' w5 c0 k
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];
   ; h1 K7 ^& e, ]- F: \3 g
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   # L8 ]0 v7 O7 X/ C
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   / D1 Y( o& {+ ]7 s
7. xmin1=min(x(1,:));9 X3 d4 Y, s' I
   
8. xmax1=max(x(1,:));
   6 `9 J. A6 T+ s8 R
9. xmin2=min(x(2,:));
   0 H! _$ H1 z% A
10. xmax2=max(x(2,:));
    : X; G\" o, o0 F  v9 B! Z; ?( f
11. %设定迭代次数
    , [* F1 k& f  h0 w, c
12. net.trainparam.epochs=10000;6 E, q% ^- M; \\" l/ |$ n6 w
    
13. %网络初始化
    # h& `( q\" C# w& [
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});0 I\" c\" l# b/ U6 F$ r
    
15. %训练网络! S+ R; X' |/ F2 h
    
16. [net,tr,y1,e]=train(net,x,y);8 S, C. M4 {) n5 @. S\" [5 b4 a
    
17. 3 D! Y7 T+ X0 I5 R\" H1 H
    
18. X=[1.24 1.28 1.40;...+ }- w* ?5 g) i% r\" z
    
19.     1.80 1.84 2.04];
    3 W' C, C' ^. e0 D! y: K
20. %网络泛化
    . U, d3 |( I) i9 l! \# H
21. y2=sim(net,X)
    ' N# w1 m\" x\" C! [( x: H2 M( ?
22. * }1 g* v1 ]% ^3 B  D$ r\" L4 ^
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
    ( K% z2 ~' w) W9 _
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：
9 \% M% |$ I5 R: L5 A
8 o. L' s+ g- R' q! r+ L7 N1.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。
9 x/ v% L2 t5 D6.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。
$ c8 D) ?: z* O) h6 V9.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。
+ \' d+ ]5 `- i+ \$ B10.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。
( [0 I* X- Q" ~11.grid on: 显示网格。

+ X- u$ s3 r" `$ C0 [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。

! n; a& U- n+ h% ?: E4 l& e3 Z+ l
5 y+ l0 `$ l  S! f; }" J& h