matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类/ J& _0 n! Z9 {5 p/ E/ g0 @
   
2. clear all
   ; C3 X; [\" H7 u' a, j
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;...
   7 B# Q9 _# }# Q9 O7 T% d
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];
   / T5 K5 k1 D# L
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   3 s$ l0 Y5 ^' j6 G
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   : R\" W4 v- ?8 R, N! B2 p
7. xmin1=min(x(1,:));! T' z9 \! \- _7 F
   
8. xmax1=max(x(1,:));! l/ r3 f% Z4 g
   
9. xmin2=min(x(2,:));( m' F( N% \' G. G. _! V# h8 F
   
10. xmax2=max(x(2,:));
    : [3 _: y$ N1 ?' r
11. %设定迭代次数
    ) t+ B% S0 ?% `* m
12. net.trainparam.epochs=10000;
    ) z. F3 x8 W( q+ q
13. %网络初始化% o1 e* {- a9 @) @$ @
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    ' `6 I9 ~9 Z6 [\" S- s
15. %训练网络, ~' F  m\" O0 u8 k+ v. T8 ^1 g: P
    
16. [net,tr,y1,e]=train(net,x,y);
    4 ?- d4 r$ D8 U) ^) @' J
17. 5 a' s/ H5 _5 j3 |
    
18. X=[1.24 1.28 1.40;...) w% Q$ b3 Q& y
    
19.     1.80 1.84 2.04];
    - G' P) |; ]' K, K! [
20. %网络泛化
    ) }) j) e# u+ A( ]* E
21. y2=sim(net,X)0 B, c# f: n3 x  z+ ^7 X
    
22. * D* }0 c! r  I! h, `
    
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 c0 u3 l7 E5 H3 c# l2 Y
    
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。
, S9 A  z7 G2 k$ F' r8 E2.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。
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。
# X* f# s  q/ H; v" M- j7.[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。
/ N2 ?" h$ Y9 B$ m/ n8.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。
  l8 ]0 W4 Y0 R' x5 x  F) G10.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。
+ o' t/ B' d6 `5 R4 ?4 J11.grid on: 显示网格。
! w- O& j1 T, V$ V7 ~( d
! Y* M8 h% K& H" ]: p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。