查看: 2490|回复: 0

matlab利用神经网络分类

字体大小: 正常放大

1192 主题	4 听众	2946 积分

该用户从未签到

电梯直达

1^#

发表于 2023-12-23 10:21 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

%利用神经网络进行分类+ G9 l6 z# }+ e( w9 t
clear all
: M( \2 L8 o0 R5 V; g
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; f, `& a$ ^3 E8 L( |
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];4 d$ K R$ k3 @% v7 X r
y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...' P5 s$ I: s& I
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
3 G+ W: u- y/ C, U6 H1 m* W* U7 _1 Q5 M
xmin1=min(x(1,:));. t* s1 C8 _$ m# |: C( Y& Z
xmax1=max(x(1,:));
8 {% y6 m X& E8 D+ p4 ?0 [\" Q
xmin2=min(x(2,:));0 n1 ]! E) O' G
xmax2=max(x(2,:));
/ R/ Y0 x4 q! u( B$ g( M
%设定迭代次数
. r2 \* L2 K\" g
net.trainparam.epochs=10000;
# P6 s5 ?' C8 \6 S `+ x: R: S
%网络初始化% W& N8 s! N6 k1 y( v\" D
net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});) n# @5 _8 j# K5 F0 h% c) W
%训练网络
7 M\" B% e- t0 ~2 P; l X
[net,tr,y1,e]=train(net,x,y);' g; R3 s% _, Y( J# t( n* t
( g5 T2 V7 x( a
X=[1.24 1.28 1.40;...
# k: I; J$ S* |5 N/ _
1.80 1.84 2.04];5 b: O; s( x! o7 d6 L$ S, g
%网络泛化$ M: @& K. B* N; ?' v, [
y2=sim(net,X)
8 E9 t8 s( [/ \. I: G& ` a4 J9 ^& s
# y; {4 [+ C; J) }
plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
0 C+ w3 O) j' E/ V/ I
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。
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。
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。
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。
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。

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。