matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类8 [3 a. i\" n5 K! b0 E# g
   
2. clear all6 I% s1 ~) b+ z8 i& p% _
   
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;...
   $ w& O% L1 k% Q; N
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];1 f7 p) I8 b7 b6 W, Q
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...  X- j4 ?% q! ~% ]1 N/ B
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   6 ^/ F6 Z( Z+ ^  L0 }$ L* p! V
7. xmin1=min(x(1,:));
   9 n6 G1 ~2 J9 K8 S3 c+ r+ }
8. xmax1=max(x(1,:));
   % o, f: z& c4 |+ Z7 S
9. xmin2=min(x(2,:));
   , ]\" o& ~, n# B4 r5 N- E
10. xmax2=max(x(2,:));$ |' ?) N4 B/ o4 \) \$ c
    
11. %设定迭代次数( c$ i5 C% [3 H9 \: m1 R8 i2 g( N9 z
    
12. net.trainparam.epochs=10000;1 _# X1 U( t! s
    
13. %网络初始化
    ; j8 m. d6 g. p- B  N1 H
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    9 _/ W\" |( M' M+ E/ z5 `  X7 r  c8 p
15. %训练网络0 E1 n$ [7 U& ^! c9 z7 G8 j$ Y! p
    
16. [net,tr,y1,e]=train(net,x,y);
    0 A; m0 R+ k6 h& u9 ^; u, k, @
17. 5 n8 w7 y9 ^: y* Z6 Q5 U
    
18. X=[1.24 1.28 1.40;...3 K5 G6 h& j5 a5 Y
    
19.     1.80 1.84 2.04];
    4 I0 w; @9 {1 D/ H, c, [* A
20. %网络泛化3 `' \; @( T1 y( s
    
21. y2=sim(net,X)
    + c/ h. E1 U) ^
22. 9 r! e. x$ U# t7 N' B7 V% Z
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
    . i. c# E, m2 ?; e
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：
" V; r2 l/ U& X! `  b' G* O; }( X
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。
+ x' }( h3 h( W, y  \. b2 g3.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。
/ m" f5 @& Z0 ?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。
2 z" I. ~* x- X" ~" g0 k: j) ?9 {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。
. l: [- L# {; T11.grid on: 显示网格。
& F0 L! {2 F) s3 v& f+ d. e
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。