matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类: ]( D$ v9 F8 I& m. n/ P0 j\" z9 \8 @
   
2. clear all( h9 m+ C1 v! v
   
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;...( V2 T7 [; d1 r9 h\" }% L1 S7 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];1 e$ F; u: Z0 L+ ]\" d; R
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...  c8 O\" T$ ?: E: H  h4 O+ H3 I
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   - k7 z  ]) z' W2 L& A
7. xmin1=min(x(1,:));
   % Z/ |+ i\" k  q$ F+ N
8. xmax1=max(x(1,:));
   1 @. i$ f! d4 }6 Z/ o: |$ O1 o
9. xmin2=min(x(2,:));
   2 c0 c9 o. v5 N: s
10. xmax2=max(x(2,:));
    : ~  a& V# Y/ a\" `) M\" [7 {/ v6 |
11. %设定迭代次数  m2 v1 O: q; H! m9 J7 v) _
    
12. net.trainparam.epochs=10000;
    + w; |7 r8 J! x! h+ J1 V) L5 V
13. %网络初始化
    \" W3 D9 S$ s! a$ ^# }1 L( o. `
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});; r$ Z$ X: @5 l
    
15. %训练网络. m6 j, }( ?9 X  j2 `  X
    
16. [net,tr,y1,e]=train(net,x,y);
    : U& S( L: m0 A: `3 c& E
17. 
    5 g. D. e0 W% K* e1 f
18. X=[1.24 1.28 1.40;...; O, {3 w' S\" v+ p: W5 Y
    
19.     1.80 1.84 2.04];
    : c' I  R% Z6 k/ m
20. %网络泛化  `7 F5 y0 ]2 L3 [! }% w
    
21. y2=sim(net,X)
    $ M- y; j# h' I# j- k. O% p
22. 
    ! f4 a* w: r# B2 Y+ G
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')' e  ^. V. N1 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：
. ~: v0 |% I4 c
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。
! }# [" M  J  \" ?3 V/ f6.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。
5 ~+ q; k) r# ]1 z: y5 b9.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。
% {6 R# B6 @+ g! Y. u. |11.grid on: 显示网格。
% k+ `- p3 B4 n1 G9 ^
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。
# E6 b: y; h, \+ {" d
  a, Z* D) g6 b/ v- H9 N! k4 r# ^* g9 {