matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类1 v; N( ?2 N2 a2 u- M* b2 ?
   
2. clear all/ ]1 ?% u! g1 t
   
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 ^9 k2 |. I$ A0 g
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];
   & E8 Q( n& A( O2 z# X
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...6 e6 ?( j. N9 e: E1 p7 r
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
     t. n/ _2 h9 J0 _# @- i
7. xmin1=min(x(1,:));
   5 U9 f5 t+ f6 j
8. xmax1=max(x(1,:));) u1 p; v1 e! n\" R/ [$ V' X* }! O
   
9. xmin2=min(x(2,:));
   , A9 P' n\" T8 K  z7 z/ }
10. xmax2=max(x(2,:));
    3 Y8 I9 m1 |& V) O6 h' B0 w& j
11. %设定迭代次数
    ) C. n' ~$ T# x! f2 P$ K. o
12. net.trainparam.epochs=10000;
    8 Q* B2 b' n- n+ m) r: `
13. %网络初始化+ J* j4 M8 H$ n
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    / h# K: X/ b/ r! O# N
15. %训练网络
    * @6 p5 F: M% O) m
16. [net,tr,y1,e]=train(net,x,y);8 ^8 C; }. [# p9 q
    
17. 
    ) \. ^\" @2 ]) _\" N\" ?
18. X=[1.24 1.28 1.40;...
    % \4 v! U. u: P* t4 d
19.     1.80 1.84 2.04];
    7 q/ v\" S7 o! f$ {
20. %网络泛化3 o1 G; {\" @) c% l1 f/ g
    
21. y2=sim(net,X)
    ; Y/ Q( _$ x- u. I0 A; [
22. 
    # b* [* J$ d- S! k, {$ 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')
    2 E\" ]5 o. L: z8 X/ g
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：
2 M9 _$ V3 j9 E
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。
$ J& T: B% W. f/ p% U3 S0 t( s3.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。
3 g3 u4 T' c+ _( Z; D+ D' U4.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。
! x/ ]5 ?9 q1 d. w. L+ k1 \! ]% _7 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。
& f* F& R; {. J+ A  o, k7.[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。
' s9 X0 W+ D4 |0 S6 P8 y1 V6 {: r/ W10.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。
  o6 S! b% J* V: b8 K7 E( O; ~4 ?! C2 t& Q
# |  w6 J6 j- @4 o. @2 f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。
- B! K  Y9 g0 W. H
2 s0 \5 R" K. x8 Q3 Z
9 q8 M: a7 m" l- d