matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类, u' A- w, {9 f4 C; m% o; J
   
2. clear all5 R, t# _/ k. z& I  N! e+ k
   
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;...
   4 ]2 ~/ K+ D* c) V( b
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];
   ' m; }) i3 w  }7 ^6 a6 D4 i$ ]
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...( M1 Z# d% f, z5 e# Q' M% q% w0 [
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];+ S* N  s# A6 e  V% G! W! |
   
7. xmin1=min(x(1,:));- c0 ^% x1 s' r
   
8. xmax1=max(x(1,:));5 i* c, [- i$ a
   
9. xmin2=min(x(2,:));
   \" u7 n. `7 {% M9 S& Y+ h- n- n
10. xmax2=max(x(2,:));
    4 k7 G& {* g4 J
11. %设定迭代次数) E% E$ [  T( U: |# r) O! ~
    
12. net.trainparam.epochs=10000;
    9 d) P( z) Q9 {
13. %网络初始化& _6 b7 `, w. d, `* x( H3 M
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    # n5 J! x  `; s. B: K# Q
15. %训练网络
    ( q: V/ f0 b5 c4 s% u
16. [net,tr,y1,e]=train(net,x,y);% y/ Y5 l, l. e: X9 f
    
17. 
    / C\" }9 I0 ], ]6 S  s9 J, e* Z8 r9 U
18. X=[1.24 1.28 1.40;...
    , f' r. ^$ p  D4 Z. k3 I0 u9 A& @. G( U
19.     1.80 1.84 2.04];
    ' H& T5 h% s/ g4 q
20. %网络泛化+ g) x9 }- v8 ~: k, I( S! A! p- y
    
21. y2=sim(net,X)8 y1 }) E\" a5 F) v8 W
    
22. 
    ) G' X* p' _  o2 l
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')/ D5 h+ s9 l, d4 Z! {
    
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  x! B. `/ }
) ]& [2 y0 m" `7 J1.clear all: 清除当前工作区的所有变量。
8 g! t1 b" O, [0 R( Z/ s4 V2.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。
' ?- w7 f3 z$ m) j) E$ a4.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。
* _% S# r. u$ `  l% f! g5.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。
. H$ M* u) S; Z5 [' C. C- M9.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。
( Y& i& V/ w$ N2 D0 a6 b2 Q9 n' c# T
3 q' h+ `2 q; _1 u% e% W# N, B4 s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。

  D7 Y$ K7 y3 [/ G