matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类/ R; _\" n8 q/ r$ D. x( x3 ^
   
2. clear all
   # A, X+ Z. x) p7 w& {
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;...
   2 A5 \4 V# p* x9 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];- U  Q9 o! m5 v
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...* f. \. F1 |! T, Y. w$ A2 c% ]
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];3 K$ C7 k: o# o. F7 B' _; r
   
7. xmin1=min(x(1,:));
   ( N5 E& N* h  ?1 Q& x7 B; m) k
8. xmax1=max(x(1,:));
   * K* Y\" f5 {\" x2 Y1 D) o
9. xmin2=min(x(2,:));
   2 N$ p1 P& _# [
10. xmax2=max(x(2,:));5 m3 H' K! w4 @! T( |' G
    
11. %设定迭代次数
    8 I4 i2 g1 {9 A8 m+ i; v+ @; X, t$ P
12. net.trainparam.epochs=10000;1 f: a\" j  u0 x4 }7 T4 j9 g9 h! I
    
13. %网络初始化  J! m5 J* S, `: K4 O
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    6 v) x8 f/ _7 L
15. %训练网络4 Z4 H3 `0 Z8 w  i2 g
    
16. [net,tr,y1,e]=train(net,x,y);/ R$ w0 a- c5 F; O7 ^$ J) O- ^
    
17. ' q6 B/ _( t( Q0 t2 ]
    
18. X=[1.24 1.28 1.40;...' [7 ^2 ]  s6 H  u: q0 }
    
19.     1.80 1.84 2.04];
    . i( ^; o9 W2 d
20. %网络泛化
    - D4 `- _5 h( i3 V' ]4 Y& ~2 |8 q
21. y2=sim(net,X): k' a3 y( `; v0 j
    
22. 
    \" l; x: X5 G5 p# G! O) b7 X
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')6 e! G& v, W\" a5 F
    
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：

1.clear all: 清除当前工作区的所有变量。
8 N' ^2 ]: [' a5 @! l% I2.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。
& h2 D, c  M% x  f- Y. x$ N7 ~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。
2 c5 h* ~! z  Y/ g; R- z+ d8 q6 W4.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。
: `# t3 r' H' @+ Q0 M: H7.[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 Z3 S3 `( Z. y9 Q# b3 A6 F5 j$ n9.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。
2 ?% B* O+ s0 K; Q/ q6 r
; T2 J  [0 L1 c4 O/ D$ h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。