查看: 2442|回复: 0

matlab利用神经网络分类

字体大小: 正常放大

1189 主题	4 听众	2934 积分

该用户从未签到

电梯直达

1^#

发表于 2023-12-23 10:21 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

%利用神经网络进行分类
/ L D' g/ \/ p3 h( {
clear all# L. e- F( w2 ^( K0 H' ]1 s
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;...
$ v- O1 P! ^( c/ i
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$ u7 H& ?$ ?4 |# S; ?8 B: W9 D
y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...* t2 O; Z f2 v1 ]
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
; t1 A' d\" _. q& ]\" X( e# i
xmin1=min(x(1,:));
- o3 ~, s) i/ _\" v1 ]\" w
xmax1=max(x(1,:));
# o- }: T1 G% \8 Q6 }9 l \% E; z
xmin2=min(x(2,:));9 A# x3 M X. D( j2 q: X
xmax2=max(x(2,:));% u8 { m7 u\" B; r; U( t
%设定迭代次数% W7 M% u# v1 H% {& f$ Z+ H
net.trainparam.epochs=10000;: W5 R8 f5 }) y( J, x
%网络初始化
; X8 s9 d% {7 w D
net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
4 M+ O, `* Y\" e% E
%训练网络, c0 `; S8 H6 x4 W) O% J
[net,tr,y1,e]=train(net,x,y);8 m5 Y) U' m- l# Y5 t; f3 g9 S
8 T; ]1 |! W/ k' F
X=[1.24 1.28 1.40;...
6 X+ f( B) \! m+ v* j
1.80 1.84 2.04];$ k! @' b& S% F/ }' C) O; t) Q
%网络泛化5 O& W8 Q9 q; S( D+ y& P% \; W
y2=sim(net,X)$ F\" R) u8 f+ w, I% k \2 W
; U$ B6 p6 _2 o' e& c
plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
\" Q! V- c8 t/ v0 O3 {. H# O
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。
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。
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。
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。
11.grid on: 显示网格。

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。