matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   , B: k3 v7 ~& y* S\" R
2. clear all\" \8 @. v' P$ \! o' L5 g
   
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;...
   1 H' b9 l$ H. \+ w\" S; J
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];; V) a$ H% H- g
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   8 m/ O* B% F; Z' a9 I$ V6 x
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];5 p7 l3 `8 x# T\" G2 N' g
   
7. xmin1=min(x(1,:));6 {! U: T# X3 ]: ]  |  L
   
8. xmax1=max(x(1,:));
   6 f, F' O6 M& [# U$ T8 ]
9. xmin2=min(x(2,:));: G8 d7 Q  J/ i' H) N8 J
   
10. xmax2=max(x(2,:));% F6 M$ A\" d1 Q
    
11. %设定迭代次数
    2 t. ~+ G9 w5 l2 Y
12. net.trainparam.epochs=10000;& [$ w) U\" `$ N$ n9 n8 m
    
13. %网络初始化\" d, f# D$ y  a+ d+ F* m
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});  `; H* L* a3 o5 a8 s. m3 A\" a, |/ G
    
15. %训练网络
    . {5 e8 v- k& F) A
16. [net,tr,y1,e]=train(net,x,y);
    2 [/ e4 I) ?; a; Y' L7 \+ l
17. # ~5 `8 m2 V% X9 z2 p3 h# ~4 Q
    
18. X=[1.24 1.28 1.40;...7 J, q, J6 d  X' ~: i) Q
    
19.     1.80 1.84 2.04];\" f! m; h9 S0 F1 b\" c2 n3 D; q
    
20. %网络泛化
    ! H1 r0 J& L; M( P: F
21. y2=sim(net,X)
    0 E) W  [) A8 i
22. 
    + Q& ~\" v\" [9 c6 S% Q
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')! g2 y5 S6 o- D: D4 r3 |! m\" @
    
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：

9 G' E8 Y  m, d1.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。
4 j% \& m, @3 D8 ^7 |# e, K6 {5 A5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
; _. ?& [- {8 @; q# I6.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。
  F8 U* l) C% P% m2 {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。
9 M2 L( P1 q7 ?0 W$ }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。
) A9 D6 X9 b) \  M0 R5 h11.grid on: 显示网格。
3 I# k/ W+ g9 ]0 O- p9 i
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。