matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类( J! v* }  p2 Z3 d7 J4 p% N8 W! Z( k
   
2. clear all+ `+ C' q( K# Q
   
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 Z. r\" V* g' u* r2 {
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];$ W) ~& Y* v/ ~( }
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   ' v6 ^& n7 n! M* `$ Y5 Q
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];2 q9 z/ w$ \( S& _2 z. K# g
   
7. xmin1=min(x(1,:));
     m, x& A/ L. z
8. xmax1=max(x(1,:));
   2 _3 v  n, N7 c; ~# w+ H$ h0 G- o
9. xmin2=min(x(2,:));& c6 E0 a1 W1 H4 H- a\" L
   
10. xmax2=max(x(2,:));0 w- E6 A$ @5 X7 ^
    
11. %设定迭代次数* N# g- \8 j2 P5 A. O
    
12. net.trainparam.epochs=10000;. s9 Q: }1 N9 ^$ ~. ?0 `
    
13. %网络初始化
    6 @& }4 {4 h& T9 _* o( Q
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});, t. s/ Q* y$ t+ N
    
15. %训练网络* s( j; g5 _' _9 }$ b8 Y, r
    
16. [net,tr,y1,e]=train(net,x,y);
    & n4 \  b6 \$ u; r
17. 
    ) F# G4 Q  \+ x/ ?2 ~3 y/ j
18. X=[1.24 1.28 1.40;...0 }5 g7 X# x1 G\" A/ Z7 c
    
19.     1.80 1.84 2.04];, \/ ]7 R1 o% `
    
20. %网络泛化8 b9 T! e- A# @) w  I# n, m
    
21. y2=sim(net,X)( p: ^8 S4 z; t3 k2 G
    
22. 8 E2 Z\" w; e7 i, K% _* @
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')+ A, C7 H+ a/ R+ P' x
    
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：
8 L- D( S- k, Z* q: H! X1 r
( [7 ^; r, }# n# I& ^! ^1.clear all: 清除当前工作区的所有变量。
8 b* \  s2 D9 ^# {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 N  m$ B1 e) d3.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。
8 k7 r1 R0 F+ ]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。
! C( u8 a, u( ^% b" M2 ]11.grid on: 显示网格。
" S0 [9 k, B' J& m  z% L  a; i' `# L
$ i2 }: r' d$ B5 ~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。
! M# U8 n! |8 ^. ~& M/ P! U) L

& A- M9 O/ f$ `; E9 \% i. p