matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类* p4 J# A9 X  |5 f6 a
   
2. clear all% [/ n7 e4 l$ N9 @( Z: Y% |
   
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;...
   6 P( v+ F# i1 q; F+ A8 @: p
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];5 x. [1 X9 x8 n/ S
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   1 Y7 _4 w* K5 T8 X\" D
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   / t& e1 X+ y3 d6 g0 f' p
7. xmin1=min(x(1,:));
   0 r\" ~; N, T4 \/ B9 h: G
8. xmax1=max(x(1,:));0 r0 z8 K, r* M+ f# z6 u) ~& @- V
   
9. xmin2=min(x(2,:));9 s% ?\" Q. }) F$ n! c
   
10. xmax2=max(x(2,:));8 ^# }4 T( C& }+ [& t
    
11. %设定迭代次数
    # C: S( P( o( x
12. net.trainparam.epochs=10000;7 t% S. G3 j6 o6 f
    
13. %网络初始化
    ; g, d% g$ m) o2 G+ X
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    9 E& x4 w2 Y& U+ F
15. %训练网络0 @; L+ A1 S8 T% o$ I' Q, M
    
16. [net,tr,y1,e]=train(net,x,y);
    # Q3 d3 X6 P' J; U\" H/ F
17. 
    9 F! N; S% J4 e; c$ C\" w
18. X=[1.24 1.28 1.40;...1 ]. M! @; d' w6 O  m
    
19.     1.80 1.84 2.04];/ T, o. g6 w+ H. W  ]
    
20. %网络泛化  ?4 Y; _5 t! U7 X7 b
    
21. y2=sim(net,X)) [9 Q: d% L& l1 h* @
    
22. + }$ N; Y. i$ p$ 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')
    # h7 }7 G, L, ?4 H. a0 j* @
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：
* Z7 x( e& R: K" o7 Y3 }, n! t" y. D
! `9 V6 @7 \' z6 S0 \& O3 P1.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。
  M. |0 F, P% d! Z+ ~+ P! ^, A3.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。
/ u( B' ]' E" x1 J. ?! t4.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。
4 Q) S( m% `4 H) J' }6 n0 N6.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。
8 I: a/ g; c& C; k: J& }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。
: B2 i* J) O$ m7 K10.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。
/ f# Z; ]7 Z3 V4 N! c3 ~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。

0 A1 f- d; f2 {4 F2 W