matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
     K' F4 i( s; Z; K* d$ p! ~
2. clear all% F( g5 J. K, E1 j! w- f) a
   
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 i3 w0 J% R$ _7 ]7 A
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];; E( x, {4 v) z- x/ V: b
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   ! J& V& z' K\" |' ]) h/ B
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];( C2 x& k7 D) B$ a5 w\" y! u9 k/ W3 y- ?
   
7. xmin1=min(x(1,:));
   - t; V) t' Z- g8 x' \5 Y
8. xmax1=max(x(1,:));- x% I7 p/ Z) a3 G
   
9. xmin2=min(x(2,:));# ?' @  [. U3 K2 Q1 \
   
10. xmax2=max(x(2,:));: L\" L; `; |7 Q) Y
    
11. %设定迭代次数
    3 P& ~9 L  e; l  U; S1 V
12. net.trainparam.epochs=10000;% O: u% N3 ]' ^6 E0 f6 b) t7 O
    
13. %网络初始化
    0 s0 ^. x3 B\" K8 Q* g# n
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    : ?+ D- i! p$ E! h0 t! T  [
15. %训练网络) [. M+ i* k. S7 s
    
16. [net,tr,y1,e]=train(net,x,y);# m- l, k, K/ m+ [# T
    
17. 
    % P' U% i. |2 b3 O
18. X=[1.24 1.28 1.40;...
    . p4 [7 n3 c9 w( {, I( e2 f# K
19.     1.80 1.84 2.04];
    % c. f8 t8 ]; S; O8 B
20. %网络泛化\" k% q3 k7 @1 T4 t9 c4 B
    
21. y2=sim(net,X)
    1 \$ _\" L0 f0 r- g; G1 S0 {4 Z1 d
22. 
    6 R# o3 ^- Z# }
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
    * v% Y) h6 e6 s' K4 ~3 }& c; k
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：
3 z% J$ [) ]% Y. N
1.clear all: 清除当前工作区的所有变量。
+ @6 w$ P/ t6 [' t2.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。
" N6 G* }+ q/ d7 I4 p9 M! G: w3.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。
' r  u6 R5 p7 u, z5 M- P7.[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。
4 L; ~7 k' u2 C, `- t
8 c: s, f, H( E3 h& P8 S
5 b% w4 Z& _. C4 Z