matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   7 K, W/ V! ]: u1 q, @
2. clear all9 Q- _9 P5 c+ s( t0 T0 u
   
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;...
   $ N4 p. L' U) O1 M4 u$ N
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. I* v- j; |7 F* r6 V- F\" ]$ }2 s
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...0 b+ ~( |5 R( q' p! g1 z
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];' ]; \! s9 D# {. M, @8 n0 T
   
7. xmin1=min(x(1,:));7 A7 n  J. u. a7 x. U
   
8. xmax1=max(x(1,:));% X# C$ P' f. D/ c2 i\" X  n  X: w
   
9. xmin2=min(x(2,:));# n6 m1 `9 u6 ?# P( a
   
10. xmax2=max(x(2,:));, _/ K0 a% W, m6 h
    
11. %设定迭代次数
    / E( j, G! ~: B' ^+ d. Y- d
12. net.trainparam.epochs=10000;
    , j) L\" [( I3 t- M, W
13. %网络初始化
    / x7 y4 I\" q: m' k
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});* O* ~) |+ e3 _
    
15. %训练网络
    ' R8 _7 c+ n' J
16. [net,tr,y1,e]=train(net,x,y);) K, Z- g) Y; m- s+ \9 ]8 w1 Y2 Q8 W
    
17. 
    9 w6 P7 {1 z) }% @0 F% _8 \
18. X=[1.24 1.28 1.40;...
    0 L4 J! P; E+ s' a9 K3 z
19.     1.80 1.84 2.04];3 ?( s( V6 K( B# r\" z  {3 o
    
20. %网络泛化
    : Z. z5 P# |3 ^0 n, @- A/ \5 m0 [* o
21. y2=sim(net,X)# D+ a5 b$ M\" ?, W# n7 L5 g# m! w
    
22. * M8 H2 ^3 X6 Y# ]8 e4 u3 m
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
    1 R. e0 s& H( F$ g! i5 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：

$ `5 r% V% L7 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。
5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
  r9 E- q' U1 U' D" E6.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。
2 D! n( i5 s' E7 i& l) r8.X: 用于泛化的新输入数据，是一个2x3的矩阵。
( I1 i9 R5 ~9 o: \$ [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。
; p: R' g, c0 \& R' z10.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。
! Q& O) B5 @6 c11.grid on: 显示网格。
1 x! n; s; |; g  p2 O$ L/ t( L$ @. G
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。
+ Z; S! b& M1 P( O; N3 J, a9 }
& E2 S. X9 h) M+ v& R6 O2 B9 U2 ]
" F! o2 I9 a# u- w