查看: 2479|回复: 0

matlab利用神经网络分类

字体大小: 正常放大

1189 主题	4 听众	2934 积分

该用户从未签到

电梯直达

1^#

发表于 2023-12-23 10:21 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

%利用神经网络进行分类1 L( r* c( O6 L) }* Z
clear all
- ~. f: L$ }$ y: J/ b' g5 s. @9 J, @
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;...
, }* u\" p, ^3 X' A
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];; @: g8 a, I% N3 d, d/ L
y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
, @8 \# ^* F+ c: U) l* {: r2 A
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];0 w- q! S5 O0 {( r8 P3 }5 I
xmin1=min(x(1,:));
2 v5 x) V5 g) ~
xmax1=max(x(1,:));8 r, q6 w# U! l6 c! q$ P
xmin2=min(x(2,:));1 f2 g# @- a) u( H
xmax2=max(x(2,:));
5 M6 F. H4 h- ]\" O+ H1 ~, e/ o
%设定迭代次数( z; M: ^5 U8 U- z9 }1 R# h) r+ t
net.trainparam.epochs=10000;: H- Q) q1 |3 F) X, F) Q
%网络初始化
) J5 |& R. O3 q; ~
net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
2 W) c; d6 o- ~\" D3 p8 ^8 @4 B
%训练网络+ M& o. {. I6 Z+ W7 O\" D
[net,tr,y1,e]=train(net,x,y);# N\" p/ \4 T8 P! [6 Q7 T. F
7 ^' u! o5 v0 t9 \+ Y) D* n$ _
X=[1.24 1.28 1.40;...
7 W7 k8 _5 G: l% d- o
1.80 1.84 2.04];
6 L$ G+ z' ^$ S5 v
%网络泛化3 {+ @& u: a* s7 h
y2=sim(net,X)$ Z/ |% J* j8 e4 ]; S0 ^
, Z9 P* u4 \, A7 M, @7 l9 p
plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')* I9 z* P6 U ^6 H3 W
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：

1.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。
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。
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。