matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   / z& w! [# C. r, y1 V* @8 |- l1 o
2. clear all! U( ]# U4 H* f5 ^
   
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;...
   , \5 ~. H0 [' ]7 \/ s
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];
   % Z* _. D% q0 p# u
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   8 l6 z) B; w, d  [: O\" o) N: y
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];$ _2 P. K' N# v
   
7. xmin1=min(x(1,:));+ z9 x9 X  {4 s1 B  L% d
   
8. xmax1=max(x(1,:));\" @/ t8 M7 g7 |3 @7 O( C
   
9. xmin2=min(x(2,:));
   & w9 x8 U( `3 m1 a, f+ }) c\" m
10. xmax2=max(x(2,:));
    ( W: o- K$ y' B' `) X+ a3 }# [
11. %设定迭代次数8 ?8 _# e2 p6 B- S( q
    
12. net.trainparam.epochs=10000;
    6 B5 A2 p, m2 P9 t
13. %网络初始化
    * V2 s# f( P0 ^
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    % P- s3 [, G( H+ _# R' B& N
15. %训练网络1 W) z% J\" t5 J* T; m: X+ @
    
16. [net,tr,y1,e]=train(net,x,y);
    ) W4 d4 ]$ F2 |; F+ `
17. 
    ) Q& p/ _\" _) l2 `0 i4 L/ q2 k
18. X=[1.24 1.28 1.40;...7 ]4 ?4 U1 O# D: Z4 l
    
19.     1.80 1.84 2.04];' T\" `5 J7 n6 |9 a/ C9 \# l
    
20. %网络泛化
    : ?) s) ~3 ^\" ]. q3 n
21. y2=sim(net,X)
    6 A7 P- N; ~, E5 p1 }
22. ; J\" H8 g) a7 P6 i1 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')
    / N& c* ?% Z; ^( d
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 p: n8 t4 Y0 b6 c
4 l- k% L4 z! F: _+ k1.clear all: 清除当前工作区的所有变量。
" S* x: f( }& K% c: A2.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。
" m: x0 c5 |3 z& P  u. Y+ ]: Y/ V; N5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
" b, L4 u+ J6 w7 I6.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。
6 ~. N- C* \8 M  s2 u2 ]% d8.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。
  a0 [. i, L: `0 H# V0 t. m0 _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。
2 ]8 q1 n2 N) x5 x
4 ]0 t! O! z4 d6 b- l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。


! l$ f) `4 w5 A* D9 k