matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   2 w0 a+ z+ A* Z+ s
2. clear all
   # L3 A) d3 L7 O' w/ B; r
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;...
   4 L5 V- G1 v$ G3 c% K1 E. G  |
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];+ Q\" c5 p# c5 Q! e* m* n, L
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   6 @* k; _0 @+ b2 I( S' Z
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   + w# B, H; t\" b1 E3 p- _\" O
7. xmin1=min(x(1,:));\" G% r  W# C6 K( [. S
   
8. xmax1=max(x(1,:));
   / I4 ^8 J$ v* ^% {2 ?( B
9. xmin2=min(x(2,:));
   4 g) }\" z) J2 r7 A
10. xmax2=max(x(2,:));
      a8 Z) b: D1 j0 J( Q& |6 Z2 D6 }
11. %设定迭代次数
    # Q* u4 l# o4 a1 E/ N
12. net.trainparam.epochs=10000;
    + F6 A+ V7 ]0 `0 [; u
13. %网络初始化
    7 H1 z- x3 o% w( {5 C- ^( _
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});: H0 x* N# a0 t% V0 |8 G# ^; ?3 h6 A0 O
    
15. %训练网络8 g9 m' m8 d\" g/ Z* D0 a
    
16. [net,tr,y1,e]=train(net,x,y);
    % b' a$ z5 X# d6 |5 N3 r( Z* {4 c
17. 3 a+ F8 d3 z3 L) S# E: q
    
18. X=[1.24 1.28 1.40;...\" p5 ~6 J  X! ^8 U: T# }
    
19.     1.80 1.84 2.04];
    8 R# W\" F. g. p. ~\" t7 q! `
20. %网络泛化! [% M/ {  Q$ n, s5 F
    
21. y2=sim(net,X)
    5 Z, d2 a; j1 d! Y8 C9 C5 J
22. 
    3 T. C& x- Z+ u6 t0 R( A& 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')* E9 g% N- ^$ `' }  ^, }\" z
    
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 Y% b' Q7 p+ A" E, L) O  w
) G. a; E+ ~: m" a* J1.clear all: 清除当前工作区的所有变量。
2 A9 T1 P3 o, S2.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。
4 o7 O1 u) Y7 t: E* X3.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。
( Z4 p! I4 Y+ Z4.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。
( G) E+ w. K: b/ k5 w( g* M+ j. L- X5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
$ X' K: J9 p; V  I7 R7 K0 ]1 a( |4 k6.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 z5 M" E# ?) G7.[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。
9 f2 ~. A! Z/ W9 c' j% i8.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。
$ Q* ^- Y& a. r+ F* N" @5 ?
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。
5 J) b* T; o8 E- |
: z1 I+ l. J  h! |5 @' g" A