matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   2 O0 o+ o8 @& j8 x- e& }* Y\" B6 S! ~
2. clear all
   + P8 t$ P, G2 Y\" J3 u+ h\" b
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;...
   & V  {# {4 _% l0 K
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];. ]! k/ b. k7 H9 I, Y7 X$ k, H0 h
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   . }* {7 A1 L, J1 P; {. g6 a2 p; `- }) B
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   8 q& t+ Y$ U7 g, K3 Q6 x8 l
7. xmin1=min(x(1,:));/ ~: y4 }8 D5 L+ \9 O$ R: J; ^\" X
   
8. xmax1=max(x(1,:));
   1 i7 J8 g0 H% `# V* g
9. xmin2=min(x(2,:));
   ( o; P& G, b& s4 I7 M
10. xmax2=max(x(2,:));
    5 w8 N* P$ R9 ~9 l) x1 C
11. %设定迭代次数
    9 z* S6 ~6 |+ t* `
12. net.trainparam.epochs=10000;
    0 z5 m% n, {/ Y
13. %网络初始化. z\" N7 D& \/ _; K# a
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    ) P( q9 s$ k8 [# m% l) R
15. %训练网络5 Q6 {+ G( L8 x) x9 N
    
16. [net,tr,y1,e]=train(net,x,y);
      m0 F7 ^( n* J: G' C
17. & \% N5 i5 z' d% K
    
18. X=[1.24 1.28 1.40;...  ^! A, t4 g% k# d\" J) s
    
19.     1.80 1.84 2.04];, [8 F. K5 J! l9 V\" s/ r$ u
    
20. %网络泛化# E# u: J4 P4 S7 m9 a; F) r# U
    
21. y2=sim(net,X)  v\" _3 x! V) ^! Q\" c
    
22. ; b, _9 J1 ~\" h! f( l$ z2 K
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')\" o7 F3 b- M+ p( _* K9 d8 p
    
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：

% r; M- @  H4 ^" e) W8 D( y1.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。
" e- P0 T$ k0 {# z6 b0 ]5 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。
, a5 ^$ s; H5 D4.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。
: F! D( p& i  j  M8 X5.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。
, P: Y! }9 _/ ^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。
* `9 O" C0 |2 R( }! I8.X: 用于泛化的新输入数据，是一个2x3的矩阵。
: q' I9 j. ^# o6 P9 |' l" _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。
( ~( j- X# k  n9 V) l  @' V11.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。
/ @6 U( K& K2 n) K* e