matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类( N\" t; m5 V\" @2 y' U5 f  g
   
2. clear all
   0 z8 H8 p- J' X1 h* C
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;...  v1 i/ D1 A7 U6 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];
   \" R! G2 n8 h# G; W0 R
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;.../ ]: ]& D$ g, H5 w- B; t
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];7 H% t( \! ?/ j- d1 V
   
7. xmin1=min(x(1,:));1 f\" D4 r\" I5 T8 H
   
8. xmax1=max(x(1,:));
   $ O  s! [. ]$ S3 ^$ F+ {6 b* }
9. xmin2=min(x(2,:));
   7 }8 W; Q4 u' }\" |( W\" ^- N
10. xmax2=max(x(2,:));* r! \  _  k/ Z0 _: Y  A
    
11. %设定迭代次数
    * o! b& W) _0 _' R: ?\" [3 g4 j
12. net.trainparam.epochs=10000;
    ) ~- P& }3 l' {6 L2 R% u
13. %网络初始化\" j( \9 ?8 m5 Q5 V% z7 D' }. O
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});7 w& ^0 H# l1 a* P
    
15. %训练网络
    # [' n+ |\" g# t$ h3 L+ S8 r1 k
16. [net,tr,y1,e]=train(net,x,y);
    ' d( j/ }# u5 o) a9 |
17. ; G! n3 ~% M- a
    
18. X=[1.24 1.28 1.40;...3 K+ v# \0 g1 c- |- b. [
    
19.     1.80 1.84 2.04];& a4 {; I- f2 x% K
    
20. %网络泛化
    ( d: _& H% D7 b: f* ~+ M$ Q/ X0 q
21. y2=sim(net,X)
    , O$ C) x* C+ |9 D; `! F4 v! ^
22. 
    5 Y) R5 a' w4 B
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')\" Q4 M: B6 C) |8 G1 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：

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。
! F: F9 O. L7 v7 G/ b" G& y; ^' b: h3.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。
8 M1 Z+ {( D  }! j* P8 p; X4.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。
; @: k7 n, |# A& 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。
" E" V6 u" w$ ^. E; ~8 ~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。
4 i' ]9 H  z7 M3 q* {9 ~2 Q3 P5 s11.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。


' _9 W" n, ]! F1 x+ p# F' Z  H