matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类, t6 f7 a7 z7 g
   
2. clear all/ f\" [! i% C- i) V0 p. D2 H+ ~! k
   
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;...9 A9 ]2 ~\" y* k$ c- X
   
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];
   - [9 M' A# m9 y. C+ o) a
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...1 l+ ^0 Q! C$ j! @
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];5 _6 q- T# E  P5 k
   
7. xmin1=min(x(1,:));3 X/ K: j# r. A: P\" E* f
   
8. xmax1=max(x(1,:));
   / H, ~# z. S. @9 c# m
9. xmin2=min(x(2,:));5 T; c% X6 y9 }5 G1 o! U9 B\" w
   
10. xmax2=max(x(2,:));- c4 o8 `: _2 s) E# P
    
11. %设定迭代次数! i  z& _6 e  b7 y+ b/ T
    
12. net.trainparam.epochs=10000;; s4 n5 B9 m' U0 ?
    
13. %网络初始化
    + j# _* P5 x3 A/ b  R2 Q7 Q
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});( o  P+ U+ Y  N! l2 g; e
    
15. %训练网络. ~. V7 L/ J4 F& U* Z6 A
    
16. [net,tr,y1,e]=train(net,x,y);, |; i. V! N9 ~
    
17. 
    / b; {& J# E: a, C& h! u- b& S1 B
18. X=[1.24 1.28 1.40;...
    $ z2 u( j6 O' S8 _
19.     1.80 1.84 2.04];
    ! m* U. j2 D) N9 t2 I2 A
20. %网络泛化
    + e/ k! |/ ^3 Z
21. y2=sim(net,X)
    & i\" K) \# c5 L8 o
22. : k: B6 K! x9 j  W+ \+ {$ P# `
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')6 w/ m$ K+ `\" h\" c2 k\" [& f
    
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。
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。
( c9 s2 j" S0 T* H, l; u9 o, b7.[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。
. @( |9 i( I1 c" U$ T+ K10.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。
: q( B# l9 g2 ?& E- j) L1 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。