matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   * Y4 `5 Q6 E* a# {0 H
2. clear all
   / S3 E1 s2 A2 O. P; \
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;...8 Q- T, \: d/ i3 N6 ]+ 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];5 d* i. W  P# ^- z+ o; M; T
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   / R8 N! z, ?, o7 V) [- V2 b  R
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   # y* I) u( r5 S\" S5 g- ~! a
7. xmin1=min(x(1,:));
   / w; H- i( {* m1 E
8. xmax1=max(x(1,:));+ U- ~9 _- R, S- ]+ m8 n4 Z% w. g4 a  N
   
9. xmin2=min(x(2,:));, d5 U8 D- T6 _- S8 T$ z+ p
   
10. xmax2=max(x(2,:));
    2 d' U8 c; ^; G8 Q: R
11. %设定迭代次数\" |9 i' x4 D, d
    
12. net.trainparam.epochs=10000;
    . x# B4 C' W: \# @4 u& O
13. %网络初始化
    . f  o, Q- f3 \8 ]
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    4 x4 r6 o* @2 t+ C# r
15. %训练网络! S! h$ V\" I, o: Y( N  [4 D+ f
    
16. [net,tr,y1,e]=train(net,x,y);4 f: F7 p, z6 V3 d2 w
    
17. 
    ! v8 h3 ]0 ]$ s5 L/ A$ i
18. X=[1.24 1.28 1.40;...7 p3 C  X# H8 W. k
    
19.     1.80 1.84 2.04];  c( L8 Z+ V/ G) J  k) F+ ~
    
20. %网络泛化
      d\" L\" Q$ z3 ~\" R  e7 Q
21. y2=sim(net,X)
    8 F( z1 @( T3 y7 p
22. 1 [) K0 r, U/ h\" a' {5 i
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')( {( u3 N( H4 o3 O# |- b
    
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：
  ~0 _9 K; }( F; n+ L+ t2 p
1.clear all: 清除当前工作区的所有变量。
# K0 i/ y! L# L5 R2.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。
( l, S5 ]% A0 S2 b" n' F3.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。
9 Q. R+ S; R$ f5.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。
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。
1 F6 w5 t, ]7 X; D, x( }0 |5 y8.X: 用于泛化的新输入数据，是一个2x3的矩阵。
0 h0 w9 X# s: M% m9.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。
5 p$ L( e- M3 [- h1 ]- t( M10.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。
# [6 J6 a% z! w( d1 d# i
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。

, b9 [# p  D. e& A7 Q# c
" e$ H$ W4 T. a" {0 K# r) ?+ V