matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   : r) h' l& M+ G& J9 k
2. clear all0 {# t6 Z+ B4 [: ^2 T2 {  x9 E5 n1 J
   
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;...
   / x, q& P2 R; {- G% l4 |( a: n
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];
   \" z; z; b/ J6 @8 s
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...% O6 a7 D4 C& z! ^+ Z  v
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];3 S' y# T* V, X% X# Y8 `
   
7. xmin1=min(x(1,:));
   9 v8 S1 [* A# F- J3 ]8 p3 m
8. xmax1=max(x(1,:));% k, F* Q9 @\" ?, b& u9 v5 r) l+ F
   
9. xmin2=min(x(2,:));4 c1 C4 G/ P: ^1 H
   
10. xmax2=max(x(2,:));. {& B, ?% s- D0 U$ ~; G# S
    
11. %设定迭代次数# X, V. i$ b# L; t
    
12. net.trainparam.epochs=10000;
    7 k! e) T+ }) x9 _4 f2 _\" W
13. %网络初始化
    9 p3 j; l. a* h- g
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    3 g. I/ C) H0 Q9 n  m+ R
15. %训练网络+ S\" z+ I& u* H$ U8 G/ M
    
16. [net,tr,y1,e]=train(net,x,y);\" C) |& P5 Y5 s6 a6 T8 T
    
17. 9 K& g2 t3 \- P3 w2 F! O
    
18. X=[1.24 1.28 1.40;...
    \" }2 u6 T# m6 j/ b$ g( V
19.     1.80 1.84 2.04];% m' ~9 P3 @3 E$ @
    
20. %网络泛化
    4 d2 W7 @$ Z/ @1 c$ y4 X
21. y2=sim(net,X): v8 y( K& k3 x1 t
    
22. 
    ( Y! M2 _$ z1 }2 W
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 r9 K7 X+ F, 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：

1.clear all: 清除当前工作区的所有变量。
4 I, W) U, D  ?/ C2.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。
: `. s) O. J. c' s4.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。
0 t/ b' L1 R4 r4 w& ~7 O# [5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
" Z' M9 K1 f. G# h- f: f+ {3 Y6.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。
8 T7 K( s, S: b+ R  C' S, E1 U% L7.[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。
& l2 I5 }2 `8 N4 j10.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。

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。
  t- v9 z8 F% p
6 m* i4 |* m  l+ }7 d