matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   . |  @1 r5 ?/ I6 C
2. clear all
   - ~$ V3 q9 u# [! ^3 u6 \
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;...2 m' j  v4 }- q% T* D  I1 y1 A
   
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];$ n5 Y1 k+ ?\" e: n& j1 l- D
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...' l1 U& T! k. ?0 f( z
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];
   \" E6 C$ S. z2 l, U2 @
7. xmin1=min(x(1,:));
   . x2 @8 K; e& H
8. xmax1=max(x(1,:));# Z  u4 H# T( ~0 r9 o* a' a
   
9. xmin2=min(x(2,:));+ X$ ~: O, [3 O% X* U$ S, p
   
10. xmax2=max(x(2,:));( C4 i/ Z: Y- v3 e1 n
    
11. %设定迭代次数, o6 Q8 v' C! x# A
    
12. net.trainparam.epochs=10000;+ v2 E( u1 g/ g* ?8 R\" e9 C2 p
    
13. %网络初始化
    8 N- c- A# ~& T
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});: [- J\" I1 G* p
    
15. %训练网络5 |3 \. e, `4 w3 g& ~' C
    
16. [net,tr,y1,e]=train(net,x,y);- a! T. `4 B! ^/ b3 }3 L: U
    
17. 
    - P\" H* G  |3 v2 z' c& n4 Z
18. X=[1.24 1.28 1.40;...: g* G. \/ q4 o$ N! z. ]) c; ?1 y
    
19.     1.80 1.84 2.04];5 M; L( _( p, w% V5 j
    
20. %网络泛化
    % E  n- O& j6 e! Z4 j$ L\" e0 Q8 j4 W2 j
21. y2=sim(net,X), k3 D3 f7 e- b1 G: ]0 M- ]
    
22. % j; L, s: z5 q\" R( D* Y
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v'); G! \+ W: d+ h7 o/ @6 M& j) |
    
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。
9 p1 ~8 d5 j) R8 h$ 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。
1 m' \1 R  I! l4 k4 L. d" z) o$ \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。
) y1 B7 {& R( _5 s" {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。
8.X: 用于泛化的新输入数据，是一个2x3的矩阵。
, ^: l9 Z2 E& A/ s6 p1 m# I9.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。
+ x3 J- M& Y+ R+ \5 g" u11.grid on: 显示网格。

  a" o& v8 o9 }+ v9 V) p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。
& l7 `2 Z4 P8 s+ J. {1 u