matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   7 ^$ k) W# {) F) ]6 \
2. clear all# \( x( h9 m# y& D- d
   
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;...% @5 f\" Y- d* }( d
   
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];, I- V' U' U( ^4 H& j
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   - }) y0 {& H1 ]$ c' X
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];' e* n, G9 N- B1 y% Z
   
7. xmin1=min(x(1,:));
   ( p: }8 a  l4 Z. I. Y* _3 C
8. xmax1=max(x(1,:));
   : E) o' t: E5 R  O, q
9. xmin2=min(x(2,:));
   6 |# Q6 b) I' Z6 \\" t
10. xmax2=max(x(2,:));: U! D7 G3 P/ ^9 y. \: F3 `
    
11. %设定迭代次数
    # a( O6 E$ B3 K; T2 o0 t- K. a
12. net.trainparam.epochs=10000;
    * }! L& q, c% @* M4 i( y/ ]) J
13. %网络初始化
    8 G5 \( O' W+ f; r4 X
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});$ j/ ^0 g+ [& R5 l4 }& N! T# n
    
15. %训练网络7 ]) o) T& l( o* `4 X
    
16. [net,tr,y1,e]=train(net,x,y);
    $ V\" G\" B# b% J# B
17. # w( o, }2 {2 Q
    
18. X=[1.24 1.28 1.40;...
    0 V, U9 |\" B( n; u9 Q2 r% T0 Z
19.     1.80 1.84 2.04];- L( J. s  v& e
    
20. %网络泛化
    ) \2 d9 l\" r( I# n\" q1 X& \
21. y2=sim(net,X)# {- ~7 s5 \, W3 u. D/ L7 J
    
22. - k$ L# C5 T! g  o
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')
    / r+ l) x8 \: s% U
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。
! W) Z! |2 t' M6 \' h, 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。
5.net.trainparam.epochs=10000;: 设定神经网络的训练迭代次数为10000次。
9 J3 f! T' e% e9 s& X5 s6.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。
! G, ?% m9 `9 ]+ {- X* X* t8.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。
" ]6 W7 d$ ?' o: J- r2 `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。
1 b0 d' ^- `! C0 O& v11.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。
' C* q1 m( H: r! r" {0 H: F