matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   0 ~, t/ T# N* G1 Q  J
2. clear all
   2 T6 S\" O9 e$ H6 `4 e. |
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;...
   0 C8 w+ l% r6 h7 v) n, M
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];
   6 C0 }2 ~7 E' [2 z
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...
   ! I8 D: g$ G7 X
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];& ^* e6 N1 }  j1 z# A
   
7. xmin1=min(x(1,:));5 G) y( y5 I, }\" s. W6 s\" g) E4 g
   
8. xmax1=max(x(1,:));( b0 X; G5 p+ x1 @- |2 I: P
   
9. xmin2=min(x(2,:));
   0 o( `8 n( a  m' v* n: e
10. xmax2=max(x(2,:));' P$ P  Y! k, c
    
11. %设定迭代次数6 T, n$ F5 k, @, t
    
12. net.trainparam.epochs=10000;) |$ n* ?) U( _& M; [
    
13. %网络初始化! e, ?. O- v. C9 [: V1 W
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    . f  _6 H' O$ K' w
15. %训练网络\" w0 d; o3 C7 h- x9 Y/ y! ?
    
16. [net,tr,y1,e]=train(net,x,y);
    8 o* [9 y# }% P
17. 1 R4 B\" X; |3 j3 q% Y% U
    
18. X=[1.24 1.28 1.40;...1 {1 O/ @* I/ X2 q* l  Y
    
19.     1.80 1.84 2.04];8 q% ^$ X; \) v$ u4 d- t
    
20. %网络泛化
    2 I: n\" `& q# `$ _  ?4 m5 Q
21. y2=sim(net,X)1 ]7 F1 Q( x\" \# B- g. w
    
22. 1 W# `4 Y/ {; K2 }6 A
    
23. plot(x(1,1:9),x(2,1:9),'o',x(1,10:15),x(2,10:15),'*',X(1,:),X(2,:),'v')+ i  L- ?$ E' l  g. \& x: ^8 v) H
    
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 o5 Y6 a9 `$ `: A& N1 Q
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。
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。
& K3 h/ n$ p, g% K  X+ l) I* `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。
+ h% ?- T  l. q- v8 X10.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。
: @& N6 u& l/ |
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。


8 @; X0 y+ Z1 A3 J! p% x