matlab利用神经网络分类

2744557306

1. %利用神经网络进行分类
   3 O\" v4 l: Y\" S% ?' ?& I
2. clear all5 V1 t# b4 j4 F. W; R
   
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 F8 M& x. C2 {7 `
   
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];3 c( d% b  o& b& ~9 M
   
5. y=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0;...+ V, E; J! Q( Z2 O: [. ~6 _
   
6.    0 0 0 0 0 0 0 0 0 1 1 1 1 1 1];, }) N4 u- B) {8 p
   
7. xmin1=min(x(1,:));
   $ R, O* m7 X: A2 y
8. xmax1=max(x(1,:));
   , E) L' c: P& |/ J  m; ^: M
9. xmin2=min(x(2,:));3 c* d, H1 K. a6 `
   
10. xmax2=max(x(2,:));6 I4 h2 e2 a1 q4 `
    
11. %设定迭代次数
      W; @8 c$ R* r# U
12. net.trainparam.epochs=10000;
    \" d6 r, D0 m* L) V- E! c4 f) w$ a
13. %网络初始化; P  i9 v. g, o, h
    
14. net=newff([xmin1,xmax1;xmin2,xmax2],[8,8,8,8,2],{'tansig','logsig','logsig','tansig','tansig'});
    + Y/ v! @: }7 G' k\" l
15. %训练网络
    7 |: V, G9 n. {3 X4 {# J7 O6 n) y% `
16. [net,tr,y1,e]=train(net,x,y);
    $ y/ _4 U& B) z# b. E, e4 L
17. \" ~- {: g, |7 ]3 t0 H\" K. X
    
18. X=[1.24 1.28 1.40;...1 y3 m& J2 {$ k. _
    
19.     1.80 1.84 2.04];: [( _; \/ _! Y4 F\" H
    
20. %网络泛化
    ' e) T! v1 p# @* y! H% u
21. y2=sim(net,X)& m- m4 l# p: Q3 q5 a4 S7 L
    
22. 4 U0 r2 M, H. H6 }, ]
    
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! o7 i8 O4 E: N
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。
9 j. w4 {& {" S2 E7 r8 N7 |& {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。
) l0 {& c4 g: \) ]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。
8 y0 U0 o0 z% y9 T5.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。
8.X: 用于泛化的新输入数据，是一个2x3的矩阵。
; b: B3 w+ {. ?5 K- W9.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。
8 a4 {4 o1 B( Q! O$ V4 L2 |- z; 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。

0 s) E( I$ ?1 G  ]7 L  g" d/ N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。

) p3 P3 e! |) b/ Q  i