基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分類第1頁花萼長度花萼寬度花瓣長度花瓣寬度類別5.43.91.70.4153.41.50.216.22.24.51.525.52.341.326.12.84.71.227.93.86.4236.32.85.11.53有一批花可分為三個(gè)品種，利用神經(jīng)網(wǎng)絡(luò)算法，依據(jù)花萼長度，花萼寬度，花瓣長度和花瓣寬度對其進(jìn)行分類。第2頁樣本包含150組數(shù)據(jù)，選擇90組作為訓(xùn)練樣本，60組作為測試樣本。輸入數(shù)據(jù)為[花萼長度花萼寬度花瓣長度花瓣寬度]，輸出數(shù)據(jù)為花品種類別。要做工作：1.建立一個(gè)神經(jīng)網(wǎng)絡(luò)2.使用樣本訓(xùn)練這個(gè)網(wǎng)絡(luò)3.使用新數(shù)據(jù)集測試這個(gè)網(wǎng)絡(luò)分類準(zhǔn)確性第3頁BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)層數(shù)：2

輸入層節(jié)點(diǎn)數(shù)：4輸出層節(jié)點(diǎn)數(shù)：1隱層節(jié)點(diǎn)數(shù)：m=sqrt(n+l)+a(n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，a為1~10之間常數(shù))%導(dǎo)入訓(xùn)練樣本數(shù)據(jù)

data=load(‘data.txt’);p=data(:,1:4)‘;%輸入量t=data(:,5)‘;%輸出量

%數(shù)據(jù)歸一化到[-1+1][pn,ps]=mapminmax(p);%導(dǎo)入測試樣本數(shù)據(jù)testdata=load(‘testdata.txt’);p_test=testdata(:,1:4)‘;%輸入量t_test=testdata(:,5)‘;%輸出量

%數(shù)據(jù)歸一化到[-1+1][pn_test,ps]=mapminmax(p_test);1.數(shù)據(jù)預(yù)處理：data.txt中有90組數(shù)據(jù)，作為訓(xùn)練樣本；testdata.txt中有60組數(shù)據(jù)，作為測試樣本。第4頁3.訓(xùn)練參數(shù)選擇：net.trainParam.show=50;%顯示訓(xùn)練結(jié)果間隔步數(shù)net.trainParam.epochs=1000;%最大訓(xùn)練次數(shù)net.trainParam.goal=0.001;%訓(xùn)練目標(biāo)誤差net.trainParam.lr=0.01;%學(xué)習(xí)系數(shù)net=train(net,pn,t);%開始訓(xùn)練2.創(chuàng)建一個(gè)新BP神經(jīng)網(wǎng)絡(luò)：net=newff(minmax(pn),[101],{'tansig''purelin'},'traingdx');%隱含層傳遞函數(shù)為transing；%輸出層傳遞函數(shù)為purelin；%訓(xùn)練函數(shù)為traingdx(有動(dòng)量和自適應(yīng)lr梯度下降法)第5頁4.仿真并繪制結(jié)果：a=sim(net,pn_test);a=round(a);%四舍五入取整figure(1)plot(a,':or')holdonplot(t_test,'-*');legend(‘預(yù)測類別‘,’實(shí)際類別’)title(‘BP網(wǎng)絡(luò)預(yù)測輸出')ylabel(‘類別')xlabel(‘樣本’)%預(yù)測誤差error=a-t_test;figure(3)plot(error,'-*')title(‘BP網(wǎng)絡(luò)預(yù)測誤差')ylabel(‘誤差')xlabel(‘樣本')第6頁figure(3)count=0;%誤分類次數(shù)holdon;fori=1:60%預(yù)測與實(shí)際類別都為1ifa(i)<1.5ift(i)<1.5plot(p(1,i),p(4,i),‘ro’);elseplot(p(1,i),p(4,i),'r*');count=count+1;End%預(yù)測與實(shí)際類別都為3elseifa(i)>2.5ift_test(i)>2.5plot(p(1,i),p(4,i),'go');elseplot(p(1,i),p(4,i),'g*');count=count+1;end%預(yù)測與實(shí)際類別都為1elseif(t_test(i)<=2.5)&&(t_test(i)>=1.5)plot(p(1,i),p(4,i),'bo');elseplot(p(1,i),p(4,i),'b*');count=count+1;endendendrate=(60-count)/60%正確率5.顯示分類結(jié)果：第7頁第8頁圖中紅色為第一類，藍(lán)色為第二類，綠色為第三類。結(jié)果顯示有一個(gè)數(shù)據(jù)分類錯(cuò)誤，分類正確率為98.33%。rate=0.9833第9頁出現(xiàn)分類錯(cuò)誤原因可能是訓(xùn)練樣本太少，或者是隱層節(jié)點(diǎn)數(shù)選擇不適當(dāng)，接下來在經(jīng)驗(yàn)值范圍內(nèi)改變隱層節(jié)點(diǎn)數(shù)，觀察分類結(jié)果。第10頁當(dāng)隱層節(jié)點(diǎn)數(shù)為9時(shí)，分類正確率為100%。第11頁RBF神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)：4輸出層節(jié)點(diǎn)數(shù)：1隱層節(jié)點(diǎn)數(shù)：m=sqrt(n+l)+a(n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，a為1~10之間常數(shù))2.創(chuàng)建一個(gè)新RBF神經(jīng)網(wǎng)絡(luò)：net=newrb(pn,t,0.001,1,10,1);%散步常數(shù)spread=1%訓(xùn)練精度goal=0.001%顯示頻率df=1%隱含層節(jié)點(diǎn)數(shù)m=101.數(shù)據(jù)預(yù)處理3.仿真a=sim(net,pn_test);a=round(a);%對預(yù)測出類別a取整4.結(jié)果分析第12頁圖中