5.第6章BP神经网络程序.pptVIP

newcf——级联的前向神经网络 在新版中使用cascadeforwardnet函数代替 5.BP网络相关函数详解 net = newcf(P,T,[S1 S2...S(N-1)]) P：R*Q1矩阵，每行对应一个神经元输入数据的典型值。 T：SN*Q2矩阵，表示创建的网络有SN个输出层节点，每行是输出值的典型值。 Si：表示隐含层神经元个数，若隐含层多于一层，则写成行向量的形式。 与newff比较类似 5.BP网络相关函数详解 用newff和newcf对一段数据进行拟合，数据输入为向量 输出为 ，是一段折线。新版替代函数： cascadeforwardnet f2=cascadeforwardnet([3,5]); view(f2) rng(2) P = [0 1 2 3 4 5 6 7 8 9 10]; % 网络输入 T = [0 1 2 3 4 3 2 1 2 3 4]; % 期望输出 ff=newff(P,T,20); % 建立一个BP网络，包含一个20个节点的隐含层 ff.trainParam.epochs = 50; ff = train(ff,P,T); % 训练 Y1 = sim(ff,P); % 仿真 cf=newcf(P,T,20); % 用newcf建立前向网络 cf.trainParam.epochs = 50; cf = train(cf,P,T); % 训练 Y2 = sim(cf,P); % 仿真 plot(P,T,o-); % 绘图 hold on; plot(P,Y1,^m-); plot(P,Y2,*-k); title(newff newcf) legend(原始数据,newff结果,newcf结果,0) 6.BP神经网络应用实例 （1）基于BP网络的性别识别 .以班级中男生女生的身高、体重为输入，经过一定数量的样本训练后，可以较好地识别出新样本的性别。 男生172人，女生88人 .部分数据： 53.3 165 女 130 57.8 175.7 男 120 53 163.1 女 129 77.8 181.1 男 119 49.2 159.2 女 128 68 186.8 男 118 81.7 178.6 男 127 68.3 168.4 女 117 93.9 182.7 男 126 55.1 173.8 女 116 47.8 158.2 女 125 55.5 170.5 女 115 47.5 165.7 女 124 59.9 162 男 114 58 166.5 女 123 69 170.2 男 113 83.1 170.3 男 122 48 163.4 女 112 80.9 174.2 男 121 52.4 163.4 女 111 体重 身高 性别 学号 体重 身高 性别 学号 6.BP神经网络应用实例 思路：随机抽出部分学生的身高和体重作为训练样本（男女生都有），然后训练一个BP神经网络，最后将剩下的样本输入网络进行测试，检验BP网络的分类性能。 6.BP神经网络应用实例 1.读入 使用MATLAB的内建函数xlsread来读取XLS表格。 function [data,label]=getdata(xlsfile) [~,label]=xlsread(xlsfile,1,B2:B261); [height,~]=xlsread(xlsfile,C2:C261); [weight,~]=xlsread(xlsfile,D2:D261); data=[height,weight]; l=zeros(size(label)); for i=1:length(l) if label{i}== 男 l(i)=1; end end label=l; xlsfile=student.xls; [data,label]=getdata(student.xls); 6.BP神经网络应用实例 （2）划分训练数据与测试数据。 function [traind,trainl,testd,testl]=divide(data,label) rng(0) % 男女各取30个进行训练 TRAIN_NUM_M=30; TRAIN_NUM_F=30; % 男女分开 m_data=data(label==1,:); f_data=data(label==0,:); NUM_M=length(m_data); % 男生的个数 % 男 r=randperm(NUM_M); traind(1:TR