孙杨威_12281201_模式识别第7次实验报告..docVIP

实 验 报 告 学生姓名：孙杨威 学 号：实验地点：九教北401实验室 实验时间：2014.11.13 实验名称： BP神经网络算法 实验原理： BP网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。 实验内容： 有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。 不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。 我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。 用已有的数据训练一个神经网络用作分类器。 实验步骤： 建立一个新的网络 使用样本训练这个网络 使用新的数据集模拟这个网络 实验代码及分析： bp_test.m %读取测试数据 [t1 t2 t3 t4 c] = textread(testData.txt , %f%f%f%f%s,75); %测试数据归一化 testInput = tramnmx ( [t1,t2,t3,t4] , minI, maxI ) ; %仿真 Y = sim( net , testInput ); s=length(c); output1=zeros(s,3); for i = 1 : s if strcmp(c(i),Isetosa)~=0 output1( i , 1 ) = 1; elseif strcmp(c(i),Iversicolor)~=0 output1( i , 2 ) = 1; else output1( i , 3 ) = 1; end end %统计识别正确率 [s1 , s2] = size( Y ) ; hitNum = 0 ; for i = 1 : s2 [m , Index] = max( Y( : , i ) ) ; if( output1(i,Index) == 1 ) hitNum = hitNum + 1 ; end end sprintf(识别率是 %3.3f%%,100 * hitNum / s2 ) bp_rain.m %将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本。 %其中一组作为以上程序的训练样本，另外一组作为检验样本。 %为了方便训练，将3类花分别编号为1，2，3 。 %使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。 clear all; %读取训练数据 [f1,f2,f3,f4,class] = textread(trainData.txt,%f%f%f%f%s,75); %特征值归一化 [input,minI,maxI] = premnmx([f1,f2,f3,f4 ]); %构造输出矩阵 s=length(class); output=zeros(s,3); for i = 1 : s if strcmp(class(i),Isetosa)~=0 output( i , 1 ) = 1; elseif strcmp(class(i),Iversicolor)~=0 output( i , 2 ) = 1; else output( i , 3 ) = 1; end end %创建神经网络 net = newff( minmax(input) , [10 3] , { logsig purelin } , traingdx ); %设置训练参数 net.trainparam.show = 50 ; %显示中间结果的周期； net.trainparam.epochs = 200 ; %最大的迭代次数； net.trainparam.goal = 0.05; %神经网络的训练的目标误差； net.trainParam.lr = 0.01 ; %学习率； %开始训练 net = tra