基于神经网络的数据分类.pptx

基于神经网络的数据分类;花萼长度;样本包含150组数据，选择90组作为训练样本，60组作为测试样本。输入数据为[花萼长度 花萼宽度 花瓣长度 花瓣宽度]，输出数据为花的品种的类别。;BP神经网络;3.训练参数选择： net.trainParam.show = 50; %显示训练结果的间隔步数 net.trainParam.epochs=1000; %最大训练次数 net.trainParam.goal=0.001; %训练目标误差 net.trainParam.lr = 0.01; %学习系数 net=train(net,pn,t); %开始训练 ;4.仿真并绘制结果： a = sim(net,pn_test); a=round(a); %四舍五入取整 figure(1) plot(a,:or) hold on plot(t_test,-*); legend(‘预测类别‘,’实际类别’) title(‘BP网络预测输出) ylabel(‘类别) xlabel(‘样本’) %预测误差 error=a-t_test; figure(3) plot(error,-*) title(‘BP网络预测误差) ylabel(‘误差) xlabel(‘样本) ;figure(3) count=0; %误分类次数 hold on; for i=1:60 %预测与实际类别都为1 if a(i)1.5 if t(i)1.5 plot(p(1,i),p(4,i),‘ro’); else plot(p(1,i),p(4,i),r*); count=count+1; End %预测与实际类别都为3 elseif a(i)2.5 if t_test(i)2.5;图中红色为第一类，蓝色为第二类，绿色为第三类。结果显示有一个数据分类错误，分类正确率为98.33%。;出现分类错误的原因可能是训练的样本太少，或者是隐层节点数选择不合适，接下来在经验值范围内改变隐层节点数，观察分类结果。;当隐层节点数为9时，分类正确率为100%。;RBF神经网络;图中红色为第一类，蓝色为第二类，绿色为第三类。结果显示有一个数据分类错误，分类正确率为98.33%。;通过上述实验可看出BP神经网络和RBF神经网络都能通过学习和训练以任意精度逼近任何非线性函数。;由上图可看出：RBF算法在训练过程中比BP算法学习速度快。;1.BP神经网络和RBF神经网络都能通过训练学习，以任意精度逼近任意非线性函数。 2.神经网络隐含层的节点个数能影响网络输出结果的精度。 3.RBF算法比BP算法学习速度快，需要训练的时间短。