数据挖掘实验（一）BP神经网络实验指导书15.docVIP

20123100146 通信7班 楚鹤鸣 实验一实验报告 BP神经网络 一、实验目的 初步熟悉MATLAB 工作环境，熟悉命令窗口，学会使用帮助窗口查找帮助信息。 二、 实验内容 1、网络设计，包括输入层、隐含层、输出层节点个数的设计。 2、算法步骤 3、编程，注意原始数据的通用化，数据输入的随机性。 4、网络训练，注意训练数据与验证数据分开。 5、网络验证 6、结果分析，修改隐含层节点个数，修改学习率，分别对结果的影响。 三 、实验数据 本实验以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在/wiki/Iris_flower_data_set? 找到。也可以在UCI数据集中下载。 Iris数据集中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。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。要求用已有的数据训练一个神经网络用作分类器。 实验程序 我将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。 ?????? Matlab程序如下： %读取训练数据 [f1,f2,f3,f4,class] = textread(trainData.txt , %f%f%f%f%f,150); %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 output( i , class( i ) ) = 1 ; 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 ; net.trainparam.epochs = 500 ; net.trainparam.goal = 0.01 ; net.trainParam.lr = 0.01 ; %开始训练 net = train( net, input , output ) ; %读取测试数据 [t1 t2 t3 t4 c] = textread(testData.txt , %f%f%f%f%f,150); %测试数据归一化 testInput = tramnmx ( [t1,t2,t3,t4] , minI, maxI ) ; %仿真 Y = sim( net , testInput ) %统计识别正确率 [s1 , s2] = size( Y ) ; hitNum = 0 ; for i = 1 : s2 [m , Index] = max( Y( : , i ) ) ; if( Index == c(i) ) hitNum = hitNum + 1 ; end end sprintf(识别率是 %3.3f%%,100 * hitNum / s2 ) 五、实验结果与分析 1. 实验结果记录： 当周期为50，迭代次数为500，目标误差为0.01，学习率为0.01时，识别率为98.000%； 当周期为50，迭代次数为5000，目标误差为0.01，学习率为0.01时，识别率为98.667%； 当周期为50，迭代次数为50，目标误差为0.01，学习率为0.01时，识别率为33.000%； 当周期为50，迭代次数为500，目标误差为0.01，学习率为0.001时，识别率为98.000%； 当周期为50，迭代次数为500，目标误差为0.01，学习率为0.1时，识别率为98.000%； 分析：由上面几组组实验可知，学习率对神经网络的识别率没什么影响，迭代次数在大于某个值后对识别率影响不大。 2．修改隐含层节点个数 net = newff( minmax(input) , [10 3] , { logsig purelin } , traingdx) 时，识别率为 98.000%。 net = newff( minmax(input) , [5 3] , { logsig purelin } , traingdx ) 时，识别率为 97.333%。 net =