第6章bp神经网络.pptVIP

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： 学号 性别 身高 体重 学号 性别 身高 体重 111 女 163.4 52.4 121 男 174.2 80.9 112 女 163.4 48 122 男 170.3 83.1 113 男 170.2 69 123 女 166.5 58 114 男 162 59.9 124 女 165.7 47.5 115 女 170.5 55.5 125 女 158.2 47.8 116 女 173.8 55.1 126 男 182.7 93.9 117 女 168.4 68.3 127 男 178.6 81.7 118 男 186.8 68 128 女 159.2 49.2 119 男 181.1 77.8 129 女 163.1 53 120 男 175.7 57.8 130 女 165 53.3 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:TRAIN_NUM_M,:)=m_data(r(1:TRAIN_NUM_M),:); testd(1:NUM_M-TRAIN_NUM_M,:)= m_data(r(TRAIN_NUM_M+1:NUM_M),:); NUM_F=length(f_data); % 女生的个数 % 女 r=randperm(NUM_F); traind(TRAIN_NUM_M+1:TRAIN_NUM_M+TRAIN_NUM_F,:)=f_dat