西北工业大学智能计算课程考试.docxVIP

题目1：使用神经网络对三叶草分类问题进行仿真 答： 1.分类问题描述： 已知三种类型的三叶草：白三叶，红三叶，杂三叶，将其记为类型1、2、3，现有它们的4种特征数据，要求根据三叶草的特征数据，对其进行分类。 2.数据集描述： 数据集共包含150组数据，挑选其中的75组作为训练数据，其余75组作为测试数据，数据集的每行的前4个数据为三叶草特征数据，最后1个数据为三叶草种类。（详细数据见，最后部分打印） 3.前馈神经网络设计： 利用MATLAB 中newff( )，函数创建神经网络，神经网络结构如下： 图1-1 神经网络结构图 输入层：4输入（分别对应4个特征） 隐含层：10 输出层：3输出（分别对应该样本属于某一品种的可能性大小），输出节点中可能性最大的节点，对应测试样本的种类； 隐含层激活函数为：对数S形转移函数 输出层激活函数为：线性函数f(x) = x 数据处理归一化函数为：y = ( x - min )/( max - min ) ,其中min,max为x的最小、最大值。 神经网络参数：目标误差为0.01，最大迭代次数1000次，学习率0.01. 4.仿真结果展示及分析： （1）由仿真性能图1-2可以看出处，在迭代次数达到200次左右，网络的训练趋于收敛； （2）训练后的网络对于的识别率稳定在95%以上；10次测试结果如下： 次数 1 2 3 4 5 6 7 8 9 10 识别率 95.03% 95.86% 96.42% 97.21% 96.44% 96.54% 98.01% 97.71% 95.58% 94.32 （3）通过仿真结果可以看出，对于上述线性分类问题，可以训练神经网络得到较好的分类效果。但是，当遇到非线性或特征数据维度更高的分类问题时，神经网络将会变得非常庞大，网络各层的权值等参数的调试，也会变得复杂。同时，耗费在网络训练上的时间也会更高，相应的准确率也会降低。 图1-2 三叶草分类神经网络，仿真结果展示图 =============================代码实现=============================== %读取训练数据 fid = fopen(trainData.txt); trainData = textscan(fid , %f%f%f%f%f); fclose(fid); [f1,f2,f3,f4,class] = trainData{:}; [input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]) ; %对训练数据进行归一化 len = length( class ) ; %构造输出矩阵 output = zeros( len , 3 ) ; for i = 1 : len 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 = 1000 ; 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 fid = fopen(testData.txt); testData = textscan(fid, %f%f%f%f%f); fclose(fid); [t1,t2,t3,t4,c] = testData{:}; %测试数据归一化 testInput = tramnmx ( [t1,t2,t3,t4] , minI, maxI ) ; %进行仿真 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 ) =============================训练数据集=============================== 5.1 3.5 1.4 0.2 1 4.9 3 1.4 0.2 1 4.7 3.2 1.3 0.2 1 4.6 3.1 1.5