基于神经网络的数据分类.pptVIP

文章如果有不当或者不妥的地方，请您联系我修改文章或者删除文章，文章来源于网络收集，如果有侵权的问题，请联系我沟通协调改正，非常感谢您！ 基于神经网络的数据分类 花萼长度 花萼宽度 花瓣长度 花瓣宽度 类别 5.4 3.9 1.7 0.4 1 5 3.4 1.5 0.2 1 6.2 2.2 4.5 1.5 2 5.5 2.3 4 1.3 2 6.1 2.8 4.7 1.2 2 7.9 3.8 6.4 2 3 6.3 2.8 5.1 1.5 3 有一批花可分为三个品种, 利用神经网络算法, 依据花萼长度, 花萼宽度, 花瓣长度和花瓣宽度对其进行分类。 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], 输出数据为花品种类别。 要做工作: 1.建立一个神经网络 2.使用样本训练这个网络 3.使用新数据集测试这个网络分类正确性 BP神经网络 网络层数: 2输入层节点数: 4 输出层节点数: 1 隐层节点数: m=sqrt(n+l)+a (n为输入层节点数, l为输出层节点数, a为1~10之间常数) %导入训练样本数据 data=load(‘data.txt’); p=data(:,1:4)‘; %输入量 t=data(:,5)‘; %输出量 %数据归一化到[-1 +1] [pn,ps] = mapminmax(p); %导入测试样本数据 testdata=load(‘testdata.txt’); p_test=testdata(:,1:4)‘; %输入量 t_test=testdata(:,5)‘; %输出量 %数据归一化到[-1 +1] [pn_test,ps] = mapminmax(p_test); 1.数据预处理: data.txt中有90组数据, 作为训练样本; testdata.txt中有60组数据, 作为测试样本。 3.训练参数选择: net.trainParam.show = 50; %显示训练结果间隔步数 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 2.创建一个新BP神经网络: net = newff(minmax(pn),[10 1],{tansigpurelin},traingdx); %隐含层传输函数为transing; %输出层传输函数为purelin; %训练函数为traingdx(有动量和自适应lr梯度下降法) 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(‘估计类别‘,’实际类别’) title(‘BP网络估计输出) ylabel(‘类别) xlabel(‘样本’) %估计误差 error=a-t_test; figure(3) plot(error,-*) title(‘BP网络估计误差) ylabel(‘误差) xlabel(‘样本) figure(3) count=0; %误分类次数 hold on; for i=1:60 %估计与实际类别都为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 %估计与实际类别都为3 elseif a(i)2.5 if t_test(i)2.5 plot(p(1,i),p(4,i),go); else plot(p(1,i),p(4,i),g*); count=count+1; end %估计与实际类别都为1 else if(t_test(i)=2.5)(t_test(i)=1.5) plot(p(1,i),p(4,i),bo); else plot(p(1,i),p(4,i),b*); count=count+1; end end end rate=(60-count)/60 %正确率 5.显示分类结果: 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%