基于神经网络的数据分类专家讲座课件.pptx

基于神经网络数据分类;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]，输出数据为花品种类别。;BP神经网络;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

;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)

holdon

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

holdon;

fori=1:60

%预测与实际类别都为1

ifa(i)1.5

ift(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

elseifa(i)2.5

ift_test(i)2.5;基于神经网络的数据分类专家讲座;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%。;出现分类错误原因可能是训练样本太少，或者是隐层节点数选择不适当，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%。;经过上述试验可看出BP神经网络和RBF神经网络都能经过学习和训练以任意精度迫近任何非线性函数。;由上图可看出：RBF算法在训练过程中比BP算法学习速度快。