BP神经网络源代码--数据分类

1、BP 网络源代码：clcclear% 训练数据预测数据提取及归一化%下载四类语音信号loaddata1c1loaddata2c2loaddata3c3loaddata4c4%四个特征信号矩阵合成一个矩阵 data(1:500,:)=c1(1:500,:); data(501:1000,:)=c2(1:500,:); data(1001:1500,:)=c3(1:500,:); data(1501:2000,:)=c4(1:500,:);%从 1 到 2000 间随机排序 k=rand(1,2000);m,n=sort(k);%输入输出数据input=data(:,2:25);output1 =

2、data(:,1);%把输出从 1 维变成 4 维for i=1:2000switch output1(i)case 1 output(i,:)=1 0 0 0;case 2 output(i,:)=0 1 0 0;case 3 output(i,:)=0 0 1 0;case 4 output(i,:)=0 0 0 1;endend %随机提取 1500 个样本为训练样本， 500 个样本为预测样本input_train=input(n(1:1500),:)' output_train=output(n(1:1500),:)' input_test=input(n(1501:

3、2000),:)' output_test=output(n(1501:2000),:)'%输入数据归一化 inputn,inputps=mapminmax(input_train);% 网络结构初始化innum=24;midnum=25;outnum=4;%权值初始化 w1=rands(midnum,innum); b1=rands(midnum,1); w2=rands(midnum,outnum); b2=rands(outnum,1);w2_1=w2;w2_2=w2_1;w1_1=w1;w1_2=w1_1;b1_1=b1;b1_2=b1_1;b2_1=b2;b2_2=b

4、2_1;%学习率xite=0.1alfa=0.01;% 网络训练for ii=1:10E(ii)=0;for i=1:1:1500% 网络预测输出x=inputn(:,i);% 隐含层输出 for j=1:1:midnum I(j)=inputn(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j);end% 输出层输出yn=w2'*Iout'+b2;% 权值阀值修正%计算误差 e=output_train(:,i)-yn; E(ii)=E(ii)+sum(abs(e);%计算权值变化率 dw2=e*Iout; db2=e&#

5、39;for j=1:1:midnumS=1/(1+exp(-I(j);FI(j)=S*(1-S);endfor k=1:1:innumfor j=1:1:midnumdw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4 );db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4);endendw1=w1_1+xite*dw1' b1=b1_1+xite*db1' w2=w2_1+xite*dw2' b2=b

6、2_1+xite*db2'w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2; b1_2=b1_1;b1_1=b1; b2_2=b2_1;b2_1=b2; endend'apply' ,input_test,inputps);% 语音特征信号分类 inputn_test=mapminmax( for ii=1:1for i=1:500 %1500 %隐含层输出 for j=1:1:midnumI(j)=inputn_test(:,i)'*w1(j,:)'+b1(j);Iout(j)=1/(1+exp(-I(j);endfore(:,i

7、)=w2'*Iout'+b2;endend% 结果分析 %根据网络输出找出数据属于哪类 for i=1:500output_fore(i)=find(fore(:,i)=max(fore(:,i); end%BP网络预测误差 error=output_fore-output1(n(1501:2000)'%画出预测语音种类和实际语音种类的分类图 figure(1)plot(output_fore, 'r' )hold onplot(output1(n(1501:2000)', 'b' ) legend( ' 预测语音类别 &

8、#39; , ' 实际语音类别 ' )%画出误差图figure(2)plot(error)title('BP 网络分类误差 ' , 'fontsize',12)xlabel(' 语音信号 ' , 'fontsize',12)ylabel(' 分类误差 ' , 'fontsize',12)%print -dtiff -r600 1-4 k=zeros(1,4);%找出判断错误的分类属于哪一类 for i=1:500if error(i)=0 b,c=max(output_test(:,i); switch c case 1 k(1)=k(1)+1;case 2 k(2)=k(2)+1;case 3 k(3)=k(3)+1;case 4 k(4)=k(4)+1; end end end%找出每类的个体和 kk=zeros(1,4);for i=1:500b,c=max(output_test(: