基于神经网络的数据分类-文档资料

1、1基于神经网络的数据分类2花萼长度花萼宽度花瓣长度花瓣宽度类别5.43.91.70.4153.41.50.216.22.24.51.525.52.341.326.12.84.71.227.93.86.4236.32.85.11.53 有一批花可分为三个品种，利用神经网络算法，根据花萼长度，花萼宽度，花瓣长度和花瓣宽度对其进行分类。3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，输出数据为花的品种的类别。要做的工作：1.建立一个神经网络2.使用样本训练这个网络3.使用新的数据集测试这个网络分类的准确性4BP神经网络网络层数：2

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110之间的常数)%导入训练样本的数据 data=load(data.txt); p=data(:,1:4); %输入量t=data(:,5); %输出量 %数据归一化到-1 +1pn,ps = mapminmax(p); %导入测试样本的数据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 +1pn_test,ps = mapminmax(p_

3、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。53.训练参数选择：net.trainParam.show = 50; %显示训练结果的间隔步数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.创建一个新的BP神经网络：net = newff(minmax(pn),10 1,tansigpurelin,trai

4、ngdx);%隐含层传递函数为transing；%输出层传递函数为purelin；%训练函数为traingdx(有动量和自适应lr的梯度下降法)64.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 onplot(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)7fig

5、ure(3)count=0; %误分类次数hold on;for i=1:60%预测与实际类别都为1if a(i)1.5if t(i)2.5if t_test(i)2.5plot(p(1,i),p(4,i),go);elseplot(p(1,i),p(4,i),g*);count=count+1;end%预测与实际类别都为1elseif(t_test(i)=1.5)plot(p(1,i),p(4,i),bo);elseplot(p(1,i),p(4,i),b*);count=count+1;endendendrate=(60-count)/60 %正确率5.显示分类结果：8944.555.56

6、6.5700.20.40.60.811.21.41.61.8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%。rate = 0.983310出现分类错误的原因可能是训练的样本太少，或者是隐层节点数选择不合适，接下来在经验值范围内改变隐层节点数，观察分类结果。010203040506000.10.20.30.40.50.60.70.80.91BP网 络 预 测 误 差误差样 本010203040506011.21.41.61.822.22.42.62.83样 本类别BP网 络 预 测 输 出 预 测 输 出期 望 输 出1101020304050

7、6011.21.41.61.822.22.42.62.83样 本类别BP网 络 预 测 输 出 预 测 输 出期 望 输 出0102030405060-1-0.8-0.6-0.4-0.200.20.40.60.81BP网 络 预 测 误 差误差样 本44.555.566.5700.20.40.60.811.21.41.61.8当隐层节点数为9时，分类正确率为100%。12RBF神经网络输入层节点数：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110之间的常数)2.创建一个新的RBF神经网络：net = newrb(pn,t,0.001,1

8、,10,1);%散步常数spread=1%训练精度goal=0.001%显示频率df=1%隐含层节点数m=101.数据预处理3.仿真a = sim(net,pn_test);a=round(a); %对预测出的类别a取整4.结果分析1344.555.566.5700.20.40.60.811.21.41.61.8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%。14010203040506000.10.20.30.40.50.60.70.80.91RBF网 络 预 测 误 差误差样 本010203040506011.21.41.61.822.22.42.62.83样 本类别RBF网 络 预 测 输 出 预 测 输 出期 望 输 出通过上述实验可看出BP神经网络和RBF神经网络都能通过学习和训练以任意精度逼近任何非线性函数