基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類

1、基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類花萼長度花萼長度花萼寬度花萼寬度花瓣長度花瓣長度花瓣寬度花瓣寬度類別類別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 有一批花可分為三個品種，利用神經(jīng)網(wǎng)絡(luò)算法，根據(jù)花萼長度，花萼寬度，花瓣長度和花瓣寬度對其進(jìn)行分類。樣本包含150組數(shù)據(jù)，選擇90組作為訓(xùn)練樣本，60組作為測試樣本。輸入數(shù)據(jù)為花萼長度 花萼寬度 花瓣長度 花瓣寬度，輸出數(shù)據(jù)為花的品種的類別。要做的工作：1.建立一個神經(jīng)網(wǎng)絡(luò)2.使用樣本訓(xùn)練這個網(wǎng)絡(luò)3.使用新的數(shù)據(jù)集測試這個網(wǎng)絡(luò)分類的準(zhǔn)

2、確性BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)層數(shù)：2輸入層節(jié)點(diǎn)數(shù)：4輸出層節(jié)點(diǎn)數(shù)：1隱層節(jié)點(diǎn)數(shù)：m=sqrt(n+l)+a (n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，a為110之間的常數(shù))%導(dǎo)入訓(xùn)練樣本的數(shù)據(jù) data=load(data.txt); p=data(:,1:4); %輸入量t=data(:,5); %輸出量 %數(shù)據(jù)歸一化到-1 +1pn,ps = mapminmax(p); %導(dǎo)入測試樣本的數(shù)據(jù)testdata=load(testdata.txt); p_test=testdata(:,1:4); %輸入量t_test=testdata(:,5); %輸出量 %數(shù)據(jù)歸一化到-1 +1pn_test,ps

3、= mapminmax(p_test); 1.數(shù)據(jù)預(yù)處理：data.txt中有90組數(shù)據(jù)，作為訓(xùn)練樣本；testdata.txt中有60組數(shù)據(jù)，作為測試樣本。3.訓(xùn)練參數(shù)選擇：net.trainParam.show = 50; %顯示訓(xùn)練結(jié)果的間隔步數(shù)net.trainParam.epochs=1000; %最大訓(xùn)練次數(shù)net.trainParam.goal=0.001; %訓(xùn)練目標(biāo)誤差net.trainParam.lr = 0.01; %學(xué)習(xí)系數(shù)net=train(net,pn,t); %開始訓(xùn)練2.創(chuàng)建一個新的BP神經(jīng)網(wǎng)絡(luò)：net = newff(minmax(pn),10 1,tansi

4、gpurelin,traingdx);%隱含層傳遞函數(shù)為transing；%輸出層傳遞函數(shù)為purelin；%訓(xùn)練函數(shù)為traingdx(有動量和自適應(yīng)lr的梯度下降法)4.仿真并繪制結(jié)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(預(yù)測類別,實(shí)際類別)title(BP網(wǎng)絡(luò)預(yù)測輸出)ylabel(類別)xlabel(樣本)%預(yù)測誤差error=a-t_test;figure(3)plot(error,-*)title(BP網(wǎng)絡(luò)預(yù)測誤差)ylabel(誤差)xl

5、abel(樣本)figure(3)count=0; %誤分類次數(shù)hold on;for i=1:60%預(yù)測與實(shí)際類別都為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%預(yù)測與實(shí)際類別都為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 %正確率5.顯示分類結(jié)果：

6、44.555.566.5700.20.40.60.811.21.41.61.8圖中紅色為第一類，藍(lán)色為第二類，綠色為第三類。結(jié)果顯示有一個數(shù)據(jù)分類錯誤，分類正確率為98.33%。rate = 0.9833出現(xiàn)分類錯誤的原因可能是訓(xùn)練的樣本太少，或者是隱層節(jié)點(diǎn)數(shù)選擇不合適，接下來在經(jīng)驗(yàn)值范圍內(nèi)改變隱層節(jié)點(diǎn)數(shù)，觀察分類結(jié)果。010203040506000.10.20.30.40.50.60.70.80.91BP網(wǎng) 絡(luò) 預(yù) 測 誤 差誤差樣 本010203040506011.21.41.61.822.22.42.62.83樣 本類別BP網(wǎng) 絡(luò) 預(yù) 測 輸 出 預(yù) 測 輸 出期 望 輸 出010203

7、040506011.21.41.61.822.22.42.62.83樣 本類別BP網(wǎng) 絡(luò) 預(yù) 測 輸 出 預(yù) 測 輸 出期 望 輸 出0102030405060-1-0.8-0.6-0.4-0.200.20.40.60.81BP網(wǎng) 絡(luò) 預(yù) 測 誤 差誤差樣 本44.555.566.5700.20.40.60.811.21.41.61.8當(dāng)隱層節(jié)點(diǎn)數(shù)為9時，分類正確率為100%。RBF神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)：4輸出層節(jié)點(diǎn)數(shù)：1隱層節(jié)點(diǎn)數(shù)：m=sqrt(n+l)+a (n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，a為110之間的常數(shù))2.創(chuàng)建一個新的RBF神經(jīng)網(wǎng)絡(luò)：net = newrb(pn,t,0.00

8、1,1,10,1);%散步常數(shù)spread=1%訓(xùn)練精度goal=0.001%顯示頻率df=1%隱含層節(jié)點(diǎn)數(shù)m=101.數(shù)據(jù)預(yù)處理3.仿真a = sim(net,pn_test);a=round(a); %對預(yù)測出的類別a取整4.結(jié)果分析44.555.566.5700.20.40.60.811.21.41.61.8圖中紅色為第一類，藍(lán)色為第二類，綠色為第三類。結(jié)果顯示有一個數(shù)據(jù)分類錯誤，分類正確率為98.33%。010203040506000.10.20.30.40.50.60.70.80.91RBF網(wǎng) 絡(luò) 預(yù) 測 誤 差誤差樣 本010203040506011.21.41.61.822.22.42.62.83樣 本類別RBF網(wǎng) 絡(luò) 預(yù) 測 輸 出 預(yù) 測 輸 出期 望 輸 出通過上述實(shí)驗(yàn)可看出BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)都能通過學(xué)習(xí)和訓(xùn)練以任意精度逼近任何非線