|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
. U! |; U! _ S, d' F, P* `) j文章目录
) Z* z* j5 a8 U+ a* d- BP神经网络
1 ^$ z$ Z9 e5 i0 v" e
- MATLAB代码
- 效果
0 V) `" Z+ R# U3 k
: B6 E- X( o0 Z8 t d
BP神经网络
- v: l6 a; ~) b. \* m4 sBP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。; Y1 N+ i/ L* [( E) a
' X/ v3 s0 y/ u9 K
BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。
! c4 b$ K4 ? _& f
8 m, \0 n# t4 O6 \' |MATLAB代码* z' W; F9 N4 L$ s" m' Q9 \
2 e! ^8 R! q2 P* n; }& s, j9 V- clc
- clear all
- %读取训练数据
- [f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);
- %特征值归一化
- [input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]') ;
- %构造输出矩阵
- s = length( class) ;
- output = zeros( s , 3 ) ;
- for i = 1 : s
- output( i , class( i ) ) = 1 ;
- end
- %创建神经网络
- net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ;
- %设置训练参数
- net.trainparam.show = 50 ;
- net.trainparam.epochs = 500 ;
- net.trainparam.goal = 0.01 ;
- net.trainParam.lr = 0.01 ;
- %开始训练
- net = train( net, input , output' ) ;
- %读取测试数据
- [t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);
- %测试数据归一化
- testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;
- %仿真
- Y = sim( net , testInput )
- %统计识别正确率
- [s1 , s2] = size( Y ) ;
- hitNum = 0 ;
- for i = 1 : s2
- [m , Index] = max( Y( : , i ) ) ;
- if( Index == c(i) )
- hitNum = hitNum + 1 ;
- end
- end
- sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )
- 5 e6 k! N5 J3 s$ B. W
* }/ i" o9 j& u: B! [9 t) Y, U
效果: c4 O3 T3 ?) c
识别率是 97.333%
- G: l9 Y' f `: V& h9 v, a: [
# C" Z0 F- A- |" k1 }
6 F7 B# @; k/ w: I+ M |
|
/1 
发表于 2020-10-27 11:04
收藏
淘帖
支持！
反对！