|
|
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
%-----BP神经网络方法—
`! F) \- U6 \2 }$ x%思路：将iris数据分为三类，训练数据和测试数据，用dividevec函数随机抽取，因此实验结果是不定的，最好情况是100%
* B0 u5 x8 O% R/ f G5 eclear all;
2 x. Y3 [! p. ?# Eclose all;
8 L5 x$ H& V* B% z6 }clc;' `4 D" T. b0 i& }# T8 i2 F2 U
%% -------数据处理模块------------------! q- Q+ u/ B: c* F v) T ` N8 c' H
data=xlsread('iris.xlsx'); %此处的数据已经做了相应处理，因此xlsread 直接导入数据
; {1 x f1 Z' Z9 m( [2 W! cdata1 = data(:,1:7); %data1指的是属性值
$ w) w' u6 w4 k% Fdata2 = data(:,end); %data2指的是分类
; W* ? g( X, s7 v8 r! adata2 = double(dec2bin(data2))-48; %函数名称：dec2bin 函数功能：把一个十进制数转换成一个字符串形式表示的二进制数。0 A" k. q, Y8 K, r
data = [data1,data2]; %处理后数据1 @1 c3 j) T7 ~' ]
[trainV,valV,testV] = dividevec(data1',data2',0.0,0.3) %将数据分为训练和测试两类，没有变量数据valV，因此所占百分比是01 j- A7 B: c/ P9 ^2 A. L
%dividevec()函数在 7.6 版本还可以使用,是把数据进行打乱，并分类为：训练输入数据、变量数据、测试数据的方法。0.5为测试数据百分比
4 v$ c! i- q* |* L0 W/ g%% -----------------数据归一化处理----------
( F# e- T- z- l. \[input1,ps] = mapminmax(trainV.P,-1,1); %由于mapminmax是按行归一化，行表示属性 列表样本个数' N' P# {. E; q% N6 o
[input2,ps] = mapminmax(testV.P,-1,1);+ p. V+ U$ S" a) r: B3 ~' Z1 b
%% -----------------构造输出矩阵----------
0 F/ O7 v5 ^# ^+ |* Ooutput1 = trainV.T;
- C O r7 I! e" o9 V( I, N. soutput2 = testV.T;+ K# H+ _) a( m+ Y. I
N4 N# t9 R1 t# b! R; P9 }%% ----- 建立网络--------------
3 S* T, g7 a9 e( Q) V' k6 Gnet = newff(input1,output1, [10 3]); %[10,3]表示有两层隐层，第一层隐层节点为10，第二层隐层节点为3& ?* P. ~' [2 R+ T* E
%设置训练参数, D5 r5 b' |4 w
net.trainParam.epochs=800; %训练次数$ {# r* `, D2 D) K, D
net.trainParam.goal=0.005; %网络性能目标9 A6 j; V9 O+ ]. \; d9 m& e* [
net.trainParam.show=NaN; % 两次显示之间的训练次数,NaN表示不显示，默认是25.该参数的设置对程序没有影响。9 F5 F1 M, _% _% d9 i
net.trainParam.lr=0.01; %学习训练速度2 S) X9 z$ a0 o, _7 }! y t- ] j+ `
2 O2 D9 g2 ~( ]. v2 q3 p
%% ----- 训练网络 --------------* x; k. _ J8 W6 l
net = train(net,input1,output1);
% @& C0 e0 d% O/ S6 d6 O%% ----- 仿真网络 --------------9 g) H, X& t/ u4 e! O4 O/ E/ b
output_fact = sim(net,input2); %注意sim仿真网络直接输出的并不是整数形式，而是很贴近整数的小数形式，因此要做相应的变化, \* Y; q( ~) Z' N) q' P
output_fact(output_fact>=0.5) = 1;
& C3 A5 z+ o$ c8 youtput_fact(output_fact<0.5) = 0;
( k! s6 z, R! h* k' X3 p5 RN = length(testV.P);
$ } p: M; |3 f) h0 s7 T% m/ T, doutput_class = sum(output_fact.*[ones(1,N)*2;ones(1,N)*1],1);
. A$ O, F- ^! d& B: S0 Xoutput2 = sum(output2.*[ones(1,N)*2;ones(1,N)*1],1);
1 |9 u# F; h: g* Ucorrect_rate = sum(output_class == output2)/N;8 m7 t+ E9 i$ C
sprintf('识别率是 %3.3f%%',correct_rate*100);
1 N1 ~& S g2 }. t1 p* f
& [. b2 U8 I7 Q- j8 m问题描述：4 {% ^( Z! ^' \
4 a- X1 r% A5 P) r. A
上图为BP神经网络结构图，上述代码是想将数据分为3类，我想将这儿的输出层2个节点改为3个节点，该怎么修改？请教大神，非常感谢！ |
|
/1 
发表于 2020-5-9 15:52
收藏
淘帖
支持！
反对！