孙杨威12281201模式识别第7次实验报告.doc

实 验 报 告学生姓名：孙杨威 学 号： 12281201实验地点：九教北401实验室实验时间：2014.11.13一、 实验名称：BP神经网络算法二、 实验原理：BP网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。三、 实验内容：l 有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。l 不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。l 我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。l 用已有的数据训练一个神经网络用作分类器。四、 实验步骤：1. 建立一个新的网络2. 使用样本训练这个网络3. 使用新的数据集模拟这个网络五、 实验代码及分析：bp_test.m%读取测试数据t1 t2 t3 t4 c = textread(testData.txt , %f%f%f%f%s,75);%测试数据归一化testInput = tramnmx ( t1,t2,t3,t4 , minI, maxI ) ;%仿真Y = sim( net , testInput ); s=length(c);output1=zeros(s,3);for i = 1 : s if strcmp(c(i),Isetosa)=0 output1( i , 1 ) = 1; elseif strcmp(c(i),Iversicolor)=0 output1( i , 2 ) = 1; else output1( i , 3 ) = 1; endend%统计识别正确率s1 , s2 = size( Y ) ;hitNum = 0 ;for i = 1 : s2 m , Index = max( Y( : , i ) ) ; if( output1(i,Index) = 1 ) hitNum = hitNum + 1 ; endendsprintf(识别率是 %3.3f%,100 * hitNum / s2 )bp_rain.m%将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本。%其中一组作为以上程序的训练样本，另外一组作为检验样本。%为了方便训练，将3类花分别编号为1，2，3 。%使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。 clear all;%读取训练数据f1,f2,f3,f4,class = textread(trainData.txt,%f%f%f%f%s,75);%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 if strcmp(class(i),Isetosa)=0 output( i , 1 ) = 1; elseif strcmp(class(i),Iversicolor)=0 output( i , 2 ) = 1; else output( i , 3 ) = 1; endend%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 ; %显示中间结果的周期；net.trainparam.epochs = 200 ; %最大的迭代次数；net.trainparam.goal = 0.05; %神经网络的训练的目标误差；net.trainParam.lr = 0.01 ; %学习率；%开始训练net = train( net, input , output ) ;六、 实验结果及分析：识别率：93.333%七、 总结及心得体