基于神经网络的数据分类

.,基于神经网络的数据分类,.,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。,.,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,.,BP神经网络,网络层数：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_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。,.,3.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),101,tansigpurelin,traingdx);%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),.,4.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)holdonplot(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),.,figure(3)count=0;%误分类次数holdon;fori=1:60%预测与实际类别都为1ifa(i)2.5ift_test(i)2.5,plot(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;endendend,rate=(60-count)/60%正确率,5.显示分类结果：,.,.,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=0.9833,.,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。,.,当隐层节点数为9时，分类正确率为100%。,.,RBF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,0.001,1,10,1);%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=10,1.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,.,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%。,.,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。,.,由上图可看出：RBF算法在训练过程中比BP算法学习速度快。,.,1