5.5-基于MATLAB的RBF网络应用实例-鸢尾花分类问题

廉小亲

北京工商大学计算机与人工智能学院

神经网络理论及应用：基于MATLAB的

RBF网络应用实例——鸢尾花分类RBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE2

本实验数据来自UCI.网站上的Iris数据集，下载网址：/ml/datasets/Iris

1、数据集来源问题描述：根据鸢尾花花萼长度、宽度，花瓣长度、宽度数据，采用RBF网络对鸢尾花进行分类。RBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE3Iris以鸢尾花的特征作为数据来源，数据集包含150个数据集，分为3类（setosa,versicolor,virginica），每类50个数据，每个数据包含4个属性（花瓣长度、花瓣宽度、花萼长度、花萼宽度）。以每一类前30个数据作为训练样本，后20个样本作为测试样本，利用RBF网络对样本进行估计，并和实际结果作比较。2、数据集准备RBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE43、RBF网络结构网络输入为4个属性：花瓣长度、花瓣宽度、花萼长度、花萼宽度网络输出为3类：Setosa、Versicolor、Virginica网络结构为：输入节点为4，隐层节点为90，

输出节点为3。RBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE54、程序%读取数据[property_1,property_2,property_3,property_4,class]=textread('iris_data.txt','%f%f%f%f%s',150,'delimiter',',');%训练数据property1=[property_1(1:30,:);property_1(51:80,:);property_1(101:130,:)];property2=[property_2(1:30,:);property_2(51:80,:);property_2(101:130,:)];property3=[property_3(1:30,:);property_3(51:80,:);property_3(101:130,:)];property4=[property_4(1:30,:);property_4(51:80,:);property_4(101:130,:)];class1=[class(1:30,:);class(51:80,:);class(101:130,:)];%测试数据property5=[property_1(31:50,:);property_1(81:100,:);property_1(131:150,:)];property6=[property_2(31:50,:);property_2(81:100,:);property_2(131:150,:)];property7=[property_3(31:50,:);property_3(81:100,:);property_3(131:150,:)];property8=[property_4(31:50,:);property_4(81:100,:);property_4(131:150,:)];class2=[class(31:50,:);class(81:100,:);class(131:150,:)];RBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE6%把三类训练数据用单位行向量表示fori=1:length(class1)

switchclass1{i};

case

'Setosa'

Class(i,:)=[100];

case

'Versicolor'Class(i,:)=[010];

otherwise

'Virginica';Class(i,:)=[001];

endend%把三类测试数据用单位行向量表示fori=1:length(class2)

switchclass2{i};

case

'Setosa'

textClass(i,:)=[100];

case

'Versicolor'textClass(i,:)=[010];

otherwise

'Virginica';textClass(i,:)=[001];

endendRBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE7%构造训练样本输入矩阵P、输出矩阵Tfori=1:length(Class)P(i,:)=[property1(i,:),property2(i,:),property3(i,:),property4(i,:)];T(i,:)=Class(i,:);endP=P';T=T';Class=Class';%构造测试样本输入矩阵textPfori=1:length(property5*3)textP(i,:)=[property5(i,:),property6(i,:),property7(i,:),property8(i,:)];endtextP=textP';RBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE8%RBF网络的建立和训练net=newrbe(P,Class);%RBF网络的测试Rbfoutput=sim(net,textP)%计算识别率[s1,s2]=size(Rbfoutput);count=0;fori=1:s2[m,index]=max(Rbfoutput(:,i));[l,std]=max(textClass(:,i));

if(index==std)count=count+1;

endendsprintf(‘识别率是%3.3f%%',100*count/s2)RBF网络实现鸢尾花数据集分类2026/10/11BTBU-CIE95、RBF网络分类结果类别测试样本数识别成第1类的样本数识别成第2类的样本数识别成第3类的样本数正确识别率1（Setosa）202000100%2（Versicolor）20019195%3（Virginica）20031785%从RBF分类结果来看，在对每一类的后20个样本数据的分类识别中，Setosa集全部分类正确；Versicolor集有一个样本被错误分类，Virginica集有三个样本被错误分类，可见本程序对Virginica集的分类稍微差一些。小结2026