BP神经网络数据分类matlab程序代码
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
BP神经网络数据分类matlab程序代码BP神经网络数据分类
%把输出从1维变成4维
——语音信号特征分类 for i=1:2000
switch output1(i)
MatLab程序代码 case 1
output(i,:)=[1 0 0 0]; %% 清空环境变量
case 2 clc
output(i,:)=[0 1 0 0]; clear
case 3
output(i,:)=[0 0 1 0]; %% 训练数据预测数据提取及归一化
case 4
output(i,:)=[0 0 0 1]; %下载四类语音信号
end load data1 c1
end load data2 c2
load data3 c3
%随机提取1500个样本为训练样本,load data4 c4
500个样本为预测样本
input_train=input(n(1:1500),:)'; %四个特征信号矩阵合成一个矩阵
output_train=output(n(1:1500),:)'; data(1:500,:)=c1(1:500,:);
input_test=input(n(1501:2000),:)'; data(501:1000,:)=c2(1:500,:); output_test=output(n(1501:2000),:)'; data(1001:1500,:)=c3(1:500,:);
data(1501:2000,:)=c4(1:500,:); %输入数据归一化
[inputn,inputps]=mapminmax(input_trai%从1到2000间随机排序
n); k=rand(1,2000);
[m,n]=sort(k);
%% 网络结构初始化
innum=24; %输入输出数据
midnum=25; input=data(:,2:25);
outnum=4; output1 =data(:,1);
%权值初始化 %计算误差
w1=rands(midnum,innum); e=output_train(:,i)-yn;
b1=rands(midnum,1); E(ii)=E(ii)+sum(abs(e)); w2=rands(midnum,outnum);
b2=rands(outnum,1); %计算权值变化率
dw2=e*Iout; w2_1=w2;w2_2=w2_1; db2=e';
w1_1=w1;w1_2=w1_1;
b1_1=b1;b1_2=b1_1; for j=1:1:midnum b2_1=b2;b2_2=b2_1; S=1/(1+exp(-
I(j)));
FI(j)=S*(1-S); %学习率 end
xite=0.1 for k=1:1:innum alfa=0.01; for j=1:1:midnum
dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)%% 网络训练
*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4)); for ii=1:10
E(ii)=0;
db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2) for i=1:1:1500
+e(3)*w2(j,3)+e(4)*w2(j,4)); %% 网络预测输出
end x=inputn(:,i);
end % 隐含层输出
for j=1:1:midnum
w1=w1_1+xite*dw1'; I(j)=inputn(:,i)'*w1(j,:)'+b1(j);
b1=b1_1+xite*db1'; Iout(j)=1/(1+exp(-I(j)));
w2=w2_1+xite*dw2'; end
b2=b2_1+xite*db2'; % 输出层输出
w1_2=w1_1;w1_1=w1;
yn=w2'*Iout'+b2;
w2_2=w2_1;w2_1=w2;
b1_2=b1_1;b1_1=b1;
%% 权值阀值修正 b2_2=b2_1;b2_1=b2;
end %画出预测语音种类和实际语音种类end 的分类图
figure(1)
%% 语音特征信号分类 plot(output_fore,'r')
inputn_test=mapminmax('apply',input_tehold on
st,inputps); plot(output1(n(1501:2000))','b')
legend('预测语音类别','实际语音类别') for ii=1:1
for i=1:500%1500 %画出误差图
%隐含层输出 figure(2)
for j=1:1:midnum plot(error)
title('BP网络分类误差','fontsize',12)
I(j)=inputn_test(:,i)'*w1(j,:)'+b1(j); xlabel('语音信号','fontsize',12) Iout(j)=1/(1+exp(-I(j)));
ylabel('分类误差','fontsize',12) end
%print -dtiff -r600 1-4 fore(:,i)=w2'*Iout'+b2;
end
k=zeros(1,4); end
%找出判断错误的分类属于哪一类
for i=1:500 %% 结果分析
if error(i)~=0 %根据网络输出找出数据属于哪类
[b,c]=max(output_test(:,i));
for i=1:500
switch c
case 1 output_fore(i)=find(fore(:,i)==max(fore(
k(1)=k(1)+1;
:,i)));
case 2 end
k(2)=k(2)+1;
case 3 %BP网络预测误差 k(3)=k(3)+1;
error=output_fore-output1(n(1501:2000) case 4 )'; k(4)=k(4)+1;
end
end
end
%找出每类的个体和
kk=zeros(1,4);
for i=1:500
[b,c]=max(output_test(:,i));
switch c