BP神经网络数据分类matlab程序代码

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