基于神经网络的数据分类

BP网 络 预 测 误 差
类别
2 1.8 1.6 1.4 1.2 1
误差
0 10 20 30 样本 40 50 60
0.5 0.4 0.3 0.2 0.1 0
0
10
20
30 样本
40
50
60
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。
2.创建一个新的BP神经网络：
net = newff(minmax(pn),[10 1],{'tansig''purelin'},'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)
3.训练参数选择：
1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0
4
4.5
5
5.5
6
6.5
7
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%。
RBF网 络 预 测 输 出 3 2.8 2.6 2.4 2.2 预测输出 期望输出 1 0.9 0.8 0.7 0.6
RBF网 络 预 测 误 差
类别
2 1.8 1.6 1.4 1.2 1
误差
0 10 20 30 样本 40 50 60
0.5 0.4 0.3 0.2 0.1 0
0
10
20
30 样本
40
50
60
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。
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
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') hold on plot(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')
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1~10之间的常数) 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。
%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 +1] [pn,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 +1] [pn_test,ps] = mapminmax(p_test);
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
5.显示分类结果：
figure(3) count=0; %误分类次数 hold on; for i=1:60 %预测与实际类别都为1 if a(i)<1.5 if t(i)<1.5 plot(p(1,i),p(4,i),‘ro’); else plot(p(1,i),p(4,i),'r*'); count=count+1; End %预测与实际类别都为3 elseif a(i)>2.5 if t_test(i)>2.5 plot(p(1,i),p(4,i),'go'); else plot(p(1,i),p(4,i),'g*'); count=count+1; end %预测与实际类别都为1 else if(t_test(i)<=2.5)&&(t_test(i)>=1.5) plot(p(1,i),p(4,i),'bo'); else plot(p(1,i),p(4,i),'b*'); count=count+1; end end end
结论：
1.BP神经网络和RBF神经网络都能通过训练学习，以任意
精度逼近任意非线性函数。 2.神经网络隐含层的节点个数能影响网络输出结果的精度。 3.RBF算法比BP算法学习速度快，需要训练的时间短。
BP网 络 预 测 输 出 3 2.8 2.6 2.4 2.2 预测输出 期望输出
BP网 络 预 测 误 差 1 0.8 0.6 0.4 0.2
类别
误差
2 1.8 1.6 1.4 1.2 1
0 -0.2 -0.4 -0.6 -0.8 -1
0
10
20
30 样本
40
50
60
0
10
20
30 样本
40
50
rate=(60-count)/60 %正确率
1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0
rate =
0.9833
4 4.5 5 5.5 6 6.5 7
图中红色第一类，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%。
BP网 络 预 测 输 出 3 2.8 2.6 2.4 2.2 预测输出 期望输出 1 0.9 0.8 0.7 0.6
基于神经网络的数据分类
花萼长度 5.4 5 6.2 5.5 6.1 7.9 6.3
花萼宽度 3.9 3.4 2.2 2.3 2.8 3.8 2.8
花瓣长度 1.7 1.5 4.5 4 4.7 6.4 5.1
花瓣宽度 0.4 0.2 1.5 1.3 1.2 2 1.5
类别 1 1 2 2 2 3 3
60
1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0
当隐层节点数为9时， 分类正确率为100%。
4
4.5
5
5.5
6
6.5
7
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1~10之间的常数) 1.数据预处理 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 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