【BP分类】基于BP神经网络实现数据分类代码.zip

%% 读取训练数据 读进来后归一化存放在inputTrain中， outputTrain为训练数据的实际类别 %读取数据iris数据，该数据的特征为4维，类别一共3个类别 %f1,f2,f3,f4为特征，class为类别，1，2，3分别代表属于3个类别 clc clear all close all rng('default') [f1,f2,f3,f4,class] = textread('irisTrain.data', '%f%f%f%f%f', 'delimiter', ','); %特征值归一化 [inputTrain,minI,maxI] = premnmx([f1 , f2 , f3 , f4 ]') ; %构造输出矩阵 s = length(class) ; outputTrain = zeros(s,3) ; %output每行代表属于哪类，比如1,0,0代表第一类，0，1，0代表第二类，0，0，1代表第三类 for i = 1 : s outputTrain(i , class(i)) = 1 ; end %% 读取测试数据 读进来后归一化存放在testInput中， outputTest为测试数据的实际类别 [t1 t2 t3 t4 classT] = textread('irisTest.data', '%f%f%f%f%f', 'delimiter', ','); %测试数据归一化 testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ); s = length(classT) ; outputTest = zeros(s,3) ; %output每行代表属于哪类，比如1,0,0代表第一类，0，1，0代表第二类，0，0，1代表第三类 for i = 1 : s outputTest(i , classT(i)) = 1 ; end %% 构造网络结构 %创建神经网络 inputnum = 4; %inputnum 输入层节点数 4维特征 hiddennum = 10; %hiddennum 隐含层节点数 outputnum = 3; %outputnum 输出层节点数3维，比如1，0，0 net = newff( minmax(testInput) , [hiddennum outputnum] , { 'logsig' 'purelin' } , 'traingdx' ) ; %设置训练参数 net.trainparam.show = 50 ; net.trainparam.epochs = 200 ; net.trainparam.goal = 0.01 ; net.trainParam.lr = 0.01 ; net = train( net, testInput , outputTest' ) ; %测试测试集识别准确率 Y = sim( net , testInput ); Y = Y'; %统计分类正确率 count = 0; for i = 1:size(Y,1) [~,index] = max(Y(i,:)); [~,index1] = max(outputTest(i,:)); if(index==index1) count = count+1; end end accuracy = count/size(Y,1); sprintf('测试集识别正确率：%f',accuracy) %测试训练集识别准确率 Y1 = sim( net , inputTrain ); Y1 = Y1'; %%统计识别误差 count1 = 0; for i = 1:size(Y1,1) [~,index] = max(Y1(i,:)); [~,index1] = max(outputTrain(i,:)); if(index==index1) count1 = count1+1; end end accuracy = count1/size(Y1,1); sprintf('训练集识别正确率：%f',accuracy)