基于神经网络的数据分类培训课件.ppt

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,基于神经网络的数据分类,*,花萼长度,花萼宽度,花瓣长度,花瓣宽度,类别,5.4,3.9,1.7,0.4,1,5,3.4,1.5,0.2,1,6.2,2.2,4.5,1.5,2,5.5,2.3,4,1.3,2,6.1,2.8,4.7,1.2,2,7.9,3.8,6.4,2,3,6.3,2.8,5.1,1.5,3,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。,2,基于神经网络的数据分类,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,3,基于神经网络的数据分类,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,110,之间的常数,),%,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);,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。,4,基于神经网络的数据分类,3.,训练参数选择：,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,2.,创建一个新的,BP,神经网络：,net=newff(minmax(pn),10 1,tansigpurelin,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,),5,基于神经网络的数据分类,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,),6,基于神经网络的数据分类,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)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)=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,rate=(60-count)/60,%,正确率,5.,显示分类结果：,7,基于神经网络的数据分类,8,基于神经网络的数据分类,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%,。,rate=,0.9833,9,基于神经网络的数据分类,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。,10,基于神经网络的数据分类,当隐层节点数为,9,时，分类正确率为,100%,。,11,基于神经网络的数据分类,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110之间的常数),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=10,1.数据预处理,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,12,基于神经网络的数据分类,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%,。,13,基于神经网络的数据分类,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。,14,基于神经网络的数据分类,由上图可看出：,RBF,算法在训练过程中比,BP,算法学习速度快。,15,基于神经网络的数据分类,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。,结论：,16,基于神经网络的数据分类,