用matlab神经网络实现非线性识别

用matlab神经网络实现非线性识别 用matlab神经网络实现非线性识别

%---------------------------------------------%
%					      %
%          工作室提供代做matlab仿真	      %
%					      %
%  详情请访问：http://cn.mikecrm.com/5k6v1DP  %
%					      %
%---------------------------------------------%

clear all
close all
clc
rand（‘seed‘2）;

nSampDim=2;  %样本是二维的
t1=rand（10001）.*pi;
t2=rand（10001）.*pi+pi;
r=3*rand（10001）+5; 
x1=r.*cos（t1）;
y1=r.*sin（t1）-1; 
x2=r.*cos（t2）+5;
y2=r.*sin（t2）+4;
%p1=[x1y1]*[cos（pi/50）sin（pi/50）;-sin（pi/50）cos（pi/50）];
%p2=[x2y2]*[cos（pi/50）sin（pi/50）;-sin（pi/50）cos（pi/50）];

%A1=p1（:1）;  %旋转后x轴的坐标
%A2=p1（:2）;  %旋转后y轴的坐标
%C1=p2（:1）;
%C2=p2（:2）;
A=[x1y1];  
C=[x2y2];
%AB各取150个进行训练
train_num_A=750;
train_num_C=750;
nTrainNum=train_num_A+train_num_C;
NUM_A=1000;
NUM_C=1000;
% A随机选取训练与测试的数据
r=randperm（NUM_A）;  %随机打乱A序列
traind（1:train_num_A:）=A（r（1:train_num_A）:）;  %选A中的150个进行训练
testd（1:NUM_A-train_num_A:）=A（r（train_num_A+1:NUM_A）:）;  %选A中剩下的150个进行测试
%C随机选取训练与测试的数据
r=randperm（NUM_C）;  %随机打乱C的序列
traind（train_num_A+1:train_num_A+train_num_C:）=C（r（1:train_num_C）:）;
testd（NUM_A-train_num_A+1:NUM_A+NUM_C-train_num_A-train_num_C:）=C（r（train_num_C+1:NUM_C）:）;
%赋值
train1=zeros（1train_num_A+train_num_C）;
train1（1:train_num_A）=1;
test1=zeros（1NUM_A+NUM_C-train_num_A-train_num_C）;
test1（1:NUM_A-train_num_A）=1;
%%构造网络
net.nIn=2;  %两个输入层节点
net.nHidden=10;  %3个隐含层节点
net.nOut=1;  %一个输出层节点
w=2*（rand（net.nHiddennet.nIn）-1/2）;
b=2*（rand（net.nHidden1）-1/2）;
net.w1=[wb];
W=2*（rand（net.nOutnet.nHidden）-1/2）;
B=2*（rand（net.nOut1）-1/2）;
net.w2=[WB];
%%训练数据归一化
%mm=mean（traind）;
%均值平移
%traind_s=zeros（nTrainNum2）;
%for i=1:2
    %traind_s（:i）=traind（:i）-mm（i）;
%end
%方差标准化
%m1（1）=std（traind_s（:1））;
%m1（2）=std（traind_s（:2））;
%for i=1:2
    %traind_s（:i）=traind_s（:i）/m1（i）;
%end
%%训练
SampleInEx=[traind‘;ones（1nTrainNum）];
expectedOut=train1;
eb=0.01;  %误差容限
eta=0.1;  %学习率
mc=0.1;  %动量因子
maxiter=5000;  %最大迭代次数
iteration=0;  %第一代

errRec=zeros（1maxiter）;
outRec=zeros（nTrainNummaxiter）;
NET=[];%记录
%开始迭代
for i=1:maxiter
    hid_input=net.w1*SampleInEx;  %隐含层的输入
    hid_out=sigmoid（hid_input）;  %隐含层的输出
    ou_input1=[hid_out;ones（1nTrainNum）];  %输出层的输入
    ou_input2=net.w2*ou_input1;
    out_out=sigmoid（ou_input2）;
    outRec（:i）=out_out‘;
    err=expectedOut-out_out;  %误差
    sse=sumsqr（err）;
    errRec（i）=sse;  %保存误差值
    fprintf（‘第 %d 次迭代  误差： %f\n‘ i sse）;
    iteration=iteration + 1;
    %判断是否收敛
    if sse<=eb
        break;
    end
    %误差反向传播
    %隐含层与输出层之间的局部梯度
    DELTA=err.*sigmoid（ou_input2）.*（1-sigmoid（ou_input2））;
    %输入层与隐层之间的局部梯度
    delta=net.w2（:1:end-1）‘*DELTA.*sigmoid（hid_input）.*（1-sigmoid（hid_input））;
    %权值修改量
    dWEX=DELTA*ou_input1‘;
    dwex=delta*SampleInEx‘;
    %修改权值，如果不是第一次修改，则使用动量因子
    if i==1
        net.w2=net.w2+eta*dWEX;
        net.w1=net.w1+eta*dwex;
    else
        net.w2=net.w2+（1-mc）*eta*dWEX+mc*dWEXOld;
        net.w1=net.w1+（1-mc）*eta*dwex+

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-09-17 10:21  用matlab神经网络实现非线性识别\
     目录           0  2018-09-17 10:24  用matlab神经网络实现非线性识别\非线性识别\
     文件          55  2018-08-27 11:33  用matlab神经网络实现非线性识别\非线性识别\【源码使用必读】.url
     文件        5110  2018-09-17 10:50  用matlab神经网络实现非线性识别\非线性识别\nonlinear.m
     文件         467  2018-09-17 10:50  用matlab神经网络实现非线性识别\非线性识别\sigmoid.m