2个matlab BP分类代码

2个matlab BP分类代码

clc;
clear all;
close all;
InNeuron=4;      %输入神经元节点
HiddenNeuron=10;    %隐层神经元节点
OutNeuron=3;      %输出神经元节点
lr=0.01;       %学习效率
E=0.0000001;     %目标误差
MaxTextTimes=10000;    %最多训练次数
%读入两个文件
Train=load（‘Iris-test.txt‘）;
Train %查看训练集
Train=Train（:1:4）; 
Train=Train‘;
Test=load（‘Iris-train.txt‘）; 
Test %查看检测集
Test=Test（:1:4）;
Test=Test‘;
%标准化输出
SamOut=[repmat（[1;0;0]125） repmat（[0;1;0]125） repmat（[0;0;1]125）];%三种类型的花及相应输出
SamIn=Train;%开始训练
%归一化
[Trainps]=mapminmax（Train01）;
Test=mapminmax（Test01）;
%设置权值与阈值（rand随机产生）
W1=rand（HiddenNeuronInNeuron）;
B1=rand（HiddenNeuron1）;
W2=rand（OutNeuronHiddenNeuron）;
B2=rand（OutNeuron1）;
%误差记录
ErrHistory=[];
for step=1:MaxTextTimes
    HiddenOut=logsig（W1*Train）;  %隐含层输出
    NetworkOut=logsig（W2*HiddenOut）;  %输出层输出
    Error=SamOut-NetworkOut;%误差
    SSE=sumsqr（Error）;%平方求和
    ErrHistory=[ErrHistory  SSE];
    if SSE    %调整权值和阈值
    delta2=NetworkOut.*（1-NetworkOut）.*（SamOut-NetworkOut）;
    w=W2;
    W2= W2+lr*（HiddenOut*delta2‘）‘;
    B2=w;%阈值
    delta1=HiddenOut.*（1-HiddenOut）.*（W2‘*delta2）;%调整隐含层加权系数
    w=W1;
    W1=W1+lr*（Train*delta1‘）‘;
    B1=w;
end
HiddenOut=logsig（W1*Test）; %使用logsig激活函数求出隐含层输出最终结果
NetworkOut=logsig（W2*HiddenOut）;    %使用logsig激活函数求出输出层输出最终结果
%将输出层最终结果和目标输出结果对应起来
NetworkOut（find（NetworkOut<=0.5））=0;
NetworkOut（find（NetworkOut>=0.5））=1;
NetworkOut%输出网络结果
%通过匹配求解出成功率
Result =~sum（abs（NetworkOut-SamOut））;
Percent = sum（Result）/length（Result）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2015-10-31 11:00  2个BPMatlab例子\BP\
     文件        1724  2015-10-31 16:56  2个BPMatlab例子\BP\BP.m
     文件        1424  2015-10-23 14:29  2个BPMatlab例子\BP\Iris-test.txt
     文件        1425  2015-10-23 14:29  2个BPMatlab例子\BP\Iris-train.txt
     目录           0  2018-11-14 17:00  2个BPMatlab例子\bp_class\
     文件        1332  2015-01-13 17:14  2个BPMatlab例子\bp_class\BP_demo.m
     文件        2210  2015-01-13 16:54  2个BPMatlab例子\bp_class\irisdata.mat