多层bp神经网络代码附带数据集

多层前馈神经网络bp(back propagation)代码附带数据集，matlab版本

%基于梯度下降法的三层sigmoid单元的前向网络的BP算法
%Train为输入样本，行表示特征，列表示样本，Except为目标向量
%第一层有4个神经元
%隐含层层有3个神经元
%输出层有3个神经元
clear all;
%导入数据
data = load（‘iris.txt‘）;
data（:5 ） = [];%现在的鸢尾花数据集第五列不需要，所以在这里删除它
%利用每一类的前40个数据作为训练数据
Train = [data（1:40:）;data（51:90:）;data（101:140:）]‘;
%定义期望输出
class1 = repmat（[0.950.050.05]401）;
class2 = repmat（[0.050.950.05]401）;
class3 = repmat（[0.050.050.95]401）;
Expect = [class1;class2;class3]‘;

[it] = size（Train）;%i表示输入层神经元的个数
[kt] = size（Expect）;%k表示输出层神经元的个数
j = 5;%表示第一层神经元的个数
b = 5;%表示第二层神经元的个数

%开始训练数据
alpha = 0.05;%学习速率 
goal = 0.02;%精度要求
err = 1;%误差的初始值
iter = 0;%用来记录迭代的次数

%初始化网络权值
W01 = -0.5 + 0.5 * rand（ji+1）;%输入与第一层之间的网络权值
W12 = -0.5 + 0.5 * rand（bj+1）;%第一层与的二层之间的网络权值
W23 = -0.5 + 0.5 * rand（kb+1）;%第二层与第三层之间的网络权值

%初始化权重变化量矩阵
dW01 = zeros（size（W01））;
dW12 = zeros（size（W12））;
dW23 = zeros（size（W23））;

%初始化误差矩阵
ErrArray = [];
while err > goal%检查退出循环条件
    iter = iter + 1;%迭代次数增加一
for m = 1:t
    Inet = W01 * [Train（:m）;1];%前向计算过程
    O1 = 1 ./ （1 + exp（-Inet））;%获得第一层的输出
    Nnet = W12 * [O1;1]; %获得第二层的输出
    O2 = 1 ./ （1 + exp（-Nnet））;
    Lnet = W23 * [O2;1]; %获得输出层输出
    O3 = 1 ./ （1+exp（-Lnet））;
    E（:m） = Expect（:m） - O3;%计算误差
   %误差反向传播
   deltak=O3.*（1-O3）.*E（:m）;%对于输出单元
   dW23=alpha*deltak*[O2;1]‘; %输出层权重调整
   deltaj=O2.*（1-O2）.*（W23（:1:b）‘*deltak）;%对于第二层单元
   dW12=alpha*deltaj*[O1;1]‘; %第二层权值调整
   deltai=O1.*（1-O1）.*（W12（:1:j）‘*deltaj）; %对于第一层
   dW01=alpha*deltai*[Train（:m）;1]‘; %第一层的权值调整 ‘
   %更新权值
   W01=W01+dW01;
   W12=W12+dW12;
   W23=W23+dW23;
end
total=0;%每一次迭代的误差
for i=1:t
    total=total+sum（E（:m）.*E（:m））;
end
err=0.5*total;
time（iter）=iter;
ErrArray=[ErrArrayerr];%记录每次的迭代误差
end

%显示误差的变化趋势
figure;
subplot（121）;
plot（timeErrArray（1:iter））;
title（‘网络误差‘）;
xlabel（‘迭代的次数‘）;
ylabel（‘误差‘）;

%下面利用得到的模型对数据进行分类
Test = [data（41:50:）;data（91:100:）;data（141:150:）]‘;
%下面的三个矩阵用来记录那些数据分到那些类里面，order123分别统计第一 第二 第三类的数据
order1=[];
order2=[];
order3=[];
count=[0 0 0];%用来统计对应类的个数
for i=1:30%总共有30个数据，分别对每一个进行分类
I1=W01*[Test（:i）;1];%得到第一层输入
O1=1./（1+exp（-I1））;%得到第一层输出
I2=W12*[O1;1];%得到第二层的输入
O2=1./（1+exp（-I2））;%得到第二层输出
I3=W23*[O2;1];%得到第三层的输入
O3=1./（1+exp（-I3））;%得到第三层的输出
%[numk]=max（O3）;%选取第三层的输出的最大值，哪个分量最大就归为哪一类
%count（k）=count（k）+1;
if O3（1）>=0.9 & O3（2）<=0.1 & O3（3）<=0.1
    order1=[order1i];
    count（1）=count（1）+1;
elseif O3（2）>=0.9 & O3（1）<=0.1 & O3（3）<=0.1
        order2=[order2i];
        count（2）=count（2）+1;
elseif O3（3）>=0.9 & O3（2）<=0.1 & O3（1）<=0.1
        order3=[order3i];
        count（3）=count（3）+1;
    end
end
fprintf（‘分类为第一个类的个数为：%d\n‘count（1））;
disp（‘序号为：‘）;
disp（order1）;
fprintf（‘分类为第二个类的个数为:%d\n‘count（2））;
disp（‘序号为：‘）;
disp（order2）;
fprintf（‘分类为第三个类的个数为:%d\n‘count（3））;
disp（‘序号为:‘）;
disp（order3）;
fprintf（‘本次总共迭代了 %d 次\n‘iter）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        3468  2017-12-24 20:31  bp代码\BPNet.m
     文件        2848  2017-12-17 19:18  bp代码\Iris.txt
     目录           0  2018-03-07 20:47  bp代码\