iris神经网络.zip

一个人工神经元网络是由一个多层神经元结构组成，每一层神经元拥有输入（它的输入是前一层神经元的输出）和输出，我们把神经元和与之对应的神经元之间的连线用生物学的名称，叫做突触，在数学模型中每个突触有一个加权数值，称做权重，此时第i层上的某个神经元所得到的输出等于每一个权重乘以第i-1层上对应的神经元的输出之和，最后再通过激活函数来对输出进行量化，在与阈值相比较判断是否属于某一类。

clear
clc
load fisheriris;%导入数据
Iris={meas（:1）meas（:2）meas（:3）meas（:4）species};%cell
[~n]=size（Iris）;
for i=1:n-1
data（:i）=Iris{1i};
end
[mn]=size（data）;
for i=1:m
if strcmp（Iris{15}{i1}‘setosa‘）
data（i5:7）=[1 0 0];
elseif  strcmp（Iris{15}{i1} ‘versicolor‘）
data（i5:7）=[0 1 0];
else
data（i5:7）=[0 0 1];
end
end
%数据归一化处理[01]区间内
x_max=max（data）;
x_min=min（data）;
data=（data-ones（m1）*x_min）./（ones（m1）*（x_max-x_min））;
% 这里可用函数data=mapminmax（data01）替换
%但data需要转置因为mapminmax只能对行进行归一化
%%
%K折
indices=crossvalind（‘Kfold‘data（1:1507）5）;%进行随机分包
z1=0;z2=0;%计算平均准确率
alpha=4;%输入神经元数目
beta=10;%隐层神经元数目
lamda=3;%输出神经元数目
%%
s=rng;
rand（alphabeta）;
rand（betalamda）;
rand（1beta）;
rand（1lamda）;
rng（s）;
%%保证每次运行生成的随机数相同
%训练
for k=1:1:5
%%%%%%%%%%%%%%%%%%%自定义%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
test1=（indices == k）;%逻辑验证
train1=~test1;%逻辑验证
c_test=data（test11:4）;
c_test_label=data（test15:7）;
x_train=data（train11:4）;
x_train_label=data（train15:7）;
%%
[mn]=size（x_train）;
%生成随机初始向量
W1=rand（alphabeta）;%输入层和隐层之间的权值矩阵
W2=rand（betalamda）;%隐层和输出层间的权值矩阵
B1=rand（1beta）;%隐层阈值矩阵
B2=rand（1lamda）;%输出层阈值矩阵
B22=B2;
W11=W1;
Eta=0.1;%学习率
iter_max=10000;%最大迭代次数
iter=1;
%BP神经网络，每次仅针对一个训练样例更新连接权和阈值
while iter<=iter_max
for i=1:m
hidden_in=x_train（i:）*W1;%隐层输入
hidden_out=sigmod（hidden_in-B1）;%隐层输出
output_in=hidden_out*W2;%输出层输入
output_out=sigmod（output_in-B2）;%输出层输出
%计算误差
E（i）=sum（（output_out-x_train_label（i:））.^2）;%求平方和也可用sumsqr函数
%%
%更新参数BP神经网络中最核心的部分
g=output_out.*（1-output_out）.*（x_train_label（i:）-output_out）;%计算输出层神经元的梯度项
e=hidden_out.*（1-hidden_out）.*（g*W2‘）;%计算隐层神经元的梯度项
Deta_W2=Eta*hidden_out‘*g;
Deta_B2=-Eta*g;
Deta_W1=Eta*x_train（i:）‘*e;
Deta_B1=-Eta*e;
W1=W1+Deta_W1;
W2=W2+Deta_W2;
B1=B1+Deta_B1;
B2=B2+Deta_B2;
end
%计算训练集的累积误差
E=mean（E）;
if E<1e-4  %目标误差
iter
break
end
if mod（iter1000）==0
iter;
end
iter=iter+1;%更新迭代次数
end
%%
%测试
[resultaccuracy]=BP_test（c_testc_test_labelW1W2B1B2）;
disp（strcat（‘第‘num2str（k）‘次自定义准确率为‘num2str（accuracy*100）‘%‘））
z1=z1+accuracy;
%%%%%%%%%%%%%%%%%%%自定义%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%调包%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
net = newff（ x_train‘ x_train_label‘ 10）;
%设置训练参数
net.trainParam.showWindow = false;
net.trainParam.showCommandLine = false;
net.trainparam.epochs = 10000 ;%允许最大训练步数500步
net.trainparam.goal = 0.0001 ;%训练目标最小误差0.01
net.trainParam.lr = 0.1 ;%学习速率0.1
%开始训练
net = train（ net x_train‘ x_train_label‘） ;
%测试
Y = sim（netc_test‘） ;
%统计识别正确率，列最大值所在位置对比
[max_Yindex1]=max（Y[]1）;  %求最大值所在位置
[max_c_test_labelindex2]=max（c_test_label‘[]1）;
a=0;
for i=1:1:30
if index1（i）==index2（i）
a=a+1;
end
end
r=a/30;
z2=z2+r;
disp（strcat（‘第‘num2str（k）‘次调包准确率为‘num2str（r*100）‘%‘））
%%%%%%%%%%%%%%%%%%%调包%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end
disp（strcat（‘自定义平均准确率为‘num2str（z1/5*100）‘%‘））
disp（strcat（‘调包平均准确率为‘num2str（z2/5*100）‘%‘））

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        3323  2020-07-02 15:57  bp_iris.m
     文件         411  2020-06-08 10:30  BP_test.m
     文件          58  2020-06-08 10:28  sigmod.m
     文件      392886  2020-07-05 12:27  神经网络iris.docx