• 大小: 3KB
    文件类型: .zip
    金币: 2
    下载: 2 次
    发布日期: 2023-02-07
  • 语言: 其他
  • 标签: 神经网络  

资源简介

有导师学习神经网络的分类——鸢尾花种类识别,结合具体的案例给出了程序分析

资源截图

代码片段和文件信息

%% 第26章 有导师学习神经网络的分类——鸢尾花种类识别

该案例作者申明: 1:本人长期驻扎在此板块里,对该案例提问,做到有问必答。 2:此案例有配套的教学视频,视频下载请点击http://www.matlabsky.com/forum-91-1.html。  3:此案例为原创案例,转载请注明出处(《MATLAB智能算法30个案例分析》)。 4:若此案例碰巧与您的研究有关联,我们欢迎您提意见,要求等,我们考虑后可以加在案例里。 5:以下内容为初稿,与实际发行的书籍内容略有出入,请以书籍中的内容为准。


%% 清空环境变量
clear all
clc

%% 训练集/测试集产生

% 导入数据
load iris_data.mat
% 随机产生训练集和测试集
P_train = [];
T_train = [];
P_test = [];
T_test = [];
for i = 1:3
    temp_input = features((i-1)*50+1:i*50:);
    temp_output = classes((i-1)*50+1:i*50:);
    n = randperm(50);
    % 训练集——120个样本
    P_train = [P_train temp_input(n(1:40):)‘];
    T_train = [T_train temp_output(n(1:40):)‘];
    % 测试集——30个样本
    P_test = [P_test temp_input(n(41:50):)‘];
    T_test = [T_test temp_output(n(41:50):)‘];
end

%% 模型建立 
result_grnn = [];
result_pnn = [];
time_grnn = [];
time_pnn = [];
for i = 1:4
    for j = i:4
        p_train = P_train(i:j:);
        p_test = P_test(i:j:);
       %% GRNN创建及仿真测试
        t = cputime;
        % 创建网络
        net_grnn = newgrnn(p_trainT_train);
        % 仿真测试
        t_sim_grnn = sim(net_grnnp_test);
        T_sim_grnn = round(t_sim_grnn);
        t = cputime - t;
        time_grnn = [time_grnn t];
        result_grnn = [result_grnn T_sim_grnn‘];
       %% PNN创建及仿真测试
        t = cputime;
        Tc_train = ind2vec(T_train);
        % 创建网络
        net_pnn = newpnn(p_trainTc_train);
        % 仿真测试
        Tc_test = ind2vec(T_test);
        t_sim_pnn = sim(net_pnnp_test);
        T_sim_pnn = vec2ind(t_sim_pnn);
        t = cputime - t;
        time_pnn = [time_pnn t];
        result_pnn = [result_pnn T_sim_pnn‘];
    end
end

%% 性能评价

% 正确率accuracy
accuracy_grnn = [];
accuracy_pnn = [];
time = [];
for i = 1:10
    accuracy_1 = length(find(result_grnn(:i) == T_test‘))/length(T_test);
    accuracy_2 = length(find(result_pnn(:i) == T_test‘))/length(T_test);
    accuracy_grnn = [accuracy_grnn accuracy_1];
    accuracy_pnn = [accuracy_pnn accuracy_2];
end
% 结果对比
result = [T_test‘ result_grnn result_pnn]
accuracy = [accuracy_grnn;accuracy_pnn]
time = [time_grnn;time_pnn]
%% 绘图
figure(1)
plot(1:30T_test‘bo‘1:30result_grnn(:4)‘r-*‘1:30result_pnn(:4)‘k:^‘)
grid on
xlabel(‘测试集样本编号‘)
ylabel(‘测试集样本类别‘)
string = {‘测试集预测结果对比(GRNN v

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1105  2010-10-17 14:51  chapter26\iris_data.mat
     文件        4233  2010-11-30 20:45  chapter26\main.m
     目录           0  2018-01-02 21:38  chapter26\

评论

共有 条评论