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
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\
- 上一篇:NSGA2算法介绍
- 下一篇:类别变量的中介效应分析
相关资源
- 基于改进的SOM神经网络在产品配置中
- 深度学习卷积神经网络可检测和分类
- 标量场理论的回归和生成神经网络
- 基于ARIMA、BP神经网络与GM的组合模型
- 车辆自适应神经网络编队控制
- 基于RBF神经网络在线辨识的永磁同步
- 基于BP人工神经网络的SmFeN永磁材料工
- 融合粗糙集和人工神经网络的产品敏
- 基于粗糙集神经网络的数据挖掘在门
- Google OCR API源代码和神经网络识别OC
- 信息融合、神经网络-模糊推理理论及
- 基于双隐含层BP神经网络的预测
- SOM神经网络 PPT
- 小波神经网络预测模型代码
- 基于PSO优化BP神经网络的水质预测研究
- 基于神经网络的时间序列预测方法
- BP神经网络算法逼近一个正弦函数
- Hopfield神经网络解决 TSP问题
- 基于神经网络的数字水印
- 基于概率神经网络的图匹配算法研究
- 基于神经网络的身份证号码识别算法
- 机器学习方法R实现-用决策树、神经网
- 基于神经网络及Logistic回归的混合信用
- 台湾大学李宏毅——超详细GAN对抗神
- 神经网络原理 Simon.Haykin 编——神经网
- 基于主成分分析与BP神经网络的雾天能
- 卷积神经网络的压缩和加速
- 脉冲耦合神经网络工具箱PCNN-toolbox
- 神经网络(一些算法论文)可以学习
- 基于BP神经网络的挖掘机液压系统故障
评论
共有 条评论