BP+三个数据集.rar

BP+三个数据集.rar

clc;
% data = load（‘P.mat‘）;
data = importdata（‘Page.mat‘）;

%输入输出数据
input=data（:1:10）;
output1 =data（:11）;

%排序
k=rand（15473）;
[mn]=sort（k）;

%把输出从1维变成5维
for i=1:5473
    switch output1（i）
        case 1
            output（i:）=[1 0 0 0 0];
        case 2
            output（i:）=[0 1 0 0 0];
        case 3
            output（i:）=[0 0 1 0 0];
        case 4
            output（i:）=[0 0 0 1 0];
        case 5
            output（i:）=[0 0 0 0 1]
    end
end

%随机提取4000个样本为训练样本，1473个样本为预测样本
input_train=input（n（1:4000）:）‘;
output_train=output（n（1:4000）:）‘;

input_test=input（n（4001:5473）:）‘;
output_test=output（n（4001:5473）:）‘;

%输入数据归一化
[inputninputps]=mapminmax（input_train）;

%% 网络结构初始化
innum=10;
midnum=25;
outnum=5;
 

%权值初始化
w1=rands（midnuminnum）;
b1=rands（midnum1）;
w2=rands（midnumoutnum）;
b2=rands（outnum1）;

w2_1=w2;w2_2=w2_1;
w1_1=w1;w1_2=w1_1;
b1_1=b1;b1_2=b1_1;
b2_1=b2;b2_2=b2_1;

%学习率
xite=0.1
alfa=0.01;

%% 网络训练
for ii=1:10
    E（ii）=0;
    for i=1:1:4000
       %% 网络预测输出 
        x=inputn（:i）;
        % 隐含层输出
        for j=1:1:midnum
            I（j）=inputn（:i）‘*w1（j:）‘+b1（j）;
            Iout（j）=1/（1+exp（-I（j）））;
        end
        % 输出层输出
        yn=w2‘*Iout‘+b2;
        
       %% 权值阀值修正
        %计算误差
        e=output_train（:i）-yn;     
        E（ii）=E（ii）+sum（abs（e））;
        
        %计算权值变化率
        dw2=e*Iout;
        db2=e‘;
        
        for j=1:1:midnum
            S=1/（1+exp（-I（j）））;
            FI（j）=S*（1-S）;
        end      
        for k=1:1:innum
            for j=1:1:midnum
                dw1（kj）=FI（j）*x（k）*（e（1）*w2（j1）+e（2）*w2（j2）+e（3）*w2（j3）+e（4）*w2（j4））;
                db1（j）=FI（j）*（e（1）*w2（j1）+e（2）*w2（j2）+e（3）*w2（j3）+e（4）*w2（j4））;
            end
        end
           
        w1=w1_1+xite*dw1‘;
        b1=b1_1+xite*db1‘;
        w2=w2_1+xite*dw2‘;
        b2=b2_1+xite*db2‘;
        
        w1_2=w1_1;w1_1=w1;
        w2_2=w2_1;w2_1=w2;
        b1_2=b1_1;b1_1=b1;
        b2_2=b2_1;b2_1=b2;
    end
end
inputn_test=mapminmax（‘apply‘input_testinputps）;

for ii=1:1
    for i=1:1473 %4000
        %隐含层输出
        for j=1:1:midnum
            I（j）=inputn_test（:i）‘*w1（j:）‘+b1（j）;
            Iout（j）=1/（1+exp（-I（j）））;
        end
        
        fore（:i）=w2‘*Iout‘+b2;
    end
end
 %根据网络输出找出数据属于哪类
for i=1:1473
    output_fore（i）=find（fore（:i）==max（fore（:i）））;
end

%BP网络预测误差
error=output_fore-output1（n（4001:5473））‘;



%画出预测Page种类和实际Page种类的分类图
figure（1）
plot（output_fore‘r‘）
hold on
plot（output1（n（4001:5473））‘‘b‘）
legend（‘预测Page类别‘‘实际Page类别‘）

%画出误差图
figure（2）
plot（error）
title（‘BP网络分类误差‘‘fontsize‘12）
xlabel（‘Page类型‘‘fontsize‘12）
ylabel（‘分类误差‘‘fontsize‘12）

%print -dtiff -r600 1-5

k=zeros（15）;  
%找出判断错误的分类属于哪一类
for i=1:1473
    if error（i）~=0
        [bc]=max（output_test（:i））;
        switch c
            case 1 
                k（

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件     153899  2017-12-05 22:17  20175428002-胡超\Letter.mat

     文件      48400  2017-12-14 01:04  20175428002-胡超\Letter错误率.jpg

     文件       3785  2017-12-16 20:19  20175428002-胡超\MyNN.m

     文件       5826  2017-12-08 18:18  20175428002-胡超\MyNN1Page.m

     文件       5307  2017-12-14 01:00  20175428002-胡超\MyNN2Letter.m

     文件       2719  2017-12-16 11:56  20175428002-胡超\MyNN3Spam.m

     文件     119771  2017-12-05 22:18  20175428002-胡超\Page.mat

     文件      66114  2017-12-08 18:20  20175428002-胡超\Page训练前.jpg

     文件      65895  2017-12-08 18:20  20175428002-胡超\Page训练后.jpg

     文件      42258  2017-12-08 18:21  20175428002-胡超\Page错误率.jpg

     文件     218942  2017-12-05 22:19  20175428002-胡超\Spam.mat

     文件      46822  2017-12-16 23:12  20175428002-胡超\Spam错误率.jpg

     目录          0  2017-12-17 00:09  20175428002-胡超

----------- ---------  ---------- -----  ----

               779738                    13