BP神經(jīng)網(wǎng)絡源代碼--數(shù)據(jù)分類

1、BP 網(wǎng)絡源代碼：clcclear% 訓練數(shù)據(jù)預測數(shù)據(jù)提取及歸一化%下載四類語音信號loaddata1c1loaddata2c2loaddata3c3loaddata4c4%四個特征信號矩陣合成一個矩陣 data(1:500,:)=c1(1:500,:); data(501:1000,:)=c2(1:500,:); data(1001:1500,:)=c3(1:500,:); data(1501:2000,:)=c4(1:500,:);%從 1 到 2000 間隨機排序 k=rand(1,2000);m,n=sort(k);%輸入輸出數(shù)據(jù)input=data(:,2:25);output1 =

2、data(:,1);%把輸出從 1 維變成 4 維for i=1:2000switch output1(i)case 1 output(i,:)=1 0 0 0;case 2 output(i,:)=0 1 0 0;case 3 output(i,:)=0 0 1 0;case 4 output(i,:)=0 0 0 1;endend %隨機提取 1500 個樣本為訓練樣本， 500 個樣本為預測樣本input_train=input(n(1:1500),:)' output_train=output(n(1:1500),:)' input_test=input(n(1501:

3、2000),:)' output_test=output(n(1501:2000),:)'%輸入數(shù)據(jù)歸一化 inputn,inputps=mapminmax(input_train);% 網(wǎng)絡結(jié)構(gòu)初始化innum=24;midnum=25;outnum=4;%權(quán)值初始化 w1=rands(midnum,innum); b1=rands(midnum,1); w2=rands(midnum,outnum); b2=rands(outnum,1);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=b

4、2_1;%學習率xite=0.1alfa=0.01;% 網(wǎng)絡訓練for ii=1:10E(ii)=0;for i=1:1:1500% 網(wǎng)絡預測輸出x=inputn(:,i);% 隱含層輸出 for j=1:1:midnum I(j)=inputn(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j);end% 輸出層輸出yn=w2'*Iout'+b2;% 權(quán)值閥值修正%計算誤差 e=output_train(:,i)-yn; E(ii)=E(ii)+sum(abs(e);%計算權(quán)值變化率 dw2=e*Iout; db2=e&#

5、39;for j=1:1:midnumS=1/(1+exp(-I(j);FI(j)=S*(1-S);endfor k=1:1:innumfor j=1:1:midnumdw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4 );db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4);endendw1=w1_1+xite*dw1' b1=b1_1+xite*db1' w2=w2_1+xite*dw2' b2=b

6、2_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; endend'apply' ,input_test,inputps);% 語音特征信號分類 inputn_test=mapminmax( for ii=1:1for i=1:500 %1500 %隱含層輸出 for j=1:1:midnumI(j)=inputn_test(:,i)'*w1(j,:)'+b1(j);Iout(j)=1/(1+exp(-I(j);endfore(:,i

7、)=w2'*Iout'+b2;endend% 結(jié)果分析 %根據(jù)網(wǎng)絡輸出找出數(shù)據(jù)屬于哪類 for i=1:500output_fore(i)=find(fore(:,i)=max(fore(:,i); end%BP網(wǎng)絡預測誤差 error=output_fore-output1(n(1501:2000)'%畫出預測語音種類和實際語音種類的分類圖 figure(1)plot(output_fore, 'r' )hold onplot(output1(n(1501:2000)', 'b' ) legend( ' 預測語音類別 &

8、#39; , ' 實際語音類別 ' )%畫出誤差圖figure(2)plot(error)title('BP 網(wǎng)絡分類誤差 ' , 'fontsize',12)xlabel(' 語音信號 ' , 'fontsize',12)ylabel(' 分類誤差 ' , 'fontsize',12)%print -dtiff -r600 1-4 k=zeros(1,4);%找出判斷錯誤的分類屬于哪一類 for i=1:500if error(i)=0 b,c=max(output_test(:,i); switch c case 1 k(1)=k(1)+1;case 2 k(2)=k(2)+1;case 3 k(3)=k(3)+1;case 4 k(4)=k(4)+1; end end end%找出每類的個體和 kk=zeros(1,4);for i=1:500b,c=max(output_test(: