一、模式識(shí)別神經(jīng)網(wǎng)絡(luò)

在matlab命令窗口輸入：nnstart 或 nprtool 就可以進(jìn)入matlab神經(jīng)網(wǎng)絡(luò)GUI

二、鳶尾花數(shù)據(jù)集iris示例

1.輸入數(shù)據(jù)集，劃分訓(xùn)練集、測(cè)試集

load fisheriris;
[m,n]=size(meas);
data=zeros(m,n+1);
data(:,1:n)=meas;
for i=1:m                   　　　　　　　　　 %將字符串類(lèi)別標(biāo)簽用數(shù)值形式表示
    if strcmp(species{i},'setosa')　　　　　　%strcmp（'A','B'）用于比較字符串，找出特定的字符串；類(lèi)比f(wàn)ind（a==b）用來(lái)找出特定數(shù)值
        data(i,n+1)=1;
    elseif strcmp(species{i},'versicolor')
        data(i,n+1)=2;
    elseif strcmp(species{i},'virginica')
        data(i,n+1)=3;
    end
end

%選擇訓(xùn)練樣本個(gè)數(shù)
num_train = 60;　　　　　　　　　　　　　　　　　%共150個(gè)樣本，60個(gè)訓(xùn)練集，90個(gè)測(cè)試集
%構(gòu)造隨機(jī)選擇序列
choose = randperm(length(data));           %隨機(jī)種子打亂數(shù)據(jù)樣本的順序
train_data = data(choose(1:num_train),:);  %隨機(jī)選取60個(gè)樣本
label_temp = train_data(:,end);            %提取訓(xùn)練數(shù)據(jù)的標(biāo)簽  train(:,end)提取最后一列；
label_train = zeros(length(train_data),3); %創(chuàng)建矩陣以儲(chǔ)存向量形式的標(biāo)簽；
%把輸出分類(lèi)標(biāo)簽1，2，3 改為工具箱要求的格式 1=[1 0 0],2=[0 1 0],3=[0 0 1]
for i = 1:length(train_data)
    label_train(i,label_temp(i)) = 1; 
end
train_data = train_data(:,1:end-1)';       %提取數(shù)據(jù)集特征（剔除標(biāo)簽），并進(jìn)行轉(zhuǎn)置（轉(zhuǎn)置也可以不必，后續(xù)GUI中轉(zhuǎn)化為行形式即可）
label_train = label_train';                %將向量形式表示的標(biāo)簽進(jìn)行轉(zhuǎn)置（也而不必，理由同上）

test_data = data(choose(num_train+1:end),:);  %提取測(cè)試集數(shù)據(jù)
label_temp = test_data(:,end);                %提取測(cè)試集數(shù)據(jù)的標(biāo)簽
label_test = zeros(length(test_data),3);      %創(chuàng)建矩陣，準(zhǔn)備存放向量形式的測(cè)試數(shù)據(jù)的標(biāo)簽
%把輸出分類(lèi)標(biāo)簽改為工具箱要求的格式
for i = 1:length(test_data)
    label_test(i,label_temp(i)) = 1; 
end
test_data = test_data(:,1:end-1)';            %提取測(cè)試數(shù)據(jù)的特征，并進(jìn)行轉(zhuǎn)置
label_test = label_test';                     %提取測(cè)試數(shù)據(jù)的標(biāo)簽，并進(jìn)行轉(zhuǎn)置

2. 三種方法進(jìn)行模式識(shí)別神經(jīng)網(wǎng)絡(luò)搭建

2.1 手動(dòng)編寫(xiě)m函數(shù)法

法1操作方法：手動(dòng)編寫(xiě)m函數(shù)如下（借鑒參考資料）

%有三種方式
%法1.命令窗口輸入nnstart,選擇pattern recognition app，用matlab自帶GUI進(jìn)行網(wǎng)絡(luò)設(shè)置（最簡(jiǎn)單）
%法2.完成法1后，自動(dòng)生成代碼，將創(chuàng)建網(wǎng)絡(luò)的代碼用m文件保存，下次要調(diào)用該網(wǎng)絡(luò)可直接調(diào)用該m文件
%法3.編寫(xiě)如下代碼
% Create a Pattern Recognition Network
hiddenLayerSize = 10;                         %隱藏層神經(jīng)元個(gè)數(shù)設(shè)置為10
net = patternnet(hiddenLayerSize);            %創(chuàng)建模式識(shí)別神經(jīng)網(wǎng)絡(luò)patternnet
% 將訓(xùn)練集再按比例70:15:15分為訓(xùn)練集、驗(yàn)證集、測(cè)試集
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;
% Train the Network
[net,tr] = train(net,train_data,label_train); %tr為訓(xùn)練過(guò)程參數(shù)？
% Test the Network
predict = net(test_data);       %得到每個(gè)樣本屬于第一類(lèi)、第二類(lèi)、第三類(lèi)的概率
[~,predict] = max(predict);     %選擇概率最大的類(lèi)別作為某一個(gè)測(cè)試樣本的類(lèi)別
%% show the result --testings
fig=figure;
gscatter(test_data(1,:),test_data(2,:),predict);
[~,label_test] = max(label_test);
accuracy = length(find(predict==label_test))/length(test_data);
title(['predict the testing data and the accuracy is :',num2str(accuracy)]);

法1結(jié)果：

準(zhǔn)確率：93.3%，分類(lèi)效果不錯(cuò)。

2.2 GUI法

法2操作方法：

輸入nnstart：四種形式的神經(jīng)網(wǎng)絡(luò)：擬合/分類(lèi)/聚類(lèi)/時(shí)間序列。分類(lèi)選擇nprtool

輸入nprtool:

注意這里的samples是按行還是按列，如果選擇錯(cuò)誤則無(wú)法點(diǎn)擊next

法2結(jié)果：訓(xùn)練集的混淆矩陣

可以重點(diǎn)看訓(xùn)練集（分為0.7：0.15：0.15）中的測(cè)試集 （是否有必要將訓(xùn)練集也這么分？）；

得到準(zhǔn)確率為88.9%，較高，分類(lèi)效果不錯(cuò)。

法2操作：加入測(cè)試集

法2結(jié)果：測(cè)試集的混淆矩陣

準(zhǔn)確率為96.7%，分類(lèi)效果很好。

2.3 自動(dòng)生成代碼法

法3操作方法：由法1GUI得到的網(wǎng)絡(luò)自動(dòng)生成m代碼如下，之后可直接調(diào)用該m文件，不需要用GUI。

操作如下：

點(diǎn)擊Simple Scrip即可自動(dòng)生成代碼

代碼如下：

% Solve a Pattern Recognition Problem with a Neural Network
% Script generated by Neural Pattern Recognition app
% Created 21-May-2020 20:32:42
%
% This script assumes these variables are defined:
%
%   train_data - input data.
%   label_train - target data.

x = train_data;
t = label_train;

% Choose a Training Function
% For a list of all training functions type: help nntrain
% 'trainlm' is usually fastest.
% 'trainbr' takes longer but may be better for challenging problems.
% 'trainscg' uses less memory. Suitable in low memory situations.
trainFcn = 'trainscg';  % Scaled conjugate gradient backpropagation.

% Create a Pattern Recognition Network
hiddenLayerSize = 10;
net = patternnet(hiddenLayerSize);

% Setup Division of Data for Training, Validation, Testing
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% Train the Network
[net,tr] = train(net,x,t);

% Test the Network
y = net(x);
e = gsubtract(t,y);
performance = perform(net,t,y)
tind = vec2ind(t);
yind = vec2ind(y);
percentErrors = sum(tind ~= yind)/numel(tind);

% View the Network
view(net)

% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, ploterrhist(e)
%figure, plotconfusion(t,y)
%figure, plotroc(t,y)

參考資料：

1.監(jiān)督算法之BP，SVM,adaboost的非線性多分類(lèi)實(shí)驗(yàn)，https://blog.csdn.net/on2way/article/details/48006539，作者：on2way

2.matlab神經(jīng)網(wǎng)絡(luò)工具箱：https://blog.csdn.net/on2way/article/details/47428201

3.adaboost分類(lèi)：https://www.cnblogs.com/litthorse/p/9332370.html

總結(jié)

以上是生活随笔為你收集整理的matlab神经网络多分类（模式识别神经网络nprtool)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。