神經(jīng)網(wǎng)絡(luò)模式識別工具nprtool怎么用

模式識別又稱模式分類，廣義的模式識別包括有監(jiān)督的識別和無監(jiān)督的識別，分別對應(yīng)有目標(biāo)數(shù)據(jù)和無目標(biāo)數(shù)據(jù)的訓(xùn)練過程，前者的訓(xùn)練數(shù)據(jù)所屬類別未知，而后者的訓(xùn)練數(shù)據(jù)所屬類別已知。神經(jīng)網(wǎng)絡(luò)模式識別工具中所指的模式識別主要是后者，即有監(jiān)督的分類。對于無監(jiān)督的分類問題，可以使用神經(jīng)網(wǎng)絡(luò)聚類工具加以解決。

在模式識別問題中，輸入的數(shù)據(jù)將被劃分為事先規(guī)定好的某一個類別，類別的數(shù)量是確定的，每個輸入樣本最終都會被歸為預(yù)定好的某一個類別中，神經(jīng)網(wǎng)絡(luò)模式識別工具可以用來收集數(shù)據(jù)，創(chuàng)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并用均方誤差（MSE）和混淆矩陣來評價網(wǎng)絡(luò)。系統(tǒng)使用的是一個兩層（不包括輸入層和輸出層）的前向網(wǎng)絡(luò)

在命令行輸入nprtool打開神經(jīng)網(wǎng)絡(luò)模式識別工具

構(gòu)造測試數(shù)據(jù)

x=[0.1,4.2;-0.25,2.8;3,1.1;-0.9,1.2;-1.2,1;3.4,1;-2.5,-1.5;3,3.2;...

    -2.5,2.7;3.1,-3.2;4,-1.2;3.9,-1;4,3;-4,3.5]';

y=[1,1,1,1,1,2,1,2,1,2,2,2,2,1];

y0=ind2vec(y);

在聚類工具中點擊Next進入數(shù)據(jù)選擇界面。模式識別需要目標(biāo)數(shù)據(jù)，因此這里需要指定輸入和目標(biāo)樣本。

此處的目標(biāo)樣本需要表示成向量的形式

點擊Next進入Validation and Test Data 界面，將數(shù)據(jù)集劃分為訓(xùn)練樣本、驗證樣本和測試樣本。

點擊Next進入網(wǎng)絡(luò)結(jié)構(gòu)界面，設(shè)置隱含層神經(jīng)元個數(shù)

點擊Next進入網(wǎng)絡(luò)訓(xùn)練界面，點擊Train開始訓(xùn)練，默認(rèn)迭代次數(shù)為1000次

訓(xùn)練完成后將顯示訓(xùn)練樣本、驗證樣本和測試樣本的均方誤差和錯分率。

錯分率是指將樣本中的數(shù)據(jù)錯誤地劃分為另一類的比例

點擊Next進入網(wǎng)絡(luò)評價界面，生成測試數(shù)據(jù)

 xx=-4.4:.4:4.5;

 N=length(xx);

 for i=1:N

     for j=1:N

         xt(1,(i-1)*N+j)=xx(i);

             xt(2,(i-1)*N+j)=xx(j);

     end

 end

yt=ones(1,529);

 yt(1)=2;

 yt=ind2vec(yt);

選擇測試數(shù)據(jù)后點擊Test Network進行仿真測試

測試結(jié)果

點擊Next進入結(jié)果保存界面，可以保存網(wǎng)絡(luò)和變量，或者將網(wǎng)絡(luò)導(dǎo)出為MATLAB腳本或Simulink模型

點擊Finish完成分類