matlab之BP神经网络分类与制图

clc
clear
%%数据导入
%data=importdata('A');  %A为数据格式，如cd.xlsx、cd.txt，其中cd为文件名，假设样本个数200，特征个数为30，200*31，第31列表示分类标签，这里分为0-3共4类
k=rand(1,200);         %生成样本个数的随机数，以200为例
[m,n]=sort(k);         %若k为二维矩阵，则sort（k）表示对每列进行升序排序,m为移动后矩阵，n为移动顺序。

%上两步的操做是为了生成随机数，以后按比例随机挑选样本；
%输入输出数据
input=data(:,1:30);
output=data(:,31);           %第21列为标签列
%随机抽取160个样本为训练样本，40个样本为预测样本
input_train=input(n(1:160),:)';  %行为样本列为特征点
label_train=output(n(1:160),:)';%相似于标签
input_test=input(n(161:200),:)';
label_test=output(n(161:200),:)';
%输入数据归一化处理
[inputn,inputps]=mapminmax(input_train);
%%BP网络训练
% %初始化网络结构
net=newff(inputn,label_train,13,{'tansig','purelin'});%隐含层节点数设置为13
net.trainParam.epochs=300;
net.trainParam.lr=0.1;
net.trainParam.goal=0.001;
%网络训练
net=train(net,inputn,label_train);
%%BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%net预测标签输出
y=sim(net,inputn_test);%y=sim(net,x);net表示已训练好的网络，x表示输入数据，y表示网络预测数据。表示用训练好的网络预测输出函数

%根据网络输出得到预测类别的种类
y(find(y<0.5))=0;
y(find(y>0.5&y<1.5))=1;
y(find(yt>1.5&y<2.5))=2;
y(find(y>2.5&y<3.5))=3

%制图_预测分类标签和实际分类标签对比图
figure(1)
plot(y,'og')
hold on
plot(label_test,'r*');
legend('预测标签','实际标签')
title('BP神经网络预测分类与实际类别比对','fontsize',12)
ylabel('类别标签','fontsize',12)
xlabel('样本数目','fontsize',12)
ylim([-0.5 3.5])
%精度评价
rightnumber=0;
for i=1:size(label_test,2)
    if BPoutput(i)==label_test(i)
        rightnumber=rightnumber+1;
    end
end
rightratio=rightnumber/size(label_test,2)*100;

sprintf('测试准确率=%0.2f',rightratio)