Matlab-pnn神经网络分类matlab代码

%% 清空环境变量 clear close all clc warning off %% 数据载入 data=xlsread('数据.xlsx'); data=data(randperm(size(data,1)),:); %此行代码用于打乱原始样本，使训练集测试集随机被抽取，有助于更新预测结果，选取合适的数据集划分方式。可以删掉这行代码，不影响程序。 %% 选取训练数据和测试数据 input=data(:,1:end-1); output=data(:,end); m=100; %训练的样本数目 input_train=input(1:m,:)'; output_train=output(1:m)'; input_test=input(m+1:end,:)'; output_test=output(m+1:end)'; %% 数据归一化 [inputn,inputps]=mapminmax(input_train);%归一化到[-1,1]之间，inputps用来作下一次同样的归一化 inputn_test=mapminmax('apply',input_test,inputps);% 对测试样本数据进行归一化 %类别转换为向量 T=ind2vec(output_train); %% 使用newpnn函数建立PNN Spread=0.8; net=newpnn(inputn,T,Spread); %% 训练数据回代 查看网络的分类效果 Y=sim(net,input_train); %网络输出向量转换为类别 Yc=vec2ind(Y); %% 网络测试 Y2=sim(net,inputn_test); Y2c=vec2ind(Y2); rightratio=sum(output_test==Y2c)/length(Y2c); %计算预测的确率 %% 作图 %网络对训练数据分类效果 figure stem(1:length(Yc),Yc,'bo') hold on stem(1:length(Yc),output_train,'r*') title('PNN 网络训练后的效果') legend('预测类别','真实类别') xlabel('样本编号') ylabel('分类结果') set(gca,'fontsize',12) figure H=Yc-output_train; stem(H) title('PNN 网络训练后的误差图') xlabel('样本编号') ylabel('误差') set(gca,'fontsize',12) %网络对测试数据分类效果 figure stem(1:length(Y2c),Y2c,'b^') hold on stem(1:length(Y2c),output_test,'r*') title({'PNN 网络的预测效果',['测试集正确率 = ',num2str(rightratio*100),' %']}) xlabel('预测样本编号') ylabel('分类结果') legend('预测类别','真实类别') set(gca,'fontsize',12) %输出准确率 disp('---------------------------测试准确率-------------------------') disp(rightratio) %% 算法咨询 % 注 可以删掉以下命令 不影响本程序 consult()