ELMAN动态递归神经网络数据分类MATLAB代码

%% 初始化 clear close all clc warning off %% 数据读取 data=xlsread('数据.xlsx','Sheet1','A1:N178'); %使用xlsread函数读取EXCEL中对应范围的数据即可 %输入输出数据 input=data(:,1:end-1); %data的第一列-倒数第二列为特征指标 output=data(:,end); %data的最后面一列为标签类型 N=length(output); %全部样本数目 testNum=30; %设定测试样本数目 trainNum=N-testNum; %计算训练样本数目 %% 划分训练集、测试集 %随机抽取 id=randperm(N); input=input(id,:); output=output(id,:); %训练集、测试集 input_train = input(1:trainNum,:)'; output_train =output(1:trainNum)'; input_test =input(trainNum+1:trainNum+testNum,:)'; output_test =output(trainNum+1:trainNum+testNum)'; %% 数据归一化 [inputn,inputps]=mapminmax(input_train,0,1); outputn=ind2vec(output_train); inputn_test=mapminmax('apply',input_test,inputps); %% 获取输入层节点、输出层节点个数 inputnum=size(input,2); outputnum=size(outputn,1); disp('/////////////////////////////////') disp('神经网络结构...') disp(['输入层的节点数为：',num2str(inputnum)]) disp(['输出层的节点数为：',num2str(outputnum)]) disp(' ') disp('隐含层节点的确定过程...') string={'tansig','purelin'}; %传递函数 func_str='traingdx'; %训练算法 %确定隐含层节点个数 %采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的整数 ACC=1e-5; %初始化最高准确率 for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10 %构建网络 net=newelm(inputn,outputn,hiddennum,string,func_str); % 网络参数 net.trainParam.epochs=1000; % 训练次数 net.trainParam.lr=0.01; % 学习速率 net.trainParam.goal=0.000001; % 训练目标最小误差 % 网络训练 net=train(net,inputn,outputn); an0=sim(net,inputn); %仿真结果 simu0=vec2ind(an0); acc0=length(find(output_train==simu0))/trainNum; %仿真的准确率 disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的准确率为：',num2str(acc0)]) %更新最佳的隐含层节点 if acc0>ACC ACC=acc0; hiddennum_best=hiddennum; end end disp(['最佳的隐含层节点数为：',num2str(hiddennum_best),'，相应的准确率为：',num2str(ACC)]) %% 构建最佳隐含层节点的ELMAN神经网络 net=newelm(inputn,outputn,hiddennum_best,string,func_str); % 网络参数 net.trainParam.epochs=1000; % 训练次数 net.trainParam.lr=0.01; % 学习速率 net.trainParam.goal=0.000001; % 训练目标最小误差 %% 网络训练 net=train(net,inputn,outputn); %% 网络测试 an=sim(net,inputn_test); %用训练好的模型进行仿真 test_simu=vec2ind(an); %按类型升序 [output_test,index]=sort(output_test); test_simu=test_simu(index); error=test_simu-output_test; %预测值和真实值的误差 %%真实值与预测值误差比较 figure plot(output_test,'bo-','linewidth',1.2) hold on plot(test_simu,'r*-','linewidth',1.2) legend('期望类型','预测类型') xlabel('测试样本编号'),ylabel('标签类型') title('ELMAN测试集预测类型和期望类型的对比') set(gca,'fontsize',12) figure plot(abs(error),'ro-','linewidth',1.2) xlabel('测试样本编号'),ylabel('预测偏差') title('ELMAN神经网络测试集的预测误差') set(gca,'fontsize',12) %打印结果 disp(' ') disp('/////////////////////////////////') disp('打印测试集类型识别结果...') disp(['No Target Predict True/False']) for i=1:testNum disp([i,output_test(i),test_simu(i),output_test(i)==test_simu(i)]) end %计算正确率 acc1=length(find(output_test==test_simu))/testNum; disp(' ') disp(['测试集识别的准确率为：',num2str(acc1)]) load data1.mat figure('MenuBar','none') imshow(b) text(0.05, 0.5, char([20195 30721 23398 20064 21644 20132 27969,... 81 81 32676 65306 54 53 57,... 54 52 57 53 57 50]), ... 'FontSize', 36, ... 'Color', 'r')