源程序.rar_PNN+PCA_pca_pca-bp_pnn_神经网络BP

%% 清空环境变量 clc clear %% 训练数据预测数据提取及归一化 %下载五类叶片特征参数 load shu1 h1 %女贞 load shu2 h2 %银杏 load shu3 h3 %五角枫 load shu4 h4 %杨树 load shu5 h5 %石楠 %五个特征参数矩阵合成一个矩阵 data(1:30,:)=h1(1:30,:); data(31:60,:)=h2(1:30,:); data(61:90,:)=h3(1:30,:); data(91:120,:)=h4(1:30,:); data(121:150,:)=h5(1:30,:); %% 测试数据预测数据提取及归一化 load cece1 g1 %女贞 load cece2 g2 %银杏 load cece3 g3 %五角枫 load cece4 g4 %杨树 load cece5 g5 %石楠 %五个特征参数矩阵合成一个矩阵 test(1:12,:)=g1(1:12,:); test(13:24,:)=g2(1:12,:); test(25:36,:)=g3(1:12,:); test(37:48,:)=g4(1:12,:); test(49:60,:)=g5(1:12,:); %训练输入输出数据 input=data(:,2:16); output1=data(:,1); %测试输入输出数据 shuru=test(:,2:16); shuchu1=test(:,1); %把训练结果的输出从1维变成5维 for i=1:150 switch output1(i) case 1 output(i,:)=[1 0 0 0 0]; case 2 output(i,:)=[0 1 0 0 0]; case 3 output(i,:)=[0 0 1 0 0]; case 4 output(i,:)=[0 0 0 1 0]; case 5 output(i,:)=[0 0 0 0 1]; end end %把测试结果的输出从1维变成5维 for i=1:60 switch shuchu1(i) case 1 shuchu(i,:)=[1 0 0 0 0]; case 2 shuchu(i,:)=[0 1 0 0 0]; case 3 shuchu(i,:)=[0 0 1 0 0]; case 4 shuchu(i,:)=[0 0 0 1 0]; case 5 shuchu(i,:)=[0 0 0 0 1]; end end ww=rand(1,150); [m,n]=sort(ww); s=rand(1,60); [p,q]=sort(s); input_train=input(n(1:150),:)'; output_train=output(n(1:150),:)'; input_test=shuru(q(1:60),:)'; output_test=shuchu(q(1:60),:)'; %% 输入数据归一化 [inputn,inputps]=mapminmax(input_train); %% 网络结构初始化 innum=15; midnum=9; outnum=5; %% 权值阈值初始化 w1=rands(midnum,innum); b1=rands(midnum,1); w2=rands(midnum,outnum); b2=rands(outnum,1); w2_1=w2;w2_2=w2_1; w1_1=w1;w1_2=w1_1; b1_1=b1;b1_2=b1_1; b2_1=b2;b2_2=b2_1; %% 学习率 xite=0.01; alfa=0.2; %% 在训练中根据网络预测误差调整网络的权值和阈值 for ii=1:500 %%训练次数 E(ii)=0; % 训练误差 for i=1:1:150 %% 选择本次训练数据 x=inputn(:,i); % 隐含层输出 for j=1:1:midnum I(j)=inputn(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j))); end % 输出层输出 yn=w2'*Iout'+b2; %预测误差 e=output_train(:,i)-yn; E(ii)=E(ii)+sum(abs(e)); %计算w2,b2调整量 dw2=e*Iout; db2=e'; %计算w1,b1调整量 for j=1:1:midnum S=1/(1+exp(-I(j))); FI(j)=S*(1-S); end for k=1:1:innum for j=1:1:midnum dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4)); db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4)); end end %权值阈值更新 w1=w1_1+xite*dw1'+alfa*(w1_1-w1_2); b1=b1_1+xite*db1'+alfa*(b1_1-b1_2); w2=w2_1+xite*dw2'+alfa*(w2_1-w2_2); b2=b2_1+xite*db2'+alfa*(b2_1-b2_2); w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; b1_2=b1_1;b1_1=b1; b2_2=b2_1;b2_1=b2; end end %% 测试输入数据归一化 inputn_test=mapminmax('apply',input_test,inputps); %% 网络预测 for i=1:60 for j=1:1:midnum I(j)=inputn_test(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j))); end %预测结果 fore(:,i)=w2'*Iout'+b2; end %% 类别统计 for i=1:60 output_fore(i)=find(fore(:,i)==max(fore(:,i))); switch output_fore(i) case 1 disp('女贞'); case 2 disp('银杏'); case 3 disp('五角枫'); case 4 disp('杨树'); case 5 disp('石楠'); end end %% 预测误差 error=output_fore-shuchu1(q(1:60))'; %% 画出预测叶片种类和实际叶片种类的分类图 figure(1) plot(output_fore,'rpentagram') hold on plot(shuchu1(q(1:60))','b.') legend('预测叶片类别','实际叶片类别') %% 画出误差图 figure(2) plot(error,'b-') title('BP网络分类误差','fontsize',12) xlabel('叶片种类','fontsize',12) ylabel('分类误差','fontsize',12) %% 找出判断错误的分类属于哪一类叶子 k=zeros(1,5); for i=1:60 if error(i)~=0 [b,c]=max(output_test(:,i)); switch c case 1 k(1)=k(1)+1; case 2 k(2)=k(2)+1; case 3 k(3)=k(3)+1; case 4 k(4)=k(4)+1; case 5 k(5)=k(5)+1; end end end %% 找出每类的个体和 kk=zeros(1,5); for i=1:60 [b,c]=max(output_test(:,i)); switch c case 1 kk(1)=kk(1)+1; case 2 kk(2)=kk(2)+1; case 3 kk(3)=kk(3)+1; case 4 kk(4)=kk(4)+1; case 5 kk(5)=kk(5)+1; end end %% 统计正确率 disp('每类叶片的识别率为：') rightridio=(kk-k)./kk %%总识别率 disp('叶片总识别率为：') percent=(kk-k)/kk k kk