使用MATLAB的BP神经网络进行数据分类任务（简单版）

BP神经网络，即反向传播（Backpropagation）神经网络，是一种多层前馈神经网络，它通过反向传播算法来更新网络权重。这种网络结构特别适合于分类和回归任务。

MATLAB环境设置

在开始之前，请确保MATLAB环境已经设置好，并且安装了神经网络工具箱。

同时，写下基础代码：

% 清空环境变量并关闭警告消息
warning off;
clear;
clc;

数据导入与预处理

数据是机器学习的核心。在本例中，我们将从一个名为data.xlsx的Excel文件中导入数据。假设数据集中前5列是输入特征，第6列是输出标签。

% 划分训练集和测试集
% 使用随机排列来确保数据的随机性
indices = randperm(10);
% 取前10个数据作为训练集
P_train = data(indices(1:10), 1:5)';
T_train = data(indices(1:10), 6)';
% 计算训练集的大小
numTrainSamples = size(P_train, 2);

% 测试集使用相同的随机排列，确保训练集和测试集的一致性
P_test = data(indices(1:10), 1:5)';
T_test = data(indices(1:10), 6)';
% 计算测试集的大小
numTestSamples = size(P_test, 2);

接下来，我们需要划分数据为训练集和测试集，并对数据进行归一化处理以提高训练效率。

% 数据归一化处理
% 对训练集进行归一化，并保存归一化参数
[P_train_norm, normalizationParams] = mapminmax(P_train, 0, 1);
% 使用训练集的归一化参数对测试集进行归一化
P_test_norm = mapminmax('apply', P_test, normalizationParams);

% 将输出数据进行独热编码
T_train_encoded = ind2vec(T_train);
T_test_encoded = ind2vec(T_test);

建立BP神经网络模型

在MATLAB中，我们可以使用newff函数来快速建立一个BP神经网络模型。这个函数允许我们指定输入、输出和隐藏层的大小。

% 建立神经网络模型
% 使用新的前馈网络函数newff，输入为归一化后的训练集特征，输出为编码后的输出数据
net = newff(P_train_norm, T_train_encoded, [6 6 1]);

设置训练参数

在训练神经网络之前，我们需要设置一些训练参数，如迭代次数、目标训练误差和学习率。

% 设置训练参数
% 包括训练的迭代次数、训练误差目标和学习率
net.trainParam.epochs = 1000; % 迭代次数
net.trainParam.goal = 1e-6; % 目标训练误差
net.trainParam.lr = 0.01; % 学习率

训练神经网络

使用train函数对网络进行训练。这个过程可能需要一些时间，具体取决于数据集的大小和网络的复杂性。

% 开始训练
% 使用train函数对网络进行训练
net = train(net, P_train_norm, T_train_encoded);

测试与性能评价

训练完成后，我们使用测试集来评估模型的性能。我们还将计算训练集和测试集的准确率。

% 进行测试
% 使用sim函数对训练集和测试集进行模拟
T_train_sim = sim(net, P_train_norm);
T_test_sim = sim(net, P_test_norm);

% 反归一化处理
% 将模拟结果从独热编码转换回原始类别
T_train_decoded = vec2ind(T_train_sim);
T_test_decoded = vec2ind(T_test_sim);

% 性能评价
% 计算训练集和测试集的准确率
trainAccuracy = sum(T_train_decoded == T_train) / numTrainSamples * 100;
testAccuracy = sum(T_test_decoded == T_test) / numTestSamples * 100;

% 打印性能评价结果
fprintf('训练集准确率: %.2f%%\n', trainAccuracy);
fprintf('测试集准确率: %.2f%%\n', testAccuracy);

效果展示