BP神经网络数据分类matlab程序代码

%% 清空环境变量 clc clear

%% 训练数据预测数据提取及归一化

%下载四类语音信号 load data1 c1 load data2 c2 load data3 c3 load data4 c4

%四个特征信号矩阵合成一个矩阵 data(1:500,:)=c1(1:500,:); data(501:1000,:)=c2(1:500,:); data(1001:1500,:)=c3(1:500,:); data(1501:2000,:)=c4(1:500,:);

%从1到2000间随机排序 k=rand(1,2000); [m,n]=sort(k);

%输入输出数据 input=data(:,2:25);

output1 =data(:,1);

%把输出从1维变成4维 for i=1:2000

switch output1(i) case 1

output(i,:)=[1 0 0 0]; case 2

output(i,:)=[0 1 0 0]; case 3

output(i,:)=[0 0 1 0]; case 4

output(i,:)=[0 0 0 1]; end end

%随机提取1500个样本为训练样本，500个样本为预测样本

input_train=input(n(1:1500),:)'; output_train=output(n(1:1500),:)';

input_test=input(n(1501:2000),:)';

output_test=output(n(1501:2000),:)';

%输入数据归一化

[inputn,inputps]=mapminmax(input_

train);

%% 网络结构初始化 innum=24; midnum=25; outnum=4;

%权值初始化

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= alfa=;

%% 网络训练 for ii=1:10 E(ii)=0; for i=1:1:1500 %% 网络预测输出 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;

%% 权值阀值修正 %计算误差

e=output_train(:,i)-yn; E(ii)=E(ii)+sum(abs(e));

%计算权值变化率 dw2=e*Iout; db2=e';

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

w1=w1_1+xite*dw1'; b1=b1_1+xite*db1'; w2=w2_1+xite*dw2'; b2=b2_1+xite*db2'; 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

%% 语音特征信号分类

inputn_test=mapminmax('apply',input_test,inputps);

for ii=1:1

for i=1:500%1500 %隐含层输出 for j=1:1:midnum

I(j)=inputn_test(:,i)'*w1(j,:)'+b

1(j);

Iout(j)=1/(1+exp(-I(j))); end

fore(:,i)=w2'*Iout'+b2; end end

%% 结果分析

%根据网络输出找出数据属于哪类 for i=1:500

output_fore(i)=find(fore(:,i)==max(fore(:,i))); end

%BP网络预测误差

error=output_fore-output1(n(1501:2000))';

%画出预测语音种类和实际语音种类的分类图 figure(1)

plot(output_fore,'r') hold on

plot(output1(n(1501:2000))','b') legend('预测语音类别','实际语音类别')

%画出误差图 figure(2) plot(error)

title('BP网络分类误差','fontsize',12)

end

%找出每类的个体和 kk=zeros(1,4); for i=1:500

[b,c]=max(output_test(:,i)); xlabel('语音信号','fontsize',12)ylabel('分类误差','fontsize',12)

%print -dtiff -r600 1-4

k=zeros(1,4);

%找出判断错误的分类属于哪一类 for i=1:500 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; end end

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; end end %正确率

rightridio=(kk-k)./kk