clear?
clc
f=fopen（‘iris.data‘）;
Iris=textscan（f‘%f%f%f%f%s‘‘delimiter‘‘‘）;
fclose（f）;
[~n]=size（Iris）;
for?i=1:n-1
????data（:i）=Iris{1i};
end
[mn]=size（data）;
for?i=1:m
????if?strcmp（Iris{15}{i1}‘Iris-setosa‘）
????????data（i5:7）=[1?0?0];
????elseif??strcmp（Iris{15}{i1}?‘Iris-versicolor‘）
????????data（i5:7）=[0?1?0];
????else?
????????data（i5:7）=[0?0?1];
????end
end
%數據歸一化處理[01]區間內
x_max=max（data）;
x_min=min（data）;
data=（data-ones（m1）*x_min）./（ones（m1）*（x_max-x_min））;
%?這里可用函數data=mapminmax（data01）替換
%但data需要轉置因為mapminmax只能對行進行歸一化
%%
%劃分訓練樣本和測試樣本?大約2/3用作訓練，1/3用作測試
num=round（m/3/3）;
for?i=1:3
????temp=data（1+50*（i-1）:50*i:）;
????sel=randperm（50num）;
????test（1+num*（i-1）:num*i:）=temp（sel1:4）;
????test_label（1+num*（i-1）:num*i:）=temp（sel5:7）;
????temp（sel:）=[];
????train（1+（50-num）*（i-1）:（50-num）*i:）=temp（:1:4）;
????train_label（1+（50-num）*（i-1）:（50-num）*i:）=temp（:5:7）;
end
%%
[mn]=size（train）;
alpha=4;%輸入神經元數目
beta=8;%隱層神經元數目
lamda=3;%輸出神經元數目
rng（‘shuffle‘）
W1=rand（alphabeta）;%輸入層和隱層之間的權值矩陣
W2=rand（betalamda）;%隱層和輸出層間的權值矩陣
B1=rand（1beta）;%隱層閾值矩陣
B2=rand（1lamda）;%輸出層閾值矩陣
B22=B2;
W11=W1;
Eta=1;%學習率
iter_max=10000;%最大迭代次數
iter=1;
%BP神經網絡，每次僅針對一個訓練樣例更新連接權和閾值
while?iter<=iter_max
???for?i=1:m
????hidden_in=train（i:）*W1;%隱層輸入
????hidden_out=sigmod（hidden_in-B1）;%隱層輸出
????output_in=hidden_out*W2;%輸出層輸入
????output_out=sigmod（output_in-B2）;%輸出層輸出
????%計算誤差
????E（i）=sum（（output_out-train_label（i:））.^2）;%求平方和可用sumsqr函數
????%%
????%更新參數BP神經網絡中最核心的部分
???g=output_out.*（1-output_out）.*（train_label（i:）-output_out）;%計算輸出層神經元的梯度項
???e=hidden_out.*（1-hidden_out）.*（g*W2‘）;%計算隱層神經元的梯度項
???Deta_W2=Eta*hidden_out‘*g;
???Deta_B2=-Eta*g;
???Deta_W1=Eta*train（i:）‘*e;
???Deta_B1=-Eta*e;
???W1=W1+Deta_W1;
???W2=W2+Deta_W2;
???B1=B1+Deta_B1;
???B2=B2+Deta_B2;
???end
%計算訓練集的累積誤差
E=mean（E）;
if?E<1e-4??%目標誤差
????iter
????break
end
if?mod（iter1000）==0
???????iter
end
???iter=iter+1;%更新迭代次數
end
%%
%測試
[resultaccuracy]=BP_test（testtest_labelW1W2B1B2）;
disp（‘結果為：‘）
result‘
disp（strcat（‘準確率為‘num2str（accuracy*100）‘%‘））
function?[resultaccuracy]=BP_test（testtest_labelW1W2B1B2）
%返回分類的結果
%accuracy準確率
Hidden_in=test*W1;%隱層輸入
Hidden_out=sigmod（Hidden_in-B1）;%隱層輸出
Output_in=Hidden_out*W2;%輸入層輸入
Output_out=sigmod（Output_in-B2）;
[~result]=max（Output_out[]2）;
[~index2]=max（test_label[]2）;
right=sum（result==index2）;%統計分類正確的個數
total=size（test1）;%總個數
accuracy=right/total;
end
%sigmod函數在matlab里是logsig函數
function?[Y]=sigmod（X）
Y=1./（1+exp（-1）.^X）;
end
????????

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件????????2909??2019-08-12?23:37??neural_networks\BP_networks.m
?????文件????????4551??2019-08-04?13:24??neural_networks\iris.data
?????文件?????1133510??2019-08-12?22:55??neural_networks\周志華-機器學習-101.jpg
?????文件??????632486??2019-08-12?22:56??neural_networks\周志華-機器學習-102.jpg
?????文件??????467382??2019-08-12?22:56??neural_networks\周志華-機器學習-103.jpg
?????文件??????839981??2019-08-12?22:56??neural_networks\周志華-機器學習-104.jpg
?????目錄???????????0??2019-08-12?23:40??neural_networks\