matlab使用神经网络实现分类功能

实验步骤：通过load进俩个数据集，手动打标签，混合后按三七比例分训练集和测试集，训练集上训练出神经网络模型后，在测试集上验证，计算错误率。

load('C:\Users\Administrator\Desktop\rc')%加载数据
load('C:\Users\Administrator\Desktop\rc_1')
[IMFaa_g,minI,maxI] = premnmx(IMFaa) %归一化
IMFaa_label=[IMFaa_g,zeros(length(IMFaa_g),1)] %加标签

[IMFaa1_g,minI,maxI] = premnmx(IMFaa1) 
IMFaa1_label =[IMFaa1_g,ones(length(IMFaa1_g),1)]

rc=[IMFaa_label;IMFaa1_label]
randIndex =randperm(length(rc))
rc_new =rc(randIndex,:)%随机化矩阵

[Train, Test] = crossvalind('HoldOut',length(rc_new), 0.3)%切分矩阵，三分测试集
rc_train=rc_new(Train,:)%训练集
rc_test=rc_new(Test,:)%测试集

train_output=rc_train(:,end)%训练集的标签
train_input=rc_train(:,1:end-1)%x训练集的特征
test_input=rc_test(:,1:end-1)%测试集的特征
test_Y=rc_test(:,end)%x测试集的标签


%训练神经网络
net=newff(minmax(train_input'),[5,1],{'tansig','purelin'},'traingdm'); 
net.trainParam.epochs=1000;
net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;
[net,tr]=train(net,train_input',train_output')
Y=sim(net,test_input')

%计算神经网络错误率
test_Y(find(test_Y>0.5))=1%通过逻辑矩阵赋值1给大于0.5的位置
test_Y(find(test_Y<=0.5))=0
Y(find(Y>0.5))=1
Y(find(Y<=0.5))=0
C=test_Y-Y'%俩矩阵相减，不一样的位置为1或-1
error=sum(abs(C))/length(C)%取绝对值求和得到错误样本数，除以测试样本数得到错误率