newpnn123.m

一些个人编的简单的神经网络分类程序

% Example 4.17
%  
close all
clear  
echo on
%NEWPNN--设计概率神经网络
%SIM--对概率神经网络进行仿真
pause
clc
% P是样本数据, T是表示样本类别的下表矩阵
P=[0.045944	0.747493	50	132	25;
0.046046	0.711557	48	128	25;
0.08173  	0.68346	    52	140	21;
0.082555	0.6374	    55	123	35;
0.084004	0.631702	49	133	22;
0.087354	0.616644	47	136	19;
0.095381	0.651734	44	135	19;
0.095659	0.60998	    55	128	31;
0.100592	0.716875	46	134	21;
0.100935	0.635564	49	126	25;
0.107242	0.687501	46	137	19;
0.108723	0.747803	51	126	27;
0.115426	0.613659	51	132	23;
0.139901	0.625839	53	128	27;
0.13994	    0.710996	52	127	27;
0.140628	0.637043	51	133	24;
0.146325	0.668597	46	120	22;
0.158149	0.671154	48	137	18;
0.163861	0.614643	49	130	25;
0.166258	0.70304	    52	124	29;
0.167306	0.613489	41	129	20;
0.168378	0.684271	46	142	11;
0.168729	0.688597	51	120	30;
0.179279	0.669971	51	127	26;
0.180623	0.670455	57	121	35;
0.181126	0.748018	45	127	24;
0.182716	0.66321	    54	129	28;
0.183726	0.724409	51	122	27;
0.187427	0.663299	60	120	40;
0.189249	0.626364	40	134	16;
0.190661	0.700496	56	122	35;
0.191064	0.665166	55	121	32;
0.193042	0.615626	54	128	26;
0.197937	0.703901	59	117	39;
0.21958	    0.657199	45	127	19;
0.228197	0.602149	51	122	29;
0.229696	0.705227	49	125	23;
0.229787	0.609343	69	115	50;
0.229862	0.698031	54	128	28;
0.233464	0.604842	50	122	24;
0.24728	    0.662842	60	126	35;
0.247681	0.640493	50	125	27;
0.257716	0.64472	    57	116	38;
0.257867	0.62718	    55	128	30;
0.298029	0.696841	51	128	23;
0.263845	0.650707	53	110	35;
0.282479	0.694267	55	112	33;
0.289766	0.711182	66	114	48;
0.307919	0.679598	53	128	25;
0.317342	0.66241	    54	125	28;
0.330788	0.703353	61	114	42;
0.337541	0.671603	61	114	42;
0.340552	0.702968	68	116	49;
0.353275	0.668799	58	119	37;
0.360047	0.610812	68	118	48;
0.384076	0.661419	65	124	38;
0.421782	0.581644	69	113	52;
0.467994	0.697068	70	102	57;
0.516167	0.679341	66	106	53;
0.682365	0.689378	76	104	62];
P=P';
T1=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4];
% 将下标矩阵变为单值矢量组作为网络的目标输出
T=ind2vec(T1);
pause
clc
%  设计概率神经网络
sp=0.1; %扩展常数 
net=newpnn(P,T,sp);
pause
clc
%  对网络进行仿真，并绘出分类结果
Y=sim(net,P);
Y1=vec2ind(Y)
pause
clc
%  对一组新的数据进行分类
P1=[0.066234	0.689408	48	127	26;
    0.083842	0.757696	56	121	32;
    0.105174	0.728099	49	133	20;
    0.122074	0.746441	50	130	21;
    0.158311	0.680492	53	123	30;
    0.180407	0.688421	49	123	23;
    0.185972	0.703303	57	120	37;
    0.215235	0.636928	45	135	18;
    0.239029	0.55057	    57	117	36;
    0.273018	0.630673	53	128	27;
    0.315791	0.59555	    63	116	43;
    0.338166	0.652907	70	115	52;
    0.365555	0.563343	60	123	35;
    0.451971	0.722542	68	102	55;
    0.547838	0.699141	67	104	53]';
Y=sim(net,P1);
Y1=vec2ind(Y)
echo off
pause 
clc