MATLAB神经网络(1)之R练习
MATLAB神经网络(1)之R练习
将在MATLAB神经网络中学到的知识用R进行适当地重构,再写一遍,一方面可以加深理解和记忆,另一方面练习R,比较R和MATLAB的不同。
如要在R中使用之前的数据,应首先在MATLAB中用writetable函数将原本的由mat文件读入的数据写到csv文件中,以备R读入。
writetable(T,filename) writes to a file with the name and extension specified by filename.
writetable determines the file format based on the specified extension. The extension must be one of the following:
- .txt, .dat, or .csv for delimited text files
- .xls, .xlsm, or .xlsx for Excel® spreadsheet files
- .xlsb for Excel spreadsheet files supported on systems with Excel for Windows® See doc writetable.
writetable(table(c1),"data1.csv");
writetable(table(c2),"data2.csv");
writetable(table(c3),"data3.csv");
writetable(table(c4),"data4.csv");
这里我们使用R中十分经典的鸢尾花数据集iris(在dplyr包中)。
library(dplyr)
## Warning: package 'dplyr' was built under R version 3.5.3
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
dim(iris)
## [1] 150 5
str(iris)
## 'data.frame': 150 obs. of 5 variables:
## Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
可以看到该数据集共有150组数据,4个自变量,1个因变量(factor),鸢尾花有3类。
sort: sort a vector or factor (partially) into ascending or descending order.
order: returns a permutation which rearranges its first argument into ascending or descending order, breaking ties by further arguments.
k<-rnorm()
n<-order(k)
input<-iris[,1:]
output1<-iris[,]
output1<-as.integer(output1)
output<-matrix(,,)
output<-as.data.frame(output)
#把输出从1维变成3维
for(i in
1:)
{
if(output1[i]==)
output[i,]=
else
if(output1[i]==)
output[i,]=
else
output[i,]=
}
input_train=input[n[1:],]
output_train=output[n[1:],]
input_test=input[n[121:],]
input_test=input[n[121:],]
me<-apply(input_train,,mean)
va<-apply(input_train,,var)
me
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## 5.875000 3.030000 3.849167 1.239167
va
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## 0.6707983 0.1876639 3.0223522 0.5622346
#输入数据归一化
inputn<-scale(input_train)
下面进行神经网络初始化。
结构4-5-3
innum<-
midnum<-
outnum<-
#权值初始化
w1<-matrix(rnorm(innum*midnum),midnum,innum)
b1<-rnorm(midnum)
w2<-matrix(rnorm(outnum*midnum),midnum,outnum)
b2<-rnorm(outnum)
#学习率
xite<-0.1
loopNumber<-
I<-rep(,midnum)
Iout<-rep(,midnum)
FI<-rep(,midnum)
dw1<-matrix(,innum,midnum)
db1<-rep(,midnum)
神经网络训练
E<-rep(,loopNumber)
for(ii in
1:loopNumber)
{
for(i in
1:)
{
x=inputn[i,]
for(j in
1:midnum)
{
I[j]<-sum(inputn[i,]*w1[j,])+b1[j]
Iout[j]<-1/(1+exp(-I[j]))
}
yn<-t(w2)%*%Iout+b2
e<-output_train[i,]-yn
E[ii]<-E[ii]+sum(abs(e))
dw2<-t(e)%*%Iout
db2<-e
for(j in
1:midnum)
{
S<-1/(1+exp(-I[j]));
FI[j]<-S*(1-S);
}
for(k in
1:innum)
{
for(j in
1:midnum)
{
dw1[k,j]<-FI[j]*x[k]*sum(e*w2[j,])
db1[j]<-FI[j]*sum(e*w2[j,])
}
}
w1<-w1+xite*t(dw1)
b1<-b1+xite*t(db1)
w2<-w2+xite*t(dw2)
b2<-b2+xite*t(db2)
}
}
分类预测
inputn_test<-input_test
for(i in
1:)
{
inputn_test[i,]<-(input_test[i,]-me)/va^0.5
}
fore=matrix(,,);
for(i in
1:)
{
for(j in
1:midnum)
{
I[j]=sum(inputn_test[i,]*w1[j,])+b1[j]
I<-unlist(I)
Iout[j]=1/(1+exp(-I[j]))
}
fore[,i]=t(w2)%*%Iout+b2
}
结果分析
output_fore=rep(,)
for(i in
1:)
{
output_fore[i]<-which.max(fore[,i])
}
error=output_fore-output1[n[121:]]
t<-table(output_fore,output1[n[121:]])
t
##
## output_fore 1 2 3
## 1 13 0 0
## 2 0 9 0
## 3 0 0 8
#正确率
options(digits=)
rightridio<-(t[,]+t[,]+t[,])/
result<-paste("正确率是 ",round(rightridio*,digits=),"%")
result
## [1] "正确率是 100 %"
MATLAB神经网络(1)之R练习的更多相关文章
- 12.Matlab神经网络工具箱
概述: 1 人工神经网络介绍 2 人工神经元 3 MATLAB神经网络工具箱 4 感知器神经网络 5 感知器神经网络 5.1 设计实例分析 clear all; close all; P=[ ; ]; ...
- MATLAB神经网络原理与实例精解视频教程
教程内容:<MATLAB神经网络原理与实例精解>随书附带源程序.rar9.随机神经网络.rar8.反馈神经网络.rar7.自组织竞争神经网络.rar6.径向基函数网络.rar5.BP神经网 ...
- 《精通Matlab神经网络》例10-16的新写法
<精通Matlab神经网络>书中示例10-16,在创建BP网络时,原来的写法是: net = newff(minmax(alphabet),[S1 S2],{'logsig' 'logsi ...
- Matlab神经网络
1. <MATLAB神经网络原理与实例精解> 2. B站:https://search.bilibili.com/all?keyword=matlab&from_source=na ...
- 使用opencv-python实现MATLAB的fspecial('Gaussian', [r, c], sigma)
reference_opencv实现高斯核 reference_MATLAB_fspecial函数说明 # MATLAB H = fspecial('Gaussian', [r, c], sigma) ...
- MATLAB神经网络(2)之R练习
1. AMORE 1.1 newff newff(n.neurons, learning.rate.global, momentum.global, error.criterium, Stao, hi ...
- Matlab神经网络工具箱学习之一
1.神经网络设计的流程 2.神经网络设计四个层次 3.神经网络模型 4.神经网络结构 5.创建神经网络对象 6.配置神经网络的输入输出 7.理解神经网络工具箱的数据结构 8.神经网络训练 1.神经网络 ...
- matlab神经网络工具箱创建神经网络
为了看懂师兄的文章中使用的方法,研究了一下神经网络 昨天花了一天的时间查怎么写程序,但是费了半天劲,不能运行,百度知道里倒是有一个,可以运行的,先贴着做标本 % 生成训练样本集 clear all; ...
- Matlab神经网络验证码识别
本文,将会简述如何利用Matlab的强大功能,调用神经网络处理验证码的识别问题. 预备知识,Matlab基础编程,神经网络基础. 可以先看下: Matlab基础视频教程 Matlab经典教程--从 ...
随机推荐
- 会议信息|CNKI|AIAA|万方|AIP|CNKI|EI|CPCI|BP|INSPEC
会议论文: 学术文献的三大支柱是期刊.专利和学位论文.会议论文是新的所以发文章快,灰色的,有些只有摘要,所以不容易获取. 有以下二次文献数据库,仅有摘要: CPCI BP:生物医学类 INSPEC在W ...
- springboot学习笔记:2.搭建你的第一个springboot应用
1.开发环境 (推荐):jdk1.8+Maven(3.2+)+Intellij IDEA+windows10; 说明: jdk:springboot官方说的很明确,到目前版本的springboot(1 ...
- Range Sum Query - Immutable(easy)
1.这道题目与pat中的1046. Shortest Distance (20)相类似: 2.使用一个数组dp[i],记录0到第i个数的和 3.求i到j之间的和时,输出dp[j]-dp[i]+num[ ...
- cs231n spring 2017 lecture7 Training Neural Networks II
1. 优化: 1.1 随机梯度下降法(Stochasitc Gradient Decent, SGD)的问题: 1)对于condition number(Hessian矩阵最大和最小的奇异值的比值)很 ...
- [LC] 142. Linked List Cycle II
Given a linked list, return the node where the cycle begins. If there is no cycle, return null. To r ...
- springboot项目实现jar包外配置文件管理
背景 为实现快速搭建和开发,项目以Springboot框架搭建,springboot搭建的项目可以将项目直接打成jar包并运行,无需自己安装配置Tomcat或者其他服务器,是一种方便快捷的部署方式. ...
- REVIT 卸载工具,完美彻底卸载清除干净revit各种残留注册表和文件
一些同学安装revit出错了,也有时候想重新安装revit的时候会出现这种本电脑windows系统已安装revit,你要是不留意直接安装,只会安装revit的附件,revit是不会安装上的.这种原因呢 ...
- java 实体类中日期格式转换
@JsonFormat(locale="zh", timezone="GMT+8", pattern="yyyy-MM-dd HH:mm:ss&quo ...
- JavaScript常见排序算法
1.冒泡排序 function bubble_sort(arr) { if (arr.length <= 1) { return arr; } var len = arr.length; for ...
- PyGame学习笔记之壹
新建窗口 代码 '''PyGame学习笔记之壹''' import pygame # 引入 PyGame 库 pygame.init() # PyGame 库初始化 screen = pygame.d ...