BP神经网络模式识别例子matlab

BP（Back Propagation，反向传播）神经网络是一种常用的深度学习模型，在Matlab中可以用于各种模式识别任务，如图像分类、时间序列预测等。下面是一个简单的BP神经网络应用于手写数字识别的例子：

1. **准备工作**：
- 安装并配置Matlab的Neural Network Toolbox。
- 导入MNIST数据集，这是常用的手写数字样本库。

load('mnist.mat'); % 加载MNIST数据

2. **预处理数据**：
- 归一化图像像素值。
- 将图像转换成适合神经网络输入的格式，通常是将其展平成一维向量，并将标签编码为类别向量。

X = double(X') / 255; % 归一化
Y = categorical(Y); % 转换为类别向量
[numObservations, numFeatures] = size(X);

3. **构建神经网络结构**：
- 设定隐藏层节点数和输出层节点数。
- 创建一个feedforwardnet结构，设置训练选项和学习率。

hiddenNodes = 64; % 隐藏层节点数
net = feedforwardnet(hiddenNodes);
net.trainFcn = 'trainlm'; % 使用Levenberg-Marquardt算法训练
learningRate = 0.001; % 学习率

4. **训练网络**：
- 分割数据为训练集和验证集。
- 使用`train`函数训练网络。

cvpartition = cvpartition(numObservations,'HoldOut',0.1); % 划分交叉验证
idxTrain = training(cvpartition);
net = train(net,X(idxTrain,:), Y(idxTrain,:)); % 训练

5. **评估性能**：
- 使用`sim`函数对测试集进行预测，并计算准确率。

idxTest = test(cvpartition);
YPred = net.predict(X(idxTest,:));
accuracy = sum(YPred == Y(idxTest)) / numel(Y(idxTest));
disp(['Accuracy on test set: ', num2str(accuracy)]);