利用神经网络分类的MATLAB代码

在MATLAB中，利用神经网络进行分类通常需要使用其内置的工具箱，如Neural Network Toolbox。这里是一个基本的例子，展示如何训练一个简单的前馈神经网络进行分类：

% 导入所需的库
addpath('toolbox')

% 加载数据集（例如使用MNIST）
data = load('mnist');
images = data.images;
labels = data.labels; % 类别标签

% 数据预处理
images = im2double(images); % 转换为双精度
images = images ./ 255; % 归一化

% 创建神经网络
layers = [
    imageInputLayer([28 28 1]) % 输入层，对应图像尺寸
    fullyConnectedLayer(10) % 全连接层，对应10个类别
    softmaxLayer % 输出层，用于多分类
    classificationLayer]; % 分类层

% 设置训练选项
options = trainingOptions('adam', ... % 使用Adam优化器
    'MaxEpochs', 10, ... % 迭代次数
    'MiniBatchSize', 128, ... % 批大小
    'ValidationData', [validationImages validationLabels], ... % 验证集
    'Verbose', false, ... % 显示详细信息
    'Plots', 'training-progress'); % 绘制训练进度曲线

% 训练网络
net = trainNetwork(images, labels, layers, options);

% 测试分类
testImages = ... % 加载测试集图片
predictedLabels = classify(net, testImages);

请注意，这个例子假定你已经有了一个数据集，并且已经将其拆分为训练集和验证集。实际操作中，你需要根据具体的任务调整网络结构、训练参数等。