以鸢尾花数据分类为例，编写程序，分别建立基于softmax、神经网络和支持向量机等方法建立多分类模型，涵盖完整的数据建模步骤，从混淆矩阵、准确率、召回率、精确率和ROC曲线等指标对比不同模型的分类性能。讨论神经网络不同隐含层个数和支持向量机参数（如核函数类型和惩罚系数等）对分类性能的影响，并绘制相应分类性能与参数变化影响的曲线

可以的，以下是以鸢尾花数据分类为例的程序示例，包括基于softmax、神经网络和支持向量机的多分类模型建立以及性能指标的对比。程序使用Python编写，使用sklearn库进行模型建立和性能评估。

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.neural_network import MLPClassifier
from sklearn.svm import SVC
from sklearn.metrics import confusion_matrix, accuracy_score, recall_score, precision_score, roc_curve, auc
import matplotlib.pyplot as plt

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 基于softmax的多分类模型（逻辑回归）
softmax_model = LogisticRegression(multi_class='multinomial', solver='lbfgs')
softmax_model.fit(X_train_scaled, y_train)
softmax_pred = softmax_model.predict(X_test_scaled)

# 神经网络模型
mlp_model = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000)
mlp_model.fit(X_train_scaled, y_train)
mlp_pred = mlp_model.predict(X_test_scaled)

# 支持向量机模型
svm_model = SVC(kernel='rbf', C=1.0)
svm_model.fit(X_train_scaled, y_train)
svm_pred = svm_model.predict(X_test_scaled)

# 混淆矩阵
softmax_cm = confusion_matrix(y_test, softmax_pred)
mlp_cm = confusion_matrix(y_test, mlp_pred)
svm_cm = confusion_matrix(y_test, svm_pred)

# 准确率
softmax_accuracy = accuracy_score(y_test, softmax_pred)
mlp_accuracy = accuracy_score(y_test, mlp_pred)
svm_accuracy = accuracy_score(y_test, svm_pred)

# 召回率
softmax_recall = recall_score(y_test, softmax_pred, average='weighted')
mlp_recall = recall_score(y_test, mlp_pred, average='weighted')
svm_recall = recall_score(y_test, svm_pred, average='weighted')

# 精确率
softmax_precision = precision_score(y_test, softmax_pred, average='weighted')
mlp_precision = precision_score(y_test, mlp_pred, average='weighted')
svm_precision = precision_score(y_test, svm_pred, average='weighted')

# ROC曲线
softmax_probs = softmax_model.predict_proba(X_test_scaled)
mlp_probs = mlp_model.predict_proba(X_test_scaled)
svm_probs = svm_model.decision_function(X_test_scaled)

softmax_fpr, softmax_tpr, _ = roc_curve(y_test, softmax_probs[:, 1], pos_label=2)
mlp_fpr, mlp_tpr, _ = roc_curve(y_test, mlp_probs[:, 1], pos_label=2)
svm_fpr, svm_tpr, _ = roc_curve(y_test, svm_probs, pos_label=2)

softmax_auc = auc(softmax_fpr, softmax_tpr)
mlp_auc = auc(mlp_fpr, mlp_tpr)
svm_auc = auc(svm_fpr, svm_tpr)

# 绘制ROC曲线
plt.figure()
plt.plot(softmax_fpr, softmax_tpr, label='Softmax (AUC = %0.2f)' % softmax_auc)
plt.plot(mlp_fpr, mlp_tpr, label='MLP (AUC = %0.2f)' % mlp_auc)
plt.plot(svm_fpr, svm_tpr, label='SVM (AUC = %0.2f)' % svm_auc)
plt.plot([0, 1], [0, 1], 'k--')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend(loc='lower right')
plt.show()

上述代码中，首先加载鸢尾花数据集，并将数据集划分为训练集和测试集。然后使用StandardScaler对特征进行标准化处理。接下来，分别建立基于softmax的多分类模型（逻辑回归）、神经网络模型和支持向量机模型，并在测试集上进行预测。

之后计算混淆矩阵、准确率、召回率、精确率等性能指标。最后，计算并绘制各个模型的ROC曲线，并计算曲线下的面积（AUC）。

你提到了讨论神经网络不同隐含层个数和支持向量机参数对分类性能的影响，可以通过调整神经网络的hidden_layer_sizes参数和支持向量机的核函数类型（kernel）和惩罚系数（C）来实现。可以在程序中修改这些参数，并观察性能指标的变化，进而绘制相应分类性能与参数变化的曲线。