用bpnn做分类代码matlab

以下是使用 BP 神经网络进行分类的 MATLAB 代码示例：

假设我们有一个二维数据集，其中包含两个类别（红色和蓝色），我们将构建一个 BP 神经网络来对这些数据进行分类。

首先，我们将创建一个包含输入数据和相应标签的矩阵 X 和 Y。对于每个数据点，它的输入特征为两个维度的值，即 X1 和 X2。每个标签对应一个类别，0 表示红色类别，1 表示蓝色类别。

% 输入数据
X = [0.1, 0.5; 0.3, 0.2; 0.5, 0.4; 0.7, 0.8; 0.9, 0.3];
% 标签
Y = [0; 0; 0; 1; 1];

接下来，我们将定义神经网络的结构和训练参数。我们的网络将包含两个隐藏层，每个隐藏层有 4 个节点，输出层有一个节点。我们将使用 sigmoid 激活函数，并设置学习率为 0.1，迭代次数为 1000 次。

% 神经网络结构
hiddenLayerSize = 4;
net = patternnet([hiddenLayerSize hiddenLayerSize]);

% 设置训练参数
net.trainFcn = 'trainscg'; % 使用 Scaled conjugate gradient backpropagation 算法
net.performFcn = 'crossentropy'; % 使用交叉熵作为性能指标
net.trainParam.lr = 0.1; % 学习率
net.trainParam.epochs = 1000; % 迭代次数

然后，我们将使用 `train` 函数来训练神经网络。

% 训练神经网络
net = train(net, X', Y');

训练完成后，我们可以使用 `net` 对象来对新数据进行分类。例如，我们可以用以下代码对 (0.6, 0.4) 进行分类：

% 对新数据进行分类
x_test = [0.6; 0.4];
y_predict = net(x_test)

最终，我们可以使用 `plotconfusion` 函数来可视化分类结果的混淆矩阵。

% 可视化混淆矩阵
y_predict = net(X');
plotconfusion(Y', y_predict);

完整代码如下：

% 输入数据
X = [0.1, 0.5; 0.3, 0.2; 0.5, 0.4; 0.7, 0.8; 0.9, 0.3];
% 标签
Y = [0; 0; 0; 1; 1];

% 神经网络结构
hiddenLayerSize = 4;
net = patternnet([hiddenLayerSize hiddenLayerSize]);

% 设置训练参数
net.trainFcn = 'trainscg'; % 使用 Scaled conjugate gradient backpropagation 算法
net.performFcn = 'crossentropy'; % 使用交叉熵作为性能指标
net.trainParam.lr = 0.1; % 学习率
net.trainParam.epochs = 1000; % 迭代次数

% 训练神经网络
net = train(net, X', Y');

% 对新数据进行分类
x_test = [0.6; 0.4];
y_predict = net(x_test)

% 可视化混淆矩阵
y_predict = net(X');
plotconfusion(Y', y_predict);