clc

clear

%%数据导入

%data=importdata('A');  %A为数据格式，如cd.xlsx、cd.txt，其中cd为文件名，假设样本个数200，特征个数为30，200*31，第31列表示分类标签，这里分为0-3共4类

k=rand(1,200);         %生成样本个数的随机数，以200为例

[m,n]=sort(k);         %若k为二维矩阵，则sort（k）表示对每列进行升序排序,m为移动后矩阵，n为移动顺序。

%上两步的操作是为了生成随机数，之后按比例随机挑选样本；

%输入输出数据

input=data(:,1:30);

output=data(:,31);           %第21列为标签列

%随机抽取160个样本为训练样本，40个样本为预测样本

input_train=input(n(1:160),:)';  %行为样本列为特征点

label_train=output(n(1:160),:)';%类似于标签

input_test=input(n(161:200),:)';

label_test=output(n(161:200),:)';

%输入数据归一化处理

[inputn,inputps]=mapminmax(input_train);

%%BP网络训练

% %初始化网络结构

net=newff(inputn,label_train,13,{'tansig','purelin'});%隐含层节点数设置为13

net.trainParam.epochs=300;

net.trainParam.lr=0.1;

net.trainParam.goal=0.001;

%网络训练

net=train(net,inputn,label_train);

%%BP网络预测

%预测数据归一化

inputn_test=mapminmax('apply',input_test,inputps);

%net预测标签输出

y=sim(net,inputn_test);%y=sim(net,x);net表示已训练好的网络，x表示输入数据，y表示网络预测数据。表示用训练好的网络预测输出函数

%根据网络输出获得预测类别的种类

y(find(y<0.5))=0;

y(find(y>0.5&y<1.5))=1;

y(find(yt>1.5&y<2.5))=2;

y(find(y>2.5&y<3.5))=3

%制图_预测分类标签和实际分类标签对比图

figure(1)

plot(y,'og')

hold on

plot(label_test,'r*');

legend('预测标签','实际标签')

title('BP神经网络预测分类与实际类别比对','fontsize',12)

ylabel('类别标签','fontsize',12)

xlabel('样本数目','fontsize',12)

ylim([-0.5 3.5])

%精度评价

rightnumber=0;

for i=1:size(label_test,2)

    if BPoutput(i)==label_test(i)

        rightnumber=rightnumber+1;

    end

end

rightratio=rightnumber/size(label_test,2)*100;

sprintf('测试准确率=%0.2f',rightratio)