几个要说明的函数接口: [Y,PS] = mapminmax(X) [Y,PS] = mapminmax(X,FP) Y = mapminmax('apply',X,PS) X = mapminmax('reverse',Y,PS) 用实例来讲解,测试数据 x1 = [1 2 4], x2 = [5 2 3]; >> [y,ps] = mapminmax(x1) y =    -1.0000   -0.3333    1.0000 ps =        name: 'mapminmax'  

premnmx() is obselete. Use MAPMINMAX instead. >> x1=[1 2 4] >> [y,ps]=mapminmax(x1); 得到: >> y y = -1.0000 -0.3333 1.0000 >> ps ps = name: 'mapminmax' xrows: 1 xmax: 4 xmin: 1 xrange: 3 yrows: 1 ymax: 1 ymin: -1 yrange: 2 no_change:

============外一篇 有关mapminmax的用法详解 by faruto==================================转自:http://www.ilovematlab.cn/thread-47224-1-1.html几个要说明的函数接口:[Y,PS] = mapminmax(X)[Y,PS] = mapminmax(X,FP)Y = mapminmax('apply',X,PS)X = mapminmax('reverse',Y,PS) 用实例来讲解,测试数据

一.mapminmax Process matrices by mapping row minimum and maximum values to [-1 1] 意思是将矩阵的每一行处理成[-1,1]区间,此时对于模式识别或者其他统计学来说,数据应该是每一列是一个样本,每一行是多个样本的同一维,即对于一个M*N的矩阵来说,样本的维度是M,样本数目是N,一共N列N个样本. 其主要调用形式有: 1. [Y,PS] = mapminmax(X,YMIN,YMAX)     % 将矩阵的每一行压缩到 [

原因: 低版本7.0中没有mapminmax这个函数,对应的归一化函数是premnmx和postmnmx,具体请查看着两个函数的用法升级到2009就肯定可以正常使用这个函数了 解释: premnmx.tramnmx.postmnmx.mapminmaxpremnmx函数用于将网络的输入数据或输出数据进行归一化,归一化后的数据将分布在[-1,1]区间内.premnmx语句的语法格式是:[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T),其中P,T分别为原始输入和输出数

一.mapminmax 意思是将矩阵的每一行处理成[-1,1]区间,此时对于模式识别或者其他统计学来说,数据应该是每一列是一个样本,每一行是多个样本的同一维,即对于一个M*N的矩阵来说,样本的维度是M,样本的个数是N,一共N个样本. 其主要调用方式有: 1.[Y, PS] = mapminmax(X, Ymin, Ymax) 2.[Y, PS] = mapminmax(X, FP) 3.Y =

Matlab神经网络工具箱中提供了两个自带的数据标准化处理的函数——mapstd和mapminmax,本文试图解析一下这两个函数的用法. 一.mapstd mapstd对应我们数学建模中常使用的Z-Score标准化方法. What is Z-Score?(摘自Orange_Spotty_Cat的CSDN博客,原文链接https://blog.csdn.net/Orange_Spotty_Cat/article/details/80312154) 简介 Z-Score标准化是数据处理的一种常用方法

%% [Input]:s_train(输入样本数据,行数为样本数,列为维数):s_group(训练样本类别):s_sample(待判别数据)%% [Output]:Cla(预测类别) function Cla = fun_panbie(s_train,s_group,s_sample,index )switch index case 1%Classify %[s_train,~]=mapminmax(s_train);%标准化处理 %[s_sample,~]=mapminmax(s_sample

<精通Matlab神经网络>书中示例10-16,在创建BP网络时,原来的写法是: net = newff(minmax(alphabet),[S1 S2],{'logsig' 'logsig'},'traingdx'); 因为运行过程中有提示,自然想改成新写法(参考之前的随笔<MATLAB神经网络函数NEWFF()新旧用法差异>): net = newff(alphabet, targets, S1, {'logsig', 'logsig'}, 'traingdx'); net.d

由于需要在一个Android项目中使用神经网络,而经过测试发现几个Github上开源项目的训练效果就是不如Matlab的工具箱好,所以就想在Android上使用Matlab神经网络代码(可是...) 这个问题大概处理了两天,原本预计5个小时的... 过程遇到了诸多一手坑以及看到相关资料的对新手不友好,所以就把过程记录下来希望能给后来者一些帮助 这个教程从0开始讲如何在Android App中使用Matlab的神经网络代码 整个过程大概可以分成这么几步: 首先你要在Matlab中写一个完整的神经网

1.神经网络设计的流程 2.神经网络设计四个层次 3.神经网络模型 4.神经网络结构 5.创建神经网络对象 6.配置神经网络的输入输出 7.理解神经网络工具箱的数据结构 8.神经网络训练 1.神经网络设计的流程 神经网络设计可以分为七个步骤: a. 采集数据 b. 创建网络 c. 配置网络参数 d. 初始化权重和偏置 e. 训练神经网络 f. 验证网络 g. 使用网络 2.神经网络设计四个层次 这里的层次主要只Matlab的神经网络工具箱和相关命令 a. 第一层是“Getting Started

libSVM 参数选择  [预测标签,准确率,决策值]=svmpredict(测试标签,测试数据,训练的模型);    原文参考:http://blog.csdn.net/carson2005/article/details/6539192 关于SVM参数c&g选取的总结帖[matlab-libsvm]:http://www.ilovematlab.cn/thread-47819-1-1.html  原文见下方 需要提醒的是,libSVM支持多类分类问题,当有k个待分类问题时,libSVM构建k

close allclear allclcload x.txt; load y.txt; inputs = x';targets = y; % 创建一个模式识别网络(两层BP网络),同时给出中间层神经元的个数,这里使用20hiddenLayerSize = 20;net = patternnet(hiddenLayerSize); % 对数据进行预处理,这里使用了归一化函数(一般不用修改)% For a list of all processing functions type: help nn

以前接触过libsvm,现在算在实际的应用中学习 LIBSVM 使用的一般步骤是: 1)按照LIBSVM软件包所要求的格式准备数据集: 2)对数据进行简单的缩放操作: 3)首要考虑选用RBF 核函数: 4)采用交叉验证选择最佳参数C与g : 5)采用最佳参数C与g 对整个训练集进行训练获取支持向量机模型: 6)利用获取的模型进行测试与预测. 参数认识 LIBSVM使用的数据格式该软件使用的训练数据和检验数据文件格式如下: [label] [index1]:[value1] [index2]:[v

iris数据集的中文名是安德森鸢尾花卉数据集,英文全称是Anderson’s Iris data set.iris包含150个样本,对应数据集的每行数据.每行数据包含每个样本的四个特征和样本的类别信息,所以iris数据集是一个150行5列的二维表.通俗地说,iris数据集是用来给花做分类的数据集,每个样本包含了花萼长度.花萼宽度.花瓣长度.花瓣宽度四个特征(前4列),我们需要建立一个分类器,分类器可以通过样本的四个特征来判断样本属于山鸢尾.变色鸢尾还是维吉尼亚鸢尾(这三个名词都是花的品种). 数

人工神经网络概述: 人工神经元模型: 神经网络的分类: 按照连接方式,可以分为:前向神经网络 vs. 反馈(递归)神经网络: 按照学习方式,可以分为:有导师学习神经网络 vs. 无导师学习神经网络: 按照实现功能,可以分为:拟合(回归)神经网络 vs. 分类神经网络. 数据归一化:将数据映射到[0, 1]或[-1, 1]区间或其他的区间. 数据归一化的原因: 1.输入数据的单位不一样,有些数据的范围可能特别大,导致的结果是神经网络收敛慢.训练时间长.2.数据范围大的输入在模式分类中的作用可能会偏

%ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu load spectra_data.mat temp = randperm(size(NIR,1)); P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)'; P_test = NIR(temp(51:end),:)'; T_test = octane(temp(51:end),:)'; N = size(P_test,2); [Pn_tra

load concrete_data.mat n = randperm(size(attributes,2)); p_train = attributes(:,n(1:80))'; t_train = strength(:,n(1:80))'; p_test = attributes(:,n(81:end))'; t_test = strength(:,n(81:end))'; [pn_train,inputps] = mapminmax(p_train'); pn_train = pn_tra

load BreastTissue_data.mat n = randperm(size(matrix,1)); train_matrix = matrix(n(1:80),:); train_label = label(n(1:80),:); test_matrix = matrix(n(81:end),:); test_label = label(n(81:end),:); [Train_matrix,PS] = mapminmax(train_matrix'); Train_matrix

load water_data.mat attributes = mapminmax(attributes); P_train = attributes(:,1:35); T_train = classes(:,1:35); P_test = attributes(:,36:end); T_test = classes(:,36:end); net = newc(minmax(P_train),4,0.01,0.01); w=net.iw{1,1}; b=net.b{1} net.trainPa