BP神经网络方法问题请教大神。

naimei

%-----BP神经网络方法—
%思路：将iris数据分为三类，训练数据和测试数据，用dividevec函数随机抽取，因此实验结果是不定的，最好情况是100%
clear all;  
close all;
# M1 |$ f$ r+ C9 bclc;
%% -------数据处理模块------------------
data=xlsread('iris.xlsx'); %此处的数据已经做了相应处理，因此xlsread 直接导入数据
* v( J1 y; o: Idata1 = data(:,1:7);   %data1指的是属性值
) p1 K4 H6 }. z7 s  mdata2 = data(:,end);    %data2指的是分类
1 R6 ~0 ]/ F7 odata2 = double(dec2bin(data2))-48;   %函数名称：dec2bin 函数功能：把一个十进制数转换成一个字符串形式表示的二进制数。
data = [data1,data2];  %处理后数据
, Z$ @- @: E" v: |9 Z[trainV,valV,testV] = dividevec(data1',data2',0.0,0.3) %将数据分为训练和测试两类，没有变量数据valV，因此所占百分比是0
%dividevec()函数在 7.6 版本还可以使用,是把数据进行打乱，并分类为：训练输入数据、变量数据、测试数据的方法。0.5为测试数据百分比
# O7 ]: ^7 y6 X  ^" J%% -----------------数据归一化处理----------
[input1,ps] = mapminmax(trainV.P,-1,1);  %由于mapminmax是按行归一化，行表示属性 列表样本个数
# }. X  e/ E1 |3 B[input2,ps] = mapminmax(testV.P,-1,1);
%% -----------------构造输出矩阵----------
- A+ N" W3 s: g: t$ ?output1 = trainV.T;
output2 = testV.T;
) _" ^- _2 t( D
%% -----  建立网络--------------
' o4 k* s# }/ Znet = newff(input1,output1, [10 3]); %[10,3]表示有两层隐层，第一层隐层节点为10，第二层隐层节点为3
( e4 n4 x$ V, u7 w9 ]%设置训练参数
net.trainParam.epochs=800;  %训练次数
net.trainParam.goal=0.005;  %网络性能目标
9 }% w3 v8 M7 L# I* j" t8 bnet.trainParam.show=NaN;  % 两次显示之间的训练次数,NaN表示不显示，默认是25.该参数的设置对程序没有影响。
+ N4 B/ f0 [/ rnet.trainParam.lr=0.01; %学习训练速度
: d# N9 m* }! s4 P) q- `/ p% j
%% -----  训练网络 --------------
net = train(net,input1,output1);
%% ----- 仿真网络 --------------
2 ?2 u* C7 T- f2 D8 s( x6 `output_fact = sim(net,input2);  %注意sim仿真网络直接输出的并不是整数形式，而是很贴近整数的小数形式，因此要做相应的变化
/ X; R) a2 J; c) g& Y+ moutput_fact(output_fact>=0.5) = 1;
) R! O3 E# ]5 `* \- Q* Woutput_fact(output_fact<0.5) = 0;
N = length(testV.P);
output_class = sum(output_fact.*[ones(1,N)*2;ones(1,N)*1],1);
output2 = sum(output2.*[ones(1,N)*2;ones(1,N)*1],1);
correct_rate = sum(output_class == output2)/N;
sprintf('识别率是 %3.3f%%',correct_rate*100);
7 l; J5 e, U# _# j
$ v  S+ O9 f$ I& I3 V& `( t6 \问题描述：

, W+ V5 R! B- m1 T$ j  H上图为BP神经网络结构图，上述代码是想将数据分为3类，我想将这儿的输出层2个节点改为3个节点，该怎么修改？请教大神，非常感谢！

mnfvbnk

神经网络太难了，我们用的都是i简单的功能