%% 清空环境变量

clc;

clear

close all

nntwarn off;

warning off;

%% 数据载入

load data

%% 选取训练数据和测试数据

Train=data(1:23,:);

Test=data(24:end,:);

p_train=Train(:,1:3)';

t_train=Train(:,4)';

p_test=Test(:,1:3)';

t_test=Test(:,4)';

%% 将期望类别转换为向量

t_train=ind2vec(t_train);

t_train_temp=Train(:,4)';

%% 使用newpnn函数建立PNN SPREAD选取为1.5

Spread=1.5;

net=newpnn(p_train,t_train,Spread);

%% 训练数据回代 查看网络的分类效果

% Sim函数进行网络预测

Y=sim(net,p_train);

% 将网络输出向量转换为指针

Yc=vec2ind(Y);

%% 通过作图 观察网络对训练数据分类效果

figure(1)

subplot(1,2,1)

stem(1:length(Yc),Yc,'bo')

hold on

stem(1:length(Yc),t_train_temp,'r*')

title('PNN 网络训练后的效果')

xlabel('样本编号')

ylabel('分类结果')

set(gca,'Ytick',1:5)

subplot(1,2,2)

H=Yc-t_train_temp;

stem(H)

title('PNN 网络训练后的误差图')

xlabel('样本编号')

%% 网络预测未知数据效果

Y2=sim(net,p_test);

Y2c=vec2ind(Y2);

figure(2)

stem(1:length(Y2c),Y2c,'b^')

hold on

stem(1:length(Y2c),t_test,'r*')

title('PNN 网络的预测效果')

xlabel('预测样本编号')

ylabel('分类结果')

set(gca,'Ytick',1:5)