Matlab实现BP与PNN神经网络分类实战

1. 神经网络数据分类实战：从BP到PNN的Matlab实现

在工业故障诊断和数据分析领域，神经网络一直是分类预测的利器。今天我要分享的是经过多年实战验证的三种神经网络实现方案：标准BP神经网络、遗传算法优化的BP网络（GA-BP）以及概率神经网络（PNN）。这些代码可以直接套用在你的数据集上，无论是鸢尾花分类还是机械故障信号识别都能快速上手。

先说说BP神经网络，这个1986年就问世的老将至今仍是入门首选。它的核心优势在于结构简单、可解释性强，特别适合特征维度不超过50的中小规模数据集。但在实际应用中我们会发现两个痛点：一是手动调参效率低，二是容易陷入局部最优解。后文会给出我的解决方案——用遗传算法自动优化网络参数。

2. BP神经网络基础实现

2.1 网络结构与数据准备

先来看最基础的BP网络实现，这段代码已经处理好了数据归一化、网络初始化等繁琐环节：

matlab复制% 导入鸢尾花数据集（替换成你的数据矩阵）
load iris_dataset;
inputs = irisInputs;  % 4×150特征矩阵
targets = irisTargets; % 3×150独热编码标签

% 网络结构配置（输入层节点自适应）
net = feedforwardnet([10 6]);  % 双隐藏层结构
net.divideParam.trainRatio = 0.7; % 训练集比例
net.divideParam.valRatio = 0.15;  % 验证集比例  
net.trainParam.epochs = 500;  % 设置最大迭代次数

这里有几个关键点需要注意：

1. 输入层节点数不需要手动设置，Matlab会根据inputs的维度自动确定
2. [10 6]定义的是隐藏层结构，第一个数字代表第一隐藏层神经元数量
3. 验证集比例建议设置在10%-20%之间，用于早停防止过拟合

经验分享：对于故障诊断场景，第一隐藏层节点数通常取输入特征数的1.2-1.5倍。比如振动信号有20个特征时，建议设置为24-30个节点。

2.2 训练与结果可视化

训练完成后，我们需要评估模型性能：

matlab复制% 训练与预测
[net,tr] = train(net,inputs,ta