基于RBF神经网络的鸢尾花分类器

资 源 简 介

本项目是利用MATLAB神经网络工具箱实现的径向基函数（RBF）神经网络分类示例，专门用于处理并在科学计算环境下解决典型的IRIS鸢尾花三分类问题。 系统首先载入包含150个样本的四维特征数据（花萼长度、花萼宽度、花瓣长度、花瓣宽度），并对类别标签进行必要的逻辑转换或独热编码预处理，以适配神经网络的输出层结构。 在构建模型阶段，本项目核心采用了MATLAB及其配套工具箱中的newrb自适应构建函数，该算法能够根据设定的均方误差目标，通过迭代过程自动向隐层添加神经元，直至网络性能达到预设指标。 这种方法巧妙

详 情 说 明

基于RBF神经网络的IRIS鸢尾花分类系统

项目介绍

本项目实现了一个基于径向基函数（RBF）神经网络的分类器，专门用于解决经典的IRIS鸢尾花数据集分类问题。IRIS数据集包含了3类索引（Setosa, Versicolor, Virginica），每类有50个样本，共150个样本。每个样本具有4个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。本项目通过构建自适应RBF网络，实现了从4维特征到3个类别属性的非线性映射，能够精确地对未知样本进行类别预测。

功能特性

• 数据自动预处理：实现了从原始字符串标签到独热编码（One-Hot Encoding）的逻辑转换，使其适应神经网络的多输出层结构。
• 自适应网络构建：利用自动增量学习算法，根据设定的均方误差目标动态增加隐层神经元，避免了手动设置隐层节点数的盲目性。
• 特征工程支持：集成了数据标准化处理，通过量化映射提高数值计算的稳定性。
• 全方位性能评估：提供训练集与测试集的分类准确率统计，并利用多种可视化手段直观展示分类效果。
• 交互式可视化：包括实际值与预测值的对比图、预测误差分布图、混淆矩阵以及原始特征的空间分布图。

系统逻辑与实现步骤

1. 数据载入与编码：载入MATLAB内置的鸢尾花测量数据，并遍历类别名，将三种花种分别转换为[1;0;0]、[0;1;0]和[0;0;1]的独热编码形式。
2. 训练/测试集划分：采用随机排列索引的方式，按照80%用于训练、20%用于测试的比例抽样，确保模型的泛化能力评估具有客观性。
3. 特征归一化：使用映射算法将输入特征缩放到[-1, 1]区间，消除不同物理量纲对模型训练的影响。
4. 神经网络构建与训练：配置RBF网络的关键参数，包括均方误差目标（0.001）、分布常数（1.0）和最大神经元数量（50）。算法从零个神经元开始，通过迭代不断添加径向基神经元直至满足误差目标。
5. 预测与后处理：将网络输出的连续向量通过最大值索引识别法还原为离散的类别标签（1、2或3）。
6. 性能计算：对比预测标签与真实标签，计算并输出精确的识别百分比。

关键函数与算法分析

• newrb (Radial Basis Network Design)：这是本系统的核心函数。不同于传统的BP神经网络，RBF网络在训练时会自动向隐含层添加神经元。在每一轮迭代中，它会寻找能够最大限度降低误差的输入向量并将其设为新的RBF中心，直到达到预设的MSE目标或最大神经元数限制。
• mapminmax：用于数据规范化，使训练过程收敛更快，防止数值过大的特征主导权值更新。
• plotconfusion：生成混淆矩阵，直观展示模型在各类别上的分类精度以及误报率、漏报率。
• gscatter：用于在二维空间展示不同类别的特征点分布，利用散点图验证数据的可分性。

系统要求

• MATLAB R2016b 或更高版本。
• Deep Learning Toolbox（原 Neural Network Toolbox）。

使用方法

1. 确保安装了MATLAB及其配套的神经网络工具箱。
2. 在MATLAB编辑器中打开代码脚本。
3. 直接运行脚本，MATLAB将自动完成数据处理、模型训练以及结果绘图。
4. 观察命令行窗口输出的训练集和测试集准确率。
5. 查看生成的四个可视化窗口：

- 比较测试集预测值与真实值的趋势。 - 观察预测误差的离散分布。 - 分析混淆矩阵以获取详细的分类性能指标。 - 观察特征分布散点图以了解原始数据的聚类情况。