花萼长度样本包含150组数据，选择90组作为训练样本，60组作为测试样本。输入数据为[花萼长度花萼宽度花瓣长度花瓣宽度]，输出数据为花的品种的类别。BP神经网络3.训练参数选择：net.trainParam.show=50;%显示训练结果的间隔步数net.trainParam.epochs=1000;%最大训练次数net.trainParam.goal=0.001;%训练目标误差net.trainParam.lr=0.01;%学习系数net=train(net,pn,t);%开始训练4.仿真并绘制结果：a=sim(net,pn_test);a=round(a);%四舍五入取整figure(1)plot(a,':or')holdonplot(t_test,'-*');legend(‘预测类别‘,’实际类别’)title(‘BP网络预测输出')ylabel(‘类别')xlabel(‘样本’)%预测误差error=a-t_test;figure(3)plot(error,'-*')title(‘BP网络预测误差')ylabel(‘误差')xlabel(‘样本')figure(3)count=0;%误分类次数holdon;fori=1:60%预测与实际类别都为1ifa(i)<1.5ift(i)<1.5plot(p(1,i),p(4,i),‘ro’);elseplot(p(1,i),p(4,i),'r*');count=count+1;End%预测与实际类别都为3elseifa(i)>2.5ift_test(i)>2.58图中红色为第一类，蓝色为第二类，绿色为第三类。结果显示有一个数据分类错误，分类正确率为98.33%。出现分类错误的原因可能是训练的样本太少，或者是隐层节点数选择不合适，接下来在经验值范围内改变隐层节点数，观察分类结果。当隐层节点数为9时，分类正确率为100%。RBF神经网络图中红色为第一类，蓝色为第二类，绿色为第三类。结果显示有一个数据分类错误，分类正确率为98.33%。通过上述实验可看出BP神经网络和RBF神经网络都能通过学习和训练以任意精度逼近任何非线性函数。由上图可看出：RBF算法在训练过程中比BP算法学习速度快。1.BP神经网络和RBF神经网络都能通过训练学习，以任意精度逼近任意非线性函数。2.神经网络隐含层的节点个数能影响网络输出结果的精度。3.RBF算法比BP算法学习速度快，需要训练的时间短。