眾做周知，BP神經網路是最常用的一種神經網路。
本文主要講解%實現對玫瑰的識別%案例。
關於神經網路的介紹與BP的詳解，論壇裡鋪天蓋地，不在此贅述。

一.BP簡述

簡要概括一下：

• 一個輸入層、一個隱層、一個輸出層的神經網路足以應付大部分訓練
• BP的主要特點:訊號前向傳播，誤差反向傳播
• 激勵函式為取Sigmoid函式
• 大體流程：資料預處理、初始化網路、計算隱層輸出、得出輸出層輸出、計算誤差、更新連線權值、檢查迭代、模擬

二. 訓練過程（以識別玫瑰為例）

1. 提取紅玫瑰(1)、粉玫瑰(2)、藍玫瑰(3)的外形（appearance），花瓣大小（petal），氣味（taste），綻放程度（bloom）整理成資料（英語隨便整的不要介意
   ），見下圖
2. 歸一化資料、構造輸出矩陣、建立神經網路、設定引數、啟動訓練、反歸一化、模擬
3. 其中最大迭代次數300、期望誤差0.01、學習效率0.01
4. 輸出識別率：96.00%
   
   迭代150次之後時基本穩定，結果很可觀

clc
clear

%讀取資料
[f1,f2,f3,f4,class] = textread('rose.txt' , '%f%f%f%f%f',150);

%歸一化
[input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;


s = length( class ) ;
output = zeros( s , 3  ) ;
for i
 
 = 1 : s 
   output( i , class( i )  ) = 1 ;
end

%建立網路
net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ; 

%設定訓練引數
net.trainparam.show = 50 ;
net.trainparam.epochs = 300;
net.trainparam.goal = 0.01 ;
net.trainParam.lr = 0.01 ;

 net = train( net, input , output' ) ;
[t1 t2 t3 t4 c]
 
 = textread('testData.txt' , '%f%f%f%f%f',150);

testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;


Y = sim( net , testInput ) 


[s1 , s2] = size( Y ) ;
hitNum = 0 ;
for i = 1 : s2
    [m , Index] = max( Y( : ,  i ) ) ;
    if( Index  == c(i)   ) 
        hitNum = hitNum + 1 ; 
    end
end
sprintf('識別率是 %3.3f%%',100 * hitNum / s2 )