如何在 Matlab newff 方法中设置输出大小

Question

总结： 我正在尝试根据身体部位之间的角度对一些图像进行分类。

我假设人体由 10 个部分组成（作为矩形），并找到每个部分的中心，并通过参考躯干计算每个部分的角度。 我有三个动作类别：手波-步行-跑步。 我的目标是找出哪些测试图像属于哪个动作类别。

事实： TrainSet：1057x10 特征集，1057 代表图像数量。 测试集：821x10

我希望我的输出是 3x1 矩阵，每行显示动作类别的分类百分比。 第1行：手波 第2行：步行 第 3 行：正在运行

代码：

actionCat='H';
[train_data_hw train_label_hw] = tugrul_traindata(TrainData,actionCat);
[test_data_hw test_label_hw] = tugrul_testdata(TestData,actionCat);


actionCat='W';
[train_data_w train_label_w] = tugrul_traindata(TrainData,actionCat);
[test_data_w test_label_w] = tugrul_testdata(TestData,actionCat);

actionCat='R';
[train_data_r train_label_r] = tugrul_traindata(TrainData,actionCat);
[test_data_r test_label_r] = tugrul_testdata(TestData,actionCat);

Train=[train_data_hw;train_data_w;train_data_r];
Test=[test_data_hw;test_data_w;test_data_r];

Target=eye(3,1);
net=newff(minmax(Train),[10 3],{'logsig' 'logsig'},'trainscg');
net.trainParam.perf='sse';
net.trainParam.epochs=50;
net.trainParam.goal=1e-5;
net=train(net,Train);

trainSize=size(Train,1);
testSize=size(Test,1);

if(trainSize > testSize)
pend=-1*ones(trainSize-testSize,size(Test,2));
Test=[Test;pend];
end


x=sim(net,Test);

问题： 我正在使用 Matlab newff 方法。但我的输出始终是 Nx10 矩阵而不是 3x1。 我的输入集应该分为 3 个类，但它们被分为 10 个类。

谢谢

Answer 1

%% Load data : I generated some random data instead
Train = rand(1057,10);
Test = rand(821,10);
TrainLabels = randi([1 3], [1057 1]);
TestLabels = randi([1 3], [821 1]);

trainSize = size(Train,1);
testSize = size(Test,1);

%% prepare the input/output vectors (1-of-N output encoding)
input = Train';               %'matrix of size numFeatures-by-numImages
output = zeros(3,trainSize);  % matrix of size numCategories-by-numImages
for i=1:trainSize
    output(TrainLabels(i), i) = 1;
end

%% create net: one hidden layer with 10 nodes (output layer size is infered: 3)
net = newff(input, output, 10, {'logsig' 'logsig'}, 'trainscg');
net.trainParam.perf = 'sse';
net.trainParam.epochs = 50;
net.trainParam.goal = 1e-5;
view(net)

%% training
net = init(net);                            % initialize
[net,tr] = train(net, input, output);       % train

%% performance (on Training data)
y = sim(net, input);                        % predict
%[err cm ind per] = confusion(output, y);

[maxVals predicted] = max(y);               % predicted
cm = confusionmat(predicted, TrainLabels);
acc = sum(diag(cm))/sum(cm(:));
fprintf('Accuracy = %.2f%%\n', 100*acc);
fprintf('Confusion Matrix:\n');
disp(cm)

%% Testing (on Test data)
y = sim(net, Test');

注意我如何将每个实例的类别标签 (1/2/3) 转换为 1 对 N 编码向量 ([100]: 1, [010]: 2, [001]: 3)

还请注意，当前未使用测试集，因为默认情况下，输入数据分为训练/测试/验证。您可以通过将net.divideFcn设置为divideind函数并设置相应的net.divideParam参数来实现手动除法。

我展示了对相同训练数据的测试，但您可以对测试数据执行相同的操作。