function label = class2label(class)
% 將class轉為label
% 例如將[3,2,1,1]轉換為[0,0,1;0,1,0;1,0,0;1,0,0]
% 輸入：
% class 為類別數據，一維數據
% 輸出：
% label 為多維矩陣，一行為一個標籤，共n行，即n個標籤
% 示例：label = class2label([3,2,1,1])

function class = label2class(label)
% 將label轉為class
% 例如將[0,0,1;0,1,0;1,0,0;1,0,0]轉換為[3,2,1,1]
% 輸入：
% label 為多維矩陣，一行為一個標籤，共n行，即n個標籤（一定要注意輸入的label的維度正確）
% 輸出：
% class 為分類結果，行向量，一維數據
% 示例：class = label2class([0,0,1;0,1,0;1,0,0;1,0,0])

% 2.初始化神經網路
hiddenSizes = 120;                   %隱藏層數
net = patternnet(hiddenSizes);       %初始化模式識別神經網路
view(net)                            %查看神經網路結構

% 3.訓練神經網路
net = train(net,TRAIN_images',TRAIN_labels'); %訓練網路

% 4.使用測試集進行分類
testLen = 10000;                            %測試集長度
val = sim(net,TEST_images');                %計算測試集分類結果
classes = vec2ind(val);                     %將分類結果轉換為class
r = sum(classes == label2class(TEST_labels'))/(testLen);  %計算正確率
disp(['模式識別的正確率為',num2str(r)])                   %列印結果

net.layers{1}.transferFcn = 'logsig';  %將激活函數改為sigmod
net.trainFcn = 'traincgf';             %將訓練函數換為traincgf

function [net,r] = fastPatternnet(dTrain,dTrainLabel,dTest,dTestLabel,hiddenSizes,auto,set)
% 快速模式識別（分類）神經網路，可以自主設定訓練集比例，並得到測試集分類正確率
% 輸入：
% dTrain：神經網路輸入的訓練集，R*Q的矩陣，R為特徵維度，Q為批次數，輸入該變數時一定要注意行列方向是否正確
% dTrainLabel：神經網路的標籤值，U*Q的矩陣，U為標籤種類數，Q為批次數，輸入該變數時一定要注意行列方向是否正確
% dTest：神經網路輸入的測試集，R*Q的矩陣，R為特徵維度，Q為批次數，輸入該變數時一定要注意行列方向是否正確
% dTestLabel：神經網路輸入的測試集，R*Q的矩陣，R為特徵維度，Q為批次數，輸入該變數時一定要注意行列方向是否正確
% hiddenSizes：神經網路隱藏層數
% auto：是否進行自動糾錯，'on'為是，否則為否。開啟自動糾錯後會智慧調整訓練、測試集的行列方向。
% set：網路的額外設置，具體設置見：神經網路「分類」工具使用手冊 | 工具箱文檔
% 輸出：
% net：訓練完成的神經網路
% r：使用測試集得到的模式識別正確率，1對應100%正確