神经网络算法.pptVIP

第30页，共79页，星期日，2025年，2月5日第31页，共79页，星期日，2025年，2月5日第32页，共79页，星期日，2025年，2月5日第33页，共79页，星期日，2025年，2月5日第34页，共79页，星期日，2025年，2月5日初始化加输入和期望输出计算隐层和输出层的输出迭代次数加1调节输出层和隐层的连接权值改变训练样板训练样终止？迭代终止？BP算法的基本流程NoNoyy第35页，共79页，星期日，2025年，2月5日BP网络模式识别一、由于神经网络具有自学习、自组织和并行处理等特征，并具有很强的容错能力和联想能力，因此，神经网络具有模式识别能力。在神经网络识别中，根据标准的输入输出模式对，采用神经网络学习算法，以标准的模式作为学习样本进行训练，通过学习调整神经网络的连接权值。当训练满足要求后，得到知识库，利用神经网络并行推理算法便可对所需的输入模式进行识别。第36页，共79页，星期日，2025年，2月5日BP网络的训练过程为了训练一个BP网络，需要计算网络加权输入矢量以及网络输出和误差矢量，然后求得误差平方和。当所训练矢量的误差平方和小于误差目标，训练则停止，否则在输出层计算误差变化，且采用反向传播学习规则来调整权值，并重复此过程。当网络完成训练后，对网络输入一个不是训练集合中的矢量，网络将给出输出结果。第37页，共79页，星期日，2025年，2月5日为了能够较好地掌握BP网络的训练过程，我们再用两层网络为例来叙述BP网络的训练步骤。1)用小的随机数对每一层的权值W初始化，以保证网络不被大的加权输入饱和；2)计算网络各层输出矢量A1和A2以及网络误差E第38页，共79页，星期日，2025年，2月5日3)计算各层反传的误差变化并计算各层权值的修正值以及新权值4)再次计算权值修正后误差平方和：5)检查误差是否小于给定误差，若是，训练结束；否则继续。第39页，共79页，星期日，2025年，2月5日以上所有的学习规则与训练的全过程，仍然可以用函数trainbp.m来完成。它的使用同样只需要定义有关参数：显示间隔次数，最大循环次数，目标误差，以及学习速率，而调用后返回训练后权值，循环总数和最终误差：TP＝[disp_freqmax_epocherr_goal1r]；[W，B，epochs，errors]＝trainbp(W，B，’F’，P，T，TP)；第40页，共79页，星期日，2025年，2月5日基于BP算法的多层前馈网络用图像压缩编码Ackley和Hinton等人1985年提出了利用多层前馈神经网络的模式变换能力实现数据编码的基本思想。其原理是，把一组输入模式通过少量的隐层节点映射到一组输出模式，并使输出模式等同于输入模式。当中间隐层的节点数比输入模式维数少时，就意味着隐层能更有效的表现输入模式，并把这种表现传给输出层。在这个过程中，输入层和隐层的变换可以看成是压缩编码的过程；而隐层和输出层的变换可以看成是解码过程。第41页，共79页，星期日，2025年，2月5日用多层前馈网实现图像数据压缩时，只需一个隐层，如图原图像nn重建图像nn第42页，共79页，星期日，2025年，2月5日输入层和输出层均含有n*n个神经元，每个神经元对应于n*n图像分块中的一个像素。隐层神经元的数量由图像压缩比决定，如n=16时，取隐层神经元数为m=8，则可将256像素的图像块压缩为８像素。通过调整权值使训练集图像的重建误差达到最小。训练后的网络就可以用来执行图像的数据压缩任务了，此时隐层输出向量便是数据压缩结果，而输出层的输出向量便是图像重建的结果。第43页，共79页，星期日，2025年，2月5日黑白图像的边缘检测：第44页，共79页，星期日，2025年，2月5日分析BP网络结构特点：1.BP网络具有一层或多层隐含层，与其他网络模型除了结构不同外，主要差别表现在激活函数上。BP网络的设计第45页，共79页，星期日，2025年，2月5日2.BP网络的激活函数必须是处处可微的，所以它就不能采用二值型的阀值函数{0，1}或符号函数{—1，1}，BP网络经常使用的是S型的对数或正切激活函数和线性函数。第46页，共79页，星期日，2025年，2月5日3.只有当希望对网络的输出进行限制，如限制在0和1之间，那么在输出层应当包含S型激活函数，在一般情况下，均是在隐含层采用S型激活函数，而输出层采用线性激活函数。第47页，共79页，星期日，202