matlab 神经元网络分类器设计.doc

模式识别作业总结报告作业题目： 神经元网络分类器设计 学 院： 专 业： 班 级： 指导教师： 目 录目 录1作业题目：2分析问题2解决问题2仿真结果4心得体会5附录：源程序代码5作业题目：神经元网络分类器设计分析问题：1. 已知160个样本，8个特征，4个类别。2. 利用神经元网络进行特征的选择与提取。解决问题：1. 神经元网络分类器的原理：bp神经元网络按有教师学习方法方式进行训练，当一对学习模式提供给网络后，其神经元的激活将从输入层经各中间层向输出层传播，在输出层的神经元输出与输入模式的网络对应。然后，按减少希望输出与实现输出误差的原则，从输出层经各中间层、最后回到输入层逐层修正各连接权。2. 神经元网络分类器设计算法：bp算法的基本思想是：整个网络的学习由输入信号的正向传播和误差的逆向传播两个过程组成。正向传播过程是指样本信号由输入层输入，经过网络的权重、阈值和神经元转移数的作用后，从输出层输出。如果输出值与期望值之间的误差大于规定量，则进行修正，转入误差反传播阶段，即误差通过隐含层向输入层逐层返回，并将误差按“梯度下降”原则“分摊”给各层神经，从而获得各层神经元的误差信号，作为修改权重的依据。以上两个过程是反复多次进行的。权重不断修改的过程，也就是网络的训练过程。此循环一直进行到网络的输出误差减小到允许值或到达设定的训练次数为止。3. 实验步骤1) bp网络的学习过程 输入模式顺传播 输入模式逆传播 循环记忆训练 学习结果判别2) bp网络设计 考虑网络的层数 设计输入层和输出层 隐含层数和层内结点数的选择4. 流程图开始连接权及阈值初始化学习模式对提供给网络计算中间层各单元的输入、输出计算输出层各单元的输入、输出计算输出层各单元的校正误差计算中间层个单元的校正误差调整中间层至输出层之间的连接权及中间层各单元的输出阈值更新学习输入模式全部模式训练完更新学习次数误差或学习次数学习结束否否仿真结果：程序运行结果如下图所示：心得体会：这次的题目有点难，刚开始做的时候感觉无从下手，上网查询资料，看书，通过各种渠道，了解了神经元网络分类器的一些算法和原理，开始动手做，在同学的帮助和自己的努力下，完成了这次的作业。这次作业完成的不是很容易，但让我掌握了更多模式识别的知识，和matlab的应用。为以后的工作打下了基础，以后一定更努力的学习。附录：源程序代码clear;train1=xlsread(homework05.xls,sheet1,b2:i121); %训练样本train_class=xlsread(homework05.xls,sheet1,j2:j121); %训练样本类型test=xlsread(homework05.xls,sheet1,b122:i161); %测试样本test_class=xlsread(homework05.xls,sheet1,j122:j161);%测试样本原来的类型class=train_class;%训练样本类型，由于下面函数特征数在列，而所给的数据在行，故转置p=train1; %训练样本数据，转置原因同理p_test=test; %测试样本数据，转置原因同理t1=test_class; %测试样本类型，转置原因同理，计算误差用s=length(class);t=zeros(s,4);for i = 1 : s t(i,class(i) = 1;endt=t; pn,minp,maxp,tn,mint,maxt = premnmx(p,t); %训练样本归一化-11p2= tramnmx(p_test,minp,maxp); %测试样本归一化%创建网络参数，可以根据自己要求修改net=newff(minmax(pn),8,6,4,tansig,tansig,purelin,traingdm,learngdm,mse);net.trainparam.show=50;net.trainparam.mc=0.9;net.trainparam.lr=0.05;net.trainparam.epochs=1000;net.trainparam.goal=0.01;net=init(net); %网络初始化net,tr=train(net,pn,tn); %训练网络pn=sim(net,p2); %网络仿真t2= postmnmx(pn,mint,maxt); %反归一化s1,s2=size(t2);%结果概率hitnum=0;for i=1: s2 m,index =max(t2(:,i); class_sort(i,:)=index; if(index=t1(i) hitnum=hitnum+1; endendprecision=正确率,hitnum/length(t1);figure(1);m2=length(class_sort);x=1:1:m2;plot(x,class_sort,r*,x,t1,bo);set(gca,xtick,0:1:40); set(gca,ytick,1:1:4); xlabel(测试样本序号);ylabel(样本所属类别);title(o为真实值，*为预测值);xlswrite(c:re