pnn设计ppt课件.pptx

基于PNN的数据分类器设计 1 目录 概率神经网络简介基于PNN网络的聚类Matlab程序介绍及仿真结果结论 2 一 概率神经网络 概率神经网络 ProbabilisticNeuralNetwork PNN 是D F Specht博士在1989年首先提出的 它是径向基函数 RadialBasisFunction RBF 模型发展而来的一种前馈型神经网络 与传统的RBF不同 PNN是专门用于解决分类问题的人工神经网络 其理论依据是贝叶斯最小风险准则 即Bayes决策理论 PNN将贝叶斯估计置于一个前馈神经网络中 其实质就是一个分类器 根据概率密度的无参数估计来进行Bayes决策从而得到分类结果 在分类和模式识别领域中被广泛应用 3 网络模型 未知模式与标准模式间的相似度 求和估计各类的概率P X Ci 选出具有最大后验概率的类别 4 网络模型 输入层的传递函数是线性的 仅仅将输入样本完全不变的传递给模式层的各节点 模式层与输入层之间通过连接权相连 进行加权求和 通过一个非线性算子运算后 传递给求和层 求和层只是简单地将有对应样本中同一类的模式层传来的输入 属于某类的概率 进行累加 即得到输入样本属于该类的最大可能性 第四层是竞争层 它接收从求和层输出的各类概率密函数 概率密度最大的那个神经元输出为1 即所对应的那一类即为待识别的样本模式类别 其他神经元的输出全为2 3 4 5 PNN网络的优点 训练速度快 其训练时间仅仅略大于读取数据的时间 无论分类问题多么复杂 只要有足够训练样本 总可以保证获得贝叶斯准则下的最优解 允许增加或减少训练样本而无需重新进行长时间训练 6 二 基于PNN网络的聚类设计 聚类步骤第一步 采集数据第二步 构建并训练网络 第三步 对网络进行测试 第四步 利用已经训练好的网络进行预测 7 三 Matlab程序介绍及仿真结果 程序流程图 8 Matlab中的主要代码 PNN工具箱函数及仿真函数介绍P p1 p2 p3 p4 p5 p6 p7 输入样本Tc 类别向量T ind2vec Tc 转为目标分类向量 Net newpnn P T spread 创建一个PNN网络Y sim net P 仿真Yc vec2ind Y 转为类别向量输出 9 Matlab中的主要代码 输出数据分类的图形程序f1 ac ac 为分类标号index1 find f1 1 输出第一类数据index2 find f1 2 输出第二类数据index3 find f1 3 输出第三类数据index4 find f1 4 输出第四类数据 10 Matlab中的主要代码 完整程序代码clear clc 网络训练样本pConvert importdata C Users Administrator Desktop RBF rbf train sample data dat p pConvert 训练样本的目标矩阵t importdata C Users Administrator Desktop RBF rbf train target data dat plot3 p 1 p 2 p 3 o grid box fori 1 29 text p 1 i p 2 i p 3 i sprintf g t i end 以图形方式输出训练样本点holdofff t index1 find f 1 index2 find f 2 11 Matlab中的主要代码 index3 find f 3 index4 find f 4 line p 1 index1 p 2 index1 p 3 index1 linestyle none marker color g line p 1 index2 p 2 index2 p 3 index2 linestyle none marker color r line p 1 index3 p 2 index3 p 3 index3 linestyle none marker color b line p 1 index4 p 2 index4 p 3 index4 linestyle none marker color y box gridon holdon axis 035000350003500 title 训练用样本及其类别 xlabel A ylabel B zlabel C pauset ind2vec t spread 30 12 Matlab中的主要代码 PNN网络的创建和训练过程net newpnn p t spread A sim net p Ac vec2ind A plot3 p 1 p 2 p 3 grid box axis 035000350003500 fori 1 29 text p 1 i p 2 i p 3 i sprintf g Ac i end 以图形方式输出训练结果holdofff Ac index1 find f 1 index2 find f 2 index3 find f 3 index4 find f 4 line p 1 index1 p 2 index1 p 3 index1 linestyle none marker color g line p 1 index2 p 2 index2 p 3 index2 linestyle none marker color r line p 1 index3 p 2 index3 p 3 index3 linestyle none marker color b line p 1 index4 p 2 index4 p 3 index4 linestyle none marker color y 13 Matlab中的主要代码 box gridon holdon title 网络训练结果 xlabel A ylabel B zlabel C pause 对待分类样本进行分类pConvert importdata C Users Administrator Desktop RBF rbf simulate data dat p pConvert a sim net p ac vec2ind a 14 仿真结果 当训练数据为29组 测试数据为30组时的仿真图 Spread 30时的分类结果 15 仿真结果 当训练数据为29组 测试数据为30组时的仿真图 Spread 150时的分类结果 16 仿真结果 当训练数据为29组 测试数据为30组时MATLAB仿真结果 Ac 1至29列11112222222333333334444444444ac 1至30列331342234133124243422331141333 17 仿真结果 以前14组数据作为训练样本 后45组数据作为测试样本 仿真结果如下 Spread 40时的分类结果 18 仿真结果 以前14组数据作为训练样本 后45组数据作为测试样本 仿真结果如下 Ac 34314132443442ac 1至27列23322332421344433134223433328至45列1242434223311413