pnn设计

基于PNN的数据分类器设计 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 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 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 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 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 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 三 Matlab程序介绍及仿真结果 程序流程图 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 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 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 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 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 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 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 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 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 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 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23322332421344