神经网络用于模式识别

神经网络模式识别神经网络模式识别 一 实验目的 掌握利用感知器和 BP 网进行模式识别的基本方法 通过实验加深对基本概念的理解 二 实验仪器与设备 HP D538 MATLAB 三 实验原理 1 设计线性可分实验 假设模式向量 X 是 N 维的 线型判别函数的一般形式为 1122 1 0 nn n d x T T xxx w Xw 式中 成为权向量 12 0 T n w 成为阀值 n 1 成为增广权向量 121 T nn w 成为增广模式向量 12 1 T n X x xx 在两类情况下 可以仅定义一个判别函数 12 12 d xxx dd 决策规则为 若 0d x 则 1 2 x 决策边界方程为 当为线性函数时 这个决策边界便是超平面 0d x d x 这个超平面将模式空间分割成两个决策域 超平面的方向由权向量确定 它的位置由阀 0 值决定 n 1 假设已知一组容量为 N 的样本集 如果又一个现行分类器能把每个样本正确分类 则 称这组样本集为线性可分的 否则称为线性不可分的 反过来 如果样本集是线性可分的 则必然存在一个线性分类器能把每个样本正确分类 2 奇异样本对网络训练的影响 奇异样本 该样本向量同其他样本向量比较起来特别大或特别小时 网络训练所花费 的时间将很长 设计实验考察奇异样本对感知机训练的影响 比较有无奇异点时的训练时间及迭代次 数 设计解决此问题的方案并实验验证 3 分类线性不可分样本 利用线性分类器对线性不可分样本进行分类 考察训练时间及迭代次数 利用 BP 网 对该样本集进行分类 考察训练时间及迭代次数并作对比 四 实验步骤及程序 1 设计线性可分实验 tic p 0 4 0 1 0 3 0 3 0 4 0 8 0 9 0 7 0 6 0 7 0 1 0 2 0 45 0 5 0 5 0 6 0 8 0 8 0 9 0 7 T 0 0 0 0 0 1 1 1 1 1 figure plotpv p T w b initp p T w b epochs errors trainp w b p T 1 q epochs figure ploterr errors p1 0 5 0 a simup p1 w b p2 1 1 c simup p2 w b p p p1 p2 T T a c figure plotpv p T plotpc w b disp sprintf diedaicishu d q toc 2 奇异样本对网络训练的影响 tic p 1 4 0 18 0 35 0 0 0 4 0 7 0 9 0 7 0 6 12 0 21 0 2 1 4 0 5 0 5 2 6 1 8 0 8 0 9 18 T 0 0 0 0 0 1 1 1 1 1 p normc p w b initp p T w b epochs errors trainp w b p T 1 q epochs figure ploterr errors p1 1 2 a simup p1 w b p2 1 1 c simup p2 w b p p p1 p2 T T a c figure plotpv p T plotpc w b clc disp sprintf cishu d q toc 3 分类线性不可分样本 clc clear tic p 0 9285 0 6472 0 6000 0 0 6247 0 8000 0 7474 0 6585 0 5547 0 4472 0 3714 0 8944 0 8000 0 9 0 7809 0 6000 0 6644 0 7526 0 8321 0 8944 t 0 0 0 0 0 1 1 1 1 1 figure plotpv p t netw newff 1 1 1 1 5 1 logsig logsig traingd netw trainparam goal 0 001 netw trainparam epochs 1000 netw tr errors train netw p t figure ploterr errors lw1 netw lw 1 b1 netw b 1 lw2 netw lw 2 b2 netw b 2 p1 0 1 0 2 0 3 0 4 0 9 0 1 0 6 0 7 0 8 0 9 b sim netw p1 c b 0 5 toc 五 五 实验结果与分析实验结果与分析 1 设计线性可分实验 w 4 5626 3 3590 b 5 3364 epochs 7 errors 5 5 5 5 5 4 5 0 diedaici