机器学习神经网络课件

1、机器学习基于遗传算法一BP神经网络图像处理什么是神经网络BP(误差逆传播)神经网络遗传算法原理遗传BP神经网络相结合仿真目录什么是神经网络 神经元：生物学上的神经元人工神经元是对生物神经元的简化和模拟。生物神经元由细胞体、树突和轴突这三部分组成，如图所示。树突是细胞的输入端，通过细胞间连接的节点“突触”接触四周细胞传出的神经冲动，轴突相当于细胞的输出端，其端部的众多神经末梢为信号的输出端子，用于传出神经冲动。生物神经元具有兴奋和抑制两种工作状态。当传入的神经冲动，使细胞膜电位升高到阈值(约为40mV)时，细胞进入兴奋状态，产生神经冲动，由轴突输出。相反，若传入的神经冲动，使细胞膜电位降到低于阈

2、时，细胞进入抑制状态，没有神经冲动输出。什么是神经网络 神经元模型：为了模拟生物神经元，一个简化的人工神经元如图所示。它有三个基本要素：1一组连接权(对应于生物神经元的突触)，连接强度由各连接上的权值表示，权值为正表示激励，为负值表示抑制。2一个求和单元，用于求取各输入信息的加权和(线性组合)。3一个非线性激励函数，起非线性映射作用并限制神经元输出幅度在一定的范围之内。此外还有一个阙值。阈值也被看作是一个输入分量，也就是阈值也是一个权值。在网络的设计中，偏差起着重要的作用，它使得激活函数的图形可以左右移动而增加解决问题的可能性。什么是神经网络 神经元模型：数学表达净输入通过传递（Transfe

3、rFunction）f()后，便得到第j个神经元的输出:于是节点j的净输入可表示为：BP神经网络 BP神经网络原理BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层隐层输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。BP神经网络 BP神经网络原理：正向传播至此B-P网络就完成了n维空间向量对m维空间的近似映射。输出层节点的输出为BP神经网络 BP神经网

4、络原理：反向传播输出层权值的变化于是最终输出层各神经元的权值调整公式为：（ 学习效率）BP神经网络 BP神经网络计算步骤BP神经网络 BP神经网络存在的问题BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准BP算法存在以下缺点：收敛速度缓慢；容易陷入局部极小值；难以确定隐层数和隐层节点个数。在实际应用中，BP算法很难胜任，因此出现了很多改进算法。自适应调整学习速率：调整的基本指导思想是：在学习收敛的情况下，增大，以缩短学习时间；当偏大致使不能收敛时，要及时减小，直到收敛为止。利用动量法改进BP算法：动量法权值调整算法的具体做法是：将上一次权值调整量的一部分迭加到按本次误

5、差计算所得的权值调整量上，作为本次的实际权值调整量。遗传算法原理 流程图遗传算法原理 基于遗传算法的神经网络权值学习具体步骤如下：1编码方式：神经网络的权值学习是一个复杂的连续参数优化问题，如果采用二进制编码，会造成编码串过长，且需要再解码为实数，使权值变化为步进，影响网络学习精度。这里我们采用了实数编码，如图34所示，神经网络的各个权值按一定的顺序级联为一个长串，串上的每一个位置对应着网络的一个权值。遗传算法原理 基于遗传算法的神经网络权值学习4遗传算子：对于不同的应用问题，遗传算子的形式多种多样，这里采用了权值交叉和权值变异算子。如图35所示。遗传算法原理 基于遗传算法的神经网络权值学习其

6、中，N是群体规模。在实际学习中，一般将适应度最大的个体无条件地遗传给下一代。遗传BP神经网络相结合 遗传BP神经网络相结合的优势 遗传算法能够收敛到全局最优解，而且遗传算法的鲁棒性较强，将遗传算法与前馈神经网络结合起来是很有意义的，不仅能发挥神经网络的非线性映射能力，而且使神经网络具有很快的收敛速度和较强的学习能力。 将遗传算法用于学习神经网络权值，首先确定神经网络的结构，列出神经网络的神经元和神经元之间的连接关系，将这些连接权编码成实数码串表示的个体，随机地生成这些码串的群体；然后，进行常规的遗传算法优化计算；最后将最优个体解码，确定神经网络的权值。遗传BP神经网络相结合 遗传一BP结合算法

7、在本文中设计的权值学习算法中，网络的权值是经过三个阶段的学习得到的。 第一个阶段，利用BP算法进行一定次数的学习以达到选取初值的效果； 第二个阶段，采用遗传算法完成接近给定精度的网络学习，完成一定精度的学习； 第三个阶段，在遗传算法收敛速度较慢时，改用BP算法完成给定精度的学习。这样建立的网络模型稳定、全局收敛速度快，同时具有很强的记忆能力和推广能力。算法流程图如图所示。遗传BP神经网络相结合 遗传一BP神经网络模型有了上面的理论基础，我们现在开始构建用于图像识别的遗传BP网络分类器，其网络模型如图37所示仿真 手写体数字识别在邮政编码识别、银行业务等方面有重要的应用，由于字体变化大，因此识别率要求较高。 实验数据为美国邮政服务数据库USPS(US Postal Service)中的编码集。USPS数据库以Matlab文件形式存在的。有7291个训练样本和2007个测试样本，每一个模式都以16x 16的点阵形式存在，点阵的每一个元素都是-1+l之间的双精度实数。我们从训练样本中选取200个作为训练集，从测试样本中选取100个作为测试集。表32、33给出了每一个文件的结构。其中trainarg给出了每个模式的真是类别。比如说，一个数是6，那么它在