简单分析神经网络与matlab.doc

该【简单分析神经网络与matlab 】是由【朱老师】上传分享，文档一共【18】页，该文档可以免费在线阅读，需要了解更多关于【简单分析神经网络与matlab 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。神经网络与matlab没有什么难度希望可以帮助需要的同学第0节、引例本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en./wiki/Iris_flower_data_set找到。这里简要介绍一下Iris数据集:有一批Iris花,这批Iris花可分为3个品种,现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。 一种解决方法是用已有的数据训练一个神经网络用作分类器。 如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题,或者已经了解神经网络根本原理,请直接跳到第二节——神经网络实现。第一节、(ArtificialNeuron)模型人工神经元是神经网络的根本元素,其原理可以用以下图表示:,Wij表示表示从神经元j到神经元i的连接权值,θ表示一个阈值(threshold),或称为偏置(bias)。那么神经元i的输出与输入的关系表示为: 图中yi表示神经元i的输出,函数f称为激活函数(ActivationFunction)或转移函数(TransferFunction),activation)。假设将阈值看成是神经元i的一个输入x0的权重wi0,那么上面的式子可以简化为: 假设用X表示输入向量,用W表示权重向量,即:X=[x0,x1,x2,.......,xn] 那么神经元的输出可以表示为向量相乘的形式:为正,称该神经元处于激活状态或兴奋状态(fire),为负,那么称神经元处于抑制状态。图1中的这种“阈值加权和〞的神经元模型称为M-P模型(McCulloch-PittsModel),也称为神经网络的一个处理单元(PE,ProcessingElement)。,下面简要介绍常用的激活函数。(1)线性函数(LinerFunction)(2)斜面函数(RampFunction)(3)阈值函数(ThresholdFunction)以上3个激活函数都属于线性函数,下面介绍两个常用的非线性激活函数。(4)S形函数(SigmoidFunction) 该函数的导函数:(5)双极S形函数 该数函的导函数: S形函数与双极S形函数的图像如下: 双极S形函数与S形函数主要区别在于函数的值域,双极S形函数值域是(-1,1),而S形函数值域是(0,1)。 由于S形函数与双极S形函数都是可导的(导函数是连续函数),因此适合用在BP神经网络中。〔BP算法要求激活函数可导〕。根据网络中神经元的互联方式,常见网络结构主要可以分为下面3类:(1)前馈神经网络( works)前馈网络也称前向网络。这种网络只在训练过程会有反响信号,而在分类过程中数据只能向前传送,直到到达输出层,层间没有向后的反响信号,因此被称为前馈网络。感知机(perceptron)与BP神经网络就属于前馈网络。图4中是一个3层的前馈神经网络,其中第一层是输入单元,第二层称为隐含层,第三层称为输出层〔输入单元不是神经元,因此图中有2层神经元〕。 对于一个3层的前馈神经网络N,假设用X表示网络的输入向量,W1~W3表示网络各层的连接权向量,F1~F3表示神经网络3层的激活函数。 那么神经网络的第一层神经元的输出为:O1=F1(XW1) 第二层的输出为:O2=F2(F1(XW1)W2) 输出层的输出为:O3=F3(F2(F1(XW1)W2)W3)假设激活函数F1~F3都选用线性函数,那么神经网络的输出O3将是输入X的线性函数。因此,假设要做高次函数的逼近就应该选用适当的非线性函数作为激活函数。(2)反响神经网络( works)反响型神经网络是一种从输出到输入具有反响连接的神经网络,其结构比前馈网络要复杂得多。典型的反响型神经网络有:Elman网络和Hopfield网络。(3)自组织网络(SOM,works)自组织神经网络是一种无导师学****网络。它通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构。。(1)神经网络的学****状态网络的学****主要是指使用学****算法来调整神经元间的联接权,使得网络输出更符合实际。学****算法分为有导师学****SupervisedLearning)与无导师学****UnsupervisedLearning)两类。有导师学****算法将一组训练集(trainingset)送入网络,根据网络的实际输出与期望输出间的差异来调整连接权。有导师学****算法的主要步骤包括:1〕从样本集合中取一个样本〔Ai,Bi〕;2〕计算网络的实际输出O;3〕求D=Bi-O;4〕根据D调整权矩阵W;5〕对每个样本重复上述过程,直到对整个样本集来说,误差不超过规定范围。 BP算法就是一种出色的有导师学****算法。无导师学****抽取样本集合中蕴含的统计特性,并以神经元之间的联接权的形式存于网络中。Hebb学****律是一种经典的无导师学****算法。(2)神经网络的工作状态神经元间的连接权不变,神经网络作为分类器、预测器等使用。 下面简要介绍一下Hebb学****率与Delta学****规那么。(3)无导师学****算法:Hebb学****率 Hebb算法核心思想是,当两个神经元同时处于激发状态时两者间的连接权会被加强,否那么被减弱。为了理解Hebb算法,有必要简单介绍一下条件反射实验。巴甫洛夫的条件反射实验:每次给狗喂食前都先响铃,时间一长,狗就会将铃声和食物联系起来。以后如果响铃但是不给食物,狗也会流口水。 受该实验的启发,Hebb的理论认为在同一时间被激发的神经元间的联系会被强化。比方,铃声响时一个神经元被激发,在同一时间食物的出现会激发附近的另一个神经元,那么这两个神经元间的联系就会强化,从而记住这两个事物之间存在着联系。相反,如果两个神经元总是不能同时激发,那么它们间的联系将会越来越弱。 Hebb学****律可表示为:其中wij表示神经元j到神经元i的连接权,yi与yj为两个神经元的输出,a是表示学****速度的常数。假设yi与yj同时被激活,即yi与yj同时为正,那么Wij将增大。假设yi被激活,而yj处于抑制状态,即yi为正yj为负,那么Wij将变小。(4)有导师学****算法:Delta学****规那么 Delta学****规那么是一种简单的有导师学****算法,该算法根据神经元的实际输出与期望输出差异来调整连接权,其数学表示如下:其中Wij表示神经元j到神经元i的连接权,di是神经元i的期望输出,yi是神经元i的实际输出,xj表示神经元j状态,假设神经元j处于激活态那么xj为1,假设处于抑制状态那么xj为0或-1〔根据激活函数而定〕。a是表示学****速度的常数。假设xi为1,假设di比yi大,那么Wij将增大,假设di比yi小,那么Wij将变小。Delta规那么简单讲来就是:假设神经元实际输出比期望输出大,那么减小所有输入为正的连接的权重,增大所有输入为负的连接的权重。反之,假设神经元实际输出比期望输出小,那么增大所有输入为正的连接的权重,减小所有输入为负的连接的权重。这个增大或减小的幅度就根据上面的式子来计算。(5)有导师学****算法:BP算法 采用BP学****算法的前馈型神经网络通常被称为BP网络。 BP网络具有很强的非线性映射能力,一个3层BP神经网络能够实现对任意非线性函数进行逼近〔根据Kolrnogorov定理〕。一个典型的3层BP神经网络模型如图7所示。 BP网络的学****算法占篇幅较大,我打算在下一篇文章中介绍。第二节、,一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。(1)什么是归一化?数据归一化,就是将数据映射到[0,1]或[-1,1]区间或更小的区间,比方(,)。(2)为什么要归一化处理?<1>输入数据的单位不一样,有些数据的范围可能特别大,导致的结果是神经网络收敛慢、训练时间长。<2>数据范围大的输入在模式分类中的作用可能会偏大,而数据范围小的输入作用就可能会偏小。<3>由于神经网络输出层的激活函数的值域是有限制的,因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层假设采用S形激活函数,由于S形函数的值域限制在(0,1),也就是说神经网络的输出只能限制在(0,1),所以训练数据的输出就要归一化到[0,1]区间。<4>S形激活函数在(0,1)区间以外区域很平缓,区分度太小。例如S形函数f(X)在参数a=1时,f(100)与f(5)。(3)归一化算法 一种简单而快速的归一化算法是线性转换算法。线性转换算法常见有两种形式:<1>y=(x-min)/(max-min) 其中min为x的最小值,max为x的最大值,输入向量为x,归一化后的输出向量为y。上式将数据归一化到[0,1]区间,当激活函数采用S形函数时〔值域为(0,1)〕时这条式子适用。<2>y=2*(x-min)/(max-min)-1这条公式将数据归一化到[-1,1]区间。当激活函数采用双极S形函数〔值域为(-1,1)〕时这条式子适用。(4)Matlab数据归一化处理函数 Matlab中归一化处理数据可以采用premnmx,postmnmx,tramnmx这3个函数。<1>premnmx语法:[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)参数:pn:p矩阵按行归一化后的矩阵