BP网络模式识别.pptx

BPBP网络模式识别网络模式识别韩红彩2010年9月17日 一、一、一、一、基本原理基本原理基本原理基本原理二、主要特点二、主要特点二、主要特点二、主要特点三、学习算法三、学习算法三、学习算法三、学习算法四、仿真实例四、仿真实例四、仿真实例四、仿真实例一、基本原理一、基本原理 在神经网络模式识别中，根据标准的输入输出模式对，采用神经网络学习算法，以标准的模式作为学习样本进行训练，通过学习调整神经网络的连接权值。当训练满足要求后，得到的神经网络权值构成了模式识别的知识库，利用神经网络并行推理算法便可对所需要的输入模式进行识别。二、主要特点二、主要特点 神经网络模式识别具有较强的鲁棒性。1.当待识别的输入模式与训练样本中的某个输入模式相同时，神经网络识别的结果就是与训练样本中相对应的输出模式。2.当待识别的输入模式与训练样本中所有输入模式都不完全相同时，则可得到与其相近样本相对应的输出模式。3当待识别的输入模式与训练样本中所有输入模式相差较远时，就得不到正确的识别结果，此时可将这一模式作为新的样本进行训练，使神经网络获取新的知识，并存储到网络的权值矩阵中，从而增强网络的识别能力。三、学习算法三、学习算法 BP网络的训练规则：正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。用于样本训练的BP网络结构图如图1所示。wij wjl .l xl xi i x j xjo j 输入层节点 隐层节点 输出层节点 图1 BP神经网络结构1.前向传播：计算网络的输出（1）求隐层神经元的输入 Xj=wijxi（2）求隐层神经元输出（采用S型函数）Xjo=f(xj)=1/(1+exp(-xj)（3）求输出层神经元输出 Xl=wjlxjo（4）求输出误差 el=xlo-xl（5）求第p个样本的误差性能指标函数 Ep=0.5el22.反向传播：采用梯度下降法，调整各层间的权值。（1）输出层与隐层的连接权值wjl学习算法 wjl=-elxjo 式中，为学习速率，0,1。（2）k+1时刻网络权值为 wjl(k+1)=wjl(k)+wjl（3）隐层与输入层连接权值wij学习算法 wij=elwjlxjo(1-xjo)xi（4）k+1时刻网络权值为 wij(k+1)=wij(k)+wij（5）考虑上次权值对本次权值变化的影响，需要加入动 量因子，此时权值为 wjl(k+1)=wjl(k)+wjl+（wjl(k)-wjl(k-1)）wjl(k+1)=wjl(k)+wjl+（wij(k)-wij(k-1)）四、仿真实例例：取标准样本为三输入两输出样本，见表1。BP网络结构为3-6-2，权值初始值取-1,1之间的随机数，学习参数取=0.50，=0.05 表1 训练样本输入输出1001001000.500101编程调试后，网络训练指标的变化、测试样本及结果分别如图2、表2所示。图2 样本训练的收敛过程输入输出0.9700.0010.0010.98680.01160.0000.9800.0000.00880.49930.0020.0001.040-0.01851.01920.5000.5000.5000.19390.54801.0000.0000.0001.00000.0000.0001.0000.000-0.00000.5000.0000.0001.0000.0001.000表2 测试样本及结果Its over,and thank you!