《《基于神经网络的数字识别仿真》-公开DOC·毕业论文》由会员分享，可在线阅读，更多相关《《基于神经网络的数字识别仿真》-公开DOC·毕业论文（23页珍藏版）》请在金锄头文库上搜索。
1、重重庆庆文文理理学学院院 学士学位论文 论文题目 基于神经网络的数字识别仿真论文题目 基于神经网络的数字识别仿真 论 文 作 者 指 导 教 师 专 业 电子信息科学与技术 提交论文日期 年 05 月 21 日 论文答辩日期 年 05 月 23 日 学位授予单位 重庆文理学院 中 国 重 庆 Graduation Thesis of Chongqing University of Arts and sciences The Numeral Identify to Imitate true Based on Artificial Neural Network Candidate Hua An S
2、upervisor Chen Xiao hong Major Electronic Information Science and Technology Department of Physics 但 训练速率过大 会引起系统的振荡 因此 训练速率在不导致振荡前提下 越大越好 6 该值一般 取0 6 0 9 4 允许误差 这个误差是由试验判断而来 为了取得较低的漏报率和误报率 对于不同时段 设定不同的允 许误差 一般在 0 01 0 0001 之间 5 迭代次数 由于神经网络计算并不能保证在各种参数配置下迭代结果收敛 当迭代结果不收敛时 允许最 大的迭代次数 在实验中我们选取 200 次 4
3、34 3 图形用户界面仿真图形用户界面仿真 所谓图形用户界面 Graphical User Interfaces GUI 指的是由窗口 光标 按键 菜单 文字说明等对象构成的一个用户界面 用户可以通过一定的方法 如鼠标和键盘 选择 激活这些 图形对象 实现某种特定的功能 如计算 绘图等 能够在很大程度上提高工作效率 MATLAB神经 网络工具箱从4 0版本开始提供GUI 经过不断改进与完善 目前的NNToolbox 4 0 3已经非常容易 使用了 而且功能也比较强大 所以本论文设计开始考虑用它对网络进行仿真训练 图 4 Network Data Manager窗口 首先 在MATLAB命令行窗
4、口中输入nntool后按回车建 会出现如图4所示的Network Data Manager窗口 简约介绍下按键的用途 单击 New Data 按键将弹出一个名为 Create New Data 的数据 输入窗口 如图5所示 Name框填写数据名称 Value框中填入数据矩阵 在Data Type中的Inputs 和Targets两个重要的参数 分别是输入向量和目标向量 及样本输入处 单击 New Network 按 键将弹出一个名为 Create New Network 的窗口 如图6所示 Network Type处选择网络的类型 本仿真的网络为BP网络及选择Feed forward back
5、porp 在Input ranges文本框中设定输入向量元 素的最大值和最小值的范围 若前面已设定好了输入向量 则可点击后面的下拉式菜单选择所需的 输入向量 系统将自动设定最大最小范围 再一次下来为训练函数 学习函数 性能函数和网络层 数 训练函数分别选用TRAINLM TRAINGD TRAINGDX进行比较 学习函数 性能函数分别默认为 LEARNGDM和MSE 由于我仿真的网络含有一个中间层 所以网络层数应选择2 Properties for中分 别选择中间层和输出层 Number of neurons为该层神经元个数 Transfer Function为该层神经元 传递函数选择 由于本
6、仿真试验用到的均是0 1所以决定选用LOGSIG函数 设置好网络后最下面的 4个建将激活 其中 Simulate 和 train 分别是对网络的仿真和训练 其他按键在本仿真试验 中用处不大 就不一一介绍了 详见 help 按键 图 5 Create New Data窗口 图 6 Create New Network窗口 将所有的样本数据填入 设定好网络类型后 接下来就是对网络的训练 为了再次说明训练前 的网络不适于实际应用 在训练前 我们首先对网络进行一次仿真 点击 Simulate 按键弹出名 为Network network的窗口 在Inputs和Targets中选择数据名称 分别对应输入
7、和目标向量 Output和Errors分别为实际输出和误差的名称 如图7所示 设定好后点击右下角的 Simulate Network 按键 可得出网络的仿真输出 从network3 outputs 中可以看出所得矩阵和我的目标矩 阵T差异太大 完全不能达到识别的效果 图 7 接下来对网络的训练设定参数 在窗口中选中Train选项卡 在Training Info选项卡中类似 Simlation Data的参数填写 Training Parameters中 这里选择训练步数epochs为200次 训练目 标goal设置为0 001 其余的均取默认值 如图8所示 单击右下角的 Train Netwo
8、rk 按键 开 始训练网络 训练结果如图9所示 再次查看network3 outputs 可以发现数据已经非常接近目标向 量T 为了使网络不断优化 我们将反复对网络进行修改训练 选择出最优化的隐藏层神经元个数 和训练方法 为后期编程做好初始化基础 图 8 图 9 4 44 4 MATLABMATLAB 神经网络工具箱仿真神经网络工具箱仿真 MATLAB7神经网络工具箱中包含了许多用于BP网络分析与设计的函数 下面简要介绍一下本次 论文所提到的函数的功能 调用格式和参数特性等 1 前向网络创建函数 newff 该函数用于创建一个BP网络 调用格式为 net newff net newff PR
9、S1 S2 SNl TF1 TF2 TFN1 BTF BLF PF 其中 net newff 用于在对话框中创建一个BP网络 PR 由每组输入 共R组输入 元素的最大最小值组成的R 2维的矩阵 Si 第i层的长度 及神经元个数 共计Nl层 TFi 第i层的传递函数 默认为 tansig 本仿真将用logsig函数 BTF BP网络的训练函数 默认为 trainlm BLF 权值和阈值的BP学习算法 默认为 learngdm PF 网络的性能函数 默认为 mse 2 传递函数 logsig 该函数为S型的对数函数 调用格式 A logsig N info logsig code 其中 N Q个S
10、维的输入列向量 A 函数返回值 位于区间 0 1 中 info logsig code 依据code值的不同返回不同的信息 一般用不到 3 BP网络学习函数 learngdm 该函数为梯度下降动量学习函数 它利用神经元的输入和误差 权值或阈值的学习速率和动量 常数 来计算权值或阈值的变化率 调用格式为 dW LS learndgm W P Z N A T E gA D LP LS db LS learndgm b ones 1 Q Z N A T E gW gA D LP LS info learngdm code 其中 W S R维的权值矩阵 b S维的阈值向量 P Q组R维的输入向量 on
11、es 1 Q 产生一个Q维的输入向量 其他参数一般默认不用写出来 4 BP网络训练函数 trainlm 函数traingd和traingdm都是基于梯度下降的训练算法 而函数trainlm是建立在一个优化方法 基础上的训练算法 其调用格式为 net TR Ac El trainlm NET Pd Tl Ai Q TS VV TV info trainlm code 其中 NET 待训练的神经网络 Pd 有延迟的输入向量 Tl 层次目标向量 Ai 初始的输入延迟条件 Q 批量 TS 时间步长 net 训练后的网络 下面利用MATLAB神经网络工具箱进行编程仿真 对0 9数字识别试验 close
12、clear clc P 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1
13、0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0
14、1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 0 0 0 0 0
15、0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0
16、0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 0 0 1 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 0 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0
