《2012神经网络指导》由会员分享，可在线阅读，更多相关《2012神经网络指导（11页珍藏版）》请在金锄头文库上搜索。
1、1第三部分第三部分 神经网络控制技术神经网络控制技术一一 感知机感知机1) 感知机感知机概念感知机是最早被设计并被实现的人工神网络。感知器是一种非常特殊的神经网络，它 在人工神经网络的发展历史上有着非常重要的地位，尽管它的能力非常有限，主要用于线 性分类。图 1 单神经元结构模型 概念： （P125）x1xn 为输入信号；w1.wn 表示连接权系数，即权值，连接权；y 为输出； 为阈值（阀值） ；模型可描述为： in1jjijixnet响应函数为：或)net(fyiif()也称为变换函数，活化函数(activation function)，激发函数。2）感知器的工作方式：）感知器的工作方式：学
2、习阶段修改权值（例：根据“已知的样本”对权值不断修改；有导师学习）工作阶段 计算单元变化，由响应函数给出新输入下的输出。 感知机的学习算法样本：XX1， X2 XpYy1， y2 yp学习的过程，主要根据“样本”来修正权值，阈值 3）响应函数（激活函数）响应函数（激活函数）响应函数（激活函数）的基本作用： （1）.控制输入对输出的激活作用； （2）.对输入、输出进行函数转换； （3）.将可能无限域的输入变换成指定的有限范围内的输出。 1).阈值单元 单层感知器：单层感知器： 两个输入两个输入 x1 和和 x2 。 一个阈值（阀值）一个阈值（阀值） 两个待调整的权值两个待调整的权值 W1 和和
3、W2XYW学习机 W学习算法2yx112x2决策函数为决策函数为 xx2211Xd样本集分别属于样本集分别属于 2 类。类。4）工作阶段理解的例题）工作阶段理解的例题x1为考试成绩、x2为平时成绩，将 x1、x2作为两个输入，构建两输入、单输出的感知机实现成绩评定系统其权值 w1=0.7、w2=0.3，阈值=60。求下列成绩的评定结果。X170306080x250905940解：x170306080x250905940Net（） in1jjijixnet70*0.7+50*0.3-60=7030*0.7+90*0.3-60=-120y1001练习练习2 设一平面上有两类点，使用横坐标 x1和纵
4、坐标 x2作为两个输入，构建两输入、单输出的感知机。若权值 w1=-40、w2=22，阈值=6000，求下列样本的识别结果。x170306080x250905940感知器的建立：感知器的建立：学习阶段学习阶段修改权值（例：根据修改权值（例：根据“已知的样本已知的样本”对权值不断修改；对权值不断修改；有导师学习）有导师学习）工作阶段 计算单元变化，由响应函数给出新输入下的输出。举例：用感知器实现举例：用感知器实现“与与”的功能的功能 解：设解：设 x1,x2 为两输入，取值为逻辑为两输入，取值为逻辑 0 或或 1 y 为输出，即为输出，即 x1,x2 与运算后的结果。与运算后的结果。 用感知器实
5、现用感知器实现“与与”的功能，即用此设计好的的功能，即用此设计好的2x Xd 1Xd 0Xd1xyx112x23感知器可以相当于感知器可以相当于“与门与门”完成与运算。完成与运算。也就是确定此感知器中的 3 个参数 “w1,w2,” 。举例：用感知器实现举例：用感知器实现“与与”的功能的功能 1）设）设 w1=0;w2=0; =0; 2 ) 输入输入 x=x1,x2输出输出 y 样本：样本：x1=0011x2=0101 y=0001即， 2x1xu时,114u,013u,102u,001u y1=0, y2=0, y3=0, y4=1;）计算感知机在）计算感知机在 ui 作用下的输出作用下的输
6、出 yi 由模型可描述为：n1jjjixsj=1,2 n=2 i=1,2,3,4, 用矩阵表示为 s1=(w1,w2)u1=（0，0） 00； 00s2=(w1,w2)u2=（0，0） 00； 10s3=(w1,w2)u3=（0，0） 00； 01s4=(w1,w2)u4=（0，0） 00； 11由响应函数 0s,00s,1) s (fypY=1 1 1 1, 即 y1=y2=y3=y4=1;）调整权值和阈值）调整权值和阈值 由 ei(t)=(di-yi(t) e(t)=(-1,-1,-1,0) 求 E(t)=-3 ,设 0.5) t (eiw1(t+1)=w1(t)+(di-yi(t)x1)
7、 =0+0.5(-1,-1,-1,0)(0,0,1,1)=-0.5; w2(t+1)=w2(t)+(di-yi(t)x2) =0+0.5(-1,-1,-1,0)(0,1,0,1)=-0.5;%建立一个感知机网络，使其能够完成“与” 的功能 %感知机神经网络学习阶段 %自编程，没用 mat 工具箱 err_goal=0.001;lr=0.9; max_expoch=10000; X=0 0 1 1;0 1 0 1;T=0 0 0 1; M,N=size(X);L,N=size(T); Wij=rand(L,M);y=0;b=rand(L); for epoch=1:max_expochNETi=
8、Wij*X;for j=1:Nfor i=1:Lif(NETi(i,j)=b(i)y(i,j)=1;else y(i,j)=0;endendendE=(T-y);EE=0;for j=1:NEE=EE+abs(E(j);endif(EE=b(i)y(i,j)=1;else y(i,j)=0;endendendy4(t+1)= (t)+(| E(t)|)1/2=0+1.732=1.732; 由此 w1=-0.5,w2=-0.5, =1.732;返回返回 3）重新计算，直到）重新计算，直到 E 满足要求。满足要求。算法步骤：算法步骤： ）设输入变量为）设输入变量为 x1,x2,xm；(j=1 ,2
9、,m)，设置权系数初值，设置权系数初值 wj(wj 一般取一般取-1,1之间的之间的 随机小数随机小数)； ）确定学习样本，即给定输入输出样本对，）确定学习样本，即给定输入输出样本对，输入：输入：u=u1，u2un，,(i=1,2,n)xmii 2xi 1xuiM输出：输出：d=d1，d2dn, (i=1,2,n) ）分别计算感知机在）分别计算感知机在 ui 作用下的输出作用下的输出 yi ； n0iiin1iiiiu) t (fu) t (f) t (yt 指第指第 t 次计算并调整权值。次计算并调整权值。 i0in0ii, 1,suu设 0s,00s,1) s (fyp）调整权值和阈值）调
10、整权值和阈值 （1）求）求 ei(t)=di-yi(t) （2）求）求 E(t) t (ei若若 E(t) 0，调整权值，调整权值; wj(t+1)=wj(t)+(di-yi(t)xji)，写出矩阵为，写出矩阵为 W(t+1)=W(t)+ (di-yi(t)ui); (t+1)= (t)+( E(t)2 返回返回 3 若若 E(t)满足要求则结束。满足要求则结束。 ：训练步长，一般：训练步长，一般 00 u 01 u0习题习题 11）看懂课堂中 2 个实现“与”功能的程序：yu1.m 和 yu2.m 2）模仿实现“与”功能的程序 yu2.m，编写能实现 2 个变量及 3 个变量的“或”功能程序
11、，要 求：a) 给出完整的程序，并对重要的函数及语句给于解释说明，程序中要用语句画出训练误 差图，分类图等。 b) 在实验报告中，画出设计的网络的结构图，并在图中标出训练好的权值阈值。4感知机的局限：感知机的局限：感知机只能对线性可分离的模式进行正确的分类。当输入模式是线性不可分时，则无 论怎样调节突触的结合强度（连接权值）和阈值的大小也不可能对输入进行正确的分类。 解决方法：构造多层感知机网络，即含有隐层的网络，但只能修改最后一层权值阈值。解决方法：构造多层感知机网络，即含有隐层的网络，但只能修改最后一层权值阈值。与运算 为 0， 为 1与运算 为 1， 为 0异或运算 为 1， 为 0y1
12、y2zx1x26%直接利用 mat 工具箱（initp trainp ）clear all NNTWARN OFF p=0 0 1 1;0 1 0 1; t=0 1 1 0; s1=9; w1,b1=initp(p,s1);%初始化第一层权值 及阈值 w2,b2=initp(s1,t);%初始化第二层（隐层） 权值及阈值 A1=simup(p,w1,b1);%网络第一层输出 w2,b2,epoches,errors=trainp(w2,b2,A1,t,-1); %学习完毕，即网络建立 完毕 w2 b2 figure(2) ploterr(errors) a1=simup(p,w1,b1);%网
13、络第一层输出 a2=simup(a1,w2,b2);%网络第一层输出 e=t-a2; k=1:1:4; figure(3) plot(k,e) %网络第一层的权值及阈值不做修改，只有 隐层的的权值及阈值进行不断学习及修改。%先设定（任意选取 w1b1）,初始化 W2B2，再让 W2B2 不断学习修正 %也是直接利用 mat 工具箱p=0 0 1 1;0 1 0 1; t=0 1 1 0; w1=1 -1;1 -1 b1=-0.5;0.5 w2,b2=initp(2,t); A1=simup(p,w1,b1);%网络输出 w2,b2,epoches,errors=trainp(w2,b2,A1,
14、t,-1); w2 b2 figure(2) ploterr(errors) a1=simup(p,w1,b1); a2=simup(a1,w2,b2); a2 e=t-a2; k=1:1:4; figure(3) plot(k,e)7二二 bp 网络网络脐橙可食率自动估测的研究脐橙可食率自动估测的研究脐橙营养丰富是深受人们喜爱的水果之一，对脐橙进行品质检测和分级对提高脐橙种 植和销售水平都具有重要意义。在脐橙的品质检测和分级中可食率是一项重要的指标，同 时果实中可食部分占整个果实的比例也是顾客挑选脐橙，判断果实品质优良的标准之一。 目前对脐橙的研究多侧重于通过机器视觉提取脐橙特征参数进行自动分级及果实糖度、酸 度的检测等，而对脐橙可食率的研究并不多。因此，对脐橙可食率估测方法的研究将提高 脐橙品质检测和分级的效果。1 脐橙的重量、体积和可食率脐橙的重量、体积和可食率 脐橙可食率是指果实的可食部分占整个果实的比例，而脐橙去皮后的部分基本都属于 可食部分，但去皮后脐橙不易储藏及运输，因此，对脐橙可食率的估测只能在不破坏果实 完整性的状态下进行。从一个脐橙的外观，可以很方便的获取到其重量和体积两个特征参 数，且从消费者挑选脐橙的经验来看，果型整齐端正，大小适中，果皮薄的脐橙所含水分 较高，可食部分也较多
