《简单分析神经网络与matlab》由会员分享,可在线阅读,更多相关《简单分析神经网络与matlab(18页珍藏版)》请在金锄头文库上搜索。
1、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.wikipedia.org/wiki/Iris_flower_data_set 找到。这里简要介绍一下Iris数据集:有一批Iris花,已知这批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。我们现有一批已知品种的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
2、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基本原理,请直接跳到第二节神经网络实现。第一节、神经网络基本原理 1.人工神经元(Artificial Neuron )模型 人工神经元是神经网络的基本元素,其原理可以用下图表示:图1. 人工神经元模型图中是从其他神经元传来的输入信号,Wij表示表示从神经元j到神经元i的连接权值,表示一个阈值 ( threshold ),或称为偏置( bias )。则神经元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 ( Activation Function )或转移函数 ( Transfer Function ) ,net
3、称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0,则上面的式子可以简化为:若用X表示输入向量,用W表示权重向量,即:X = x0 , x1 , x2 , . , xn 则神经元的输出可以表示为向量相乘的形式:若神经元的净激活net为正,称该神经元处于激活状态或兴奋状态(fire),若净激活net为负,则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-Pitts Model ),也称为神经网络的一个处理单元( PE, Processing Element )。2.常用激活函数 激活函数的选择是构建神经
4、网络过程中的重要环节,下面简要介绍常用的激活函数。(1)线性函数( Liner Function )(2)斜面函数( Ramp Function )(3)阈值函数( Threshold Function )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( Sigmoid Function )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:图3. S形函数与双极S形函数图像双极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
5、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)3.神经网络模型 神经网络是由大量的神经元互联而构成的网络。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类:(1)前馈神经网络(Feedforward Neural Networks )前馈网络也称前向网络。这种网络只在训练过程会有反馈信号,而在分类过程中数据只能向前传送,直到到达输出层,层间没有向后的反馈信号,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
6、层神经元)。图4. 前馈神经网络对于一个3层的前馈神经网络N,若用X表示网络的输入向量,W1W3表示网络各层的连接权向量,F1F3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 )若激活函数F1F3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,若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)反馈神经网络(Feedback Neural Networks )反馈型神经网络是
7、一种从输出到输入具有反馈连接的神经网络,其结构比前馈网络要复杂得多。典型的反馈型神经网络有:Elman网络和Hopfield网络。图5. 反馈神经网络(3)自组织网络 ( SOM ,Self-Organizing Neural Networks )自组织神经网络是一种无导师学习网络。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。图6. 自组织网络4.神经网络工作方式 神经网络运作过程分为学习和工作两种状态。(1)神经网络的学习状态 网络的学习主要是指使用学习算法来调整神经元间的联接权,使得网络输出更符合实际。学习算法分为有导师学习( Supervised Lea
8、rning )与无导师学习( Unsupervised Learning )两类。有导师学习算法将一组训练集 ( training set )送入网络,根据网络的实际输出与期望输出间的差别来调整连接权。有导师学习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习算法。无导师学习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学习律是一种经典的无导师学习算法。(2)神经网络的
9、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学习率与Delta学习规则 。(3)无导师学习算法:Hebb学习率 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,否则被减弱。 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。图7. 巴甫洛夫的条件反射实验受该实验的启发,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。比如,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
10、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步激发,那么它们间的联系将会越来越弱。Hebb学习律可表示为: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是表示学习速度的常数。若yi与yj同时被激活,即yi与yj同时为正,那么Wij将增大。若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)有导师学习算法:Delta学习规则 Delta学习规则是一种简单的有导师学习算法,该算法根据神经元的实际输出与期望输出差别来调整连接权,其数学表示如下:其中Wij表示神经元j到神经元i的连
11、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,若神经元j处于激活态则xj为1,若处于抑制状态则xj为0或1(根据激活函数而定)。a是表示学习速度的常数。假设xi为1,若di比yi大,那么Wij将增大,若di比yi小,那么Wij将变小。Delta规则简单讲来就是:若神经元实际输出比期望输出大,则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,若神经元实际输出比期望输出小,则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)有导师学习算法:BP算法 采用BP学习算法的前馈型神经网络通常被
12、称为BP网络。图8. 三层BP神经网络结构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网络的学习算法占篇幅较大,我打算在下一篇文章中介绍。第二节、神经网络实现 1.数据预处理 在训练神经网络前一般需要对数据进行预处理,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,比如(0.1,0.9) 。(2)为什么要归一化处理? 输入数据的单位不一样,有些数据的范围可能特别大,导
13、致的结果是神经网络收敛慢、训练时间长。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。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若采用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。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)只相差0.0067。(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:
14、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。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。 premnmx语法:pn,
15、minp,maxp,tn,mint,maxt = premnmx(p,t)参数:pn: p矩阵按行归一化后的矩阵minp,maxp:p矩阵每一行的最小值,最大值tn:t矩阵按行归一化后的矩阵mint,maxt:t矩阵每一行的最小值,最大值作用:将矩阵p,t归一化到-1,1 ,主要用于归一化处理训练数据集。 tramnmx语法:pn = tramnmx(p,minp,maxp)参数:minp,maxp:premnmx函数计算的矩阵的最小,最大值pn:归一化后的矩阵作用:主要用于归一化处理待分类的输入数据。 postmnmx语法: p,t = postmnmx(pn,minp,maxp,tn,mint,maxt)参数:minp,maxp:premnmx函数计算的p矩阵每行的最小值,最大值mint,maxt:premnmx