《神经网络用于模式识别》由会员分享，可在线阅读，更多相关《神经网络用于模式识别（5页珍藏版）》请在金锄头文库上搜索。
1、神经网络模式识别.实验目的掌握利用感知器和BP 网进行模式识别的基本方法，通过实验加深对基本概念的理解。.实验仪器与设备HP D538、 MA TLAB.实验原理1设计线性可分实验假设模式向量X 是 N 维的，线型判别函数的一般形式为：式中w0 (1,2Ln)T ，成为权向量；n+1 成为阀值；urw(1,2,Ln i)T成为增广权向量;uurX(x1, x2,L xn,1)T 成为增广模式向量。在两类情况下，可以仅定义一个判别函数：r决策规则为：若d(x)rr决策边界方程为d (x)r0 ，当d(x) 为线性函数时，这个决策边界便是超平面。这个超平面将模式空间uurn+1 决定。分割成两个决
2、策域。超平面的方向由权向量0 确定，它的位置由阀值假设已知一组容量为N 的样本集，如果又一个现行分类器能把每个样本正确分类，则称这组样本集为线性可分的；否则称为线性不可分的。反过来，如果样本集是线性可分的，则必然存在一个线性分类器能把每个样本正确分类2奇异样本对网络训练的影响 奇异样本：该样本向量同其他样本向量比较起来特别大或特别小时，网络训练所花费的时间将很长。 设计实验考察奇异样本对感知机训练的影响，比较有无奇异点时的训练时间及迭代次数，设计解决此问题的方案并实验验证。3分类线性不可分样本利用线性分类器对线性不可分样本进行分类，考察训练时间及迭代次数。利用BP 网对该样本集进行分类，考察训
3、练时间及迭代次数并作对比。四.实验步骤及程序1设计线性可分实验ticp=0.4,0.1,0.3,0.3,0.4,0.8,0.9,0.7,0.6,0.7;0.1,0.2,0.45,0.5,0.5,0.6,0.8,0.8,0.9,0.7;T=0 0 0 0 0 1 1 1 1 1;figureplotpv(p,T);w,b=initp(p,T)w,b,epochs,errors=trainp(w,b,p,T,-1)q=epochs;figureploterr(errors)p1=-0.5;0;a=simup(p1,w,b);p2=1;1;c=simup(p2,w,b);p=p p1 p2;T=T
4、a c;figureplotpv(p,T);plotpc(w,b);disp(sprintf(diedaicishu， %d,q);toc2奇异样本对网络训练的影响ticp=-1.4,-0.18,-0.35,0.0,-0.4,0.7,0.9,0.7,0.6,12;-0.21,-0.2,-1.4,-0.5,-0.5,2.6,1.8,0.8,0.9,18;T=0 0 0 0 0 1 1 1 1 1;p=normc(p);w,b=initp(p,T)w,b,epochs,errors=trainp(w,b,p,T,-1);q=epochs;figureploterr(errors);p1=1;2;a
5、=simup(p1,w,b);p2=-1;1;c=simup(p2,w,b);p=p,p1,p2;T=T a c;figure,plotpv(p,T);plotpc(w,b);clc;disp(sprintf(cishu,%d,q);toc3分类线性不可分样本clc; cleartic;p=0.9285 0.6472 0.6000 0 0.6247 0.8000 0.7474 0.6585 0.5547 0.44720.3714 0.8944 0.8000 0.9 0.7809 0.6000 0.6644 0.7526 0.8321 0.8944 ;t=0 0 0 0 0 1 1 1 1 1;
6、figureplotpv(p,t)netw=newff(-1 1;-1 1,5 1, logsig logsig, traingd);netw, tr,errors=train(netw,p,t);figureploterr(errors);lw1=netw.lw1;b1=netw.b1;lw2=netw.lw2;b2=netw.b2;p1=0.1 0.2 0.3 0.4 0.9;0.1 0.6 0.7 0.8 0.9;b=sim(netw,p1);c=b0.5;toc五 实验结果与分析w = 4.56263.3590epochs = 7diedaicishu= 72奇异样本对网络训练的影响cishu,23分类线性不可分样本1 设计线性可分实验b =-5.3364errors = 5 5 5 5 5 4 5 0elapsed_time = 0.9060elapsed_time = 0.8430elapsed_time =10.2340
