《非线性分类器》由会员分享，可在线阅读，更多相关《非线性分类器（2页珍藏版）》请在金锄头文库上搜索。
1、1. 问题表述第一次作业中已经阐述了线性分类器的设计问题，但是在大多数时候分类样本都是非线 性了，如何设计非线性分类器成为一个问题。人工神经网络既可用于线性分类又可用于非线 性分类，既可用于两类分类又可用于多类分类，既可用于正态分类也可用于非正态的分类 是一个万用分类器。具体问题可以描述为：设有N个训练样本（特征向量z维），卍=K:- = -,N,分别属于k类,可以用个理想向量表达如，1类可以表示为，该向量为k维向量，2类 可以表示为二罗二事巧HTT勺胡工DJ为输出向量，其中其中f是满足上下有界连续一阶可导的中心及对称的积和函数，具体的形式有很多种。 算法步骤如下：，以此类推，目标是希望最终A
2、NN-BP能正确分类上述样 才瑙迁肿二1Q 本，即对于1类，该网络输出的向量-2. 方法叙述人工神经网络没有具体的数学模型，可以描述为下面的步骤：1）构造感知机映射，将原样本映射到新的特征空间，保证在新的空间待分类样本是线 性可分的；2）对映射到新特征空间的样本采用感知机线性分类器进行分类。 将原特征空间定义为输入层，过渡空间定义为隐层，隐层的数目是不一定的，最终通过 的感知机线性分类器定义为输出层。总的来说，人工神经网络就是多个感知机的组合，数学 原理是将原始特征空间映射到过渡空间，在过渡空间里非线性问题变成了线性问题，根据最 终输出层的感知机个数还可以实现多类分类。上述过程虽然简单，但是如
3、何寻找符合条件的 映射成为一个难题，这里就要使用到BP算法，即反向传播算法。针对上面的具体问题，定 义：为输入层特征向量aE2）正向计算第T的值;/1 p |T A/ 步的值得到-和L3）反向传播修正：3.算法实现算法实现及备注见程序。4.结果分析比较双隐层，第一隐层4个神经元，第二隐层2个神经元，输出层一个神经元，学习速率即步长0.01，误差5*e-3.双隐层，第一隐层15个神经元，第二隐层10个神经元，输出层一个神经元，学习速率即步长0.01，误差 5*e_3.双隐层，第一隐层7个神经元，第二隐层3个神经元，输出层一个神经元，学习速率即步长0.0001，误差 5*e_3.从以上可以看出，当第一隐层神经元是第二隐层神经元德二倍时，且都不大于十个德时候，效 果最好。并且学习时间随步长的减小而增加。
