《智能信息处理课程设计报告》由会员分享，可在线阅读，更多相关《智能信息处理课程设计报告（6页珍藏版）》请在金锄头文库上搜索。
1、智能信息处理课程设计报告班级： 11电科2姓名： 张俊为学号：Xbll640218浙江理工大学科技与艺术学院1 课程设计目的1提高分析问题、解决问题的能力，进一步巩固智能信息处理算法的基本原理与方法。 2熟悉掌握一门计算机语言，可以进行智能信息处理的应用开发设计。2 课程设计内容及实现1.掌握BP网络的基本原理，能利用BP网络解决Hermit多项式的逼近问题，具体内容如下：考虑Hermit多项式的逼近问题，该问题由Mackay提出：F (x )= 1.1 G-x + 2x2)expf-打，式中，x = R。k 2丿训练样本产生方式如下：样本数N=100,其中样本输入xi服从区间-4, 4内的均
2、匀分布， 样本输出为Fg+ej, ei为添加的噪声，服从均值为0,标准差为0.1的正态分布。对于该函数逼近问题，可以用一个单输入单输出的3层BP网络对样本进行拟合，网络 的隐节点数选为 10。其它学习参数设定如下：神经网络采用标准Sigmoid激活函数，输出层采用线性激活函 数，即：f (u ) = u。学习率=0.003,目标误差=0.5，最大学习次数20000，初始权值和偏移取-0.1, 0.1 内的随机数。2.掌握模糊C均值聚类算法的基本原理，并用该算法实现彩色图像分割。21、BP网络解决函数逼近2.1.1、BP神经网络设计图 2 训练图2.1.3、BP神经网络测试及结果分析图 3 仿真
3、结果图P=linspace(-4,4,100);% 均匀产生随机数 T=l.l.*(l-P+2.*P.A2).*exp(-P42/2)+sqrt(0.1)*rand n(1); %样本输出 fx+ei tnet=newff(P,T,10); %产生bp网络，10个神经元 net.trainParam.show = 50;%显示周期 net.trainParam.lr = 0.003; %学习率 net.trainParam.epochs = 20000;%最大学习次数 net.trainParam.goal = 0.001; %目标误差 net.IW1,1=rand(10,1)*0.2-0.1
4、;% 初始权值 net.b1,1=rand(10,1)*0.2-0.1;net.b2,1=rand(1)*0.2-0.1;% 初始偏移量 net,tr=train(net,P,T); p=8.*rand(1,100)-4;A = sim(net,P); %仿真 figure; plot(P,T,o,P,A,x);22、基于模糊C均值聚类的彩色图像分割2.2.1、基本原理及实现流程在数字图像由于存在混合像素的原因，也就是说一个像素中不仅存在一类地物，因而 采用硬分类方式往往不合适，而模糊C均值就是引入模糊集对每个像素的划分概率不单单是用0或 1这样的硬分类方式，而是0和1之间的范围内（包括0和1
5、）。定义x.,i= 1,2,. n,是n个样本组成的样本集合，c为预定的类别数目， i件卩=UC为每个聚类中心，&（弓是第个样本对于第j类的隶属度函数。用隶属度函数定义的聚类损失函数可以写为：j=1 i=1u其中，b 1是一个可以控制聚类结果的模糊程度的常数。在不同的隶属度定义方法下最小化式的损失函数，就得到不同的模糊聚类方法。其中最有代表的是模糊C均值方法，它要求一个样本对于各个聚类的隶属度之和为1，即工 u (x ) = 1, i = 1, 2 , .n ,jij=1在条件式下求得其极小值，令J对m和u （x）的偏导数为0可得必要条件: fi j iu ( x )jibxi,j I,2，,
6、c，u ( x )jib/ x - mi=1,i = 1,2,., nj = 1, 2 , .c.k=1用迭代的方法求解上式，就是模糊C均值算法。算法步骤如下：1）.设定聚类数目c和参数b。2）初始化各个聚类中心m。i3）重复下面的运算，直到各个样本的隶属度值稳定： 当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类划分。2.2.2、实验结果及分析RGB=imread(1954.jpg,jpg); figure(l),imshow(RGB),title(彩色图)； u=reshape(RGB,6144 3);图4图5u=double(u)； cluster_n
7、=3；options=2 l00 exp(-5) l；center, U, obj_fcn = FCMClust(u, cluster_n, options)；A,B=max(U)； a=reshape(B,64 96 l)； a(B=l)=0； a(B=3)=l25； a(B=2)=255； a=uint8(a); figure(2),imshow(a),title(转换图);3 课程设计总结与体会这次课程设计，我学到了 BP神经网络的构建，训练，以及参数的选择等。设置适量的 神经元个数，以及学习次数，可以让神经网络更有效率地进行训练，在最短的时间取得 最好的结果。我了解到模糊 C 均值聚类首先需要对彩色图像分割成一些颜色相近的集 合，然后在进行聚类。这样也可以大大加快该算法的速度。这两个实验都对算法的效率 有一定的要求，在输出同样的结果时，更高效的方法能更快应用于我们的生产和生活。
