PNN(模式识别).docVIP

概率神经网络 概率神经网络(Probabilistic Neural Networks,PNN)是由D. F. Specht在1990年提出的。主要思想是用贝叶斯决策规则,即错误分类的期望风险最小,在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络,它是以Parzen窗口函数为激活函数的一种前馈网络模型。PNN吸收了径向基神经网络与经典的概率密度估计原理的优点,与传统的前馈神经网络相比,在模式分类方面尤其具有较为显著的优势。 PNN的结构如图所示,共由四层组成，以3类为例，同时设特征向量维数为3。 每层的介绍如下： 在PNN的神经网络模型中，输入层中的神经元数目等于学习样本中输入向量的m，各神经元是简单的分布单元，直接将输入变量传递给样本层。 样本层的节点数由输入样本和待匹配类别的乘积决定，为m*L。样本层是将输入节点传来的输入进行加权求和，然后经过一个激活函数运算后，再传给求和层。这里激活函数采用高斯函数，则输出为： 式中为径向基函数的中心，表示特性函数第i个分量对弈的开关参数。些层中每个节点均为RBF的中心，采用的特性函数为径向基函数—高斯函数，计算未知模式与标准模式间相似度。 求和层各单元只与相应类别的模式单元相连，各单元只依据Parzen方法求和估计各类的概率，即其条件概率为： 式中为类别，X为识别样本，为类别i的模式样本（在概率神经网络中做为权值），m为向量维数，为平滑参数，n为类i的模式样本数量。先验概率记为P(X)。 决策层节点数等于待匹配类别数，为L。根据各类对输入向量概率的估计，采用Bayes分类规则，选择出具有最小“风险”的类别，即具有最大后验概率的类别，可用下式来表达其决策方法对所有i 则输出y(X)= 。 基本学习算法 归一化训练样本矩阵 ，该矩阵的训练样本有m个，每一个样本维数为n。 ，归一化系数。 ，C即为归一化后的学习样本。 将归一化好的m个样本送入到网络输入层中 模式距离的计算 该距离是指样本矩阵与学习矩阵中相应元素之间的距离。 假设将由P个n维向量组成的矩阵称为待识别样本矩阵，则经归一化后，需要待识别的输入样本矩阵为： ，待分类样本矩阵，有p个，每一个样本维数为n。 计算欧式距离：就是需要识别的归一化的样本向量，与每一个归一化后的训练样本（）的欧式距离。 归一化的训练样本，i=1,2,...,m； 归一化的待分类样本，j=1,2,...,p； ：表示第i个待分类样本（）与第j个训练样本（）的欧式距离。 模式层高斯函数的神经元被激活 学习样本与待识别样本被归一化后，通常取标准差=0.1的高斯型函数。激活后得到初始概率矩阵： 在网络的求和层求得初始概率和 假设样本有m个，那么一共可以分为c类，设属于每一类的样本数目分别为，，，，且，在每一行中、、、分别取不同的值，则可以在网络的求和层求得各个样本属于各类的初始概率和： 计算概率 计算概率，即第i个样本属于第j类的概率。 ，概率值最大的那一类即为所属类。 微博好友特性分类 本实验中，类别定为4类：明星，同学，同事，密友。特征定为3类，分别以落入不同的范围来表征，利用前面建立起来的模型进行分类。 明星（1-20， 21-40， 41-60） 同学（61-80，81-100， 101-120） 同事（121-140， 141-160， 161-180） 密友（181-200， 201-220， 221-240） 每一组用20个训练样本，样本来自于程序中生成的满足一定范围的随机数。训练样本的个数是可以认为控制的，只要修改程序中的宏就可以。 在本实验中，我们自己定义一些待分类样本： 明星：蔡康永（10，30，50）　琢磨先生（15，35，55）　韩寒（5，25，45） 同学：张三（70，90，110）　李四（65，85，105）　王五（75，95，115） 同事：张一（130，150，170）　李二（125，145，165）　王三（135，155，175） 亲人：妈妈（190，210，230）　哥哥（185，205，225）　姐姐（195，215，235） 运行结果如下： 偶尔也会出现分类错误的时候： 不过分类错误的情况很少，运行程序很多次才偶尔会出错。原因可能是因为训练样本是随机生成的随机数，不一定都在那个范围内均匀分布，可能会偏大或偏小，造成计算欧式距离时出现分类的错误。 程序的运行环境为vs2013。 #include iostream #include fstream #include cstdlib #include string #include ctime #include cmath #define p 12 #define m 80 using namespace std; struct Data1 { double