- 1、本文档共9页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
模式识别作业马忠彧.doc
作业1:线性分类器设计
1、问题描述
将4个输入矢量分为两类,其中两个矢量对应的目标值为1,另两个矢量对应的目标值为0。输入矢量为P=[-0.5 -0.5 0.3 0
-0.5 0.5 -0.3 1]
目标分类矢量为T=[1 1 0 0]
2、算法描述
采用单一感知器神经元来解决这个简单的分类问题。感知器(perceptron)是由美国学者F.Rosenblatt于1957年提出的,它是一个具有单层计算神经元的神经网络,并由线性阈值单元组成。当它用于两类模式的分类时,相当于在高维样本空间中,用一个超平面将两类样本分开。
两类样本线性情况下,线性判别函数可描述为,其中是权向量,是阈值。假设两类样本线性可分,则一定存在一个由定义的超平面,满足,其中。
定义感知器代价函数为,其中Y是训练向量的子集,是权向量w定义的超平面错误分类的部分。变量;。为了计算出代价函数的最小迭代值,利用梯度下降法设计迭代方案,即
其中,代入得
这种算法称为感知器算法。这个算法从任意权向量w(0)开始初始化,通过错误分类特征形成修正向量。如此重复到算法收敛于解,即所有的特征向量都正确的分类。可以证明,如果两类模式是线性可分的,则算法一定收敛。感知器特别适合用于简单的模式分类问题。
3、算法的实现
Matlab源程序如下:
0.5 0.3 0;-0.5 0.5 -0.5 1];
t=[1 1 0 0];
[w,b]=initp(p,t) %初始化感知器
plotpv(p,t) %绘制输入矢量
plotpc(w,b) %绘制分类线
pause
[w,b,epochs,errors]=trainp(w,b,p,t,-1) %训练感知器
pause
ploterr(errors); %绘制误差图
4、分类结果和讨论
图1为分类结果,图中的实线将两类分开。经过6步达到误差要求,训练结束。误差变化曲线如图2所示。
图1
图2
经过训练后,网络的权值和阈值分别为
w =-2.9871 -0.4630
b=-0.3572
训练结束后,验证
p=[-0.5;-0.2];
a=simup(p,w,b)
运行结果为a=1属1类
可见,单层感知器算法可用于简单的线性分类问题。
作业2:非线性分类器设计
1、问题描述
设计分类器实现同或运算。同或问题的真值表为
X1 X2 同或运算结果 类 0 0 1 1 0 1 0 0 1 0 0 0 1 1 1 1 用一条直线是不能将这两类分开的,可考虑非线性分类算法设计分类器。
2、算法描述
(1)双层感知器算法
单层感知器神经网络不能解决线性不可分的输入矢量的分类问题,解决这一问题的办法是输入的线性不可分矢量进行预处理。双层感知器算法就是采用两层感知器神经元,先将线性不可分问题转化为线性可分问题,再进行分类的。
算法分为两个阶段,第一阶段的映射将非线性可分问题转换为线性可分问题,通过第一层的神经元完成第一阶段的计算,它们构成隐层(hidden layer),将输入向量x映射到新向量y,即
第二阶段是基于转换数据实现分类,通过第二层神经元实现运算,构成输出层(output layer),得出决策方程。即
(2)径向基函数算法
若定义函数变量为从中心点ci与输入向量的欧式距离,即,则称该函数为径向基函数(Radial Basis Function,RBF)。函数f可有多种形式,例如
高斯形式被广泛使用。
径向基函数网络的结构包括两层,即隐层和输出层,隐层为径向基层(radbas),利用径向基函数将非线性问题转换为线性问题,输出层为线性层(pureline),将转换后的样本用线性分类方法进行分类。
3、算法的实现与分类结果
(1)双层感知器算法
Matlab源程序为:
p=[0 0 1 1;0 1 0 1];
t=[1 0 0 1];
s1=2;
[w1,b1]=initp(p,s1)
[w2,b2]=initp(s1,t)
plotpv(p,t)
plotpc(w1,b1)
pause
a1=simup(p,w1,b1);
[w2,b2,epochs,errors]=trainp(w2,b2,a1,t,[-1]);
ploterr(errors);
运行结果:
图3为分类结果,误差变化曲线如图4所示。
图3
图4
训练结束后,,两层网络的权值和阈值分别为
w1=[1 1;1 1];b1=[-0.5;-1.5]
w2=[1 -1] ;b2=-0.5;
(2)径
文档评论(0)