智能信息处理课程设计报告.docVIP

智能信息处理 课程设计报告 班级： 姓名： 学号： 处理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： ，式中，x∈R。 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]内的均匀分布，样本输出为F(xi)+ei， 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：。 学习率η=0.003，目标误差ε=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。 掌握模糊C均值聚类算法的基本原理，用该算法实现.1.1、BP神经网络设计 1创建BP神经网络 2.1.2、BP神经网络 图 2训练图 2.1.3、BP神经网络及结果分析 3仿真结果图 P=linspace(-4,4,100);%均匀产生随机数 T=1.1.*(1-P+2.*P.^2).*exp(-P.^2/2)+sqrt(0.1)*randn(1); %样本输出fx+ei t net=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.IW{1,1}=rand(10,1)*0.2-0.1;%初始权值 net.b{1,1}=rand(10,1)*0.2-0.1; net.b{2,1}=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); 2.2、基于模糊C均值聚类的彩色图像分割.2.1、基本原理及实现流程 是n个样本组成的样本集合，c为预定的类别数目，为每个聚类中心，是第个样本对于第类的隶属度函数。用隶属度函数定义的聚类损失函数可以写为： 其中，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 在条件式下求得其极小值，令对和的偏导数为0，可得必要条件： ， 。 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： .设定聚类数目c和参数b。 初始化各个聚类中心。 3）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 图4 图5 RGB=imread(1954.jpg,jpg); figure(1),imshow(RGB),title(彩色图); u=reshape(RGB,[6144 3]); u=double(u); cluster_n=3; options=[2 100 exp(-5) 1]; [center, U, obj_fcn] = FCMClust(u, cluster_n, options); [A,B]=max(U); a=reshape(B,[64 96 1]); a(B==1)=0; a(B==3)=125; a(B==2)=255; a=uint8(a); figure(2),imshow(a),title(转换图); 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。 《智能信息处理课程设计》报告 第2页 共1页 第5页 共5页