概率神经网络讲解.ppt

*;*;*;二、分类器理论推导;;网络模型;*;*; 将贝叶斯分类决策理论引入到、推广到神经网络中来。 概率神经网络的网络结构是按照贝叶斯判别函数来设置的，以实现错误率或损失最小化。 概率神经网络针对概率密度函数做了三个假设： ①各分类的概率密度函数形态相同。 ②此共同的概率密度函数为高斯分布。 ③各分类的高斯分布概率密度函数的变异矩阵为对角矩阵，且各对角元素的值相同，值为 。 因为有了以上三个简单的限制，而使得概率神经网络在应用上减少了贝叶斯分类器建构上的问题，增加了许多的便利性。 ;*;*;五、基本学习算法;基本学习算法; 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：;归一化的训练样本Ci, i=1,2,…,m; 归一化的待分类样本dj, j=1,2,…,p; Eij：表示第i个待分类样本(di)与第j个训练样本(Cj)的欧式距离。;; 第五步：假设样本有m个，那么一共可以分为c类，并且各类样本的数目相同，设为k，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： ; 第六步：计算概率，即第i个样本属于第j类的概率。;六、应用领域;;的改进与遗传算法;遗传算法;设定平滑因子的取值范围，随机长生初始种群， M为种群规模，并设当前代数 t=1; (2)根据由染色体获得的平滑因子，构建PNN网络，计算分类正确的个数及误差，即计算染色体的适应度函数； (3)选择优胜的个体，进行交叉、变异操作，得到下代种群； (4)设当前代数 t=t+1; (5)检查t和 ，若 停止，否则返回（2）。 (6)利用优化得到的平滑因子确定PNN网络模型，输入测试数据，完成励磁涌流和内部故障电流的识别。 ;谢谢