PNN神经网络聚类方法.doc

目 录 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc265157049 摘要 PAGEREF _Toc265157049 \h 1 HYPERLINK \l _Toc265157050 1概率神经网络 PAGEREF _Toc265157050 \h 1 HYPERLINK \l _Toc265157051 1.1网络模型 PAGEREF _Toc265157051 \h 2 HYPERLINK \l _Toc265157052 1.2分类思想 PAGEREF _Toc265157052 \h 2 HYPERLINK \l _Toc265157053 1.3 PNN分类的优点 PAGEREF _Toc265157053 \h 3 HYPERLINK \l _Toc265157054 2 PNN网络的构建 PAGEREF _Toc265157054 \h 4 HYPERLINK \l _Toc265157055 2.1 构建步骤 PAGEREF _Toc265157055 \h 4 HYPERLINK \l _Toc265157056 2.2 Matlab中的主要代码 PAGEREF _Toc265157056 \h 4 HYPERLINK \l _Toc265157057 3 Matlab编程及结果分析 PAGEREF _Toc265157057 \h 5 HYPERLINK \l _Toc265157058 3.1 Matlab中的编程 PAGEREF _Toc265157058 \h 5 HYPERLINK \l _Toc265157059 3.2 仿真结果分析 PAGEREF _Toc265157059 \h 8 HYPERLINK \l _Toc265157060 3.3 结论 PAGEREF _Toc265157060 \h 11 HYPERLINK \l _Toc265157061 4 总结 PAGEREF _Toc265157061 \h 11 HYPERLINK \l _Toc265157062 参考文献 PAGEREF _Toc265157062 \h 12 PNN神经网络聚类法 摘要 近几年来，对于神经网络的研究越来越普遍，神经网络在我们社会生活中的作用也越来越不可替代，尤其在模式识别的领域里，更是有着举足轻重的作用。 酒是由多种成分按不同的比例构成的，兑酒时需要三种原料（X,Y,Z），现在已测出不同酒中三种原料的含量，本文正是基于PNN神经网络针对酒中X、Y、Z三种含量的不同来对酒进行识别分类。本文首先介绍了PNN神经网络的网络模型以及它对不同的模式进行分类判别的思想，然后针对本文的酒类判别的要求来构建PNN网络，并在Matlab中进行编程仿真，最后对所仿真的结果进行了分析比较，最后找出最优的模式分类。 1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。 1.1网络模型 PNN的结构如图1所示,共由四层组成。 图1 概率神经网络结构 概率神经网络PNN是径向基网络的一个分支,是前馈网络的一种。它是一种有监督的网络的分类器，基于概率统计思想,由Bayes分类规则构成,采用Parzen 窗函数密度估计方法估算条件概率，进行分类模式识别。 PNN的结构模型如图，共分四层：输入层、样本层（又称模式层）、求和层和决策层（又称竞争层输出层）。对应网络输入X=[x1,x2,…xm]，其输出为Y=[y1,y2,…,yL],输入向量为m，待匹配的类别数为L。 1.2分类思想 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