神经模糊与软计算-论文.docVIP

神经—模糊与软计算结课作业 —《用BP神经网络解决“徽章”问题》 学号姓名：王炳者 用BP神经网络解决“徽章”问题 一、问题的提出 徽章问题是一个典型的分类问题。它可以用一个具体的例子描述： 在某个国际会议上，参加会议的280名代表都收到会议组织者发给的一枚徽章，徽章的标记为“＋”或“－”。会议的组织者声明：每位代表得到徽章“＋”或“－”的标记只与他们的姓名有关，并希望代表们能够找出徽章“＋”与“－”的分类方法。由于客观原因，有14名代表没能参加此次会议。按照代表们找出的方法判断，如果他们参加会议将得到的徽章类型。 分类问题是数据挖掘中的一个重要问题，旨在生成一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个。常用的分类方法主要有贝叶斯法、近邻学习法、决策树法、规则归纳法及神经网络法。而由于神经网络具有大规模并行处理、自适应性、自组织性及容错性等其他算法无法比拟的优点，而得到了广泛的应用。我们借助神经网络中的BP神经网络算法对问题进行分析，BP算法已成为目前应用最为广泛的神经网络学习算法，绝大部分的神经网络模型是采用BP算法或它的变化形式，它也是前向神经网络的核心部分，体现了神经网络最精华的部分。 二、BP神经网络 BP神经网络(Back-propagation Neutral Network) 通常是指基于误差反向传播算法(BP算法)的多层前向神经网络，采用由导师的训练方式。由于它可以实现输入和输出的任意非线性映射，使得它在诸如函数逼近、模式识别、数据压缩等领域有广泛的应用。BP神经网络分类模型图如下： BP网络不仅有输入层节点和输出层节点，而且还有隐含层节点对于输入信号。要先前向传播到隐节点，经过作用函数后，再把隐节点的输出信息传播到输出节点，最后输出结果。节点的作用函数通常选取S型函数，在matlab中，S型函数有tansig（正切S型传递函数）和 logsig （对数S型传递函数）两种。 BP分类算法的具体过程如下： （1）根据网络要求对输入进行预处理； （2）采用BP网络对已预处理的输入进行学习与训练； （3）用训练好的BP网络对待分类样本进行模式分类。 其中，学习与训练过程是整个分类过程的重点，它由两部分组成，即网络输入信号正向传播和误差信号反向传播。在正向传播中，输入信息从输入层经隐含层逐层计算传向输出层，在输出层的各神经元输出对应输入模式的网络响应；如果输出层得不到期望输出，则误差转入反向传播，按减小期望输出与实际输出的误差原则，从输出层经到中间各层，最后回到输入，层层修正各个连接权值。随着这种误差逆传播训练不断进行，网络对输入模式响应的正确率也不断提高，如此循环直到误差信号达到允许的范围之内或训练次数达到预先设计的次数为止。 BP神经网络算法的学习训练过程如下： 1) 初始化网络，对网络参数及各权系数进行赋值，其中权系数应取随机数； 2) 输入训练样本，计算各层节点的网络输出值，并与真实值相比较，得出网络的输出误差； 3) 依据误差反向传播规则，调整隐层之间以及隐层与输入层之间的权系数； 4) 重复步骤（2）和（3），直至预测误差满足条件或训练次数达到规定次数。 整个训练学习的过程可以由下面的框图表示： 在建立了有关BP神经网络算法的基本概念后，我们即可以运用Matlab已有的工具箱对BP网络进行训练并最终对所给的数据进行分类。Matlab神经网络工具箱提供了许多函数实现BP算法。 三、解决徽章问题 神经网络数据挖掘方法只能处理数值数据，因此，需要将离散的符号数据转化为数值数据。最简单的方法是建立一个符号和数字值一一对应的对照表。另一种比较复杂的方法是采用合适的哈希函数，根据给定的字符串产生一个唯一的数字值。在这个模型中，由于徽章只和姓名有关，而姓名又是英文字符串，很自然的考虑到用英文字母编码作为特征值来考虑。 给定参加会议代表的姓名及其徽章如下： + Naoki Abe - Myriam Abramson + David W. Aha + Kamal M. Ali - Eric Allender + Dana Angluin - Chidanand Apte + Minoru Asada + Lars Asker + Javed Aslam + Haralabos Athanassiou + Jose L. Balcazar + Timothy P. Barber + Michael W. Bar