神经网络编程入门.docVIP

神经网络编程入门 本文主要内容包括：(1)介绍神经网络基本原理，(2)AForge.NET实现前向神经网络的方法，(3)Matlab实现前向神经网络的方法。 From： 第0节、引例 本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在找到。这里我简要介绍一下Iris数据集： 有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。已知不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。而且我们还有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。 一种解决方法是用已有的数据训练一个神经网络，用作分类器。这也是本文要实现的目的。 如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节--神经网络实现。 如果你对神经网络基本原理还不清楚，我建议你还是从第一节开始阅读。 第一节、神经网络基本原理 1.人工神经元(Artificial Neuron)模型 人工神经元是神经网络的基本元素，其原理可以用下图表示： 图1.人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值(threshold)，或称为偏置(bias)。则神经元i的输出与输入的关系表示为： 图中yi表示神经元i的输出，函数f称为激活函数(Activation Function)或转移函数(Transfer Function)，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 若用X表示输入向量，用W表示权重向量，即： X=[x0,x1,x2,.,xn] 则神经元的输出可以表示为向量相乘的形式： 若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net为负，则称神经元处于抑制状态。 图1中的这种阈值加权和的神经元模型称为M-P模型(McCulloch-Pitts Model)，也称为神经网络的一个处理单元(PE,Processing Element)。 2.常用激活函数 激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。 (1)线性函数(Liner Function) (2)斜面函数(Ramp Function) (3)阈值函数(Threshold Function) 图2.阈值函数图像 以上3个激活函数都是线性函数，下面介绍两个常用的非线性激活函数。 (4)S形函数(Sigmoid Function) 该函数的导函数： (5)双极S形函数 该函数的导函数： S形函数与双极S形函数的图像如下： 图3.S形函数与双极S形函数图像 双极S形函数与S形函数主要区别在于函数的值域，双极S形函数值域是(-1,1)，而S形函数值域是(0,1)。 由于S形函数与双极S形函数都是可导的(导函数是连续函数)，因此适合用在BP神经网络中。(BP算法要求激活函数可导) 3.神经网络模型 神经网络是由大量的神经元互联而构成的网络。根据网络中神经元的互联方式，常见网络结构主要可以分为下面3类： (1)前馈神经网络(Feedforward Neural Networks) 前馈网络也称前向网络。这种网络只在训练过程会有反馈信号，而在分类过程中数据只能向前传送，直到到达输出层，层间没有向后的反馈信号，因此被称为前馈网络。感知机(perceptron)与BP神经网络就属于前馈网络。 图4中是一个3层的前馈神经网络，其中第一层是输入单元，第二层称为隐含层，第三层称为输出层(输入单元不是神经元，因此图中有2层神经元)。 图4.前馈神经网络 对于一个3层的前馈神经网络N，若用X表示网络的输入向量，W1~W3表示网络各层的连接权向量，F1~F3表示神经网络3层的激活函数。 那么神经网络的第一层神经元的输出为： O1=F1(XW1) 第二层的输出为： O2=F2(F1(XW1)W2) 输出层的输出为： O3=F3(F2(F1(XW1)W2)W3) 若激活函数F1~F3都选用线性函数，那么神经网络的输出O3将是输入X的线性函数。因此，若要做高次函数的逼近就应该选用适当的非线性函数作为激活函数。 (2)反馈神经网络(Feedback Neural Networks) 反馈型神经网络是一种从输出到输入具有反馈连接的神经网络，其结构比前馈网络要复杂得多。典型的反馈型神经网络有：Elman网络和Hopfield网络。 图5.反馈神经网络 (3)自组织网络(SOM,Self-Organizing Neural Networks) 自组织神经网络是一种无导师学习网络。它通过自动寻找样本中