有导师学习神经网络分类识别.pptVIP

有导师学习神经网络的分类— 鸢尾花种类识别 1.基础理论 1. GRNN的结构 GRNN由输入层、隐含层和输出层组成。 输入层：将样本送入隐含层，不参与运算； 隐含层:神经元个数等于训练集样本数，权值为欧式距离；传递函数为径向基函数； 输出层：线性输出层，其权函数为规范化点积权函数。 GRNN的学习算法 （1）确定隐含层神经元径向基函数中心 R为输入变量的维数，S为输出变量的维数；Q为训练集样本数 （2）确定隐含层神经元阈值 其中， spread为径向基函数的扩展速度。 （3）确定隐含层与输出层间权值和阈值 （4）输出层神经元输出计算 GRNN网络函数命令 net = newgrnn （P,T,spread） sim_grnn = sim （net，p_test） 2、概率神经网络概述（PNN） 与GRNN类似，由输入层、隐含层和输出层组成。与GRNN不同的是，PNN的输出层采用竞争输出代替线性输出，各神经元只依据Parzen方法来求和估计各类的概率，从而竞争输入模式的响应机会，最后仅有一个神经元竞争获胜，获胜的神经元即表示对输入模式的分类。 隐含层空间维数 - 网络逼近精度 - 网络复杂度 P