BP算法实现字母识别.docx

BP算法实现字母识别 - - - - - -精品可编辑word学习资料 gW7Y3L3I7Y5 — — hS2T7X4Q1D9 — — lV3D7L2W6V10 基于 BP 网络多层感知机的字母识别 摘要：本次试验主要使用了 BP 神经网络方法对给定的英文字母 A-Z 进展识别，并对应输出0-25 表示识别胜利；考虑的干扰因素的存在，在试验中分别测试了隐匿 16%和 33%样本数据的成效，使得网络具有肯定的容错才能；本次试验程序的编写主要使用了 C 语言； 关键词： BP神经网络；模式识别； C 语言 精品word学习资料可编辑 名师归纳总结——欢迎下载 |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载.  一、试验目的 明白 BP神经网络的原理与实现方法； 明白 BP神经网络各种优化算法的特点； 通过试验分析 BP 网络的识别和容错性能； 熟识 C语言编程的根本方法； 二、试验工具与方法 BP 网络简介 20 世纪 80 岁月中期，学者 Rumelhart 、McClelland 和他们的同事提出了多层前馈网络MFNN(MutltilayerFeedforward Neural Networks) 的反向传播学习算法，简称 BP 网络(Back Propagation Network) 学习算法； BP 网络是对非线性可微分函数进展权值训练的 多层前向网络；在人工神经网络的实际应用中， 80%～ 90%的模型都采纳 BP 网络或其变化形式； BP网络主要作用于以下几个方面： 函数靠近：用输入矢量和相应的输出矢量训练一个网络来靠近一个函数； 模式识别：用一个特定的输出矢量将它与输入矢量联系起来； 分类：把输入矢量以所定义的相宜的方式进展分类； 数据压缩：削减输出矢量的维数以便于数据传输或储备； BP 神经网络是一种多层前馈神经网络 , 该网络的主要特点是信号前向传递 , 误差反向传播；在前向传递中 , 输入信号从输入层经隐含层逐层处理 , 直至输出层； 每一层的神经元状态只影响下一层神经元状态； 假如输出层得不到期望输出 , 如此转入反向传播 , 依据猜测误差调 精品word学习资料可编辑 名师归纳总结——欢迎下载 整网络权值和阈值 , 从而使 BP 神经网络猜测输出不断靠近期望输出； BP 神经网络的拓扑结 构如图 1 所示； P1 w1 w2 T1 精品word学习资料可编辑 名师归纳总结——欢迎下载 |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. P2 ； ； ； ； ； ； Tm Pn 输入层 隐匿层 输出层图 1 BP 神经网络拓扑结构图 图 1 中 P1，P2，??， Pn 是 BP 神经网络的输入值， T1 ，T2 ，?? Tm 是 BP 神经的猜测值， w1 和 w2 为 BP 神经网络权值；从图 1 可以看出， BP 神经网络可以看成一个非线性函数，网络输入值和猜测值分别为该函数的自变量和因变量； 当输入节点数为 n,输出节点数为 m 时,BP 神经网络就表达了从 n 个自变量到 m 个因变量的函数映射关系； BP 神经网络猜测前第一要训练网络 ,通过训练使网络具有联想记忆和猜测才能； BP 神经网络的训练过程包括以下几个步骤； 步骤 1: 网络初始化； 依据系统输入输出序列 〔p,t〕确定网络输入层节点数 n，隐含层节点数 x， 输出层节点数 m；初始化输入层、 隐含层和输出层神经元之间的连接权值 w、偏值 b 和学习速度 a，仍需要挑选相宜的鼓励函数；一般而言，初试权值和偏值是随机产生的较小实数； 步骤 2: 一轮学习完毕时，初始化各层前向输出值和各层敏锐性，主要完成置 0 工作； 步骤 3: 前向传播运算；依据公式， a0=p0，an=fn(wn*a n-1+bn)运算网络最终输出值 an，更新实际误差 e； 步骤 4: 精品word学习资料可编辑 名师归纳总结——欢迎下载 敏锐性 敏锐性运算；依据公式，第一逆推出 sn，然后依次反向运算出 sn-1-s1； 步骤 5: 权值、偏值更新；依据步骤 4 所得各层敏锐性更新权值 w 和对应偏值 b； 步骤 6： 一轮迭代完毕后，验证平均误差： e 是否满意误差要求 E，假如满意要求，如此训练学 习完成； 假如不满意误差要求， 就返回步骤 2 进展下一轮迭代， 如此反复直到满意误差要求 或者达到最大迭代次数，最终训练学习完成； 三、试验内容 1.网络的设计与试验前的预处理工作 网络的设计： 网络的挑选如图 2 所示： |品. |可. |编. |辑. |学. |习. |资. |料