有导师学习神经网络分类识别.pdfVIP

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

PNN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

PNN网络函数命令

net=newpnn（P,T,spread）

sim_grnn=sim（net，p_test）

实例

植物的分类与识别是植物学研究和农林业生产经营中的重

要基础工作，对于区分植物种类，探索植物间的亲缘关系、阐

明植物系统的进化规律具有重要意义。目前常用的植物种类鉴

别方法是利用分类检索表进行鉴定，但该方法花费时间较长

需要投入大量的财力物力。

叶片是植物的重要组成部分，叶子的外轮廓是其主要形态特

征。在提取叶子形态特征的基础上，利用计算机进行辅助分类

与识别成为当前的主要研究方向和研究热点。

采集到150组不同类型鸢尾花的4种属性，萼片长度、萼片

宽度、花瓣长度和花瓣宽度，样本编号与4种属性的关系如图

所示，其中1-50为Setosa,51-100为Versicolour101-150为

Virginica。从图中大致可以看出，花瓣长度、花瓣宽度与鸢尾

花类型间有较好的线性关系，而萼片长度、萼片宽度与鸢尾花

类型间呈现出非线性的关系。

(1)利用GRNN和PNN

型性能进行评价；

(2)利用GRNN和PNN

种类间的识别模型，比较模型的性能及运算时间。

解题思路与步骤

创建GRNN

产生训练集/

仿真测试性能评价

测试集

创建PNN

性能评价：计算测试集预测类别与真实类别间的误差，可以

对模型的泛化能力进行评价。

无导师学习神经网络的分类

—矿井突水水源判别

概念

无导师学习神经网络在学习过程中无需知道期望的输出。其

与真实人脑中的神经网络类似，可以通过不断的观察