- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
-
概率神经网络概述
概率神经网络〔ProbabilisticNeuralNetwork,PNN〕是由D.F.Specht
在1990年提出的。主要思想是贝叶斯决策规则,即错误分类的期望风险最小,
在多维输入空间内别离决策空间。它是一种基于统计原理的人工神经网络,它是
以Parazen窗口函数为激活函数的一种前馈网络模型。PNN吸收了径向基神经
网络与经典的概率密度估计原理的优点,与传统的前馈神经网络相比,在模式分
类方面尤其具有较为显著的优势。
1.1概率神经网络分类器的理论推导
由贝叶斯决策理论:
ifp(wi|x)p(wj|x)ji,thenxwi〔1-1〕
其中p(wi|x)p(wi)p(x|wi)。
一般情况下,类的概率密度函数p(wi|x)是未知的,用高斯核的Parzen估
计如下:
2
xxik
1Ni1
p(x|wi)lexp()〔1-2〕
k1l2
22
Ni2
其中,xik是属于第wi类的第k个训练样本,l是样本向量的维数,是
平滑参数,Ni是第wi类的训练样本总数。
去掉共有的元素,判别函数可简化为:
2
xxik
p(wi)Ni
gi(x)exp()〔1-3〕
Nik122
.z.
-
1.2概率神经元网络的构造模型
PNN的构造以及各层的输入输出关系量如图1所示,共由四层组成,当进
展并行处理时,能有效地进展上式的计算。
图1概率神经网络构造
如图1所示,PNN网络由四局部组成:输入层、样本层、求和层和竞争层。
PNN的工作过程:首先将输入向量x输入到输入层,在输入层中,网络计算输
入向量与训练样本向量之间的差值|x-xik|的大小代表着两个向量之间的距离,
所得的向量由输入层输出,该向量反映了向量间的接近程度;接着
文档评论(0)