人工智能基于BP神经网络的模式识别方法研究：小麦品种.docxVIP

第PAGE

第PAGE1页

计算机科学与通信工程学院《人工智能原理实验》报告

实验名称

基于BP神经网络的模式识别实验（一）

实验目的

理解BP神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式，通过BP神经网络识别实例。

实验思路

首先初始化神经元，其次信息向前传播，完成BP算法的向前传播，接着实现BP算法的误差反向传播，最后训练网络并用实例测试（小麦品种分类）。

主要实验记录（可包括实验源程序、流程图、调试结果及实验结果等）

实验原理

BP算法，在本质上是一个好用的优化函数，它是一个双向算法。正向传播输入信号，输出分类信息，对于有监督学习而言，基本上都可归属于分类算法；反向传播误差信息，调整全网权值，通过微调网络参数，让下一轮的输出更加准确。

BP学习算法是通过反向学习过程使误差最小，其算法过程从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。BP网络不仅含有输入节点和输出节点，而且含有一层或多层隐(层)节点。输入信号先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后给出输出结果。

实验内容

自己建立一个BP神经网络，包括一个输入层，一个隐含层（2个神经元）和输出层（2个神经元）的神经网络。完成正向传播和反向传播的构建，利用训练的数据“异或”真值表，训练的网络，来测试它的正确性。最后用实例进行模式识别。

实验流程图

图SEQ图\*ARABIC1BP神经网络训练流程图

具体实验步骤

1.初始化神经元

定义的网络是只有一个隐含层（2个神经元）和输出层（2个神经元）的神经网络，如图2所示。

图SEQ图\*ARABIC2BP神经网络结构图

2.信息前向传播

信息前向传播，就是把信号通过激活函数的加工，一层一层的向前“蔓延”，直到抵达输出层。在这里，假设神经元内部的激活函数为，以下是它的求导形式，非常简洁而优美。

图SEQ图\*ARABIC3Sigmoid()函数

3.BP算法的前向传播

设计一个前向传播函数forward_propagate（），它把原始数据的每一行作为一个输入，然后计算一次输出，再利用一个数组new_inputs，记录前一层的输出，然后让其作为下一层新的输入。

4.BP算法的误差反向传播

这里的误差是指预期输出（可视为一个常数）和前向传播的实际输出之间的差值。这个差值作为网络权值调控的信号，反向传递给各个隐含层，让其按照预定的规则更新权值。

反向传播过程中要用到传递函数的导数。采用Sigmoid作为激活函数时，它的求导形式是非常简单的，它的求导形式为即：

，

直接把激活函数得到的值带入。

5.训练网络（解决异或问题）

结合前面的分析，开始训练BP算法，这里包括权值更新函数update_weights(）。训练的数据就是“异或”真值表，然后我们用这个训练好的网络，来测试它的正确性。

图SEQ图\*ARABIC4真值表

调试结果

实验数据集为异或真值表，实验使用数据集中的样本来训练网络，通过反向传播算法不断更新网络的权重和偏置，直到达到指定的迭代次数20000次，由结果可知，误差为0.001，预估值与实际输出相符，模型成立，如图所示。

图SEQ图\*ARABIC5调试结果

案例测试与实验结果

本次使用的数据集是小麦种子数据。该数据集把小麦种子分为三个品类：Canadian,Kama和Rosa，分别用数字1、2和3表示。评判的依据是小麦种子的7个特征，它们依次是：面积、周长、紧密度、麦粒核的长度、麦粒核的宽度、偏度系数、麦粒槽长度，这个数据集合共有210条数据。

本例中的小麦种子，共有7个特征，所以输入层就设计为7个神经元。因为我们的输出是小麦的三个分类，因此输出层的神经元个数就设定为3。现在主要的工作集中在如何设计合理的隐含层。为简单起见，这里暂时仅设计一个隐含层，该层中的神经元个数为5。这样的设定其实并没有太多的道理可言，更多凭借的是设计者的（调参）经验，它们可被视为一种超参数。

实验结果如图所示：

图SEQ图\*ARABIC6测试实验结果

实验总结与心得体会

BP算法是一种常用的神经网络训练算法，通过反向传播误差来更新神经网络的权值和偏置，从而实现对样本数据的拟合。

一开始我并熟悉BP算法的原理和流程，包括前向传播、误差计算、反向传播等步骤，实现起来比较困难，尤其是反向传播的公式计算很难理解。

之后是实操，编写代码实现BP算法。在编写代码时，矩阵运算、激活函数等实现起来比较困难，需要大量试错。

在小麦数据集模拟的时候，代码实现过程中，由于训练时对训练数据进行了归