没有合适的资源?快使用搜索试试~ 我知道了~
PNN神经网络聚类法模式分类思想.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 32 浏览量
2022-11-12
04:35:31
上传
评论
收藏 224KB DOCX 举报
温馨提示
试读
13页
。。。
资源推荐
资源详情
资源评论
目 录
摘要 ...............................................................................................................................1
1 概率神经网络 ............................................................................................................1
1.1网络模型..........................................................................................................1
1.2分类思想..........................................................................................................2
1.3 PNN分类的优点..............................................................................................3
2 PNN 网络的构建 .......................................................................................................3
2.1 构建步骤.........................................................................................................3
2.2 Matlab中的主要代码....................................................................................4
3 Matlab 编程及结果分析 ............................................................................................4
3.1 Matlab中的编程............................................................................................4
3.2 仿真结果分析.................................................................................................7
3.3 结论...............................................................................................................10
4 总结 .........................................................................................................................11
参考文献 .....................................................................................................................12
1
PNN 神经网络聚类法
摘要
近几年来,对于神经网络的研究越来越普遍,神经网络在我们社会生活中的
作用也越来越不可替代,尤其在模式识别的领域里,更是有着举足轻重的作用。
酒是由多种成分按不同的比例构成的,兑酒时需要三种原料(X,Y,Z),现在
已测出不同酒中三种原料的含量,本文正是基于 PNN 神经网络针对酒中 X、Y、
Z 三种含量的不同来对酒进行识别分类。本文首先介绍了 PNN 神经网络的网络
模型以及它对不同的模式进行分类判别的思想,然后针对本文的酒类判别的要求
来构建 PNN 网络,并在Matlab 中进行编程仿真,最后对所仿真的结果进行了分
析比较,最后找出最优的模式分类。
1 概率神经网络
概率神经网络(Probabilistic Neural Networks,PNN)是由 D. F. Specht 在 1990
年提出的。主要思想是用贝叶斯决策规则,即错误分类的期望风险最小,在多维输
入空间内分离决策空间。它是一种基于统计原理的人工神经网络,它是以 Parzen
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 网络模型
PNN 的结构如图 1 所示,共由四层组成。
图 1 概率神经网络结构
1
概率神经网络 PNN 是径向基网络的一个分支,是前馈网络的一种。它是一种
有监督的网络的分类器,基于概率统计思想,由 Bayes 分类规则构成,采用 Parzen
窗函数密度估计方法估算条件概率,进行分类模式识别。
PNN 的结构模型如图,共分四层:输入层、样本层(又称模式层)、求和层
和决策层(又称竞争层输出层)。对应网络输入 X=[x1,x2,…xm] ,其输出为
T
Y=[y1,y2,…,yL] ,输入向量为 m,待匹配的类别数为 L。
T
1.2 分类思想
在 PNN 的神经网络模型中,输入层中的神经元数目等于学习样本中输入向
量的 m,各神经元是简单的分布单元,直接将输入变量传递给样本层。
样本层的节点数由输入样本和待匹配类别的乘积决定,为 m*L。样本层是
将输入节点传来的输入进行加权求和,然后经过一个激活函数运算后,再传给求
和层。这里激活函数采用高斯函数,则输出为:
exp( (||
|| / 2 ))
x
c
2
2
i
i
i
式中 为径向基函数的中心, 表示特性函数第 i 个分量对弈的开关参数。
c
i
i
些层中每个节点均为 RBF 的中心,采用的特性函数为径向基函数—高斯函数,
计算未知模式与标准模式间相似度。
求和层各单元只与相应类别的模式单元相连,各单元只依据 Parzen 方法求
和估计各类的概率,即其条件概率为:
1
1
(
) (
X
)
X
X
T
X
n
P ( X | C )
exp[
]
i
L
(2 )
2
i
/ 2
n
2
m
m
i 1
式中 为类别,X 为识别样本, 为类别 i 的模式样本(在概率神经网络
C
X
i
i
中做为权值),m 为向量维数, 为平滑参数,n 为类 i 的模式样本数量。先验概
率记为 P(X)。
决策层节点数等于待匹配类别数,为 L。根据各类对输入向量概率的估计,
采用 Bayes 分类规则,选择出具有最小“风险”的类别,即具有最大后验概率的
类别,可用下式来表达其决策方法对所有 i
j,
2
剩余12页未读,继续阅读
资源评论
xxpr_ybgg
- 粉丝: 6531
- 资源: 3万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功