资源描述：
《神经网络用于模式识别.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、神经网络模式识别一．实验目的掌握利用感知器和BP网进行模式识别的基本方法，通过实验加深对基本概念的理解。二．实验仪器与设备HPD538、MATLAB三．实验原理1．设计线性可分实验假设模式向量X是N维的，线型判别函数的一般形式为：式中，成为权向量；成为阀值；成为增广权向量；成为增广模式向量。在两类情况下，可以仅定义一个判别函数：决策规则为：若则决策边界方程为，当为线性函数时，这个决策边界便是超平面。这个超平面将模式空间分割成两个决策域。超平面的方向由权向量确定，它的位置由阀值决定。假设已知一组容量为N的样本集，如果又一个现行分类器能把每个样本正确
2、分类，则称这组样本集为线性可分的；否则称为线性不可分的。反过来，如果样本集是线性可分的，则必然存在一个线性分类器能把每个样本正确分类2．奇异样本对网络训练的影响奇异样本：该样本向量同其他样本向量比较起来特别大或特别小时，网络训练所花费的时间将很长。设计实验考察奇异样本对感知机训练的影响，比较有无奇异点时的训练时间及迭代次数，设计解决此问题的方案并实验验证。3．分类线性不可分样本利用线性分类器对线性不可分样本进行分类，考察训练时间及迭代次数。利用BP网对该样本集进行分类，考察训练时间及迭代次数并作对比。四．实验步骤及程序1．设计线性可分实验ticp
3、=[0.4,0.1,0.3,0.3,0.4,0.8,0.9,0.7,0.6,0.7;0.1,0.2,0.45,0.5,0.5,0.6,0.8,0.8,0.9,0.7];T=[0000011111];figureplotpv(p,T);[w,b]=initp(p,T)[w,b,epochs,errors]=trainp(w,b,p,T,-1)q=epochs;figureploterr(errors)p1=[-0.5;0];a=simup(p1,w,b);p2=[1;1];c=simup(p2,w,b);p=[pp1p2];T=[Tac];figu
4、replotpv(p,T);plotpc(w,b);disp(sprintf('diedaicishu，%d',q));toc2．奇异样本对网络训练的影响ticp=[-1.4,-0.18,-0.35,0.0,-0.4,0.7,0.9,0.7,0.6,12;-0.21,-0.2,-1.4,-0.5,-0.5,2.6,1.8,0.8,0.9,18];T=[0000011111];p=normc(p);[w,b]=initp(p,T)[w,b,epochs,errors]=trainp(w,b,p,T,-1);q=epochs;figureploter
5、r(errors);p1=[1;2];a=simup(p1,w,b);p2=[-1;1];c=simup(p2,w,b);p=[p,p1,p2];T=[Tac];figure,plotpv(p,T);plotpc(w,b);clc;disp(sprintf('cishu,%d',q));toc3．分类线性不可分样本clc;cleartic;p=[0.92850.64720.600000.62470.80000.74740.65850.55470.44720.37140.89440.80000.90.78090.60000.66440.75260.
6、83210.8944];t=[0000011111];figureplotpv(p,t)netw=newff([-11;-11],[51],{'logsig''logsig'},'traingd');netw.trainparam.goal=0.001;netw.trainparam.epochs=1000;[netw,tr,errors]=train(netw,p,t);figureploterr(errors);lw1=netw.lw{1};b1=netw.b{1};lw2=netw.lw{2};b2=netw.b{2};p1=[0.10.2
7、0.30.40.9;0.10.60.70.80.9];b=sim(netw,p1);c=b>0.5;toc五．实验结果与分析1．设计线性可分实验w=4.56263.3590b=-5.3364epochs=7errors=55555450diedaicishu＝7elapsed_time=0.90602．奇异样本对网络训练的影响cishu,2elapsed_time=0.84303．分类线性不可分样本elapsed_time=10.2340
