模式識(shí)別實(shí)驗(yàn)報(bào)告(參考版)
2024-08-13 20:23本頁面
【正文】 每次運(yùn)行的BP網(wǎng)絡(luò)可以得到不同的結(jié)果。，影響了正常的訓(xùn)練速度，增加了迭代次數(shù)，應(yīng)通過learnpn函數(shù)去除奇異點(diǎn)。MSE=mse(E)。tocA=sim(net,P)。231。248。181。168。227。195。247。=1e4。=。=300。202。178。193。209。214。%201。layerWeights={2,1}。214。227。186。214。200。178。194。205。199。%%181。inputWeights={1,1}。214。227。186。214。200。178。200。202。199。%181。trainlm39。logsig39。purelin39。tansig39。188。227。221。253。224。214。253。198。230。figure,plotpv(P,T)。191。184。234。191。170。0 5 4 2 4 1 4 1 1 3 1 7 2 3 5 5]。191。184。235。228。170。tic。clear。223。175。228。238。243。198。230。figure,plot(perf)。207。199。178。206。214。endtoc%187。 linehandle=plotpc({1},{1},linehandle)。 n=n+1。231。248。173。241。247。170。208。181。n=0。linehandle=plotpc({1},{1})。194。205。190。201。198。214。184。189。%180。188。227。221。253。224。214。253。198。230。figure,plotpv(P,T)。191。184。234。191。170。5 2 1 4 1 1 3 1 2 4 5 6]。191。184。235。228。170。tic。（2）奇異點(diǎn)clear。207。199。187。177。178。206。214。%187。223。238。243。198。230。drawnow。 perf(n)=sse(E)。while(sse(E)) [net,y,E]=adapt(net,P,T)。194。205。190。201。198。214。184。193。%209。E=1。231。248。173。241。247。170。208。168。180。net=newp(minmax(P),1)。205。181。190。202。192。180。214。%187。T=[1 0 1 1 0 1 1 0 1 0 0 1 0 0 1 0]。193。202。177。196。%T206。P=[5 7 4 1 0 5 4 2 4 2 1 4 4 3 1 2。193。202。200。202。%P206。clc。四、實(shí)驗(yàn)步驟及程序?qū)嶒?yàn)步驟感知器實(shí)驗(yàn)：設(shè)計(jì)線性可分實(shí)驗(yàn)，要求訓(xùn)練樣本10個(gè)以上 奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響 以線性不可分樣本集訓(xùn)練分類器BP網(wǎng)實(shí)驗(yàn)：利用BP網(wǎng)對(duì)上述線性不可分樣本集進(jìn)行分類實(shí)驗(yàn)源程序（1）感知器close all。 前饋網(wǎng)絡(luò)結(jié)構(gòu)：輸入節(jié)點(diǎn)數(shù)為模式維數(shù)，輸出節(jié)點(diǎn)數(shù)一般為類別數(shù)，隱層節(jié)點(diǎn)數(shù)尚無明確方法，實(shí)驗(yàn)確定。步長的選擇：應(yīng)設(shè)為可變步長，以防止震蕩。前向傳播階段：輸入層 輸入節(jié)點(diǎn)：圖像特征分量值 輸出節(jié)點(diǎn)：隱層 輸入節(jié)點(diǎn)： 輸出節(jié)點(diǎn)：輸出層 輸入節(jié)點(diǎn)： 輸出節(jié)點(diǎn)：反向傳播階段：利用梯度下降法令誤差函數(shù)最小激勵(lì)函數(shù)f的導(dǎo)數(shù)： 利用反向傳播使某一隱層節(jié)點(diǎn)受所有輸出層節(jié)點(diǎn)影響B(tài)P采用S函數(shù)，輸出不宜設(shè)為1或0。BP法分類原理：根據(jù)樣本希望輸出與實(shí)際輸出之間的平方誤差最小，利用梯度下降法，從輸出層開始，逐層修正權(quán)系數(shù)。設(shè)計(jì)實(shí)驗(yàn)考察奇異樣本對(duì)感知機(jī)訓(xùn)練的影響，比較有無奇異點(diǎn)時(shí)的訓(xùn)練時(shí)間及迭代次數(shù)，設(shè)計(jì)解決此問題的方案并實(shí)驗(yàn)驗(yàn)證。線性分類器的設(shè)計(jì)步驟： 有一已知類別的樣本集H 確定一準(zhǔn)則函數(shù)J 利用最優(yōu)化技術(shù)求出準(zhǔn)則函數(shù)極值解設(shè)計(jì)線性分類器對(duì)線性可分樣本集進(jìn)行分類，樣本數(shù)目10個(gè)以上，訓(xùn)練及分類步驟齊全，記錄分類器訓(xùn)練的迭代次數(shù)和訓(xùn)練時(shí)間。貝葉斯分類器是在錯(cuò)誤率或風(fēng)險(xiǎn)下為最優(yōu)的分類器。二、實(shí)驗(yàn)儀器設(shè)備及軟件HP D53MATLAB三、實(shí)驗(yàn)原理設(shè)計(jì)線性可分實(shí)驗(yàn)線性分類器原理：已知一樣本集，如果有一個(gè)線性分類器能把每個(gè)樣本正確分類，則稱這組樣本集為線性可分的，否則稱為線性不可分的。說明K均值聚類分析方法誤差較小，但是相較于WIT系統(tǒng)分析的時(shí)間，K均值聚類時(shí)間較長，迭代次數(shù)較多。39。205。214。207。205。181。186。192。 190。203。 205。) subplot(2,2,4),imhist(img)。241。188。196。243。224。219。253。188。title(39。
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1