人工智能神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)報(bào)告

1、精選優(yōu)質(zhì)文檔-傾情為你奉上神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)報(bào)告 一 實(shí)驗(yàn)?zāi)康?1)熟悉Matlab/Simulink的使用.  (2)掌握BP神經(jīng)網(wǎng)絡(luò)的基本原理和基本的設(shè)計(jì)步驟.          (3)了解BP神經(jīng)網(wǎng)絡(luò)在實(shí)際中的應(yīng)用.  (4)針對(duì)簡(jiǎn)單的實(shí)際系統(tǒng), 能夠建立BP神經(jīng)網(wǎng)絡(luò)控制模型. 二、實(shí)驗(yàn)內(nèi)容BP神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的概念、原理和設(shè)計(jì)是受生物、特別是人腦神經(jīng)系統(tǒng)的啟發(fā)提出的. 神經(jīng)網(wǎng)絡(luò)由大量簡(jiǎn)單的處理單元來(lái)模擬真實(shí)人腦神經(jīng)網(wǎng)絡(luò)的機(jī)構(gòu)和功能以及

2、若干基本特性,是一個(gè)高度復(fù)雜的非線性自適應(yīng)動(dòng)態(tài)處理系統(tǒng).BP網(wǎng)絡(luò)是1986年由Rinehart和McCelland為首的科學(xué)家小組提出,是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一. BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入- 輸出模式映射關(guān)系,而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程. 它的學(xué)習(xí)規(guī)則是使用最速下降法,通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小. BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入( input) 、隱層( hide layer)和輸出層(output layer) ,如圖1所示.三、基于BP神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別3. 1輸入向量與目標(biāo)向

3、量首先對(duì)手寫(xiě)數(shù)字圖像進(jìn)行預(yù)處理,包括二值化、去噪、傾斜校正、歸一化和特征提取,生成BP神經(jīng)網(wǎng)絡(luò)的輸入向量Alphabet和目標(biāo)向量Tar2get. 其中Alphabet選取40 ×10的矩陣,第1列到第10列代表09的數(shù)字. Target為10 ×10的單位矩陣,每個(gè)數(shù)字在其所排順序位置輸出1,其他位置輸出0.3. 2BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建BP算法由數(shù)據(jù)流的前向計(jì)算(正向傳播)和誤差信號(hào)的反向傳播兩個(gè)過(guò)程構(gòu)成. 正向傳播時(shí),傳播方向?yàn)檩斎雽与[層輸出層,每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元. 若在輸出層得不到期望的輸出,則轉(zhuǎn)向誤差信號(hào)的反向傳播流程. 通過(guò)這兩個(gè)過(guò)程的交替進(jìn)行,在權(quán)

4、向量空間執(zhí)行誤差函數(shù)梯度下降策略,動(dòng)態(tài)迭代搜索一組權(quán)向量,使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值,從而完成信息提取和記憶過(guò)程.首先考慮正向傳播,設(shè)輸入層有n個(gè)節(jié)點(diǎn),隱層有p個(gè)節(jié)點(diǎn),輸出層有q個(gè)節(jié)點(diǎn). 輸入層與隱層之間的權(quán)值為vk i, 隱層與輸出層之間的權(quán)值為w jk. 隱層的傳遞函數(shù)為f1 ( x) ,輸出層的傳遞函數(shù)為f2 ( x) ,則隱層節(jié)點(diǎn)的輸出為輸出層節(jié)點(diǎn)的輸出為通過(guò)式(1) 和(2) 可得BP神經(jīng)網(wǎng)絡(luò)完成n維到q維的映射. 其次考慮反向傳播. 在反向傳播中,需要對(duì)不理想的權(quán)值進(jìn)行調(diào)整, B P神經(jīng)網(wǎng)絡(luò)的核心要?jiǎng)?wù)即在于調(diào)權(quán). 定義誤差函數(shù), 設(shè)輸入P個(gè)學(xué)習(xí)樣本,用x1 , x2 , , xp 來(lái)

5、表示. 第p個(gè)樣本輸入網(wǎng)絡(luò)得到輸出ypj ( j = 1, 2, , q) ,其誤差為式中為期望輸出. P個(gè)樣本的全局誤差為將式(3) 代入得輸出層權(quán)值的變化采用累計(jì)誤差BP算法調(diào)整wjk 使全局誤差E變小,即式(5) 中為學(xué)習(xí)率. 現(xiàn)定義誤差信號(hào)為將式(3) 代入可得第一項(xiàng)為第二項(xiàng)為輸出層傳遞函數(shù)f2 ( x) 的偏微分將式(7) 和(8) 代入可得誤差信號(hào)為則輸出層各神經(jīng)元權(quán)值wjk 調(diào)整公式將式(9)代入可定義為在得到輸出層權(quán)值調(diào)整公式后, 需要定義隱層權(quán)值vk i 調(diào)整公式根據(jù)輸出層各神經(jīng)元權(quán)值wjk 調(diào)整公式推導(dǎo)過(guò)程,可得vk i 為3. 3網(wǎng)絡(luò)的訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程是識(shí)別字符的基

6、礎(chǔ), 十分重要,直接關(guān)系到識(shí)別率的高低. 輸送訓(xùn)練樣本至B P神經(jīng)網(wǎng)絡(luò)訓(xùn)練, 在梯度方向上反復(fù)調(diào)整權(quán)值使網(wǎng)絡(luò)平方和誤差最小. 為使網(wǎng)絡(luò)對(duì)輸入向量有一定魯棒性,可先用無(wú)噪聲的樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到其平方和誤差最小,再用含噪聲的樣本進(jìn)行訓(xùn)練,保證網(wǎng)絡(luò)對(duì)噪聲不敏感. 訓(xùn)練完畢, 把待識(shí)別數(shù)字送BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行仿真測(cè)試.三、 實(shí)驗(yàn)結(jié)果與分析權(quán)值初始化為( - 1, 1) 之間的隨機(jī)數(shù), 期望誤差為0. 01, 最大訓(xùn)練步數(shù)5000, 動(dòng)量因子為0.95,隱層和輸出層均采用“l(fā)ogsig”函數(shù), 手寫(xiě)數(shù)字的識(shí)別結(jié)果如圖2 ( a) ( e) 所示,以數(shù)字4為例給出處理過(guò)程對(duì)1000個(gè)手寫(xiě)數(shù)字(每個(gè)數(shù)字取100幅不同的圖像) 進(jìn)行識(shí)別,其識(shí)