概率神經(jīng)網(wǎng)絡(luò)

LOGOXX學(xué)校我們畢業(yè)啦其實(shí)是答辯的標(biāo)題地方概率神經(jīng)網(wǎng)絡(luò)報(bào)告人XXXXXXXXX22概率神經(jīng)網(wǎng)絡(luò)（PNN）：以指數(shù)函數(shù)替代神經(jīng)網(wǎng)絡(luò)中常用的S形激活函數(shù)，進(jìn)而構(gòu)造出能夠計(jì)算非線性判別邊界的概率神經(jīng)網(wǎng)絡(luò)。1、基于貝葉斯最優(yōu)分類(lèi)決策理論（錯(cuò)誤率、風(fēng)險(xiǎn)最小化）2、基于概率密度估計(jì)方法不同于反向傳播算法中的試探法，而是基于統(tǒng)計(jì)學(xué)中已有的概率密度函數(shù)的非參數(shù)估計(jì)方法。3、前饋網(wǎng)絡(luò)的一種

沒(méi)有反饋一、簡(jiǎn)介3貝葉斯決策概率密度函數(shù)估計(jì)其中，基于訓(xùn)練樣本，高斯核的Parzen估計(jì)：分類(lèi)任務(wù)：假設(shè)有c類(lèi)，w1,w2,…wc二、理論推導(dǎo)4判別函數(shù)是屬于第類(lèi)的第k個(gè)訓(xùn)練樣本

是樣本向量的維數(shù)

是平滑參數(shù)是第類(lèi)的訓(xùn)練樣本總數(shù)

判別規(guī)則只需經(jīng)驗(yàn)給出，或聚類(lèi)法，可取為在同組中特征向量之間距離平均值的一半。55右圖以三類(lèi)為例，即C=3；同時(shí)，設(shè)特征向量維數(shù)為3。輸入層樣本層求和層競(jìng)爭(zhēng)層PNN拓?fù)浣Y(jié)構(gòu)圖66輸入層求和層樣本層競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)是特征向量維數(shù)神經(jīng)元個(gè)數(shù)是訓(xùn)練樣本的個(gè)數(shù)神經(jīng)元個(gè)數(shù)是類(lèi)別個(gè)數(shù)神經(jīng)元個(gè)數(shù)為1在輸入層中，網(wǎng)絡(luò)計(jì)算輸入向量與所有訓(xùn)練樣本向量之間的距離。樣本層的激活函數(shù)是高斯函數(shù)。將樣本層的輸出按類(lèi)相加，相當(dāng)于c個(gè)加法器。判決的結(jié)果由競(jìng)爭(zhēng)層輸出，輸出結(jié)果中只有一個(gè)1，其余結(jié)果都是0，概率值最大的那一類(lèi)輸出結(jié)果為1。

1、網(wǎng)絡(luò)學(xué)習(xí)過(guò)程簡(jiǎn)單，學(xué)習(xí)速度快

學(xué)習(xí)一次完成，比BP快5個(gè)數(shù)量級(jí)，比RBF2個(gè)數(shù)量級(jí)。 2、分類(lèi)更準(zhǔn)確,沒(méi)有局部極小值問(wèn)題

錯(cuò)誤率、風(fēng)險(xiǎn)最小化。 3、容錯(cuò)性好，分類(lèi)能力強(qiáng)。

判別界面漸進(jìn)地逼近貝葉斯最優(yōu)分類(lèi)面。

7三、優(yōu)勢(shì)與不足1、對(duì)訓(xùn)練樣本的代表性要求高2、需要的存儲(chǔ)空間更大不足優(yōu)勢(shì)8

分類(lèi)方面已廣泛地應(yīng)用于非線性濾波、模式分類(lèi)、聯(lián)想記憶和概率密度估計(jì)。其優(yōu)勢(shì)在于用線性學(xué)習(xí)算法來(lái)完成非線性學(xué)習(xí)算法所做的工作，同時(shí)保證非線性算法的高精度等特性。四、應(yīng)用領(lǐng)域及實(shí)例應(yīng)用領(lǐng)域分類(lèi)模式識(shí)別主要用于最廣泛92013-5-24應(yīng)用實(shí)例一對(duì)彩色車(chē)牌圖像進(jìn)行二值化

特征向量是每個(gè)像素點(diǎn)的顏色RBG值。需要將其分為2類(lèi)，A類(lèi)表示背景色，B類(lèi)為號(hào)碼色，接近白色的顏色

用PNN對(duì)每個(gè)像素點(diǎn)進(jìn)行訓(xùn)練、分類(lèi)，再用0、1這兩個(gè)數(shù)值來(lái)表示A類(lèi)、B類(lèi)，重新設(shè)置圖片中像素的顏色實(shí)現(xiàn)了車(chē)牌號(hào)圖像的二值化。任務(wù)分析基本思路10實(shí)驗(yàn)步驟11實(shí)驗(yàn)結(jié)果

二值化前后對(duì)比圖原圖二值化后給保護(hù)區(qū)內(nèi)的每只老虎編號(hào)并采集其照片從照片中提取紋理信息作為訓(xùn)練樣本集，并用這些訓(xùn)練樣本對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；另取一張非訓(xùn)練樣本照片，用訓(xùn)練好的網(wǎng)絡(luò)識(shí)別出照片中老虎的編號(hào)。12應(yīng)用實(shí)例二東北虎紋理識(shí)別任務(wù)分析根據(jù)老虎的紋理照片進(jìn)行個(gè)體匹配識(shí)別基本思路13實(shí)驗(yàn)步驟利用數(shù)碼相機(jī)拍攝100只不同虎個(gè)體側(cè)身圖像，每只老虎拍多張利用計(jì)算機(jī)對(duì)這些圖像進(jìn)行圖像預(yù)處理、形態(tài)學(xué)處理,凸顯紋理特征從老虎身體左右兩側(cè)各三個(gè)點(diǎn)上提取特征信息作為該虎的特征值另取一些老虎的非訓(xùn)練樣本照片，用訓(xùn)練好的網(wǎng)絡(luò)識(shí)別出照片中各老虎