概率神經網絡_第1頁
概率神經網絡_第2頁
概率神經網絡_第3頁
概率神經網絡_第4頁
概率神經網絡_第5頁
已閱讀5頁，還剩10頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

LOGOXX學校我們畢業啦其實是答辯的標題地方概率神經網絡報告人XXXXXXXXX22概率神經網絡（PNN）：以指數函數替代神經網絡中常用的S形激活函數，進而構造出能夠計算非線性判別邊界的概率神經網絡。1、基于貝葉斯最優分類決策理論（錯誤率、風險最小化）2、基于概率密度估計方法不同于反向傳播算法中的試探法，而是基于統計學中已有的概率密度函數的非參數估計方法。3、前饋網絡的一種

沒有反饋一、簡介3貝葉斯決策概率密度函數估計其中，基于訓練樣本，高斯核的Parzen估計：分類任務：假設有c類，w1,w2,…wc二、理論推導4判別函數是屬于第類的第k個訓練樣本

是樣本向量的維數

是平滑參數是第類的訓練樣本總數

判別規則只需經驗給出，或聚類法，可取為在同組中特征向量之間距離平均值的一半。55右圖以三類為例，即C=3；同時，設特征向量維數為3。輸入層樣本層求和層競爭層PNN拓撲結構圖66輸入層求和層樣本層競爭層神經元個數是特征向量維數神經元個數是訓練樣本的個數神經元個數是類別個數神經元個數為1在輸入層中，網絡計算輸入向量與所有訓練樣本向量之間的距離。樣本層的激活函數是高斯函數。將樣本層的輸出按類相加，相當于c個加法器。判決的結果由競爭層輸出，輸出結果中只有一個1，其余結果都是0，概率值最大的那一類輸出結果為1。

1、網絡學習過程簡單，學習速度快

學習一次完成，比BP快5個數量級，比RBF2個數量級。 2、分類更準確,沒有局部極小值問題

錯誤率、風險最小化。 3、容錯性好，分類能力強。

判別界面漸進地逼近貝葉斯最優分類面。

7三、優勢與不足1、對訓練樣本的代表性要求高2、需要的存儲空間更大不足優勢8

分類方面已廣泛地應用于非線性濾波、模式分類、聯想記憶和概率密度估計。其優勢在于用線性學習算法來完成非線性學習算法所做的工作，同時保證非線性算法的高精度等特性。四、應用領域及實例應用領域分類模式識別主要用于最廣泛92013-5-24應用實例一對彩色車牌圖像進行二值化

特征向量是每個像素點的顏色RBG值。需要將其分為2類，A類表示背景色，B類為號碼色，接近白色的顏色

用PNN對每個像素點進行訓練、分類，再用0、1這兩個數值來表示A類、B類，重新設置圖片中像素的顏色實現了車牌號圖像的二值化。任務分析基本思路10實驗步驟11實驗結果

二值化前后對比圖原圖二值化后給保護區內的每只老虎編號并采集其照片從照片中提取紋理信息作為訓練樣本集，并用這些訓練樣本對概率神經網絡進行訓練；另取一張非訓練樣本照片，用訓練好的網絡識別出照片中老虎的編號。12應用實例二東北虎紋理識別任務分析根據老虎的紋理照片進行個體匹配識別基本思路13實驗步驟利用數碼相機拍攝100只不同虎個體側身圖像，每只老虎拍多張利用計算機對這些圖像進行圖像預處理、形態學處理,凸顯紋理特征從老虎身體左右兩側各三個點上提取特征信息作為該虎的特征值另取一些老虎的非訓練樣本照片，用訓練好的網絡識別出照片中各老虎

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論