神经网络用于模式识别.doc

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

tic

p=[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];

figure

plotpv(p,T);

[w,b]=initp(p,T)

[w,b,epochs,errors]=trainp(w,b,p,T,-1)

q=epochs;

figure

ploterr(errors)

p1=[-0.5;0];

a=simup(p1,w,b);

epochs=7errors=55555450

diedaicishu＝7elapsed_time=0.9060

2．奇异样本对网络训练的影响

cishu,2elapsed_time=0.8430

3．分类线性不可分样本

elapsed_time=10.2340