概率神经网络_第1页
概率神经网络_第2页
概率神经网络_第3页
概率神经网络_第4页
概率神经网络_第5页
已阅读5页，还剩10页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

LOGOXX学校我们毕业啦其实是答辩的标题地方概率神经网络报告人XXXXXXXXX22概率神经网络（PNN）：以指数函数替代神经网络中常用的S形激活函数，进而构造出能够计算非线性判别边界的概率神经网络。1、基于贝叶斯最优分类决策理论（错误率、风险最小化）2、基于概率密度估计方法不同于反向传播算法中的试探法，而是基于统计学中已有的概率密度函数的非参数估计方法。3、前馈网络的一种

没有反馈一、简介3贝叶斯决策概率密度函数估计其中，基于训练样本，高斯核的Parzen估计：分类任务：假设有c类，w1,w2,…wc二、理论推导4判别函数是属于第类的第k个训练样本

是样本向量的维数

是平滑参数是第类的训练样本总数

判别规则只需经验给出，或聚类法，可取为在同组中特征向量之间距离平均值的一半。55右图以三类为例，即C=3；同时，设特征向量维数为3。输入层样本层求和层竞争层PNN拓扑结构图66输入层求和层样本层竞争层神经元个数是特征向量维数神经元个数是训练样本的个数神经元个数是类别个数神经元个数为1在输入层中，网络计算输入向量与所有训练样本向量之间的距离。样本层的激活函数是高斯函数。将样本层的输出按类相加，相当于c个加法器。判决的结果由竞争层输出，输出结果中只有一个1，其余结果都是0，概率值最大的那一类输出结果为1。

1、网络学习过程简单，学习速度快

学习一次完成，比BP快5个数量级，比RBF2个数量级。 2、分类更准确,没有局部极小值问题

错误率、风险最小化。 3、容错性好，分类能力强。

判别界面渐进地逼近贝叶斯最优分类面。

7三、优势与不足1、对训练样本的代表性要求高2、需要的存储空间更大不足优势8

分类方面已广泛地应用于非线性滤波、模式分类、联想记忆和概率密度估计。其优势在于用线性学习算法来完成非线性学习算法所做的工作，同时保证非线性算法的高精度等特性。四、应用领域及实例应用领域分类模式识别主要用于最广泛92013-5-24应用实例一对彩色车牌图像进行二值化

特征向量是每个像素点的颜色RBG值。需要将其分为2类，A类表示背景色，B类为号码色，接近白色的颜色

用PNN对每个像素点进行训练、分类，再用0、1这两个数值来表示A类、B类，重新设置图片中像素的颜色实现了车牌号图像的二值化。任务分析基本思路10实验步骤11实验结果

二值化前后对比图原图二值化后给保护区内的每只老虎编号并采集其照片从照片中提取纹理信息作为训练样本集，并用这些训练样本对概率神经网络进行训练；另取一张非训练样本照片，用训练好的网络识别出照片中老虎的编号。12应用实例二东北虎纹理识别任务分析根据老虎的纹理照片进行个体匹配识别基本思路13实验步骤利用数码相机拍摄100只不同虎个体侧身图像，每只老虎拍多张利用计算机对这些图像进行图像预处理、形态学处理,凸显纹理特征从老虎身体左右两侧各三个点上提取特征信息作为该虎的特征值另取一些老虎的非训练样本照片，用训练好的网络识别出照片中各老虎

人人文库> 全部分类> 教育资料 > 辅导培训

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论