pnn设计.pptx

pnn设计.pptx

《pnn设计.pptx》由会员分享，可在线阅读，更多相关《pnn设计.pptx（20页珍藏版）》请在冰豆网上搜索。

主讲：

周润景教授单位：

电子信息工程学院,基于PNN的数据分类器设计,目录,概率神经网络简介基于PNN网络的聚类Matlab程序介绍及仿真结果结论,一.概率神经网络,概率神经网络（ProbabilisticNeuralNetwork,PNN）是D.F.Specht博士在1989年首先提出的,它是径向基函数（RadialBasisFunction,RBF）模型发展而来的一种前馈型神经网络,与传统的RBF不同,PNN是专门用于解决分类问题的人工神经网络。

其理论依据是贝叶斯最小风险准则（即Bayes决策理论）,PNN将贝叶斯估计置于一个前馈神经网络中,其实质就是一个分类器,根据概率密度的无参数估计来进行Bayes决策从而得到分类结果,在分类和模式识别领域中被广泛应用。

网络模型,未知模式与标准模式间的相似度,求和估计各类的概率P（X|Ci）,选出具有最大后验概率的类别,网络模型,输入层的传递函数是线性的,仅仅将输入样本完全不变的传递给模式层的各节点。

模式层与输入层之间通过连接权相连,进行加权求和,通过一个非线性算子运算后,传递给求和层。

求和层只是简单地将有对应样本中同一类的模式层传来的输入（属于某类的概率）进行累加,即得到输入样本属于该类的最大可能性。

第四层是竞争层,它接收从求和层输出的各类概率密函数,概率密度最大的那个神经元输出为1,即所对应的那一类即为待识别的样本模式类别,其他神经元的输出全为2,3,4。

PNN网络的优点,训练速度快,其训练时间仅仅略大于读取数据的时间；无论分类问题多么复杂，只要有足够训练样本，总可以保证获得贝叶斯准则下的最优解；允许增加或减少训练样本而无需重新进行长时间训练。

二.基于PNN网络的聚类设计,聚类步骤第一步：

采集数据第二步：

构建并训练网络；第三步：

对网络进行测试；第四步：

利用已经训练好的网络进行预测。

三.Matlab程序介绍及仿真结果,程序流程图：

Matlab中的主要代码,PNN工具箱函数及仿真函数介绍P=p1,p2,p3,p4,p5,p6,p7;%输入样本Tc%类别向量T=ind2vec（Tc）;%转为目标分类向量;Net=newpnn（P,T,spread）;%创建一个PNN网络Y=sim（net,P）;%仿真Yc=vec2ind（Y）;%转为类别向量输出,Matlab中的主要代码,输出数据分类的图形程序f1=ac;%ac为分类标号index1=find（f1=1）;%输出第一类数据index2=find（f1=2）;%输出第二类数据index3=find（f1=3）;%输出第三类数据index4=find（f1=4）;%输出第四类数据,Matlab中的主要代码,完整程序代码clear;clc;%网络训练样本pConvert=importdata（C:

UsersAdministratorDesktopRBFrbf_train_sample_data.dat）;p=pConvert;%训练样本的目标矩阵t=importdata（C:

UsersAdministratorDesktopRBFrbf_train_target_data.dat）;plot3（p（1,:

）,p（2,:

）,p（3,:

）,o）;grid;box;fori=1:

29,text（p（1,i）,p（2,i）,p（3,i）,sprintf（%g,t（i）,end%以图形方式输出训练样本点holdofff=t;index1=find（f=1）;index2=find（f=2）;,Matlab中的主要代码,index3=find（f=3）;index4=find（f=4）;line（p（1,index1）,p（2,index1）,p（3,index1）,linestyle,none,marker,*,color,g）;line（p（1,index2）,p（2,index2）,p（3,index2）,linestyle,none,marker,*,color,r）;line（p（1,index3）,p（2,index3）,p（3,index3）,linestyle,none,marker,+,color,b）;line（p（1,index4）,p（2,index4）,p（3,index4）,linestyle,none,marker,+,color,y）;box;gridon;holdon;axis（035000350003500）;title（训练用样本及其类别）;xlabel（A）;ylabel（B）;zlabel（C）;pauset=ind2vec（t）;spread=30;,Matlab中的主要代码,%PNN网络的创建和训练过程net=newpnn（p,t,spread）;A=sim（net,p）;Ac=vec2ind（A）plot3（p（1,:

）,p（2,:

）,p（3,:

）,.）,grid;box;axis（035000350003500）fori=1:

29,text（p（1,i）,p（2,i）,p（3,i）,sprintf（%g,Ac（i）,end%以图形方式输出训练结果holdofff=Ac;index1=find（f=1）;index2=find（f=2）;index3=find（f=3）;index4=find（f=4）;line（p（1,index1）,p（2,index1）,p（3,index1）,linestyle,none,marker,*,color,g）;line（p（1,index2）,p（2,index2）,p（3,index2）,linestyle,none,marker,*,color,r）;line（p（1,index3）,p（2,index3）,p（3,index3）,linestyle,none,marker,+,color,b）;line（p（1,index4）,p（2,index4）,p（3,index4）,linestyle,none,marker,+,color,y）;,Matlab中的主要代码,box;gridon;holdon;title（网络训练结果）;xlabel（A）;ylabel（B）;zlabel（C）;pause%对待分类样本进行分类pConvert=importdata（C:

UsersAdministratorDesktopRBFrbf_simulate_data.dat）;p=pConvert;a=sim（net,p）;ac=vec2ind（a）,仿真结果,当训练数据为29组，测试数据为30组时的仿真图：

Spread=30时的分类结果,仿真结果,当训练数据为29组，测试数据为30组时的仿真图：

Spread=150时的分类结果,仿真结果,当训练数据为29组，测试数据为30组时MATLAB仿真结果：

Ac=1至29列11112222222333333334444444444ac=1至30列331342234133124243422331141333,仿真结果,以前14组数据作为训练样本，后45组数据作为测试样本，仿真结果如下：

Spread=40时的分类结果,仿真结果,以前14组数据作为训练样本，后45组数据作为测试样本，仿真结果如下：

Ac=34314132443442ac=1至27列23322332421344433134223433328至45列124243422331141333,四.总结,平滑因子spread的影响spread（平滑因子）的取值大小直接影响到最终的分类效果，所以选取合适的平滑因子在识别过程中显得尤为重要。

如果取值太大，密度估计比较平滑但细节丢失严重；取值太小，密度估计会呈现较多的尖峰突起。