搜索
淮北师范大学2011届学士学位论文基于BP神经网络分类器的多目标识别研究学院、专业物理与电子信息学院通信工程研究方向人工智能学生姓名学号指导教师姓名指导教师职称讲师2011年4月28日淮北师范大学2011届学士毕业论文基于BP神经网络分类器的多目标识别研究II基于BP神经网络分类器的多目标识别研究淮北师范大学物理与电子信息学院235000摘要本文先确定输入数据和输出数据，输入数据是分类对象的特征，输出数据是分类对象的所属类别，用BP网络进行训练学习后使BP网络具有分类能力，然后就可以用于数据分类中。把提取的数据的特征用学习过的BP神经网络进行数据识别、分类。对数据输入样本量纲差别很大不能做到网络收敛的，要进行归一化处理，在对BP网络合理设置参数并且把输入输出设置为一一对应后进行仿真实验，实验结果表明基于BP神经网络分类器的识别方法具有较高的分辨率。通过这种提取、训练、识别的模式用于数据分类的方法也可以对类似的问题包括故障诊断、人才分类、图像分类等等，具有很好的实用推广价值。关键词BP神经网络；特征提取；多目标识别；归一化处理淮北师范大学2011届学士毕业论文基于BP神经网络分类器的多目标识别研究IIITheClassifierMulti-targetRecognitionofresearchbasedonBPNeuralNetworkSchoolofPhysicsandElectronicInformation,HuaibeiNormalUniversity,235000AbstractThispaperfirstdeterminesinputdataandoutdata.Inputdataobjectthecharacteristicsofclassification,outdataistheclassifiedobjectthatcategory.BPnetworkwastrainedtolearnafterBPnetworkhasclassificationability,andthenitcanbeusedfordataclassification.ThecharacteristicsofthedataextractedwiththeBPneuralnetworklearningdataidentification,classification.Ifinputdatatodimensionaldifferenceisverybigwhichiscannotdonetworkconvergence,itmustbenormalized.OnBPnetworksettingupreasonableparametersandtheinput/outputsettingsforone-to-onesimulationexperimentthenexperimentalresultsshowthatbasedontheBPneuralnetworkclassifieridentificationmethodhashigherresolution.Throughthisextractiontraining,recognitionmodelusedfordataclassificationmethodcanalsotosimilarproblemsincludingfaultdiagnosis,talentclassificationimageclassificationandsoon,hastheverygoodpracticalpopularizevalue.Keywords:BPneuralnetwork;Featureextraction；Multi-targetrecognition；Normalized目次淮北师范大学2011届学士毕业论文基于BP神经网络分类器的多目标识别研究IV1引言........................................................................................12人工神经网络........................................................................22.1人工神经网络的研究和意义..........................................22.2神经网络的发展与研究现状..........................................32.1人工神经网络的研究的内容和目前存在的问题...............43神经网络结构及BP神经网络............................................53.1神经元与神经网络结构.................................................53.2BP神经网络及其原理....................................................53.2BP神经网络的实现........................................................94BP神经网络分类识别.......................................................134.1BP神经网络分类识别概述..........................................134.2BP神经网络分类设计..................................................154.3BP神经网络分类识别算法................................................164.4仿真结果........................................................................18结论....................................................................................21参考文献....................................................................................22致谢............................................................................................23淮北师范大学2011届学士毕业论文基于BP神经网络分类器的多目标识别研究11引言利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。人工神经网络(ArtificialNeuralNetwork,简称ANN)是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。它具有信息的分布存储、并行处理以及自学习等优点,已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。.研究ANN目的：（1）探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算系统。（2）探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程极其规律。近年来,有越来越多的化学工作者开始将ANN应用于解决化学问题,并取得了一些成果。BP神经网络是目前应用最多的神经网络,它采用多层前向网络的反向传播算法,优点是只要有足够的隐层和隐结点,BP网络可以逼近任意的非线性映射。但BP神经网络易出现学习速度慢和陷入局部最小区及对参数选择敏感等问题。为此,人们对BP算法进行了许多改进.改进主要有两类:一类采用启发式技术,如附加动量法、自适应学习率法;另一类是采用数字优化技术,如共轭梯度法,拟牛顿法、Levenberg-Marquardt(L-M)法。淮北师范大学2011届学士毕业论文基于BP神经网络分类器的多目标识别研究22人工神经网络2.1人工神经网络的研究和意义人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。人工神经网络就是模拟人思维的一种方式，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法。探讨利用电子、光学、生物等技术实现神经计算机的途径。探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等。研究ANN方法：（1）生理结构的模拟：用仿生学观点，探索人脑的生理结构，把对人脑的微观结构及其智能行为的研究结合起来即人工神经网络（ArtificialNeuralNetworks，简称ANN）方法。（2）宏观功能的模拟：从人的思维活动和智能行为的心理学特性出发，利用计算机系统来对人脑智能进行宏观功能的模拟，即符号处理方法。近年来通过对人工神经网络的研究，可以看出神经网络的研究目的和意义有以下三点：（1）通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的本源。（2）争取构造出尽可能与人脑具有相似功能的计算机，即神经网络计算机。（3）研究仿照脑神经系统的人工神经网络，将在模式识别、组合优化和决策判断等方面取得传统计算机所难以达到的效果。人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，淮北师范大学2011届学士毕业论文基于BP神经网络分类器的多目标识别研究3人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。2.2神经网络的发展现状神经网络起源于20世纪40年代，至今发展已半个多世纪，大致分为三个阶段。（1）20世纪50年代-20世纪60年代：第一次研究高潮自1943年M-P模型开始，至20世纪60年代为止，这一段时间可以称为神经网络系统理论发展的初期阶段。这个时期的主要特点是多种网络的模型的产生与学习算法的确定。（2）20世纪60年代-20世纪70年代：低潮时期到了20世纪60年代，人们发现感知器存在一些缺陷，例如，它不能解决异或问题，因而研究工作趋向低潮。不过仍有不少学者继续对神经网络进行研究。Grossberg提出了自适应共振理论；Kohenen提出了自组织映射；Fukushima提出了神经认知网络理论；Anderson提出了BSB模型；Webos提出了BP理论等。这些都是在20世纪70年代和20世纪80年代初进行的工作。（3）20世纪80年代-90年代：第二次研究高潮进入20世纪80年代，神经网络研究进入高潮。这个时期最具有标志性的人物是美国加州工学院的物理学家JohnHopfield。他于1982年和1984年在美国科学院院刊上发表了两篇文章，提出了模拟人脑的神经网络模型，即最著名的Hopfield模型。Hopfield网络是一个互连的非线性动力学网络，它解决问题的方法是一种反复运算的动态过程，这是符号逻辑处理方式做不具