概率神經(jīng)網(wǎng)絡(luò)

LOGOXX學校我們畢業(yè)啦其實是答辯的標題地方概率神經(jīng)網(wǎng)絡(luò)報告人XXXXXXXXX22概率神經(jīng)網(wǎng)絡(luò)（PNN）：以指數(shù)函數(shù)替代神經(jīng)網(wǎng)絡(luò)中常用的S形激活函數(shù)，進而構(gòu)造出能夠計算非線性判別邊界的概率神經(jīng)網(wǎng)絡(luò)。1、基于貝葉斯最優(yōu)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(tǒng)計學中已有的概率密度函數(shù)的非參數(shù)估計方法。3、前饋網(wǎng)絡(luò)的一種

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

是樣本向量的維數(shù)

是平滑參數(shù)是第類的訓練樣本總數(shù)

判別規(guī)則只需經(jīng)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(shè)特征向量維數(shù)為3。輸入層樣本層求和層競爭層PNN拓撲結(jié)構(gòu)圖66輸入層求和層樣本層競爭層神經(jīng)元個數(shù)是特征向量維數(shù)神經(jīng)元個數(shù)是訓練樣本的個數(shù)神經(jīng)元個數(shù)是類別個數(shù)神經(jīng)元個數(shù)為1在輸入層中，網(wǎng)絡(luò)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(shù)是高斯函數(shù)。將樣本層的輸出按類相加，相當于c個加法器。判決的結(jié)果由競爭層輸出，輸出結(jié)果中只有一個1，其余結(jié)果都是0，概率值最大的那一類輸出結(jié)果為1。

1、網(wǎng)絡(luò)學習過程簡單，學習速度快

學習一次完成，比BP快5個數(shù)量級，比RBF2個數(shù)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(yōu)分類面。

7三、優(yōu)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(yōu)勢8

分類方面已廣泛地應(yīng)用于非線性濾波、模式分類、聯(lián)想記憶和概率密度估計。其優(yōu)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(yīng)用領(lǐng)域及實例應(yīng)用領(lǐng)域分類模式識別主要用于最廣泛92013-5-24應(yīng)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(shù)值來表示A類、B類，重新設(shè)置圖片中像素的顏色實現(xiàn)了車牌號圖像的二值化。任務(wù)分析基本思路10實驗步驟11實驗結(jié)果

二值化前后對比圖原圖二值化后給保護區(qū)內(nèi)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(jīng)網(wǎng)絡(luò)進行訓練；另取一張非訓練樣本照片，用訓練好的網(wǎng)絡(luò)識別出照片中老虎的編號。12應(yīng)用實例二東北虎紋理識別任務(wù)分析根據(jù)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(shù)碼相機拍攝100只不同虎個體側(cè)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(tài)學處理,凸顯紋理特征從老虎身體左右兩側(cè)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(wǎng)絡(luò)識別出照片中各老虎