神經網絡報告-BP網絡

目錄TOC\o"1-3"\h\u實驗一 神經網絡用于圖像分割 2一、 實驗目的 2基于神經網絡的算法對圖像做分割。 2二、 實驗軟件 2三、 算法原理 21.3.1神經網絡 21.3.2BP神經網絡基本原理 31.3.3BP算法步驟 31.3.4基于神經網絡的圖像分割步驟 4四、 實驗結果 41.4.1實驗代碼 41.4.2結果展示 61.4.3實驗總結 7實驗一 神經網絡用于圖像分割實驗目的基于神經網絡的算法對圖像做分割。實驗軟件Matlab算法原理1.3.1神經網絡神經網絡是一種運算模型，由大量的節(jié)點（或稱“神經元”，或“單元”）和之間相互聯(lián)接構成。每個節(jié)點代表一種特定的輸出函數，稱為激勵函數（activationfunction）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重（weight），這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。人工神經網絡通常是通過一個基于數學統(tǒng)計學類型的學習方法（LearningMethod）得以優(yōu)化，所以人工神經網絡也是數學統(tǒng)計學方法的一種實際應用，通過統(tǒng)計學的標準數學方法我們能夠得到大量的可以用函數來表達的局部結構空間，另一方面在人工智能學的人工感知領域，我們通過數學統(tǒng)計學的應用可以來做人工感知方面的決定問題(也就是說通過統(tǒng)計學的方法，人工神經網絡能夠類似人一樣具有簡單的決定能力和簡單的判斷能力)，這種方法比起正式的邏輯學推理演算更具有優(yōu)勢。1.3.2BP神經網絡基本原理BP網絡模型處理信息的基本原理是：輸入信號Xi通過中間節(jié)點（隱層點）作用于輸出節(jié)點，經過非線形變換，產生輸出信號Yk，網絡訓練的每個樣本包括輸入向量X和期望輸出量t，網絡輸出值Y與期望輸出值t之間的偏差，通過調整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值Wij和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度Tjk以及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數（權值和閾值），訓練即告停止。此時經過訓練的神經網絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經過非線形轉換的信息。1.3.3BP算法步驟BP算法是一種有監(jiān)督式的學習算法，其主要思想是：輸入學習樣本，使用反向傳播算法對網絡的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網絡輸出層的誤差平方和小于指定的誤差時訓練完成，保存網絡的權值和偏差。具體步驟如下：（1）初始化，隨機給定各連接權[w],[v]及閥值θi，rt。（2）由給定的輸入輸出模式對計算隱層、輸出層各單元輸出（3）計算新的連接權及閥值，計算公式如下：（4）選取下一個輸入模式對返回第2步反復訓練直到網絡設輸出誤差達到要求結束訓練。第一步，網絡初始化。給各連接權值分別賦一個區(qū)間（-1，1）內的隨機數，設定誤差函數e，給定計算精度值和最大學習次數M。第二步,隨機選取第k個輸入樣本及對應期望輸出第三步，計算隱含層各神經元的輸入和輸出第四步，利用網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數第五步，利用隱含層到輸出層的連接權值、輸出層的和隱含層的輸出計算誤差函數對隱含層各神經元的偏導數第六步，利用輸出層各神經元的和隱含層各神經元的輸出來修正連接權值第七步，利用隱含層各神經元的和輸入層各神經元的輸入修正連接權。第八步，計算全局誤差第九步，判斷網絡誤差是否滿足要求。當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法。否則，選取下一個學習樣本及對應的期望輸出，返回到第三步，進入下一輪學習。1.3.4基于神經網絡的圖像分割步驟(1)根據圖像，選取圖像前景色與背景色作為樣本，并提取神經網絡權值閾值參數。(2)將獲取的樣本與閾值參數輸入建立的BP網絡中進行訓練。(3)圖像分割：將圖像分割看成是分類過程。將圖像每個像素點當做待分類的樣本，輸入BP網絡中進行分類，輸出一個特征值，這個特征值大于0.5，則認為這個像素點為前景色，否則為背景色。實驗結果1.4.1實驗代碼%Imagesegment.mcloseall;clearall;%產生樣本p=[0:1:255];t=zeros(1,256);t(82:256)=1;save('sample.mat','p','t');%訓練樣本load('sample.mat');net=bptrain(p,t);%顯示原圖img=imread('image\a.bmp');figure;imshow(img);%圖像分割imgsegment=segment(net,img);%顯示分割后的圖像imshow(imgsegment);%bptrain.mfunction[net]=bptrain(p,t)epochs=2000;goal=0.00001;net=newcf([0255],[61],{'tansig''purelin'});net.trainParam.epochs=epochs;net.trainParam.goal=goal;net=train(net,p,t);function[bw]=segment(net,img)%segment利用訓練好的神經網絡進行分割圖像%net-已經訓練好的神經網絡%img-等分割的圖像%輸出bw-分割后的二值圖像[mn]=size(img);P=img(:);P=double(P);P=P';T=sim(net,P);T(T<0.5)=0;T(T>0.5)=255;t=uint8(T);t=t';bw=reshape(t,m,n);1.4.2結果展示本實驗使用的圖片如圖1.1，1.3。試驗采用傳統(tǒng)的BP網絡算法對圖像進行分割。分割結果如圖1.2，，1,4。圖1.5為使用matlab進行網絡訓練的運行界面。圖1.1分割前圖1.2分割后1.3分割前 1.5分割后圖1.5matlab進行BP網絡訓練1.4.3實驗總結根據實驗結果，發(fā)現(xiàn)BP網絡有計算開銷大，計算時間很長，收斂速度緩慢的缺