神經網路如何識別性別

A. bp神經網路根據身高,體重識別男女這里,我有點不懂,為啥大於0.5是男,小於0.5是女

這是人為定義的吧，在數據集里定義1是男，0是女

B. 如何通過人工神經網路實現圖像識別

人工神經網路（Artificial Neural Networks）（簡稱ANN）系統從20 世紀40 年代末誕生至今僅短短半個多世紀，但由於他具有信息的分布存儲、並行處理以及自學習能力等優點，已經在信息處理、模式識別、智能控制及系統建模等領域得到越來越廣泛的應用。尤其是基於誤差反向傳播（Error Back Propagation）演算法的多層前饋網路（Multiple-Layer Feedforward Network）(簡稱BP 網路)，可以以任意精度逼近任意的連續函數，所以廣泛應用於非線性建模、函數逼近、模式分類等方面。

目標識別是模式識別領域的一項傳統的課題，這是因為目標識別不是一個孤立的問題，而是模式識別領域中大多數課題都會遇到的基本問題，並且在不同的課題中，由於具體的條件不同，解決的方法也不盡相同，因而目標識別的研究仍具有理論和實踐意義。這里討論的是將要識別的目標物體用成像頭(紅外或可見光等)攝入後形成的圖像信號序列送入計算機，用神經網路識別圖像的問題。

一、BP 神經網路

BP 網路是採用Widrow-Hoff 學習演算法和非線性可微轉移函數的多層網路。一個典型的BP 網路採用的是梯度下降演算法，也就是Widrow-Hoff 演算法所規定的。backpropagation 就是指的為非線性多層網路計算梯度的方法。一個典型的BP 網路結構如圖所示。

六、總結

從上述的試驗中已經可以看出，採用神經網路識別是切實可行的，給出的例子只是簡單的數字識別實驗，要想在網路模式下識別復雜的目標圖像則需要降低網路規模，增加識別能力，原理是一樣的。

C. cnn 人臉識別 如何判斷是誰

CNN卷積神經網路是一種深度模型。它其實老早就已經可以成功訓練並且應用了（最近可能deep learning太火了，CNNs也往這裡面靠。雖然CNNs也屬於多層神經網路架構，但把它置身於DL家族，還是有不少人保留自己的理解的）。 它在原始的輸入中應用可訓練的濾波器trainable filters和局部鄰域池化操作local neighborhood pooling operations，得到一個分級的且逐漸復雜的特徵表示。有實踐表示，如果採用合適的規則化項來訓練，它可以達到非常好的效果。CNN還讓人青睞的一點就是它會對例如姿勢、光照和復雜背景存在不變性。

D. BP神經網路如何把訓練後的權值輸入至MATLAB 建立網路 完成預測

這個就只能自己編M文件實現了，給個例子你看看

% script： main_batch.m
% 批量方式訓練BP網路，實現性別識別

%% 清理
clear all
clc

%% 讀入數據
% xlsfile='student.xls';
[data,label]=getdata();

%% 劃分數據
[traind,trainl,testd,testl]=divide(data,label);

%% 設置參數

rng('default')
rng(0)
nTrainNum = 60; % 60個訓練樣本
nSampDim = 2; % 樣本是2維的

%% 構造網路
net.nIn = 2; % 輸入層2個神經元，分別輸入身高、體重
net.nHidden = 3; % 3個隱含層節點
net.nOut = 1; % 1個輸出層節點
w = 2*(rand(net.nHidden,net.nIn)-1/2); % nHidden * 3 一行代表一個隱含層節點
b = 2*(rand(net.nHidden,1)-1/2);
net.w1 = [w,b];
W = 2*(rand(net.nOut,net.nHidden)-1/2);
B = 2*(rand(net.nOut,1)-1/2);
net.w2 = [W,B];

%% 訓練數據歸一化
mm=mean(traind);
% 均值平移
for i=1:2
traind_s(:,i)=traind(:,i)-mm(i);
end
% 方差標准化
ml(1) = std(traind_s(:,1));
ml(2) = std(traind_s(:,2));
for i=1:2
traind_s(:,i)=traind_s(:,i)/ml(i);
end

%% 訓練
SampInEx = [traind_s';ones(1,nTrainNum)];
expectedOut=trainl;

eb = 0.01; % 誤差容限
eta = 0.6; % 學習率
mc = 0.8; % 動量因子
maxiter = 2000; % 最大迭代次數
iteration = 0; % 第一代

errRec = zeros(1,maxiter);
outRec = zeros(nTrainNum, maxiter);
NET=[]; % 記錄
% 開始迭代
for i = 1 : maxiter
hid_input = net.w1 * SampInEx; % 隱含層的輸入
hid_out = logsig(hid_input); % 隱含層的輸出

ou_input1 = [hid_out;ones(1,nTrainNum)]; % 輸出層的輸入
ou_input2 = net.w2 * ou_input1;
out_out = logsig(ou_input2); % 輸出層的輸出

outRec(:,i) = out_out'; % 記錄每次迭代的輸出

err = expectedOut - out_out; % 誤差
sse = sumsqr(err);
errRec(i) = sse; % 保存誤差值
fprintf('第 %d 次迭代 誤差: %f\n', i, sse);
iteration = iteration + 1;
% 判斷是否收斂
if sse<=eb
break;
end

% 誤差反向傳播
% 隱含層與輸出層之間的局部梯度
DELTA = err.*dlogsig(ou_input2,out_out);
% 輸入層與隱含層之間的局部梯度
delta = net.w2(:,1:end-1)' * DELTA.*dlogsig(hid_input,hid_out);

% 權值修改量
dWEX = DELTA*ou_input1';
dwex = delta*SampInEx';

% 修改權值，如果不是第一次修改，則使用動量因子
if i == 1
net.w2 = net.w2 + eta * dWEX;
net.w1 = net.w1 + eta * dwex;
else
net.w2 = net.w2 + (1 - mc)*eta*dWEX + mc * dWEXOld;
net.w1 = net.w1 + (1 - mc)*eta*dwex + mc * dwexOld;
end
% 記錄上一次的權值修改量
dWEXOld = dWEX;
dwexOld = dwex;

end

%% 測試
% 測試數據歸一化
for i=1:2
testd_s(:,i)=testd(:,i)-mm(i);
end

for i=1:2
testd_s(:,i)=testd_s(:,i)/ml(i);
end

% 計算測試輸出
InEx=[testd_s';ones(1,260-nTrainNum)];
hid_input = net.w1 * InEx;
hid_out = logsig(hid_input); % output of the hidden layer nodes
ou_input1 = [hid_out;ones(1,260-nTrainNum)];
ou_input2 = net.w2 * ou_input1;
out_out = logsig(ou_input2);
out_out1=out_out;

% 取整
out_out(out_out<0.5)=0;
out_out(out_out>=0.5)=1;
% 正確率
rate = sum(out_out == testl)/length(out_out);

%% 顯示
% 顯示訓練樣本
train_m = traind(trainl==1,:);
train_m=train_m';
train_f = traind(trainl==0,:);
train_f=train_f';
figure(1)
plot(train_m(1,:),train_m(2,:),'bo');
hold on;
plot(train_f(1,:),train_f(2,:),'r*');
xlabel('身高')
ylabel('體重')
title('訓練樣本分布')
legend('男生','女生')

figure(2)
axis on
hold on
grid
[nRow,nCol] = size(errRec);
plot(1:nCol,errRec,'LineWidth',1.5);
legend('誤差平方和');
xlabel('迭代次數','FontName','Times','FontSize',10);
ylabel('誤差')

fprintf(' ----------------錯誤分類表----------\n')
fprintf(' 編號 標簽 身高 體重\n')
ind= find(out_out ~= testl);
for i=1:length(ind)
fprintf(' %4d %4d %f %f \n', ind(i), testl(ind(i)), testd(ind(i),1), testd(ind(i),2));
end

fprintf('最終迭代次數\n %d\n', iteration);
fprintf('正確率:\n %f%%\n', rate*100);

E. 遺傳神經網路識別原理

4.3.1 遺傳BP簡介

遺傳識別是遺傳演算法+神經網路的一種新興的尋優技術，適合於復雜的、疊加的非線性系統的辨識描述。神經網路演算法是當前較為成熟的識別分類方法，但網路權值的訓練一直存在著缺陷。為此結合具體應用，在對遺傳演算法進行改進的基礎上，本文採用了一種基於遺傳學習權值的神經網路識別方法，並取得了較好的效果。

盡管常規遺傳演算法是穩健的，但針對一個具體問題遺傳演算法只有和其他方法（或稱原有演算法）有效地結合在一起，組成一個新的混合演算法，才能在實際中得到廣泛應用。混合演算法既要保持原有演算法的長處，又要保持遺傳演算法的優點，因此常規遺傳演算法中的適應值函數、編碼、遺傳運算元等必須做適當的修改以適應混合演算法的要求。

4.3.1.1 適應值信息

常規演算法中，適應值常被表示為全局極小，用歐氏距離來實現。例如，適應值常被表示為如下形式：

圖4-5 改進的 GABP計算流程圖

GABP的計算過程圖如圖4-5所示。

F. 神經網路怎麼辨識對象

神經網路模擬人腦的神經元，神經元之間相互連接，每個神經元接受數據，判斷時候產生信號傳遞給下一個神經元，層層傳送，最終達到識別的目的。神經網路不像其它的模型有理論依據，它很多的像是一種模糊的統計預測模型。正因為這種特性，它的適應能力很強，只要有充足的數據與足夠的神經元，便能實現識別，決策，預測等功能。

G. 神經網路如何識別和編碼性別

神經網路模擬人腦中的神經元，神經元相互連接。每個神經元接收數據，並將判斷過程中產生的信號傳輸到下一個神經元，該神經元逐層傳輸，最終達到識別的目的，與其他模型不同，神經網路很像模糊統計預測模型。由於這一特點，其適應性非常強。只要有充足的數據和充足的神經元，就可以實現識別，決策，預測等功能。

其實人工神經網路他是一種簡單的數學模型，它將類似於大腦神經突觸連接的結構應用於信息處理。因為在工程和學術界裡面，它也經常被直接稱為神經網路或准神經網路。神經網路是一種操作模型，它由大量的節點或神經元及其相互連接組成，每個節點代表一個稱為激勵函數的特定輸出函數。