神經網路系統軟體的實現

Ⅰ 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。

Ⅱ 如何用matlab軟體實現神經網路應用

給你一個實例，希望通過該例子對實現神經網路應用有一定的了解。

%x,y分別為輸入和目標向量

x=1:5;

y=[639 646 642 624 652];

%創建一個前饋網路

net=newff(minmax(x),[20,1],{'tansig','purelin'});

%模擬未經訓練的網路net並畫圖

y1=sim(net,x);plot(x,y1,':');

%採用L-M優化演算法

net.trainFcn='trainlm';

%設置訓練演算法

net.trainParam.epochs=500;net.trainParam.goal=10^(-6);

%調用相應演算法訓練BP網路

[net,tr,yy]=train(net,x,y);

%對BP網路進行模擬

y1=sim(net,x);

%計算模擬誤差

E=y-y1;MSE=mse(E)

hold on

%繪制匹配結果曲線

figure;

plot(x,y1,'r*',x,y,'b--')

執行結果