神经网络系统软件的实现

Ⅰ 如何通过人工神经网络实现图像识别

人工神经网络（Artificial Neural Networks）（简称ANN）系统从20 世纪40 年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，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。尤其是基于误差反向传播（Error Back Propagation）算法的多层前馈网络（Multiple-Layer Feedforward Network）(简称BP 网络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。

目标识别是模式识别领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义。这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机，用神经网络识别图像的问题。

一、BP 神经网络

BP 网络是采用Widrow-Hoff 学习算法和非线性可微转移函数的多层网络。一个典型的BP 网络采用的是梯度下降算法，也就是Widrow-Hoff 算法所规定的。backpropagation 就是指的为非线性多层网络计算梯度的方法。一个典型的BP 网络结构如图所示。

六、总结

从上述的试验中已经可以看出，采用神经网络识别是切实可行的，给出的例子只是简单的数字识别实验，要想在网络模式下识别复杂的目标图像则需要降低网络规模，增加识别能力，原理是一样的。

Ⅱ 如何用matlab软件实现神经网络应用

给你一个实例，希望通过该例子对实现神经网络应用有一定的了解。

%x,y分别为输入和目标向量

x=1:5;

y=[639 646 642 624 652];

%创建一个前馈网络

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

%仿真未经训练的网络net并画图

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

%采用L-M优化算法

net.trainFcn='trainlm';

%设置训练算法

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

%调用相应算法训练BP网络

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

%对BP网络进行仿真

y1=sim(net,x);

%计算仿真误差

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

hold on

%绘制匹配结果曲线

figure;

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

执行结果