实验七 基于神经网络的模式识别实验

一、实验目的

理解BP神经网络和离散Hopfield神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。通过构建BP网络和离散Hopfield网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。 二、实验原理

BP学习算法是通过反向学习过程使误差最小，其算法过程从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。BP网络不仅含有输入节点和输出节点，而且含有一层或多层隐(层)节点。输入信号先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后给出输出结果。

离散Hopfield神经网络的联想记忆过程分为学习和联想两个阶段。在给定样本的条件下，按照Hebb学习规则调整连接权值，使得存储的样本成为网络的稳定状态，这就是学习阶段。联想是指在连接权值不变的情况下，输入部分不全或者受了干扰的信息，最终网络输出某个稳定状态。

三、实验条件

Matlab 7.X 的神经网络工具箱：在Matlab 7.X 的命令窗口输入nntool，然后在键盘上输入Enter键，即可打开神经网络工具箱。 四、实验内容

1.针对教材P243例8.1，设计一个BP网络结构模型（63-6-9），并以教材图8.5 为训练样本数据，图8.6为测试数据。

（1）运行train_data.m和test_data.m文件，然后从Matlab工作空间导入（Import）训练样本数据（inputdata10，outputdata10）和测试数据（testinputdata，testoutputdata），其次新建一个神经网络（New Network），选择参数如下表1，给出BP神经网络结构图。

表1 BP网络结构模型的各项参数设置 nn10_1 Network Name（神经网络名称） Network Type（神经网络类型） Feed-forward backprop（前馈反向传播） Input ranges（输入信息范围） 来自训练样本的输入数据（inputdata10） Training function（训练函数） TRAINGD(梯度下降BP算法) Performance function（性能函数） Number of layers（神经网络层数） Layer1（第1层）的Number of neurons (神经元个数) Layer1（第1层）的Transfer Function (传递函数) Layer2（第2层）的Number of neurons (神经元个数) Layer2（第2层）的Transfer Function (传递函数) MSE（均方误差） 2 6 LOGSIG（S型函数） 9 LOGSIG（S型函数） （2）输入训练样本数据（inputdata10，outputdata10），随机初始化连接权（Initialize Weights），然后进行训练（Train），训练参数设置如表2所示，并观察训练目标值变化曲线图，最后把BP神经网络训练成功后(即误差不再变化后)的误差值填入表3。

表2 BP网络训练参数

训练次数（epochs） 训练时间（time） 训练目标（goal） 学习率（lr） 最大确认失败次数（max_fail） 最小性能梯度（min_grad） 两次显示之间的训练步数（show） 表3 BP网络各训练算法的训练目标值

Training function （训练函数） TRAINGD(梯度下降BP算法) TRAINGDM（梯度下降动量BP算法） TRAINLMM（Levenberg-Marquardt BP训练函数） TRAINRP（弹性BP算法） TRAINSCG（变梯度算法） Network Name （神经网络名称） nn10_1 nn10_2 nn10_3 nn10_4 nn10_5 训练次数（epochs） Performance (训练目标值) 10000 Inf 0 0.3 5 1e-050 25 （3）选择不同的训练函数，例如TRAINGDM（梯度下降动量BP算法）、TRAINLMM（Levenberg-Marquardt BP训练函数）、TRAINRP（弹性BP算法）、TRAINSCG（变梯度算法），然后输入训练样本数据（inputdata10，outputdata10），训练参数设置如表2所示，设置相同的初始连接权（Revert Weights），观察不同BP训练算法的学习效果，把各训练算法的训练目标值填入上表3。

（4）选择训练目标值最小的一种训练算法，选择Weights选项给出其训练后的连接权值和偏置，然后输入测试数据（testinputdata，testoutputdata）进行仿真（Simulate），并把训练和测试的结果都导出（Export）到工作空间，给出训练后的输出结果和输出误差，以及测试后的输出结果和输出误差。

（5）对步骤（4）所选择的训练算法，再增加30组样本，然后新建一个神经网络（New Network）的结构为63-16-4，设置Network Name（神经网络名称）为nn40,并重新按照步骤（2）进行训练（Train），即输入训练样本数据（inputdata40，outputdata8421_40），训练参数设置如表2所示，随机初始化连接权（Initialize Weights）。其次输入测试数据（testinputdata，testoutputdata8421）进行仿真（Simulate），并把训练和测试的结果都导出到工作空间，给出训练后的输出结果和输出误差，以及测试后的输出结果和输出误差。

（6）针对Training function（训练函数）为TRAINGD的BP网络（nn10_1），然后设置不同的学习率（lr），例如0.01、0.1、0.5、1，按照步骤（2）进行训练，观察TRAINGD训练算法的学习效果，把各学习率下的训练目标值值填入表4。

表4 BP网络各训练算法的训练目标值

TRAINGD训练算法的学习率 0.01 0.1 0.5 1 Performance (训练目标值)

2?2模式，两组训练数据为 2. 已知字符点阵为

T a(1)??1011?(大写字母L）a(2)??0101?(小写字母l）

T

图1 训练数据

大写字母L 小写字母l

设计一个能够存储这两个字符的离散Hopfield神经网络，要求： （1）给出相应的离散Hopfield神经网络结构图； （2）计算连接权值及阈值（阈值可设为 0）；

（3）输入下列测试数据

t(1)??1101?TTt(2)??0011? 图2 测试数据

给出网络最终输出的稳定状态。 五、实验报告要求：

1． 按照实验内容，给出相应结果。

2．分析比较采用梯度下降训练算法的BP网络学习率的变化对于训练结果的影响。 3. 分析比较BP网络和离散Hopfield网络在模式识别方面的异同点。

下面是实验报告的基本内容和书写格式。(10165956@qq.com)

实验名称

班级： 学号： 姓名：

一、实验目的 二、实验原理 三、实验结果

按照实验内容，给出相应结果。 四、实验总结

1. 完成实验报告要求2。 2. 总结实验心得体会

——————————————————————————————————