最新(数字图像处理)人工神经网络识别课件PPT.ppt 54页

'(数字图像处理)人工神经网络识别 第十一章图像识别2 1.5人工神经网络识别3 ANN简介时空整合功能对不同时间通过同一突触传入的神经冲动有整合功能，对同一时间通过不同突触传入的神经冲动有整合功能。兴奋与抑制状态兴奋——当传入冲动的时空整合结果，使膜电位升高，超过动作电位的阈值（约40mv）时，细胞进入兴奋状态，产生神经冲动，由轴突输出；抑制——当传入冲动的时空整合结果，使膜电位低于动作电位的阈值（约40mv）时，细胞进入抑制状态，无神经冲动输出。生物神经元功能特性7 ANN简介生物神经元功能特性脉冲与电位转换突触界面有脉冲/电位信号转换功能。由轴突传递的电脉冲为等幅、恒宽、编码的离散脉冲信号，而细胞膜电位变化为连续的电位信号。在突触接口处进行“数/模”转换是通过神经介质以量子化学方式实现的变换过程，即电脉冲——神经化学物质——膜电位突触延时和不应期不应期——相邻两次冲动之间需要一个时间间隔，在此期间对激励不响应，不能传递神经冲动。学习、遗忘和疲劳由于结构可塑性，突触的传递作用有增强、减弱、饱和，所以细胞有学习、遗忘和疲劳效应。8 ANN简介人工神经元模型9 ANN简介非线性特性10 ANN简介非线性特性11 ANN简介非线性特性12 ANN简介非线性特性13 ANN简介人工神经网络人工神经网络（简称为ANN）由大量神经元互连而成，是现代神经科学研究成果的基础上提出来的，反映人脑功能的基本特性，但不是人脑真实写照，只是它的某种抽象、简化和模拟。14 ANN简介ANN信息处理能力ANN的信息处理功能由下列因素决定网络单元（人工神经元）的输入输出特性网络的拓朴结构连接权的大小（突触联系强度）15 ANN简介ANN信息处理能力大规模并行分布信息处理（现行计算机只能串行离散符号处理）分布式信息存贮：信息存贮体现在神经元互连的分布上，并以并行分布式处理(现行计算机计算与存贮是相互独立的)高度的鲁棒性和容错性，善于联想、概括、类比和推广，任何局部损伤不会影响整体结果。很强的自学习能力，系统可在学习过程中不断完善，具有创新特点。具有集体运算能力。16 ANN简介ANN的学习人工神经网络的学习模拟人脑的学习方法。人脑在学习过程中究竟哪些部分发生了变化，这是神经系统学习的实质问题。人脑学习学说（两大流派）化学学说认为神经系统把学习后的结果记录在某些生物分子（如蛋白质、核酸、神经递质）上，就象遗传信息记录在DNA上一样。突触修正学说认为学习过程中神经元之间的突触联系发生了变化。人工神经网络按突触修正学说来模拟人脑的学习过程。17 ANN简介ANN的学习准则误差修正型学习根据系统的期望输出与实际输出之间的误差作为连接权调整的参考，最后减小这种误差。随机型学习结合随机过程、概率和能量的概念来调整网络的连接权，从而使网络的能量达到最小。赫布型学习如果两个神经元同时兴奋，则它们之间的突触联系应该得以加强。竞争型学习是一种无教师学习。最简单的学习形式是“胜者为王”。18 前向网络分类器结构19 前向网络分类器工作过程隐节点i的加权输入隐节点i的输出输出节点j的输出输出节点j的加权输入20 前向网络分类器学习过程当输入向量为Ak时，期望的输出向量为Ck在模式识别中，期望输出向量实际上就是人工对输入模式的判识结果训练样本对21 前向网络分类器学习过程全局代价函数单个样本对时的代价函数输出节点一般化误差22 前向网络分类器学习过程隐节点一般化误差23 前向网络分类器学习过程梯度下降规则:调节现有连接权wij和vhi减少代价函数Ek24 前向网络分类器学习过程25 前向网络分类器学习过程令则26 前向网络分类器学习算法27 前向网络分类器学习算法28 前向网络分类器学习算法29 前向网络分类器多准则学习人工神经网络学习的共同特点都是在某个学习准则的指导下,逐步优化网络参数的过程。然而，这种单准则学习方法不能很好地满足实际应用的需要。这是因为：单准则学习存在诸如收敛速度慢,适用范围窄等局限性。单准则学习与人脑的学习机制有较大的差异。据此,本节提出一种基于模糊熵准则和误差平方和准则的多准则学习方法,旨在克服单准则学习的局限性,更好地模拟人脑的自适应学习功能,实现更有效的学习。30 前向网络分类器多准则学习31 前向网络分类器多准则学习模糊熵准则32 前向网络分类器多准则学习33 前向网络分类器多准则学习34 前向网络分类器多准则学习35 前向网络分类器异或问题：BP算法与MCL算法比较训练样本次序{(0,0),0},{(0,1),1},{(1,0),1},{(1,1),0}BP算法不收敛训练样本次序{(1,1),0},{(0,1),1},{(1,0),1},{(0,0),0}MCL的收敛速度约为BP算法的4～10倍多准则学习36 前向网络分类器分类问题：BP算法与MCL算法比较多准则学习37 前向网络分类器多准则学习多准则学习方法的特点能稳定收敛收敛速度快适用范围宽,泛化能力强与训练样本的输入次序无关38 自组织特征映射网络简介自组织特征映射网络（简称为SOFM）是一种无教师学习网络,可以自动地向环境学习,从而具有较强的自适应学习能力。SOFM的学习特点是在某个学习准则的指导下,逐步优化网络参数的过程。学习准则是影响SOFM学习性能的关键因素之一。39 自组织特征映射网络离差学习使J最小化的分类是合理的。误差平方和准则是最常用的学习准则。自组织特征映射网络的原始学习方法就是一使误差平方和Ｊ达到近似最小的优化过程，适合于每一类的样本都很密集而各类之间又有明显分离的模式分类问题。准则函数输出节点的加权输入输出节点的激发函数40 自组织特征映射网络相关学习两向量的相关函数准则函数令则使J最大化的分类是合理的41 自组织特征映射网络模糊学习准则函数使H最小化的分类是合理的令42 自组织特征映射网络模糊学习根据梯度下降算法，模糊学习的连接权修正量为43 自组织特征映射网络模糊学习竞争机制：对于输入模式Ak输出节点g有最大的加权输入修正节点g的连接权44 自组织特征映射网络多准则学习通常，多准则学习取多准则的线性组合形成一个新的学习准则，然后再在组合准则的指导下寻求最优解。然而，这种方法存在组合系数不易确定，收敛速度慢，收敛性难以保证等缺点。因此，我们将通过适当选取隶属函数的形式，使其反映误差平方的概念，从而将误差平方和准则和模糊熵准则融为一体，实现快速有效的学习。45 自组织特征映射网络多准则学习令则竞争机制上述模糊熵准则下获得的权矩阵W不仅实现了minH,而且实现了minJ46 自组织特征映射网络多准则学习离差学习相关学习模糊学习多准则学习学习速度12678137误分数6655误分率(%)4.04.03.33.3学习速度：为各种学习算法的迭代次数误分数：为学习好的网络对全部样本的错误分类数Iris数据分类比较47 新生儿抚触 1.抚触的发展2.抚触的反应机制及作用3.抚触的手法4.抚触注意事项5.有关抚触的研究 一.抚触的发展古代按摩近代的研究对按摩的研究动物实验 二.抚触的反应机制和作用反应机制：1.迷走神经的张力增加——加强食物吸收2.ß-内啡肽的释放——促进生长发育3.5-羟色胺的产生——减弱应激反应，增强免疫应答。 二.抚触的反应机制和作用作用：有利于婴儿的生长发育，加强免疫力和应激力，增进食物的消化和吸收，减少婴儿的哭闹，增加睡眠。抚触不仅促进宝宝健康成长，更能增加家人与宝宝的亲情交流，同时也是一种简便行之有效的节约医疗开支的方法，所以说抚触具有积极的意义和非常的价值作用： 三.手法1.头2.胸部3.腹部4.四肢5.手足6.背部每天3次，每次15分钟为宜。 四.注意事项1.按摩前温暖双手，涂润肤油于掌心，轻轻按摩，逐渐增加压力，使婴儿适应。2.确保按摩时不被打扰，放些柔和音乐，如出现异常情况，持续1分钟，应放弃。3.选择适当的时间。最好在沐浴后或穿衣时进行。4.要在适宜的环境温度下进行。5.考虑个体差异，观察抚触效果。'