首页 / 神经网络 / 【树叶识别】PNN神经网络树叶类别【Matlab 741期】

【树叶识别】PNN神经网络树叶类别【Matlab 741期】

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了【树叶识别】PNN神经网络树叶类别【Matlab 741期】，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3970字，纯文字阅读大概需要6分钟。

内容图文

一、简介

1 概述
【树叶识别】PNN神经网络树叶类别【Matlab 741期】 - 文章图片
1.1 模式分类的贝叶斯决策理论

2 概率神经网路的网络结构（PNN）

总结：
1、输入层接收样本的值，神经元个数与输入向量长度相等。
2、隐藏层为径向基层，每个神经元对应一个中心（对应一个样本数据）。
3、输入数据分为了i类，因为PNN就是用来分类的，就是先用样本训练网络，然后输入数据，用此网络来鉴别，是属于哪一类数据。
4、上式Xij其实与RBF神经网络一致，就是求每个输入与样本的欧式距离，只不过此隐藏层把数据分为了i个类，并且设第i个类有j个数据。
5、然后下图可以看出，求和层的神经元个数与数据分类的个数相等，此求和层求得上式中，每类数据的平均值。
6、然后比较每一类平均值的大小，把此数据分类到值最大的那一类。
7、下文中，提出在实际计算中，用来理解的公式与实际计算中公式不同，
【树叶识别】PNN神经网络树叶类别【Matlab 741期】 - 文章图片
注意：上边的求和层的神经元个数与模式分类的个数相等。也就是说只有对应类别的样本（隐藏层的神经元）连接，不与其他无关的样本连接。

3 概率神经网络的优点
【树叶识别】PNN神经网络树叶类别【Matlab 741期】 - 文章图片

二、源代码

%% 清空环境变量
clc;
clear all
close all
nntwarn off;
warning off;

%% 训练数据预测数据提取及归一化

%下载五类叶片特征参数
load shu1 h1                 %女贞
load shu2 h2                 %银杏
load shu3 h3                 %五角枫 
load shu4 h4                 %杨树
load shu5 h5                 %石楠

%五个特征参数矩阵合成一个矩阵
data(1:30,:)=h1(1:30,:);
data(31:60,:)=h2(1:30,:);
data(61:90,:)=h3(1:30,:);
data(91:120,:)=h4(1:30,:);
data(121:150,:)=h5(1:30,:);

%% 测试数据预测数据提取及归一化
load cece1 g1                 %女贞
load cece2 g2                 %银杏
load cece3 g3                 %五角枫
load cece4 g4                 %杨树
load cece5 g5                 %石楠

%五个特征参数矩阵合成一个矩阵
test(1:12,:)=g1(1:12,:);
test(13:24,:)=g2(1:12,:);
test(25:36,:)=g3(1:12,:);
test(37:48,:)=g4(1:12,:);
test(49:60,:)=g5(1:12,:);
%% 选取训练数据和测试数据
p_train1=data(:,2:16)';
[p_train,inputps]=mapminmax(p_train1);
t_train=data(:,1)';
p_test1=test(:,2:16)';
p_test=mapminmax('apply',p_test1,inputps);
t_test=test(:,1)';


%% 将期望类别转换为向量
t_train=ind2vec(t_train);
t_train_temp=data(:,1)';
%% 使用newpnn函数建立PNN 
Spread=0.1;
net=newpnn(p_train,t_train,Spread)

%% 训练数据回代 查看网络的分类效果

% Sim函数进行网络预测
Y=sim(net,p_train);
% 将网络输出向量转换为指针
Yc=vec2ind(Y);

%% 通过作图 观察网络对训练数据分类效果
figure(1)
subplot(1,2,1)
plot(1:length(Yc),Yc,'bo')
hold on
plot(1:length(Yc),t_train_temp,'r*')
title('PNN网络训练后的效果')
xlabel('样本编号')
ylabel('分类结果')
set(gca,'Ytick',[1:5])
subplot(1,2,2)
H=Yc-t_train_temp;
plot(H)
title('PNN网络训练后的误差图')
xlabel('样本编号')


%% 网络预测未知数据效果
Y2=sim(net,p_test);
Y2c=vec2ind(Y2);
figure(2)
plot(1:length(Y2c),Y2c,'b^')
hold on
plot(1:length(Y2c),t_test,'r*')
title('PNN网络的预测效果')
xlabel('预测样本编号')
ylabel('分类结果')
set(gca,'Ytick',[1:5])
 x=[0.1:0.1:2];
a=[1 0.9933 0.96 0.9467 0.94 0.90 0.90 0.90 0.8933 0.8933 0.8933 0.8867 0.8867 0.8867 0.8867 0.8867 0.8867 0.8867 0.8867 0.88];
f=[1 1 1 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833 0.9833];
plot(x,a,'b-*')
hold on
plot(x,f,'r-o')
hold off
%% 将期望类别转换为向量
t_train1=ind2vec(t_train);
t_train_temp=output1(n(1:150))';
%% 使用newpnn函数建立PNN 
Spread=0.2;
net=newpnn(inputn,t_train1,Spread)

%% 训练数据回代 查看网络的分类效果

% Sim函数进行网络预测
Y=sim(net,inputn);
% 将网络输出向量转换为指针
Yc=vec2ind(Y);

%% 通过作图 观察网络对训练数据分类效果
figure(1)
subplot(1,2,1)
plot(1:length(Yc),Yc,'bo')
hold on
plot(1:length(Yc),t_train_temp,'r*')
title('PNN网络训练后的效果')
xlabel('样本编号')
ylabel('分类结果')
set(gca,'Ytick',[1:5])
subplot(1,2,2)
H=Yc-t_train_temp;
plot(H)
title('PNN网络训练后的误差图')
xlabel('样本编号')


%% 网络预测未知数据效果
Y2=sim(net,inputn1);
Y2c=vec2ind(Y2);
figure(2)
plot(1:length(Y2c),Y2c,'b^')
hold on
plot(1:length(Y2c),t_test,'r*')
title('PNN网络的预测效果')
xlabel('预测样本编号')
ylabel('分类结果')
set(gca,'Ytick',[1:5])

%%识别正确率
percent1=length(find(H==0))/length(H)
B=Y2c-t_test;
percent2=length(find(B==0))/length(B)