智能信息处理课程设计报告

智能信息处理课程设计报告

班级：11电科2

姓名：张俊为

学号： Xb11640218 浙江理工大学科技与艺术学院

1． 课程设计目的

1． 提高分析问题、解决问题的能力，进一步巩固智能信息处理算法的基本原理与方法。 2． 熟悉掌握一门计算机语言，可以进行智能信息处理的应用开发设计。

2． 课程设计内容及实现

1． 掌握BP 网络的基本原理，能利用BP 网络解决Hermit 多项式的逼近问题，具体内

容如下：

考虑Hermit 多项式的逼近问题，该问题由Mackay 提出：

()()22

1.112exp 2x F x x x ⎛⎫

=-+- ⎪⎝⎭

，式中，x ∈R 。

训练样本产生方式如下：样本数N=100，其中样本输入x i 服从区间[-4, 4]内的均匀分布，样本输出为F(x i )+e i ， e i 为添加的噪声，服从均值为0，标准差为0.1的正态分布。

对于该函数逼近问题，可以用一个单输入单输出的3层BP 网络对样本进行拟合，网络的隐节点数选为10。

其它学习参数设定如下：神经网络采用标准Sigmoid 激活函数，输出层采用线性激活函数，即：()f u u =。

学习率η=0.003，目标误差ε=0.5，最大学习次数20000，初始权值和偏移取[-0.1, 0.1]内的随机数。

2． 掌握模糊C 均值聚类算法的基本原理，并用该算法实现彩色图像分割。

2.1、BP 网络解决函数逼近

2.1.1、BP 神经网络设计

图 1创建BP 神经网络

2.1.2、BP 神经网络训练

图 2训练图2.1.3、BP神经网络测试及结果分析

图 3仿真结果图

P=linspace(-4,4,100);%均匀产生随机数

T=1.1.*(1-P+2.*P.^2).*exp(-P.^2/2)+sqrt(0.1)*rand n(1); %样本输出fx+ei t

net=newff(P,T,10); %产生bp网络，10个神经元net.trainParam.show = 50;%显示周期

net.trainParam.lr = 0.003; %学习率

net.trainParam.epochs = 20000;%最大学习次数

net.trainParam.goal = 0.001; %目标误差

net.IW{1,1}=rand(10,1)*0.2-0.1;%初始权值

net.b{1,1}=rand(10,1)*0.2-0.1;

net.b{2,1}=rand(1)*0.2-0.1;%初始偏移量

[net,tr]=train(net,P,T); p=8.*rand(1,100)-4;

A = sim(net,P); %仿真figure; plot(P,T,'o',P,A,'x');

2.2、基于模糊C均值聚类的彩色图像分割

2.2.1、基本原理及实现流程

在数字图像由于存在混合像素的原因，也就是说一个像素中不仅存在一类地物，因而采用硬分类方式往往不合适，而模糊C均值就是引入模糊集对每个像素的划分概率不单单是

用0或1这样的硬分类方式，而是0和1之间的范围内（包括0和1）。

定义{},1,2,...,i x i n =是n 个样本组成的样本集合，c 为预定的类别数目，

,1,2,...,i m i c =为每个聚类中心，()j i u x 是第i 个样本对于第j 类的隶属度函数。用隶属度

函数定义的聚类损失函数可以写为：

2

11

(),c

n

b f j i i j j i J u x x m ==⎡⎤=-⎣⎦∑∑

其中，1b >是一个可以控制聚类结果的模糊程度的常数。

在不同的隶属度定义方法下最小化式的损失函数，就得到不同的模糊聚类方法。其中最有代表的是模糊C 均值方法，它要求一个样本对于各个聚类的隶属度之和为1，即

1

()1,c

j

i

j u x ==∑ 1,2,...

,i n = 在条件式下求得其极小值，令f J 对i m 和()j i u x 的偏导数为0，可得必要条件：

1

1

(),1,2,...,()n

b

j i i i i n

b

j i i u x x m j c u x ==⎡⎤⎣⎦=

=⎡⎤⎣⎦

∑

∑

，

()()

()

()

1/121/121

1/(),1,2,...,1/b i

j

j

i

c

b i

j

k x m u x i n x m --=-=

=-∑ 1,2,...

,j c =。 用迭代的方法求解上式，就是模糊C 均值算法。算法步骤如下：

1） .设定聚类数目c 和参数b 。

2） 初始化各个聚类中心i m 。

3）重复下面的运算，直到各个样本的隶属度值稳定： 当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类划分。

2.2.2、实验结果及分析

图4 图5

RGB=imread('1954.jpg','jpg');

figure(1),imshow(RGB),title('彩色图');

u=reshape(RGB,[6144 3]);

u=double(u); cluster_n=3;

options=[2 100 exp(-5) 1];

[center, U, obj_fcn] = FCMClust(u, cluster_n, options);

[A,B]=max(U); a=reshape(B,[64 96 1]);

a(B==1)=0; a(B==3)=125; a(B==2)=255; a=uint8(a); figure(2),imshow(a),title('转换图');

3．课程设计总结与体会

这次课程设计，我学到了BP神经网络的构建,训练,以及参数的选择等。设置适量的神经元个数，以及学习次数，可以让神经网络更有效率地进行训练，在最短的时间取得最好的结果。我了解到模糊C均值聚类首先需要对彩色图像分割成一些颜色相近的集合，然后在进行聚类。这样也可以大大加快该算法的速度。这两个实验都对算法的效率有一定的要求，在输出同样的结果时，更高效的方法能更快应用于我们的生产和生活。