智能作业

基于人工神经网络的Iris数据集的分析

人工神经网络

人工神经网络( Ar tificial Neur al Netw ork, ANN) 的理论于20世纪提出, 由于自身固有的超强适应和学习能力, 至今已在自动控制、故障诊断与检测、模式识别和分类等很多领域获得了极其广泛的应用。人工神经网络的基本特点：（1）可处理非线性；（2）并行结构．对神经网络中的每一个神经元来说；其运算都是同样的．这样的结构最便于计算机并行处理；（3）具有学习和记忆能力．一个神经网络可以通过训练学习判别事物；学习某一种规律或规则．神经网络可以用于联想记忆；（4）对数据的可容性大．在神经网络中可以同时使用量化数据和质量数据（如好、中、差、及格、不及格等）；（5）神经网络可以用大规模集成电路来实现．如美国用 256个神经元组成的神经网络组成硬件用于识别手写体的邮政编码．

神经网络模型有多种, 目前主要有两大类:一类是以Hopfield 网络模型为代表的反馈型模型, 主要用于联想记忆及解决非线性优化问题;另一类是以多层感知器为基础的前馈模型, 主要用于分类、模式识别、自组织和联想记忆, 以BP网络模型为典型。而据统计, 在人工神经网络的实际应用中, 80- 90%均采用了BP神经网络或它的变化形式。BP网络是一种多层前馈神经网络, 因采用BP( back- propagation,反向传播) 算法而得名。目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘。

BＰ神经网络及其原理

BP神经网络由于理论上可以逼近任意非线性连续函数, 且结构简单, 易于

编程, 而且使用较为广泛, 算法也很成熟。所以笔者对实验数据进行处理时, 采用多层BP神经网络对压力值进行预测。标准的BP神经网络由3个节点层次组成, 即输入层、隐含层( 可有若干层) 和输出层, 各层次的节点之间形成全互连连接, 各层次内的节点之间没有连接。在BP网络学习过程中, 输出层单元与隐含层单元的误差计算有所不同。BP神经网络的信息处理方式具有如下特点：①信息分布存储；②信息并行处理；③具有容错性；④具有自学习、自组织、自适应的能力。

BP神经网络结构模型

BP网络由正向传播和反向传播组成, 在正向传播阶段,每一层神经元的状态只影响下一层神经元的状态, 若在输出层得不到期望的输出值, 则进行误差的反向传播阶段。其具体的学习过程和步骤如下:

(1) 选择一组训练样本, 每个样例由输入信息和期望的输出结果两部分组成;

(2) 从训练样本中取一样本, 把输入的信息输入到网络中;

(3) 分别计算经神经元处理后的各层结点的输出;

(4) 计算网络的实际输出与期望输出的误差, 如果误差达到要求, 则退出, 否

则继续执行第（5）步;

(5) 从输出层反向计算到第一个隐层, 并按照某种能使误差向减小方向发展的

原则, 调整网络中各神经元的连接权值(Weight) 和阈值(Threshold) ; (6) 对训练样本集中的每个样本重复(3) 到(5) , 直到对整个训练样本集的误

差达到要求为止。

BP神经网络模拟人的大脑活动, 具有极强的非线性逼近、大规模并行处理、自训练学习、自组织和容错能力等优点, 将神经网络理论应用于实验数据处理之中, 能克服传统处理方法的一些缺陷, 从而更好地利用实验数据, 分析出其中的科学原理。

实验数据的处理

Iris数据集，用萼片和花瓣的长度、宽度来区分三种不同的花(Setosa , Versicolour , Virginica)。数据集共150 个数据样本, 每一类50个数据样本。应用matlab软件分别用105个数据作为输入，45个数据作为测试和28个数据作为输入，22个数据作为测试两种方式来进行算法的测试。

105个输入，45个测试

28个输入，22个测试

Net:

运用人工神经网络的算法通过区分花瓣和萼片的长度与宽度可以将3种花区分开，得到如上结果。