Matlab de reconocimiento de frutas
Ahora necesitamos dos conjuntos de datos, uno es el valor de la característica, que es la entrada de la red (P). , y el otro es La señal del tutor le dice a la red si es una naranja o una manzana (salida de red T):
Nuestra muestra se supone así (es decir, Sampledata1.txt):
p t
1 0 3 1
2 1 4 2
Estos dos conjuntos de datos se explican a continuación:
Nosotros basado en las tres características de forma, color y sabor Supongamos que una fruta es una naranja o una manzana. El primer grupo de formas, colores y sabores es: 1 0 3 (por supuesto, todos estos números los compongo yo al azar, usted mismo puede definirlos según la situación real). Por ejemplo, una fruta con las características anteriores es una manzana (t es 1), y la forma, color y sabor son: .
Bueno, nuestro modelo de red casi está disponible. El número de nodos de la capa de entrada es tres (forma, color, sabor), el número de nodos de la capa de salida es uno (1 es manzana, 2 es naranja), el número de nodos de la capa oculta se establece en una capa, no lo considere Debido a que este es un valor empírico, en Matlab hay otros valores de parámetros que se pueden configurar, como la función de entrenamiento, el número de tiempos de entrenamiento, etc. Ahora comenzamos a entrenar la red. Ingrese el primer conjunto de entradas: 1 0 3, y la red generará un valor. Suponemos que es 4 y luego calculamos el error de 4-1 = 3 en función de la señal del tutor (la señal del tutor correcta es 1, lo que significa que el error se transmitirá a la red neuronal de BP y a la red neuronal de BP). La red ajustará el peso de acuerdo con el error y luego ingresará al tercer segundo ciclo. Luego ingresamos otro conjunto de datos: 2 0 4 (aún puedes ingresar 1 0 3. Si sigues ingresando las características de las manzanas, esto hará que la red solo reconozca manzanas pero no naranjas, así que esta vez entiendo tu pregunta). Del mismo modo se emite un valor y se devuelve a la red. Este es el proceso básico del entrenamiento de redes neuronales. Por supuesto, estos dos conjuntos de datos definitivamente no son suficientes. Si hay suficientes datos, ajustaremos los pesos de la red neuronal a un estado ideal. ¿Cuál es el estado? Es decir, después de que la red vuelve a generar salida, el error es muy pequeño, menor que el valor de error que requerimos.
A continuación, debe simular y predecir t_1=sim(net, p), net es la red que construyó y p son los datos de entrada. Dado que se ha determinado el peso de la red, no necesitamos saber el valor de T en este momento, es decir, no necesitamos saber si es una manzana o una naranja, pero t_1 es la predicción de la red. datos, que pueden ser 65438. También puede ser un número como 1,3 o 2,2 (la mayoría de ellos son esos números), para que puedas ver si el número está cerca de 1 o 2. Si es 1,5, pensamos que es un cruce entre una manzana y una naranja. Jaja, es broma, espera hasta que conozca a X
En resumen, debes buscar este sistema de datos. Como también hago procesamiento de imágenes, me gustaría recordárselo. Si utilizas redes neuronales para el procesamiento de imágenes, debes tener un buen espacio muestral, es decir, tu base de datos debe ser estándar. En cuanto al mecanismo de la red, los métodos de entrenamiento, etc., busque un ejemplo y simule con matlab, vea el efecto y compruébelo usted mismo. Principalmente la configuración de su capa oculta, la elección de la función de entrenamiento y su velocidad de convergencia y precisión de error son el verdadero significado de una red neuronal. Es imposible presentártelo claramente en un espacio tan pequeño. La clave es que las características de la imagen de muestra y extraída deben ser relevantes para que el umbral establecido sea efectivo. Bueno, estudia mucho. Vaya al foro chino de matlab para encontrar información. Si no, ve a la Biblioteca Hakata. ¿Por qué estudiar si no necesitas usarlos todos? ¡Buena suerte con tu graduación!