LOGOXX學(xué)校我們畢業(yè)啦其實是答辯的標(biāo)題地方概率神經(jīng)網(wǎng)絡(luò)報告人XXXXXXXXX22概率神經(jīng)網(wǎng)絡(luò)（PNN）：以指數(shù)函數(shù)替代神經(jīng)網(wǎng)絡(luò)中常用的S形激活函數(shù)，進而構(gòu)造出能夠計算非線性判別邊界的概率神經(jīng)網(wǎng)絡(luò)。1、基于貝葉斯最優(yōu)分類決策理論（錯誤率、風(fēng)險最小化）2、基于概率密度估計方法不同于反向傳播算法中的試探法，而是基于統(tǒng)計學(xué)中已有的概率密度函數(shù)的非參數(shù)估計方法。3、前饋網(wǎng)絡(luò)的一種

沒有反饋一、簡介3貝葉斯決策概率密度函數(shù)估計其中，基于訓(xùn)練樣本，高斯核的Parzen估計：分類任務(wù)：假設(shè)有c類，w1,w2,…wc二、理論推導(dǎo)4判別函數(shù)是屬于第類的第k個訓(xùn)練樣本

是樣本向量的維數(shù)

是平滑參數(shù)是第類的訓(xùn)練樣本總數(shù)

判別規(guī)則只需經(jīng)驗給出，或聚類法，可取為在同組中特征向量之間距離平均值的一半。55右圖以三類為例，即C=3；同時，設(shè)特征向量維數(shù)為3。輸入層樣本層求和層競爭層PNN拓撲結(jié)構(gòu)圖66輸入層求和層樣本層競爭層神經(jīng)元個數(shù)是特征向量維數(shù)神經(jīng)元個數(shù)是訓(xùn)練樣本的個數(shù)神經(jīng)元個數(shù)是類別個數(shù)神經(jīng)元個數(shù)為1在輸入層中，網(wǎng)絡(luò)計算輸入向量與所有訓(xùn)練樣本向量之間的距離。樣本層的激活函數(shù)是高斯函數(shù)。將樣本層的輸出按類相加，相當(dāng)于c個加法器。判決的結(jié)果由競爭層輸出，輸出結(jié)果中只有一個1，其余結(jié)果都是0，概率值最大的那一類輸出結(jié)果為1。

1、網(wǎng)絡(luò)學(xué)習(xí)過程簡單，學(xué)習(xí)速度快

學(xué)習(xí)一次完成，比BP快5個數(shù)量級，比RBF2個數(shù)量級。 2、分類更準(zhǔn)確,沒有局部極小值問題

錯誤率、風(fēng)險最小化。 3、容錯性好，分類能力強。

判別界面漸進地逼近貝葉斯最優(yōu)分類面。

7三、優(yōu)勢與不足1、對訓(xùn)練樣本的代表性要求高2、需要的存儲空間更大不足優(yōu)勢8

分類方面已廣泛地應(yīng)用于非線性濾波、模式分類、聯(lián)想記憶和概率密度估計。其優(yōu)勢在于用線性學(xué)習(xí)算法來完成非線性學(xué)習(xí)算法所做的工作，同時保證非線性算法的高精度等特性。四、應(yīng)用領(lǐng)域及實例應(yīng)用領(lǐng)域分類模式識別主要用于最廣泛92013-5-24應(yīng)用實例一對彩色車牌圖像進行二值化

特征向量是每個像素點的顏色RBG值。需要將其分為2類，A類表示背景色，B類為號碼色，接近白色的顏色

用PNN對每個像素點進行訓(xùn)練、分類，再用0、1這兩個數(shù)值來表示A類、B類，重新設(shè)置圖片中像素的顏色實現(xiàn)了車牌號圖像的二值化。任務(wù)分析基本思路10實驗步驟11實驗結(jié)果

二值化前后對比圖原圖二值化后給保護區(qū)內(nèi)的每只老虎編號并采集其照片從照片中提取紋理信息作為訓(xùn)練樣本集，并用這些訓(xùn)練樣本對概率神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；另取一張非訓(xùn)練樣本照片，用訓(xùn)練好的網(wǎng)絡(luò)識別出照片中老虎的編號。12應(yīng)用實例二東北虎紋理識別任務(wù)分析根據(jù)老虎的紋理照片進行個體匹配識別基本思路13實驗步驟利用數(shù)碼相機拍攝100只不同虎個體側(cè)身圖像，每只老虎拍多張利用計算機對這些圖像進行圖像預(yù)處理、形態(tài)學(xué)處理,凸顯紋理特征從老虎身體左右兩側(cè)各三個點上提取特征信息作為該虎的特征值另取一些老虎的非訓(xùn)練樣本照片，用訓(xùn)練好的網(wǎng)絡(luò)識別出照片中各老虎