资源描述：
《基于Matlab的概率神经网络的实现及应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、计算机与现代化2011年第11期JISUANJIYUXIANDAIHUA总第195期文章编号:10062475(2011)11004704基于Matlab的概率神经网络的实现及应用苏亮,宋绪丁(长安大学工程机械学院,陕西西安710064)摘要:介绍概率神经网络(PNN)的模型和基本算法,以及利用Matlab神经网络工具箱设计PNN网络的方法和步骤,实现对网络的设计、训练、仿真。针对某水泥泵车臂架细部焊接结构的疲劳寿命实验数据,应用PNN的分类功能对实验数据进行训练仿真处理,得到对臂架细部结构疲劳寿命的预测分类结果,验证了此方法的可靠性
2、。关键词:概率神经网络(PNN);Matlab;分类;疲劳寿命中图分类号:TP391.9文献标识码:Adoi:10.3969/j.issn.10062475.2011.11.013ImplementationandApplicationofProbabilisticNeuralNetworkBasedonMatlabSULiang,SONGXuding(SchoolofConstructionMachinery,ChanganUniversity,Xian710064,China)Abstract:Thepaperintro
3、ducesthemodelandbasicalgorithmsofProbabilisticNeuralNetwork(PNN),andthemethodsandproceduresofusingMatlabneuralnetworktoolboxtodesignPNN,alsotherealizationofnetworkdesigntraining,simulation.Theforecastclassificationresultsoftheexperimentaldataforthearmsetoftheconcretepumptruc
4、kwildingstructurefatiguelifeareobtainedbyusingthePNNclassifiedfunctionontrainingandsimulating.Thereliabilityofthismethodisconfirmed.Keywords:ProbabilisticNeuralNetwork(PNN);Matlab;classification;fatiguelife活函数的调用。同时根据各种典型的修正网络权值0引言规则和网络的训练,根据实际问题调用工具箱中有关概率神经网络(Probabilisti
5、cNeuralNetwork,的设计和训练程序,减轻繁琐的编程工作,提高计算PNN)是D.FSpecht博士在1989年首先提出的,它是准确度和精度。径向基函数(RadialBasisFunction,RBF)模型发展而本文将以Matlab7.0.1开发环境,介绍神经网络来的一种前馈型神经网络,与传统的RBF不同,PNN工具箱及其相关函数,论述利用Matlab神经网络工是专门用于解决分类问题的人工神经网络。其理论具箱实现概率神经网络模型的建立步骤及其应用。依据是贝叶斯最小风险准则(即Bayes决策理论),1概率神经网络的模型PNN将贝叶斯估计
6、置于一个前馈神经网络中,其实质就是一个分类器,根据概率密度的无参数估计来进Specht根据Bayes分类规则与Parzen窗的概率行Bayes决策从而得到分类结果,在分类和模式识别密度函数,提出PNN的层次模型,包括:输入层、模式领域中被广泛应用。层、求和层、决策层,其基本结构如图1所示。Matlab是由美国MathWorks公司开发的集数值由图1可以看出,输入层的传递函数是线性的,计算、符号计算和图形可视化三大基本功能于一体,仅仅将输入样本完全不变的传递给模式层的各节点。功能强大、操作简单的语言。Matlab神经网络工具箱模式层与输入层之间通
7、过连接权wij相连,进行加权的出现,为神经网络理论的实现提供了一种便利的仿求和,即zj=x*wj,通过一个非线性算子运算后,传真手段。利用Matlab脚本语言构造出典型神经网络递给求和层。这里的非线性算子采用g(zj)=exp2的激活函数,从而对所选定网络输出的计算变成对激[(zj-1)/],模式层神经元数与输入样本矢量个收稿日期:20110705作者简介:苏亮(1986),女,陕西西安人,长安大学工程机械学院硕士研究生,研究方向:结构疲劳寿命;宋绪丁(1963),男,陕西西安人,教授,研究方向:机械可靠性与抗疲劳设计。48计算
8、机与现代化2011年第11期由它的网络输入得到神经元的输出。在PNN中,就是使用高斯型激活函数,得到模式层的输出,传入求和层。(3)dist(
