ANN神经网络
2016-07-12 14:11
465 查看
BP神经网络是ANN人工神经中的一种,常用的神经网络有BP、RBF、SOM、Hopfield等,总体来说ANN主要功能是模式识别和分类训练。
http://www.zybang.com/question/9f85427ac0c4d7abb4709b024704e713.html
人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等.目前,已有近40种神经网络模型,其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等.
ann:人工神经网络(Artificial Neural Networks)
bp:Back Propagation网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一.BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程.它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小.BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer).
http://www.zybang.com/question/9f85427ac0c4d7abb4709b024704e713.html
人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等.目前,已有近40种神经网络模型,其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等.
ann:人工神经网络(Artificial Neural Networks)
bp:Back Propagation网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一.BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程.它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小.BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer).
void ANNTrain(Mat TrainData, Mat classes, int nNeruns) { ANN.clear(); Mat layers(1, 3, CV_32SC1); layers.at<int>(0) = TrainData.cols; layers.at<int>(1) = nNeruns; layers.at<int>(2) = numCharacter; ANN.create(layers, CvANN_MLP::SIGMOID_SYM, 1, 1); //Prepare trainClases //Create a mat with n trained data by m classes Mat trainClasses; trainClasses.create(TrainData.rows, numCharacter, CV_32FC1); for (int i = 0; i < trainClasses.rows; i++) { for (int k = 0; k < trainClasses.cols; k++) { //If class of data i is same than a k class if (k == classes.at<int>(i)) trainClasses.at<float>(i, k) = 1; else trainClasses.at<float>(i, k) = 0; } } Mat weights(1, TrainData.rows, CV_32FC1, Scalar::all(1)); //Learn classifier // ANN.train( TrainData, trainClasses, weights ); //Setup the BPNetwork // Set up BPNetwork's parameters CvANN_MLP_TrainParams params; params.train_method = CvANN_MLP_TrainParams::BACKPROP; params.bp_dw_scale = 0.1; params.bp_moment_scale = 0.1; // params.train_method=CvANN_MLP_TrainParams::RPROP; // params.rp_dw0 = 0.1; // params.rp_dw_plus = 1.2; // params.rp_dw_minus = 0.5; // params.rp_dw_min = FLT_EPSILON; // params.rp_dw_max = 50.; ANN.train(TrainData, trainClasses, Mat(), Mat(), params); }
相关文章推荐
- Http请求中Content-Type讲解以及在Spring MVC中的应用
- 修改Reachability检测2g、3g、4g网络
- php知识点3-HTTP 头部-Accept-Encoding
- 如何测试Azure虚拟机网络连通性
- viewPaper+Fragment的布局,在初始化时会导致fragment的布局加载和网络请求数据(懒加载)
- AFNetworking2使用自签证书
- 网络状态检测------苹果官方示例Reachability的使用
- php知识点3-HTTP 头部-Cache-Control
- Tomcat java web 禁用HTTP 方法
- php知识点3-HTTP 头部-Accept-Language
- php知识点0-HTTP头部
- Cisco网络设备命名规则
- php知识点1-HTTP头部-Content-Type类型
- Nginx+HTTPS(SSL/TLS)
- HP加易语言数据库,全源码制作的网络验证,可运营,可自行扩展
- Nginx环境下http和https可同时访问方法
- HTTP请求
- httpd安装与启动1
- git
- mitmproxy