使用你所熟悉的编程语言,比如C,MATLAB,Python等,实现上述网络的基本学习算法。
设计一个神经网络对于下面图中的3类模式进行分类。 期望输出分别使用如下one-hot向量表示:
$$\left( {1, - 1, - 1} \right)^T ,\left( { - 1,1, - 1} \right)^T ,\left( { - 1, - 1,1} \right)^T$$
$$\left( {x_1 + \delta _1 ,x_2 + \delta _2 } \right),\space \space \space \space \delta _1 ,\delta _2 \in rand\left( { - 0.25,0.25} \right)$$
使用你所熟悉的编程语言,比如C,MATLAB,Python等,实现上述网络的基本学习算法。
使用神经网络逼近MATLAB中的peaks二维函数:
$$f\left( {x,y} \right) = 3\left( {1 - x} \right)2 e{ - \left[ {x2 + \left( {y + 1} \right)2 } \right]} + \space 10\left( {{x \over 5} - x3 - y5 } \right)e{ - \left( {x2 + y2 } \right)} - {1 \over 3}e{ - \left[ {\left( {x + 1} \right)2 + y2 } \right]}$$
(1) 样本数据采样区域在区域内[-4,4]×[-4,4]随机采样。 样本采样的个数自行确定。
(2) 分别使用BP网络,RBF网络实现上述函数逼近;
(3) 在BP网络中,请对比中间隐层传递函数在使用一下两种函数时对于结果的影响:
(4) 在RBF网络中,讨论隐层神经元尺度参数对于函数逼近的影响。
使用神经网络逼近对下面26个字母进行压缩。
(1) 26个字母的数据文件可以从数据文件ascii8×16.txt文件中获取。其中每一行代表一个字母的数据。字母数据为8×16点阵。
(2) 讨论网络隐层节点个数与恢复数据误差之间的关系。
(3) 给出隐层节点在15个时,26个字母压缩恢复后的数据图像。
使用神经网络对于Lena图像进行压缩。对于隐层节点数目在16~256之间选择几个数目,给出图像压缩的效果以及图像压缩MSE.
注:Lena的灰度图像可以从网络上寻找并下载。也可以选择其它的图像进行实验。
使用BP网络完成MNIST手写体识别。
MNIST数据库可以在网络学堂MNIST_DATA.gz下载。也可以在网络上自行搜索下载。
(1) 人工提取特征:参照课件上[3-4-4]“手写体识别”中介绍的方法,利用数字的边缘方向图与灰度图的降采样作为特征,使用小的神经网络进行训练。训练样本选择5000,测试样本选择2000。
(2) 直接图片输入:直接构造784个节点输入,10个节点输出,自行选择中间隐层数量和节点个数,使用50000数据进行训练,10000个测试样本测试。
(3) 对比和讨论人工提取特征与直接图片输入两种方法的优缺点。
□ MNIST 数据下载链接: http://yann.lecun.com/exdb/mnist
使用BP网络完成设计Apriltag, 数字,动物和水果分类器。
根据以下公众号推文介绍的方法,自行选择一个神经网络(感知机,BP网络,RBF网络)来区分Apriltag、数字、水果与动物图片的种类。
数据集合下载可以在以下CSDN博文中间的百度网盘连接下载。
● 相关图表链接:
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。