一、簡介

1 概述

1.1 模式分類的貝葉斯決策理論


2 概率神經網路的網路結構（PNN）

總結：
1、輸入層接收樣本的值，神經元個數與輸入向量長度相等。
2、隱藏層為徑向基層，每個神經元對應一箇中心（對應一個樣本資料）。
3、輸入資料分為了i類，因為PNN就是用來分類的，就是先用樣本訓練網路，然後輸入資料，用此網路來鑑別，是屬於哪一類資料。
4、上式Xij其實與RBF神經網路一致，就是求每個輸入與樣本的歐式距離，只不過此隱藏層把資料分為了i個類，並且設第i個類有j個數據。
5、然後下圖可以看出，求和層的神經元個數與資料分類的個數相等，此求和層求得上式中，每類資料的平均值。
6、然後比較每一類平均值的大小，把此資料分類到值最大的那一類。
7、下文中，提出在實際計算中，用來理解的公式與實際計算中公式不同，

注意：上邊的求和層的神經元個數與模式分類的個數相等。也就是說只有對應類別的樣本（ 隱藏層的神經元）連線， 不與其他無關的樣本連線。

3 概率神經網路的優點

二、原始碼

lc 
close all
clear all
load A_fear fearVec;
load F_happiness hapVec;
load N_neutral neutralVec;
load T_sadness sadnessVec;
load W_anger angerVec;
 trainsample(1:30,1:140)=angerVec(:,1:30)';
 trainsample(31:60,1:140)=hapVec(:,1:30)';
 trainsample(61:90,1:140)=neutralVec(:,1:30)';
 trainsample(91:120,1:140)=sadnessVec(:,1:30)';
 trainsample(121:150,1:140)=fearVec(:,1:30)';
  trainsample(1:30,141)=1;
   trainsample(31:60,141)=2;
   trainsample(61:90,141)=3;
   trainsample(91:120,141)=4; 
   trainsample(121:150,141)=5;
   testsample(1:20,1:140)=angerVec(:,31:50)';
  testsample(21:40,1:140)=hapVec(:,31:50)';
 testsample(41:60,1:140)=neutralVec(:,31:50)';
  testsample(61:80,1:140)=sadnessVec(:,31:50)';
  testsample(81:100,1:140)=fearVec(:,31:50)';
  testsample(1:20,141)=1;
   testsample(21:40,141)=2;
    testsample(41:60,141)=3;
    testsample(61:80,141)=4; 
    testsample(81:100,141)=5;
  class=trainsample(:,141);
sum=bpnn(trainsample,testsample,class);
figure(1)
bar(sum,0.5);
set(gca,'XTickLabel',{'生氣','高興','中性','悲傷','害怕'});
ylabel('識別率');
xlabel('五種基本情感');

p_train=trainsample(:,1:140)';
t_train=trainsample(:,141)';
p_test=testsample(:,1:140)';
t_test=testsample(:,141)';
sumpnn=pnn(p_train,t_train,p_test,t_test);
figure(2)
bar(sumpnn,0.5);
set(gca,'XTickLabel',{'生氣','高興','中性','悲傷','害怕'});
ylabel('識別率');
xlabel('五種基本情感');
sumlvq=lvq(trainsample,testsample,class);
function sum=bpnn(trainsample,testsample,class)
%輸入引數：trainsample是訓練樣本,testsample是測試樣本,class表示訓練樣本的類別，與trainsample中資料對應
%sum：五種基本情感的識別率
for i=1:140
    feature(:,i)= trainsample(:,i);
end
%特徵值歸一化
[input,minI,maxI] = premnmx( feature')  ;

%構造輸出矩陣
s = length( class ) ;
output = zeros( s , 5  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end

%建立神經網路
net = newff( minmax(input) , [10 5] , { 'logsig' 'purelin' } , 'traingdx' ) ;   %建立前饋神經網路

%設定訓練引數
net.trainparam.show = 50 ;
net.trainparam.epochs = 150 ;
net.trainparam.goal = 0.1 ;
net.trainParam.lr = 0.05 ;

%開始訓練
net = train( net, input , output' ) ;

%讀取測試資料
for i=1:140
    featuretest(:,i)= testsample(:,i);
end
 c=testsample(:,141);
%測試資料歸一化
testInput = tramnmx(featuretest' , minI, maxI ) ;

%模擬
Y = sim( net , testInput ) 
sum=[0 0 0 0 0]; %每類情感正確識別個數
%統計識別正確樣本數 
for i=1:20
    if Y(1,i)>Y(2,i)&&Y(1,i)>Y(3,i)&&Y(1,i)>Y(4,i)&&Y(1,i)>Y(5,i)
        sum(1)=sum(1)+1;
    end
    function sumlvq=lvq(trainsample,testsample,class)
P=trainsample(:,1:140)';
C=class';
T=ind2vec(C);
net=newlvq(minmax(P),20,[0.2 0.2 0.2 0.2 0.2],0.1); %建立lvq網路
w1=net.IW{1};
net.trainParam.epochs=100;
net=train(net,P,T);
y=sim(net,testsample(:,1:140)');
y3c=vec2ind(y);
sumlvq=[0 0 0 0 0]; %每類情感正確識別個數
%統計識別正確樣本數 
for i=1:20
    if y3c(i)==1
        sumlvq(1)=sumlvq(1)+1;
    end
end
for i=21:40
    if y3c(i)==2
        sumlvq(2)=sumlvq(2)+1;
    end
end
for i=41:60
    if y3c(i)==3
        sumlvq(3)=sumlvq(3)+1;
    end
end
for i=61:80
    if y3c(i)==4
        sumlvq(4)=sumlvq(4)+1;
    end
end
for i=81:100
end
 

三、執行結果

四、備註

版本：2014a

完整程式碼或代寫加1564658423