基于Maltab BP神经网络图像处理火灾识别系统

Posted 2021-06-27 博主QQ2449341593

BP算法原理

BP算法由输入层→隐层→输出层构成。

 

输入输出层：这里可以看到这层可以有多个入口，也可以只有1个入口。

比如要做一个根据每期福利彩票的结果预测下期的结果。

那么输入层就应该上一期的结果（N个数字）。输出层就是这期（N个数字）。

隐层：隐层可以有N个节点或者N个层次。

正向过程：

输入层分别累加到隐层的各个节点 

假设 输入是x  隐层节点是s

那么

s1 = x1+x2+x3+x4+……

s2 = x1+x2+x3+x4+……

s3 = x1+x2+x3+x4+……

 

然后为了可以动态调整各个节点加入的权值w1 w2 w3……

就变成

 

s1 = w1*x1+w2*x2+w3*x3+w4*x4+……

s2 = w1*x1+w2*x2+w3*x3+w4*x4+……

s3 = w1*x1+w2*x2+w3*x3+w4*x4+……

顺便加一个偏移值b 数学公式就成了：

Sj 还要经过传递函数 f() 算出 隐层节点的值

f()传递函数对应的过程就是：

神经元累加生物电到达一定程度时触发放电。如果没到达阙值这些累积的生物电就打水漂了。

举个例子来说 

常用的一种激励函数是sigmoid 函数图如下

公式 f= 1/(1+e^-x)

 

这个S型函数的意义只要达到某一阙值 函数就会输出1  就算超出阙值也不会影响输出值。

这里原先是我理解错了，BP算法加入sigmod函数主要的意义在于加入非线性函数来解决非线性问题。

选sigmod的好处在于 求导方便  sigmod的导数= 1 - f 

反向回馈的时候需要计算导数

 

隐层到输出层的过程也是一样的。

不过BP算法的重点在于反向回馈。

反向：

正向传输结束之后我们能够拿到一次结果。

这个结果就可以跟预期值做比较，一般计算方差E。

那么这个误差就可以反向的传递给上一层，用来调整上层节点的权值 w 。这个过程反复执行直到方差E小于期望的最小误差。（因为现实是不可能达到0误差，所以如果不设置最小期望误差则程序结束不了。）

至于具体的权值调整的公式有完整的推导过程，过于复杂这里不讨论。

 

核心的概念就是通过计算整体方差E对权值变量Wj 的偏微分得出 当前权值应该增加还是应该减少，上式很像n的那个字母就是指学习率。就是这里一次要调整权值时用的基本单位。

偏微分科普：

比如 一个公式有N个变量  y = aX +bY+cZ; 这里 XYZ是变量。abc是常量。

偏微分就是求单一变量的变化对y值的影响，其他变量在此被当作常量来求导。

那么y在这里求x的偏微分，就应该是 =a  ;  (bY+CZ)被当作常量。

运行结果

文件列表：

 

目录│文件列表:

 ├ 1.源码

 │  │ 123.mp4

 │  │ bp训练结果.jpg

 │  │ model.mat

 │  │ OneGUI.fig

 │  │ OneGUI.m

 │  │ run.m

 │  │ train.m

 │  └ data

 │     ├ 火

 │     │  │ QQ截图20200422152415.jpg

 │     │  │ QQ截图20200422152420.jpg

 │     │  │ QQ截图20200422152426.jpg

 │     │  │ QQ截图20200422152453.jpg

 │     │  └ QQ截图20200422152503.jpg

 │     └ 烟

 │        │ QQ截图20200422152407.jpg

 │        │ QQ截图20200422152510.jpg

 │        └ QQ截图20200422152517.jpg

 ├ 2.演示视频

 │  └ 演示视频.mp4

 └ 3.参考文档

    └ 基于BP神经网络的火焰识别系统.pdf

代码下载https://www.cnblogs.com/matlabxiao/p/14883637.html