基于BP神经网络的性别识别，BP神经网络详细原理，自编码神经网络代码，神经网络案例之18

news/2024/4/20 5:09:04/文章来源:https://blog.csdn.net/abc991835105/article/details/129198619

目标
背影
BP神经网络的原理
BP神经网络的定义
BP神经网络的基本结构
BP神经网络的神经元
BP神经网络的激活函数，
BP神经网络的传递函数
数据
神经网络参数
基于BP神经网络性别识别的MATLAB代码
效果图
结果分析
展望

背影

男人体内蛋白质比例大，女生脂肪比例大，而蛋白质密度比脂肪大，因此相同体积的男生比女生重。身高和体重和性别具有相关性，通过身高和体重，可以一定程度判断性别，本文用BP神经网络，以身高、体重为输入因子，以性别为输出，进行建模，训练测试，达到识别性别的目的

BP神经网络的原理

BP神经网络的定义

人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

BP神经网络的基本结构

基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

bp神经网络的神经元

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
神经网络由多个神经元构成，下图就是单个神经元的图1所示：
在这里插入图片描述
。。。。。。。。。。。。。。。。。。。。。。。。图1 ，神经元模型

bp神经网络激活函数及公式

![在这里插入图片描述](https://img-blog.csdnimg.cn/29edde342c3945939ad5945145ca8509.png

BP神经网络传递函数及公式

图2是Sigmoid函数和双极S函数的图像，其中Sigmoid函数的图像区域是0到1，双极S函数的区间是正负1，归一化的时候要和传递函数的区域相对应，不然，可能效果不好
神经网络就是将许多个单一的神经元联结在一起，这样，一个神经元的输出就可以是另一个神经元的输入。
例如，下图就是一个简单的神经网络：在这里插入图片描述

基于BP神经网络的性别识别

基本模型通过

通过采集的男女生身高和体重，进行BP神经网络建模，以身高和体重为输入变量，以性别为输出变量，进行训练和测试，实现BP神经网络的性别识别

数据

在这里插入图片描述

神经网络参数

三层神经网络，传递函数logsig ， tansig，训练函数自适应动量因子梯度下降函数，学习率0.01，学习目标0.001，最大迭代次数100

MATLAB编程代码

clc
clear
close all
%% 读入数据
xlsfile=‘student.xls’;
[data,label]=getdata(xlsfile);

num = [data label];
m=200;
n = randperm(size(num,1));
input_train=num(n(1:m),1:2)‘;
%训练数据的输入数据
output_train=num(n(1:m),3)’;
%训练数据的输出数据
input_test=num(n(m+1:end),1:2)‘;
%测试数据的输入数据
output_test=num(n(m+1:end),3)’;
%测试数据的输出数据
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
%训练数据的输入数据的归一化
[outputn,outputps]=mapminmax(output_train);
%训练数据的输出数据的归一化de
%% BP网络训练
% %初始化网络结构
net=newff(minmax(inputn),[12,1],{‘logsig’,‘tansig’},‘trainlm’);
%net.trainParam.max_fail = 9;
net.trainParam.epochs=2000;
%最大迭代次数
net.trainParam.lr=0.01;
%学习率
net.trainParam.goal=0.0001;
%学习目标
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化

inputn_test=mapminmax(‘apply’,input_test,inputps);

%网络预测输出
an=sim(net,inputn_test);

%网络输出反归一化
BPoutput=round(mapminmax(‘reverse’,an,outputps));

%% 结果分析
figure(1)
plot(BPoutput(1,:),‘ro’)
%预测的结果数据画图-代表虚线，O代表圆圈标识，r代表红色
hold on
plot(output_test(1,:),‘k*’);
%期望数据，即真实的数据画图，-代表实现，就是代表的标识,k代表黑色
legend(‘预测输出’,‘期望输出’)%标签
title(‘BP神经网络测试效果’,‘fontsize’,12)%标题字体大小为12
ylabel(‘类别’,‘fontsize’,12)%Y轴
xlabel(‘样本’,‘fontsize’,12)%X轴
set(gca,‘YTick’,1:2)
set(gca,‘YTickLabel’,{‘男’,‘女’})
ylim([0.8 2.2])

%预测误差
error=BPoutput-output_test;
figure
plot(error(1,:),‘-*’)
title(‘BP网络预测试误差’,‘fontsize’,12)
ylabel(‘误差’,‘fontsize’,12)
xlabel(‘样本’,‘fontsize’,12)