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

人靠衣服马靠鞍，通过穿衣可以一定程度的对人群进行分类，可以应用到大数据识别的一个方面，本文通过BP神经网络识别衣服类别。

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神经网络的衣服识别

基本模型通过

首先建立图像数据集，然后提取图像特征，并标记标签，以图像特征为输入，以衣服类别为输出，进行建模训练测试，实现衣服的识别分类

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0.1，学习目标0.0001，最大迭代次数5000

MATLAB编程代码
clc;clear;close all; format compact
%% 加载数据
%% 训练数据预测数据提取及归一化
%数据由各文件下im_.m生成，先将图片转换为大小为100100的灰度图，再将1001000排列成110000的特征数据集
load trousers %对应标签为1
load skirt%对应标签为2
load shortsleeve %对应标签为3
load short %对应标签为4
load longuette %对应标签为5
load longsleeve %对应标签为6
%%
%6个矩阵合成一个矩阵
data=[trousers;skirt;shortsleeve;short;longuette;longsleeve];%图片数据
input1=double(data)/255;%转为double类型文件，并且归一化
output1=[ones(1,size(trousers,1)) 2ones(1,size(skirt,1)) 3ones(1,size(shortsleeve,1)) 4ones(1,size(short,1)) 5ones(1,size(longuette,1)) 6ones(1,size(longsleeve,1))];%6类标签
%%
%由于原始图片转换为100*100，因此每个图片是10000个特征，维度太高这不能直接用于训练bp网络，
%因此首先利用pca降维方法把10000降至D，，根据pareto图看出D=5就差不多了，但是为了怕信息削减过多影响模型，所以D取10比较好,
[PCALoadings,PCAScores,PCAVar] = pca(input1);%利用PCA进行降维
% percent_explained = 100 * PCAVar / sum(PCAVar);
% pareto(percent_explained) %pareto图，只显示前95%的累积分布
% xlabel(‘主成分’)
% ylabel(‘贡献率(%)’)
% title(‘主成分贡献率’)
input=PCAScores(:,1:10);%利用pca进行降维至10维
%把输出从1维变成6维
output=zeros(size(output1,2),6);
for i=1:size(output1,2)
output(i,output1(i))=1;
end

%随机提取150个样本为训练样本，48个样本为预测样本
[m n]=sort(rand(1,198));
P_train=input(n(1:150)😅‘;
T_train=output(n(1:150)😅’;
P_test=input(n(151:198)😅‘;
T_test=output(n(151:198)😅’;

% %输入数据归一化
% P_train=P_train/255;
% P_test=P_test/255;
%% 建立网络
s1=25;%隐含层节点
net_bp=newff(P_train,T_train,s1);
% 设置训练参数
net_bp.trainParam.epochs =5000;
net_bp.trainParam.goal = 0.0001;
net_bp.trainParam.lr = 0.1;
net_bp.trainParam.showwindow = 1;
%% 训练并测试BP网络
net_bp = train(net_bp,P_train,T_train);%训练

save net_bp net_bp PCALoadings
%%训练集准确率
bp_sim = sim(net_bp,P_train);%测试
[I J]=max(bp_sim’,[],2);
[I1 J1]=max(T_train’,[],2);
disp(‘展示BP的训练集分类’)
bp_train_accuracy=sum(JJ1)/length(J)
figure
stem(J,‘bo’);
grid on
hold on
plot(J1,‘r*’);
legend(‘网络训练输出’,‘真实标签’)
title(‘BP神经网络做6分类’)
xlabel(‘样本数’)
ylabel(‘分类标签’)
hold off
%% 测试集准确率
tn_bp_sim = sim(net_bp,P_test);%测试
[I J]=max(tn_bp_sim’,[],2);
[I1 J1]=max(T_test’,[],2);
disp(‘展示BP的测试集分类’)
bp_test_accuracy=sum(JJ1)/length(J)
figure
stem(J,‘bo’);
grid on
hold on
plot(J1,‘r*’);
legend(‘测试输出’,‘真实标签’)
title(‘BP神经网络做6分类’)
xlabel(‘样本数’)
ylabel(‘分类标签’)
hold off