本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
BP神经网络可以应用于数值预测，也可以应用于模式识别问题，即分类问题
本文介绍BP神经网络应用于模式识别问题时的模型结构与损失函数，并展示一个代码实现例子
通过本文，可以了解BP神经网络应用于模式识别的原理，以及在matlab中的具体代码实现
本节讲解BP神经网络应用于模式识别问题时的网络结构以及损失函数
什么是模式识别问题
模式识别问题也称为分类问题，就是预测样本所属的类别
分类问题的每个训练样本都对应一个类别标签，代表该样本属于哪个类别
分类问题的类别表示：one-hot向量
在机器学习中，一般使用one-hot向量来表示样本的类别，
one-hot向量的格式与含义如下：
one-hot向量的长度与类别个数一致，只有一个元素的值为1，其余为0，
one-hot向量第ｉ个元素为1时，就表示样本为第ｉ类
分类问题的模型输出：概率向量
分类问题可以直接输出样本的所属类别，但更一般地，是输出样本属于每个类别的概率，
所以分类问题的模型输出的是一个概率向量，如下：
概率向量的第i个元素代表样本属于第i个类别的概率
BP神经网络模式识别-网络结构
BP神经网络应用于分类时的结构
BP神经网络应用于分类时，一般用的仍然是三层结构，相对特别的有如下两点：
1. 有多少个类别，网络就有多少个输出
2. 网络的输出进行softmax转换，把网络的结果归一化为类别的概率
BP神经网络应用于分类时的具体结构示例如下：
如图所示，第一层是输入层，第二层是隐层，第三层是输出层
输出层的神经元个数与类别个数一致，并且输出层加入了softmax函数
其中，softmax的计算公式如下：
也就是对最后一层的每个输出值先进行指数转换，再进行归一化
softmax的意义就在于把数值转换为概率
BP神经网络模式识别-损失函数
BP神经网络应用于模式识别时，损失函数一般使用交叉熵损失函数
交叉熵损失函数计算公式-定义形式：
其中， ：样本个数
：模型判断第i个样本属于类别k的概率，k是样本的真实标签
本节讲解BP神经网络应用于模式识别时，在matlab中应该如何实现
BP神经网络用于模式识别-代码实现
matlab中使用patternnet函数来构建一个用于模式识别的BP神经网络
net = patternnet(hiddenSizes,trainFcn,performFcn)
patternnet和newff是类似的，只是在输出层会加上softmax函数，此外，patternnet的一些默认参数与newff有所不同
例如newff的损失函数是mse,而patternnet用的是交叉熵crossentropy，其它不再赘述，依照newff的相关应用即可
patternnet的使用示例如下：
x = -5:5; % 生成x
y = [x<0;x>=0]; % 生成y,注意，y是one-hot格式
net = patternnet(3); % 建立模式识别网络，隐层设为3个隐节点
[net,tr] = train(net,x,y); % 将数据放到网络中训练
py = sim(net,x) % 用网络进行预测代码运行结果如下：
可以看到，网络已经较好地预测x所属的类别
好了，以上就是BP神经网络应用于模式识别的原理与代码了~
End