神经网络专题（二） 线性神经网络-程序员宅基地
上一篇主要介绍了感知器的模型，并做了简单的举例。
（一）基本原理介绍
本篇主要介绍线性神经网络，线性神经网络是由有个或者多个线性神经元组成的网络，它和感知器的区别在于每个线性神经元的传递函数都是线性函数输出是一段区间值，而感知器的传递函数是符号函数输出为二值量-1或1。线性神经网络主要应用领域有：函数拟合与逼近、预测、模式识别等。
线性神经网络的输出表达式为：
p是输出向量，y是输出值，w为权值，b是阈值或者偏置，purelin为线性传递函数为过零点斜率为1的线性函数。
线性神经网络的学习规则采用的是LMS（least mean square，最小均方差）算法，这种学习规则的基本思想是：寻找最佳的权值和阈值，使得各个神经元的输出均方误差最小。
（二）线性网络的创建
下面通过MATLAB线性神经网络的工具箱介绍如何使用线性神经网络。
使用newlind函数设计一个线性神经网络：
net= newlind(P，T)
newlind函数返回的是一个将输入P设计为目标输出T 的具有最小均方误差的线性网络。也就是说当我们有输入和期望输出的时候，可以用这种方式(使用newlind函数)来创建网络。
% 输入向量
P=[0 1 3 5];
% 目标输出向量
T=[3 -1 2 6];
% newlind函数设计一个线形网络
net = newlind(P,T);
% sim函数进行仿真
Y = sim(net,P)
% 仿真输出结果
Y =
0.5932 1.4407 3.1356 4.8305使用newlin函数构造一个线性神经网络：
net= newlin(PR,S,ID,LR)
当我们想按照自己的意愿来设计网络，比如设置神经元层数、学习率等，就可以使用newlin函数来构造一个线性网络。函数参数说明：PR为输入向量的最大和最小值它是一个2列的向量，S代表神经元层数,ID为输入延迟向量默认为[0]，LR为学习率默认为0.01。
（三）线性网络的应用实例
下面介绍一个自己做的一个使用线性神经网络处理图像的实例。
在做图像压缩/编码中，应用最多是的预测编码：帧内预测和帧间预测，帧间预测多用于序列图像也就是视频编码。对于单幅图像的帧内预测编码分为线性预测和非线性预测，根据图像像素的灰度邻域相关性原理，线性预测是采用最多的方法。线性预测的基本原理就是利用待预测像素的领域像素对其进行预测，然后将实际值与预测值求差得到预测残差，通常残差回避实际值小得多，在传输过程中，只需要传输残差值，这样占据的数据流比特就会少很多，从而达到压缩的目的。这里读者只需要知道我们的目的是通过一个像素的周围像素的线性求和预测该像素得到预测值即可。
图像在计算机里面是一个离散的矩阵，灰度图为二维的矩阵。
通过邻域像素进行预测，这里我采用了三个像素值作为预测，即：
就是
的预测值，残差:
下面通过MATLAB程序来说明上述原理。
%% 线性预测编码的神经网络实现
%原理：f(x,y)=w1*f(x-1,y-1)+w2*f(x-1,y)+w3*f(x,y-1)
%%
close all;
clear ;
clc;
%% 1.读入图像
tic
InImg=imread('lena.jpg');
i1=rgb2gray(InImg);
InImg=rgb2gray(InImg);
InImg=im2double(InImg);%输入矩阵
[m,n]=size(InImg);
OutImg=zeros(m,n); %存放输出矩阵
% figure(1)
% imshow(Img);
%% 2.数据预处理
OutImg(:,1)=InImg(:,1);
OutImg(1,:)=InImg(1,:); %输入图像第一行和列不进行预测。
delelastrowlastcol=InImg(1:255,1:255);%删除最后一行和最后一列
TranInImg1=delelastrowlastcol(:); %所有元素按（行扫描形式的）一列排放
delelastrowfirstcol=InImg(1:255,2:end);%删除最后一行和第一列
TranInImg2=delelastrowfirstcol(:); %所有元素按（行扫描形式的）一列排放
delefirstrowlastcol=InImg(2:end,1:255);%删除第一行和最后一列
TranInImg3=delefirstrowlastcol(:); %所有元素按（行扫描形式的）一列排放
% temp=zeros(65025,3);
temp=[TranInImg1,TranInImg2,TranInImg3]; %输入向量
target=InImg(2:end,2:end);
target=target(:); %目标向量
together=[temp,target]; %输入与目标
[x,z]=size(target); %计算行数
%% 3.构建神经网络
net=newlind(temp',target');
%% 4.训练后的网络权值
iw=net.iw{1,1}
b=net.b{1}
首先是图像的读取，这里采用的是图像处理中经常用到的经典图像lena图；然后构造输出为3×1的向量表示三输入，输出为1×1的向量表示单输出向量；再然后就是通过线性神经网络求取权值和阈值。通过求取到的权值和阈值按照预测公式得到预测值，再与实际值最差得到残差，然后是传输和解码的工作了。这里主要是通过实例对线性神经网络的加深认识和应用，对图像压缩的过程与原理有兴趣的可以自行去研究，这里不再给出详细介绍。
智能推荐
FeignClient设置动态Url_@feignclient url-程序员宅基地
文章浏览阅读1.4w次，点赞2次，收藏15次。SpringCloudOpenFeign 动态Url1. 需求描述2. 实现方案3. 细节分析1. 需求描述一般情况下，微服务内部调用都是通过注册中心，eureka，zookeeper，nacos等实现动态调用，但是对于一些外部http调用，对于不在同一微服务内，不在同一注册中心的服务调用，可以考虑SpringCloudOpenFeign，而且可以实现动态URL，通过参数动态控制。2. 实现方案服务端正常springboot项目，也不一定是springboot项目，只要正常提供RESTFul接口就可_@feignclient url
docker将数据从宿主机挂载到容器中的三种方式_docker 如何挂载宿主机文件夹到容器里-程序员宅基地
文章浏览阅读3.4k次。docker将数据从宿主机挂载到容器中的三种方式1、volumes：Docker管理宿主机文件系统的一部分（/var/lib/docker/volumes） 保存数据的最佳方式。将容器数据持久化到宿主机，docker自己来管理的一个位置；volumes特点：当容器停止或被移除时，该卷依然存在；当明确删除卷时，卷才会被删除多个容器之间共享数据；多个容器可以同时挂载相同的卷将容器的数据存储在远程主机或其他存储上将数据从一台docker主机迁移到另一台时，先停止容器，然后备份卷的目录/usr/_docker 如何挂载宿主机文件夹到容器里
jetson nano调试指南2-源码编译_jetson nano内核编译-程序员宅基地
文章浏览阅读442次。1、可以参考L4T Development Guide (downloadable version)此文档，2、解压代码3、使用ubuntu系统（我这使用ubuntu18.04），解压源代码按一下路径tar -xf Tegra210_Linux_R32.3.1_aarch64.tbz2tar -xjf public_sources.tbz2#build rootfscd Linux_for_Tegra/rootfs/tar xpf ../../Tegra_Linux_Sam_jetson nano内核编译
独家 | 图解BiDAF中的单词嵌入、字符嵌入和上下文嵌入（附链接）-程序员宅基地
文章浏览阅读1.5k次。作者：Meraldo Antonio翻译：张玲校对：吴金笛本文约5200字，建议阅读15分钟。本文重点讲解机器问答任务中常见机器学习模型BiDAF是如何利用单词、字符和上..._字符嵌入
Android ListView 滑动背景为黑色的解决办法_android ，滑动时背景闪烁黑色。-程序员宅基地
文章浏览阅读1.7k次。在别的地方看到的，转过来作为记录!!在Android中，ListView是最常用的一个控件，在做UI设计的时候，很多人希望能够改变一下它的背景，使他能够符合整体的UI设计，改变背景背很简单只需要准备一张图片然后指定属性 android:background="@drawa_android ，滑动时背景闪烁黑色。
C# 分别使用Microsoft Speech 和 科大讯飞离线合成语音_c# windows speech-程序员宅基地
文章浏览阅读6.4k次，点赞5次，收藏23次。引言最近接到个项目，需要多声卡播放文字语音，涉及到指定声卡和语音合成的问题，于是各种查各种copy，中间走了一段弯路，写这篇文章帮助有需要的人。本人菜鸡，第一次写博客，不足之处请多多指教。科大讯飞离线合成参考了这篇文章https://blog.csdn.net/wyq1153/article/details/72178422首先感谢作者，其次发现其中有些错误，导致我的离线合成速度慢而且有时不..._c# windows speech
随便推点
FJNU第二十届低年级程序设计竞赛(正式赛)-Problem F-火柴棒_福师大低年级程序设计竞赛-程序员宅基地
文章浏览阅读530次。问题 F: 火柴棒时间限制: 1 Sec 内存限制:128 MB题目描述Flag巨巨的桌上有着非常多的火柴棒。这些火柴棒被摆成了一个十进制数。每个数字字母用火柴棒的摆法如下图。这个十进制数有n位。某一天，Flag巨巨想把这些火车棒重新排列一次。他喜欢美妙的数字，所以他希望排出的新的数字是一个回文数（如12321,1221都是回文数，1231则不是回文数_福师大低年级程序设计竞赛
赶快收藏：快速安装PyTorch和TensorFlow（gpu+cpu+1.7.1+2.2.0--cuda_11.0.2_450.51.05）命令_torch 1.7.1安装命令清华-程序员宅基地
文章浏览阅读1.4k次。PyTorch豆瓣源： pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple some-package清华源：pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_s_torch 1.7.1安装命令清华
字符数组的初始化-程序员宅基地
文章浏览阅读5.3k次，点赞2次，收藏9次。#有关字符数组的初始化的若干问题#一、注意事项：1.字符数组的初始化，初始化时赋予的自然是字符（要加单引号）。2.赋予字符也可以通过赋予相应字符的ASCII码（去掉单引号）或赋予字符串（只加双引号）来进行。3.对字符数组完全不进行初始化，则各元素随机。4.对字符数组进行不完全初始化，则从低地址（a[i]中i从0开始）到高地址逐个字符依次初始化，未被初始化的元素默认为空（即'\0_字符数组的初始化
Android A/B System OTA分析（三）主系统和bootloader的通信_ota android a/b-程序员宅基地
文章浏览阅读2.5w次，点赞12次，收藏83次。Android从7.0开始引入新的OTA升级方式，`A/B System Updates`，这里将其叫做`A/B`系统，涉及的内容较多，分多篇对`A/B`系统的各个方面进行分析。本文为第三篇，主系统和bootloader的通信。本文为洛奇看世界(guyongqiangx)原创，转载请注明出处。文章链接：https://blog.csdn.net/guyongqiangx/article/details/72480154_ota android a/b
Maven配置多个仓库共同使用的方法_maven配置多个profile的仓库,同时生效-程序员宅基地
文章浏览阅读1.7w次，点赞13次，收藏57次。Maven是Java的项目配置管理工具，用来管理依赖，具体的用途就不展开说了。大部分项目，配置一个镜像仓库地址就可以了（单个mirror）。但是有的网上下载的项目需要从多个仓库查找对应的包，从网上找了很多帖子，配置Maven的settings.xml文件中的多个仓库，都是从一个地方复制粘贴的，方法说的都不对。今天自己研究了一下，分享给大家。最终的settings.xml文件配置如果你不想看具体的配置，可以直接把我下面这个配置拿走，修改一下localRepository部分对应自己的本地repo(通常_maven配置多个profile的仓库,同时生效
房价预测 Task2-4-程序员宅基地
文章浏览阅读136次。房价预测 Task2-4Task 1 的文章：点这里Task 2计算每个agent的平均Y_areapandas提供了.mean()函数，求解行/列的均值。所以我们需要构造符合要求的数据帧。df_2= df[['AgentId', 'Y house price of unit area']]mean = [] # （1）for i in range(6): me..._y house price of unit area