当前位置：首页 > news >正文

OpenCV机器学习（1）人工神经网络 - 多层感知器类cv::ml::ANN_MLP

news 2025/8/22 13:00:15

操作系统：ubuntu22.04
OpenCV版本：OpenCV4.9
IDE:Visual Studio Code
编程语言：C++11

算法描述

cv::ml::ANN_MLP 是 OpenCV 库中的一部分，用于实现人工神经网络 - 多层感知器（Artificial Neural Network - Multi-Layer Perceptron, ANN-MLP）。它提供了一种方式来创建和训练多层感知器模型，以解决分类、回归等问题。

主要特点

多层架构：支持一个输入层、多个隐藏层和一个输出层。
激活函数：可以选择不同的激活函数，如Sigmoid、Identity、ReLU等。
训练算法：包括误差反向传播算法，用户可以指定参数如迭代次数、终止条件等。
正则化参数：可以设置权重衰减项，帮助防止过拟合。

常用成员函数

create(): 创建一个指定层数和每层神经元数目的网络。
setLayerSizes(): 设置每一层的大小（神经元数量）。
setActivationFunction(): 设置使用的激活函数。
train(): 使用提供的数据集进行模型训练。
predict(): 对新的输入数据进行预测。
save()/load(): 保存和加载训练好的模型。

使用步骤

初始化网络：使用 create() 函数初始化网络，并通过 setLayerSizes() 定义网络结构。
配置训练参数：选择激活函数、设置训练方法及相应参数。
准备数据：准备好训练数据集和标签。
训练模型：调用 train() 方法对模型进行训练。
评估与预测：利用 predict() 方法对新数据进行预测，并根据需要评估模型性能。

代码示例

include <iostream>
#include <opencv2/ml.hpp>
#include <opencv2/opencv.hpp>using namespace cv;
using namespace cv::ml;
using namespace std;int main()
{// 训练数据及对应标签float trainingData[ 8 ][ 2 ] = { { 480, 500 }, { 50, 130 }, { 110, 32 }, { 490, 60 }, { 60, 190 }, { 200, 189 }, { 78, 256 }, { 45, 315 } };float labels[ 8 ]            = { 0, 1, 0, 0, 1, 0, 1, 1 };Mat trainingDataMat( 8, 2, CV_32FC1, trainingData );Mat labelsMat( 8, 1, CV_32FC1, labels );// 创建ANN_MLP模型Ptr< ANN_MLP > model = ANN_MLP::create();// 设置网络结构：输入层大小为2，隐藏层大小为2，输出层大小为1Mat layerSizes = ( Mat_< int >( 1, 3 ) << 2, 2, 1 );model->setLayerSizes( layerSizes );// 设置激活函数model->setActivationFunction( ANN_MLP::SIGMOID_SYM );// 设置训练方法model->setTrainMethod( ANN_MLP::BACKPROP );model->setBackpropWeightScale( 0.1 );model->setBackpropMomentumScale( 0.1 );// 设置迭代终止准则TermCriteria termCrit = TermCriteria( TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01 );model->setTermCriteria( termCrit );// 准备训练数据Ptr< TrainData > tData = TrainData::create( trainingDataMat, ROW_SAMPLE, labelsMat );// 训练模型model->train( tData );// 预测新数据点Mat sampleMat = ( Mat_< float >( 1, 2 ) << 500, 500 );Mat responseMat;float predictedClass = model->predict( sampleMat, responseMat );cout << "Predicted class: " << predictedClass << endl;return 0;
}