JOONE(Java Object Oriented Neural Network)是sourceforge上一個用java語言迅速開發神經網路的開源項目。JOONE支持很多的特性，比如多執行緒和分散式計算，這意味著可以JOONE可以利用多處理器或是多計算機來均衡附載。
基本介紹
- 中文名：joone
- 外文名：Java Object Oriented Neural Network
- 套用平台：winall
- 核心模組：joone-engine
分類,套用,訓練神經網路,
分類
JOONE主要有三個大的模組：
joone-engine：joone的核心模組。
joone-editor：joone的gui開發環境。不用編寫一行代碼就建立神經網路模型，並可以進行訓練和驗證。Joone中提供了一個用joone-editor建立xor網路模型的例子，本文中的神經網路就是參考這個例子所完成的。
joone-distributed-environment ：joone用於支持分散式計算的模組。
套用
使用JOONE來解決一個很簡單的模式識別問題。模式識別是神經網路中的最普遍的套用之一。
模式識別提供給神經網路一種模式，判斷是否該神經網路能夠識別出該模式。這種模式應該能夠在某種程度上被扭曲而該神經網路仍然能夠識別它。這很像人類識別東西（如一個交通標誌）的能力。人類應該能夠識別在下雨天，晴天或者晚上的交通標誌。即使這些圖像看上去可能相當不同，但人類的大腦仍能夠判斷出它們是一樣的圖像。
當進行JOONE編程時，你一般要使用兩種類型的對象。你要使用神經原層對象，用於描述一層的一個或多個的具有相似特徵的神經原。神經網路經常有一層或兩層神經元。這些神經元層通過觸角聯繫在一起。這些觸角把這種待識別的模式，從一個神經元層傳輸到另一個神經元層。
觸角不僅把這種模式從一個神經元層傳輸到另一個神經元層。觸角還將生成一些指向這種模式的元素的斜線。這些斜線將導致這種模式的某些元素在被傳輸到下一個神經元層時不如通過其它方式傳遞更有效些。這些斜線通常稱為權重，它們形成神經網路的存儲系統。通過調整存儲在觸角中的這些權重，可以更改神經網路的行為。
觸角在JOONE中還承擔著另外一個角色。在JOONE中，可以把觸角看作是數據導管。正如觸角把模式從一個神經元層傳輸到另一個神經元層，指定版本的觸角用於把模式傳入和傳出神經網路。下面將給你展示一個簡單的單層的神經網路是怎樣被構建並進行模式識別的。
模式識別提供給神經網路一種模式，判斷是否該神經網路能夠識別出該模式。這種模式應該能夠在某種程度上被扭曲而該神經網路仍然能夠識別它。這很像人類識別東西（如一個交通標誌）的能力。人類應該能夠識別在下雨天，晴天或者晚上的交通標誌。即使這些圖像看上去可能相當不同，但人類的大腦仍能夠判斷出它們是一樣的圖像。
當進行JOONE編程時，你一般要使用兩種類型的對象。你要使用神經原層對象，用於描述一層的一個或多個的具有相似特徵的神經原。神經網路經常有一層或兩層神經元。這些神經元層通過觸角聯繫在一起。這些觸角把這種待識別的模式，從一個神經元層傳輸到另一個神經元層。
觸角不僅把這種模式從一個神經元層傳輸到另一個神經元層。觸角還將生成一些指向這種模式的元素的斜線。這些斜線將導致這種模式的某些元素在被傳輸到下一個神經元層時不如通過其它方式傳遞更有效些。這些斜線通常稱為權重，它們形成神經網路的存儲系統。通過調整存儲在觸角中的這些權重，可以更改神經網路的行為。
觸角在JOONE中還承擔著另外一個角色。在JOONE中，可以把觸角看作是數據導管。正如觸角把模式從一個神經元層傳輸到另一個神經元層，指定版本的觸角用於把模式傳入和傳出神經網路。下面將給你展示一個簡單的單層的神經網路是怎樣被構建並進行模式識別的。
訓練神經網路
為實現本文的目的，我們將指導JOONE去識別一個很簡單的模式。在這種模式中，我們將考察一個二進制的布爾操作，例如XOR。這個XOR操作的真值表列舉如下：
X | Y | X XOR Y |
0 | 0 | 0 |
0 | 1 | 1 |
1 | 0 | 1 |
1 | 1 | 0 |
正如你從上表中看到的，XOR運算的結果是只有當X和Y具有不同值時，結果才為真（1）。其它情況下，XOR運算結果均為假（0）。默認地，JOONE從存儲在你的系統中的文本檔案中取得輸入。這些文本檔案通過使用一種稱為FileInputSynapse的特殊觸角來讀取。為了訓練XOR運算問題，你必須建立一個輸入檔案-該檔案包含上面顯示的數據。該檔案顯示在列表1中。
列表1:為解決XOR問題的輸入檔案的內容
0.0;0.0;0.0
0.0;1.0;1.0
1.0;0.0;1.0
1.0;1.0;0.0
我們現在分析一個簡單的程式，它指導JOONE來識別XOR運算並產生正確的結果。我們現在分析訓練該神經網路必須被處理的過程。訓練過程包括把XOR問題提交給神經網路，然後觀察結果。如果這個結果不是所預期的，該訓練算法將調整存儲在觸角中的重量。在神經網路的實際輸出和預料的輸出之間的差距稱為誤差。訓練將繼續到誤差小於一個可接受值為止。這個級別通常是一個百分數，如10%。我們現在分析必須用於訓練一個神經網路的代碼。
訓練過程通過建立神經網路開始，同時也必須創建隱蔽的輸入層和輸出層。
// 首先，創造這三個層
input = new SigmoidLayer();
hidden = new SigmoidLayer();
output = new SigmoidLayer();
每個層被使用JOONE對象SigmoidLayer創建。Sigmoidlayer基於自然對數生成一個輸出。JOONE還包含另外的層，而不是你可能選擇使用的S形的層類型。
下一步，每一層被賦於一個名字。這些名字將有助於後面在調試期間識別該層。
input.setLayerName("input");
hidden.setLayerName("hidden");
output.setLayerName("output");
現在必須定義每個層。我們將指定在每一層中的"行"號。該"行"號對應於這一層中的神經原的數目。
input.setRows(2);
hidden.setRows(3);
output.setRows(1);
從上面的代碼看出，輸入層有兩個神經原，隱蔽層有三個隱蔽神經原，輸出層包含一個神經原。這對於神經網路包含兩個輸入神經原和一個輸出神經原是具有重要意義的，因為XOR運算符接收兩個參數而產生一個結果。
為使用該神經原層，我們也必須創建觸角。在本例中，我們要使用多個觸角。這些觸角用下面的代碼實現。
// 輸入-> 隱蔽的連線。
FullSynapse synapse_IH = new FullSynapse();
// 隱蔽-> 輸出連線。
FullSynapse synapse_HO = new FullSynapse();
就象神經原層的情況一樣，觸角也可能命名以有助於程式的調試。下面的代碼命名新建的觸角。
synapse_IH.setName("IH");
synapse_HO.setName("HO");
最後，我們必須把觸角聯接到適當神經原層。下面的代碼實現這一點。
// 聯接輸入層到隱蔽層
input.addOutputSynapse(synapse_IH);
hidden.addInputSynapse(synapse_IH);
// 聯接隱蔽層到輸出層
hidden.addOutputSynapse(synapse_HO);
output.addInputSynapse(synapse_HO);
現在既然神經網路已被創建，我們必須創建一個用於調節該神經網路的監視器對象。下面的代碼創建監視器對象。
//創建監視器對象並且設定學習參數
monitor = new Monitor();
monitor.setLearningRate(0.8);
monitor.setMomentum(0.3);
學習速度和動力作為參數以用於指定訓練的產生方式。JOONE利用backpropagation學習算法。要更多了解關於學習速度或者動力的信息，你應該參考backpropagation算法。
這個監視器對象應該被賦值給每一個神經原層。下面的代碼實現這一點。
input.setMonitor(monitor);
hidden.setMonitor(monitor);
output.setMonitor(monitor);
就象許多Java對象本身一樣，JOONE監視器允許聽者可以添加到它上面去。隨著訓練的進行，JOONE將通知聽者有關訓練進程的信息。在這個簡單的例子中，我們使用:
monitor.addNeuralNetListener(this);
我們現在必須建立輸入觸角。如前所述，我們將使用一個FileInputSynapse來讀取一個磁碟檔案。磁碟檔案不是JOONE唯一能夠接受的輸入種類。JOONE對於不同的輸入源具有很強的靈活性。為使JOONE能夠接收其它輸入類型，你只需創建一個新的觸角來接受輸入。在本例中，我們將簡單地使用FileInputSynapse。FileInputSynapse首先被實例化。
inputStream = new FileInputSynapse();
然後，必須通知FileInputSynapse要使用哪些列。列表1中顯示的檔案使用了輸入數據的前兩列。下面代碼建立起前兩列用於輸入到神經網路。
// 前兩列包含輸入值
inputStream.setFirstCol(1);
inputStream.setLastCol(2);
然後，我們必須提供輸入檔案的名字,這個名字直接來源於用戶接口。然後，提供一個編輯控制項用於收集輸入檔案的名字。下面代碼為FileInputSynapse設定檔案名稱。
// 這是包含輸入數據的檔案名稱
inputStream.setFileName(inputFile.getText());
如前所述，一個觸角僅是一個神經原層之間的數據導管。FileInputSynapse正是這裡的數據導管，通過它數據進入到神經網路。為了更容易實現這點，我們必須要把FileInputSynapse加到神經網路的輸入層。這由下面一行實現。
input.addInputSynapse(inputStream);
現在既然已經建立起神經網路，我們必須創建一個訓練員和一個監視器。訓練員用於訓練該神經網路，因為該監視器通過一個事先設定好的訓練重複數來運行這個神經網路。對於每一次訓練重複，數據被提供到神經網路，然後就可以觀察到結果。該神經網路的權重（存儲在穿梭在神經原層之間的觸角連線中）將根據誤差作適當調整。隨著訓練的進行，誤差級將下降。下列代碼建立訓練員並把它依附到監視器。
trainer = new TeachingSynapse();
trainer.setMonitor(monitor);
你會記得列表1中提供的輸入檔案包含三個列。到目前為止，我們僅僅使用了第一、二列，它們指定了到神經網路的輸入。第三列包含當提供給神經網路第一列中的數字時的期盼的輸出值。我們必須使得訓練員能夠存取該列以便能確定誤差。該錯誤是神經網路的實際輸出和期盼的輸出之間的差距。下列代碼創建另外一個FileInputSynapse並作好準備以讀取與前面相同的輸入檔案。
// 設定包含期望的回響值的檔案，這由FileInputSynapse來提供
samples = new FileInputSynapse();
samples.setFileName(inputFile.getText());
這時，我們想指向在第三列的FileInputSynapse。下列代碼實現了這一點，然後讓訓練員使用這個FileInputSynapse。
//輸出值在檔案中的第三列上
samples.setFirstCol(3);
samples.setLastCol(3);
trainer.setDesired(samples);
最後，訓練員被連結到神經網路輸出層，這將使訓練員接收神經網路的輸出。
// 連線訓練員到網路的最後一層
output.addOutputSynapse(trainer);
我們現在已為所有的層準備好後台執行緒，包括訓練員。
input.start();
hidden.start();
output.start();
trainer.start();
最後，我們為訓練設定一些參數。我們指定在輸入檔案中共有四行，而且想訓練20，000個周期，而且還在不段學習。如果你設定學習參數為false，該神經網路將簡單地處理輸入並不進行學習。我們將在下一節討論輸入處理。
monitor.setPatterns(4);
monitor.setTotCicles(20000);
monitor.setLearning(true);
現在我們已經為訓練過程作好準備。調用監視器的Go方法將在後台啟動訓練過程。
monitor.Go();
神經網路現在將要被訓練20，000個周期。當神經網路訓練完成，誤差層應該在一個合理的低級別上。一般低於10%的誤差級是可接受的。
