《人工智能及其應用》實驗指導書《人工智能及應用》實驗指導書

《人工智能及其應用》實驗指導書目錄綱..................................................................................................................................................................................................................................3現(xiàn)TSP問題......................................................................................5A*驗I............................................................................................................7A*驗II.........................................................................................................驗I.........................................................................................................驗II.....................................................................................................16驗.............................................................................18驗.............................................................................22第II頁

《人工智能及其應用》實驗指導書實驗教學大一、學：16學時。二、主儀器設備及行環(huán)境PC機、VisualC++6.0Matlab7.0。三、實項目及教學排序

實名

實

實內(nèi)

學

類

教平

時

要

產(chǎn)式統(tǒng)用

VC++

設計知識庫，實現(xiàn)系統(tǒng)識別或

設計

課內(nèi)分類等。

粒群法現(xiàn)TSP題A*算法用I

MatlabVC++

子算法求TSP問；設計與實現(xiàn)求解數(shù)問題的

驗證綜合

課內(nèi)課內(nèi)A*法。

A*算法用II

VC++

設計與實現(xiàn)求解迷宮問題的A*

綜合

課內(nèi)算法。

遺算應I

Matlab

）求某一函數(shù)的最小值；

驗證

課內(nèi)）求某一函數(shù)的最大值。

遺算應II

VC++

設計與實現(xiàn)求解不同城市規(guī)模

綜合

課內(nèi)的問的遺傳算法。

基神網(wǎng)的模識

Matlab

）基于神網(wǎng)絡的數(shù)字識別設計；

驗證

課內(nèi)）基于離散Hopfiel神經(jīng)網(wǎng)絡的聯(lián)想記憶設計。

基神網(wǎng)的優(yōu)計

VC++

設計與實現(xiàn)求解問的連續(xù)神網(wǎng)絡。

綜合

課內(nèi)四、實成績評定實驗課成績單獨按五分制評定。凡實驗成績不及格者，該門課程就不及格。學生的實驗成績應以平時考查為主般應占課程總成績的其平時成績又要以實驗實際操作的優(yōu)劣作為主要考核依據(jù)對于實驗課成績無論采取何種方式進行考核都必須按實驗課的目的要求以實際實驗工作能力的強弱作為評定成績的主要依據(jù)。評定各級成績時，可參考以下標準：（一）秀1

《人工智能及其應用》實驗指導書能正確理解實驗的目的要求，能獨立、順利而正確地完成各項實驗操作，會分析和處理實驗中遇到的問題能掌握所學的各項實驗技能能較好地完成實驗報告及其它各項實驗作業(yè)有一定創(chuàng)造精神和能力有良好的實驗室工作作風和習慣。（二）好能理解實驗的目的和要求，能認真而正確地完成各項實驗操作，能分析和處理實驗中遇到的一些問題能掌握所學實驗技能的絕大部分對難點較大的操作完成有困難能一般完成實驗報告和其它實驗作業(yè)有較好的實驗習慣和工作作風。（三）等能粗淺理解實驗目的要求，能認真努力進行各項實驗操作，但技巧較差。能分析和處理實驗中一些較容易的問題握實驗技能的大部分有掌握得不好。能一般完成各項實驗作業(yè)和報告。處理問題缺乏條理。工作作風較好。能認真遵守各項規(guī)章制度。學習努力。（四）格只能機械地了解實驗內(nèi)容，能一般按圖、或按實驗步驟完成實驗操作，能完成所學的實驗技能，有些雖完成但不準確。遇到問題常常缺乏解決的辦法，在別人啟發(fā)下能作些簡單處理但效果不理想能一般完成實驗報告能認真遵守實驗室各項規(guī)章制度工作中有小的習慣性毛（如工作無計劃處理問題缺乏條理（五）及格只掌握50%所學實驗技能。有些實驗雖能作，但一般效果不好，操作不正確。工作忙亂無條理。一般能遵守實驗室規(guī)章制度，但常有小的錯誤。實驗報告較多的時候有結果遇到問題時說不明原因在教師指導下也較難完成各項實驗作業(yè)?；蛴行┬÷斆鞯慌?，不求上進。2

《人工智能及其應用》實驗指導書實驗一

產(chǎn)生式系統(tǒng)驗一、實目的：熟悉一階謂詞邏輯和產(chǎn)生式表示法，掌握產(chǎn)生式系統(tǒng)的運行機制，以及基于規(guī)則推理的基本方法。二、實內(nèi)容運用所學知識，設計并編程實現(xiàn)一個小型人工智能系統(tǒng)（如分類、診斷、預測等類型三、實條件：產(chǎn)生式系統(tǒng)實驗程序，如下圖1所示。圖1

產(chǎn)生式系統(tǒng)實驗程序界面四、實要求1.具體應用領域自選，具體系統(tǒng)名稱自定；但所做系統(tǒng)絕對不能雷同。2.用一階謂詞邏輯和產(chǎn)生式規(guī)則作為知識表示，利用如圖1所示的產(chǎn)生式系統(tǒng)實驗程序，建立知識庫，分別運行正、反向推理。3

《人工智能及其應用》實驗指導書3.系統(tǒng)完成后，提交實驗報告。五、實步驟：1.基于如圖1示的產(chǎn)生式系統(tǒng)實驗程序計并實現(xiàn)一個小型人工智能系統(tǒng)：1）系統(tǒng)設，包括設置系統(tǒng)名稱和系統(tǒng)謂詞，給出謂詞名及其含義。2）編輯知庫，通過輸入規(guī)則或修改規(guī)則等，完成整個規(guī)則庫的建立。3）建立事庫（綜合數(shù)據(jù)庫），輸入多條事實或結論。4）運行推，包括正向推理和反向推理，給出相應的推理過程、事實區(qū)和規(guī)則區(qū)。2.撰寫實驗報告。六、實報告下面是實驗報告的基本內(nèi)容和書寫格式。遞交的報告文件名：班級_學號_姓名_實驗名稱———————————————————————實驗名稱班級：一、實驗目的二、實驗內(nèi)容三、實驗步驟四、實驗結果

學號：

姓名：1.系統(tǒng)名稱及謂詞定義2.系統(tǒng)知識庫3.系統(tǒng)正、反向推理過程、事實區(qū)和規(guī)則區(qū)。五、實驗總結———————————————————————4

《人工智能及其應用》實驗指導書實驗二

粒子群算法現(xiàn)TSP題一、實目的基于粒子群算法的問題實驗，在Windows下基于Matlab完成編程。粒子群算法，也稱粒子群優(yōu)化算法（ParticleSwarmOptimization），縮寫為，是近年來發(fā)展起來的一種新的進化算法(（Evolu2tionaryAlgorithm-EA。這種算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點引起了學術界的重視，并且在解決實際問題中展示了其優(yōu)越性。為學習其算法思想，有必要掌握并實現(xiàn)基于粒子群算法的函數(shù)優(yōu)化等問題。二、實原理粒子群優(yōu)化算法是種進化計算技術(evolutionarycomputation)，1995年Eberhart博和kennedy博士提出，源于對鳥群捕的行為研究。PSO同遺傳算法類似，是一種基于迭代的優(yōu)算法。系統(tǒng)初始化為一組隨機解，通過迭代搜尋最優(yōu)值但它沒有遺傳法用的交(以變(而是粒子在解空間追隨最優(yōu)的粒子進行搜索遺算法比較PSO的勢在于簡單容易實現(xiàn)并且沒有許多參數(shù)需要調(diào)整目前已廣泛應于函數(shù)優(yōu)化經(jīng)網(wǎng)絡訓練模糊系統(tǒng)控制以及其他遺傳算法的應用領域。TSP問（TravellingSalesmanProblem）旅行商問題，又譯為旅行推銷員問題、貨郎擔問題是數(shù)學領域中著名問題一設有一個旅行商人要拜訪n個市他須選擇所要走的路徑路徑的限制是每個市只能拜訪一次且最后要回到原來出發(fā)的城市徑的選擇目標是要求得的路徑路程為所有路徑之中的最小值。TSP問是一個組合優(yōu)化問題。該問題可以被證明具有NPC計復雜性TSP問題可以分為兩類類是對稱問類非對稱問TSP所有的TSP問題都可以用一個圖）描：V={c1c2…,ci…,cn}，=1,2，所有城市的集合ci表第個城市，為市的數(shù)目；E={(r,s):∈是有城市之間連接的集合；C={crs:∈是有城市間連接的成本度量（一般為城市之間的距離如果crs=csr那么該TSP問為對稱，否則為非對稱的。一個TSP問可以表達為：求解遍歷圖G=(VEC)，所有的節(jié)點一次并且回到起始節(jié)點，使得連接這些節(jié)點的路徑成本最低。四、實條件5

《人工智能及其應用》實驗指導書Matlab。五、實內(nèi)容及要求6

《人工智能及其應用》實驗指導書實驗三

A*算法驗I一、實目的熟悉和掌握啟發(fā)式搜索的定義、估價函數(shù)和算法過程，并利用A*算法求解N數(shù)碼難題，理解求解流程和搜索順序。二、實原理A*算法是一種啟發(fā)式圖搜索算法，其特點在于對估價函數(shù)的定義上。對于一般的啟發(fā)式圖搜索，總是選擇估價函數(shù)f值最小的節(jié)點作為擴展節(jié)點因此，f是根據(jù)需要找到一條最小代價路徑的觀點來估算節(jié)點的，所以，可考慮每個節(jié)點n估價函數(shù)值為兩個分量起始節(jié)點到節(jié)點的實際代價g(n)以及從節(jié)點n達目標節(jié)點的估價代價h(n(n)h*(n)*(n為節(jié)點到目的結點的最優(yōu)路徑的代價。八數(shù)碼問題是在的九宮格棋盤上擺有個刻有～數(shù)碼的將牌棋盤中有一個空格允許緊鄰空格的某一將牌可以移到空格中這樣通過平移將牌可以將某一將牌布局變換為另一布局針對給定的一種初始布局或結（目標狀態(tài)），問如何移動將牌，實現(xiàn)從初始狀態(tài)到目標狀態(tài)的轉變。如下表示了一個具體的八數(shù)碼問題求解。圖1八數(shù)碼問題的求解三、實內(nèi)容1.參考A*算法核心代碼，以8數(shù)碼問題為例實現(xiàn)A*算法的求解程序（編程語言不限），要求設計兩種不同的估價函數(shù)。2.設置相同的初始狀態(tài)和目標狀態(tài)，針對不同的估價函數(shù)，求得問題的解，并比較它們對搜索算法性能的影響，包括擴展節(jié)點數(shù)、生成節(jié)點數(shù)等。3.設置與上述2相同的初始狀態(tài)和目標狀態(tài)，寬度優(yōu)先搜索算法（即令估計代價(＝0的A*算法）求得問題的解，以及搜索過程中的擴展節(jié)點數(shù)、生成節(jié)點數(shù)。參考A*法核心代碼，實現(xiàn)A*算法求解15碼問題的程序，設計兩種不同的估價函數(shù)，然后重復上述2和3實驗內(nèi)容。5.提交實驗報告和源程序。7

《人工智能及其應用》實驗指導書四、實報告要求1.

分析不同的估價函數(shù)對A*算法性能的影響。2.根據(jù)寬度優(yōu)先搜索算法和A*算法求解、數(shù)碼問題的結果，分析啟發(fā)式搜索的特點。下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：一、實驗目的二、實驗原理三、實驗結果

學號：

姓名：按照實驗內(nèi)容，把結果填入表1。表1不啟函h(n求數(shù)問的果較啟函n)不位

初狀目狀

最解擴節(jié)數(shù)生節(jié)數(shù)運時*表2不啟函h(n求解15碼題結比啟函n)不位

初狀目狀最解擴節(jié)數(shù)生節(jié)數(shù)運時8

《人工智能及其應用》實驗指導書四、實驗總結1.畫出A*算法求解N數(shù)碼問題的流程圖2.完成實驗報告要求1和2。3.總結實驗心得體會——————————————————————————————————9

《人工智能及其應用》實驗指導書實驗四

A*算法驗II一、實目的熟悉和掌握A*算法實現(xiàn)迷宮尋路功能，要求掌握啟發(fā)式函數(shù)的編寫以及類啟發(fā)式函數(shù)效果的比較。二、實原理A*（A-Star)算法是一種靜態(tài)路網(wǎng)中求解最短路最有效的方法。公式表示為：f(g(n)+h(n)，其中()是節(jié)點n從初始點到目標點的估價函數(shù)，(是在狀態(tài)空間中從初始節(jié)點到n節(jié)的實際代價，hn從到目標節(jié)點最佳路徑的估計代價。保證找到最短路徑（最優(yōu)解的）條件，關鍵在于估價函數(shù)h(n)的選?。汗纼r值(n小于等于到目標節(jié)點的距離實際h*()，這種情況下，搜索的點數(shù)多，搜索范圍大，效率低，但能得到最優(yōu)解。如果估價值大于實際值，搜索的點數(shù)少，搜索范圍小，效率高，但不能保證得到最優(yōu)解。尋路問題常見于各類游戲中角色尋路維虛擬場景中運動目標的路徑規(guī)劃、機器人尋路等多個應用領域迷宮尋路問題是在以方格表示的地圖場景中對于給定的起點、終點和障礙物（墻），如何找到一條從起點開始避開障礙物到達終點的最短路徑。假設在一個n*m迷宮里，入口坐標和出口坐標分別為(1,1)和(5,5)，每一個坐標點有兩種可能：0或，其中表示該位置允許通過，1表示該位置不允許通過。如地圖：0010000100最短路徑應該是AB001C10D11F1KLHI1M即：(1,1)-(1,2)-(2,2)-(3,2)-(3,1)-(4,1)-(5,1)-(5,2)-(5,3)-(4,3)-(4,4)-(4,5)-(5,5)10

《人工智能及其應用》實驗指導書三、實內(nèi)容1．參考迷求解的核心代碼，觀察求解過程與思路，畫出用A*法求解迷宮最短路徑的流程圖。2．設置不的地圖，以及不同的初始狀態(tài)和目標狀態(tài)，記錄A*法的求解結果，包括最短路徑、擴展節(jié)點數(shù)、生成節(jié)點數(shù)和算法運行時間。3對于相同的初始狀態(tài)和目標狀態(tài)設計不同的啟發(fā)式函數(shù)比較不同啟發(fā)式函數(shù)對迷宮尋路速度的提升效果包括擴展節(jié)點數(shù)生成節(jié)點數(shù)和算法運行時間。4．提交實報告和源程序。四、實報告要求：1．畫出A*算法求解迷宮最短路徑問題的流程圖。2．試分析同啟發(fā)式函數(shù)hn對迷宮尋路求解的速度提升效果。3．分析A*算法求解不同規(guī)模迷宮最短路徑問題的性能。下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：一、實驗目的二、實驗原理三、實驗結果

學號：

姓名：按照實驗內(nèi)容，給出相應結果。四、實驗總結1.完成實驗報告要求2和3。2.總結實驗心得體會——————————————————————————————————11

《人工智能及其應用》實驗指導書實驗五遺傳算法實驗I一、實目的熟悉和掌握遺傳算法的原理流程和編碼策略并利用遺傳求解函數(shù)優(yōu)化問題，理解求解流程并測試主要參數(shù)對結果的影響。二、實原理遺傳算法(GeneticAlgorithms,GA)基于生物界自然選擇和基因遺傳學原理的一種廣為應用的、高效的隨機搜索算法20紀60代由美國的密執(zhí)根大學的Holland教授首先出法將優(yōu)化問題看作是自然界中生物的進化過程，通過模擬大自然中生物進化過程中的遺傳規(guī)律來達到尋優(yōu)的目的近年來遺傳算法已廣泛地應用于作業(yè)調(diào)度與排序可靠性設計車輛路徑選擇與調(diào)度成組技術、設備布置與分配、交通問題等等。用遺傳算法求解優(yōu)化問題，首先對優(yōu)化問題的解進行編碼，編碼后的一個解稱為一個染色體，組成染色體的元素稱為基因。一個群體由若干個染色體組成，染色體的個數(shù)稱為群體的規(guī)模在遺傳算法中用適應度函數(shù)表示環(huán)境它是已編碼的解的函數(shù)是一個解適應環(huán)境程度的評價當適應度函數(shù)確定后自然選擇規(guī)律以適應度函數(shù)值的大小來決定一個染色體是否繼續(xù)生存下去的概率存下來的染色體成為種群它們中的部分或全部以一定的概率進行交叉變異從而得到下一代群體。三、實條件Matlab7.X的遺傳算法工具箱。四、實內(nèi)容：1．用傳算法解下列函數(shù)最大值設定求解精到位小數(shù)。(x)

x)cos(2

3.226y[0,10],y[0,10]1）給出適度函數(shù)（FitnessFunction的M文件（中要求適應度函數(shù)最小化）。2）設計及擇上述問題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù)等填入表給出最佳適應度(Best最佳個（Bestindividual圖。12

《人工智能及其應用》實驗指導書表遺傳算參數(shù)的選擇編碼編方式（type種群參數(shù)選擇操作

種群規(guī)模（）初始種群的個體取值范圍）個體選擇概率分配策略（對應）個體選擇方法（Selectionfunction）最佳個體保存優(yōu)個體保存數(shù)count交叉操作

交叉概率（Crossoverfraction）交叉方式（Crossover）變異操作變方式Mutation最大迭代步數(shù)（）最大運行時間限制（limit）停止參數(shù)最適應度限制（Fitnesslimit）停滯代數(shù)（Stall）停滯時間限制（time）3）使相同的始種（Usepreviousrun）設置不同的種群規(guī)size520和100始種群的個體取值范Initialrange）為[0;1]，他參數(shù)同表1，然后求得相應的最佳適應度(Bestfitness)、平均適應度（fitness）和最佳個體（individual），填入下表2，分析種群規(guī)模對算法性能的影響。表不的群規(guī)模的GA行結果種群規(guī)模

最佳適應度平適應度

最佳個體x

y*4)設置種群規(guī)populationsize20種群的個體取值范Initial）為[選擇不同的選擇操作、交叉操作和變異操作，其他參數(shù)同1，然后獨立運行算法次，完成下表3，并分析比較采用不同的選擇策略、交叉策略和變異策略的算法運行結果。表同的選擇策略、交叉策略和變異策略的算法運行結果選擇操作

遺傳算法參數(shù)設置（gaoptimset）個體選擇概率Rank排序）分配@fitscalingrankFitnessScaling（比率）@fitscalingpropRoulette輪盤賭選擇）個體選擇

√√√√

√

√√SelectionFcn（標賽選擇）@selectiontournament

√交叉操作

單點交叉

√

√

√

兩點交叉@crossovertwopoint

√（勻變異√√變異操作MutationFcnGaussian高斯變異）13

√

√

《人工智能及其應用》實驗指導書最適度最適度平適度備注：1：options=gaoptimset('PopulationSize',20,'PopInitRange',[0;10],'FitnessScalingFc2．用傳算法解下面一個Rastrigin函數(shù)的小值，定求解精度15位數(shù)。f(x,x)

10(cos2cos2)1

2

1

2

1

21）給出適度函數(shù)的M文件（Matlab中要求適應度函數(shù)最小化）。2）設計上問題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù)等，填入表4，并畫出最佳適應度Bestfitness)和最佳個體（individual）圖。表遺傳算參數(shù)的選擇編碼編方式（type種群參數(shù)選擇操作

種群規(guī)模（）初始種群的個體取值范圍）個體選擇概率分配策略（對應）個體選擇方法（Selectionfunction）最佳個體保存優(yōu)個體保存數(shù)count交叉操作

交叉概率（Crossoverfraction）交叉方式（Crossover）變異操作變方式Mutation最大迭代步數(shù)（）最大運行時間限制（limit）停止參數(shù)最適應度限制（Fitnesslimit）停滯代數(shù)（Stall）停滯時間限制（time）3）設置種的不同初始范圍例如[[1;100]和[1;2]畫出相應的最佳適應度值(Best和平均距離（Distance圖，比較分析初始范圍及種群多樣性對遺傳算法性能的影響。4）設置不的交叉概率（fraction=0、0.8、1），畫出無變異的交叉（Crossover）、無交叉的變異Crossoverfraction=0)以及交叉概率為0.8時最佳適應度值(Best和和平均距（Distance圖分析交叉和變異操作對算法性能的影響。14

《人工智能及其應用》實驗指導書五、實報告要求：1．畫出遺算法的算法流程圖。2．根據(jù)實內(nèi)容，給出相應結果。3.總結遺傳算法的特點，并說明適應度函數(shù)在遺傳算法中的作用。下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：一、實驗目的二、實驗原理三、實驗結果

學號：

姓名：按照實內(nèi)容，給出驗結果及結果分析四、實驗總結1.完成實驗報告要求3。2.總結實驗心得體會——————————————————————————————————15

i《人工智能及其應用》實驗指導書i實驗六

遺傳算法實II一、實目的熟悉和掌握遺傳算法的原理、流程和編碼策略，理解求TSP問題的流程并測試主要參數(shù)對結果的影響，掌握遺傳算法的基本實現(xiàn)方法。二、實原理旅行商問題，即問題Problem）是數(shù)學領域中著名問題之一設有一個旅行商人要拜訪個城市個城市之間的相互距離已知，他必須選擇所要走的路徑路經(jīng)的限制是每個城市只能拜訪一次而且最后要回到原來出發(fā)的城市徑的選擇目標是要求得的路徑路程為所有路徑之中的最小值。用圖論的術語來說，假設有一個圖=(v)，其中v是頂點集，e是邊集，設dd)是由頂點i和頂點j之間的距離所組成的距離矩陣，旅行商問題就是求出一條通過所有頂點且每個頂點只通過一次的具有最短距離的回路問題是一個典型的組合優(yōu)化問題，該問題可以被證明具有NPC計算復雜性，其可能的路徑數(shù)目與城市數(shù)目n是成指數(shù)型增長的所以一般很難精確地求出其最優(yōu)解本實驗采用遺傳算法求解。遺傳算法的基本思想正是基于模仿生物界遺傳學的遺傳過程把問題的參數(shù)用基因代表，把問題的解用染色體代表（在計算機里用二進制碼表示），從而得到一個由具有不同染色體的個體組成的群體個群體在問題特定的環(huán)境里生存競爭適者有最好的機會生存和產(chǎn)生后代后代隨機化地繼承了父代的最好特征并也在生存環(huán)境的控制支配下繼續(xù)這一過程群體的染色體都將逐漸適應環(huán)境，不斷進化，最后收斂到一個最適應環(huán)境的類似個體，即得到問題最優(yōu)的解。三、實內(nèi)容1參考實驗系統(tǒng)給出的遺傳算法核心代碼用遺傳算法求解不同規(guī)（例如10城市，20城市，個城市）的TSP問題，把結果填入表1。表1遺算法求解不同規(guī)模的問題的結果城市規(guī)模

最好適應度最適應度平均適應度

平均運行時間2對于同一個問（例如10城市設置不同的種群規(guī)（例如，20100、交叉概率，0.5，1）和變異概率0，0.51，把結果填入23、設置種規(guī)模為，交叉概率為0.85變異概率為，然后增加種變異策（例如相鄰兩點互換變異逆轉變異或插入變異等和種個體選擇概16

《人工智能及其應用》實驗指導書率分配策（例如按線性排序或者按非線性排序分配個體選擇概率用于求解同一TSP題（例如個城市），把結果填入表。表不的群規(guī)模、交叉概率和變異概率的求解結果種群規(guī)模

交叉概率變異概率最適最適應平均適應度度度0.150.150.150.150.50.1500.51表不的異策略和個體選擇概率分配策略的求解結果

平均運行時間變異策略個選擇概率分配最好適應度最差適應度平適應度平運行時間兩點互換按應度比例分配兩點互換按適應度比例分配4、提交實報告和源程序。四、實報告要求：1、畫出遺算法求解題的流程圖。2、分析遺算法求解不同規(guī)模的題的算法性能。3、對于同個題，分析種群規(guī)模、交叉概率和變異概率對算法結果的影響。4、增種變異策略和1種個體選擇概率分配策略，比較求解同問題時不同變異策略及不同個體選擇分配策略對算法結果的影響。下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：一、實驗目的二、實驗原理三、實驗結果

學號：

姓名：按照實驗內(nèi)容，給出相應結果。四、實驗總結1.完成實驗報告要求2,和。2.總結實驗心得體會——————————————————————————————————17

實驗七

《人工智能及其應用》實驗指導書基于神經(jīng)網(wǎng)的模式識別驗一、實目的理解神經(jīng)網(wǎng)絡和離散Hopfield神網(wǎng)絡的結構和原理掌握反向傳播學習算法對神經(jīng)元的訓練過程，了解反向傳播公式。通過構建

網(wǎng)絡和離散Hopfield網(wǎng)絡模式識別實例，熟悉前饋網(wǎng)絡和反饋網(wǎng)絡的原理及結構。二、實原理學習算法是通過反向學習過程使誤差最小算法過程從輸出節(jié)點開始，反向地向第一隱含層(即最接近輸入層的隱含層)傳播由總誤差引起的權值修正。網(wǎng)絡不僅含有輸入節(jié)點和輸出節(jié)點，而且含有一層或多層()節(jié)點。輸入信號先向前傳遞到隱節(jié)點過作用后隱節(jié)點的輸出信息傳遞到輸出節(jié)點，最后給出輸出結果。離散Hopfield神經(jīng)網(wǎng)絡的聯(lián)想記憶過程分為學習和聯(lián)想兩個階段給定樣本的條件下，按照Hebb學習規(guī)則調(diào)整連接權值，使得存儲的樣本成為網(wǎng)絡的穩(wěn)定狀態(tài)這就是學習階段聯(lián)想是指在連接權值不變的情況下輸入部分不全或者受了干擾的信息，最終網(wǎng)絡輸出某個穩(wěn)定狀態(tài)。三、實條件Matlab7.X的神經(jīng)網(wǎng)絡工具箱在Matlab7.X的命令窗口輸入然后在鍵盤上輸入鍵，即可打開神經(jīng)網(wǎng)絡工箱。四、實內(nèi)容1.針對教材例8.1，設計一個網(wǎng)絡結構模型（63-6-9），并以教材圖為訓練樣本數(shù)據(jù)，圖為測試數(shù)據(jù)。（1）Matlab作空間導入（）訓練樣本數(shù)據(jù)inputdataoutputdata）和測試數(shù)據(jù)（testinputdata），然后新建一個神經(jīng)網(wǎng)絡（Network），選擇參數(shù)如下表1給出神經(jīng)網(wǎng)絡結構圖。表1BP網(wǎng)結構模型的各項參數(shù)設置（神經(jīng)網(wǎng)絡名稱（神經(jīng)網(wǎng)絡類型）（饋反向傳播）Input（輸入信息范圍）來訓練樣本的輸入數(shù)據(jù)）Trainingfunction（訓練函數(shù)）TRAINGD(梯下降算)function（性能函數(shù)（均方誤差）Numberoflayers（經(jīng)網(wǎng)絡層數(shù)）18

《人工智能及其應用》實驗指導書Layer1第1層of(神經(jīng)元個數(shù))Layer1（第1(遞函數(shù)Layer2第2層of(神經(jīng)元個數(shù))Layer2（第2(遞函數(shù)

TANSIG(雙正切型數(shù))LOGSIG型函數(shù)）（2入訓練樣本數(shù)inputdataoutputdata機初始化接Initialize給出BP神經(jīng)網(wǎng)絡訓練成功后的誤差變化曲線圖訓練參數(shù)設置如表所示。表BP網(wǎng)絡訓練參數(shù)訓練次數(shù)（）訓練時間（time）訓練目標（）學習率（lr）最大確認失敗次數(shù)（max_fail最小性能梯度（）兩次顯示之間的訓練步數(shù)）

Inf0.3（3）選擇不同的訓練函數(shù)，例如梯度下降動量算法）、TRAINLMMLevenberg-Marquardt訓練函數(shù)），然后輸入訓練樣本數(shù)據(jù)（），訓練參數(shù)設置如表所示，設置相同的初始連接權（，觀察不BP訓練算法的學習效果，給出各訓練算法下的誤差變化曲線圖。（4）在上述3個訓練好的神經(jīng)網(wǎng)絡中，選擇訓練誤差最小的一個網(wǎng)絡，并給出訓練后的連接權值和偏置，然后輸入測試數(shù)據(jù)（

）進行仿真（Simulate），并把訓練和測試的結果都導出到工作空間，給出訓練后的輸出結果和輸出誤差，以及測試后的輸出結果和輸出誤差。（5）針Training（訓練函數(shù)）TRAINGD網(wǎng)絡，然后設置不同