課程設(shè)計項目實踐《計算智能》課程不僅需要夯實理論基礎(chǔ)，更需要鍛煉學(xué)生的計算思維和編程實踐，提升解決實際問題的能力，因此，本教材結(jié)合實際教學(xué)需求，給出40個課程設(shè)計題目作為教學(xué)參考。其中，模糊計算題目10個，神經(jīng)計算題目20個，進化計算題目10個，希望能為選擇本教材教學(xué)的師生提供選題參考。一、模糊計算1.對森林火災(zāi)數(shù)據(jù)集的模糊聚類問題描述：森林火災(zāi)的發(fā)生與高溫、連續(xù)干旱、大風(fēng)等因素有密切關(guān)系，本課題采用模糊聚類分析，預(yù)測森林火災(zāi)的主要因素。數(shù)據(jù)來源：森林火災(zāi)數(shù)據(jù)集（forestfires.csv）表1森林火災(zāi)數(shù)據(jù)集設(shè)計內(nèi)容：首先對Forestfire數(shù)據(jù)集進行預(yù)處理，打亂數(shù)據(jù)集并按照8:2的比例拆分為訓(xùn)練集和測試集。主要的思路就是利用先基于TS模糊推理的FCM系統(tǒng)生成初始模糊聚類系統(tǒng)，然后利用自適應(yīng)神經(jīng)模糊系統(tǒng)，對該模糊聚類系統(tǒng)進行訓(xùn)練微調(diào)，最后通過可視化結(jié)果和均方誤差來評估該系統(tǒng)的準確性與有效性。預(yù)期結(jié)果：可分別選擇聚類個數(shù)為3、4或5的情況下，得到聚類結(jié)果，并繪制相應(yīng)圖形。初始系統(tǒng)通過自適應(yīng)神經(jīng)網(wǎng)絡(luò)技術(shù)的訓(xùn)練微調(diào)后，基于TS模糊推理的FCM系統(tǒng)的誤差減小，性能略有提升。2.交叉口交通信號燈模糊控制及優(yōu)化問題描述：隨著我國城市規(guī)模的不斷擴大和城市人口的日益增加，機動車數(shù)量也急劇增加，帶來的交通擁堵、交通事故、尾氣排放增加和能耗增多等一系列問題，因此城市交岔口交通信號燈的合理控制對于提高城市路網(wǎng)通行能力。由于交通系統(tǒng)的復(fù)雜性，很難建立精確的控制模型，而模糊控制的特點是不需要對被控對象建立模型就可以進行精確控制。因此，通過建立信號燈動態(tài)模型從而獲得最佳周期長度和有效綠燈時間，然后采用模糊控制算法對信號燈配時方案進行實時的動態(tài)優(yōu)化調(diào)整，并建立基于排隊的車輛延誤模型來對模糊控制算法進行評價。數(shù)據(jù)來源：某地的單交岔口的交通燈情況，表2為排隊長度的隸屬度賦值表。表2排隊長度的隸屬度賦值表設(shè)計內(nèi)容：針對城市單交岔口的交通信號控制問題，提出一種交通燈信號的模糊控制方法。該方法基于四相位定相序?qū)谓徊砜诮煌暨M行控制，模糊控制系統(tǒng)輸入為車輛排隊數(shù)和車輛到達率，輸出為當(dāng)前綠燈相位的綠燈延長時間。主要包括以下四項內(nèi)容：1）單交岔口交通信號控制問題；2）交通信號模糊控制方法；3）利用GA優(yōu)化模糊控制系統(tǒng)；4）Sumo仿真結(jié)果及分析。預(yù)期結(jié)果：在車流處于輕度、中度、重度擁擠時，模糊控制算法相比于Sumo自帶控制方法，能有效減少車輛的平均時間花費和平均時間損失，并增加了通過交岔口的車輛數(shù)，提高該路口的交通通行能力。3.模糊綜合評價法在網(wǎng)絡(luò)課程評價中的應(yīng)用問題描述：隨著網(wǎng)絡(luò)教育的快速發(fā)展，其質(zhì)量保證問題引起了越來越多的關(guān)注。網(wǎng)絡(luò)課程的質(zhì)量是制約整個網(wǎng)絡(luò)教育質(zhì)量的一個關(guān)鍵環(huán)節(jié)，網(wǎng)絡(luò)課程的評價標(biāo)準是當(dāng)前網(wǎng)絡(luò)教育發(fā)展中必須盡快解決的一個重要問題。模糊綜合評價法是近年來開始普遍應(yīng)用的一種先進和實用的評價方法，其評價結(jié)果能給出待評價目標(biāo)屬于各自不同種類的評價類隸屬度，決策部門可以按照最大隸屬的原則進行目標(biāo)決策。模糊綜合評價的過程無論是權(quán)重的取得還是指標(biāo)隸屬矩陣的獲取，很多應(yīng)用了評價者的主觀判斷，所以模糊綜合評價方法是一種基于主觀信息綜合評價的方法。如果樣本的數(shù)據(jù)難以取得或者評價者具有固定的專家評審團，且專家們的評判意見具有一致性時，對目標(biāo)的評價采用模糊綜合評價的方法是一種比較合理和準確的評價方法。數(shù)據(jù)來源：模糊綜合評價是對受多種因素影響的事物做出全面評價的一種十分有效的多因素決策方法，其特點是評價結(jié)果不是絕對地肯定或否定，而是以一個模糊集合來表示。1)設(shè)因素集U:U={u1，u2，……u9}，綜合我國現(xiàn)行評價體系和平衡記分法，選取了u1(課程內(nèi)容)、u2(交互設(shè)計)、u3(導(dǎo)航策略)、u4(界面設(shè)計)、u5(學(xué)習(xí)活動)5個指標(biāo)為反映網(wǎng)絡(luò)課程優(yōu)劣的主要指標(biāo)。2)設(shè)評價集V={v1，v2，v3，v4，v5}，簡便起見，設(shè)v1為優(yōu)秀，v2為良好，v3為中等，v4為較差，v5為很差。3)聘請網(wǎng)絡(luò)課程專業(yè)人士，并且熟悉該類課程的專家組成評判組，得到評價矩陣。4)根據(jù)專家意見，確定權(quán)重集A。設(shè)計內(nèi)容：在目標(biāo)的評價指標(biāo)體系當(dāng)中，部分評價指標(biāo)可以通過統(tǒng)計學(xué)的方法歸納出來，但有些評價指標(biāo)卻只能應(yīng)用專家評價法。對類似這樣的目標(biāo)評價問題，采用模糊綜合評價方法(FuzzyComprehensiveEvaluation，簡稱FCE)可以得到比較理想的解決。模糊綜合評價法包括：單因素的模糊綜合評價以及多層次的模糊綜合評價。對于此類網(wǎng)絡(luò)課程的評價，這里采用了多層次的模糊評價。其評價過程如下：首先確定可靠性考核的指標(biāo)——評價的因數(shù)集(即指標(biāo)集)，其次確定評價集(即備選集)。預(yù)期結(jié)果：1)綜合研究了網(wǎng)絡(luò)化課程的模糊綜合評價方法，并且把模糊綜合評價的方法應(yīng)用到網(wǎng)絡(luò)課程的考核和評價領(lǐng)域，得到了網(wǎng)絡(luò)課程考核的指標(biāo)體系以及選取的原則，并且建立了考核的模型，得到了隸屬度函數(shù)以及評價權(quán)重的認定方法，給出了模糊綜合評價的范例。2)網(wǎng)絡(luò)化課程的綜合評價中，如何科學(xué)合理地確定考核評價的方案以及評分的方法是至關(guān)重要的。因此提出了如何定量化和系統(tǒng)化地處理模糊綜合評價模型中各個指標(biāo)之間的關(guān)系，進而能夠較客觀和準確地反映了網(wǎng)絡(luò)化課程的制作和應(yīng)用水平，并且為進一步合理規(guī)范地評價網(wǎng)絡(luò)化課程的水平提供了較為科學(xué)的理論依據(jù)。3)范例表明，所建立的模糊綜合評價模型比較有效和可行，能客觀反映了網(wǎng)絡(luò)化課程的整體的水平，指出了網(wǎng)絡(luò)化課程的優(yōu)點以及尚存在的薄弱環(huán)節(jié)。如果通過定期對網(wǎng)絡(luò)課程進行連續(xù)的考核，此模型還可以顯示出網(wǎng)絡(luò)化課程水平動態(tài)的變化過程，進而能進一步促進網(wǎng)絡(luò)化課程整體水平不斷地提高。4.模糊聚類在電影票房分析中的應(yīng)用問題描述：隨著電影產(chǎn)業(yè)的蓬勃發(fā)展，以及國家對文化產(chǎn)業(yè)扶植的密集出臺，國內(nèi)外資本開始以組建影視資金的形式，對我國電影產(chǎn)業(yè)進行投資。可以看出電影票房對于我國經(jīng)濟比重占有很大的比重。本次試驗將運用Matlab來對我國的一些電影票房進行模糊聚類分析，通過聚類結(jié)果對電影票房數(shù)據(jù)做初步統(tǒng)計分析，并為用戶提供觀影建議。數(shù)據(jù)來源：實時票房榜網(wǎng)址：/BoxOffice/設(shè)計內(nèi)容：分別用模糊傳遞閉包法，F(xiàn)CM法，最大樹法對電影票房進行分析聚類。1）模糊傳遞閉包法分析：根據(jù)票房建立一個矩陣；對其進行標(biāo)準化處理；建立模糊等價矩陣；繪制動態(tài)聚類圖；確定最佳結(jié)果。2）FCM法分析：確定分類數(shù)，指數(shù)m的值，確定迭代次數(shù)；初始化一個隸屬度U；根據(jù)U計算聚類中心C；這個時候可以計算目標(biāo)函數(shù)J了；根據(jù)C返回去計算U，回到步驟3，一直循環(huán)直到結(jié)束。3）最大樹法分析：計算屬性之間的條件交互信息；以屬性為結(jié)點構(gòu)建完全圖；構(gòu)建完全圖的最大帶權(quán)生成樹，確定根變量，設(shè)置有向邊；加入類別結(jié)點，增加每個屬性的有向邊。預(yù)期結(jié)果：通過模糊聚類分析，得到相應(yīng)的聚類結(jié)果，進而為不同用戶提供觀影選擇建議，預(yù)計結(jié)果如圖1-3所示。圖1模糊傳遞閉包法結(jié)果圖圖2FCM法結(jié)果圖圖3最大樹法結(jié)果圖5.單倒置擺模糊控制系統(tǒng)的狀態(tài)空間設(shè)計問題描述：如圖4所示，當(dāng)長度為L、質(zhì)量為m的擺，用鉸鏈安裝在質(zhì)量為M的小車上。小車有一臺直流電動機拖動，在水平方向?qū)π≤囀┘涌刂屏，相對參考系產(chǎn)生位移Z。若不給小車施加控制力，則倒置擺會向左或向右傾倒，因此，它是一個不穩(wěn)定系統(tǒng)?？刂频哪康氖?，當(dāng)?shù)怪脭[無論出現(xiàn)向左或向右傾倒時，通過控制直流電動機，使小車在水平方向運動，將倒置擺保持在垂直位置上。圖4單倒置擺示意圖數(shù)據(jù)來源：用戶手動輸入以及網(wǎng)絡(luò)查找。設(shè)計內(nèi)容：先分析單倒置擺的系統(tǒng)結(jié)構(gòu)并且以此建立數(shù)學(xué)模型，然后利用Matlab對其進行仿真。預(yù)期結(jié)果：推算出在理想狀態(tài)下小車推力u多大可使得長度為L、質(zhì)量為m單倒置擺達到平衡。6.基于模糊控制的車輛泊車設(shè)計問題描述：設(shè)計一個Matlab模糊控制系統(tǒng)，用于控制車輛進行泊車操作。假設(shè)車輛只能在水平方向上移動，且只能前進或后退。系統(tǒng)輸入為車輛與目標(biāo)停車位之間的距離和角度差，輸出為車輛的速度和轉(zhuǎn)向角度。車輛與目標(biāo)停車位之間的距離可以通過車輛前部的傳感器測量得到，角度差可以通過車輛與目標(biāo)停車位之間的連線與車輛的朝向之間的夾角計算得到。模糊控制系統(tǒng)的輸入變量包括距離誤差和角度誤差，輸出變量包括速度和轉(zhuǎn)向角度。通過設(shè)定一系列模糊規(guī)則，將輸入變量映射到輸出變量上。例如，當(dāng)距離誤差較大且角度誤差較小時，輸出較大的速度和較小的轉(zhuǎn)向角度，以便車輛快速接近目標(biāo)停車位；當(dāng)距離誤差較小且角度誤差較大時，輸出較小的速度和較大的轉(zhuǎn)向角度，以便車輛準確對準停車位。通過模糊控制系統(tǒng)，車輛可以根據(jù)實時的距離和角度差信息，自動調(diào)整速度和轉(zhuǎn)向角度，實現(xiàn)自動泊車操作。數(shù)據(jù)來源：車輛尺寸（http://985.so/20kxg）；停車位標(biāo)準（http://985.so/20kx3）車庫標(biāo)準（/p/393254316）。設(shè)計內(nèi)容：車輛在倒車的過程中是一定的低速度運動，在這一過程中，車輛的后輪運動軌跡與倒車速度無關(guān)，倒車速度只對倒車過程中在固定時間內(nèi)車輛行駛的距離有影響，而不對行駛路線有影響。車輛的軌跡可以用(xr,yr,θ)表示，為了方便在此用（x,y,θ）來表示。此時，車輛的軌跡變化控制量為（x,y,θ），直接輸出量為φ。選取x、y、θ作為模糊控制的輸入變量，φ為輸出變量。其中設(shè)定輸入變量x的模糊集合數(shù)為4，語言變量表示為LB、LM、LS、XCE;輸入變量y的模糊集合數(shù)為4，語言變量表示為FAR、MD、CL、YCE；輸入變量θ的模糊集合數(shù)為5，語言變量表示為RBV、RBH、H、RUH、RUV；輸出變量φ模糊集合數(shù)為7，語言變量表示為PB、PM、PS、ZE、NS、NM、NB。在模糊階段里最重要的是設(shè)計隸屬函數(shù)，而隸屬函數(shù)的外型就跟設(shè)計者要求的特性和經(jīng)驗有關(guān)，一般常見的是用三角形或梯形來描述隸屬函數(shù)的外型。預(yù)期結(jié)果：車輛從起始點x、y坐標(biāo)位置經(jīng)過轉(zhuǎn)角和移動到達目標(biāo)x、y位置（車位）。7.基于威斯康星州乳腺癌數(shù)據(jù)集模糊聚類分析問題描述：目前癌癥的初步檢測還是主要依靠醫(yī)生的經(jīng)驗判斷，為了提高醫(yī)生的工作效率，以及減少醫(yī)生的經(jīng)驗判斷失誤，所有希望計算機協(xié)助醫(yī)生進行判斷。根據(jù)已有的對乳腺癌的特征的分類，判斷患者的乳腺癌是屬于良性還是惡性，進一步幫助患者的治療。數(shù)據(jù)來源：這些數(shù)據(jù)來源美國威斯康星大學(xué)醫(yī)院的臨床病例報告，如表3所示。表3美國威斯康星大學(xué)醫(yī)院臨床病例報告設(shè)計內(nèi)容：1）K-means算法輸入：【數(shù)據(jù)集，聚類個數(shù)k】數(shù)據(jù)集為m×n，m個元素，含n維特征變量①選擇k個初始的中心點，隨機生成u[1]，…u[k]，采用每行的最大值減去（最大最小的差值乘上隨機數(shù)），保證初始化的中心值在最大值與最小值之間；②對于x[1]，…，x[n]（Matlab數(shù)組從1開始）分別與u[1]，…，u[k]比較，假定與u[i]距離最短，就標(biāo)記為i類；③對于所有標(biāo)記為第i個類別的點，重新計算u[i]={所有標(biāo)記為i的樣本的每個特征的均值}；④重復(fù)第②③步，直到所有u[i]值的變化小于給定的閾值或達到最大迭代次數(shù)。2）FCM算法輸出：分類中心u(1)，…，u(k)，分類類別re(1)，…，re(k)①選定分類數(shù)c，，取一初始模糊分類矩陣，逐步迭代；②對于，計算聚類中心矩陣這里，可按下式計算：③修正模糊聚類矩陣，取④比較與，若對取定的精度，有則與即為所求，即，停止迭代；否則，，回到第③步，重復(fù)執(zhí)行。輸出：分類中心u(1)…u(k)，分類類別re(1)…re(k)。預(yù)期結(jié)果：分別運用fuzzyc-means方法和K-means兩種方法進行數(shù)據(jù)的模糊聚類分析，并通過現(xiàn)有的數(shù)據(jù)分析出兩者的識別準確率，若符合準確率達到95%以上的要求，則可以投入實際原因，相信也會有不錯的效果，幫助醫(yī)生診斷病情，患者了解病情。8.基于模糊聚類分析的多種數(shù)據(jù)的應(yīng)用實踐問題描述：利用模糊聚類的知識，搜集一些數(shù)據(jù)集，將學(xué)習(xí)到的知識應(yīng)用到實踐當(dāng)中。對數(shù)據(jù)集進行處理，并進行模糊聚類分析，探討世界各個國家和地區(qū)的狀況，結(jié)合利用模糊聚類分析發(fā)掘出來的隱藏信息和規(guī)律，給出最終的討論結(jié)果。數(shù)據(jù)來源：世界銀行WDI數(shù)據(jù)庫，聯(lián)合國《人口統(tǒng)計年鑒》，國家統(tǒng)計局。設(shè)計內(nèi)容：獲取數(shù)據(jù)集，并對數(shù)據(jù)集進行處理，特別是一定要檢查有沒有空缺值，不處理空缺值，模糊聚類分析就不能繼續(xù)進行。捋清模糊聚類分析的步驟，設(shè)計代碼進行仿真實驗。獲得分析結(jié)果之后，利用動態(tài)聚類圖進行數(shù)據(jù)分析。研究它們的共性特征，說明數(shù)據(jù)信息反應(yīng)的隱藏內(nèi)容，結(jié)合社會科學(xué)的知識或者常識，給出討論結(jié)果。預(yù)期結(jié)果：我們認為模糊聚類分析的結(jié)果一定程度上應(yīng)該和這些國家和地區(qū)的經(jīng)濟發(fā)展?fàn)顩r相關(guān)聯(lián)，比如歐美日韓的西方發(fā)達國家和地區(qū)常常歸為一類，發(fā)展中國家歸為一類，欠發(fā)達國家或地區(qū)歸為一類。9.基于Matlab的模糊控制洗衣機的設(shè)計與仿真問題描述：本實驗是利用Matlab模糊邏輯工具箱設(shè)計模糊洗衣機的控制器，將同時提供可視化界面以及命令行兩種控制方式。數(shù)據(jù)來源：網(wǎng)上查找設(shè)計內(nèi)容：將模糊洗衣機的控制看作一個開環(huán)的決策過程，并且用Matlab進行仿真兩個輸入一個輸出模糊控制洗衣機推理系統(tǒng)設(shè)計。1）假設(shè)污泥、油脂、洗滌時間的論域分別為[0,100]、[0,100]和[0,120]，設(shè)計相應(yīng)的模糊推理系統(tǒng)，給出輸入、輸出語言變量的隸屬函數(shù)圖，模糊控制規(guī)則表和推理結(jié)果立體圖。2）假定當(dāng)前傳感器測得的信息為x(污泥)=60，y（油脂）=70，采用模糊決策，給出模糊推理結(jié)果，并觀察模糊推理得到動態(tài)仿真環(huán)境，給出其動態(tài)仿真環(huán)境圖。預(yù)期結(jié)果：達到預(yù)期效果，實現(xiàn)模糊控制洗衣機系統(tǒng)。10.模糊綜合評價法在教師講課評價中的應(yīng)用問題描述：隨著教師福利的不斷提高，越來越多人加入了教師行業(yè)，導(dǎo)致教師行業(yè)里教師的授課水平良莠不齊。為保證教師的授課能夠真正對學(xué)生有所幫助，擬定建立一個教師評價體系。模糊綜合評價法可以將各個評價指標(biāo)的模糊集合通過模糊邏輯運算進行綜合，得到一個綜合評價的模糊集合；然后通過模糊集合的解模糊操作得到最終的評價結(jié)果。通過模糊綜合評價方法，可以有效處理多個評價指標(biāo)之間的模糊和不確定關(guān)系，提供更全面和準確的評價結(jié)果。因此，對教師講課的評價采用模糊綜合評價的方法是一種比較合理和準確的評價方法。數(shù)據(jù)來源：做調(diào)查表，收集數(shù)據(jù)。設(shè)計內(nèi)容：在教師評價體系當(dāng)中，我們采用單因素的模糊評價，其評價過程如下：確定因素集U={u1,u2,u3,u4}——確定評判集V={v1,v2,v3,v4}——進行單因素評判——構(gòu)造綜合評判矩陣R——進行綜合評判，對權(quán)重A1，A2計算B1=A1?R，B=A2?R，并根據(jù)隸屬度最大原則作出評判。預(yù)期結(jié)果：本次課程設(shè)計旨在研究和探索將模糊綜合評價法應(yīng)用于教師講課評價中的可行性和有效性。通過對教師講課的特點和評價指標(biāo)進行分析，結(jié)合模糊邏輯的思想和方法，設(shè)計了一套基于模糊綜合評價的教師講課評價模型。通過該模糊綜合評價模型，可以對教師講課進行全面、準確的評價。該模型將考慮到不同評價指標(biāo)的權(quán)重和模糊性，能夠更好地反映教師講課的質(zhì)量和效果。同時，通過對評價結(jié)果的分析和比較，可以為教師的教學(xué)改進和提升提供參考和決策依據(jù)。總體來說，本次課程設(shè)計的預(yù)期結(jié)果是在教師講課評價中應(yīng)用模糊綜合評價方法，并通過模型的構(gòu)建和實施，得到準確、可靠的評價結(jié)果，為提高教師的教學(xué)質(zhì)量和效果提供科學(xué)依據(jù)。二、神經(jīng)計算1.基于RBF神經(jīng)網(wǎng)絡(luò)的小麥種子分類問題描述：小麥是我國最重要的糧食作物之一，對于小麥種子的分類識別技術(shù)的研究一直都是農(nóng)業(yè)信息化領(lǐng)域的一大熱點。因此我們利用RBF神經(jīng)網(wǎng)絡(luò)對小麥的多個特征進行分析來進行分類，最終實現(xiàn)對小麥種子高效率的識別。數(shù)據(jù)來源：/mw/dataset/5d79f0d68499bc002c0cffaa/content設(shè)計內(nèi)容：讀取訓(xùn)練數(shù)據(jù)；建立一個RBF神經(jīng)網(wǎng)絡(luò)；使用新的數(shù)據(jù)集測試這個網(wǎng)絡(luò)；實驗結(jié)果與分析；設(shè)計用戶界面，實現(xiàn)人機交互。預(yù)期結(jié)果：識別準確率達到90%及以上。2.RBF神經(jīng)網(wǎng)絡(luò)在房價預(yù)測中的應(yīng)用問題描述：利用RBF神經(jīng)網(wǎng)絡(luò)對波士頓房價進行預(yù)測。數(shù)據(jù)來源：波士頓房價數(shù)據(jù)來源于sklearn中的datasets數(shù)據(jù)集，統(tǒng)計了波士頓506處房屋的13種不同特征（包含城鎮(zhèn)犯罪率、一氧化氮濃度、住宅平均房間數(shù)、到中心區(qū)域的加權(quán)距離以及自住房平均房價等）以及房屋的價格。設(shè)計內(nèi)容：分別使用Matlab和Python搭建RBF神經(jīng)網(wǎng)絡(luò)對波士頓房價進行預(yù)測，對兩種方式的預(yù)測精度進行比較，增加界面設(shè)計，將兩種方式搭建的模型結(jié)果進行可視化展示。預(yù)期結(jié)果：不同方法搭建的神經(jīng)網(wǎng)絡(luò)預(yù)測精度不同，但精度都相對比較高。3.基于Hopfield神經(jīng)網(wǎng)絡(luò)的數(shù)字識別問題描述：在日常生活中，經(jīng)常遇到帶噪聲字符的識別問題，如交通系統(tǒng)中汽車牌照，由于汽車在使用過程中，要經(jīng)受自然環(huán)境中的日吹風(fēng)曬或其他污染，造成字體的模糊不清，難以辨認，這是常常發(fā)生的事。如何從這些殘缺不全的字符中提取完整的信息，達到正確識別，這是字符識別的關(guān)鍵問題。目前有很多字符識別的方法，如人工神經(jīng)網(wǎng)絡(luò)識別，概率統(tǒng)計識別和模糊識別等。傳統(tǒng)的識別方法在有干擾的情況下不能很好的對字符進行檢測與識別，而離散型的Hopfield神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶的功能，利用這一功能對字符識別可以取得令人滿意的效果。在本實驗中，根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)的相關(guān)知識，設(shè)計一個具有聯(lián)想記憶功能的離散型Hopfield神經(jīng)網(wǎng)絡(luò)。要求該網(wǎng)絡(luò)可以正確識別0-9這10個數(shù)字，當(dāng)數(shù)字被一定的噪聲污染后，仍具有較好的識別效果。根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)的相關(guān)知識，設(shè)計一個具有聯(lián)想記憶功能的離散型Hopfiled神經(jīng)網(wǎng)絡(luò)。要求該網(wǎng)絡(luò)可以正確識別0-9這10個數(shù)字，當(dāng)數(shù)字被一定的噪聲干擾后，仍具有較好的識別效果。數(shù)據(jù)來源：首先自己定義標(biāo)準數(shù)字矩陣，通過Matlab隨機生成噪聲來模擬現(xiàn)實中數(shù)字被污染的情況。然后，在網(wǎng)上找一些交通系統(tǒng)中汽車牌照、郵政、商業(yè)票據(jù)這方面的數(shù)據(jù)。設(shè)計內(nèi)容：假設(shè)網(wǎng)絡(luò)由0-9共10個穩(wěn)態(tài)構(gòu)成，每個穩(wěn)態(tài)用10×10的矩陣表示。該矩陣直觀地描述模擬阿拉伯?dāng)?shù)字，即將數(shù)字劃分成10×10的矩陣，有數(shù)字的部分用1表示，空白部分用-1表示。網(wǎng)絡(luò)對這10個穩(wěn)態(tài)即10個數(shù)字（點陣）具有聯(lián)想記憶功能，當(dāng)有帶噪聲的數(shù)字點陣輸入到該網(wǎng)絡(luò)時，網(wǎng)絡(luò)的輸出便可以得到最接近的目標(biāo)向量（即10個穩(wěn)態(tài)），從而達到正確識別的效果。預(yù)期結(jié)果：對測試的結(jié)果進行分析比較，通過大量的測試來驗證Hopfield網(wǎng)絡(luò)用于數(shù)字識別的可行性與有效性，可以最大限度的識別字符信息，如圖5所示。圖5預(yù)期結(jié)果圖4.競爭型神經(jīng)網(wǎng)絡(luò)在不同領(lǐng)域中的聚類應(yīng)用問題描述：利用競爭性神經(jīng)網(wǎng)絡(luò)分別對白葡萄酒數(shù)據(jù)，1999年全國31個省城鎮(zhèn)居民家庭平均年消費支出數(shù)據(jù)和當(dāng)下熱門手游王者榮耀英雄數(shù)據(jù)進行聚類分析數(shù)據(jù)來源：/ml/datasets/Wine+Quality（白葡萄酒）；嵩天Python機器學(xué)習(xí)算法課程案例（消費數(shù)據(jù)）；/cystanford/EM_data（王者榮耀英雄）設(shè)計內(nèi)容：利用Python實現(xiàn)用戶界面，界面設(shè)置三個選項，分別實現(xiàn)上述三類數(shù)據(jù)集的聚類操作。預(yù)期結(jié)果：采用競爭神經(jīng)網(wǎng)絡(luò)實現(xiàn)聚類分析，每組數(shù)據(jù)被分為若干個簇，同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。5.基于CNN的行人重識別問題問題描述：行人重識別（ReID），也稱為行人再識別，是利用計算機視覺技術(shù)判斷圖像或者視頻序列中是否存在特定行人的技術(shù)。本課題將討論基于圖像的簡單ReID問題的解決方法，并利用卷積神經(jīng)網(wǎng)絡(luò)進行問題的解決。數(shù)據(jù)來源：5:81/Datasets/Market-1501-v15.09.15.zip設(shè)計內(nèi)容：1）處理數(shù)據(jù)；2）設(shè)計神經(jīng)網(wǎng)絡(luò)；3）進行訓(xùn)練測試。預(yù)期結(jié)果：輸入一張行人的照片并在已有的照片中進行檢索判斷該照片是否與已有的圖片存在相似性，并輸出結(jié)果。6.基于融合神經(jīng)網(wǎng)絡(luò)建模的語音情感識別問題描述：語音情感識別通過特定人語音情感數(shù)據(jù)庫的建立；語音情感特征提??；語音情感分類器的設(shè)計，完成了一個特定人語音情感識別的初步系統(tǒng)。對于單個特定人，可以識別平靜、悲傷、憤怒、驚訝、高興5種情感，除憤怒和高興之間混淆程度相對較大之外，各類之間區(qū)分特性良好，平均分類正確率為93.7%。對于三個特定人組成的特定人群，可以識別平靜、憤怒、悲傷3種情感，各類之間區(qū)分特性良好，平均分類正確率為94.4%。本系統(tǒng)的目的是提供一種能夠提高語音情感識別率的深度信念網(wǎng)絡(luò)的語音情感識別方法及系統(tǒng)。數(shù)據(jù)來源：通過自定義特征參數(shù)向量，使用BP算法對說話人的5種不同情緒（恐懼、高興、中性、傷心、憤怒）做出分類。每種情緒有50段音頻樣本，其中25段用來BP的訓(xùn)練，25段用于測試。音頻文件已在所建文件夾下。運行主程序可以得到BP對每種情緒的識別正確率，可以嘗試手動調(diào)整參數(shù)。設(shè)計內(nèi)容：步驟1：獲取語音信號；步驟2：預(yù)處理所述語音信號，獲得預(yù)處理語音信號；步驟3：對所述預(yù)處理語音信號采用深度信念網(wǎng)絡(luò)進行無監(jiān)督的語音信號特征提取，獲得語音信號特征；步驟4：將所述語音信號特征采用支持向量機進行語音情感的識別分類，獲得語音情感識別結(jié)果。由深度信念網(wǎng)絡(luò)提取出語音信號中的情感特征的多維特征向量后，需要一個適合情感分類器。本方法采用支持向量機采用一對一方式對四種情感(驚奇、高興、憤怒、悲傷)進行分類。將深度信念網(wǎng)絡(luò)提取出語音信號中的情感特征的多維特征向量作為支持向量機分類器的輸入，對于語音情感的非線性可分問題，利用核函數(shù)將輸入特征的樣本點映射到高維特征空間，使得對應(yīng)的樣本空間線性可分。“一對一”方式是對任意兩種情感構(gòu)建超平面，需要訓(xùn)練k×(k-1)/2個子分類器。整個訓(xùn)練過程一共需要個支持向量機子分類器，即6個。每一個子分類器由驚奇、高興、憤怒、悲傷四種情感特征中的任意兩種訓(xùn)練而成。即：高興-憤怒，高興-悲傷，高興-驚奇，憤怒-悲傷，憤怒-驚奇，悲傷-驚奇。在每兩類間訓(xùn)練一個分類器，當(dāng)對一個未知語音情感進行分類時，每個分類器都對其類別進行判斷.并為相應(yīng)的類別“投上一票”，最后得票最多的類別即作為該未知情感的類別。預(yù)期結(jié)果：本系統(tǒng)的目的是提供一種能夠提高語音情感識別率的深度信念網(wǎng)絡(luò)的語音情感識別方法及系統(tǒng)。決策階段采用投票法，可能存在多個類的票數(shù)相同的情況，從而使未知樣本同時屬于多個類別，影響分類精度，設(shè)計中進行優(yōu)化，預(yù)期得到比較精確的識別結(jié)果。7.基于BP神經(jīng)網(wǎng)絡(luò)的運動員成績預(yù)測問題描述：根據(jù)已有的運動員跳高、30米跑、立定跳遠等成績，已知一位運動員的除跳高之外的其他成績，預(yù)測其跳高成績。數(shù)據(jù)來源：從網(wǎng)絡(luò)上搜集國內(nèi)男子跳高運動員各項素質(zhì)指標(biāo)，包括跳高、30行進跑、立定三級跳遠、助跑摸高、助跑4-6步跳高、負重深蹲、杠鈴半蹲、100米跑、抓舉。設(shè)計內(nèi)容：對搜集到的數(shù)據(jù)進行整理，建立BP神經(jīng)網(wǎng)絡(luò)模型，選取適當(dāng)?shù)募詈瘮?shù)，對模型進行實現(xiàn)，預(yù)測結(jié)果預(yù)期結(jié)果：與其他已知的跳高成績相差在-1到1的范圍內(nèi)。8.基于競爭型神經(jīng)網(wǎng)絡(luò)的城市空氣質(zhì)量分析問題描述：人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，為城市空氣質(zhì)量分析提供了一個強有力的工具。目前，城市空氣質(zhì)量評價模型多采用BP網(wǎng)絡(luò)的形式，利用其所具有的較強的學(xué)習(xí)，聯(lián)想和容錯功能，對城市空氣質(zhì)量進行分析。然而，利用這種方法所得到的城市空氣質(zhì)量分析結(jié)果的精度不是很高。而競爭神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)分類的特點，在得出空氣質(zhì)量等級的前提下，大大提高了分析結(jié)果的精度。該文利用競爭型神經(jīng)網(wǎng)絡(luò)來對空氣質(zhì)量進行分類。數(shù)據(jù)來源：中國環(huán)境監(jiān)測總站，數(shù)據(jù)來源（報告中將以數(shù)據(jù)呈現(xiàn)）各項如空氣中二氧化硫、二氧化氮和可吸入顆粒的自動監(jiān)測數(shù)據(jù)如圖6所示。圖6空氣質(zhì)量數(shù)據(jù)設(shè)計內(nèi)容：為了利用競爭神經(jīng)網(wǎng)絡(luò)來確定空氣質(zhì)量等級,可將同一空氣質(zhì)量等級SO2、NO2和PM10的限值濃度作為一種原型模式,并把計算得到的相應(yīng)的污染物濃度日均值作為輸入樣本，輸入樣本與原型模式進行比較,根據(jù)競爭神經(jīng)網(wǎng)絡(luò)勝者全得競爭的特點,通過競爭學(xué)習(xí)最終求出與樣本數(shù)據(jù)最為接近的原型模式，從而確定空氣質(zhì)量等級。預(yù)期結(jié)果：由網(wǎng)絡(luò)輸出結(jié)果進行對天氣質(zhì)量的分級，并與實際平臺給出的質(zhì)量進行對比得出該模型的正確率。9.玻爾茲曼機在數(shù)字識別中的應(yīng)用問題描述：隨機神經(jīng)網(wǎng)絡(luò)是模擬能量的特性，從能量角度出發(fā)，構(gòu)造和能量過程類似的神經(jīng)網(wǎng)絡(luò)。在學(xué)習(xí)階段，隨機網(wǎng)絡(luò)不像其他網(wǎng)絡(luò)那樣基于某種確定性算法調(diào)整權(quán)值，而是按某種概率分布進行修改。在運行階段，隨機網(wǎng)絡(luò)不是按某種確定性的網(wǎng)絡(luò)方程進行狀態(tài)演變，而是按某種概率分布決定其狀態(tài)的轉(zhuǎn)移。神經(jīng)元的凈輸入不能決定其狀態(tài)取1還是取0，但能決定其狀態(tài)取1還是取0的概率。數(shù)據(jù)來源：MINST數(shù)據(jù)集（手寫數(shù)字數(shù)據(jù)庫，字符庫由0-9的字符圖片組成，每張圖片灰度級都是8，且每張圖片可以使用一個784大小的向量表征。數(shù)據(jù)集分為訓(xùn)練集和測試集。）設(shè)計內(nèi)容：從能量模型的出發(fā)推導(dǎo)玻爾茲曼機學(xué)習(xí)的基本結(jié)構(gòu)和基本方法，實現(xiàn)玻爾茲曼機的基本算法，完成玻爾茲曼機的應(yīng)用。預(yù)期結(jié)果：建立出DBM模型，驗證充分信息量的DBM算法的有效性。10.基于卷積神經(jīng)網(wǎng)絡(luò)的眼疾識別問題描述：如今近視已經(jīng)成為困擾人們健康的一項全球性負擔(dān)，在近視人群中，有超過35%的人患有重度近視。近視會拉長眼睛的光軸，也可能引起視網(wǎng)膜或者絡(luò)網(wǎng)膜的病變。主要選擇使用了ALexNet、GoogLeNet、ResNet三種卷積神經(jīng)模型對患者眼底視網(wǎng)膜圖像進行重癥近視識別，對模型的損失函數(shù)值、模型參數(shù)量和準確率進行對比實驗分析。數(shù)據(jù)來源：iChallenge-PM數(shù)據(jù)集設(shè)計內(nèi)容：首先對數(shù)據(jù)集進行預(yù)處理，包括圖片縮放與歸一化，根據(jù)圖片文件名確定標(biāo)簽，將文件頭為P病理性近視眼底成像設(shè)為正樣本（1），將H代表高度近視，N代表正常視力，都是負樣本。借助paddle神經(jīng)網(wǎng)絡(luò)工具構(gòu)建ALexNet、GoogLeNet,ResNet三種卷積神經(jīng)模型，對訓(xùn)練集進行訓(xùn)練，對比三種實驗數(shù)據(jù)。預(yù)期結(jié)果：進行重癥近視識別的模型準確率達到90%以上，展現(xiàn)每種模型的損失函數(shù)。11. 基于卷積神經(jīng)網(wǎng)絡(luò)的表情識別問題描述：上世紀70年代，美國著名心理學(xué)家保羅?艾克曼經(jīng)過大量實驗之后，將人類的基本表情定義為悲傷、害怕、厭惡、快樂、氣憤和驚訝六種。同時，他們根據(jù)不同的面部表情類別建立了相應(yīng)的表情圖像數(shù)據(jù)庫。隨著研究的深入，中性表情也被研究學(xué)者加入基本面部表情中，組成了現(xiàn)今的人臉表情識別研究中的七種基礎(chǔ)面部表情。由于不同的面部表情，可以反映出在不同情景下人們的情緒變化以及心理變化，因此面部表情的識別對于研究人類行為和心理活動，具有十分重要的研究意義和實際應(yīng)用價值。現(xiàn)如今，面部表情識別主要使用計算機對人類面部表情進行分析識別，從而分析認得情緒變化，這在人機交互、社交網(wǎng)絡(luò)分析、遠程醫(yī)療以及刑偵監(jiān)測等方面都具有重要意義。數(shù)據(jù)來源：本案例采用了FER2013數(shù)據(jù)庫，其數(shù)據(jù)集的下載地址如下：/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data。圖7中展示了網(wǎng)站截圖，F(xiàn)ER2013數(shù)據(jù)集由28709張訓(xùn)練圖，3589張公開測試圖和3589張私有測試圖組成。每一張圖都是像素為48*48的灰度圖。FER2013數(shù)據(jù)庫中一共有7中表情：憤怒，厭惡，恐懼，開心，難過，驚訝和中性。該數(shù)據(jù)庫是2013年Kaggle比賽的數(shù)據(jù)，由于這個數(shù)據(jù)庫大多是從網(wǎng)絡(luò)爬蟲下載的，存在一定的誤差性。這個數(shù)據(jù)庫的人為準確率是65%±5%。圖7數(shù)據(jù)來源網(wǎng)站截圖設(shè)計內(nèi)容：按照圖8設(shè)計流程，搭建深度學(xué)習(xí)網(wǎng)絡(luò)，經(jīng)過訓(xùn)練學(xué)習(xí)，完成對人臉表情的識別。圖8設(shè)計流程預(yù)期結(jié)果：能夠成功識別出人臉開心、驚訝、悲傷、害怕、憤怒的表情。12.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別問題描述：對一任意手寫數(shù)字圖片，實現(xiàn)可以隨意選取想要測試的圖片，并得到識別結(jié)果，同時看到所選圖片。也可以理解為10分類問題，最終結(jié)果為0-9這10個數(shù)字。數(shù)據(jù)來源：MNIST官方手寫數(shù)字數(shù)據(jù)集設(shè)計內(nèi)容：設(shè)計三層BP神經(jīng)網(wǎng)絡(luò)，設(shè)定輸入層節(jié)點數(shù)為28×28（對應(yīng)圖片像素值），輸出層節(jié)點數(shù)為10（對應(yīng)0-9這10個數(shù)字），反復(fù)訓(xùn)練，記錄訓(xùn)練參數(shù)并繪制折線圖。預(yù)期結(jié)果：識別正確率達到95%以上，結(jié)果如圖9所示：圖9數(shù)字“6”的識別結(jié)果13.基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類系統(tǒng)問題描述：垃圾分類是一項重要的環(huán)保工作，但是傳統(tǒng)的垃圾分類方式需要投入大量的人力和時間，效率低下。因此，開發(fā)一個自動化的垃圾分類系統(tǒng)可以提高垃圾分類的效率和準確性。本課程設(shè)計旨在開發(fā)一個基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類程序，能夠自動識別垃圾的類別，從而實現(xiàn)垃圾分類的自動化。數(shù)據(jù)來源：/datasetdetail/27436本課程設(shè)計使用的數(shù)據(jù)集分為四個類別，分別是可回收物、有害垃圾、其他垃圾和廚余垃圾，圖片的種類一共246個文件夾，包含圖片80961張。設(shè)計內(nèi)容：主要內(nèi)容包括以下幾個方面：1）數(shù)據(jù)預(yù)處理：讀取圖像數(shù)據(jù)，并進行必要的數(shù)據(jù)清洗和處理；調(diào)整圖像大小，使其適合模型輸入；將圖像數(shù)據(jù)轉(zhuǎn)換為合適的格式，如RGB格式；將圖像數(shù)據(jù)轉(zhuǎn)換為模型可接受的輸入格式，例如numpy數(shù)組。2）構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型：選擇合適的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，如卷積層、池化層和全連接層的組合。同時，設(shè)置合適的超參數(shù)，如卷積核大小、池化窗口大小、激活函數(shù)等。最后，編譯模型，選擇適當(dāng)?shù)膬?yōu)化器和損失函數(shù)。3）訓(xùn)練模型：使用劃分好的訓(xùn)練集進行模型訓(xùn)練。通過迭代優(yōu)化模型參數(shù)，不斷調(diào)整模型的權(quán)重和偏置，以最小化損失函數(shù)。訓(xùn)練過程中，可以使用批量梯度下降法等優(yōu)化算法來加速訓(xùn)練過程。4）評估模型：使用測試集對訓(xùn)練好的模型進行評估。計算模型在測試集上的損失和準確率等指標(biāo)，以評估模型的性能。如果模型的準確率不夠理想，可以調(diào)整模型架構(gòu)、超參數(shù)或增加訓(xùn)練數(shù)據(jù)來改進模型的性能。預(yù)期結(jié)果：本課程設(shè)計的預(yù)期結(jié)果是一個能夠自動識別垃圾類別的程序。該程序能夠接受輸入的垃圾圖像，并輸出垃圾的類別標(biāo)簽。預(yù)期結(jié)果是該程序能夠達到較高的準確率，能夠準確地將垃圾圖像分類到正確的類別中。通過該程序，可以實現(xiàn)垃圾分類的自動化，提高垃圾分類的效率和準確性，為環(huán)境保護做出貢獻。14.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別問題描述：花卉種類識別一直是園藝生產(chǎn)活動自動化過程中的一大難題，人工識別不僅拖慢自動化進度，還會進一步產(chǎn)生對生產(chǎn)力和勞動力的浪費，增加花卉培養(yǎng)成本，本組計劃通過使用模糊聚類算法，設(shè)計針對花卉圖像進行品種識別的系統(tǒng)，幫助園藝生產(chǎn)活動實現(xiàn)更高程度的自動化、智能化，提高生產(chǎn)效率，解放生產(chǎn)力。數(shù)據(jù)來源：來自于開源的數(shù)據(jù)下載網(wǎng)站，網(wǎng)址為：/example_images/flower_photos.tgz設(shè)計內(nèi)容：利用模糊聚類算法，設(shè)計能夠?qū)D像中的花卉種類進行識別的系統(tǒng)，輸入圖像即可輸出圖中花卉種類以及判斷正確概率。預(yù)期結(jié)果：達到圖10的識別效果且準確率能夠達到85%，同時完成能夠?qū)δ壳笆袌鲋髁骰ɑ芷贩N進行識別。圖10識別結(jié)果界面15.BP算法的語音情感智能識別問題描述：語音識別作為當(dāng)下手機搭載的必備程序，現(xiàn)在只是作為文字識別的附屬，將普通話轉(zhuǎn)換為文字，但是我們口頭的語言在轉(zhuǎn)化為文字之后沒有辦法體現(xiàn)自己的情感態(tài)度，為人們遠距離交流帶來了極大的不便。設(shè)想，如果我們平時可以通過語音識別來識別通話對方的情感，就可以讓語音轉(zhuǎn)化為文字的時候可以更加確定情感態(tài)度，以避免誤會?？梢栽诓环奖懵犝Z音或者喪失聽力時為我們帶來非常大的幫助。數(shù)據(jù)來源：https://db.sewaproject.eu/CHEAVD2.0，2017，中國科學(xué)院自動化研究所7030句自然數(shù)據(jù)集，中文推薦的兩種獲取數(shù)據(jù)集方式，聯(lián)系論文作者填寫數(shù)據(jù)集下載申請表對于單個特定人，可以識別出生氣、高興、中性、悲傷、害怕5種情感，通過BP算法設(shè)計出語音識別情感的系統(tǒng)，本系統(tǒng)的目的是提供一種能夠提高語音情感識別率的深度信念網(wǎng)絡(luò)的語音情感識別方法。從網(wǎng)上下載包含不同情緒且符合特征要求的語音情感數(shù)據(jù)集，從每組數(shù)據(jù)集中取出30個組成訓(xùn)練樣本，對測試樣本與訓(xùn)練樣本進行劃分。將測試樣本與訓(xùn)練樣本放在不同的文件夾中，修改數(shù)據(jù)集的格式使之符合要求。設(shè)計內(nèi)容：結(jié)合語音情感識別的廣泛需求，本文研究了基于神經(jīng)網(wǎng)絡(luò)的語音情感識別算法。具體研究內(nèi)容如下：提取了五種不同情感的語音特征，五種不同情感為生氣、高興、中性、悲傷、害怕根據(jù)提取的語音情感特征，研究了基于BP神經(jīng)網(wǎng)絡(luò)的語音情感識別算法。預(yù)期結(jié)果：搭建BP神經(jīng)網(wǎng)絡(luò)模型，對數(shù)據(jù)集合進行差分。通過數(shù)據(jù)集合訓(xùn)練模型，使得模型在測試中可以達到正確識別率達到70%-80%的區(qū)間。16.基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的車牌識別問題描述：車牌識別是一種圖像處理技術(shù)，用于識別車輛的車牌。這項技術(shù)被廣泛用于各種安全檢測中，在道路交通中涵蓋了大量的車輛信息，監(jiān)控設(shè)備會抓取到龐大的數(shù)據(jù)信息，對抓拍的車牌信息進行識別可以提高工作效率，降低成本。數(shù)據(jù)來源：數(shù)據(jù)來源于GitHub設(shè)計內(nèi)容：對數(shù)據(jù)進行導(dǎo)入，將地區(qū)“京”,“滬”,“津”,“渝”,“冀”等進行標(biāo)簽化。構(gòu)建一個tf.data.Dataset，利用tensorflow搭建網(wǎng)絡(luò)模型，并對其進行優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)整模型參數(shù)。設(shè)置合適的動態(tài)學(xué)習(xí)率并對模型訓(xùn)練，對訓(xùn)練結(jié)果進行可視化分析，最后對車牌數(shù)據(jù)進行預(yù)測。預(yù)期結(jié)果：能夠展示部分數(shù)據(jù)案例，用可視化圖表展示訓(xùn)練結(jié)果，進行評估，能夠?qū)嚺菩畔⑦M行識別。17.基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的污染車牌字符識別問題描述：在日常生活中，經(jīng)常遇到帶噪聲字符的識別問題，如交通系統(tǒng)中汽車牌照，由于汽車在使用過程中，要經(jīng)受自然環(huán)境中的日吹風(fēng)日曬或者其他污染，造成字體的模糊不清，難以辨認。為解決這一問題，本小組利用離散Hopfield的聯(lián)想記憶能力對被污染的車牌字符進行識別。數(shù)據(jù)來源：開源車牌數(shù)據(jù)集。設(shè)計內(nèi)容：設(shè)定記憶模式，將未被污染的車牌字符進行編碼存儲，得到取值為1，-1的記憶模式。在完成記憶過程之后，輸入被污染的車牌字符進行聯(lián)想過程。在實際的應(yīng)用環(huán)境中樣本是多樣的,無法保證記憶的樣本兩兩是正交的,因此我們需要尋找優(yōu)化方法改進這一不足。預(yù)期結(jié)果：正確識別出車牌中被污染的字符并展示識別效果。18.基于Hopfield神經(jīng)網(wǎng)絡(luò)求解旅行商問題問題描述：Hopfield神經(jīng)網(wǎng)絡(luò)主要有兩個應(yīng)用：一是起到類似儲存器的作用，也就是我們把多個序列或圖片輸入這個網(wǎng)絡(luò)，最終這個網(wǎng)絡(luò)會以神經(jīng)元之間連接權(quán)重的形式儲存這些信息，當(dāng)我們再次往這個網(wǎng)絡(luò)輸入相同或有些破損部分的原來的一個輸入序列/圖像，它能夠把序列/圖像還原（恢復(fù)）回來；另一個應(yīng)用就是求解TSP問題，也就是尋找最優(yōu)解。數(shù)據(jù)來源：假設(shè)有一個旅行商人要拜訪全國31個省會城市，它需要選擇所要走的路徑，路徑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。對路徑選擇的要求是：所選路徑的路成為所有路徑之中的最小值。全國31個省會城市的坐標(biāo)為[13042312;36391315;41772244;37121399;34881535;33261556;32381229;41961044;4312790;4386570;30071970;25621756;27881491;23811676;1332695;37151678;39182179;40612370;37802212;36762578;40292838;42632931;34291908;35072376;33942643;34393201;29353240;31403550;25452357;27782826;23702975]設(shè)計內(nèi)容：1）初始化種群數(shù)目NP=200，染色體基因維數(shù)為N=31，最大進化代數(shù)G=1000。2）產(chǎn)生初始種群，計算個體適應(yīng)度值，即路徑長度：采用基于概率的方式選擇進行操作的個體；對選中的成對個體，隨機交叉所選中的成對城市坐標(biāo)，以確保交叉后路徑每個城市只到訪一次；對選中的單個個體，隨機交換其一對城市坐標(biāo)作為變異操作，產(chǎn)生新的種群，進行下一次遺傳操作。3）判斷是否滿足終止條件：若滿足，則結(jié)束搜索過程，輸出優(yōu)化值，若不滿足，則繼續(xù)進迭代優(yōu)化。預(yù)期結(jié)果：如圖11所示。圖11TSP最優(yōu)路線求解圖19.基于GAN的人臉圖片補全問題描述：深度學(xué)習(xí)方法在圖像補全方面具有語意理解，全局一致，以及產(chǎn)生圖像新內(nèi)容等優(yōu)勢，可以有效地改善面部圖像的質(zhì)量問題，如刪除面部遮擋，變換面部表情和發(fā)型等。利用深度學(xué)習(xí)處理圖像補全問題的典型算法包括：基于卷積神經(jīng)網(wǎng)絡(luò)的語境編碼（ContextEncoders，簡稱CE）算法和基于對抗神經(jīng)網(wǎng)絡(luò)的全局和局部一致（GloballyandLocallyConsistent，簡稱GL）算法。目前，采用深度學(xué)習(xí)解決圖像補全的方法已經(jīng)成為圖像補全算法的研究熱點。本組對基于生成對抗網(wǎng)絡(luò)（GenerativeAdversarialNetworks，簡稱GAN）的圖像補全算法進行深入研究。數(shù)據(jù)來源：CelebA-HQ設(shè)計內(nèi)容：針對傳統(tǒng)的補全算法對缺損圖像進行補全時，存在只能填補細而窄的裂痕或者紋理結(jié)構(gòu)豐富圖像的問題，對CE算法和GL算法進行融合，通過使用測量函數(shù)，提出了基于有損測量的GAN圖像補全算法。針對有損測量的GAN圖像補全算法中缺損圖像補全結(jié)果中出現(xiàn)人臉眼部模糊問題，基于眼部位置的專項訓(xùn)練和多種損失函數(shù)相結(jié)合，采用無監(jiān)督學(xué)習(xí)訓(xùn)練生成網(wǎng)絡(luò)，提出了基于部分卷積的GAN圖像補全算法。預(yù)期結(jié)果：該系統(tǒng)可以將人為引導(dǎo)信息作為輸入條件，不僅能夠生成細節(jié)逼真的高質(zhì)量合成面部圖像，而且可以實現(xiàn)面部特征風(fēng)格的變換。20.基于GA-BP的申學(xué)成功率預(yù)測模型問題描述：大學(xué)生或研究生在申學(xué)過程中可能遇到的問題包括：1）申請材料準備：需要準備大量的申請材料，如成績單、推薦信、個人陳述、簡歷等，而且各種材料的要求和格式都有所不同。2）時間和精力投入：申學(xué)過程需要花費大量的時間和精力，包括準備材料、填寫申請表、參加面試等。3）面試壓力：面試是申請過程中的重要環(huán)節(jié)，但很多學(xué)生可能會感到緊張和壓力。4）競爭激烈：大學(xué)或研究生的錄取名額有限，競爭非常激烈，即使條件優(yōu)秀，也不能保證錄取。因此本設(shè)計的目的是建立數(shù)學(xué)模型，幫助學(xué)生了解自身競爭力：通過模型預(yù)測，學(xué)生可以了解自己的申請成功率，更好地評估自己的競爭力，從而確定申請目標(biāo)學(xué)校和專業(yè)；提高申請效率：預(yù)測模型可以幫助學(xué)生更準確地選擇申請學(xué)校和專業(yè)，避免盲目申請，從而提高申請效率；輔助招生工作：對于招生辦公室來說，基于大數(shù)據(jù)和機器學(xué)習(xí)的預(yù)測模型可以提供有力的參考，幫助他們更公正、客觀地評估申請者，提高招生工作的效率和質(zhì)量；優(yōu)化教育資源配置：預(yù)測模型可以根據(jù)申請者的競爭力，預(yù)測其申學(xué)成功率，從而幫助學(xué)校優(yōu)化教育資源配置，更好地滿足學(xué)生需求；促進個性化教育：基于預(yù)測模型的申學(xué)指導(dǎo)，可以針對學(xué)生的特點和需求，提供更個性化的教育方案，從而促進學(xué)生的成長和發(fā)展。數(shù)據(jù)來源：/datasets/gurbanovafatima/admission-prediction設(shè)計內(nèi)容：模型目標(biāo)：建立一個基于遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型（GA-BP），用于預(yù)測申請人的申請成功率。模型評價：模型的準確性、召回率、精確率等指標(biāo)將用于評價模型的性能。自變量：考慮以下幾個方面的自變量：申請人的序列號；申請人的GRE成績；申請人的托福（雅思）成績；所申請的大學(xué)排名；SOP水平；LOR水平；申請人的課程學(xué)分績點(CGPA)；申請人學(xué)術(shù)成果。因變量：因變量為申請人成功錄取的概率ChanceofAdmit。數(shù)據(jù)處理：數(shù)據(jù)需要進行預(yù)處理，包括數(shù)據(jù)清洗、缺失值處理、異常值處理等。模型構(gòu)建：使用GA-BP神經(jīng)網(wǎng)絡(luò)模型，通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化，以提高模型的預(yù)測能力。模型訓(xùn)練與優(yōu)化：使用訓(xùn)練數(shù)據(jù)集對GA-BP模型進行訓(xùn)練，并調(diào)整模型參數(shù)，如神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、學(xué)習(xí)率等，以提高模型的預(yù)測精度。模型驗證與評價：使用驗證數(shù)據(jù)集對模型進行驗證，評價模型的預(yù)測性能。預(yù)期結(jié)果：輸入申請人的信息可以得到申請人被所申請學(xué)校錄取的概率。三、進化計算1.基于遺傳算法的超市選址優(yōu)化問題描述：對于某一學(xué)校超市，其他各單位到其的距離不同，同時各單位人員去超市的頻度也不同。根據(jù)輸入的距離以及頻度，計算超市的最優(yōu)位置。數(shù)據(jù)來源：設(shè)有5個單位a、b、c、d、e,它們之間共有5條路徑，如表4所示。表4各單位之間的距離和路徑地點1地點2距離ab2ac3bc5ce2de1各單位去超市的頻度為表5：表5各單位去超市的頻度地點abcde頻度32615設(shè)計內(nèi)容：根據(jù)相應(yīng)數(shù)據(jù)，用遺傳算法計算超市最優(yōu)的位置。遺傳算法對問題進行最優(yōu)解分析，首先定義適應(yīng)度函數(shù)來表示個體對外界的適應(yīng)程度，且適應(yīng)度非負、越大越好。在群體進化過程中選擇遺傳算子：選擇、交叉和變異三種基本算子。判斷群體性能是否滿足某一指標(biāo),或者已完成預(yù)定迭代次數(shù),不滿足則繼續(xù)進行遺傳。預(yù)期結(jié)果：經(jīng)過多輪遺傳存活，適應(yīng)度較高的個體，即超市最優(yōu)的位置。2.基于遺傳算法的柔性車間生產(chǎn)調(diào)度優(yōu)化問題問題描述：柔性車間生產(chǎn)調(diào)度問題(flexiblejobshopschedulingproblem，F(xiàn)JSP)是傳統(tǒng)作業(yè)車間生產(chǎn)調(diào)度問題(jobshopschedulingproblem，JSP)的擴展。FJSP問題在1990年由Bruker等提出，在JSP中，每道工序是預(yù)先確定的，并且其生產(chǎn)設(shè)備和生產(chǎn)時間也是預(yù)先確定的。而在FJSP中，每道工序的生產(chǎn)設(shè)備是不確定的。每道工序都有加工設(shè)備集，可在其中挑選任一設(shè)備進行加工，并且不同生產(chǎn)設(shè)備生產(chǎn)同道工序所花費時間不同，這就增加了該類調(diào)度問題的靈活性，且在實際生產(chǎn)中為常見情況，便于找到數(shù)據(jù)來源。數(shù)據(jù)來源：FJSP的數(shù)學(xué)模型（自定義實例）結(jié)合網(wǎng)絡(luò)資源。設(shè)計內(nèi)容：現(xiàn)針對柔性車間生產(chǎn)調(diào)度問題，提出一種靈活的車間調(diào)度模型，并對該模型進行詳細的求解。針對模型結(jié)構(gòu)的特殊性，采用一種新的編碼思想進行染色體的雙層編碼，獲得具有較高質(zhì)量和多樣性的初始種群；將Matlab編程應(yīng)用到解碼和適應(yīng)度函數(shù)的計算中，加快求解效率和降低問題的復(fù)雜性；給出了相應(yīng)的選擇操作設(shè)計，交叉操作采用多交叉機制，變異操作結(jié)合種群分割的思想實行兩種變異機制，進一步改善算法的全局和局部搜索能力；并且添加檢查操作增強優(yōu)化過程的可行性。最后通過一個6×6調(diào)度問題的仿真實例對算法的有效性進行驗證。預(yù)期結(jié)果：基于JSP模型，建立了FJSP的數(shù)學(xué)模型，并采用混合改進的遺傳算法對模型求解優(yōu)化?；谶z傳算法的排課系統(tǒng)優(yōu)化問題描述：排課工作是教務(wù)管理工作中的關(guān)鍵環(huán)節(jié)，是學(xué)校各類教學(xué)活動有序進行的前提條件，如何適應(yīng)新形勢下高等學(xué)校教學(xué)改革對排課提出的新的要求，編排出適應(yīng)新要求的課表，已經(jīng)成為眾多高校教務(wù)管理人員最為棘手的問題之一。排課問題是一個多約束、多目標(biāo)優(yōu)化問題，又稱為時間表問題。在這個問題中，我們事先假設(shè)共有班級、課程、教師、教室數(shù)量，并繪制數(shù)據(jù)集?；谶z傳算法，根據(jù)班級、教師、教室、課程在一周的周期內(nèi)不發(fā)生時間上的沖突的原則，優(yōu)化排課系統(tǒng)，要求系統(tǒng)必須滿足同教師、同教室、同班級一個時間段內(nèi)只可以安排一門課程。利用遺傳算法的染色體編碼、適應(yīng)度函數(shù)、初始化種群、進化總框架、交叉、變異等操作，實現(xiàn)隨排課系統(tǒng)的優(yōu)化。數(shù)據(jù)來源：本課程設(shè)計中使用的數(shù)據(jù)來源來自華北理工大學(xué)教務(wù)系統(tǒng)的課程信息、教室信息、教師信息以及其他相關(guān)資源的信息。這些數(shù)據(jù)將用于構(gòu)建排課系統(tǒng)的模型和約束條件，并作為遺傳算法的輸入。安排本小組成員去自己編排所需要的數(shù)據(jù)文件。數(shù)據(jù)主要包括以下六個文件，文件內(nèi)容如圖12所示：圖12數(shù)據(jù)集文件設(shè)計內(nèi)容：導(dǎo)入學(xué)生（學(xué)號，姓名，性別），課程（課程號，課程時間，課容量），教師（教師工號，所教課程），教室（教室編號，教室容量）等基本信息；用數(shù)據(jù)初步處理，根據(jù)數(shù)據(jù)表建立老師與學(xué)生班的對應(yīng)關(guān)系矩陣；用遺傳算法對排課路徑進行分析；對不同項目進行約束（教室容量滿足性約束，同一教師同一時段上課不可沖突性約束，同一學(xué)生同一時段上課不可沖突性約束，任意課時使用教室數(shù)不超過學(xué)校教室的總量約束等約束）；求出群體中最大的適應(yīng)值及其個體；設(shè)置罰值，淘汰低質(zhì)種群，求可行種群的目標(biāo)函數(shù)值；計算目標(biāo)函數(shù)（輸出課程權(quán)值，教學(xué)資源的充分利用，可見學(xué)生流動量最小，相鄰授課間隔盡量均勻，同一課程盡量只用一個教室等）。預(yù)期結(jié)果：給出該進化算法的基本算法框架和詳細算法，解決高校排課系統(tǒng)算法設(shè)計難問題。編寫軟件實現(xiàn)系統(tǒng)設(shè)計完成整個排課系統(tǒng)優(yōu)化的過程。在最終輸出.csv或者.xlsx的文件展示預(yù)期結(jié)果實現(xiàn)對排課結(jié)果的展示。預(yù)期系統(tǒng)成功滿足同教師、同教室、同班級一個時間段內(nèi)只可以安排一門課程的條件。4.基于麻雀參數(shù)自適應(yīng)SVM模型的乳腺癌診斷問題描述：乳腺癌是全球范圍內(nèi)女性常見的惡性腫瘤之一，我國乳腺癌發(fā)病率逐年上升，且呈年輕化趨勢，所以對乳腺癌的準確診斷是十分必要的。國內(nèi)外已經(jīng)有學(xué)者利用SVM模型進行乳腺癌診斷，取得了不錯的效果。但是，傳統(tǒng)SVM參數(shù)難以準確確定，利用網(wǎng)格化搜索最優(yōu)參數(shù)效率低下。為解決這一系列問題，本小組提出了一種基于麻雀算法的自適應(yīng)參數(shù)的SVM模型，在優(yōu)化時間和最終模型性能上進行提升。數(shù)據(jù)來源：UCI官網(wǎng)，數(shù)據(jù)集的大致描述如表6所示：表6UCI官網(wǎng)數(shù)據(jù)集描述類2每類樣本數(shù)212(M),357(B)樣本總數(shù)569維度30特征real,positive設(shè)計內(nèi)容：建立C支持向量分類模型SVM，選擇參數(shù)C（正則化參數(shù)）和gamma（核系數(shù)）作為優(yōu)化參數(shù)，以‘1-準確率’作為適應(yīng)度函數(shù)，采用改進麻雀算法進行最優(yōu)參數(shù)的選擇，最終建立自適應(yīng)參數(shù)的SVM模型。同時，設(shè)置對比實驗：普通SVM模型、網(wǎng)格化搜索SVM和普通麻雀算法-SVM，用來驗證本小組模型的優(yōu)越性。預(yù)期結(jié)果：在優(yōu)化的收斂速度以及最終的模型性能上，本小組的模型具有較好效果，且能夠正確診斷是否患有乳腺癌。5.基于優(yōu)化算法的TSP問題求解及對比問題描述：TSP問題即旅行商問題，經(jīng)典的TSP可以描述為：一個商品推銷員要去若干個城市推銷商品，該推銷員從一個城市出發(fā)，需要經(jīng)過所有城市后，回到出發(fā)地。應(yīng)如何選擇行進路線，以使總的行程最短。從圖論的角度來看，該問題實質(zhì)是在一個帶權(quán)完全無向圖中，找一個權(quán)值最小的哈密爾頓回路。目前我們使用多種算法包括常規(guī)算法、啟發(fā)式算法和深度學(xué)習(xí)算法進行TSP優(yōu)化問題求解，通過比較各種算法求解問題的最優(yōu)解及性能，得出實驗結(jié)論。具體包括的算法如圖12所示：圖12多種優(yōu)化算法數(shù)據(jù)來源：1）/u011835903/article/details/1088309582）深度強化學(xué)習(xí)算法自帶數(shù)據(jù)集：包括TSP100、50、20個地點的位置坐標(biāo)，如表7。表7深度強化學(xué)習(xí)算法數(shù)據(jù)集設(shè)計內(nèi)容：使用目前流行的優(yōu)化算法（遺傳算法、蟻群算法、粒子群算法）和最新得深度強化學(xué)習(xí)算法求解最基本得組合優(yōu)化路徑問題，力求將已有問題，陷入局部最優(yōu)的問題得到改善。設(shè)計界面，將多種算法求得最優(yōu)解及性能指標(biāo)進行對比。預(yù)期結(jié)果：包含TSP城市節(jié)點數(shù)和最短路徑長度，預(yù)期最后的呈現(xiàn)形式為一個集成多種算法的界面。6.基于粒子群優(yōu)化算法的新冠肺炎疫情傳播預(yù)測問題描述：2019-2023年，新冠肺炎疫情遍及全球，目前新冠疫情已經(jīng)逐漸淡化，但仍然存在風(fēng)險，因此，針對新冠疫情傳播風(fēng)險進行預(yù)測尤為重要。數(shù)據(jù)來源：/wjw/web/ydd.shtml通過國家官方網(wǎng)站，選取新冠肺炎疫情每日新確診人數(shù)數(shù)據(jù)。設(shè)計內(nèi)容：要克服粒子群算法陷入局部最優(yōu)和全局尋優(yōu)精度不高的缺點，通過對粒子群局部尋優(yōu)和全局尋優(yōu)的特點進行分析，實現(xiàn)尋優(yōu)的雙重優(yōu)化，將算法用于預(yù)測新冠肺炎疫情傳播預(yù)測，驗證算法有效性和實用性。1）設(shè)計粒子群優(yōu)化算法；2）算法應(yīng)用到前饋神經(jīng)網(wǎng)絡(luò)完成新冠疫情預(yù)測模型預(yù)期結(jié)果：利用算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)，結(jié)合優(yōu)化改進的粒子群算法，使得訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測新冠肺炎疫情的效果提升。7.基于蟻群算法的機器人優(yōu)化路徑規(guī)劃問題描述：基于蟻群算法的機器人路徑規(guī)劃算法。使用網(wǎng)格離散化的方法對帶有障礙物的環(huán)境建模，使用鄰接矩陣存儲該環(huán)境，使得問題轉(zhuǎn)化為蟻群算法尋找最短路徑。數(shù)據(jù)來源：自己創(chuàng)建0-1矩陣地形圖，1表示障礙物，建立信息素矩陣。自行確定迭代次數(shù)（指螞蟻出動多少波），螞蟻個數(shù)與最短路徑的起始點和目的點。設(shè)計內(nèi)容：首先我們初步設(shè)想給出一個蟻群需要走過的地形圖，我們可以用01矩陣來替代，令1表示障礙物，接下來設(shè)置迭代次數(shù)即螞蟻出動的波次數(shù)，設(shè)置每一波出動的螞蟻個數(shù)，設(shè)置最短路徑的起點與終點，問題規(guī)模等。接著派出我們設(shè)置的螞蟻波數(shù)和只數(shù)外出覓食，進行它們的爬行路線的記錄，記下每一代每一個螞蟻的覓食路線和路線長度，最后繪制出此算法的收斂曲線變化趨勢判斷此算法是否收斂進而判斷此算法的準確性，最后繪制出各代螞蟻的爬行圖進而得到機器人可走的最佳路徑。預(yù)期結(jié)果：預(yù)期迭代若干次之后，目標(biāo)量收斂曲線趨于平穩(wěn)，趨于定值，誤差隨著運算趨于無窮小，使算法可靠，從而可以準確得到最佳路徑。8.基于麻雀搜索優(yōu)化K-means圖像分割問題描述：K-means算法得到的聚類結(jié)果嚴重依賴與初始簇中心的選擇，利用麻雀優(yōu)