神經(jīng)網(wǎng)絡(luò)作業(yè)問題及答案

1、一 簡(jiǎn)述人工神經(jīng)網(wǎng)絡(luò)常用的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)方法。（10分）答：1、人工神經(jīng)網(wǎng)絡(luò)常用的網(wǎng)絡(luò)結(jié)構(gòu)有三種分別是：bp神經(jīng)網(wǎng)絡(luò)、rbf神經(jīng)網(wǎng)絡(luò)、kohonen神經(jīng)網(wǎng)絡(luò)、art神經(jīng)網(wǎng)絡(luò)以及hopfield神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)模型可以按照網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類，還可以按照內(nèi)部信息流向分類。按照拓?fù)浣Y(jié)構(gòu)分類：層次型結(jié)構(gòu)和互連型結(jié)構(gòu)。層次型結(jié)構(gòu)又可分類：?jiǎn)渭冃蛯哟尉W(wǎng)絡(luò)結(jié)構(gòu)、輸入層與輸出層之間有連接的層次網(wǎng)絡(luò)結(jié)構(gòu)和層內(nèi)有互聯(lián)的層次網(wǎng)絡(luò)結(jié)構(gòu)?；ミB型結(jié)構(gòu)又可分類：全互聯(lián)型、局部互聯(lián)型和稀疏連接性。按照網(wǎng)絡(luò)信息流向分類：前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。2、學(xué)習(xí)方法分類：.hebb學(xué)習(xí)規(guī)則：純前饋網(wǎng)絡(luò)、無導(dǎo)師學(xué)習(xí)。權(quán)值初始化為

2、0。.perceptron學(xué)習(xí)規(guī)則：感知器學(xué)習(xí)規(guī)則，它的學(xué)習(xí)信號(hào)等于神經(jīng)元期望輸出與實(shí)際輸出的差。單層計(jì)算單元的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，只適用于二進(jìn)制神經(jīng)元。有導(dǎo)師學(xué)習(xí)。.學(xué)習(xí)規(guī)則：連續(xù)感知學(xué)習(xí)規(guī)則，只適用于有師學(xué)習(xí)中定義的連續(xù)轉(zhuǎn)移函數(shù)。規(guī)則是由輸出值與期望值的最小平方誤差條件推導(dǎo)出的。.lms學(xué)習(xí)規(guī)則：最小均放規(guī)則。它是學(xué)習(xí)規(guī)則的一個(gè)特殊情況。學(xué)習(xí)規(guī)則與神經(jīng)元采用的轉(zhuǎn)移函數(shù)無關(guān)的有師學(xué)習(xí)。學(xué)習(xí)速度較快精度較高。.correlation學(xué)習(xí)規(guī)則：相關(guān)學(xué)習(xí)規(guī)則，他是hebb學(xué)習(xí)規(guī)則的一種特殊情況，但是相關(guān)學(xué)習(xí)規(guī)則是有師學(xué)習(xí)。權(quán)值初始化為0。.winner-take-all學(xué)習(xí)規(guī)則：競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則用于有師學(xué)習(xí)

3、中定義的連續(xù)轉(zhuǎn)移函數(shù)。權(quán)值初始化為任意值并進(jìn)行歸一處理。.outstar學(xué)習(xí)規(guī)則：只適用于有師學(xué)習(xí)中定義的連續(xù)轉(zhuǎn)移函數(shù)。權(quán)值初始化為0。2試推導(dǎo)三層前饋網(wǎng)絡(luò)bp算法權(quán)值修改公式，并用bp算法學(xué)習(xí)如下函數(shù)： 其中：，?；静襟E如下：（1）在輸入空間、上按照均勻分布選取個(gè)點(diǎn)（自行定義），計(jì)算的實(shí)際值，并由此組成網(wǎng)絡(luò)的樣本集；（2）構(gòu)造多層前向網(wǎng)絡(luò)結(jié)構(gòu)，用bp算法和樣本集訓(xùn)練網(wǎng)絡(luò)，使網(wǎng)絡(luò)誤差小于某個(gè)很小的正數(shù)；（3）在輸入空間上隨機(jī)選取個(gè)點(diǎn)（，最好為非樣本點(diǎn)），用學(xué)習(xí)后的網(wǎng)絡(luò)計(jì)算這些點(diǎn)的實(shí)際輸出值，并與這些點(diǎn)的理想輸出值比較，繪制誤差曲面；（4）說明不同的、值對(duì)網(wǎng)絡(luò)學(xué)習(xí)效果的影響。（20分）答：本體

4、準(zhǔn)備采用三層結(jié)構(gòu)，以下為三層前饋網(wǎng)絡(luò)bp算法權(quán)值修改公式的推導(dǎo)： 設(shè)神經(jīng)元激勵(lì)函數(shù)采用s形函數(shù)，有： ， （1）對(duì)于第一層（）：，對(duì)于輸出層（）：，設(shè)s形函數(shù)為：，有： （2） 設(shè)對(duì)于訓(xùn)練樣本，網(wǎng)絡(luò)輸出向量各分量的理想值為：，；樣本輸入網(wǎng)絡(luò)后相應(yīng)的實(shí)際輸出為：，；則網(wǎng)絡(luò)誤差為：網(wǎng)絡(luò)輸出誤差的平方和為：。設(shè)指標(biāo)函數(shù)，我們的目標(biāo)是：將樣本輸入網(wǎng)絡(luò)，通過對(duì)網(wǎng)絡(luò)權(quán)值的更新，來使指標(biāo)函數(shù)（網(wǎng)絡(luò)誤差）達(dá)到最小（或允許的范圍）。因?yàn)椋?所以：當(dāng) 時(shí)，有：。即：權(quán)值修改沿著負(fù)梯度方向進(jìn)行時(shí)可使指標(biāo)函數(shù)下降?？傻脵?quán)值修改公式為： （3）對(duì)于，有： 令：，又由（1）式得：，有：， （4）再計(jì)算： （5）而由（2）

5、式得：，所以問題可歸結(jié)為求：（1）對(duì)于網(wǎng)絡(luò)輸出層（）：因?yàn)?，所以?所以：，即對(duì)于輸出層，為： （6）（2）對(duì)于網(wǎng)絡(luò)各隱層：將（1）式按下述方法改寫： ，得： ，當(dāng)時(shí)， 時(shí)，因?yàn)檎`差可視為網(wǎng)絡(luò)所有權(quán)值的函數(shù)，由復(fù)合全微分得到： ，當(dāng)時(shí)，；時(shí)，又由（1）式：；由定義：，所以有： （7）代入（5）式可得： 時(shí)， 時(shí)， （3）當(dāng)樣本輸入網(wǎng)絡(luò)后，因?yàn)榫W(wǎng)絡(luò)權(quán)值已知，所以各層神經(jīng)元輸出通過計(jì)算可直接得出，即可得到輸出層的誤差值，那么通過上式即可依次得出和。所以上述過程又稱為誤差反傳過程（逆推學(xué)習(xí)過程），bp算法由此得名（back-propagation）。由上述推導(dǎo)過程，可得三層神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)整公式如下：

6、時(shí)，時(shí)，時(shí)，且： ， ， （9）（1） x1=-5:0.3:5;x2=-5:0.3:5;t=2*x1.*x1+3*x2.*x2-5*x1+x2-3*x1.*x2;plot3(x1,x2,t);title(理想輸出);（2） net=newff(-5 5;-5 5,10 10 1,tansig, tansig,purelin);y=sim(net,x1;x2);plot3(x1,x2,y);title(未經(jīng)訓(xùn)練網(wǎng)絡(luò)輸出值);x1=-5:0.3:5;x2=-5:0.3:5;t=2*x1.*x1+3*x2.*x2-5*x1+x2-3*x1.*x2;plot3(x1,x2,t);title(理想輸出)

7、;net=newff(-5 5;-5 5,10 10 1,tansig, tansig,purelin);y=sim(net,x1;x2);net.trainparam.epochs=500;net.trainparam.goal=0.01;net=train(net,x1;x2,t)trainlm, epoch 0/500, mse 674.464/0.01, gradient 2103.98/1e-010trainlm, epoch 25/500, mse 3.44486/0.01, gradient 57.4759/1e-010trainlm, epoch 50/500, mse 3.1

8、4188/0.01, gradient 20.6995/1e-010trainlm, epoch 75/500, mse 1.81665/0.01, gradient 131.524/1e-010trainlm, epoch 100/500, mse 0.472464/0.01, gradient 500.214/1e-010trainlm, epoch 125/500, mse 0.0812506/0.01, gradient 27.8358/1e-010trainlm, epoch 140/500, mse 0.00776482/0.01, gradient 5.06984/1e-010t

9、rainlm, performance goal met. y=sim(net,x1;x2);plot3(x1,x2,t,g,x1,x2,y,r);title(網(wǎng)絡(luò)訓(xùn)練后實(shí)際值和理想值比較);（3） x1=-5:0.1:5;x2=-5:0.1:5;y1= sim(net,x1;x2);t1=2*x1.*x1+3*x2.*x2-5*x1+x2-3*x1.*x2;plot3(x1,x2,t1,g*,x1,x2,y1,r*);title(另一樣本理想輸出和實(shí)際輸出比較);err=t1-y1;plot3(x1,x2,err); title(誤差空間曲線);(4) 當(dāng)采樣點(diǎn)n較多時(shí)網(wǎng)絡(luò)輸出誤差減小但訓(xùn)練

10、過程較長(zhǎng)，當(dāng)采樣點(diǎn)取得較少時(shí)網(wǎng)絡(luò)輸出誤差增大但有較快的收斂速度。訓(xùn)練誤差限取得很小時(shí)網(wǎng)絡(luò)訓(xùn)練時(shí)間延長(zhǎng)（在最大訓(xùn)練步數(shù)控制以內(nèi)），以犧牲時(shí)間為代價(jià)得到較理想的輸出誤差。過小時(shí)往往難以達(dá)到（可能是局部極小的原因）。 總之n越大，越小，學(xué)習(xí)效果越好3比較cmac網(wǎng)絡(luò)、rbf網(wǎng)絡(luò)、bp網(wǎng)絡(luò)之間的異同。（10分）答 1、cmac網(wǎng)絡(luò)、rbf網(wǎng)絡(luò)、bp網(wǎng)絡(luò)的定義。1)mac是小腦模型聯(lián)接控制器（cerebellar model articulation controller）的簡(jiǎn)稱，它模擬了人腦的操縱控制系統(tǒng)。從每個(gè)神經(jīng)元來看，各神經(jīng)元之間是一種線性關(guān)系，但從總體結(jié)構(gòu)來看，cmac模型可適用于非線性映射關(guān)

11、系，而且該模型從初始階段就具有泛化能力；2)徑向基函數(shù)（rbf，radial basis function）網(wǎng)絡(luò)在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于bp網(wǎng)絡(luò)。它由三層組成，輸入層節(jié)點(diǎn)只傳遞輸入信號(hào)到隱層，隱層節(jié)點(diǎn)由類似高斯函數(shù)的輻射狀作用函數(shù)組成，輸出層由線性單元組成；3)bp（back propagation）網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)；bp網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程；它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最??；bp神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）

12、、隱層(hide layer)和輸出層(output layer)。2、但是它們也存在一些聯(lián)系區(qū)別主要有：1) cmac模型采用的算法是簡(jiǎn)單的法，其算法收斂速度比bp算法快得多，特別是它以把一個(gè)多維狀態(tài)空間中的輸入量，映射到一個(gè)比較小的有限區(qū)域上，只要對(duì)多維狀態(tài)空間中的部分樣本進(jìn)行學(xué)習(xí)，就可以達(dá)到軌跡學(xué)習(xí)和控制的目的。2)cmac網(wǎng)絡(luò)與rbf網(wǎng)絡(luò)同為局部逼近網(wǎng)，但隱層的接收閾函數(shù)不同，且cmac網(wǎng)絡(luò)主要用于機(jī)器人控制中，而rbf網(wǎng)絡(luò)的應(yīng)用范圍與bp網(wǎng)絡(luò)類似。rbf網(wǎng)絡(luò)與bp網(wǎng)絡(luò)都是非線性多層前向網(wǎng)絡(luò)，它們都是通用逼近器。對(duì)于任一個(gè)bp網(wǎng)絡(luò)，總存在一個(gè)rbf網(wǎng)絡(luò)可以代替它。 3)bp網(wǎng)絡(luò)用于函數(shù)

13、逼近時(shí)，權(quán)值的調(diào)節(jié)采用負(fù)梯度下降法，這種調(diào)節(jié)權(quán)值的方法有局限性，既存在著收斂速度慢和局部極小等缺點(diǎn)。而rbf網(wǎng)絡(luò)在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于bp網(wǎng)絡(luò)；rbf網(wǎng)絡(luò)只有一個(gè)隱層，而bp網(wǎng)絡(luò)的隱層可以是一層也可以是多層的；rbf網(wǎng)絡(luò)和bp網(wǎng)絡(luò)一樣可近似任何的連續(xù)非線形函數(shù)，兩者的主要差別在于各使用不同的作用函數(shù)，bp網(wǎng)絡(luò)中的隱層節(jié)點(diǎn)使用的是sigmoid函數(shù)，其函數(shù)值在輸入空間中無限大的范圍內(nèi)為非零值，而rbf網(wǎng)絡(luò)的作用函數(shù)則是局部的4. 用離散hopfield網(wǎng)絡(luò)對(duì)如下字符進(jìn)行識(shí)別：（1）根據(jù)hebb規(guī)則確定網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)權(quán)值；（2）分別將污染率為10%和20%的字符“t”、“o”、

14、“n”（隨機(jī)設(shè)定）輸入網(wǎng)絡(luò)，給出網(wǎng)絡(luò)收斂后的結(jié)果。（20分）答（1）離散hopfield網(wǎng)絡(luò)是單層對(duì)稱全反饋網(wǎng)絡(luò)，作用函數(shù)為hadlim，主要用于聯(lián)想記憶。hebb 規(guī)則說明：使用頻繁的突觸聯(lián)系會(huì)變得更緊密，從而可理解為突觸的特點(diǎn)是用進(jìn)廢退。長(zhǎng)時(shí)程增強(qiáng)是hebb 學(xué)說的實(shí)驗(yàn)證據(jù)：高頻刺激突觸前神經(jīng)元后，在突觸后神經(jīng)元上紀(jì)錄到的電位會(huì)增大，而且會(huì)維持相當(dāng)長(zhǎng)的時(shí)間。根據(jù)hebb 規(guī)則， 假定神經(jīng)元的當(dāng)前的輸入為x=(x1,x2，xn)t,輸出為y=f(w(t)tx),則權(quán)矢量w(t)的調(diào)節(jié)量為 w(t) =yx 故神經(jīng)元的權(quán)值修正公式為：w(t +1) = w(t)+yx 神經(jīng)元的初始權(quán)值一般取零

15、附近的隨機(jī)值，激活函數(shù)f 可以取任意形式。式中w(t)可理解為樣本x對(duì)當(dāng)前權(quán)值的影響。（2）分別建立代表響應(yīng)字母的txt文件，放到matlab工作文件夾里，如下所示： t.txt表示的是t, o.txt表示的是o, n.txt表示的是n.t_noise表示的是受污染的t，o_noise表示的是受污染的o，n_noise表示的是受污染的n。t.txt-1 -1 -1 -1 -1 -1 -1 -1-1 -1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1

16、-1 -1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 -1 -1 1 1 1 1 1 1 -1 -1 1 1 1o.txt-1 -1 -1 -1 -1 -1 -1 -1-1 -1 -1 -1 -1 -1 -1 -1-1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1-1 -1 -1 -1 -1 -1 -1 -1n.txt-1 -1 1 1 1 1

17、 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1-1 -1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 -1-1 -1 1 1 1 1 -1 -1-1 -1 1 1 1 1 -1 -11、識(shí)別污染10%的字母：t=load(t.txt);subplot(5,3,1)imshow(t)title(字母“t”)o=load(o.txt);subplot(5,3,2)imshow(o)title(

18、字母“o”)n=load(n.txt);subplot(5,3,3)imshow(n)title(字母“n”)t_noise=load(t_noise.txt);subplot(5,3,4)imshow(t_noise)title(污染10%字母“t”)o_noise=load(o_noise.txt);subplot(5,3,5)imshow(o_noise)title(污染10%字母“o”)n_noise=load(n_noise.txt);subplot(5,3,6)imshow(n_noise)title(污染10%字母“n”)no11=t;no12=o;no13=n;no21=t_n

19、oise;no22=o_noise;no23=n_noise;t=no11(:) no12(:) no13(:);net=newhop(t);no31=sim(net,1,3,no21(:);no32=sim(net,1,3,no22(:);no33=sim(net,1,3,no23(:);for i=1:3 subplot(5,3,6+i) imshow(reshape(no31i,8,10); title(第 num2str(i) 仿真結(jié)果)endfor i=1:3 subplot(5,3,9+i) imshow(reshape(no32i,8,10); title(第 num2str(i

20、) 仿真結(jié)果)endfor i=1:3 subplot(5,3,12+i) imshow(reshape(no33i,8,10); title(第 num2str(i) 仿真結(jié)果)end運(yùn)行結(jié)果如下：2、識(shí)別污染20%的字母：t=load(t.txt);subplot(5,3,1)imshow(t)title(字母“t”)o=load(o.txt);subplot(5,3,2)imshow(o)title(字母“o”)n=load(n.txt);subplot(5,3,3)imshow(n)title(字母“n”)t20noise=load(t20noise.txt);subplot(5,3,

21、4)imshow(t20noise)title(污染20%字母“t”)o20noise=load(o20noise.txt);subplot(5,3,5)imshow(o20noise)title(污染20%字母“o”)n20noise=load(n20noise.txt);subplot(5,3,6)imshow(n20noise)title(污染20%字母“n”)no11=t;no12=o;no13=n;no21=t20noise;no22=o20noise;no23=n20noise;t=no11(:) no12(:) no13(:);net=newhop(t);no31=sim(net

22、,1,3,no21(:);no32=sim(net,1,3,no22(:);no33=sim(net,1,3,no23(:);for i=1:3 subplot(5,3,6+i) imshow(reshape(no31i,8,10); title(第 num2str(i) 仿真結(jié)果)endfor i=1:3 subplot(5,3,9+i) imshow(reshape(no32i,8,10); title(第 num2str(i) 仿真結(jié)果)endfor i=1:3 subplot(5,3,12+i) imshow(reshape(no33i,8,10); title(第 num2str(i

23、) 仿真結(jié)果)end3、經(jīng)三步識(shí)別結(jié)果如下：5簡(jiǎn)述art網(wǎng)絡(luò)結(jié)構(gòu)、運(yùn)行機(jī)制和學(xué)習(xí)算法。（10分）答：（1）、art網(wǎng)絡(luò)結(jié)構(gòu)：c 比較層r 識(shí)別層reset 復(fù)位信號(hào)g1和g2 邏輯控制信號(hào) 1、c層結(jié)構(gòu)： 該層有n個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)接受來自3個(gè)方面的信號(hào)：來自外界的輸入信號(hào)xi；來自r 層獲勝神經(jīng)元的外星向量的返回信號(hào)tj；來自g1的控制信號(hào)c 層節(jié)點(diǎn)的輸出ci是根據(jù)2/3的“多數(shù)表決”原則產(chǎn)生的，即輸出值ci與xi、tij 、g1 3個(gè)信號(hào)中的多數(shù)信號(hào)值相同。g1=1，反饋回送信號(hào)為0，c層輸出應(yīng)由輸入信號(hào)決定，有c=x。反饋回送信號(hào)不為0，g1=0，c層輸出應(yīng)取決于輸入信號(hào)與反饋信號(hào)的比較情

24、況，如果xi=tij，則ci=xi。否則ci=0。 2、r層結(jié)構(gòu)：r 層有m 個(gè)節(jié)點(diǎn)，用以表示m 個(gè)輸入模式類。m可動(dòng)態(tài)增長(zhǎng)，以設(shè)立新模式類。由c 層向上連接到r 第j 個(gè)節(jié)點(diǎn)的內(nèi)星權(quán)向量用bj=（b1j，b2j，,bnj）表示。c 層的輸出向量c 沿m個(gè)內(nèi)星權(quán)向量bj(j=1,2,m)向前傳送，到達(dá)r 層各個(gè)神經(jīng)元節(jié)點(diǎn)后經(jīng)過競(jìng)爭(zhēng)在產(chǎn)生獲勝節(jié)點(diǎn)j*，指示本次輸入模式的所屬類別。獲勝節(jié)點(diǎn)輸出=1，其余節(jié)點(diǎn)輸出為0。r 層各模式類節(jié)點(diǎn)的典型向量。（2）網(wǎng)絡(luò)運(yùn)行機(jī)制：相似程度可能出現(xiàn)的兩種情況：相似度超過參考門限。 選該模式類作為當(dāng)前輸入模式的代表類。權(quán)值調(diào)整規(guī)則是，相似度超過參考門限的模式類調(diào)整其

25、相應(yīng)的內(nèi)外星權(quán)向量，以使其以后遇到與當(dāng)前輸入模式接近的樣本時(shí)能得到更大的相似度；對(duì)其它權(quán)值向量則不做任何變動(dòng)。相似度不超過門限值需在網(wǎng)絡(luò)輸出端設(shè)立一個(gè)代表新模式類的節(jié)點(diǎn)，用以代表及存儲(chǔ)該模式，以便于參加以后的匹配過程。（3）學(xué)習(xí)算法：訓(xùn)練可按以下步驟進(jìn)行，1）網(wǎng)絡(luò)初始化 從c 層向r 層的內(nèi)星權(quán)向量bj 賦予相同的較小數(shù)值，如 從r 層到c 層的外星權(quán)向量tj 各分量均賦1。 2）網(wǎng)絡(luò)接受輸入 給定一個(gè)輸入模式，x(x1,x2,，xn)，xi(0,1)n。3）匹配度計(jì)算 對(duì)r層所有內(nèi)星向量bj計(jì)算與輸入模式x的匹配度。 j=1,2,，m。4）選擇最佳匹配節(jié)點(diǎn) 在r層有效輸出節(jié)點(diǎn)集合j*內(nèi)選擇競(jìng)

26、爭(zhēng)獲勝 的最佳匹配節(jié)點(diǎn)j*，使得5)相似度計(jì)算 r 層獲勝節(jié)點(diǎn)j*通過外星送回獲勝模式類的典型向量，c層輸出信號(hào)給出對(duì)向量和x的比較結(jié)果，i=1,2,n，由此結(jié)果可計(jì)算出兩向量的相似度為 6）警戒門限檢驗(yàn) 如果n0/n1，表明x應(yīng)歸為代表的模式類，轉(zhuǎn)向步驟(8)調(diào)整權(quán)值。7）搜索匹配模式類 若有效輸出節(jié)點(diǎn)集合j*不為空，轉(zhuǎn)向步驟(4)重選匹配模式類；若j*為空集，需在r層增加一個(gè)節(jié)點(diǎn)。設(shè)新增節(jié)點(diǎn)的序號(hào)為nc，應(yīng)使 ,i=1,2,n,此時(shí)有效輸出節(jié)點(diǎn)集合為j*=1,2,m,m+1,m+nc,轉(zhuǎn)向步驟(2)輸入新模式。8）調(diào)整網(wǎng)絡(luò)權(quán)值 修改r層節(jié)點(diǎn)j* 對(duì)應(yīng)的權(quán)向量，網(wǎng)絡(luò)的學(xué)習(xí)采用了 兩種規(guī)則，外

27、星向量的調(diào)整按以下規(guī)則: i=1,2,n； j*j* i=1,2,n 6結(jié)合各自的研究方向，列舉實(shí)例論述如何應(yīng)用神經(jīng)網(wǎng)絡(luò)相關(guān)理論解決實(shí)際問題，要求給出具體的要求、實(shí)現(xiàn)方法和步驟、相關(guān)的仿真程序及結(jié)果等。（30分）我的研究方向是大型公共建筑能耗的實(shí)時(shí)監(jiān)控，我的想法是利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)自適應(yīng)監(jiān)控系統(tǒng)過程中的參數(shù)進(jìn)行估計(jì),利用神經(jīng)網(wǎng)絡(luò)的神經(jīng)計(jì)算能力對(duì)控制器的參數(shù)進(jìn)行制約優(yōu)化求解。網(wǎng)絡(luò)在拓?fù)浣Y(jié)構(gòu)上應(yīng)保證輸出向量空間與控制器參數(shù)向量空間相對(duì)應(yīng)?？刂戚敵龊铜h(huán)境因素作為網(wǎng)絡(luò)的輸入?？紤]控制性能和控制規(guī)律以及環(huán)境因素，建立一個(gè)優(yōu)化指標(biāo)函數(shù)，然后即可借用hopfield網(wǎng)絡(luò)的設(shè)計(jì)方法來設(shè)計(jì)網(wǎng)絡(luò)。這種方案的主要優(yōu)點(diǎn)是，能