人工神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)題答案.

1、人工神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)一表1中給出了某結(jié)構(gòu)在多種狀態(tài)下的特征向量，表2給出了某時刻結(jié)構(gòu)的特征向量、請使用人工神經(jīng)網(wǎng)絡(luò)根據(jù)表2中的特征向量判斷其所屬狀態(tài)。序征1掙征2掙征3掙征41寺征5持征67特征8特征10狀態(tài)1D.67O0.2580.876D.O21D.3290.2610.854D.9420.4320.743狀態(tài)2D.956D.25211990.988D.22503790.0590.0150.4980.412狀態(tài)3D.3710.8560.3850.7390.4890.685D.749D.66003360.908狀態(tài)40.8800.7370.6610.4230.7600.6800.0500.9700

2、.6430.267狀態(tài)5D.I73D.136D.2840.515D.5290.4610.4150.9900.3200.439狀態(tài)60.9790.118D4690.334D.64O0.567D.3O5D.7880.9600.933持征1特征2掙征3席征4掙征5特征6掙征7特征8特乩9特征10狀態(tài)1D.67OD.2580.876D.O21D.3290.2610.8540.9420.4320.743狀態(tài)2D.956D.25211990.9880.225D.3790.0590.0150.4980.412狀態(tài)303710.856D.3850.7390.4890.6850.749D.66003360.90

3、81K-X-.一一-一一一一一一輸入個數(shù)為10,輸出個數(shù)為I,故神經(jīng)元個數(shù)為h結(jié)構(gòu)如下圖。本題是一個模式識別問題，采用自組織競爭人工神經(jīng)網(wǎng)絡(luò)。圖11網(wǎng)絡(luò)結(jié)構(gòu)圖畫出6個狀態(tài)在坐標(biāo)系中如圖1-2所示。2-0.200.20.40.60.811.2InputVectorsP(1P(2圖1-2狀態(tài)向量圖二、實(shí)驗(yàn)源程序如下(或見附件中M文件:%創(chuàng)建輸入向量X=01;01clusters=6;points=10;std_dev=005;P=iiiigeiic(X,clusteis5points,std_dev;plot(P(l,:,P(2,:/+rltitle(,InputVectors;xlabelCp(

4、lf;vlabel(,p(2t;%創(chuàng)建自組織競爭神經(jīng)網(wǎng)絡(luò)net=newc(01;0161；net=init(net;w=net.IWl;holdoff;plot(P(l,:,P(2,:,+i;holdoil；plot(w(:丄w(2ob;xlabelCp(lf;vlabel(,p(2t;holdoff;net.traiiiParam.epochs=7;holdon;net=init(net;moieoff;net=tiam(net,P;TRAINR,Epoch0/7TRAINR,Epoch7/7TRAINR,Maximumepochreached%訓(xùn)練該網(wǎng)絡(luò)holdon;net=init(ne

5、t;moreoff;w=net.IWl;delete(fiiidobj(gcf/coloitJO01;holdoffplot(P(l,:,P(2,:,+i;holdoff;holdon;plot(w(:丄wC2ob;3xlabelCp(lr;vlabel(,p(2,;holdoff;%仿真該網(wǎng)絡(luò)p=0.794;0.271;a=sun(net,p;ac=vec2ind(a三、實(shí)驗(yàn)結(jié)果通過仿真計(jì)算得出時刻1屬于狀態(tài)1,時刻2屬于狀態(tài)3,時刻3屬于狀態(tài)4各時刻對應(yīng)的仿真狀態(tài)圖如下。4-0.200.20.40.60.811.24-P(1P(2圖13時刻一對應(yīng)的狀態(tài)分析圖0.40.50.60.70.80

6、.911.1-4-0.100.10.20.30.40.50.60.70.80.9P(1P(2圖1-4時刻二對應(yīng)的狀態(tài)分析圖5-0.200.20.40.60.811.2+4+斗4斗44+?十+*:+斗亠十+/+丄+打+十斗P(1P(2圖1-5時刻三對應(yīng)的狀態(tài)分析圖四、總結(jié)本次實(shí)驗(yàn)過程使用了函數(shù)(newc創(chuàng)建自組織競爭神經(jīng)網(wǎng)絡(luò),分別應(yīng)用函數(shù)(nut和(train對網(wǎng)絡(luò)進(jìn)行初始化和訓(xùn)練，有效完成了本次模式識別問題。人工神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)二函數(shù)逼近已知系統(tǒng)輸出y與輸入x的部分對應(yīng)關(guān)系如下表所示，設(shè)計(jì)一神經(jīng)網(wǎng)絡(luò)，完成尸f(x函數(shù)逼近,并將表格填寫完整。0.10.20.30.40.50.60.70.8y0.00

7、00.0100.0400.0890.156D.2400.3390.451D.574X0.911.11.21.31.41.51.61.7y0.7050.8410.9801.1181.2531.3801.4961.5991.686X1.81.922.12.22.32.42.52.6yi.7531.7981.8191.8131.779假定(0.82sin,02.6yfxpp?r=+空,訓(xùn)練集為上述表格中23組數(shù)據(jù)。使用1-5-1BP網(wǎng)絡(luò),隱藏層傳遞函數(shù)使用LogSigmoid函數(shù)、輸出層使用線性函數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2-1所示。InputLog-SigmoidLayerLinearLayer圖2-1網(wǎng)

8、絡(luò)結(jié)構(gòu)圖(圖中第一層只畫出2個神經(jīng)元共有5個二、第一次手工迭代過程在開始BP算法前，需要選擇網(wǎng)絡(luò)權(quán)值和偏置值的初始值,通常選擇較小的隨機(jī)值。(10.2700.41W-F1=1I-LJ(10.4800.13bJ1Jl-LJ(200.090.17W=-(200.48b=現(xiàn)在開始執(zhí)行算法了、初始輸入選Op=:00ap=第一層的輸出為(0.48111010.1M0.270.480.480.3822IlogOlog0.410.130.1310.46751eafWabsigsigeiiinn-rnnniw=iiiiiiiii1114jljljilubbiI4J第二層的輸出為(222120.38220.09

9、0.170.480.43490.4675afWabpuielin1=十=-十=III誤差為(21sin0.5651etapa兀=-=十-=算法的下一階段是計(jì)算反向傳播敏感性值。在開始反向傳播前,需要先求傳遞函數(shù)的導(dǎo)數(shù)n和(2fiio對第一層：(1lllllndfnaadne-nildn=下面可以執(zhí)行反向傳播了，起始點(diǎn)在第二層。(22222220.56511.1302sFntafn1=-=-=LJ(1111111221122100.090.024021.13020.170.0478301TliwsaaIIII丨山LJLJ算法的最后階段是更新權(quán)值，設(shè)學(xué)習(xí)速度0.1a=o(2221100090170

10、ll1302038220467500432005284TWWsaa二=(222100.480.11.13020.367bbsa=-=-=(11100.270.024020.27100.100.410.047830.41TWWsaa-F111IIIIl-ULJLJ(1110.480.024020.4824100.10.130.047830.1252bbsa-f1f1F1=-=-=1IIIIl-LJLJLJ這就完成了BP算法的第一次迭代。下一步可以選擇另一個輸入p，執(zhí)行算法的第二次迭代過程。具體見附件中的M文件。二、實(shí)驗(yàn)源程序%樣本輸入和目標(biāo)輸出P=00.10.20.30.40.50.60.70.

11、80.91.01.11.21.31.41.51.61.71.81.92.02.12.2;T=0.0000.0100.0400.0890.1560.2400.3390.4510.5740.7050.8410.9801.1181.2531.3801.4961.5991.6861.7531.7981.8191.8131.779;%創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)net=newff(03,51,logsigpuielin;%訓(xùn)練次數(shù)為50次net.trainParam.epochs=50;net=train(net,P,T;%仿真該網(wǎng)絡(luò)Y=sun(net,P;plot(P工P,Y,o圖2-2為網(wǎng)絡(luò)的逼近效果圖即網(wǎng)絡(luò)訓(xùn)

12、練結(jié)果圖。00.511.522.5StopTraining圖2-2網(wǎng)絡(luò)訓(xùn)練結(jié)果圖四、實(shí)驗(yàn)結(jié)果和分析從網(wǎng)絡(luò)逼近誤差圖可以看到該1-5-1BP網(wǎng)絡(luò)能很好的逼近函數(shù)(yfx=，誤差710壬,從網(wǎng)絡(luò)逼近效果圖可以看到網(wǎng)絡(luò)響應(yīng)去曲線可以很精確的表示(yfx=o現(xiàn)計(jì)算2.3,2.425,2心時(fx的值。我們之前假定(0.82sin,02.6yfxpp兀=,按該式計(jì)算得到：(2.31.629,2.41.629,2.51.82,2.61.629ffff=而通過數(shù)值仿真我們得到(2.31.7239,2.41.6604,2.51.6033,2.61.5623ffff因?yàn)閿?shù)值仿真的誤差很小，可以認(rèn)為-210(2.

13、31.7239,2.41.6604,2.51.6033,2.61.5623ffff是精確解。0510152025303540455010-810-610-41050EpochsTraining-BluePeifoimanceis4.65855e-00&Goalis0圖2-3逼近誤差圖五、實(shí)驗(yàn)結(jié)論本次實(shí)驗(yàn)首先通過假定函數(shù)（yfx=的表達(dá)式進(jìn)行數(shù)值計(jì)算，通過一次迭代了解BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。雖然最后數(shù)值仿真泛化結(jié)果與假定的（yfx=計(jì)算結(jié)果有一定的誤差，這個手工迭代的學(xué)習(xí)過程還是有必要的。由于仿真（fx在2.32425,2.6x=時的誤差接近X2.32.42.52.6y1.72391.66041

14、.60331.56237-人工神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)三網(wǎng)絡(luò)預(yù)測設(shè)某信號SHi(1000yiandn=對該信號進(jìn)行采樣採樣頻率為100Hz,采樣持續(xù)時間為10s,將采樣信號輸入一數(shù)字濾波器，期望其輸出(21ynxnxn=-o請?jiān)O(shè)計(jì)神經(jīng)網(wǎng)絡(luò)完成該濾波器的功能。、實(shí)驗(yàn)過程采用線性神經(jīng)網(wǎng)絡(luò)進(jìn)行自適應(yīng)預(yù)測。1問題描述待預(yù)測信號y的特征為信號持續(xù)時間為10s，采樣頻率為100Hz。定義信號y為:sin(l,1000Xrandn=time=0:0.01:10,信號X的形狀如圖3-1所示。45678910-1-0.8-0.6-0.4-0.200.20.40.60.81系統(tǒng)輸入信號時間(s輸入信號圖3-1輸入信號圖在每個

15、采樣時間點(diǎn)，該時刻之前的一個采樣信號與該時刻的采樣信號作為此時網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的輸出就是下一時刻的預(yù)測值。2創(chuàng)建線性神經(jīng)網(wǎng)絡(luò)采用具有1個反饋輸入和一個輸出的單層線性神經(jīng)元網(wǎng)絡(luò)，該網(wǎng)絡(luò)的輸出值即為下一時刻信號的預(yù)測值線性網(wǎng)絡(luò)的學(xué)習(xí)率為0丄使用函數(shù)newliii創(chuàng)建該網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖3-2所示。圖3-2網(wǎng)絡(luò)結(jié)構(gòu)圖3)線性神經(jīng)網(wǎng)絡(luò)的性能測試使用函數(shù)sim仿真該網(wǎng)絡(luò)，并比較預(yù)測信號與實(shí)際信號。網(wǎng)絡(luò)輸出與系統(tǒng)實(shí)際系統(tǒng)對比如圖3-3所示。網(wǎng)網(wǎng)輸輸網(wǎng)網(wǎng)網(wǎng)網(wǎng)網(wǎng)輸輸321輸輸-目目0-1-2-3012345時時678910圖3-3網(wǎng)絡(luò)輸出與實(shí)際輸出圖網(wǎng)絡(luò)輸出的預(yù)測信號與實(shí)際信號的誤差曲線如圖3-4所示，它更加

16、直觀的說明了該網(wǎng)絡(luò)的預(yù)測能力。11誤誤誤誤21.510.5誤誤0-0.5-1-1.5-200.511.522.5時時33.544.55圖3-4誤差信號圖二、實(shí)驗(yàn)源程序(詳細(xì)見電子版M文件)X=sin(iandn(l,1000;%產(chǎn)生1000個隨機(jī)點(diǎn)time=0.01:0.01:10;figuie(1,plot(tiine,X%繪制信號X隨時間變化的曲線gildoiltitled系統(tǒng)輸入信號;xlabelf時間(s：ylabe輸入信號：網(wǎng)絡(luò)輸入是輸入信號的2倍和前一次的值Q=size(X,2;P=zeios(2,Q;P(1,1:Q=2*X(1,1:Q;P(2,2:Q=-X(1,1:(Q-1;%系統(tǒng)輸出的測量T=filter(2-1,1,X;figure(2,plot(time,Txlabel時間:ylabelC輸出信號系統(tǒng)輸出信號；網(wǎng)絡(luò)設(shè)計(jì)net=newlind(P,T;%網(wǎng)絡(luò)測試a=smi(net,P;%繪制出系統(tǒng)