《人工智能導(dǎo)論》課程研究總結(jié)

《人工智能導(dǎo)論》課程研究總結(jié)題目：神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性函數(shù)擬合班級(jí)：姓名：學(xué)號(hào)：年月日本次作業(yè)我負(fù)責(zé)程序的編寫(xiě)，過(guò)程如下Matlab軟件中包含Matlab神經(jīng)網(wǎng)絡(luò)工具箱是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)Matlab語(yǔ)言構(gòu)造出了該理論所涉及的公式運(yùn)算操作和方程求解等大部分子程序以用于神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練只根據(jù)自的需要調(diào)用相關(guān)的子程序以完成包括網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、權(quán)值初始化網(wǎng)絡(luò)訓(xùn)練及結(jié)果輸?shù)仍趦?nèi)的一系列工作除編寫(xiě)復(fù)雜龐大程序的困擾目前，Matlab神網(wǎng)絡(luò)工具包包括的網(wǎng)絡(luò)有感知器、線(xiàn)性網(wǎng)絡(luò)神網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)等神網(wǎng)絡(luò)主要用到、和train3個(gè)經(jīng)網(wǎng)絡(luò)函數(shù)，各函數(shù)解釋如下。1：神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置函數(shù)函數(shù)功能：構(gòu)建一個(gè)BP神網(wǎng)絡(luò)。函數(shù)形式：=（，，，，，，IPF，，）P：入據(jù)矩陣。T：出數(shù)據(jù)矩陣。S：隱含層結(jié)點(diǎn)數(shù)。：點(diǎn)傳遞函數(shù)，包括硬限幅傳遞函數(shù)，對(duì)稱(chēng)硬限幅傳遞函數(shù)，性傳遞函數(shù)pureline，正切S型遞函數(shù)，數(shù)型傳遞函數(shù)。：訓(xùn)練函數(shù)，包括梯度下降P算法訓(xùn)練函數(shù)，動(dòng)量反傳的梯度下降算法訓(xùn)練函數(shù)，動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降BP算法訓(xùn)練函數(shù)，量反傳和動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降BP算訓(xùn)練函數(shù)的BP算法訓(xùn)練函數(shù)。：絡(luò)學(xué)習(xí)函數(shù)包括BP學(xué)規(guī)learngd，帶動(dòng)量項(xiàng)的BP學(xué)習(xí)規(guī)則learngdm。PF：性能分析函數(shù)，包括均值絕對(duì)誤差性分析函數(shù)mae，均方差性能分析函數(shù)。IPF：輸入處理函數(shù)。OPF輸出處理函數(shù)。DDF驗(yàn)證數(shù)據(jù)劃分函數(shù)。一般在使用過(guò)程中設(shè)置前面?zhèn)€數(shù)，后面?zhèn)€數(shù)采用系統(tǒng)默認(rèn)參數(shù)。2train：神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)函數(shù)功能：用訓(xùn)練數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。函數(shù)形式：，tr]=（，，，AiNET：訓(xùn)練網(wǎng)絡(luò)。X輸入數(shù)據(jù)。T：出數(shù)據(jù)。Pi初始化輸入層條件。Ai初始化輸出層條件。：練好的網(wǎng)絡(luò)tr：訓(xùn)練過(guò)程記錄。

一般在使用過(guò)程中設(shè)置前面?zhèn)€數(shù)，后面?zhèn)€數(shù)采用系統(tǒng)默認(rèn)參數(shù)。3sim：BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)函數(shù)、函數(shù)功能：用訓(xùn)練好的BP神網(wǎng)絡(luò)預(yù)測(cè)函數(shù)輸出。函數(shù)形式：=sim（net，）：練好的網(wǎng)絡(luò)x：輸入數(shù)據(jù)。y：絡(luò)預(yù)測(cè)數(shù)據(jù)。程序代碼：%%清環(huán)境變量clcclear%%訓(xùn)數(shù)據(jù)預(yù)測(cè)數(shù)提取及歸一化%導(dǎo)輸入輸出數(shù)據(jù)loaddatainputoutput%從到2000間隨機(jī)排序k=rand(1,2000);[m,n]=sort(k);%隨機(jī)選擇組練數(shù)據(jù)和組測(cè)數(shù)據(jù)input_train=input(n(1:1900),:)';output_train=output(n(1:1900));input_test=input(n(1901:2000),:)';output_test=output(n(1901:2000));%訓(xùn)練數(shù)據(jù)歸一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%BP網(wǎng)訓(xùn)練%初化BP網(wǎng)結(jié)構(gòu)net=newff(inputn,outputn,5);%網(wǎng)參數(shù)配置（迭代次數(shù)、學(xué)習(xí)率、目標(biāo)）net.trainParam.epochs=100;net.trainParam.lr=0.1;net.trainParam.goal=0.00004;%網(wǎng)訓(xùn)練net=train(net,inputn,outputn);%%BP網(wǎng)預(yù)測(cè)%預(yù)數(shù)據(jù)歸一化inputn_test=mapminmax('apply',input_test,inputps);%網(wǎng)預(yù)測(cè)輸出an=sim(net,inputn_test);%網(wǎng)輸出反歸一化BPoutput=mapminmax('reverse',an,outputps);%%結(jié)分析figure(1)

plot(BPoutput,':og')holdonplot(output_test,'-*');legend('預(yù)輸出,'期望輸出title('BP網(wǎng)絡(luò)預(yù)測(cè)輸出,'fontsize',12)函輸,'fontsize',12)xlabel('樣,'fontsize',12)%預(yù)誤差error=BPoutput-output_test;figure(2)plot(error,'-*')title('BP網(wǎng)絡(luò)預(yù)測(cè)誤差,'fontsize',12)ylabel('誤,'fontsize',12)xlabel('樣,'fontsize',12)figure(3)plot((output_test-BPoutput)./BPoutput,'-*');title('神網(wǎng)絡(luò)預(yù)測(cè)誤差百分)errorsum=sum(abs(error))感受與體會(huì)本次課程設(shè)計(jì)使我受益匪淺使我更加深入的了解了硬件設(shè)計(jì)的整個(gè)流程且深了我對(duì)技術(shù)這門(mén)的課內(nèi)容的理解