《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

本文格式為Word版，下載可任意編輯——《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

《人工智能及其應(yīng)用》

試驗(yàn)指導(dǎo)書

浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院—人工智能課程組

2023年9月

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

前言

本試驗(yàn)是為了協(xié)同《人工智能及其應(yīng)用》課程的理論學(xué)習(xí)而專門設(shè)置的。本試驗(yàn)的目的是穩(wěn)定和加強(qiáng)人工智能的基本原理和方法，并為今后進(jìn)一步學(xué)習(xí)更高級(jí)課程和信息智能化技術(shù)的研究與系統(tǒng)開(kāi)發(fā)奠定良好的基礎(chǔ)。

全書共分為八個(gè)試驗(yàn)：1.產(chǎn)生式系統(tǒng)試驗(yàn)；2.模糊推理系統(tǒng)試驗(yàn)；3.A*算法求解8數(shù)碼問(wèn)題試驗(yàn)；4.A*算法求解迷宮問(wèn)題試驗(yàn)；5.遺傳算法求解函數(shù)最值問(wèn)題試驗(yàn)；6.遺傳算法求解TSP問(wèn)題試驗(yàn)；7.基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別試驗(yàn)；8.基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算試驗(yàn)。每個(gè)試驗(yàn)包括有：試驗(yàn)?zāi)康摹⒃囼?yàn)內(nèi)容、試驗(yàn)條件、試驗(yàn)要求、試驗(yàn)步驟和試驗(yàn)報(bào)告等六個(gè)項(xiàng)目。

本試驗(yàn)指導(dǎo)書包括兩個(gè)部分。第一個(gè)部分是介紹試驗(yàn)的教學(xué)大綱；其次部分是介紹八個(gè)試驗(yàn)的內(nèi)容。

由于編者水平有限，本試驗(yàn)指導(dǎo)書的錯(cuò)誤和不足在所難免，歡迎批評(píng)指正。

人工智能課程組

2023年9月

第II頁(yè)

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

目錄

試驗(yàn)教學(xué)大綱1試驗(yàn)一產(chǎn)生式系統(tǒng)試驗(yàn)3試驗(yàn)二模糊推理系統(tǒng)試驗(yàn)5試驗(yàn)三A*算法試驗(yàn)I9試驗(yàn)四A*算法試驗(yàn)II12試驗(yàn)五遺傳算法試驗(yàn)I14試驗(yàn)六遺傳算法試驗(yàn)II18試驗(yàn)七基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別試驗(yàn)20試驗(yàn)八基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算試驗(yàn)24

第III頁(yè)

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

試驗(yàn)教學(xué)大綱

一、學(xué)時(shí)：16學(xué)時(shí)，一般安排在第9周至第16周。

二、主要儀器設(shè)備及運(yùn)行環(huán)境：PC機(jī)、VisualC++6.0、Matlab7.0。三、試驗(yàn)項(xiàng)目及教學(xué)安排

序號(hào)

試驗(yàn)名稱

試驗(yàn)平臺(tái)

12

產(chǎn)生式系統(tǒng)應(yīng)用模糊推理系統(tǒng)應(yīng)用

VC++Matlab

設(shè)計(jì)知識(shí)庫(kù)，實(shí)現(xiàn)系統(tǒng)識(shí)別或分類等。

1）設(shè)計(jì)洗衣機(jī)的模糊控制器；2）設(shè)計(jì)兩車追趕的模糊控制器。

34567

A*算法應(yīng)用IA*算法應(yīng)用II遺傳算法應(yīng)用I遺傳算法應(yīng)用II基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別

VC++VC++MatlabVC++Matlab

設(shè)計(jì)與實(shí)現(xiàn)求解N數(shù)碼問(wèn)題的A*算法。

設(shè)計(jì)與實(shí)現(xiàn)求解迷宮問(wèn)題的A*算法。

1）求某一函數(shù)的最小值；2）求某一函數(shù)的最大值。設(shè)計(jì)與實(shí)現(xiàn)求解不同城市規(guī)模的TSP問(wèn)題的遺傳算法。1）基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別設(shè)計(jì)；

2）基于離散Hopfiel神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶設(shè)計(jì)。

8

基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算

VC++

設(shè)計(jì)與實(shí)現(xiàn)求解TSP問(wèn)題的連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)。2

綜合

課內(nèi)

2

驗(yàn)證

課內(nèi)

2

綜合

課內(nèi)

2

驗(yàn)證

課內(nèi)

2

綜合

課內(nèi)

2

綜合

課內(nèi)

2

驗(yàn)證

課內(nèi)

試驗(yàn)內(nèi)容

學(xué)時(shí)2

類型設(shè)計(jì)

教學(xué)要求課內(nèi)

四、試驗(yàn)成績(jī)?cè)u(píng)定

試驗(yàn)課成績(jī)單獨(dú)按五分制評(píng)定。凡試驗(yàn)成績(jī)不及格者，該門課程就不及格。學(xué)生的試驗(yàn)成績(jī)應(yīng)以平日考察為主，一般應(yīng)占課程總成績(jī)的50%，其平日成績(jī)又要以試驗(yàn)實(shí)際操作的優(yōu)劣作為主要考核依據(jù)。對(duì)于試驗(yàn)課成績(jī)，無(wú)論采取何種方式進(jìn)行考核，都必需按試驗(yàn)課的目的要求，以實(shí)際試驗(yàn)工作能力的強(qiáng)弱作為評(píng)定成績(jī)的主要依據(jù)。

評(píng)定各級(jí)成績(jī)時(shí)，可參考以下標(biāo)準(zhǔn)：

1

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

（一）優(yōu)秀

能正確理解試驗(yàn)的目的要求，能獨(dú)立、順利而正確地完成各項(xiàng)試驗(yàn)操作，會(huì)分析和處理試驗(yàn)中遇到的問(wèn)題，能把握所學(xué)的各項(xiàng)試驗(yàn)技能，能較好地完成試驗(yàn)報(bào)告及其它各項(xiàng)試驗(yàn)作業(yè)，有一定創(chuàng)造精神和能力。有良好的試驗(yàn)室工作作風(fēng)和習(xí)慣。（二）良好

能理解試驗(yàn)的目的和要求，能認(rèn)真而正確地完成各項(xiàng)試驗(yàn)操作，能分析和處理試驗(yàn)中遇到的一些問(wèn)題。能把握所學(xué)試驗(yàn)技能的絕大部分，對(duì)難點(diǎn)較大的操作完成有困難。能一般完成試驗(yàn)報(bào)告和其它試驗(yàn)作業(yè)。有較好的試驗(yàn)習(xí)慣和工作作風(fēng)。

（三）中等

能粗淺理解試驗(yàn)?zāi)康囊螅苷J(rèn)真努力進(jìn)行各項(xiàng)試驗(yàn)操作，但技巧較差。能分析和處理試驗(yàn)中一些較簡(jiǎn)單的問(wèn)題，把握試驗(yàn)技能的大部分。有30%把握得不好。能一般完成各項(xiàng)試驗(yàn)作業(yè)和報(bào)告。處理問(wèn)題缺乏條理。工作作風(fēng)較好。能認(rèn)真遵守各項(xiàng)規(guī)章制度。學(xué)習(xí)努力。（四）及格

只能機(jī)械地了解試驗(yàn)內(nèi)容，能一般按圖、或按試驗(yàn)步驟“照方抓藥〞完成試驗(yàn)操作，能完成60%所學(xué)的試驗(yàn)技能，有些雖作但不確鑿。遇到問(wèn)題往往缺乏解決的方法，在別人啟發(fā)下能作些簡(jiǎn)單處理，但效果不理想。能一般完成試驗(yàn)報(bào)告，能認(rèn)真遵守試驗(yàn)室各項(xiàng)規(guī)章制度，工作中有小的習(xí)慣性毛?。ㄈ绻ぷ鳠o(wú)計(jì)劃，處理問(wèn)題缺乏條理）。（五）不及格

盲目地“照方抓藥〞，只把握50%的所學(xué)試驗(yàn)技能。有些試驗(yàn)雖能作，但一般效果不好，操作不正確。工作忙亂無(wú)條理。一般能遵守試驗(yàn)室規(guī)章制度，但常有小的錯(cuò)誤。試驗(yàn)報(bào)告較多的時(shí)候有結(jié)果，遇到問(wèn)題時(shí)說(shuō)不明原因，在教師指導(dǎo)下也較難完成各項(xiàng)試驗(yàn)作業(yè)?；蛴行┬÷斆鞯慌Γ磺笊线M(jìn)。

2

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

試驗(yàn)一產(chǎn)生式系統(tǒng)試驗(yàn)

一、試驗(yàn)?zāi)康模?/p>

熟悉一階謂詞規(guī)律和產(chǎn)生式表示法，把握產(chǎn)生式系統(tǒng)的運(yùn)行機(jī)制，以及基于規(guī)則推理的基本方法。二、試驗(yàn)內(nèi)容

運(yùn)用所學(xué)知識(shí)，設(shè)計(jì)并編程實(shí)現(xiàn)一個(gè)小型人工智能系統(tǒng)（如分類、診斷、預(yù)計(jì)等類型）。三、試驗(yàn)條件：

產(chǎn)生式系統(tǒng)試驗(yàn)程序，如下圖1所示。

圖1產(chǎn)生式系統(tǒng)試驗(yàn)程序界面

四、試驗(yàn)要求

1.具體應(yīng)用領(lǐng)域自選，具體系統(tǒng)名稱自定；但所做系統(tǒng)絕對(duì)不能雷同。2.用一階謂詞規(guī)律和產(chǎn)生式規(guī)則作為知識(shí)表示，利用如圖1所示的產(chǎn)生式系統(tǒng)試驗(yàn)程序，建立知識(shí)庫(kù)，分別運(yùn)行正、反向推理。

3

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

3.系統(tǒng)完成后，提交試驗(yàn)報(bào)告。五、試驗(yàn)步驟：

1.基于如圖1所示的產(chǎn)生式系統(tǒng)試驗(yàn)程序，設(shè)計(jì)并實(shí)現(xiàn)一個(gè)小型人工智能系統(tǒng)：

1）系統(tǒng)設(shè)置，包括設(shè)置系統(tǒng)名稱和系統(tǒng)謂詞，給出謂詞名及其含義。2）編輯知識(shí)庫(kù)，通過(guò)輸入規(guī)則或修改規(guī)則等，完成整個(gè)規(guī)則庫(kù)的建立。3）建立事實(shí)庫(kù)（綜合數(shù)據(jù)庫(kù)），輸入多條事實(shí)或結(jié)論。

4）運(yùn)行推理，包括正向推理和反向推理，給出相應(yīng)的推理過(guò)程、事實(shí)區(qū)和規(guī)則區(qū)。

2.撰寫試驗(yàn)報(bào)告。六、試驗(yàn)報(bào)告

下面是試驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。

遞交的報(bào)告文件名：班級(jí)_學(xué)號(hào)_姓名_試驗(yàn)名稱

———————————————————————

試驗(yàn)名稱

班級(jí)：學(xué)號(hào)：姓名：

一、試驗(yàn)?zāi)康亩?、試?yàn)內(nèi)容三、試驗(yàn)步驟四、試驗(yàn)結(jié)果

1.系統(tǒng)名稱及謂詞定義2.系統(tǒng)知識(shí)庫(kù)

3.系統(tǒng)正、反向推理過(guò)程、事實(shí)區(qū)和規(guī)則區(qū)。五、試驗(yàn)總結(jié)

———————————————————————

4

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

試驗(yàn)二模糊推理系統(tǒng)試驗(yàn)

一、試驗(yàn)?zāi)康?/p>

理解模糊規(guī)律推理的原理及特點(diǎn)，熟練應(yīng)用模糊推理，了解可能性理論。二、試驗(yàn)原理

模糊推理所處理的事物自身是模糊的，概念本身沒(méi)有明確的外延，一個(gè)對(duì)象是否符合這個(gè)概念難以明確地確定，模糊推理是對(duì)這種不確定性，即模糊性的表示與處理。模糊規(guī)律推理是基于模糊性知識(shí)(模糊規(guī)則)的一種近似推理，一般采用Zadeh提出的語(yǔ)言變量、語(yǔ)言值、模糊集和模糊關(guān)系合成的方法進(jìn)行推理。三、試驗(yàn)條件

Matlab7.0的FuzzyLogicTool。

四、試驗(yàn)內(nèi)容及要求

1.設(shè)計(jì)洗衣機(jī)洗滌時(shí)間的模糊控制。已知人的操作經(jīng)驗(yàn)為：

“污泥越多，油脂越多，洗滌時(shí)間越長(zhǎng)〞；

“污泥適中，油脂適中，洗滌時(shí)間適中〞；“污泥越少，油脂越少，洗滌時(shí)間越短〞。

要求：

（1）假設(shè)污泥、油脂、洗滌時(shí)間的論域分別為[0,100]、[0,100]和[0,120]，設(shè)計(jì)相應(yīng)的模糊推理系統(tǒng)，給出輸入、輸出語(yǔ)言變量的隸屬函數(shù)圖，模糊控制規(guī)則表和推論結(jié)果立體圖。

?60,y（油脂）?70，（2）假定當(dāng)前傳感器測(cè)得的信息為x0(污泥）采用面積重0心法反模糊化，給出模糊推理結(jié)果，并觀測(cè)模糊推理的動(dòng)態(tài)仿真環(huán)境，給出其動(dòng)態(tài)仿真環(huán)境圖。

提醒：模糊控制規(guī)則如下表1所示，其中SD（污泥少）、MD（污泥中）、LD（污泥多）、NG（油脂少）、MG（油脂中）、LG（油脂多）、VS（洗滌時(shí)間很短）、S（洗滌時(shí)間短）、M（洗滌時(shí)間中等）、L（洗滌時(shí)間長(zhǎng)）、VL（洗滌時(shí)間很長(zhǎng)）。

圖1洗衣機(jī)的模糊控制規(guī)則表

xyzSDNGVSSDMGM

5

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

SDMDMDMDLDLDLDLGNGMGLGNGMGLGLSMLMLVL

2．假設(shè)兩汽車均為理想狀態(tài)，即為油門控制輸入。

Y(s)4，Y為速度，U?2U(s)s?2?0.7?2s?4（1）設(shè)計(jì)模糊推理系統(tǒng)控制2號(hào)汽車由靜止啟動(dòng)，追趕200m外時(shí)速90km的1號(hào)汽車并與其保持50m的距離。

（2）在25時(shí)刻1號(hào)汽車速度改為時(shí)速110km時(shí)，仍與其保持50m距離。（3）在35時(shí)刻1號(hào)汽車速度改為時(shí)速70km時(shí)，仍與其保持50m距離。要求：

（1）如下圖1所示，設(shè)計(jì)兩輸入一輸出的模糊推理系統(tǒng)作為2號(hào)汽車的模糊

?，輸出為1號(hào)汽車的油門控制u，采控制器，其中輸入為誤差e和誤差的變化e用面積等分法反模糊化，給出輸入、輸出語(yǔ)言變量的隸屬函數(shù)圖，模糊控制規(guī)則

表，推論結(jié)果立體圖和模糊推理的動(dòng)態(tài)仿真環(huán)境圖。

1號(hào)車＋2號(hào)車—相對(duì)距離e30mu模糊推理系統(tǒng)dedt

圖1兩車追趕的模糊控制系統(tǒng)框圖

（2）用SIMULINK仿真兩車追趕的模糊控制系統(tǒng)，給出目標(biāo)車（1號(hào)汽車）的速度曲線圖，以及追趕車（2號(hào)汽車）的速度曲線圖和與目標(biāo)車（1號(hào)汽車）相對(duì)距離變化圖。

6

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

.提醒：模糊控制規(guī)則如下表2所示，其中re?e?e2,??tg，r、?和

e2.油門控制u的論域分別為[0,1]、[-3,3]和[-1,1]，r的隸屬函數(shù)如圖2所示。

表2模糊控制規(guī)則表

?\\rPBPMZENMNB

NBZEZEZEZEZEZENMPMPMNMNMPBNBPBPBNBNB

圖2r的隸屬函數(shù)圖

五、試驗(yàn)報(bào)告要求：

1.依照試驗(yàn)要求，給出相應(yīng)結(jié)果。

2．分析隸屬度、模糊關(guān)系和模糊規(guī)則的相互關(guān)系。

7

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

試驗(yàn)六遺傳算法試驗(yàn)II

一、試驗(yàn)?zāi)康?/p>

熟悉和把握遺傳算法的原理、流程和編碼策略，理解求解TSP問(wèn)題的流程并測(cè)試主要參數(shù)對(duì)結(jié)果的影響，把握遺傳算法的基本實(shí)現(xiàn)方法。二、試驗(yàn)原理

旅行商問(wèn)題，即TSP問(wèn)題（TravelingSalesmanProblem）是數(shù)學(xué)領(lǐng)域中著名問(wèn)題之一。假設(shè)有一個(gè)旅行商人要訪問(wèn)n個(gè)城市，n個(gè)城市之間的相互距離已知，他必需選擇所要走的路徑，路經(jīng)的限制是每個(gè)城市只能訪問(wèn)一次，而且最終要回到原來(lái)出發(fā)的城市。路徑的選擇目標(biāo)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(shù)語(yǔ)來(lái)說(shuō)，假設(shè)有一個(gè)圖g=(v,e)，其中v是頂點(diǎn)集，e是邊集，設(shè)d=(dij)是由頂點(diǎn)i和頂點(diǎn)j之間的距離所組成的距離矩陣，旅行商問(wèn)題就是求出一條通過(guò)所有頂點(diǎn)且每個(gè)頂點(diǎn)只通過(guò)一次的具有最短距離的回路。TSP問(wèn)題是一個(gè)典型的組合優(yōu)化問(wèn)題，該問(wèn)題可以被證明具有NPC計(jì)算繁雜性，其可能的路徑數(shù)目與城市數(shù)目n是成指數(shù)型增長(zhǎng)的，所以一般很難確切地求出其最優(yōu)解，本試驗(yàn)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(xué)的遺傳過(guò)程。它把問(wèn)題的參數(shù)用基因代表，把問(wèn)題的解用染色體代表（在計(jì)算機(jī)里用二進(jìn)制碼表示），從而得到一個(gè)由具有不同染色體的個(gè)體組成的群體。這個(gè)群體在問(wèn)題特定的環(huán)境里生存競(jìng)爭(zhēng)，適者有最好的機(jī)遇生存和產(chǎn)生后代。后代隨機(jī)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(guò)程。群體的染色體都將逐漸適應(yīng)環(huán)境，不斷進(jìn)化，最終收斂到一個(gè)最適應(yīng)環(huán)境的類似個(gè)體，即得到問(wèn)題最優(yōu)的解。三、試驗(yàn)內(nèi)容

1、參考試驗(yàn)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)模（例如10個(gè)城市，20個(gè)城市，100個(gè)城市）的TSP問(wèn)題，把結(jié)果填入表1。

表1遺傳算法求解不同規(guī)模的TSP問(wèn)題的結(jié)果最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度城市規(guī)模1020100平均運(yùn)行時(shí)間2、對(duì)于同一個(gè)TSP問(wèn)題（例如10個(gè)城市），設(shè)置不同的種群規(guī)模（例如10，20，100）、交織概率（0，0.5，1）和變異概率（0，0.5，1），把結(jié)果填入表2。3、設(shè)置種群規(guī)模為100，交織概率為0.85，變異概率為0.15，然后增加1種變異策略（例如相鄰兩點(diǎn)互換變異、逆轉(zhuǎn)變異或插入變異等）和1種個(gè)體選擇概

18

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

率分派策略（例如按線性排序或者按非線性排序分派個(gè)體選擇概率）用于求解同一TSP問(wèn)題（例如10個(gè)城市），把結(jié)果填入表3。

表2不同的種群規(guī)模、交織概率和變異概率的求解結(jié)果交織概率變異概率最好適應(yīng)最差適應(yīng)平均適應(yīng)度度度0.850.150.850.150.850.1500.150.50.1510.150.8500.850.50.851種群規(guī)模1020100100100100100100100平均運(yùn)行時(shí)間表3不同的變異策略和個(gè)體選擇概率分派策略的求解結(jié)果變異策略個(gè)體選擇概率分派最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時(shí)間兩點(diǎn)互換按適應(yīng)度比例分派兩點(diǎn)互換按適應(yīng)度比例分派4、提交試驗(yàn)報(bào)告和源程序。四、試驗(yàn)報(bào)告要求：

1、畫出遺傳算法求解TSP問(wèn)題的流程圖。

2、分析遺傳算法求解不同規(guī)模的TSP問(wèn)題的算法性能。

3、對(duì)于同一個(gè)TSP問(wèn)題，分析種群規(guī)模、交織概率和變異概率對(duì)算法結(jié)果的影響。

4、增加1種變異策略和1種個(gè)體選擇概率分派策略，比較求解同一TSP問(wèn)題時(shí)不同變異策略及不同個(gè)體選擇分派策略對(duì)算法結(jié)果的影響。下面是試驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。

試驗(yàn)名稱

班級(jí)：學(xué)號(hào)：姓名：

一、試驗(yàn)?zāi)康亩?、試?yàn)原理三、試驗(yàn)結(jié)果

依照試驗(yàn)內(nèi)容，給出相應(yīng)結(jié)果。四、試驗(yàn)總結(jié)

1.完成試驗(yàn)報(bào)告要求2,3和4。2.總厚試驗(yàn)心得體會(huì)

——————————————————————————————————

19

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

試驗(yàn)七基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別試驗(yàn)

一、試驗(yàn)?zāi)康?/p>

理解BP神經(jīng)網(wǎng)絡(luò)和離散Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理，把握反向傳播學(xué)習(xí)算法對(duì)神經(jīng)元的訓(xùn)練過(guò)程，了解反向傳播公式。通過(guò)構(gòu)建BP網(wǎng)絡(luò)和離散Hopfield網(wǎng)絡(luò)模式識(shí)別實(shí)例，熟悉前饋網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)的原理及結(jié)構(gòu)。二、試驗(yàn)原理

BP學(xué)習(xí)算法是通過(guò)反向?qū)W習(xí)過(guò)程使誤差最小，其算法過(guò)程從輸出節(jié)點(diǎn)開(kāi)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(quán)值修正。BP網(wǎng)絡(luò)不僅含有輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，而且含有一層或多層隱(層)節(jié)點(diǎn)。輸入信號(hào)先向前傳遞到隱節(jié)點(diǎn)，經(jīng)過(guò)作用后，再把隱節(jié)點(diǎn)的輸出信息傳遞到輸出節(jié)點(diǎn)，最終給出輸出結(jié)果。

離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶過(guò)程分為學(xué)習(xí)和聯(lián)想兩個(gè)階段。在給定樣本的條件下，依照Hebb學(xué)習(xí)規(guī)則調(diào)整連接權(quán)值，使得存儲(chǔ)的樣本成為網(wǎng)絡(luò)的穩(wěn)定狀態(tài)，這就是學(xué)習(xí)階段。聯(lián)想是指在連接權(quán)值不變的狀況下，輸入部分不全或者受了干擾的信息，最終網(wǎng)絡(luò)輸出某個(gè)穩(wěn)定狀態(tài)。

三、試驗(yàn)條件

Matlab7.X的神經(jīng)網(wǎng)絡(luò)工具箱：在Matlab7.X的命令窗口輸入nntool，然后在鍵盤上輸入Enter鍵，即可開(kāi)啟神經(jīng)網(wǎng)絡(luò)工具箱。四、試驗(yàn)內(nèi)容

1.針對(duì)教材P243例8.1，設(shè)計(jì)一個(gè)BP網(wǎng)絡(luò)結(jié)構(gòu)模型（63-6-9），并以教材圖8.5為訓(xùn)練樣本數(shù)據(jù)，圖8.6為測(cè)試數(shù)據(jù)。

（1）從Matlab工作空間導(dǎo)入（Import）訓(xùn)練樣本數(shù)據(jù)（inputdata，outputdata）和測(cè)試數(shù)據(jù)（testinputdata），然后新建一個(gè)神經(jīng)網(wǎng)絡(luò)（NewNetwork），選擇參數(shù)如下表1，給出BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

表1BP網(wǎng)絡(luò)結(jié)構(gòu)模型的各項(xiàng)參數(shù)設(shè)置NetworkName（神經(jīng)網(wǎng)絡(luò)名稱）NetworkType（神經(jīng)網(wǎng)絡(luò)類型）Feed-forwardbackprop（前饋反向傳播）Inputranges（輸入信息范圍）來(lái)自訓(xùn)練樣本的輸入數(shù)據(jù)（inputdata）Trainingfunction（訓(xùn)練函數(shù)）TRAINGD(梯度下降BP算法)Performancefunction（性能函數(shù)）MSE（均方誤差）2Numberoflayers（神經(jīng)網(wǎng)絡(luò)層數(shù)）

20

《人工智能及其應(yīng)用》試驗(yàn)指導(dǎo)書

Layer1（第1層）的Numberofneurons(神經(jīng)元個(gè)數(shù))Layer1（第1層）的TransferFunction(傳遞函數(shù))Layer2（第2層）的Numberofneurons(神經(jīng)元個(gè)數(shù))Layer2（第2層）的TransferFunction(傳遞函數(shù))6TANSIG(雙曲正切S型函數(shù))2LOGSIG（S型函數(shù)）（2）輸入訓(xùn)練樣本數(shù)據(jù)（inputdata，outputdata），隨機(jī)初始化連接權(quán)（InitializeWeights），給出BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功后的誤差變化曲線圖，訓(xùn)練參數(shù)設(shè)置如表2所示。

表2BP網(wǎng)絡(luò)訓(xùn)練參數(shù)

訓(xùn)練次數(shù)（epochs）訓(xùn)練時(shí)間（time）訓(xùn)練目標(biāo)（goal）學(xué)習(xí)率（lr）最大確認(rèn)失敗次數(shù)（max_fail）最小性能梯度（min_grad）兩次顯示之間的訓(xùn)練步數(shù)（show）1000Inf00.351e-02525（3）選擇不同的訓(xùn)練函數(shù)，例如TRAINGDM（梯度下降動(dòng)量BP算法）、TRAINLMM（Levenberg-MarquardtBP訓(xùn)練函數(shù)），然后輸入訓(xùn)練樣本數(shù)據(jù)（inputdata，outputdata），訓(xùn)練參數(shù)設(shè)置如表2所示，設(shè)置一致的初始連接權(quán)（Revert