人工神經網絡程序設計

PAGEPAGE2實驗報告課程名稱人工智能應用技術實驗項目人工神經網絡程序設計實驗儀器WindowsXP、VisualC++學院信息管理學院專業(yè)信息安全班級/學號學生姓名實驗日期2016-成績指導教師北京信息科技大學信息管理學院（課程上機）實驗報告實驗課程名稱:人工智能應用技術專業(yè):信息安全班級:學號:姓名:

實驗名稱人工神經網絡程序設計實驗地點學院機房實驗時間5/101—4節(jié)實驗目的：掌握基本神經網絡的常用學習規(guī)則掌握人工神經網絡的訓練過程實驗內容：相關知識：基本神經網絡（感知器，前饋網絡）的常用學習規(guī)則實驗環(huán)境：WindowsXP,Visualstudio主要內容：人工神經網絡的程序設計與實現實驗要求：完成神經網絡學習程序的調試，課堂演示程序執(zhí)行結果輸出神經網絡權值調整過程值，分析結果數據，繪制神經網絡提交實驗報告實驗準備：掌握感知器學習算法初始化：將權值向量賦予隨機值，t=0(迭代次數)連接權的修正：對每個輸入樣本xk及期望輸出dk完成如下計算計算網絡輸出：y=f(S)，其中S=∑wixi，f為激活函數計算輸出層單元期望輸出dk與實際輸出y間的誤差： ek=dk-y若ek為零，則說明當前樣本輸出正確，不必更新權值，否則更新權值： w(t+1)=w(t)+α×ek×xk t=t+10<α<1為學習率。對所有的輸入樣本重復步驟(2)，直到所有的樣本輸出正確為止實驗過程：#include<stdio.h>#include"stdafx.h"#defineMAX_ITERATIONS 1000#defineINPUT_NEURONS 2#defineNUM_WEIGHTS (INPUT_NEURONS+1)#defineALPHA (double)0.2doubleweights[NUM_WEIGHTS];typedefstruct{doublea;doubleb;doubleexpected;}training_data_t;#defineMAX_TESTS 4training_data_ttraining_set[MAX_TESTS]={{-1.0,-1.0,-1.0},{-1.0,1.0,1.0},{1.0,-1.0,1.0},{1.0,1.0,1.0}};doublecompute(inttest){doubleresult;/*Equation10.2*/result=((training_set[test].a*weights[0])+(training_set[test].b*weights[1])+(1.0*weights[2]));if(result>0.0)result=1.0;elseresult=-1.0;returnresult;}intmain(){inti,test;doubleoutput;intchange;/*Initializetheweightsfortheperceptron*/for(i=0;i<NUM_WEIGHTS;i++)weights[i]=0.0;/*Traintheperceptronwiththetrainingset*/change=1;while(change){change=0;for(test=0;test<MAX_TESTS;test++){/*Testontheperceptron*/output=compute(test);/*PerceptronLearningAlgorithm*/ doubledif=training_set[test].expected-output;if((int)training_set[test].expected!=(int)output){/*UseEquation10.3*/weights[0]+=ALPHA*training_set[test].expected*training_set[test].a;weights[1]+=ALPHA*training_set[test].expected*training_set[test].b;weights[2]+=ALPHA*training_set[test].expected;change=1;}}}/*CheckthestatusofthePerceptron*/for(i=0;i<MAX_TESTS;i++){printf("%gOR%g=%g\n",training_set[i].a,training_set[i].b,compute(i));}return0;}#include<stdio.h>#include<stdlib.h>#include"maths.c"#include"rand.h"#defineINPUT_NEURONS 35#defineHIDDEN_NEURONS 10#defineOUTPUT_NEURONS 10doubleinputs[INPUT_NEURONS+1];doublehidden[HIDDEN_NEURONS+1];doubleoutputs[OUTPUT_NEURONS];#defineRHO (double)0.1doublew_h_i[HIDDEN_NEURONS][INPUT_NEURONS+1];doublew_o_h[OUTPUT_NEURONS][HIDDEN_NEURONS+1];#defineRAND_WEIGHT (((double)rand()/(double)RAND_MAX)-0.5)#defineIMAGE_SIZE 35typedefstructtest_images_s{intimage[IMAGE_SIZE];intoutput[OUTPUT_NEURONS];}test_image_t;#defineMAX_TESTS 10test_image_ttests[MAX_TESTS]={{{0,1,1,1,0,//01,0,0,0,1,1,0,0,0,1,1,0,0,0,1,1,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{1,0,0,0,0,0,0,0,0,0}},{{0,0,1,0,0,//10,1,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,1,1,1,0},{0,1,0,0,0,0,0,0,0,0}},{{0,1,1,1,0,//21,0,0,0,1,0,0,0,0,1,0,0,1,1,0,0,1,0,0,0,1,0,0,0,0,1,1,1,1,1},{0,0,1,0,0,0,0,0,0,0}},{{0,1,1,1,0,//31,0,0,0,1,0,0,0,0,1,0,0,1,1,0,0,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,1,0,0,0,0,0,0}},{{0,0,0,1,0,//40,0,1,1,0,0,1,0,1,0,1,1,1,1,1,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0},{0,0,0,0,1,0,0,0,0,0}},{{1,1,1,1,1,//51,0,0,0,0,1,0,0,0,0,1,1,1,1,0,0,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,0,0,1,0,0,0,0}},{{0,1,1,1,0,//61,0,0,0,0,1,0,0,0,0,1,1,1,1,0,1,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,0,0,0,1,0,0,0}},{{1,1,1,1,1,//71,0,0,0,1,0,0,0,0,1,0,0,0,1,0,0,0,1,0,0,0,1,0,0,0,0,1,0,0,0},{0,0,0,0,0,0,0,1,0,0}},{{0,1,1,1,0,//81,0,0,0,1,1,0,0,0,1,0,1,1,1,0,1,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,0,0,0,0,0,1,0}},{{0,1,1,1,0,//91,0,0,0,1,1,0,0,0,1,0,1,1,1,1,0,0,0,0,1,0,0,0,1,0,0,1,1,0,0},{0,0,0,0,0,0,0,0,0,1}}};voidinit_network(void){inti,j;/*Settheinputbias*/inputs[INPUT_NEURONS]=1.0;/*Setthehiddenbias*/hidden[HIDDEN_NEURONS]=1.0;/*Initializetheinput->hiddenweights*/for(j=0;j<HIDDEN_NEURONS;j++){for(i=0;i<INPUT_NEURONS+1;i++){w_h_i[j][i]=RAND_WEIGHT;}}for(j=0;j<OUTPUT_NEURONS;j++){for(i=0;i<HIDDEN_NEURONS+1;i++){w_o_h[j][i]=RAND_WEIGHT;}}return;}voidfeed_forward(void){inti,j;/*Calculateoutputsofthehiddenlayer*/for(i=0;i<HIDDEN_NEURONS;i++){hidden[i]=0.0;for(j=0;j<INPUT_NEURONS+1;j++){hidden[i]+=(w_h_i[i][j]*inputs[j]);}hidden[i]=sigmoid(hidden[i]);}/*Calculateoutputsfortheoutputlayer*/for(i=0;i<OUTPUT_NEURONS;i++){outputs[i]=0.0;for(j=0;j<HIDDEN_NEURONS+1;j++){outputs[i]+=(w_o_h[i][j]*hidden[j]);}outputs[i]=sigmoid(outputs[i]);}}voidbackpropagate_error(inttest){intout,hid,inp;doubleerr_out[OUTPUT_NEURONS];doubleerr_hid[HIDDEN_NEURONS];/*Computetheerrorfortheoutputnodes(Equation10.6)*/for(out=0;out<OUTPUT_NEURONS;out++){err_out[out]=((double)tests[test].output[out]-outputs[out])*sigmoid_d(outputs[out]);}/*Computetheerrorforthehiddennodes(Equation10.7)*/for(hid=0;hid<HIDDEN_NEURONS;hid++){err_hid[hid]=0.0;/*Includeerrorcontributionforalloutputnodes*/for(out=0;out<OUTPUT_NEURONS;out++){err_hid[hid]+=err_out[out]*w_o_h[out][hid];}err_hid[hid]*=sigmoid_d(hidden[hid]);}/*Adjusttheweightsfromthehiddentooutputlayer(Equation10.9)*/for(out=0;out<OUTPUT_NEURONS;out++){for(hid=0;hid<HIDDEN_NEURONS;hid++){w_o_h[out][hid]+=RHO*err_out[out]*hidden[hid];}}/*Adjusttheweightsfromtheinputtohiddenlayer(Equation10.9)*/for(hid=0;hid<HIDDEN_NEURONS;hid++){for(inp=0;inp<INPUT_NEURONS+1;inp++){w_h_i[hid][inp]+=RHO*err_hid[hid]*inputs[inp];}}return;}doublecalculate_mse(inttest){doublemse=0.0;inti;for(i=0;i<OUTPUT_NEURONS;i++){mse+=sqr((tests[test].output[i]-outputs[i]));}return(mse/(double)i);}voidset_network_inputs(inttest,doublenoise_prob){inti;/*Fillthenetworkinputsvectorfromthetest*/for(i=0;i<INPUT_NEURONS;i++){inputs[i]=tests[test].image[i];/*Inthegivennoiseprobability,negatethecell*/if(RANDOM()<noise_prob){inputs[i]=(inputs[i])?0:1;}}return;}intclassifier(void){inti,best;doublemax;best=0;max=outputs[0];for(i=1;i<OUTPUT_NEURONS;i++){if(outputs[i]>max){max=outputs[i];best=i;}}returnbest;}intmain(void){doublemse,noise_prob;inttest,i,j;RANDINIT();init_network();do{/*Pickatestatrandom*/test=RANDMAX(MAX_TESTS);/*Grabinputimage(withnonoise)*/set_network_inputs(test,0.0);/*Feedthisdatasetforward*/feed_forward();/*Backpropagatetheerror*/backpropagate_error(test);/*CalculatethecurrentMSE*/mse=calculate_mse(test);}while(mse>0.001);/*Now,let'stestthenetworkwithincreasingamountsofnoise*/test=RANDMAX(MAX_TESTS);/*Startwith5%noiseprobability,endwith25%(perpixel)*/noise_prob=0.05;for(i=0;i<5;i++){set_network_inputs(test,noise_prob);feed_forward();for(j=0;j<INPUT_NEURONS;j++){if((j%5)==0)printf("\n");printf("%d",(int)inputs[j]);}printf("\nclassifiedas%d\n\n",classifier());noise_prob+=0.05;}return0;}實驗總結：（實驗結果及分析）通過人工神經程序設計的學習，我進一步了解了感知器和神經網絡算法，包括期望值的調整等內容，同時更加熟練地使用c語言進行程序設計，對程序設計中遇到的各種問題漸漸地有了自己的認識和解決方案。說明：實驗名稱、實驗目的、實驗內容、實驗要求由教師確定，實驗前由教師事先填好，然后作為實驗報告模版供學生使用；實驗準備由學生在實驗或上機之前填寫，教師應該在實驗前檢查；實驗過程由學生記錄實驗的過程，包括操作過程、遇到哪些問題以及如何解決等；實驗總結由學生在實驗后填寫，總結本次實驗的收獲、未解決的問題以及體會和建議等；源程序、代碼、具體語句等，若表格空間不足時可作為附錄另外附頁。

咖啡店創(chuàng)業(yè)計劃書第一部分：背景在中國，人們越來越愛喝咖啡。隨之而來的咖啡文化充滿生活的每個時刻。無論在家里、還是在辦公室或各種社交場合，人們都在品著咖啡?？Х戎饾u與時尚、現代生活聯系在一齊。遍布各地的咖啡屋成為人們交談、聽音樂、休息的好地方，咖啡豐富著我們的生活，也縮短了你我之間的距離，咖啡逐漸發(fā)展為一種文化。隨著咖啡這一有著悠久歷史飲品的廣為人知，咖啡正在被越來越多的中國人所理解。第二部分：項目介紹第三部分：創(chuàng)業(yè)優(yōu)勢目前大學校園的這片市場還是空白，競爭壓力小。而且前期投資也不是很高，此刻國家鼓勵大學生畢業(yè)后自主創(chuàng)業(yè)，有一系列的優(yōu)惠政策以及貸款支持。再者大學生往往對未來充滿期望，他們有著年輕的血液、蓬勃的朝氣，以及初生牛犢不怕虎的精神，而這些都是一個創(chuàng)業(yè)者就應具備的素質。大學生在學校里學到了很多理論性的東西，有著較高層次的技術優(yōu)勢，現代大學生有創(chuàng)新精神，有對傳統(tǒng)觀念和傳統(tǒng)行業(yè)挑戰(zhàn)的信心和欲望，而這種創(chuàng)新精神也往往造就了大學生創(chuàng)業(yè)的動力源泉，成為成功創(chuàng)業(yè)的精神基礎。大學生創(chuàng)業(yè)的最大好處在于能提高自己的潛力、增長經驗，以及學以致用;最大的誘人之處是透過成功創(chuàng)業(yè)，能夠實現自己的理想，證明自己的價值。第四部分：預算1、咖啡店店面費用咖啡店店面是租賃建筑物。與建筑物業(yè)主經過協商，以合同形式達成房屋租賃協議。協議資料包括房屋地址、面積、結構、使用年限、租賃費用、支付費用方法等。租賃的優(yōu)點是投資少、回收期限短。預算10-15平米店面，啟動費用大約在9-12萬元。2、裝修設計費用咖啡店的滿座率、桌面的周轉率以及氣候、節(jié)日等因素對收益影響較大?？Х瑞^的消費卻相對較高，主要針對的也是學生人群，咖啡店布局、格調及采用何種材料和咖啡店效果圖、平面圖、施工圖的設計費用，大約6000元左右3、裝修、裝飾費用具體費用包括以下幾種。(1)外墻裝飾費用。包括招牌、墻面、裝飾費用。(2)店內裝修費用。包括天花板、油漆、裝飾費用，木工、等費用。(3)其他裝修材料的費用。玻璃、地板、燈具、人工費用也應計算在內。整體預算按標準裝修費用為360元/平米，裝修費用共360*15=5400元。4、設備設施購買費用具體設備主要有以下種類。(1)沙發(fā)、桌、椅、貨架。共計2250元(2)音響系統(tǒng)。共計450(3)吧臺所用的烹飪設備、儲存設備、洗滌設備、加工保溫設備。共計600(4)產品制造使用所需的吧臺、咖啡杯、沖茶器、各種小碟等。共計300凈水機，采用美的品牌，這種凈水器每一天能生產12l純凈水，每一天銷售咖啡及其他飲料100至200杯，價格大約在人民幣1200元上下。咖啡機，咖啡機選取的是電控半自動咖啡機，咖啡機的報價此刻就應在人民幣350元左右，加上另外的附件也不會超過1200元。磨豆機，價格在330―480元之間。冰砂機，價格大約是400元一臺，有點要說明的是，最好是買兩臺，不然夏天也許會不夠用。制冰機，從制冰量上來說，一般是要留有富余?？钪票鶛C每一天的制冰量是12kg。價格稍高550元，質量較好，所以能夠用很多年，這么算來也是比較合算的。5、首次備貨費用包括購買常用物品及低值易耗品，吧臺用各種咖啡豆、奶、茶、水果、冰淇淋等的費用。大約1000元6、開業(yè)費用開業(yè)費用主要包括以下幾種。(1)營業(yè)執(zhí)照辦理費、登記費、保險費;預計3000元(2)營銷廣告費用;預計450元7、周轉金開業(yè)初期，咖啡店要準備必須量的流動資金，主要用于咖啡店開業(yè)初期的正常運營。預計2000元共計： 120000+6000+5400+2250+450+600+300+1200+1200+480+400+550+1000+3000+450+2000=145280元第五部分：發(fā)展計劃1、營業(yè)額計劃那里的營業(yè)額是指咖啡店日常營業(yè)收入的多少。在擬定營業(yè)額目標時，必須要依據目前市場的狀況，再思考到咖啡店的經營方向以及當前的物價情形，予以綜合衡量。按照目前流動人口以及人們對咖啡的喜好預計每一天的營業(yè)額為400-800，根據淡旺季的不同可能上下浮動2、采購計劃依據擬訂的商品計劃，實際展開采購作業(yè)時，為使采購資金得到有效運用以及商品構成達成平衡，務必針對設定的商品資料排定采購計劃。透過營業(yè)額計劃、商品計劃與采購計劃的確立，我們不難了解，一家咖啡店為了營業(yè)目標的達成，同時有效地完成商品構成與靈活地運用采購資金，各項基本的計劃是不可或缺的。當一家咖啡店設定了營業(yè)計劃、商品計劃及采購計劃之后，即可依照設定的采購金額進行商品的采購。經過進貨手續(xù)檢驗、標價之后，即可寫在菜單上。之后務必思考的事情，就是如何有效地將這些商品銷售出去。3、人員計劃為了到達設定的經營目標，經營者務必對人員的任用與工作的分派有一個明確的計劃。有效利用人力資源，開展人員培訓，都是我們務必思考的。4、經費計劃經營經費的分派是管理的重點工作。通常能夠將咖啡店經營經費分為人事類費用(薪資、伙食費、獎金等)、設備類費用(修繕費、折舊、租金等)、維持類費用(水電費、消耗品費、事務費、雜費等)和營業(yè)類費用(廣告宣傳費、包裝費、營業(yè)稅等)。還能夠依其性質劃分成固定費用與變動費用。我們要針對過去的實際業(yè)績設定可能增加的經費幅度。5、財務計劃財務計劃中的損益計劃最能反映全店的經營成果?？Х鹊杲洜I者在營運資金的收支上要進行控制，以便做到經營資金合理的調派與運用。總之，以上所列的六項基本計劃(營業(yè)額、商品采購、銷售促進、人員、經費、財務)是咖啡店管理不可或缺的。當然，有一些咖啡店為求管理上更深入，也能夠配合工作實際需要制訂一些其他輔助性計劃。第六部分：市場分析2019-2021年中