人工神经网络例题
1、什么是 BP 网络的泛化能力？如何保证 BP 网络具有较好的泛化能力？（5分）
解：
（1）BP网络训练后将所提取的样本对中的非线性映射关系存储在权值矩阵中，在其后的工作阶段，当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。这种能力称为多层感知器的泛化能力，它是衡量多层感知器性能优劣的一个重要方面。
（2）网络的性能好坏主要看其是否具有很好的泛化能力，而对泛化能力的测试不能用训练集的数据进行，要用训练集以外的测试数据来进行检验。在隐节点数一定的情况下，为获得更好的泛化能力，存在着一个最佳训练次数t
，训练时将
训练与测试交替进行，每训练一次记录一训练均方误差，然后保持网络权值不变，用测试数据正向运行网络，记录测试均方误差，利用两种误差数据得出两条均方误差随训练次数变化的曲线，测试、训练数据均方误差曲线如下图1所示。训练称为最佳训练次数，当超过这个训练次数后，训练误差次数减小而测试次数t
误差则开始上升，在此之前停止训练称为训练不足，在此之后称为训练过度。
图1. 测试、训练数据均方误差曲线
2、什么是 LVQ 网络？它与 SOM 网络有什么区别和联系？（10 分）
解：
（1）学习向量量化（learning vector quantization，LVQ）网络是在竞争网络结构的基础上提出的，LVQ将竞争学习思想和监督学习算法相结合，减少计算量和储存量，其特点是网络的输出层采用监督学习算法而隐层采用竞争学习策略，结构是由输入层、竞争层、输出层组成。
（2）在LVQ网络学习过程中通过教师信号对输入样本的分配类别进行规定，从而克服了自组织网络采用无监督学习算法带来的缺乏分类信息的弱点。自组织映射可以起到聚类的作用，但还不能直接分类和识别，因此这只是自适应解决模式分类问题中的第一步，第二步是学习向量量化，采用有监督方法，在训练中加入教师信号作为分类信息对权值进行细调，并对输出神经元预先指定其类别。
3、设计一个神经网络对图一中的三类线性不可分模式进行分类，期望输出向量分别用(1, -1, -1)T、 (-1, 1, -1) T、 (-1, -1, 1) T代表三类，输入用样本坐标。要
求：
（1）选择合适的隐节点数；
（2）用 BP 算法训练网络，对图中的 9 个样本进行正确分类。（15 分）
分析：
对于一个BP 神经网络，首先要明确输入，输出， 隐层节点个数。对于本题，输入是点坐标组成的2*9的矩阵，输入节点个数为2，期望输出向量分别用(1, -1, -1)T 、 (-1, 1, -1)T 、 (-1, -1, 1)T 表示，至于隐层节点的个数并没有确切的方法， 根据经验公式α++=l n m （m 为隐层节点数；n 为输入层节点数；l 为输出节点数；α为1~10之间的常数），首先确定隐层节点数为5，逐渐增加隐层节点数量，然后观察其对训练误差的影响，最终选出最合适的隐层节点数量。
用matlab 编程，设定训练误差精度为0.3，学习率0.2，然后进行训练，记录不同隐层节点数的情况下达到相同的训练精度所需要的训练次数，当隐层节点数为M=5时，在训练次数为66491时，结果达到训练精度； 当隐层节点数M=7时，在训练次数到达31981时，结果达到训练精度；当隐层节点数M=9时时，在训练次数达到25338时，结果达到训练精度；当隐层节点数M=10时，在训练次数达到20770时，结果达到训练精度；当隐层节点数M=12时，在训练次数达到14052时，结果达到训练精度；当隐层节点数M=14时，在训练次数达到11622时，结果达到训练精度，由此可见，在一定范围内，隐层节点数越多，达到训练精度时所用的训练次数越少，所用训练时间则越少。因此选择隐层节点数为14。
学习率0.3，误差精度在0.1以下，输出结果和导师信号对比，输出结果都为正确，正确率达到100%。具体程序见附件一或者BPclassify.m 。
4、试设计一个吸引子为X a =（0110) T ，X b =(1001)T 的离散Hopfield 人工神经
网络。其权值和阈值在 [-1，1]区间取值，试求权值和阈值。（10 分）
解：
吸引子的分布是由网络的权值（包括阈值）决定的，设计吸引子的核心就是如何设计一组合适的权值。为了使所设计的权值满足要求，权值矩阵应符合以下要求：
(a) 为保证异步方式工作时网络收敛，W 应为对称阵。
(b) 为保证同步方式工作时网络收敛，W 应为非负定对称阵。
(c) 保证给定的样本是网络的吸引子，并且要有一定的吸引域。
具体设计时，这里采用了联立方程法：
以 4 节点 DHNN为例，说明权值设计的联立方程法。
考虑到w
ij = w
ji
，w
ii
= 0，对稳态x(t +1) = x(t)。
对于状态 X a = (1001)T，各节点净输入应满足：
net1=w
12×0+w
13
×0+w
14
×1?T1=w
14
?T1>0 (1)
net2=w
12×1+w
23
×0+w
24
×1?T2=w
12
+w
24
?T2<0 (2)
net3=w
13×1+w
23
×0+w
34
×1?T3=w
13
+w
34
?T3<0 (3)
net4=w
14×1+w
24
×0+w
34
×0–T4=w
14
–T4>0 (4)
对于 X b = (0110)T状态，各节点净输入应满足：
net1=w
12×1+w
13
×1+w
14
×0?T1=w
12
+w
13
?T1<0 (5)
net2=w
12×0+w
23
×1+w
24
×0?T2=w
23
?T2>0 (6)
net3=w
13×0+w
23
×1+w
34
×0?T3=w
23
?T3>0 (7)
net4=w
14×0+w
24
×1+w
34
×1–T4=w
24
+w
34
–T4<0 (8)
联立以上8项不等式，可求出未知量的允许取值范围。如取w
14
=0.7，则由式（1）
有 -1≤T
1<0.7，取T
1
= 0.6；则由式（4）有 -1≤T
4
<0.7，取T
4
= 0.6；取w
12
=0.4，
由式（5），有 -1≤w
13< 0.2，取w
13
= 0.1；取w
24
=0.2由式（2），
有0.6 2≤1，取T 2 = 0.8；由式（6），有0.8 < w 23 ≤1，取w 23 = 0.9；由式 （7）， 有?1 ≤ T 3< 0.9，取T 3 = 0.4；由式（3，8），有-1 < w 34 ≤ 0.3，取w 34 =0.2。 可以验证，利用这组参数构成的 DHNN网对于任何初态最终都将演变到两吸引子X a=（1001)T和X b=(0110)T。 整理权值与阈值为： ????????? ???=03.02.07.03.009.01.02.09.004.07.01.04.00W ???? ? ???????=6.04.08.06.0T 5、下面给出的训练集由玩具兔和玩具熊组成。输入样本向量的第一个分量代表 玩具的重量，第二个分量代表玩具耳朵的长度，教师信号为－1表示玩具兔， 教师信号为1表示玩具熊。 （1） 用 matlab 训练一个感知器，求解此分类问题。（需附上 matlab 程序） （2） 用输入样本对所训练的感知器进行验证。（15 分） 分析： 对于本题，输入是样本组成的2*8的矩阵，输入节点个数为2，输出由导师信号可知分为两类。两个输入分量在几何上构成一个二维平面，输入样本可以用该平面上的一个点表示，玩具重量和长度在坐标中标出，可以看出明显分布在两个区域，可以用一条线分开分为两类，在线上方的输出结果应大于0，在线下方的输出结果应小于0。 权向量为2*9的矩阵，输入的第一个权向量权值赋予较小的非零随机数，每一个新的权向量都由上一个权向量调整，下一次循环第1个权向量由第9个权向量来调整。对于这样的样本线性可分，经过几次调整后就稳定到一个权向量，将样本正确分类的权向量不是唯一的。具体程序见附件二或者ganzhiqi.m 。输出分类结果如下图所示。 图2.感知器在二维平面的分类结果 附件一： 第三题程序 clear all; %%BP算法初始化 D=[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]'; X=[0.75,0.75; 0.75,0.125; 0.25,0.25; 0.25,0.75; 0.5,0.125; 0.75,0.25; 0.25,0.5; 0.5,0.5; 0.75,0.5]'; [N,n]=size(X); [L,Pd]=size(D); %M=ceil(sqrt(N*L))+7;ceil函数为正无穷方向取整 m=14; %隐层节点数 %初始化权矩阵 %输入层到隐层权矩阵 V=rand(N,m); %隐层到输出层权矩阵 W=rand(m,L); %开始训练，转移函数选择双极性Sigmoid函数 Q=100000;%训练次数计数器 E=zeros(Q,1);%误差 Emin=0.3; %训练要求精度 learnr=0.2; %学习率 q=1;%训练次数计数，批训练 %%权值调整 while q netj=V.'*X; Y=(1-exp(-netj))./(1+exp(-netj)); netk=W.'*Y; O=(1-exp(-netk))./(1+exp(-netk)); E(q)=sqrt(sum(sum((D-O).^2))/2); %计算总误差 if E(q) break; end Delta_o=(D-O).*(1-O.^2)./2; W=W+learnr*(Delta_o*Y.').'; %隐层和输出层间的权矩阵调整 Delta_y=(W*Delta_o).*(1-Y.^2)./2; V=V+learnr*(Delta_y*X.').'; %输入层和隐层间的权矩阵调整 q=q+1; end %%输出结果 q O=sign(O) %符号函数取整 A=find(O~=D); %和计算输出和导师信号不同的个数 length(A) %分类结果错误的个数 附件二： 第五题程序 clc;clear %%单层感知器初始化 X=[1,4;1,5;2,4;2,5;3,1;3,2;4,1;4,2]; %输入信号 d=[-1;-1;-1;-1;1;1;1;1]; %输入导师信号 w=zeros(2,9); w(:,1)=rand(2,1); %第一组权值赋予较小的非零随机数 o=zeros(8,1); %输出结果 net=zeros(8,1); %净输入net learnr=0.01; %学习率为0.1 n=0; %循环次数 %%调整权值 while n<100 %训练次数最大设为100次 for i=1:8 net(i)=X(i,:)*w(:,i); %计算净输入net o(i)=sign(net(i)); %计算输出，转移函数为符号函数 w(:,i+1)=w(:,i)+learnr*(d(i)-o(i))*X(i,:)'; %调整权值 w(:,1)=w(:,9); %最后一组权值赋值给第一组权 end n=n+1 if d==o %如果输出等于导师信号，那么训练停止 break end end %%结果输出 x1=[1,1,2,2]; %将两组数据在图中标出 y1=[4,5,4,5]; x2=[3,3,4,4]; y2=[1,2,1,2]; scatter(x1,y1,'r')%画点 hold on; scatter(x2,y2,'b') x=-1:0.01:5; y=-w(1,1)/w(2,1)*x;%得到训练过后的权都一样，取出第一组权确定直线，将两组数据分开 hold on; plot(x,y) xx学校 2012—2013学年度第二学期期末试卷 考试课程：《人工智能》考核类型：考试A卷 考试形式：开卷出卷教师： 考试专业：考试班级： 一单项选择题（每小题2分，共10分） 1.首次提出“人工智能”是在（D ）年 A.1946 B.1960 C.1916 D.1956 2. 人工智能应用研究的两个最重要最广泛领域为：B A.专家系统、自动规划 B. 专家系统、机器学习 C. 机器学习、智能控制 D. 机器学习、自然语言理解 3. 下列不是知识表示法的是 A 。 A：计算机表示法B：“与/或”图表示法 C：状态空间表示法D：产生式规则表示法 4. 下列关于不确定性知识描述错误的是 C 。 A：不确定性知识是不可以精确表示的 B：专家知识通常属于不确定性知识 C：不确定性知识是经过处理过的知识 D：不确定性知识的事实与结论的关系不是简单的“是”或“不是”。 5. 下图是一个迷宫，S0是入口，S g是出口，把入口作为初始节点，出口作为目标节点，通道作为分支，画出从入口S0出发，寻找出口Sg的状态树。根据深度优先搜索方法搜索的路径是 C 。 A：s0-s4-s5-s6-s9-sg B：s0-s4-s1-s2-s3-s6-s9-sg C：s0-s4-s1-s2-s3-s5-s6-s8-s9-sg D：s0-s4-s7-s5-s6-s9-sg 二填空题（每空2分，共20分） 1.目前人工智能的主要学派有三家：符号主义、进化主义和连接主义。 2. 问题的状态空间包含三种说明的集合，初始状态集合S 、操作符集合F以及目标 状态集合G 。 3、启发式搜索中，利用一些线索来帮助足迹选择搜索方向，这些线索称为启发式(Heuristic)信息。 4、计算智能是人工智能研究的新内容，涉及神经计算、模糊计算和进化计算等。 5、不确定性推理主要有两种不确定性，即关于结论的不确定性和关于证据的不确 定性。 三名称解释（每词4分，共20分） 人工智能专家系统遗传算法机器学习数据挖掘 答：（1）人工智能 人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等 （2）专家系统 专家系统是一个含有大量的某个领域专家水平的知识与经验智能计算机程序系统,能够利用人类专家的知识和解决问题的方法来处理该领域问题.简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统 （3）遗传算法 遗传算法是一种以“电子束搜索”特点抑制搜索空间的计算量爆炸的搜索方法，它能以解空间的多点充分搜索，运用基因算法，反复交叉，以突变方式的操作，模拟事物内部多样性和对环境变化的高度适应性，其特点是操作性强，并能同时避免陷入局部极小点，使问题快速地全局收敛，是一类能将多个信息全局利用的自律分散系统。运用遗传算法(GA)等进化方法制成的可进化硬件(EHW)，可产生超出现有模型的技术综合及设计者能力的新颖电路，特别是GA独特的全局优化性能，使其自学习、自适应、自组织、自进化能力获得更充分的发挥，为在无人空间场所进行自动综合、扩展大规模并行处理(MPP)以及实时、灵活地配置、调用基于EPGA的函数级EHW，解决多维空间中不确定性的复杂问题开通了航向 （4）机器学习 机器学习(Machine Learning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎 （5）数据挖掘 数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的 人工神经网络原理及实际应用 摘要：本文就主要讲述一下神经网络的基本原理，特别是BP神经网络原理，以及它在实际工程中的应用。 关键词：神经网络、BP算法、鲁棒自适应控制、Smith－PID 本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在“计算＂某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。1943年Macullocu和Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展，停滞，再发展的过程，时至今日发展正走向成熟，在广泛领域得到了令人鼓舞的应用成果。本文就主要讲述一下神经网络的原理，特别是BP神经网络原理，以及它在实际中的应用。 1.神经网络的基本原理 因为人工神经网络是模拟人和动物的神经网络的某种结构和功能的模拟，所以要了解神经网络的工作原理，所以我们首先要了解生物神经元。其结构如下图所示： 从上图可看出生物神经元它包括，细胞体：由细胞核、细胞质与细胞膜组成； 轴突：是从细胞体向外伸出的细长部分，也就是神经纤维。轴突是神经细胞的输出端，通过它向外传出神经冲动；树突：是细胞体向外伸出的许多较短的树枝状分支。它们是细胞的输入端，接受来自其它神经元的冲动；突触：神经元之间相互连接的地方，既是神经末梢与树突相接触的交界面。 对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动，神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高；当膜电位升高到一阀值（约40mV），细胞进入兴奋状态，产生神经冲动，并由轴突输出神经冲动；当输入的冲动减小，综合处理的结果使膜电位下降，当下降到阀值时。细胞进入抑制状态，此时无神经冲动输出。“兴奋”和“抑制”，神经细胞必呈其一。 突触界面具有脉冲/电位信号转换功能，即类似于D/A转换功能。沿轴突和树突传递的是等幅、恒宽、编码的离散电脉冲信号。细胞中膜电位是连续的模拟量。 神经冲动信号的传导速度在1～150m/s之间，随纤维的粗细，髓鞘的有无而不同。 神经细胞的重要特点是具有学习功能并有遗忘和疲劳效应。总之，随着对生物神经元的深入研究，揭示出神经元不是简单的双稳逻辑元件而是微型生物信息处理机制和控制机。 而神经网络的基本原理也就是对生物神经元进行尽可能的模拟，当然，以目前的理论水平，制造水平，和应用水平，还与人脑神经网络的有着很大的差别，它只是对人脑神经网络有选择的，单一的，简化的构造和性能模拟，从而形成了不同功能的，多种类型的，不同层次的神经网络模型。 2.BP神经网络 目前，再这一基本原理上已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。 这里我们重点的讲述一下BP神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络设想，其网络模型如下图所示。它可以分为输入层，影层（也叫中间层），和输出层，其中中间层可以是一层，也可以多层，看实际情况而定。 P30：糖类（carbohydrates）、苷类（glycosides）、香豆素类（coumarins）、黄酮类（flavonoids）、鞣质类（tannins）、挥发油类（volatile oils）、萜类（terpenes）、生物碱类（alkaloids）、脂类（lipids）、有机酸类（organic acid）、植物色素类（phytochromes）、树脂类（resins）、无机成分（inorganic constituents）。 P41：青蒿素（artemisinin）、左旋麻黄素（L-ephedrine）、甘草酸（glycyrrhizin）。 P43：超临界流体萃取（supercritical fluid extraction）、超声提取（ultrasonic wave extraction）、微波萃取法（micro wavee xtraction method） P46：质子噪声去偶（proton noised ecupliong）、偏振子去偶（off resonance decoupling,OFR）。 P47：选择氢核去偶（selective proton decoupling,SEL）、DEPT、对角峰（diagonal peak）、分子离子（molecular ion）、碎片离子（fragment ion）。 P51：构效关系（structure-activity relationship,SAR）。 P55：钙拮抗剂（calcium antagonist）、组合化学（combinatorial chemistry）。 P57：结构非特异性药物（structurally nonspecific drug）、结构特异性药物（structurally specific drug）。 P62：结合反应（conjugation reaction）。 P64：先导化合物（lead compound）、原型物（prototype）。 第五章 神经网络课后习题及答案 一、选择题： 1. 在BP算法中，设y=f(xi)为xi的平滑函数，想知道xi对y增大变化的情况， 我们可求 ，然后进行下列的哪一项？ （ B ） A 取最小 B 取最大 C 取积分 D 取平均值 2. 对于反向传播学习，无论是在识别单个概念的学习或识别两个概念的学习中，都涉及到下列的哪一个操作？ （ A ） A 权值的修正 B 调整语义结构 C 调整阀值 D 重构人工神经元 3. 根据Hopfield网络学习的特点，能实现联想记忆和执行线性和非线性规划等求解问题其应用没有涉及到下列的哪一个内容？ （ D ） A 模糊推理模型 B 非线性辨认 C 自适应控制模型 D 图象识别 4. 对于神经网络的二级推理产生式规则由三个层次构成，它不含下列的哪一个层次？ （ C ） A 输入层 B 输出层 C 中间层 D 隐层 5. 人工神经网络借用了生理神经元功能的一些描述方式，它涉及到下列的哪一些内容？ （ ABC ） A 模拟神经元 B 处理单元为节点 C 加权有向图 D 生理神经元连接而成 6. 在应用和研究中采用的神经网络模型有许多种，下列的哪一些是具有代表性的？ （ ABD ） A 反向传递（BP） B Hopfield网 C 自适应共振 D 双向联想存储器 7. 下列的哪一些内容与反向传播学习算法有关？ （ ABCD ） A 选取比率参数 B 误差是否满足要求 C 计算权值梯度 D 权值学习修正 8. 构造初始网络后，要用某种学习算法调整它的权值矩阵，使NN在功能上满足样例集给定的输入一输出对应关系，并由此产生推理，该矩阵必须满足下列的哪一个性质？ ( A ) A 收敛性 B 对称性 C 满秩性 D 稀疏性 9. 在人工神经元的功能描述中，往往会用一激发函数来表示输出，常用的一般非线性函数有下列的哪一些项？ ( ABD ) A 阀值型 B 分段线性强饱和型 C 离散型 D S i gm oid型 10. 基于神经网络的推理，其应用中必须涉及到下列的哪一些内容？ ( ACD ) A NN的结构模型 B NN的推理规则 C NN的学习算法 D 从NN到可解释的推理网 二、填空题： 1. 前馈网络是一种具有很强学习能力的系统，结构简单，易于编程。前馈网络通 《神经网络》试题 （2004年5月9日） 张翼王利伟 一、填空 1.人工神经元网络（ANN）是由大量神经元通过极其丰富和完善 的连接而构成的自适应非线形动力学系统。 2.神经元（即神经细胞）是由细胞体、树突、轴突和突触四 部分构成。 3.大量神经元相互连接组成的ANN将显示出人脑的分布存储和容 错性、大规模并行处理、自学习、自组织和自适应性、复杂的非线形动态系统、处理复杂、不确定问题。 4.ANN发展大体可为早期阶段、过度期、新高潮、热潮。 5.神经元的动作特征主要包括空间性相加，时间性相加，阈值 作用，不应期，疲劳和可塑性。 6.神经元与输入信号结合的两种有代表的结合方式是粗结合和 密结合。 7.1943年由美国心理学家McCulloch和数学家Pitts提出的形式神经 元数学模型简称为MP 模型，它规定了神经元之间的联系方式只 有兴奋、抑制联系两种。 8.目前，神经网络模型按照网络的结构可分为前馈型和反馈型， 按照学习方式可分为有导师和无导师学习。 9.神经网络工作过程主要由学习期和工作期两个阶段组成。 10.反馈网络历经状态转移，直到它可能找到一个平衡状态，这个平 衡状态称为 吸引子 。 二、问答题 1．简述Hebb 学习规则。 Hebb 学习规则假定：当两个细胞同时兴奋时，它们之间的连接强度应该增强，这条规则与“条件反射”学说一致。 在ANN 中Hebb 算法最简单可描述为：如果一个处理单元从另一处理单元接受输入激励信号，而且如果两者都处于高激励电平，那么处理单元间加权就应当增强。用数学来表示，就是两节点的连接权将根据两节点的激励电平的乘积来改变，即 ()()i i n ij n ij ij x y ηωωω=-=?+1 其中()n ij ω表示第（n+1）是第（n+1）次调节后，从节点j 到节点i 的连接权值；η为学习速率参数；x j 为节点j 的输出，并输入到节点i ；i y 为节点i 的输出。 2、简述自组织特征映射网络的算法。 自组织特征映射网络的算法分以下几步： （1） 权连接初始化 就是说开始时，对所有从输入节点到输出节点的连接权值都赋以随机的小数。时间设置t=0。 （2） 网络输入模式为 ),,,(21n b x x x =X （3） 对X k 计算X k 与全部输出节点所连接权向量T j W 的距离 人工神经网络（ANN）又称神经网络，是在现代神经科学研究成果的基础上，对生物神经系统的结构和功能进行数学抽象、简化和模仿而逐步发展起来的一种新型信息处理和计算系统。由于人工神经网络具有自学习、高容错、高度非线性描述能力等优点，现已广泛应用于经济、机器人和自动控制、军事、医疗、化学等领域［l ~ 3］，并取得了许多成果。本文简要介绍人工神经网络的原理和特点，论述人工神经网络在高分子科学与工程领域的应用。 橡胶配方是决定橡胶制品性能的关键因素，由于材料配方与制品性能之间存在很复杂的非线性关系，多数情况下无法建立完整精确的理论模型，只能借助于回归方法得到经验公式。 传统的回归方法存在以下局限性： (1)使用不同的回9j方法可获得不同的经验公式，导致经验公式的繁多和不一致； (2)当配方项目及性能指标项目较多时，采用回归公式无法完全再现实验数据； (3)当实验进一步完善，实验数据增多的时候．其他人员再进行回归时，如果无法找到原来的回归方法、程序和实验数据，原来的回归公式将不能被利用，造成一定的浪费。随着计箅机的发展而出现的人工神经网络是人工智能方法．它不像回归方法那样，需预先给定基本函数，而是以实验数据为基础．经过有限次的迭代计算而获得的一个反映实验数据内在联系的数学模型，具有极强的非线性处理、自组织调整、自适应学习及容错抗噪能力，特别适用于研究像材料配方与制品性能之间关系的复杂非线性系统特性【¨】。因此，人们开始将人工神经网络应用于橡胶配方设计”J。 随着橡胶制品在各领域应用的拓展，橡胶配方设计变得越来越重要。人们进行橡胶配方设计主要有3个目的：提高制品的性能；改善加工工艺；降低生产成本。传统的橡胶配方设计方法有全因素设计、正交试验设计n_3]、均匀设计[4‘60等，而这些配方设计试验数据的处理方法无外乎方差分析和回归分析口]。由于材料的配方和性能之问存在非常复杂的非线性关系，回归分析只适合于单目标优化数据处理的模型，对于不同的性能，需要建立不同的模型，因此将其应用于配方设计有一定的局限性。近年来，发展日趋成熟的人工神经网络技术，尤其是BP神经网络凭借其结构简单、收敛速度快、预测精度高等优势越来越多地应用到橡胶配方设计试验中。 1橡胶配方设计 1．1橡胶配方设计概述 配方设计¨J是橡胶工业中的首要技术问题，在橡胶工业中占有重要地位。所谓配方设计，就是根据产品的性能要求和工艺条件，通过试验、优化、鉴定，合理地选用原材料，确定各种原材料的用量配比关系。 橡胶配方人员的主要工作就是要确定一系列变量对橡胶各项性能的定量或定性影响。变量可以是硫化剂、促进剂、填充剂、防老剂等，也可以是加工：[艺条件(如硫化温度、硫化时间等)，总之是配方人员可能控制或测得的变量。橡胶各项基本性能包括拉伸强度、撕裂强度、硬度、定伸应力等物理机械性能，以 及加工性能、光洁度、外观等。 橡胶配方设计常常是多变量的试验设计，配方设计理论和试验设计方法对于 配方设计具有重要意义。 X X X X大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010年12月22日 人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1.1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元,通过广泛的突触联系形成的信息处理集团,其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1)神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站,它构成各神经元之间广泛的联接。(3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物,其变化是先天遗传信息确定的总框架下有限的自组织过程。 1.2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系,这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法:①神经生物学模型方法,即根据微观神经生物学知识的积累,把脑神经系统的结构及机理逐步解释清楚,在此基础上建立脑功能模型。②神经计算模型方法,即首先建立粗略近似的数学模型并研究该模型的动力学特性,然后再与真实对象作比较(仿真处理方法)。 1.3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能,是一门新兴的前沿交叉学科,其概念以T.Kohonen.Pr的论述最具代表性:人工神经网络就是由简单的处理单元(通常为适应性)组成的并行互联网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1.4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题:模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1.5理论局限性 (1)受限于脑科学的已有研究成果由于生理试验的困难性,目前对于人脑思维与记忆机制的认识尚很肤浅,对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2)尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网,节点间互连强度构成的矩阵可通过某种学 1 / 1 《人工神经网络原理与应用》试题 试论述神经网络的典型结构，常用的作用函数以及各类神经网络的基本作用，举例说明拟定结论。 试论述BP 算法的基本思想，讨论BP 基本算法的优缺点，以及改进算法的思路和方法。以BP 网络求解XOR 问题为例，说明BP 网络隐含层单元个数与收敛速度，计算时间之间的关系。要求给出计算结果的比较表格，以及相应的计算程序（.m 或者.c ）试论述神经网络系统建模的几种基本方法。利用BP 网络对以下非线性系统进行辨识。 非线性系统 )(5.1) 1()(1)1()()1(22k u k y k y k y k y k y +-++-=+ 首先利用[-1,1]区间的随机信号u(k)，样本点500，输入到上述系统，产生y(k), 用于训练BP 网络；网络测试，利用u(k)=sin(2*pi*k/10)+1/5*sin(2*pi*k/100),测试点300～500，输入到上述系统，产生y(k),检验BP 网络建模效果要求给出程序流程，matlab 程序否则c 程序，训练样本输入输出图形，检验结果的输入输出曲线。 试列举神经网络PID 控制器的几种基本形式，给出相应的原理框图。 试论述连续Hopfield 网络的工作原理，讨论网络状态变化稳定的条件。 谈谈学习神经网络课程后的心得体会，你准备如何在你的硕士（博士）课题中应用神经网络理论和知识解决问题（给出一到两个例）。《人工神经网络原理与应用》试题 试论述神经网络的典型结构，常用的作用函数以及各类神经网络的基本作用，举例说明拟定结论。 试论述BP 算法的基本思想，讨论BP 基本算法的优缺点，以及改进算法的思路和方法。以BP 网络求解XOR 问题为例，说明BP 网络隐含层单元个数与收敛速度，计算时间之间的关系。要求给出计算结果的比较表格，以及相应的计算程序（.m 或者.c ）试论述神经网络系统建模的几种基本方法。利用BP 网络对以下非线性系统进行辨识。 非线性系统 )(5.1) 1()(1)1()()1(22k u k y k y k y k y k y +-++-=+ 首先利用[-1,1]区间的随机信号u(k), 样本点500，输入到上述系统，产生y(k), 用于训练BP 网络；网络测试，利用u(k)=sin(2*pi*k/10)+1/5*sin(2*pi*k/100),测试点300～500，输入到上述系统，产生y(k),检验BP 网络建模效果要求给出程序流程，matlab 程序否则c 程序，训练样本输入输出图形，检验结果的输入输出曲线。 试列举神经网络PID 控制器的几种基本形式，给出相应的原理框图。 试论述连续Hopfield 网络的工作原理，讨论网络状态变化稳定的条件。 谈谈学习神经网络课程后的心得体会，你准备如何在你的硕士（博士）课题中应用神经网络理论和知识解决问题（给出一到两个例）。 3.5单层感知器 # include } 3.6单次训练的结果 # include 《神经网络原理》 一、填空题 1、从系统的观点讲，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构成的自适应、非线性、动力学系统。 2、神经网络的基本特性有拓扑性、学习性和稳定收敛性。 3、神经网络按结构可分为前馈网络和反馈网络，按性能可分为离散型和连续型，按学习方式可分为有导师和无导师。 4、神经网络研究的发展大致经过了四个阶段。 5、网络稳定性指从t=0时刻初态开始，到t时刻后v(t+△t)=v(t)，(t>0)，称网络稳定。 6、联想的形式有两种，它们分是自联想和异联想。 7、存储容量指网络稳定点的个数，提高存储容量的途径一是改进网络的拓扑结构，二是改进学习方法。 8、非稳定吸引子有两种状态，一是有限环状态，二是混沌状态。 9、神经元分兴奋性神经元和抑制性神经元。 10、汉明距离指两个向量中对应元素不同的个数。 二、简答题 1、人工神经元网络的特点？ 答：（1）、信息分布存储和容错性。 （2）、大规模并行协同处理。 （3）、自学习、自组织和自适应。 （4）、人工神经元网络是大量的神经元的集体行为，表现为复杂 的非线性动力学特性。 （5）人式神经元网络具有不适合高精度计算、学习算法和网络设计没有统一标准等局限性。 2、单个神经元的动作特征有哪些？ 答：单个神经元的动作特征有：（1）、空间相加性；（2）、时间相加性；（3）、阈值作用；（4）、不应期；（5）、可塑性；（6）疲劳。 3、怎样描述动力学系统？ 答：对于离散时间系统，用一组一阶差分方程来描述： X(t+1)=F[X(t)]； 对于连续时间系统，用一阶微分方程来描述： dU(t)/dt=F[U(t)]。 4、F(x)与x 的关系如下图，试述它们分别有几个平衡状态，是否为稳定的平衡状态？ 答：在图（1）中，有两个平衡状态a 、b ，其中，在a 点曲线斜率|F ’(X)|>1，为非稳定平稳状态；在b 点曲线斜率|F ’(X)|<1，为稳定平稳状态。 在图（2）中，有一个平稳状态a ，且在该点曲线斜率|F ’(X)|>1，为非稳定平稳状态。 1 单波段摄影像片的解译 (1) 可见光黑白像片和黑白红外像片的解译 (2) 彩色像片与彩红外像片的解译 2 多光谱扫描图像的解译 (1) 多光谱扫描图像的特点 (2) 多光谱扫描图像的解译方法 3 热红外图像的解译 4 雷达图像的解译 (1) 雷达图像的解译要素及其特点 (2) 雷达图像的处理3 目视解译的认知过程 (3) 典型地物的散射特征与图像解译 第八章遥感图像的计算机分类 一、章节教案 1.教学目标及基本要求 （1）回顾数字图像的性质与特点、表示方法； （2）掌握数字图像分类原理、监督分类、非监督分类的具体方法及两种分类方法的区别； （3）了解遥感图像多种特征的抽取； （4）了解基于知识的分类、面向对象的分类、人工神经网络分类、模糊分类等分类方法的原理与过程； （5）掌握遥感图形分类结果的误差与精度评价方法。 2.教学内容及学时分配 第一节概述 第二节监督分类（2学时） 第三节非监督分类（2学时） 第四节其他分类方法（2学时） 第五节误差与精度评价（2学时） 3.教学重点和难点 重点： 数字图像的性质与特点、表示方法、数字图像分类原理、监督分类、非监督分类、遥感图像多种特征的抽取、遥感图像分类的其他先进方法。 难点： 监督分类和非监督分类。 4.教学内容的深化和拓宽 利用ENVI软件和Landsat数据进行演示。 5.教学方式（手段）及教学过程中应注意的问题 教学方式（手段）： 讲授法、演示法 教学过程中应注意的问题： 注重培养从的软件操作能力。 6.主要参考书目及网络资源 《遥感技术基础与应用》，张安定等，科学出版社，2014。 《遥感导论》，梅安新，彭望琭，秦其明，等编著，北京：高等教育出版社，2001年。 《遥感概论》，彭望碌主编著，北京：高等教育出版社，2002年。 《遥感概论》修订版，吕国楷、洪启旺、郝允充等编著，北京：高等教育出版社，1995年。 《遥感应用分析原理与方法》，赵英时等编著.北京：科学出版社，2003年。 7.思考题和习题 比较监督分类和非监督分类的优缺点？ 二、每课时单元教案 1.教学时数 2学时 2.教学方式（手段） 讲授法、演示法 3.师生活动设计 教师提问，学生回答。 4.讲课提纲、板书设计 采用多媒体教学 5.教学内容 第一节概述 遥感图像的计算机分类，是对给定的遥感图像上所有像元的地表属性进行识别归类的过程。 1．图像分类的物理基础 遥感图像是传感器记录地物发射或反射的电磁辐射的结果，遥感图像中像元的亮度是地物发射或反射光谱特征的反映。 同一类地物在同一波段的遥感图像上应该表现为相同的亮度，在同一图像的多个波段上呈现出相同的亮度变化规律。 不同的地物在同一波段图像上一般表现出互不相同的亮度，在同一图像的多个波段上呈现出各异的亮度变化规律。 在特征空间中?同一地物将会形成一个相对集中的点簇?多类地物会形成多个点簇。 2．特征变量与特征提取 X X X X 大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010 年12 月22 日 人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1. 1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元, 通过广泛的突触联系形成的信息处理集团, 其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1) 神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站, 它构成各神经元之间广泛的联接。(3) 大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物, 其变化是先天遗传信息确定的总框架下有限的自组织过程。 1. 2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系, 这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法: ①神经生物学模型方法, 即根据微观神经生物学知识的积累, 把脑神经系统的结构及机理逐步解释清楚, 在此基础上建立脑功能模型。②神经计算模型方法, 即首先建立粗略近似的数学模型并研究该模型的动力学特性, 然后再与真实对象作比较(仿真处理方法)。 1. 3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能, 是一门新兴的前沿交叉学科, 其概念以T.Kohonen. Pr 的论述最具代表性: 人工神经网络就是由简单的处理单元(通常为适应性) 组成的并行互联网络, 它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1. 4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题: 模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1. 5理论局限性 (1) 受限于脑科学的已有研究成果由于生理试验的困难性, 目前对于人脑思维与记忆机制的认识尚很肤浅, 对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2) 尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网, 节点间互连强度构成的矩阵可通过某种学 人工神经网络的发展及应用 西安邮电学院电信系樊宏西北电力设计院王勇日期：2005 1-21 1 人工神经网络的发展 1．1 人工神经网络基本理论 1．1．1 神经生物学基础生物神经系统可以简略地认为是以神经元为信号的处理单元，通过广泛的突触联系形成的信息处理集团，其物质结构基础和功能单元是脑神经细胞，即神经元(neuron) 。 (1)神经元具有信号的输人、整合、输出三种主要功能作用行为，结构如图1 所示： (2)突触是整个神经系统各单元间信号传递驿站，它构成各神经元之间广泛的联接。 (3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物，其变化是先天遗传信息确定的总框架下有限的自组织过程。 1．1．2 建模方法神经元的数量早在胎儿时期就已固定，后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系，这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法：①神经生物学模型方法，即根据微观神经生物学知识的积累，把脑神经系统的结构及机理逐步解释清楚，在此基础上建立脑功能模型；②神 经计算模型方法，即首先建立粗略近似的数学模型并研究该模型的动力学特性，然后冉与真实对象作比较（仿真处理方法）。1．1．3 概 念人工神经网络用物理町实现系统采模仿人脑神经系统的结构和功能，是一门新兴的前沿交义学科，其概念以T．Kohonen．Pr 的论述 最具代表性：人工神经网络就是由简单的处理单元（通常为适应性神经元，模型见图2）组成的并行互联网络，它的组织能够模拟生物神 经系统对真实世界物体所作出的交互反应。 1．2 人工神经网络的发展 人工神经网络的研究始于40 年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的较为曲折的道路。1943 年，心理学家W．S．Mcculloch 和数理逻辑学家W．Pitts 提出了M—P 模型， 这是第一个用数理语言描述脑的信息处理过程的模型，虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。1949 年，心理学家D. O. Hebb提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。1957 年，计算机科学家Rosenblatt 提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络。1969 年，美国著名人工智能学者M．Minsky 和S．Papert 编写了影响很大的Perceptron 一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知能也不过如此，在这之后近10 年，神经网络研究进入了一个缓慢发展的萧条期。美国生物物理学家J．J．Hopfield 于1982年、1984 年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的 《人工智能导论》课程研究报告题目：BP神经网络的非线性函数拟合 班级：自动化1303班 姓名：汪洋、房亮、彭正昌、蔡博、刘航、范金祥 学号： 2016年1月1日 目录 第一章人工智能相关介绍 1.1人工神经网络与matlab (3) 1.2人工神经网络的研究背景和意义 (3) 1.3神经网络的发展与研究现状 (4) 1.4神经网络的应用 (5) 第二章神经网络结构及BP神经网络 (5) 2.1神经元与网络结构 (5) 2.2 BP神经网络及其原理 (9) 2.3 BP神经网络的主要功能 (11) 第三章基于matlab的BP神经网络的非线性函数拟合 3.1运用背景 (5) 3.2模型建立 (9) 3.3MatLab实现 (11) 参考文献 (15) 附录 (17) 人工智能相关介绍 1.1人工神经网络与matlab 人工神经网络（Artificial Neural Networks，NN）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。 神经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。神经网络与其他传统方法相组合，将推动人工智能和信息处理技术不断发展。近年来，神经网络在模拟人类认知的道路上更加深入发展，并与模糊系统、遗传算法、进化机制等组合，形成计算智能，成为人工智能的一个重要方向。 MATLAB是一种科学与工程计算的高级语言，广泛地运用于包括信号与图像处理，控制系统设计，系统仿真等诸多领域。为了解决神经网络问题中的研究工作量和编程计算工作量问题，目前工程领域中较为流行的软件MATLAB，提供了现成的神经网络工具箱（Neural Network Toolbox，简称NNbox），为解决这个矛盾提供了便利条件。神经网络工具箱提供了很多经典的学习算法，使用它能够快速实现对实际问题的建模求解。在解决实际问题中，应用MATLAB 语言构造典型神经网络的激活传递函数，编写各种网络设计与训练的子程序，网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。 1.2 人工神经网络的研究背景和意义 人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 人工神经网络就是模拟人思维的一种方式，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 近年来通过对人工神经网络的研究，可以看出神经网络的研究目的和意义有以下三点：（1）通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的本源。（2）争取构造出尽可能与人脑具有相似功能的计算机，即神经网络计算机。（3）研究仿照脑神 神经网络原理及其应用——基于BP 人工神经网络的图像分割器 学校：东北大学 班级：电子信息工程0901班 姓名：吴戈林 学号：20092676 指导老师：王斐 时间：2012年12月 目录 人工神经网络 (3) 一、特点与优势 (3) 二、人工神经网络的主要研究方向 (4) 三、人工神经网络的应用分析 (4) 四、人工神经网络在图像分割中的应用 (6) 1.问题概述 (7) 2.基于BP 人工神经网络的图像分割器 (8) 2.1神经网络结构的确定 (8) 2. 2 神经网络结构的改进 (9) 2. 3 BP 神经网络的图像分割基本训练 (9) 2. 4 BP 神经网络的针对性训练 (10) 3.网络应用 (10) 4.结论 (11) 五、课程收获与感想 (11) 六、参考文献 (12) 人工神经网络 人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人Hecht Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。”这一定义是恰当的。人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型(Perceptron) 。它几乎与人工智能——AI（Artificial Intelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。 一、特点与优势 人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注： (1)可以充分逼近任意复杂的非线性关系； (2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性； (3)采用并行分布处理方法，使得快速进行大量运算成为可能； (4)可学习和自适应不知道或不确定的系统； (5)能够同时处理定量、定性知识。 人工神经网络的优越性，主要表现在三个方面： 第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。 第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。 第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。人工智能期末试题及答案完整版
人工神经网络原理及实际应用
药学导论英语索引
人工智能习题作业神经计算I习题答案
《神经网络》试题
人工神经网络
人工神经网络大作业
《人工神经网络原理与应用》试题
人工神经网络作业-单层感知器
人工神经网络复习题
《遥感导论》教案.doc
人工神经网络大作业
人工神经网络的发展及应用
《人工智能导论》课程研究报告总结
神经网络作业20092676吴戈林电子0901班