《计算智能》综合性实验报告 -
计算智能实验
江苏科技大学计算智能实验计算机科学与工程学院实验一手写数字识别的神经网络算法设计与实现一、实验目的通过学习BP神经网络技术，对手写数字进行识别，基于结构的识别法及模板匹配法来提高识别率。
二、实验器材PC机 matlab软件三、实验内容按照BP神经网络设计方法选用两层BP网络，构造训练样本集，并构成训练所需的输入矢量和目标向量，通过画图工具，获得数字原始图像，截取图像像素为0的最大矩形区域，经过集合变换，变成16*16的二值图像，再进行反色处理，其图像数据特征提取为神经网络的输入向量。
通过实验证实，BP神经网络应用于手写数字识别具有较高的识别率和可靠性。
四、实验原理BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成. 正向传播时,传播方向为输入层→隐层→输出层,每层神经元的状态只影响下一层神经元. 若在输出层得不到期望的输出,则转向误差信号的反向传播流程. 通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程.五、实验步骤1、首先对手写数字图像进行预处理,包括二值化、去噪、倾斜校正、归一化和特征提取,生成BP神经网络的输入向量m和目标向量target. 其中m选取40×10的矩阵,第1列到第10列代表0～9的数字.target为9×10的单位矩阵,每个数字在其所排顺序位置输出1,其他位置输出0.2、然后神经网络的训练过程是识别字符的基础，直接关系到识别率的高低。
输送训练样本至BP神经网络训练, 在梯度方向上反复调整权值使网络平方和误差最小。
学习方法采用最速下降方法，输入结点数为16*16=256，隐层传输函数为sigmoid函数(logsig)，一个输出结点，输出传输函数为pureline(purelin),隐层结点数为sqrt(256+1)+a(a=1~10),取为25。
计算智能与模式识别实验报告感知器与ADALINE 网络
计算智能与模式识别实验报告感知器与ADALINE 网络一・感知器与ADALINE 网络的工作原理 1. 感知器工作原理感知器是美国心理学家Rrank Rosenblatt 基于MP 模型，利用学习算法的用于分类的对噪声敏感的线性分类器，利用训练样本完成特征空间的决策边界的划感知器的结构：多神经元感知器1i i i = ⎪⎝⎭ ⎪⎪⎭⎝⎛-=∑=n i i i ki k x w f y 1θ, or ()f W =-y x θ 其中，()1, 00, if x f x otherwise≥⎧=⎨⎩ ，()12,,,T n w w w =w ，1112112 ww n m m mn w w W w w ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦两类分类，把n R 空间划分成两个区域 多类分类，把n R 空间划分成多个区域以两类为例：n R Class Class ⊂B A, . (1) 线性可分 Linear Separable称 A Class 和 B Class 是线性可分的，如果存在一个超平面将它们分开。
称超平面1:0ni i i S w x θ=-=∑为决策面（边界）；称函数∑=-=n1i )g(θi i x w x 为决策函数(或判别函数)；称区域{}g()0n R ∈>x x 和{}g()<0n R ∈x x 为决策区域；决策规则：对于新的模式n R ∈*x ，如果()0g *>x ，则 A Class *∈x ；如果()0g *<x ，则 B Class *∈x . （这里假设了决策面1:0ni i i S w x θ=-=∑的法向量指向 A Class ）需要指出的是：对于同一个决策面，决策函数的取法并不是唯一的。
例如，我们可以取决策函数为()1n i i i g f w x θ=⎛⎫=- ⎪⎝⎭∑x ，其中，f 为硬限幅函数，则这时对应的决策规则为：对于新的模式n R ∈*x ，如果()1g *=x ，则 A Class *∈x ；如果()0g *=x ，则 B Class *∈x .(2) 非线性可分 Nonlinear Separable称 A Class 和 B Class 是非线性可分的，如果存在一个非线性曲面将它们分开，g>0 g=0 g<0同线性可分情况一样，称曲面()0g =x 为决策面（边界），称函数()g x 为决策函数，对应的决策规则为：对于新的模式n R ∈*x ，如果()0g *>x ，则*x 属于一类；如果()0g *<x ，则*x 属于另一类。
智能实训实习报告
智能实训实习报告一、前言随着科技的飞速发展，人工智能技术已经深入到了我们生活的方方面面。
作为一名热衷于人工智能领域的学生，我十分荣幸能够参加这次智能实训实习项目，通过这次实习，我得以将理论知识与实践操作相结合，对于人工智能技术有了更为深入的了解。
二、实习内容本次智能实训实习主要分为两个部分：一是智能机器人组装与调试，二是人工智能算法实践。
在实习过程中，我们不仅要学习如何组装和调试智能机器人，还要掌握人工智能算法的实际应用，例如图像识别、语音识别等。
三、实习过程1.智能机器人组装与调试在实习的第一周，我们主要进行了智能机器人的组装与调试。
在这个过程中，我深刻理解了机器人各个部件的作用，以及如何将这些部件有效地结合起来，使其能够完成指定的任务。
此外，我们还学习了如何使用编程软件对机器人进行编程，使其能够根据我们的指令完成各种复杂的动作。
2.人工智能算法实践在实习的第二周，我们开始学习人工智能算法实践。
通过对图像识别和语音识别两个项目的实践，我掌握了如何使用深度学习框架搭建神经网络模型，并使用大量的数据对模型进行训练，使其能够达到较高的识别准确率。
这个过程不仅提高了我的编程能力，还让我对人工智能算法有了更为深入的理解。
四、实习收获通过这次智能实训实习，我收获颇丰。
首先，我学会了如何将理论知识应用到实际操作中，提高了自己的实践能力。
其次，我对人工智能技术有了更为深入的了解，对于未来的职业规划有了更为明确的方向。
最后，我在实习过程中结识了一群志同道合的朋友，共同探讨和解决问题，培养了团队协作精神。
五、实习总结回顾这次智能实训实习，我认为它是我人生中一段宝贵的经历。
在实习过程中，我不仅提高了自己的专业技能，还培养了团队协作和解决问题的能力。
我相信，这次实习对于我未来的学术研究和职业发展都将产生积极的影响。
在今后的学习和工作中，我将继续努力，不断充实自己，为实现人工智能领域的突破贡献自己的力量。
人工智能与计算机基础实验报告
人工智能与计算机基础实验报告《人工智能与计算机基础实验报告》嘿！同学们，你们知道吗？最近我参加了一个超级酷的活动——人工智能与计算机基础实验！这可真是让我大开眼界，就像走进了一个充满魔法的世界。
一开始，老师带着我们走进实验室，哇塞，那一排排的电脑，闪闪发光的屏幕，就好像在对我说：“快来探索我们的秘密吧！”我心里那个激动呀，简直没法形容。
我们分成了几个小组，每个小组都有一台电脑可以操作。
我和我的小伙伴们围坐在一起，眼睛都紧紧地盯着屏幕，迫不及待地想要开始实验。
老师先给我们介绍了什么是人工智能，他说：“人工智能就像是一个超级聪明的大脑，能帮我们解决很多复杂的问题。
”我心里想：“真的有这么神奇吗？”然后，我们开始了第一个实验，是关于图像识别的。
老师给我们展示了一张图片，让我们猜猜电脑能不能认出图片里的东西。
我心里直犯嘀咕：“这能行吗？”结果，电脑一下子就说出了图片里是一只可爱的小狗！这也太厉害了吧，难道电脑也有眼睛不成？接着，我们又尝试了语音识别的实验。
我对着麦克风说了一句话：“今天天气真好！”电脑居然一字不差地把我说的话显示在了屏幕上。
这难道不是像有一个隐形的小精灵在电脑里偷听我说话吗？在实验过程中，我和小伙伴们可兴奋啦！“哎呀，这个太好玩啦！”“快看，又成功啦！”我们的笑声和惊叹声在实验室里回荡。
小组里的小明还出了个主意，说：“咱们试试说一句很难的话，看看电脑能不能听懂。
”于是，我就说了一句绕口令：“打南边来了个吃葡萄不吐葡萄皮的喇嘛，打北边来了留恋榴莲甜的哑巴。
”结果电脑被我们弄得晕头转向，我们哈哈大笑起来。
后来，我们还学习了一些简单的计算机编程。
这就像是在给计算机下达命令，让它按照我们的想法做事。
我感觉自己就像是一个指挥官，指挥着计算机这个“小兵”冲锋陷阵。
通过这次实验，我深深地感受到了人工智能和计算机的神奇之处。
它们就像是一把神奇的钥匙，能打开无数未知的大门，带我们走进一个全新的世界。
难道我们不应该好好学习这些知识，去探索更多的奥秘吗？我相信，在未来，人工智能和计算机一定会给我们的生活带来更多的惊喜和便利！这就是我的实验报告，同学们，你们是不是也觉得很有趣呢？。
智能计算实验报告
layerWeights=net.LW{2,1};
layerbias=net.b{2};
%设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;
学习速率：学习速率决定每一次循环训练中所产生的权值变化量。太大，系统不稳定，太小，系统收敛慢。通常选0.1~0.8。
期望误差的选取：与隐含层的神经元数量相关联。
三、梯度下降BP神经元网络算法流程：
算法流程图如下：
具体步骤：
1)确定参数
a确定输入向量 ；
输入量为 （输入层神经元为n个）。
b.确定输出量 和希望输出量 ：
可见梯度很快趋于零，速度比1.1中的方法快，这体现了加入动量对提高收敛速度的作用，但是提供收敛速度并不能使系统跳出局部最小值。
1.3有自适应lr的梯度下降法
net=newff(minmax(P),[5,1],{'logsig','logsig'},'traingda');
结果为：
可见只用了468次迭代MSE就满足要求了。
这种循环记忆实际上就是反复重复上面的过程。
四、改进方法：
梯度下降BP网络算法的缺点：
收敛速度慢
存在局部极小点问题
有动量的梯度下降法：
梯度下降法在修正权值时，只是按照K时刻的负梯度方向修正，并没有考虑到以前积累的经验，即以前的梯度方向，从而使得学习过程发生震荡，收敛缓慢。为此可采用如下算法进行改进：
式中， 表示 时刻的负梯度； 为学习速率； 是动量因子，当 时，权值修正只与当前负梯度有关当 时，权值修正就完全取决于上一次循环的负梯度了。这种方法实际上相当于给系统加入了速度反馈，引入了阻尼项从而减小了系统震荡，从而改善了收敛性。
计算课实验报告总结(3篇)
第1篇一、实验背景随着信息技术的飞速发展，计算课已成为现代教育中不可或缺的一部分。
通过计算课的学习，学生可以掌握计算机基本操作、编程语言以及算法设计等知识，为今后从事相关工作奠定基础。
本次实验旨在通过实际操作，加深对所学知识的理解，提高动手能力和团队协作能力。
二、实验目的1. 熟悉计算机基本操作，掌握常用软件的使用方法；2. 学习一种编程语言，理解编程思想，实现基本算法；3. 培养团队协作精神，提高动手实践能力；4. 提高对计算课重要性的认识，激发学习兴趣。
三、实验内容本次实验主要包括以下内容：1. 计算机基本操作：熟练使用计算机操作系统，掌握文件管理、系统设置等基本操作；2. 编程语言学习：选择一种编程语言（如Python、Java等），学习基本语法、数据结构、算法等知识；3. 算法实现：设计并实现一个简单算法，如排序、查找等；4. 项目实践：分组完成一个小型项目，如制作一个简单的网页、编写一个计算器程序等。
四、实验过程1. 实验准备：了解实验内容，预习相关理论知识，准备好实验所需的计算机和软件；2. 实验操作：按照实验指导书进行操作，记录实验步骤和结果；3. 团队协作：分组讨论，分工合作，共同完成实验任务；4. 结果分析：对实验结果进行分析，总结经验教训。
五、实验结果与分析1. 计算机基本操作：通过实验，掌握了计算机基本操作，如文件管理、系统设置等，提高了计算机应用能力；2. 编程语言学习：学习了所选编程语言的基本语法、数据结构、算法等知识，为今后深入学习打下了基础；3. 算法实现：实现了排序、查找等基本算法，加深了对算法原理的理解；4. 项目实践：分组完成了一个小型项目，如制作了一个简单的网页、编写了一个计算器程序等，提高了团队协作能力和动手实践能力。
六、实验总结1. 计算课实验对提高学生计算机应用能力具有重要意义，有助于培养学生动手实践能力和团队协作精神；2. 实验过程中，要注重理论与实践相结合，不断总结经验教训，提高实验效果；3. 在今后的学习中，要继续努力，深入学习计算课相关知识，为将来从事相关工作打下坚实基础。
2024年计算专业实习报告
在讲课之前，我要把我的讲课会用到的各种工具、素材全都整理好，方便讲课的时候使用——实习生是没有助教的。我讲PHP的开始并不是从直接上手项目开始的，而是先讲基础，标记语言、for循环、数组等等。我在一边上课的时候，还要时刻关注弹幕的学员留言，及时回答他们不懂的地方。直播讲课的时候，我是犯了不少的错误的，特别时开始的时候，因为基础掌握的不适特别特别的扎实，所以讲着讲着就卡壳了，特别是有一次写好代码后出现了bug，我一下子还没反应过来，急的满头都是汗。后面经弹幕提醒才知道是一个逗号是用的中文模式下的.。其实扎实简单的一个错误，可是紧张之下，愣是没发现。
最后感谢单位领导和部门领导以及同事对我的支持和帮助，我会继续努力的。
计算专业实习报告 篇3
当今社会已步入了信息社会，知识经济将成为新世纪的主导产业。伴随计算机的逐步推广和使用，计算机已在科研、生产、商业、服务等许多方面创造了提高效率的途径，与此同时，单位技术成本也逐年有了明显的下降，然而办公室里的人事费用却不断增加。
2、努力实践，自觉进行角色转化。
只有将理论付诸于实践才能实现理论自身的价值，也只有将理论付诸于实践才能使理论得以检验。同样，一个人的价值也是通过实践活动来实现的，也只有通过实践才能锻炼人的品质，彰显人的意志。必须在实际的工作和生活中潜心体会，并自觉的进行这种角色的转换。
3、提高工作积极性和主动性
实习，是开端也是结束。展现在自己面前的是一片任自己驰骋的沃土，也分明感受到了沉甸甸的责任。在今后的工作和生活中，我将继续学习，深入实践，不断提升自我，做好个人工作计划，努力创造业绩，继续创造更多的价值。
讲久了，也就慢慢熟悉了，等到了正式做项目的时候，已经是能够一边和弹幕开玩笑一边敲代码了。
智能模型算法实验报告(3篇)
第1篇一、实验背景随着人工智能技术的快速发展，智能模型算法在各个领域得到了广泛应用。
本实验旨在研究并验证一种基于深度学习的智能模型算法在特定任务上的性能，通过对比实验，分析算法的优缺点，为后续研究提供参考。
二、实验目标1. 设计并实现一种基于深度学习的智能模型算法；2. 对比分析不同算法在特定任务上的性能；3. 评估算法的优缺点，为后续研究提供参考。
三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 深度学习框架：TensorFlow 2.04. 数据集：MNIST手写数字数据集四、实验方法1. 数据预处理：对MNIST数据集进行归一化处理，将像素值缩放到[0, 1]范围内；2. 模型设计：设计一个基于卷积神经网络（CNN）的智能模型，包含卷积层、池化层和全连接层；3. 训练过程：使用Adam优化器进行模型训练，设置学习率为0.001，训练100个epoch；4. 性能评估：使用准确率、召回率、F1值等指标评估模型在测试集上的性能。
五、实验结果与分析1. 模型结构实验中设计的智能模型结构如下：- 输入层：输入MNIST数据集的28x28像素图像；- 卷积层1：使用32个3x3卷积核，步长为1，激活函数为ReLU；- 池化层1：使用2x2的最大池化；- 卷积层2：使用64个3x3卷积核，步长为1，激活函数为ReLU；- 池化层2：使用2x2的最大池化；- 全连接层：使用128个神经元，激活函数为ReLU；- 输出层：使用10个神经元，表示10个数字类别，激活函数为softmax。
2. 性能评估实验在MNIST数据集上进行了训练和测试，性能评估结果如下：- 训练集准确率：98.76%- 测试集准确率：97.52%- 召回率：97.35%- F1值：97.10%3. 对比实验为了对比分析不同算法在特定任务上的性能，我们选取了以下几种算法进行对比：- 算法1：基于K近邻（KNN）的分类算法；- 算法2：基于支持向量机（SVM）的分类算法；- 算法3：基于决策树的分类算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
华北科技学院基础部综合性实验
实验报告
课程名称计算智能
实验学期 2013 至 2014 学年第 2 学期学生所在系部基础部
年级 12 专业班级计算B121 学生姓名郭春元学号 201209014115 任课教师杨文光
实验成绩
《计算智能》课程综合性实验报告
开课实验室：数学应用实验室2014 年7月12 日
实验题目自动倒车简易模糊差值控制
一、实验目的
1.了解一些算法，知道matlab的应用
2.上机实验操作，熟悉matlab的程序
二、设备与环境
Matlab软件。
三、实验内容及要求
内容：针对倒车问题的程序模仿实验。
第一步：简易模糊插值的控制方法：
对于双输入单输出系统而言，设输入量x，y的论域分别为X，Y，输出变量为z，论域为Z。
基于模糊控制系统可以表示成为一个二元分片插值函数：
第二步：模型的建立
对输入变量y的实际物理论域[-10,10]划分为5个三角模糊集，对输入变量θ的实际物理论域[-pi,pi]划分为7个三角模糊集，对于输出变量（即控制量）η的实际物理论域[-pi/9,pi/9]划分为7个单点模糊集，具体隶属函数见下图：
这是输入变量y的隶属函数模糊集模型
这是输入变量θ的隶属函数模糊集模型的建立
这是控制量η的隶属函数的模糊集模型
有这三个隶属函数就可以对这个模型进行控制。
第三步：自动倒车仿真实验
在matlab软件编写程序不难实现倒车模型在各种倒车环境下仿真曲线，自动倒车的方程函数如下：
控制规则：
有matlab程序可以知道倒车图像：
5
10
15
20
25
8.28.48.68.89
9.29.49.69.81010.2x/m
y /m
θ=pi/3 y=10m
510
152025
8.599.5
10
x/m
y /m
θ=pi/4 y=10m
050100
150200250-10
-8-6-4-20
24
6
x/m
y /m
050100
150200250
-10
-8-6-4-20
2
4
6
x/m
y /m
不同的角度和初始变量的值对应的倒车图像不同。
第四步：根据仿真实验找到合适的初值：
在完成自动倒车的模型建立和规则数据集的提取工作后，根据以上图像的核心函数知道：
为了更好的实现仿真实验的拟合更好的位置纵坐标的y 量化因子k （y ）=0.4，输入量θ的量化因子k （θ）=2，控制量η的比例因子k （η）=20. 由上知道：
在倒车实验中，均采用相同的量化因子和比例因子，显示出各种参数具
有很好的普遍性。
Matlab程序如下：
clc
clear all;
N=5000;
h=0.05;
l=4;
v=1;
x(1)=0;
y(1)=-10;
z(1)=pi/2;
a=readfis('Untitled2');
for t=1:N
if y(t)>=10
y(t)=10;
elseif y(t)<=-10
y(t)=-10;
end
if z(t)>=pi
z(t)=pi;
elseif z(t)<=-pi
z(t)=-pi;
end
x(t+1)=x(t)+h*v*cos(z(t));
y(t+1)=y(t)-v*h*sin(z(t));
et(t)=evalfis([y(t),z(t)],a);
z(t+1)=z(t)+(v/l)*h*tan(et(t));
end
plot(x,y)
xlabel('x/m');ylabel('y/m');
总结：
这学期，杨文光老师的指导教学我们学习了《计算智能》这门课程，起初对这门课很是不理解。
然而，杨老师严谨的教学方法让我们找到了学习的方向和动力，也知道了什么是计算智能。
计算智能（简称CI）并不是一个新的术语，早在1988年加拿大的一种刊物便以CI为名。
这门课程讨论了神经网络、模式识别与智能之间的关系，并将留能分为一片关于计算留能和人工留能的区别文章，对于神经网络（ICNN）、模糊系统（FuZZ）和进化计算（ICEc）三个年度性议合为一体。
特别是“蚁群算法”很是重要它可以解决和多问题比如：TSP问题
等的求解，蚁群算法都发挥了很大的作用，还有“遗传算法”这些很有用的算法。
在科学发展的旅程中扮演着重要的角色。
在这一学期的学习中，我深深地体会到了科学的强大，知识的无穷。
我要学的还有很多啊！我要努力好好地去学习那些属于我的知识。
教师评价
评定项目 A B C D 评定项目 A B C D 算法正确界面美观，布局合理
程序结构合理操作熟练
语法、语义正确解析完整
实验结果正确文字流畅
报告规范题解正确
其他：
评价教师签名:
年月日。