计算智能与智能系统课程实验神经网络数值实验
《计算智能与智能系统》
课程实验
实验题目：神经网络数值实验
实验一、利用感知器进行分类
输入代码：
%画输入向量的图像
P = [-0.5 -0.5 +0.3 -0.1 -4; -0.5 +0.5 -0.5 +1.0 5];
T = [1 1 0 0 1];
plotpv(P,T); % plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像
%建立神经网络
net = newp([-40 1;-1 50],1);
hold on
%添加神经元的初始化值到分类图
linehandle = plotpc(net.IW{1},net.b{1}); % plotpc函数用来画分类线
%训练神经网络
E = 1; % E为误差
% 决定在训练过程中重复次数
while (sse(E)) % sse函数是用来判定误差E的函数
[net,Y,E] = adapt(net,P,T); % 利用输入样本调节神经网net
linehandle = plotpc(net.IW{1},net.b{1},linehandle);% 画出调整以后的分类线
drawnow; % 延迟一段时间
end
%模拟sim
p = [0.7; 1.2];
a = sim(net,p);
% 利用模拟函数sim计算出新输入p的神经网络的输出
plotpv(p,a);
circle = findobj(gca,'type', 'line');
set(circle,'Color','red');
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
hold off;
axis([-2 2 -2 2]);
输出：
实验二、BP神经网络
（1）输入代码：
%画出非线性函数图像
k = 1;
p = [-1:.05:1];
t = sin(k*pi*p);
plot(p,t,'-')
title('要逼近的非线性函数');
xlabel('时间');
ylabel('非线性函数');
%未训练网络输出
n = 10;
net = newff(minmax(p), [n,1], {'tansig''purelin'}, 'trainlm'); % 对于该初始网络，可以应用sim()函数观察网络输出
y1 = sim(net,p);
% 同时绘制网络输出曲线，并与原函数相比较
figure;
plot(p,t,'-',p,y1,'--')
title('未训练网络的输出结果');
xlabel('时间');
ylabel('仿真输出－－原函数－');
%进行网络训练
net = train(net,p,t);
%进行网络测试
y2 = sim(net,p);
figure;
plot(p,t,'-',p,y1,'--',p,y2,'-.')
title('训练后网络的输出结果');
xlabel('时间');
ylabel('仿真输出');
输出：
结果分析：从上图可知，没有经过训练的网络，其输出结果模拟效果比较差，经过训练的BP 神经网络的模拟效果较好。
（2）改变非线性函数的K值
输入代码：
k = 5;
p = [-1:.05:1];
t = sin(k*pi*p);
plot(p,t,'-')
title('要逼近的非线性函数');
xlabel('时间');
ylabel('非线性函数');
n = 10;
net = newff(minmax(p), [n,1], {'tansig''purelin'}, 'trainlm');
% 对于该初始网络，可以应用sim()函数观察网络输出
y1 = sim(net,p);
% 同时绘制网络输出曲线，并与原函数相比较
figure;
plot(p,t,'-',p,y1,'--')
title('未训练网络的输出结果');
xlabel('时间');
ylabel('仿真输出－－原函数－');
net = train(net,p,t);
y2 = sim(net,p);
figure;
plot(p,t,'-',p,y1,'--',p,y2,'-.')
title('训练后网络的输出结果');
xlabel('时间');
ylabel('仿真输出');
输出：
结果分析：k值只改变了非线性函数的频率，
但不影响网络的训练效果。
（3）隐层神经元数目的影响
k = 5;
p = [-1:.05:1];
t = sin(k*pi*p);
plot(p,t,'-')
title('要逼近的非线性函数');
xlabel('时间');
ylabel('非线性函数');
n = 50;
net = newff(minmax(p), [n,1], {'tansig''purelin'}, 'trainlm');
% 对于该初始网络，可以应用sim()函数观察网络输出
y1 = sim(net,p);
% 同时绘制网络输出曲线，并与原函数相比较
figure;
plot(p,t,'-',p,y1,'--')
title('未训练网络的输出结果');
xlabel('时间');
ylabel('仿真输出－－原函数－');
net = train(net,p,t);
y2 = sim(net,p);
figure;
plot(p,t,'-',p,y1,'--',p,y2,'-.')
title('训练后网络的输出结果');
xlabel('时间');
ylabel('仿真输出');
输出：
结果分析：隐藏神经元个数越多，训练速度越快，拟合效果越好。
思考题、BP神经网络
%做出非线性图
x=[-1:0.01:1];
y=[-1:0.01:1];
z=exp(x.^2+y.^2);
plot3(x,y,z,'-');
title('要逼近的非线性函数z=e^(x^2*y^2)');
grid on;
%未训练输出
n = 10;
net = newff([x;y],z,n);
% 对于该初始网络，可以应用sim()函数观察网络输出
z1 = sim(net,[x;y]);
% 同时绘制网络输出曲线，并与原函数相比较
figure;
plot3(x,y,z,'-',x,y,z1,'r--')
title('未训练网络的输出结果');grid on;
%训练网络
% 训练时间
% 精度设置
net=train(net,[x;y],z);
%训练后输出
z2=sim(net,[x;y]);
figure;
plot3(x,y,z,'-',x,y,z1,'r--',x,y,z2,'g-.'); title('训练后网络的输出结果');grid on;
输出：。
智能系统设计实验报告
智能系统设计实验报告一、实验目的本次实验旨在通过设计和实现一个智能系统，来展示学生对于智能系统设计的理解和应用能力。
通过此实验，学生将了解智能系统的基本原理和设计流程，掌握智能系统的设计方法和实现技巧。
二、实验内容1. 确定智能系统的功能和性能要求2. 设计系统结构和模块3. 实现系统功能并进行测试验证4. 分析系统性能并优化改进三、实验步骤1. 确定智能系统的功能和性能要求在实验开始前，首先需要明确智能系统的功能和性能要求。
这包括系统需要实现的具体功能，以及对系统性能的各种指标要求。
2. 设计系统结构和模块根据系统要求，设计系统的整体结构和各个模块之间的关系。
确定各个模块的功能和接口，以及数据传输和处理的方式。
3. 实现系统功能并进行测试验证根据系统设计，编写代码实现系统的各项功能。
在实现过程中，需要进行适时的测试验证，确保系统的各项功能符合要求。
4. 分析系统性能并优化改进完成系统功能实现后，需要对系统性能进行分析评估。
根据评估结果，对系统进行优化改进，提高系统的性能和稳定性。
四、实验结果经过实验设计和实现，我们成功开发了一个智能系统，实现了系统的各项功能和性能要求。
系统能够准确、高效地完成指定任务，并具备良好的稳定性和扩展性。
五、实验总结通过本次实验，我们深入了解了智能系统的设计原理和实现方法，掌握了智能系统设计和开发的基本技能。
同时，我们也发现了在系统设计与实现过程中可能存在的问题和挑战，为今后的智能系统设计与开发提供了宝贵的经验和启示。
总之，本次实验不仅加深了我们对智能系统的理解，也提升了我们的动手能力和解决问题的能力。
希望通过持续的实践和学习，我们能够在智能系统设计领域取得更大的进步和成就。
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。
人工智能实验报告内容
人工智能实验报告内容人工智能实验报告内容人工智能（Artificial Intelligence, AI）作为一种重要的技术，正在逐渐影响到我们的日常生活和工作。
本次实验旨在学习和探索人工智能的基本技术，并通过实践加深对其原理和应用的理解。
首先，本次实验分为两个部分：人工智能基础技术的学习和人工智能应用的实践。
在人工智能基础技术学习的部分，我们研究了人工智能的核心技术包括机器学习、神经网络、深度学习等。
我们首先学习了机器学习的基本概念和算法，包括监督学习、无监督学习和强化学习等。
我们使用Python编程语言，利用机器学习库进行了实践，例如使用Scikit-learn库实现了线性回归和K-means 聚类算法。
其次，我们学习了神经网络的基本原理和算法，在激活函数、损失函数、优化算法等方面进行了深入研究。
我们利用TensorFlow库搭建了神经网络模型，并使用MNIST数据集进行了手写数字识别的实验。
通过不断调整网络结构和参数，我们逐渐提高了模型的准确率。
最后，我们学习了深度学习的原理和常用的深度学习模型，包括卷积神经网络（Convolutional Neural Network, CNN）、循环神经网络（Recurrent Neural Network, RNN）等。
我们使用Keras库搭建了CNN模型，并使用CIFAR-10数据集进行了图像分类实验。
通过优化网络结构和参数，我们的模型在测试集上取得了较高的准确率。
在人工智能应用的实践部分，我们选择了自然语言处理（Natural Language Processing, NLP）为主题，具体研究了文本分类和情感分析两个任务。
我们使用了Python编程语言和NLTK（Natural Language Toolkit）库进行了实践。
首先，我们使用朴素贝叶斯算法实现了文本分类的任务，通过比较不同的特征提取方法，我们找到了最适合该任务的特征提取方法。
其次，我们使用情感词典和机器学习算法实现了情感分析的任务，通过对情感分析模型进行评估和调优，我们提高了模型的准确率和鲁棒性。
计算神经科学模型及其仿真实验结果展示
计算神经科学模型及其仿真实验结果展示引言：神经科学是研究神经系统的结构、功能和发展的学科，计算神经科学是利用数学模型和计算机仿真来探究神经系统的研究领域。
计算神经科学模型可以帮助我们理解神经系统的工作原理，并且通过仿真实验结果展示，我们可以观察和分析神经系统的行为，从而揭示大脑的复杂性和多样性。
本文将介绍计算神经科学模型的基本概念和常用方法，并展示一些仿真实验结果。
1. 计算神经科学模型的概述神经系统是生物体中复杂而精密的系统，其功能与结构之间的关系被认为是认知和行为的基础。
计算神经科学模型是用数学和统计方法来描述和预测神经系统功能的数学模型。
这些模型可以通过建立各种神经元之间的连接方式、传导机制和学习规则来分析和解释神经系统的行为。
2. 计算神经科学模型的种类在计算神经科学领域，有多种不同类型的模型被广泛应用于研究。
其中包括：- 神经元模型：描述神经元内部的电生理特性，并且模拟神经元的动作电位传播；- 神经网络模型：描述神经元之间的连接方式，并研究神经网络的信息传递和动力学行为；- 大脑区域模型：模拟不同大脑区域之间的相互作用和信息传递；- 学习与记忆模型：探索神经系统中的学习和记忆机制，例如，人工神经网络和深度学习模型。
3. 计算神经科学模型的构建方法构建计算神经科学模型的方法具有多样性，常用的方法包括：- 传统微分方程模型：利用微分方程来描述神经元的电生理过程和脉冲传导；- 神经网络模型：利用图论和网络科学的方法，建立神经元之间的连接关系和拓扑结构；- 机器学习方法：利用机器学习算法对大脑的结构和功能进行建模和分析；- 人工智能方法：利用人工智能技术，如深度学习方法，实现复杂的大脑功能仿真。
4. 计算神经科学模型的应用领域计算神经科学模型在多个领域有广泛的应用，一些应用领域包括：- 神经疾病研究：通过模拟神经系统的异常行为，帮助诊断和治疗神经系统疾病；- 大脑机器接口：研究大脑与计算机交互的方法，实现脑-机界面的应用；- 复杂网络理论研究：通过模拟复杂网络的行为，研究网络系统的鲁棒性和动力学行为。
《神经网络与深度学习》课程标准
《神经网络与深度学习》课程标准【课程名称】神经网络与深度学习【适用专业】高等职业教育智能产品开发专业一、课程定位1．课程性质本课程为智能产品开发专业职业技能核心课程。
2．课程任务通过本课程学习培养学生智能产品设计与开发的综合能力，包括机器学习、深度学习相关概念，介绍TensorFlow的变量、矩阵和各种数据源等基本概念，深度剖析线性回归、支持向量机、*近邻域、神经网络和自然语言处理等算法，并结合丰富的实例详细讲解情感分析、回归分析、聚类分析、神经网络和深度学习实战等应用等。
3．课程衔接本课程的前序课程为《Python程序设计》、《人工智能导论》，后续课程为《顶岗实习》。
二、课程目标通过本课程学习，理解智能产品开发过程中涉及到的诸多AI技术，能够根据实际要求完成人工智能项目的设计、制作、调试，培养学生基本专业技能、积极参与意识、责任意识、协作意识和自信心，使教学过程更有目的性和针对性。
养成良好的沟通能力与团队协作精神，具有安全文明的工作习惯、良好的职业道德、较强的质量意识和创新精神。
具体应具备以下能力：1．理解人工智能产品结构设计与生产过程的基本概念；2．理解人工智能产品的基本算法、机器学习概念；3．理解深度学习概念，了解其应用领域；4．TensorFlow的变量、矩阵和各种数据源等基本概念5．理解线性回归概念；6．支持向量机；7．聚类分析；8．神经网络和自然语言处理等算法；9．人工智能产品控制程序编写与调试；10．智能产品使用说明书的编写。
【教学内容】学习情境 职业能力目标 学习子情境 教学内容 课时分配一、安装TensorFlow 1、安装前的环境准备2、能够使用Linux系统和Python语言3、能够独立安装Anaconda4、能够安装CUDA和cuDNN5、掌握TensorFlow测试方法（一）安装CUDA和cuDNN1、CUDA的安装2、cuDNN的安装3、Protocol Buffer4、Bazel5、从源代码编译并安装4（二）安装和测试TensorFlow1、安装TensorFlow2、运行向量相加的例子3、加载过程存在的一些问题4二、TensorFlow 编程策略 1、掌握计算图与张量2、熟练使用TensorFlow的运行模型3、正确创建变量并管理变量空间4、掌握variable_scope()与name_scope()及其使用方法（一）TensorFlow的数据模型1、分析并演示分析TensorFlow的数据模型2、会使用计算图描述TensorFlow计算模型3、张量的使用6（二）TensorFlow的运行模型1、TensorFlow系统结构概述2、简单使用会话3、使用with/as环境上下文管理器4、Session的参数配置5、placeholder机制6三、深度前馈神经网络 1、掌握网络的前馈方式2、全连接的概念3、神经元与全连接结构4、前向传播算法5、线性模型的局限性6、激活函数（一）网络的前馈方式及全连接的概念1、前馈网络2、全连接的概念3、神经元与全连接结构4（二）激活函数 1、常用激活函数2、激活函数实现去线性化3、激活函数调用栈的查看6（三）多层网络解决异或运算1、损失函数2、经典损失函数3、自定义损失函数4四、优化网络的方法 1、基于梯度的优化2、反向传播3、学习率的独立设置4、拟合（一）基于梯度的优化1、梯度下降算法的概念2、随机梯度下降4（二）反向传播 1、简要解释反向传播算法2、自适应学习率算法3、TensorFlow提供的优化器6（三）学习率的独立设置 1、指数衰减的学习率2、其他优化学习率的方法6合 计 50 三、考核与评价本学习领域的课程宜考核采用过程考核和期末上机随即抽题方式。
神经网络_实验报告
一、实验目的与要求1. 掌握神经网络的原理和基本结构；2. 学会使用Python实现神经网络模型；3. 利用神经网络对手写字符进行识别。
二、实验内容与方法1. 实验背景随着深度学习技术的不断发展，神经网络在各个领域得到了广泛应用。
在手写字符识别领域，神经网络具有较好的识别效果。
本实验旨在通过实现神经网络模型，对手写字符进行识别。
2. 神经网络原理神经网络是一种模拟人脑神经元结构的计算模型，由多个神经元组成。
每个神经元接收来自前一个神经元的输入，通过激活函数处理后，输出给下一个神经元。
神经网络通过学习大量样本，能够自动提取特征并进行分类。
3. 实验方法本实验采用Python编程语言，使用TensorFlow框架实现神经网络模型。
具体步骤如下：（1）数据预处理：从公开数据集中获取手写字符数据，对数据进行归一化处理，并将其分为训练集和测试集。
（2）构建神经网络模型：设计网络结构，包括输入层、隐藏层和输出层。
输入层用于接收输入数据，隐藏层用于提取特征，输出层用于输出分类结果。
（3）训练神经网络：使用训练集对神经网络进行训练，调整网络参数，使模型能够准确识别手写字符。
（4）测试神经网络：使用测试集对训练好的神经网络进行测试，评估模型的识别效果。
三、实验步骤与过程1. 数据预处理（1）从公开数据集中获取手写字符数据，如MNIST数据集；（2）对数据进行归一化处理，将像素值缩放到[0, 1]区间；（3）将数据分为训练集和测试集，比例约为8:2。
2. 构建神经网络模型（1）输入层：输入层节点数与数据维度相同，本实验中为28×28=784；（2）隐藏层：设计一个隐藏层，节点数为128；（3）输出层：输出层节点数为10，对应10个类别。
3. 训练神经网络（1）定义损失函数：均方误差（MSE）；（2）选择优化算法：随机梯度下降（SGD）；（3）设置学习率：0.001；（4）训练次数：10000；（5）在训练过程中，每100次迭代输出一次训练损失和准确率。
智能传感器实验--BP神经网络
BP神经网络实验2010年12月目录1自主学习模块 (2)1.1书面回答预习问题 (2)1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是什么？ (2)1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？ (2)1.1.3如何根据检验结果判断训练好的网络可用来实测？ (2)1.2远程测控实验室网上学习与练习 (2)1.2.1经典常规传感器的交叉敏感与传感器的稳定性 (2)1.2.2多传感器数据融合改善传感器稳定性的基本原理 (3)1.2.3数据融合算法简介 (4)1.2.4 BP神经网络 (6)2自主训练模块 (12)2.1实验目的 (12)2.2实验内容 (12)2.2.1基本训练部分一 (12)2.2.2基本训练部分二 (14)2.2.3用BP 网络训练仪消除压力传感器对工作电流的交叉敏感，提高压力测量精度 (19)2.2.4 组建智能压力传感器系统 (22)3自主应用模块 (23)3.1实验目的 (23)3.2实验内容 (23)3.3实验步骤 (23)3.3.1 消除压力传感器对温度的交叉敏感 (24)3.3.2消除压力传感器对电流的交叉敏感 (26)4．自主提高模块 (27)4.1 神经网络结构的移植与实测 (27)4.2思考问题 (28)1自主学习模块1.1书面回答预习问题1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是什么？训练神经网络网络之前，需要进行的三个步骤的准备工作是：准备训练样本、根据实际情况设置神经网络各层节点数及测量误差目标值与迭代次数（反向传播次数）、输入样本训练及检验。
1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？将网络输出结果与期望输出样本比较，计算其偏差。
若偏差小于给定的目标值，则训练结束；反之，则要调整网络结构参数，进行新的网络训练，直至偏差小于目标值。
如设置网络训练终止条件：如训练代数为1000，均方差指标为1*10-61.1.3如何根据检验结果判断训练好的网络可用来实测？将检验输入样本输入训练好的网络，并计算网络输出结果与期望输出样本的偏差。
《人工智能》实验指导书
山西财经大学信息管理学院王保忠编《人工智能实验指导书》适用专业：计算机科学与技术信息管理与系统信息科学与计算一、学时与学分总学时：48；总学分：4；实验学时：16；实验学分：1二、实验课的任务、性质与目的本实验课程是计算机专业、信息管理与系统学生的一门专业课程，通过实验软件环境提供的大量演示性、验证性和开发设计性实验，帮助学生更好地熟悉和掌握人工智能的基本原理和方法；通过实验提高学生编写实验报告、总结实验结果的能力；使学生对人工智能的相关理论有更深刻的认识。
三、基本原理本实验涉及人工智能的经典理论和方法，以及计算智能的部分分支和实现方法，主要包括以下内容：1. 产生式系统实验2. 搜索策略实验3. 神经网络实验4. 自动规划实验四、实验方式与基本要求本实验目的是使学生进一步加深对人工智能的基本原理和方法的认识，通过实践了解人工智能的实现手段。
实验方式：1. 实验共16学时；2. 由指导教师讲解实验的基本要求，提示算法的基本思想；3. 实验一人一组，独立完成实验的演示、验证和开发设计；4. 学生在完成预习报告后才能进入实验室进行实验。
五、实验项目的设置与内容提要《人工智能实验指导书》实验名称实验目的内容简介1 产生式系统实验熟悉和掌握产生式系统的运行机制，掌握基于规则推理的基本方法主要包括产生式系统的正、反向推理、基于逻辑的搜索等10余个相关演示性、验证性和开发性设计实验。
2 搜索策略实验熟悉和掌握启发式搜索的定义、估价函数和算法过程，并利用A*算法求解N数码难题，理解求解流程和搜索顺序。
主要包括盲目式、启发式搜索类的10余个相关演示性、验证性和开发性设计实验。
3 神经网络实验理解反向传播网络的结构和原理，掌握反向传播算法对神经元的训练过程，了解反向传播公式。
通过构建BP网络实例，熟悉前馈网络的原理及结构。
主要包括以BP网为代表的ANN的验证性实验及设计性实验。
并包括用BP网解决一些非线性问题的典型设计实验（如异或问题、布尔代数及非线性函数模拟等）4 自动规划实验理解自动规划的基本原理，掌握为活动实体（人、组织、机器）设计合理的行为、按时间顺序的活动序列等基本技术。
计算智能与智能系统课程实验2：神经网络数值实验
《计算智能与智能系统》课程实验实验题目：神经网络数值实验实验一、利用感知器进行分类输入代码：%画输入向量的图像P = [-0.5 -0.5 +0.3 -0.1 -4; -0.5 +0.5 -0.5 +1.0 5];T = [1 1 0 0 1];plotpv(P,T); % plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像%建立神经网络net = newp([-40 1;-1 50],1);hold on%添加神经元的初始化值到分类图linehandle = plotpc(net.IW{1},net.b{1}); % plotpc函数用来画分类线%训练神经网络E = 1; % E为误差net.adaptParam.passes = 3; % 决定在训练过程中重复次数while (sse(E)) % sse函数是用来判定误差E的函数[net,Y,E] = adapt(net,P,T); % 利用输入样本调节神经网netlinehandle = plotpc(net.IW{1},net.b{1},linehandle);% 画出调整以后的分类线drawnow; % 延迟一段时间end%模拟simp = [0.7; 1.2];a = sim(net,p);% 利用模拟函数sim计算出新输入p的神经网络的输出plotpv(p,a);circle = findobj(gca,'type', 'line');set(circle,'Color','red');hold on;plotpv(P,T);plotpc(net.IW{1},net.b{1});hold off;axis([-2 2 -2 2]);输出：实验二、BP神经网络（1）输入代码：%画出非线性函数图像k = 1;p = [-1:.05:1];t = sin(k*pi*p);plot(p,t,'-')title('要逼近的非线性函数');xlabel('时间');ylabel('非线性函数');%未训练网络输出n = 10;net = newff(minmax(p), [n,1], {'tansig''purelin'}, 'trainlm'); % 对于该初始网络，可以应用sim()函数观察网络输出y1 = sim(net,p);% 同时绘制网络输出曲线，并与原函数相比较figure;plot(p,t,'-',p,y1,'--')title('未训练网络的输出结果');xlabel('时间');ylabel('仿真输出－－原函数－');%进行网络训练net.trainParam.epochs = 50;net.trainParam.goal = 0.01;net = train(net,p,t);%进行网络测试y2 = sim(net,p);figure;plot(p,t,'-',p,y1,'--',p,y2,'-.')title('训练后网络的输出结果');xlabel('时间');ylabel('仿真输出');输出：结果分析：从上图可知，没有经过训练的网络，其输出结果模拟效果比较差，经过训练的BP神经网络的模拟效果较好。
计算智能与模式识别实验感知器与ADALINE 网络
计算智能与模式识别实验感知器与ADALINE网络问题每个字符(图象)由16个像素组成，即一个44⨯像素的数组。
图象中黑色像素赋值为1，白色像素赋值为1-，则它们分别转化为16维的特征向量1x ,2x ,3x ,4x . 例如：特征向量为T 1)1,1,1,1,1,1,1,1 ,1 ,1 ,1 ,1 ,1,1,1,1(----------=x . 分别使用感知器和ADALINE 网络，编制程序进行实验。
原理分析1.感知器工作原理：设{}11,t x ,{}22,t x ,…,{}Q Q t ,x 是线性可分两类训练样本, 其中，ni R ∈x 为感知器的输入，1i t =或0为对应于i x 的目标输出。
目标：根据上述训练样本，建立求解感知器权值和阈值,θw 的学习算法，使()T i i f t θ-=w x ，其中f 为硬限幅函数。
感知器的学习规则：(1)()()()(1)()()()()()k k e k k k k e k e k t k y k θθ+=+⎧⎪+=-⎨⎪=-⎩w w x 其中，()()[]()()()()()()()0(0)1,1T t k k y k f k k k k f θθ⎧⎪⎪=-⎨⎪-⎪⎩x w x x w 是的目标输出为的实际输出,为硬限幅函数初值，取较小的随机数，如在中随机选取单神经元感知器---两类线性分类器设 {}{}12(1)(1)(1)12(12)(2)(2)12,,,class A ,,,class B Q Q ⎧⊂⎪⎨⊂⎪⎩x x x x x x n R ⊂是线性可分两个类的训练样本，则存在超平面将这两类分开：因此，可使用一个n 个输入的单神经元感知器将这两类训练样本分开：选取感知器的权值与阈值分别为()12,,Tn w w w =w ，θ，则()1)1(1 ,1Q i f i T ≤≤=-θx w ，()(2)20, 1T i f i Q θ-=≤≤w x从而，单神经元感知器可实现线性可分的两类分类。