作业(神经网络)
作业（神经网络）1. Matlab BP网络练习/wiki/Iris_flower_data_set将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本。
其中一组作为以上程序的训练样本，另外一组作为检验样本（每种花选取5个作为测试）。
为了方便训练，将3类花分别编号为1，2，3 。
使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。
数据如下：Iris flower data setFrom Wikipedia, the free encyclopediaSpectramap biplot of Fisher's iris data setFisher's Iris DataSepal length Sepal width Petal length Petal width Species5.1 3.5 1.4 0.2 I. setosa4.9 3.0 1.4 0.2 I. setosa4.7 3.2 1.3 0.2 I. setosa4.6 3.1 1.5 0.2 I. setosa5.0 3.6 1.4 0.2 I. setosa5.4 3.9 1.7 0.4 I. setosa4.6 3.4 1.4 0.3 I. setosa5.0 3.4 1.5 0.2 I. setosaFisher's Iris DataSepal length Sepal width Petal length Petal width Species 4.4 2.9 1.4 0.2 I. setosa4.9 3.1 1.5 0.1 I. setosa5.4 3.7 1.5 0.2 I. setosa 4.8 3.4 1.6 0.2 I. setosa 4.8 3.0 1.4 0.1 I. setosa4.3 3.0 1.1 0.1 I. setosa5.8 4.0 1.2 0.2 I. setosa 5.7 4.4 1.5 0.4 I. setosa 5.4 3.9 1.3 0.4 I. setosa 5.1 3.5 1.4 0.3 I. setosa 5.7 3.8 1.7 0.3 I. setosa 5.1 3.8 1.5 0.3 I. setosa 5.4 3.4 1.7 0.2 I. setosa 5.1 3.7 1.5 0.4 I. setosa 4.6 3.6 1.0 0.2 I. setosaFisher's Iris DataSepal length Sepal width Petal length Petal width Species 5.1 3.3 1.7 0.5 I. setosa4.8 3.4 1.9 0.2 I. setosa5.0 3.0 1.6 0.2 I. setosa 5.0 3.4 1.6 0.4 I. setosa 5.2 3.5 1.5 0.2 I. setosa 5.2 3.4 1.4 0.2 I. setosa 4.7 3.2 1.6 0.2 I. setosa4.8 3.1 1.6 0.2 I. setosa5.4 3.4 1.5 0.4 I. setosa 5.2 4.1 1.5 0.1 I. setosa 5.5 4.2 1.4 0.2 I. setosa4.9 3.1 1.5 0.2 I. setosa5.0 3.2 1.2 0.2 I. setosa 5.5 3.5 1.3 0.2 I. setosa 4.9 3.6 1.4 0.1 I. setosaFisher's Iris DataSepal length Sepal width Petal length Petal width Species4.4 3.0 1.3 0.2 I. setosa5.1 3.4 1.5 0.2 I. setosa5.0 3.5 1.3 0.3 I. setosa4.5 2.3 1.3 0.3 I. setosa4.4 3.2 1.3 0.2 I. setosa5.0 3.5 1.6 0.6 I. setosa5.1 3.8 1.9 0.4 I. setosa4.8 3.0 1.4 0.3 I. setosa5.1 3.8 1.6 0.2 I. setosa4.6 3.2 1.4 0.2 I. setosa5.3 3.7 1.5 0.2 I. setosa5.0 3.3 1.4 0.2 I. setosa7.0 3.2 4.7 1.4 I. versicolor 6.4 3.2 4.5 1.5 I. versicolor 6.9 3.1 4.9 1.5 I. versicolorFisher's Iris DataSepal length Sepal width Petal length Petal width Species5.5 2.3 4.0 1.3 I. versicolor6.5 2.8 4.6 1.5 I. versicolor5.7 2.8 4.5 1.3 I. versicolor6.3 3.3 4.7 1.6 I. versicolor 4.9 2.4 3.3 1.0 I. versicolor 6.6 2.9 4.6 1.3 I. versicolor 5.2 2.7 3.9 1.4 I. versicolor 5.0 2.0 3.5 1.0 I. versicolor5.9 3.0 4.2 1.5 I. versicolor6.0 2.2 4.0 1.0 I. versicolor 6.1 2.9 4.7 1.4 I. versicolor5.6 2.9 3.6 1.3 I. versicolor6.7 3.1 4.4 1.4 I. versicolor 5.6 3.0 4.5 1.5 I. versicolor 5.8 2.7 4.1 1.0 I. versicolorFisher's Iris DataSepal length Sepal width Petal length Petal width Species 6.2 2.2 4.5 1.5 I. versicolor 5.6 2.5 3.9 1.1 I. versicolor5.9 3.2 4.8 1.8 I. versicolor6.1 2.8 4.0 1.3 I. versicolor 6.3 2.5 4.9 1.5 I. versicolor 6.1 2.8 4.7 1.2 I. versicolor 6.4 2.9 4.3 1.3 I. versicolor 6.6 3.0 4.4 1.4 I. versicolor 6.8 2.8 4.8 1.4 I. versicolor 6.7 3.0 5.0 1.7 I. versicolor 6.0 2.9 4.5 1.5 I. versicolor 5.7 2.6 3.5 1.0 I. versicolor 5.5 2.4 3.8 1.1 I. versicolor 5.5 2.4 3.7 1.0 I. versicolor 5.8 2.7 3.9 1.2 I. versicolorFisher's Iris DataSepal length Sepal width Petal length Petal width Species 6.0 2.7 5.1 1.6 I. versicolor5.4 3.0 4.5 1.5 I. versicolor6.0 3.4 4.5 1.6 I. versicolor 6.7 3.1 4.7 1.5 I. versicolor 6.3 2.3 4.4 1.3 I. versicolor 5.6 3.0 4.1 1.3 I. versicolor 5.5 2.5 4.0 1.3 I. versicolor5.5 2.6 4.4 1.2 I. versicolor6.1 3.0 4.6 1.4 I. versicolor 5.8 2.6 4.0 1.2 I. versicolor 5.0 2.3 3.3 1.0 I. versicolor 5.6 2.7 4.2 1.3 I. versicolor 5.7 3.0 4.2 1.2 I. versicolor5.7 2.9 4.2 1.3 I. versicolor6.2 2.9 4.3 1.3 I. versicolorFisher's Iris DataSepal length Sepal width Petal length Petal width Species 5.1 2.5 3.0 1.1 I. versicolor5.7 2.8 4.1 1.3 I. versicolor6.3 3.3 6.0 2.5 I. virginica 5.8 2.7 5.1 1.9 I. virginica7.1 3.0 5.9 2.1 I. virginica 6.3 2.9 5.6 1.8 I. virginica6.5 3.0 5.8 2.2 I. virginica7.6 3.0 6.6 2.1 I. virginica 4.9 2.5 4.5 1.7 I. virginica 7.3 2.9 6.3 1.8 I. virginica6.7 2.5 5.8 1.8 I. virginica7.2 3.6 6.1 2.5 I. virginica 6.5 3.2 5.1 2.0 I. virginica 6.4 2.7 5.3 1.9 I. virginica 6.8 3.0 5.5 2.1 I. virginicaFisher's Iris DataSepal length Sepal width Petal length Petal width Species 5.7 2.5 5.0 2.0 I. virginica5.8 2.8 5.1 2.4 I. virginica6.4 3.2 5.3 2.3 I. virginica6.5 3.0 5.5 1.8 I. virginica7.7 3.8 6.7 2.2 I. virginica 7.7 2.6 6.9 2.3 I. virginica 6.0 2.2 5.0 1.5 I. virginica 6.9 3.2 5.7 2.3 I. virginica 5.6 2.8 4.9 2.0 I. virginica 7.7 2.8 6.7 2.0 I. virginica 6.3 2.7 4.9 1.8 I. virginica6.7 3.3 5.7 2.1 I. virginica7.2 3.2 6.0 1.8 I. virginica 6.2 2.8 4.8 1.8 I. virginica 6.1 3.0 4.9 1.8 I. virginicaFisher's Iris DataSepal length Sepal width Petal length Petal width Species6.4 2.8 5.6 2.1 I. virginica7.2 3.0 5.8 1.6 I. virginica 7.4 2.8 6.1 1.9 I. virginica 7.9 3.8 6.4 2.0 I. virginica 6.4 2.8 5.6 2.2 I. virginica 6.3 2.8 5.1 1.5 I. virginica6.1 2.6 5.6 1.4 I. virginica7.7 3.0 6.1 2.3 I. virginica 6.3 3.4 5.6 2.4 I. virginica 6.4 3.1 5.5 1.8 I. virginica 6.0 3.0 4.8 1.8 I. virginica 6.9 3.1 5.4 2.1 I. virginica 6.7 3.1 5.6 2.4 I. virginica 6.9 3.1 5.1 2.3 I. virginica 5.8 2.7 5.1 1.9 I. virginicaFisher's Iris DataSepal length Sepal width Petal length Petal width Species6.8 3.2 5.9 2.3 I. virginica6.7 3.3 5.7 2.5 I. virginica6.7 3.0 5.2 2.3 I. virginica6.3 2.5 5.0 1.9 I. virginica6.5 3.0 5.2 2.0 I. virginica6.2 3.4 5.4 2.3 I. virginica5.9 3.0 5.1 1.8 I. virginica2.BP网络的应用：函数逼近试设计神经网络来实现下面这对数组的函数关系：P=-1:0.1:1; %----------------------------- 输入向量----------T=[-0.96 -0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 -0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 ..0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201];。
2023年秋江苏开放大学神经网络与深度学习形考二作业
2023年秋江苏开放大学神经网络与深度学习形考二作业试题列表单选题题型：单选题客观题分值5分难度：简单得分：51以下卷积运算的输出结果为A11 12<br>10 1115 16<br> 6 15C10 11<br>11 12D11 12<br>10 11学生答案：B老师点评：题型：单选题客观题分值5分难度：中等得分：52以下关于神经⽹络的训练过程，描述错误的是？A【mini-batch】从训练数据中随机选出⼀部分数据，这部分数据称为mini-batch，我们的⽬标是减少mini-batch损失函数的值。
【随机梯度下降】stochastic gradient descent：“随机”代表在梯度下降中随机初始⼀个学习率，并不断尝试多个值，寻求最好的结果C【计算梯度】为了减⼩mini-batch的损失函数，需要求出各个权重参数的梯度D【更新参数】梯度反⽅向表示损失函数的值减⼩最多的⽅向，将权重参数沿梯度反⽅向进⾏微⼩更新学生答案：B老师点评：题型：单选题客观题分值5分难度：一般得分：53多义现象可以被定义为在⽂本对象中⼀个单词或短语的多种含义共存。
下列哪⼀种⽅法可能是解决此问题的最好选择？A随机森林B以上所有⽅法卷积神经⽹络D强化学习学生答案：C老师点评：题型：单选题客观题分值5分难度：中等得分：54在⼀个神经⽹络⾥，知道每⼀个神经元的权重和偏差是最重要的⼀步。
如果以某种⽅法知道了神经元准确的权重和偏差，你就可以近似任何函数。
实现这个最佳的办法是什么？A以上都不正确B搜索所有权重和偏差的组合，直到得到最优值C随机赋值，祈祷它们是正确的赋予⼀个初始值，检查与最优值的差值，然后迭代更新权重学生答案：D题型：单选题客观题分值5分难度：一般得分：55以下场景中适合采⽤⼀对多结构RNN的是？A基于帧粒度的视频分类B⽣成图⽚说明C情感分析D机器翻译学生答案：B题型：单选题客观题分值5分难度：一般得分：56在典型CNN⽹络AlexNet中，原始图⽚是⼤⼩为227*227的三通道数据，经过96个⼤⼩为11*11的卷积核卷积后得到96个⼤⼩为55*55的特征图，若padding = 0 ，则卷积核的步⻓为多少？4B1C2D3学生答案：A老师点评：题型：单选题客观题分值5分难度：一般得分：57】在神经⽹络的学习中，权重的初始值特别重要，设定什么样的权重初始值，经常关系到神经⽹络的学习能否成功。
智能控制(神经网络)-作业
智能控制作业学生姓名: 学号: 专业班级:（一）7-2 采用BP网路、RBF网路、DRNN网路逼近线性对象, 分别进行matlab 仿真。
（二）采用BP网络仿真网络结构为2-6-1。
采样时间1ms, 输入信号, 权值的初值随机取值, 。
仿真m文件程序为:%BP simulationclear all;clear all;xite=0.5;alfa=0.5;w1=rands(2,6); % value of w1,initially by randomw1_1=w1;w1_2=w1;w2=rands(6,1); % value of w2,initially by randomw2_1=w2;w2_2=w2_1;dw1=0*w1;x=[0,0]';u_1=0;y_1=0;I=[0,0,0,0,0,0]'; % input of yinhanceng cellIout=[0,0,0,0,0,0]'; % output of yinhanceng cellFI=[0,0,0,0,0,0]';ts=0.001;for k=1:1:1000time(k)=k*ts;u(k)=0.5*sin(3*2*pi*k*ts);y(k)=(u_1-0.9*y_1)/(1+y_1^2);for j=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout; %output of networke(k)=y(k)-yn(k); % error calculationw2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2for j=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j))^2);endfor i=1:1:2for j=1:1:6dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation endendw1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1% jacobian informationyu=0;for j=1:1:6yu=yu+w2(j)*w1(1,j)*FI(j);enddyu(k)=yu;x(1)=u(k);x(2)=y(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;u_1=u(k);y_1=y(k);endfigure(1);plot(time,y,'r',time,yn,'b');xlabel('times');ylabel('y and yn');figure(2);plot(time,y-yn,'r');xlabel('times');ylabel('error');figure(3);plot(time,dyu);xlabel('times');ylabel('dyu');运行结果为:（三）采用RBF网络仿真网路结构为2-4-1, 采样时间1ms, 输入信号, 权值的初值随机取值, , 高斯基函数初值, 。
大工22夏《神经网络》大作业
大工22夏《神经网络》大作业
1. 项目介绍
本次《神经网络》大作业旨在让同学们深入理解神经网络的工作原理，并能够独立实现一个简单的神经网络模型。
通过完成本次作业，同学们将掌握神经网络的基本结构，训练过程以及参数优化方法。
2. 任务要求
1. 独立实现一个具有至少三层神经网络的结构，包括输入层、隐藏层和输出层。
2. 选择一个合适的激活函数，并实现其对应的激活和导数计算方法。
3. 实现神经网络的正向传播和反向传播过程，包括权重更新和偏置更新。
4. 在一个简单的数据集上进行训练，评估并优化所实现的神经网络模型。
3. 评分标准
1. 神经网络结构实现（30分）
2. 激活函数实现（20分）
3. 正向传播和反向传播实现（20分）
4. 模型训练与评估（20分）
5. 代码规范与文档说明（10分）
4. 提交要求
1. 提交代码文件，包括神经网络结构、激活函数、正向传播、反向传播以及训练与评估的实现。
2. 提交一份项目报告，包括项目简介、实现思路、实验结果及分析。
3. 请在提交前确保代码的可运行性，并在报告中附上运行结果截图。
5. 参考资料
1. Goodfellow, I. J., Bengio, Y., & Courville, A. C. (2016). Deep learning. MIT press.
2. Russell, S., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson Education Limited.
祝大家作业顺利！。
上海交通大学神经网络大作业之数字卡片的识别
基于单片机的数字卡片识别实验报告 唐新灵 1110319055 温锦斌 1110319061一．题目感知器网络应用实例说明：输入：9个，笔划通过小块时，输出为“1”，否则为“0”； 输出：1个，当 j j W x 超过阈值时灯亮，否则灯灭；目的：奇偶数识别。
数字卡为奇数时，灯亮（输出1）。
将0～9都输入一遍，结果正确，什么都不变，否则，修正权值，减小误差。
并且这是基于单片机的硬件实现。
二．实验步骤。
1.硬件设计。
（1）实验器材单片机一块：8051F020单片机；PCB板一块；200欧电阻两个；开关若干；发光二极管若干；细导线若干。
（2）仿真软件Keil3，proteus；（3）硬件画图在proteus上画出硬件图，如下所示：（4）软件设计根据神经网络的原理和单片机的软件设计特点用C语言写出程序，程序如下：#include "C8051F020.h"#define uchar unsigned char#define uint unsigned int//sbit p20=P2^0; //指示灯sbit S1=P1^0;sbit S2=P1^1;sbit S3=P1^2;sbit S4=P1^3;sbit S5=P1^4;sbit S6=P1^5;sbit S7=P3^7;sbit S8=P1^7;sbit S9=P3^5;sbit S10=P3^6;sbit LED1=P3^0;sbit LED2=P3^1;void Oscillator_Init() //外部晶振初始化{int i = 0;OSCXCN = 0x66;for (i = 0; i < 3000; i++); // Wait 1ms for initialization while ((OSCXCN & 0x80) == 0);OSCICN = 0x08;}void Timer_Init(){CKCON = 0x18;TMOD = 0x21;TH1 = 0x30;//600bps }void UART_Init(){SCON0 = 0x40;SCON1 = 0x40;}void Port_IO_Init(){P0MDOUT = 0x0F;P1MDOUT = 0xff;P3MDOUT = 0xff;XBR0 = 0x14;XBR2 = 0x44;}void Interrupts_Init(){IE = 0x98;IP = 0x18;EIE2 = 0x40;EIP2 = 0x40;}void PCA_Init() //PCA配置产生38KHz载波{PCA0MD = 0x08;PCA0CPM1 = 0x46;PCA0CPM2 = 0x46;PCA0CPH0 = 0x35;PCA0CPH1 = 0x35;}void Init_Device(void){Oscillator_Init();Timer_Init();PCA_Init();UART_Init();Port_IO_Init();Interrupts_Init();PCA0CN = 0x40;//启动PCA}void delay(){uint i,j;for(i=0;i<2;i++);//for(j=0;j<50;j++);}/*************************************************/ void main(){int x[10][10]={{0,0,1,0,0,1,1,0,0,0},{0,1,1,0,1,0,1,0,0,1},{0,1,1,1,0,0,1,0,0,0},{1,0,1,0,1,1,1,0,0,0},{1,1,1,0,0,1,0,0,0,0},{1,0,1,0,1,0,0,0,1,1},{0,1,1,1,0,0,0,1,0,0},{0,0,1,0,0,1,0,1,0,0},{0,1,1,1,0,1,1,1,0,0},{0,1,1,0,1,0,0,1,1,0}};int d[10]={0,1,0,1,0,1,0,1,0,1},t[10]={0};int k,j,i,h,a,e,l;long w[10]={0,0,0,0,0,0,0,0,0,0};long c[10];float f[10],b[10],p=0;int r=1;long v=0;int y;for(k=1;k<=5;k++)for(j=0;j<=9;j++)for(i=0;i<=9;i++){c[i]=x[j][i]*w[i]*1000;//v=v+c[i];v=c[0]+c[1]+c[2]+c[3]+c[4]+c[5]+c[6]+c[7]+c[8]+c[9];if (v<0)y=0;elsey=1;w[i]=w[i]+r*(d[j]-y)*x[j][i]*1000;}for(i=0;i<=9;i++){f[i]=w[i]/1000;}WDTCN=0xde; //看门狗禁用WDTCN=0xad;Init_Device(); //初始化//TCON = 0x50; //启动定时器LED2=0;LED1=1;while(1){for(i=0;i<=9;i++){if (S1==0)t[i]=x[0][i];if (S2==0)t[i]=x[1][i];if (S3==0)t[i]=x[2][i];if (S4==0)t[i]=x[3][i]; if (S5==0)t[i]=x[4][i]; if (S6==0)t[i]=x[5][i]; if (S7==0)t[i]=x[6][i]; if (S8==0)t[i]=x[7][i]; if (S9==0)t[i]=x[8][i]; if (S10==0) t[i]=x[9][i]; p=p+t[i]*f[i]; }if (p<0)h=0;elseh=1;l=!h; LED2=h; LED1=l;//if (LED1==0){delay();LED1=1;};//if (LED2==0){delay();LED2=1;};}}三．实验实物照片照片1.整体视图照片2.单片机部分视图照片3.卡片识别部分视图四．实验结果。
神经网络作业
BP神经网络及MATLAB实现实验报告姓名：李英杰学号：123109302专业：机械电子工程2013年6月19日1. BP网络的MATLAB设计MatlabR2012 神经网络工具箱(Neural Network toolbox) 为用户提供了丰富的神经网络设计与分析函数,可是用它们来编程不容易掌握。
我们通过对神经网络工具箱的实践应用研究表明,使用神经网络工具箱中的NNTool对神经网络进行设计和仿真简便易行直观,不需要编程,且设计和仿真的结果证明完全能够满足一般工程设计人员的需要,能够取得事半功倍的效果。
下面我们以一个单隐含层的BP网络设计为例，介绍利用神经网络工具箱中的NNTool对BP网络的设计和分析。
利用NNTool设计一个BP 网络，该网络的输入层和输出层的神经元个数均为1。
训练样本定义如下：输入变量为p =[-1 1 3 1；-1 1 5 -3]目标变量为 t = [-1 2 4 3]打开Matlab 应用软件后,双击Neural Network toolbox 中的NNTool 图标,或在命令窗口键入nntool，即可进入神经络设计主界面，如下图。
图1 NNTool 设计主界面1．训练样本数据的导入点击New按钮,在弹出窗口选择Date选项卡，按如图2，3所示创建输入变量和目标变量。
图2 创建新的输入变量图3 创建新的目标变量2．神经网络的创建点击主界面中点击New按钮，在弹出窗口选择Newwork选项卡，并在对话框中可对网络的名称、类型、结构和训练函数等进行设置，如图4 所示。
图4创建神经元网络界面在上面窗口中对该网络命名为：tracylee；网络类型为：Feed-forward backprop，即前馈BP神经网络；Input ranges ：点击Get From Input下拉框选择样本输入变量p加入输入向量；Training function：在下拉列表中选择TRAINGDM训练函数；采用动量梯度下降算法训练 BP 网络。
【上海交通大学】【神经网络原理与应用】作业4
Neural Network Theory and ApplicationsHomework Assignment4oxstar@SJTUJanuary19,20121PreparationsAs shown in Figure1,points from two gauss distribution are our dataset and initial5×5 neurons’weight of SOM are all set to(1.5,1.5).We choose rectangular neighborhoods as neurons’topology.Figure1:Dataset and Initial Neurons’Topology2ExperimentsThe series of diagrams in Figure2shows how the weights of the25neurons spread out over the active input space and organized themselves to match its topology.Here the Gaussian neighborhood functionσ=1and learning rateη=0.035.We will discuss how to choose these parameters later.3Discussion3.1Learning RateηIntuitively,the bigger a learning rate is,the faster an SOM can converge.Table1shows how many iterations an SOM need against differentηatσ=1.(a)1Iteration(b)2Iterations(c)3Iterations(d)4Iterations(e)5Iterations(f)6IterationsFigure2:Evolution of Neurons’TopologyTable1:Needed Iterations Against DifferentηLearning RateηIterations0.06020.03560.010200.04040However,it does not mean that learning rate should be set really large.A big learning rate may cause a not so good neurons’topology as shown in Figure3(a)η=0.5(b)η=0.6Figure3:Neurons’Topology(σ=1)Additionally,according to our experiments,if learning rate were bigger than0.6,the weights of neurons could hardly converge.3.2σin Gaussian Neighborhood FunctionAfterfixing the learning rate,we can consider howσin Gaussian neighborhood function can influence the results.Ifσwere too small,neighbors of wining neuron would update their weights very slightly due to the values calculated by neighborhood function failing to cause sufficient influence. Each neuron is isolated with the others and always updates solitarily.It may cause an irregular topology and Figure4a proves it.But ifσwere too large,many neurons would update at a similar degree at one iteration. Neurons may have difficulties in spreading out.This situation can be seen in last three diagrams in Figure4.(a)σ=0.5(b)σ=2(c)σ=4(d)σ=8Figure4:Neurons’Topology(η=0.035)。
神经网络作业：预测公路运量
预测公路运量公路运量主要包括公路的客运量和公路货运量两个方面。
据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表1给出了20年得公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量单位为万两，公路面积的单位为万平方千米，公路货运量单位为万吨。
根据有关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方米。
1.请利用BP神经网络预测该地区2010年2011年得公路客运量和公路货运量。
2.请利用其他方法预测该地区2010年2011年得公路客运量和公路货运量。
3.比较两种方法的优缺点。
某地区20年公路运量数据某地区20年公路运量数据年份人口数量机动车数量公路面积公路客运量公路货运量199020.55 0.6 0.09 5126 1237 199122.44 0.75 0.11 6217 1379 199225.37 0.85 0.11 7730 1385 199327.13 0.90 0.14 9145 1399 199429.45 1.05 0.20 10460 1663 199530.1 1.35 0.23 11387 1714 199630.96 1.45 0.23 12353 1834 199734.06 1.60 0.32 15750 4322 199836.42 1.70 0.32 18304 8132 199938.09 1.85 0.34 19836 8936 200039.13 2.15 0.36 21024 11099 200139.99 2.20 0.36 19490 11203 200241.93 2.25 0.38 20433 10524 200344.59 2.35 0.49 22598 11115 200447.30 2.50 0.56 25107 13320 200552.89 2.60 0.59 33442 16762 200655.73 2.70 0.59 36836 18673 200756.76 2.85 0.67 40548 20724 200859.17 2.95 0.69 42927 20803 200960.63 3.10 0.79 43462 21804。
人工神经网络设计作业
人工神经网络设计作业一、利用感知机神经网络完成真值表中的操作设有一个M-P模型神经元有两个输入P1和P2，其输出为a，让其完成下列的真值表功能：1、具体的程序及其说明如下：clcP=[0 0 1 1;0 1 0 1];T=[0 1 1 1];%提供两组输入一组输出的训练集C=[-2 3 -2 3];%设置坐标轴的范围plotpv(P,T,C)%绘制样本点的坐标pause;[R,Q]=size(P);%R个输入[S,Q]=size(T);%S个输出[W,B]=rands(S,R);%随机获得权值plotpc(W,B)%绘制出初始的决策线pause;A=hardlim(netsum(W*P,B));%计算感知器神经元的输出E=T-A;SSE=sumsqr(E);%计算初始决策线的误差for epoch=1:100if(SSE==0)%若误差为零，画出决策线，并停止训练plot(W,B,'r-')disp('训练成功');breakend[dW,dB]=learnp(P,A,T)%感知器的学习W=W+dW;%修正权值B=B+dB;%调整偏差plotpc(W,B); %绘制决策线pause;a=epoch(1);hold onA=hardlim(netsum(W*P,B));%计算感知器神经元输出E=T-A;%计算误差SSE=sumsqr(E);endA %输出最后的训练结果a %输出训练次数2、具体的训练过程如图所示：样本点P(1)P (2)初始决策线P(1)P (2)训练中的决策线P(1)P (2)训练结束P(1)P (2)3、训练结果：训练结束后我们可知道A=[0 1 1 1]，训练次数a=4次。
二、利用BP 网络逼近一个非线性函数1、函数选择为指数衰减函数2*2p te -=*，隐层采用对数正切S 型，输出层采用线性型，具体的程序及其说明如下：clcn=5;%隐层神经元的个数 lr=0.1;%学习率 mc=0.9;%动量因子 p=0:0.05:3; t=2*exp(-2.*p);[r,l]=size(p);%r 输入层的维数 [s,l]=size(t);%s 输出层的维数 w1=0.2*rand(n,r);%隐层的权值 deltaw1=zeros(n,r); B1=0.2*rand(n,1);%隐层的偏移量 deltaB1=zeros(n,1); w2=0.2*rand(s,n);%输出层权值 deltaw2=zeros(s,n);B2=0.2*rand(s,1);%输出层的偏移量 deltaB2=zeros(s,1); A1=tansig(w1*p,B1);A2=purelin(w2*A1,B2);plot(p,t,'r+',p,A2,'b:');xlabel('输入样本p');ylabel('输出样本t');axis([0 3 -1 2])title(['样本点和未经训练的曲线']);legend('样本点');pause;epoch=1;sse=1;for epoch=1:10000 %最大训练圈数为1000w1=w1+deltaw1;%权值及其偏移量的调整B1=B1+deltaB1;w2=w2+deltaw2;B2=B2+deltaB2;[A1,A2]=simuff(p,w1,B1,'tansig',w2,B2,'purelin');E=t-A2;sse(epoch)=sumsqr(E);%计算误差if(sse(epoch)==0.001)%达到期望误差退出逼近breakendD2=deltalin(A2,E);D1=deltatan(A1,D2,w2);[deltaw2,deltaB2]=learnbpm(A1,D2,lr,mc,deltaw2,deltaB2); [deltaw1,deltaB1]=learnbpm(p,D1,lr,mc,deltaw1,deltaB1); if(sse(epoch)<=0.001)breakendend;epochplot(p,t,'r+',p,A2,'b:');xlabel('输入样本p');ylabel('输出样本t');title(['训练',num2str(epoch),'次后的曲线']);legend('样本点');axis([0 3 -1 2])pauseFF=1:epoch;plot(FF,sse(FF),'r-');xlabel('训练次数');ylabel('误差');title(['SSE误差曲线']);pause;%泛化能力测试[A1,A2]=simuff(p,w1,B1,'tansig',w2,B2,'purelin');p=0:0.05:3;t=2*exp(-2.*p);%训练后逼近的曲线plot(p,A2,'-');xlabel('输入样本p');ylabel('输出样本t');legend('逼近的曲线'); axis([0 3 -1 3]) hold on ; pt=0:0.1:3;tt=2*exp(-2.*pt); plot(pt,tt,'ro'); title(['检验泛化能力']); axis([0 3 -1 3]) pause; hold off ; epoch %输出训练次数2、具体的逼近过程如下图形显示：0.511.522.53输入样本p输出样本t样本点和未经训练的曲线0.511.522.53输入样本p输出样本t训练113后的曲线由训练结果显示：完成很好的逼近功能，训练次数为113次，误差曲线如下图，我们可以看到误差是收敛的。
神经网络作业
机器学习，是人工智能的一个子领域，主要关注于开发一些蠩计算机可以自动“学习”的技术。
更堷体说，机器学习是一种用于创建数据順分析分析程序的方法。
机器学习跟统计学有着重要的关系，因为这两个领域都栯研究数据分析，但是又不像统计学，栺器学习关注的是计算实现的算法复杂堦。
很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容栓处理的近似算法。
机器学习已经有亠十分广泛的应用例如搜索引擎、诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音识别和手写识别识别、战略游戏和机器人运用。
第五讲机器学习机器学习就是计算机自动获取知识，它是知识工程的三个分支（使用知识、知识表示、获取知识）之一。
5.1 研究机器学习的必要性和可行性人工智能的概念和方法已经用于很多领域中，主要成果是专家系统、自然语言理解、计算机视觉和听觉、推理系统的研究。
当前人工智能研究的主要障碍和发展方向之一就是机器学习，这包括发展机器学习的计算理论和构造学习系统。
现在的人工智能系统还完全没有或仅有很有限的学习能力。
人工智能系统中的知识由人工编程送入系统，知识库中错误也不能自动改正。
也就是说，现有的AI系统是演绎推理而不是归纳推理，因而不能自动获取和生成知识。
人类有能力获取新知识、学习新技巧，并在实践中改进之。
如果一个人反复犯同样的错误，就不能说他是有智能的。
学习是智能的重要一环，人工智能的研究目标之一应该是理解学习的本质和建立学习系统。
人工智能解决的问题越来越复杂，系统中的知识越来越多，这些知识包括：领域专用的事实和规则，作为常识的启发式和约束，通用的概念和理论，把如此复杂的知识送入系统是复杂的、费时的、容易出错的和需要经验的。
例如：∙建立专家系统需要有关领域的专家和知识工程师的配合。
使用机器学习技术可以简化这一过程；∙计算机视觉中包含各种视觉专用变换、几何概念和对象的物理与功能描述。
把所有这些知识送入系统中是很困难的，系统应该可以由示教实例自动生成知识。
【上海交通大学】【神经网络原理与应用】作业1
10
5
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1
Learning rates105 Nhomakorabea0
−5
−10
−15
−20
Class 1
−25
Class 2
Class 3 −30
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5 3
Figure 1: Times of Iteration at Different Learning Rates
Figure 2: Result for Classification (P2)
4 1
3 0.5
2 0
−0.5
1
−1
0
−1.5
−1
−2
−2
−2.5
−3
−3
Class 1
−4
Class 1
Class 2
Class 2
−3.5
−5
−0.5
0
0.5
1