《神经网络技术与应用》程序题答案.docVIP

《神经网络技术与应用》试题 1．人工神经网络常用的学习方法有哪些？各有哪些特点？（10分） 2．简述感知器的网络结构、工作原理及主要应用领域。（10分） 3．试推导三层前馈网络BP算法权值修改公式，并用BP算法学习如下函数： ， 基本步骤如下： （1）在区间上均匀选取个点（自行设定），计算的实际值，并由此组成网络的样本集； （2）自行构造前馈网络结构，用BP算法和样本集训练网络，使网络误差小于某个很小的正数； （3）在区间上随机选取个点（，最好为非样本点），用学习后的网络计算这些点的输出值，并与这些点的理想输出值比较，绘制误差曲线； （4）说明不同的、值对网络学习效果的影响。（15分） 4．简述CMAC网络的结构及特点。（10分） 5．试用RBF网络学习一下函数（步骤可参看第3题）： 其中：，。若输入信号的分辨率不同时，对算法的收敛过程有何影响。（15分） 6．用Hopfield网络对如下字符进行识别： （1）试确定网络结构和网络权值； （2）将污染率为10%字符“0”、“1”、“2”、“3”（随机设定）输入网络，给出网络收敛后的结果。 （3）将污染率为20%字符“4”、“6”、“9”（随机设定）输入网络，给出网络收敛后的结果。（20分） 7．简述ART-1网络的结构和工作过程。（10分） 8．结合自己的研究方向，谈谈如何应用神经网络理论和知识解决面临的实际问题，要求给出实例。（10分） 3. 程序如下 x=-5:0.001:5; y=cos(x)+2*sin(x)+5*x+exp(2*x); net=newff(minmax(x),[8,1],{tansig,purelin},trainlm); net.trainparam.epochs=10000; net.trainparam.goal=0.01; [net,tr]=train(net,x,y); plot(x,y) title(标准输出); hold off y4=sim(net,x); plot(x,y4) plot(x,y4,b) plot(x,y4,g) title(样本不变情况下训练后输出); y1=cos(x1)+2*sin(x1)+5*x1+exp(2*x1); x1=-5:0.0009:5;y1=cos(x1)+2*sin(x1)+5*x1+exp(2*x1); plot(x1,y1,r); title(样本改变后标准输出); y2=sim(net,x1); plot(x1,y2,g); title(样本改变后训练输出); err=y2-y1; plot(x1,err,b); title(误差曲线); N越大，训练次数越少，网络性能越好，学习效果变好，但是N太大会导致计算机单步计算时间变长； 越大，训练次数越少，训练时间减少，网络性能变差，学习效果变坏； 总体上说，N越大，越小，学习效果会越好。但是会牺牲时间，有时候系统可能会达不到的训练要求。 5. clear x=rand(2,1000); x=(x-0.5)*10; x1=x(1,:); x2=x(2,:); y=x1.^3+x2.^3+3*x1.^2+6*x1+7*x2+5*x1.*x2; net=newrb(x,y); NEWRB, neurons = 0, MSE = 9868.38 NEWRB, neurons = 25, MSE = 136.414 NEWRB, neurons = 1000, MSE = 1.41658e-010 [i,j]=meshgrid(-5:0.1:5); row=size(i); tx1=i(:); tx1=tx1; tx2=j(:); tx2=tx2; tx=[tx1;tx2]; ty=sim(net,tx); v=reshape(ty,row); figure mesh(i,j,v); zlim([-200,600]); title(rbf网络); [x1,x2]=meshgrid(-5:0.05:5); y=x1.^3+x2.^3+3*x1.^2+6*x1+7*x2+5*x1.*x2; mesh(x1,x2,y) title(函数曲面图); mesh(x1,x2,v-y); title(误差曲面效果图) 输入信号分辨率越高，学习速率越低，需要更多时间才能完成rbf网络的训练，算法收敛过程变慢，学习效果变好；过大的分辨率可能会导致计算机内存溢出而崩溃。 6. 程序如下： zero=[-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 1