设计三 于神经网络的专家系统设计.docVIP

设计三 基于专家系统设 实验目的与要求 （1）通过本次综合设计，了解神经网络专家系统的基本原理与设计。 （2）本实验旨在让学生对专家系统应用有一个初步的理解，增强学生的程序编写能力。 实验设备及条件 C 语言或LabView 实验原理及内容 由于专家系统和神经网络各自侧重于模拟人类思维的某一方面，在解决某一特定类型的问题时各有优势。专家系统的优势在于可用文字清楚表达规则，导出符合逻辑的正确输出，并对系统的推理过程作出解释。而神经网络在决策方面优于专家系统，依据的是经验而不是一般的规则。在缺乏清楚表达规则或精确数据时，利用神经网络可产生合理的输出结果。并且神经网络的并行分布处理能力和知识获取自动化，克服了专家系统问题求解中的故障“组合爆炸”和“推理的复杂性”及“无穷递归”等传统的困难。因此，专家系统和人工神经网络组合使用可以取长补短，构造更强更实用的人工智能系统。图2 基于神经网络的专家系统结构框图 可选取神经元的作用函数为S型函数，将以上样本数据归一化处理后输入网络对其进行训练。在MATLAB2007A软件中利用神经网络工具箱对网络进行配置，其程序实现如下： a=[510 23 52 0.06 50;400 21 56 0.05 42;470 22.6 55 0.05 45;420 20.4 55 0.06 49;450 21.7 58 0.04 47;370 26.2 46 0.09 55;310 18.4 62 0.08 53;276 17.8 65 0.08 54;355 23.5 49 0.09 58;280 19.6 61 0.07 57; 225 28.2 38 0.11 65; 190 30 36 0.14 64; 180 10.4 78 0.12 71; 210 27.6 37 0.12 76; 150 13.1 74 0.13 73; 60 33.2 25 0.16 85; 35 6.5 82 0.15 81; 80 32.7 29 0.18 82; 45 3.8 85 0.17 82; 70 7.2 82 0.15 84;] b=[1 0 0 0;%输入网络输出训练样本 1 0 0 0; 1 0 0 0; 1 0 0 0; 1 0 0 0; 0 1 0 0; 0 1 0 0; 0 1 0 0; 0 1 0 0; 0 1 0 0; 0 0 1 0; 0 0 1 0; 0 0 1 0; 0 0 1 0; 0 0 1 0; 0 0 0 1; 0 0 0 1; 0 0 0 1; 0 0 0 1; 0 0 0 1;] p=a;t=b; netp=newff([-1 1;-1 1;-1 1;-1 1;-1 1],[7,4],{logsig,logsig},trainlm);%创建一前馈BP网络 netp=init(netp);% 网络初始化 netp.trainParam.epochs=3000; %网络的训练 netp.trainParam.goal=0.001; net.trainparam.lr=0.01; [netp,tr]=train(netp,p,t); netp.IW{1} netp.b{1} netp.LW{2} netp.b{2} 得到的误差曲线如图所示。 图 神经网络训练误差曲线 训练完成后，得到的是网络的各层权值和阈值。在MATLAB环境下，可通过netp.IW{1}、netp.b{1}、netp.LW{2}、netp.b{2}等函数调出各层的权值和阈值。利用save语句可将训练结果保存起来，以备后用。 神经网络训练的目的就是为了获得合适的权值和阈值，为网络仿真做准备。网络仿真是用sim函数实现的，其程序如下： load(C:\Users\JingGY\Documents\MATLAB\data); A=[510 400 470 420 450 370 310 276 355 280 225 190 180 210 150 60 35 80 45 70]; B=[23 21 22.6 20.4 21.7 26.2 18.4 17.8 23.5 19.6 28.2 30 10.4 27.6 13.1 33.2 6.5 32.7 3.8 7.2]; C=[52 56 55 55 58 46 62 65 49 61 38 36 78 37 74 25 82 29 85 82]; D=[0.06 0.05 0.05 0.06 0.04 0.09 0.08 0.08 0.09 0.07 0.11 0.14 0.12 0.12 0.13 0.16 0.15 0.18 0.17 0.15]; E=[50 42 45 49 47 55 53 54 58 57 65 64 71 76 73 83