人工智能教程习题及答案第9章神经网络与遗传算法.pdfVIP

第九章 神经网络与遗传算法 习题参考解答 9.1 练习题 9.1 何谓人工神经网络?它有哪些特征? 9.2 生物神经元由哪几部分构成?每一部分的作用是什么?它有哪些特性? 9.3 什么是人工神经元？它有哪些连接方式？ 9.4 B-P 算法的网络结构是什么？简述B-P 算法的学习过程。 9.5 什么是网络的稳定性? Hopfield 网络模型分为哪两类?两者的区别是什么? 9.6 有教师学习与无教师学习的区别是什么? 请分析说明。 9.7 Hopfield 模型与B-P 模型的网络结构有何异同？ 9.8 简述简单遗传算法的基本原理和一般过程,说明个体选择的常用策略, 以及遗传操作 “交叉”和“变异”所起的作用。 9.9 遗传算法有哪些特点？在应用遗传算法时要解决的最关键问题有哪些？ 9.2 习题参考解答 9.1 答: （略） 9.2 答: 生物神经元主要由三部分构成：细胞体、轴突和树突。 每一部分的作用是：（a ）细胞体是神经元的新陈代谢中心，同时还用于接收并处理从其 他神经元传递过来的信息。（b ）轴突的作用相当于神经元的输出电缆，它通过尾部分出的许 多神经末梢以及梢端的突触向其他神经元输出神经冲动。（c ）树突的相当于神经元的输入端， 用于接收从四面八方传来的神经冲动。 神经元的功能特性包括：（a ）时空整合功能。（b ）神经元的动态极化性。（c ）兴奋与抑 制状态。（d ）结构的可塑性。（e ）脉冲与电位信号的转换。（f ）突触延期和不应期。（g ）学 习、遗忘和疲劳。 9.3 答: （略） 9.4 答: B-P 算法的网络结构是一个前向多层网络。网络中不仅含有输入节点和输出节点， 而且含有一层或多层隐（层）节点，网络中各处理单元间的连接如图6.16 所示。当有信息 向网络输入时，信息首先由输入层传递到隐层节点，经特性函数（人工神经元）作用后，再 221 传至下一隐层。这样一层一层传递下去，直到最终传至输出节点层进行输出。其间各层的激 发函数要求是可微的，一般是选用S型函数。B-P算法的学习过程如下： （a）选择一组训练样例，每一个样例由输入信息和期望的输出结果两部分组成。 （b）从训练样例集中取一样例，把输入信息输入到网络中。 （c）分别计算经神经元处理后的各层节点的输出。 （d）计算网络的实际输出和期望输出的误差。 （e）从输出层反向计算到第一个隐层，并按照某种能使误差向减小方向发展的原则， 调整网络中各神经元的连接权值。 （f）对训练样例集中的每一个样例重复（c）—（e）的步骤，直到对整个训练样例集 x1 y1 x2 y2 … … … x y n m 图9.6 B-P 网络 的误差达到要求时为止。 答:所谓一个网络是稳定的是指从某一时刻开始，网络的状态不再改变。设用 表 9.5 X(t) 示网络在时刻 的状态，如果从 ＝０的任一初态t t X(0)开始，存在一个有限的时刻 t，使得 从此时刻开始神经网络的状态不再发生变化，即 X(tt)X(t)　(t0),就称此网络是稳定 的。 Hopfield 网络模型分为离散型和连续型两类，它们都是反馈网络结构。即它们从输出层到 输入层都有反馈存在。两者的区别是离散网络模型是一个离散时间系统，每个神经元只有两 个状态，可以用1和0来表示；而连续时间的网络模型中，各神经元可在0到1的区间内取 任一实数值，从而能更好地模拟人