计算智能复习资料.docxVIP

PAGE4/NUMPAGES4

实用文档

计算智能晚自习资料

给出人工神经元的形式化描述，画出示意图并说明各种符号的意义？

如图所示，设ui为构成神经网络的某个神经元的内部状态，θi为阈值，xi为输入信号，wij表示从ui到uj连接的权值。si表示外部输入信号（在某些情况下，它可以控制神经元ui，使它保持在某一状态），上述假设可描述为：

σi＝Σxjwij+si-θi

ui＝f（σi）

yi＝g（ui）＝h（σi），h＝gf

神经元结构模型

符号意义：yi输出ui状态xj输入wij连接权

叙述人工神经网络处理信息的主要特点？

（1）、以大规模模拟并行处理为主，而现代数字计算机只是串行离散符号处理。（2）、具有很强的鲁棒性和容错性，善于联想、概括、类化和推广，任何局部的损伤不会影响整体结果。（3）、具有很强的自学能力，系统可以在学习过程中不断完善自己，具有创新特点，这不同于AI中的专家系统，后者只是专家经验的知识库，并不能创新和发展。（4）、神经网络或者是非线性映射或者是大规模自适应非线性动力学系统，具有集体运算的能力，这与本质上是线性系统的现代数字计算机迥然不同。（5）、神经网络不适于高精度的科学计算。

按如下要求画出一个前向神经网络示意图：网络有一个隐蔽层，输入层有3个节点，隐蔽层有4个神经元，输出层有2个神经元，用XK表示输入，YK表示输出。

x1

x2

●●●●●●

●●●

●●●

.xn

n（输入层）l（隐层）m（输出层）

说明网络共有多少个可以调节的参数。

n*l+l*m+l+m＝可调节的参数的个数

如果隐层为2层，则为n*l1+l1*l2+l2*m+l1+m+l2

回答下列叙述题

叙述利用误差反向传播算法（BP算法）训练三层前馈网络的步骤？

BP算法是有教师指导的，适合于多层神经网络的学习训练，是建立在梯度下降算法基础上的，主要思想是把学习过程分为2个阶段，第一阶段（信号正向传播过程），输入信号通过输入层经隐层逐层处理并计算每个节点的实际输出值；第二阶段（误差修正反向传播过程），若在输出层未得到期望的输出值，则逐层递归的计算实际输出与期望输出之间的误差，并依据此误差来修正权值。步骤如右图所示：

给出基于BP算法的两个应用实例。

在书里找？

回答一下列问题

叙述遗传算法的特点，写出遗传算法的五个基本要素，画出遗传算法的基本流程图？

特点：

遗传算的法的处理对象不是参数（优化问题的参变量）本身，而是对参数集进行了编码的个体。这种编码操作，使得遗传算法可直接对结构对象进行操作（所谓结构对象泛指集合、序列、矩阵、树、图、链和表等各种一维或高维结构形式）。这一特点使得遗传算法具有广泛的应用领域。

遗传算法的基本作用对象是多个可行解的集合，而非单个可行解。它是采用同时处理群体中多个个体的方法，即同时对搜索空间中的多个解进行评估。这一特点使得遗传算法具有较好的全局搜索性能，减少了陷于局优解的可能性。同时这又使得遗传算法本身具有良好的并行性。

遗传算法仅用适应度函数值来评估个体，而无须搜索空间的知识或其他辅助信息。遗传算法的适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。对适应度函数的唯一要求是，对于输入可计算出能够进行比较的输出。遗传算法的这一特点使它的应用范围极大拓宽，使之可广泛应用于目标函数不可微、不连续、非规划、极其复杂或无解析表达式等类优化问题。

遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。遗传算法执行选择、交叉、变异等类似生物进化过程的简单随机操作，具有极强的鲁棒性。需要指出，遗传算法采用概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优的解区域移动。因此尽管看起来它是一种盲目的搜索方法，但实际上有明确的搜索方向。

五个基本要素：

参数编码2、初始群体的设定3、适应度函数的设计4、遗传操作设计5、操作参数设定（主要指群体规模以及执行遗传操作的概率等）

流程图：

写出适应度比例选择就去（赌轮选择）的计算机实现步骤。

在这种选择机制中，个体每次被选中的概率与其在群体环境中的相对适应度成正比。

设群体规模为n，其中第i个个体的适应度为fi，则其被选择的概率为：

选择概率Psi反映了第i个个体的适应度在整个群体的个体适应度总和中所占的比例。个体适应度值越大，其被选择的概率就越高，反之亦然。选择过程：

（1）、依次累计群体内各个体的适应度，得相应得累计值Si，最后一个累计值为Sn；

（2）、在[0，Sn]区间内产生均匀分布得随机数R；

（3）、依次用Si与R相比较，第一个出现Si大于或等于R的个