感知器神经网络设计实验总结

智能信

息技术处理技术实验

学班学成指

生姓名 级 号 绩

XX 电信093 094012003XX

XXX

导教师

电气与信息工程学院 2013年1 月 5日

实验一 感知器实验

一、实验目的

（1）熟悉感知器网络及相关知识。 （2）熟悉matlab相关的知识。

（3）学会利用matlab实现感知器网络，并将输入样本线性划分。

二、实验要求

（1）复习人工智能神经网络中感知器网络的相关内容。 （2）掌握感知器网络的学习算法。 （3）利用matlab建立感知器网络。

三、内容及步骤

设计单一感知器神经元来解决一个简单的分类问题：将4个输入向量分为两类，其中两个输入向量对应的目标值为1，另两个对应的目标值为0。

主要程序程序如下： P=[-1 -0.5 0.3 -0.1 50; -0.5 0.5 -0.5 1.0 35]; T=[1 1 0 0 0]; plotpv(P,T); pause;

net=newp([-1 50; -1 40],1); watchon; cla;

plotpv(P,T);

linehandle=plotpc(net.IW{1},net.b{1}); E=1;

net=init(net);

linehandle=

智能信

息技术处理技术实验

学班学成指

生姓名 级 号 绩

XX 电信093 094012003XX

XXX

导教师

电气与信息工程学院 2013年1 月 5日

实验一 感知器实验

一、实验目的

（1）熟悉感知器网络及相关知识。 （2）熟悉matlab相关的知识。

（3）学会利用matlab实现感知器网络，并将输入样本线性划分。

二、实验要求

（1）复习人工智能神经网络中感知器网络的相关内容。 （2）掌握感知器网络的学习算法。 （3）利用matlab建立感知器网络。

三、内容及步骤

设计单一感知器神经元来解决一个简单的分类问题：将4个输入向量分为两类，其中两个输入向量对应的目标值为1，另两个对应的目标值为0。

主要程序程序如下： P=[-1 -0.5 0.3 -0.1 50; -0.5 0.5 -0.5 1.0 35]; T=[1 1 0 0 0]; plotpv(P,T); pause;

net=newp([-1 50; -1 40],1); watchon; cla;

plotpv(P,T);

linehandle=plotpc(net.IW{1},net.b{1}); E=1;

net=init(net);

linehandle=

感知器算法作业：

图为二维平面中的4个点，x1, x2∈ω1 ，x3，x4∈ω2 ，设计使用感知器算法的线性分类器，步长参数设为1.

x2

x1x4

x3

解：由题知：

1:X1 [ 1,0]TX2 [0,1]T 2:X3 [0， 1]TX4 [10]，T 所有样本写成增广向量形式，进行规范化处理，属于 2的样本乘以-1 X1 [ 1,0,1]TX2 [0,1,1]TX3 [01，， 1]TX4 [ 10，， 1]T 步长c=1，任取W(1) [0,0,0]T

第一轮迭代：

1 =0，TWT(1)X1 [0,0,0] 0 0 ，故 W(2) W(1) X [ 1,0,1]1 1

0 =1，>0，故TWT(2)X2 [ 1,0,1] 1 W(3) W(2) [ 1,0,1] 1

0 = 1，TWT(3)X3 [ 1,0,1] 1 0，故 W(4) W(3) X [ 1,1,0]3 1

1 =1，>0，故TWT(4)X4 [ 1,1,0] 0 W(5) W(4) [ 1,1,0] 1

第二轮迭代：

1 =1，>0，故TWT(5)X1 [ 1,1,0] 0 W(6) W(5) [ 1,1,0

计算智能实验报告

实验名称：BP神经网络算法实验

班级名称：专 业：姓 名：学 号：

级软工三班 软件工程 李XX

2010 XXXXXX2010090

一、 实验目的

1）编程实现BP神经网络算法；

2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系；

3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。

二、 实验要求

按照下面的要求操作，然后分析不同操作后网络输出结果。 1）可修改学习因子

2）可任意指定隐单元层数

3）可任意指定输入层、隐含层、输出层的单元数 4）可指定最大允许误差ε

5）可输入学习样本（增加样本）

6）可存储训练后的网络各神经元之间的连接权值矩阵；

7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果 。

三、 实验原理

1 明确BP神经网络算法的基本思想如下：

在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架

反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结

人工神经网络实验指导《人工神经网络》

实验指导

北京工商大学信息工程学院《人工神经网络》课程组编写

1 / 22

人工神经网络实验指导

目录

第一部分实验准备 (1)

第1章NeuDesk软件 (2)

1.1NeuDesk软件概述 (2)

1.2NeuDesk软件使用说明 (2)

1.2.1样本的输入 (2)

第2章Matlab神经网络工具箱 (6)

2.1 MATLAB 神经网络工具箱概述 (6)

2.1.1神经网络工具箱的帮助和安装 (6)

2.2 MATLAB 神经网络工具箱函数 (6)

2.2.1 网络创建函数 (6)

2.2.2 网络应用函数 (7)

2.2.3 权函数 (7)

2.2.4 网络输入函数 (7)

2.2.5 转移函数 (7)

2.2.6 初始化函数 (8)

2.2.7 性能分析函数 (8)

2.2.8 学习函数 (8)

2.2.9 自适应函数 (8)

2.2.10 训练函数 (8)

2.2.11 分析函数 (8)

2.2.12 绘图函数 (8)

2.2.13 符号变换函数 (9)

2.2.14 拓扑函数 (9)

2.3 MATLAB使用说明 (9)

2.3.1MATLAB界面 (9)

2.3.2在MATLAB环境下运行程序 (9)

第二部分实验 (13)

第3章BP网络的设计 (1

计算智能实验报告

实验名称：BP神经网络算法实验

班级名称：专 业：姓 名：学 号：

级软工三班 软件工程 李XX

2010 XXXXXX2010090

一、 实验目的

1）编程实现BP神经网络算法；

2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系；

3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。

二、 实验要求

按照下面的要求操作，然后分析不同操作后网络输出结果。 1）可修改学习因子

2）可任意指定隐单元层数

3）可任意指定输入层、隐含层、输出层的单元数 4）可指定最大允许误差ε

5）可输入学习样本（增加样本）

6）可存储训练后的网络各神经元之间的连接权值矩阵；

7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果 。

三、 实验原理

1 明确BP神经网络算法的基本思想如下：

在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架

反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结

实验二 感知器准则与Fisher算法实验

1、【实验目的】

贝叶斯分类方法是基于后验概率的大小进行分类的方法，有时需要进行概率密度函数的估计,而概率密度函数的估计通常需要大量样本才能进行，随着特征空间维数的增加，这种估计所需要的样本数急剧增加，使计算量大增。 在实际问题中，人们可以不去估计概率密度，而直接通过与样本和类别标号有关的判别函数来直接将未知样本进行分类。这种思路就是判别函数法，最简单的判别函数是线性判别函数。采用判别函数法的关键在于利用样本找到判别函数的系数，模式识别课程中的感知器算法是一种求解判别函数系数的有效方法。本实验的目的是通过编制程序，实现感知器准则 算法，并实现线性可分样本的分类。

本实验通过编制程序让初学者能够体会Fisher线性判别的基本思路，理解线性判别的基本思想，掌握 Fisher 线性判别问题的实质。

2、[实验内容]

1．实验所用样本数据如表2-1 给出（其中每个样本空间（数据）为两维， x 1 表示第一维的值、x 2 表示第二维的值），编制程序实现 ω1、ω 2 类 ω 2、ω 3类的分类。分析分类器算法的性能。

具体要求

1、复习感知器算法；

2、写出实现批处理感知器算法的程序

1 通过神经网络滤波和信号处理，传统的sigmoid函数具有全局逼近能力，而径向基rbf函数则具有更好的局部逼近能力，采用完全正交的rbf径向基函数作为激励函数，具有更大的优越性，这就是小波神经网络，对细节逼近能力更强。 BP网络的特点

①网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题。我们无需建立模型，或了解其内部过程，只需输入，获得输出。只要BPNN结构优秀，一般20个输入函数以下的问题都能在50000次的学习以内收敛到最低误差附近。而且理论上，一个三层的神经网络，能够以任意精度逼近给定的函数，这是非常诱人的期望；

②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力； ③网络具有一定的推广、概括能力。 bp主要应用

回归预测（可以进行拟合，数据处理分析，事物预测，控制等）、 分类识别（进行类型划分，模式识别等），在后面的学习中，都将给出实例程序。

但无论那种网络，什么方法，解决问题的精确度都无法打到100%的，但并不影响其使用，因为现实中很多复杂的问题，精确的解释是毫无意义的，有意义的解析必定会损失精度。 BP注意问题

感知器模型及其学习算法

1 感知器模型

? 感知器模型是美国学者罗森勃拉特（Rosenblatt）为研究大脑的存储、学习和认知过程而提出的一类具有自学习能力的神经网络模型，它把神经网络的研究从纯理论探讨引向了从工程上的实现。

? Rosenblatt提出的感知器模型是一个只有单层计算单元的前向神经网络，称为单层感知器。 2 单层感知器模型的学习算法

? 算法思想：首先把连接权和阈值初始化为较小的非零随机数，然后把有n个连接权值的输入送入网络，经加权运算处理，得到的输出如果与所期望的输出有较大的差别，就对连接权值参数按照某种算法进行自动调整，经过多次反复，直到所得到的输出与所期望的输出间的差别满足要求为止。 ? 为简单起见，仅考虑只有一个输出的简单情况。设xi(t)是时刻t感知器的输入（i=1,2,......,n），ωi(t)是相应的连接权值，y(t)是实际的输出，d(t)是所期望的输出，且感知器的输出或者为1，或者为0。 3 线性不可分问题

? 单层感知器不能表达的问题被称为线性不可分问题。 1969年，明斯基证明了“异或”问题是线性不可分问题： “异或”（XOR）运算的定义如下：

由于单层感知器的输出为

y(x1,x2)=f(

目 录

第一节 神经网络基本理论

一、人工神经网络概论 二、生物神经元模型

三、Matlab的神经网络工具包 第二节 感知器

一、感知器神经元模型 二、感知器的网络结构 三、感知器神经网络的学习规则 四、感知器神经网络的训练

五、重要的感知器神经网络函数的使用方法 六、感知器神经网络应用举例 第三节 线性神经网络

一、线性神经元模型 二、线性神经网络结构

三、线性神经学习网络的学习规则 四、线性神经网络训练

五、重要线性神经网络函数的使用方法 六、线性神经网络的应用举例 第四节 BP网络

一、BP网络的网络结构 二、BP网络学习规则 三、BP网络的训练

四、重要BP神经网络函数的使用方法 五、BP网络的应用举例 第五节 径向基函数网络

一、径向基函数神经网络结构 二、径向基函数的学习算法

1

三、重要径向基函数的函数使用方法 第六节 反馈网络

一、Hopfield网络的结构与算法 二、Hopfield网络运行规则 三、重要的反馈网络函数 四、重要的自组织网络函数 五、反馈网络应用举例 第七节 自组织网络

一、自组织特征映射的网络结构 二、自组织特征映射网络的学习 三、自组织特征映射网络的训练 四、重要的自组织网络函数