人工神经网络试题

1、简要说明误差反向传播的BP算法的基本原理，讨论BP基本算法的优缺点。并采用BP神经网络进行模式识别。设计一个BP网络对附图中的英文字母进行分类。输入向量含16个分量，输出向量分别用[1,-1,-1]T,[-1,1,-1]T,[-1,-1,1]T代表字符A，I，O。采用不同的学习算法（traingd，traingdm，traingdx，trainlm）进行比较。并测试施加5%噪声与输入时的测试结果。要求：给出matlab的源程序（可调用matlabNN工具箱），网络结构，初始权值，训练结果，测试结果。2、简要说明误差反向传播的BP算法的基本原理，讨论BP基本算法的优缺点。并采用BP神经网络设计实现一个9*9表。采用不同的学习算法（traingd，traingdm，traingdx，trainlm）进行比较。要求：给出matlab的源程序（可调用matlabNN工具箱），网络结构，初始权值，训练结果，测试结果。（考虑将其中的数改为二进制）1*1=12*2=22*2=43*3=33*2=63*3=94*4=44*2=84*3=124*4=165*5=55*2=105*3=155*4=205*5=256*1=66*2=126*3=186*4=246*5=306*6=367*1=77*2=147*3=317*4=287*5=357*6=427*7=498*1=88*2=168*3=248*4=328*5=408*6=488*7=568*8=649*1=99*2=189*3=279*4=369*5=459*6=549*7=639*8=729*9=813、简要说明误差反向传播的BP算法的基本原理，讨论BP基本算法的优缺点。表1中给出了某结构在多种状态下的特征向量，表2给出了某时刻结构的特征向量，请使用人工神经网络根据表2中的特征向量判断其所属状态。表1特征1特征2特征3特征4特征5特征6特征7特征8特征9特征10状态10.6700.2580.8760.0210.3290.2610.8540.9420.4320.743状态20.9560.2520.1990.9880.2250.3790.0590.0150.4980.412状态30.3710.8560.3850.7390.4890.6850.7490.6600.3360.908状态40.8800.7370.6610.4230.7600.6800.0500.9700.6430.267状态50.1730.1360.2840.5150.5290.4610.4150.9900.3200.439状态60.9790.1180.4690.3340.6400.5670.3050.7880.9600.933表2特征1特征2特征3特征4特征5特征6特征7特征8特征9特征10时刻10.7940.2710.8930.0640.4320.2090.7940.8740.4380.726时刻20.5220.8750.2980.5820.5790.7830.6020.7680.2140.744时刻30.9210.7800.6700.4370.8750.7150.2020.9980.6740.447网络结构设计输入个数为10，输出个数为1，故神经元个数为1，结构如下图。本题是一个模式识别问题，采用自组织竞争人工神经网络。图1-1网络结构图画出6个状态在坐标系中如图1-2所示。%创建输入向量X=[01;01]clusters=6;points=10;std_dev=0.05;P=nngenc(X,clusters,points,std_dev);plot(P(1,:),P(2,:),'+r')title('InputVectors');xlabel('p(1)');ylabel('p(2)');%创建自组织竞争神经网络net=newc([01;01],6,.1);net=init(net);w=net.IW{1};holdoff;plot(P(1,:),P(2,:),'+r');holdon;plot(w(:,1),w(:,2),'ob');xlabel('p(1)');ylabel('p(2)');holdoff;net.trainParam.epochs=7;holdon;net=init(net);moreoff;net=train(net,P);TRAINR,Epoch0/7TRAINR,Epoch7/7TRAINR,Maximumepochreached.%训练该网络holdon；net=init(net);moreoff;w=net.IW{1};delete(findobj(gcf,'color',[001]));holdoffplot(P(1,:),P(2,:),'+r');holdoff;holdon;plot(w(:,1),w(:,2),'ob');xlabel('p(1)');ylabel('p(2)');holdoff;%仿真该网络p=[0.794;0.271];a=sim(net,p);ac=vec2ind(a)