《人工智能導論》課程研究總結

《人工智能導論》課程研究總結題目：神經(jīng)網(wǎng)絡的非線性函數(shù)擬合班級：姓名：學號：年月日本次作業(yè)我負責程序的編寫，過程如下Matlab軟件中包含Matlab神經(jīng)網(wǎng)絡工具箱是以人工神經(jīng)網(wǎng)絡理論為基礎Matlab語言構造出了該理論所涉及的公式運算操作和方程求解等大部分子程序以用于神經(jīng)網(wǎng)絡的設計和訓練只根據(jù)自的需要調用相關的子程序以完成包括網(wǎng)絡結構設計、權值初始化網(wǎng)絡訓練及結果輸?shù)仍趦?nèi)的一系列工作除編寫復雜龐大程序的困擾目前，Matlab神網(wǎng)絡工具包包括的網(wǎng)絡有感知器、線性網(wǎng)絡神網(wǎng)絡、徑向基網(wǎng)絡、自組織網(wǎng)絡和回歸網(wǎng)絡等神網(wǎng)絡主要用到、和train3個經(jīng)網(wǎng)絡函數(shù)，各函數(shù)解釋如下。1：神經(jīng)網(wǎng)絡參數(shù)設置函數(shù)函數(shù)功能：構建一個BP神網(wǎng)絡。函數(shù)形式：=（，，，，，，IPF，，）P：入據(jù)矩陣。T：出數(shù)據(jù)矩陣。S：隱含層結點數(shù)。：點傳遞函數(shù)，包括硬限幅傳遞函數(shù)，對稱硬限幅傳遞函數(shù)，性傳遞函數(shù)pureline，正切S型遞函數(shù)，數(shù)型傳遞函數(shù)。：訓練函數(shù)，包括梯度下降P算法訓練函數(shù)，動量反傳的梯度下降算法訓練函數(shù)，動態(tài)自適應學習率的梯度下降BP算法訓練函數(shù)，量反傳和動態(tài)自適應學習率的梯度下降BP算訓練函數(shù)的BP算法訓練函數(shù)。：絡學習函數(shù)包括BP學規(guī)learngd，帶動量項的BP學習規(guī)則learngdm。PF：性能分析函數(shù)，包括均值絕對誤差性分析函數(shù)mae，均方差性能分析函數(shù)。IPF：輸入處理函數(shù)。OPF輸出處理函數(shù)。DDF驗證數(shù)據(jù)劃分函數(shù)。一般在使用過程中設置前面?zhèn)€數(shù)，后面?zhèn)€數(shù)采用系統(tǒng)默認參數(shù)。2train：神經(jīng)網(wǎng)絡訓練函數(shù)函數(shù)功能：用訓練數(shù)據(jù)訓練神經(jīng)網(wǎng)絡。函數(shù)形式：，tr]=（，，，AiNET：訓練網(wǎng)絡。X輸入數(shù)據(jù)。T：出數(shù)據(jù)。Pi初始化輸入層條件。Ai初始化輸出層條件。：練好的網(wǎng)絡tr：訓練過程記錄。

一般在使用過程中設置前面?zhèn)€數(shù)，后面?zhèn)€數(shù)采用系統(tǒng)默認參數(shù)。3sim：BP神經(jīng)網(wǎng)絡預測函數(shù)、函數(shù)功能：用訓練好的BP神網(wǎng)絡預測函數(shù)輸出。函數(shù)形式：=sim（net，）：練好的網(wǎng)絡x：輸入數(shù)據(jù)。y：絡預測數(shù)據(jù)。程序代碼：%%清環(huán)境變量clcclear%%訓數(shù)據(jù)預測數(shù)提取及歸一化%導輸入輸出數(shù)據(jù)loaddatainputoutput%從到2000間隨機排序k=rand(1,2000);[m,n]=sort(k);%隨機選擇組練數(shù)據(jù)和組測數(shù)據(jù)input_train=input(n(1:1900),:)';output_train=output(n(1:1900));input_test=input(n(1901:2000),:)';output_test=output(n(1901:2000));%訓練數(shù)據(jù)歸一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%BP網(wǎng)訓練%初化BP網(wǎng)結構net=newff(inputn,outputn,5);%網(wǎng)參數(shù)配置（迭代次數(shù)、學習率、目標）net.trainParam.epochs=100;net.trainParam.lr=0.1;net.trainParam.goal=0.00004;%網(wǎng)訓練net=train(net,inputn,outputn);%%BP網(wǎng)預測%預數(shù)據(jù)歸一化inputn_test=mapminmax('apply',input_test,inputps);%網(wǎng)預測輸出an=sim(net,inputn_test);%網(wǎng)輸出反歸一化BPoutput=mapminmax('reverse',an,outputps);%%結分析figure(1)

plot(BPoutput,':og')holdonplot(output_test,'-*');legend('預輸出,'期望輸出title('BP網(wǎng)絡預測輸出,'fontsize',12)函輸,'fontsize',12)xlabel('樣,'fontsize',12)%預誤差error=BPoutput-output_test;figure(2)plot(error,'-*')title('BP網(wǎng)絡預測誤差,'fontsize',12)ylabel('誤,'fontsize',12)xlabel('樣,'fontsize',12)figure(3)plot((output_test-BPoutput)./BPoutput,'-*');title('神網(wǎng)絡預測誤差百分)errorsum=sum(abs(error))感受與體會本次課程設計使我受益匪淺使我更加深入的了解了硬件設計的整個流程且深了我對技術這門的課內(nèi)容的理解