《人工智能及其應(yīng)用》實驗指導(dǎo)書

《人工智能及其應(yīng)用》試驗指導(dǎo)書 《人工智能及其應(yīng)用》試驗指導(dǎo)書浙江工業(yè)大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院—人工智能課程組20239月 《人工智能及其應(yīng)用》試驗指導(dǎo)書 II頁前言級課程和信息智能化技術(shù)的爭論與系統(tǒng)開發(fā)奠定良好的根底。全書共分為八個試驗：1.產(chǎn)生式系統(tǒng)試驗；2.模糊推理系統(tǒng)試驗；3.A*算法TSP問題試驗；7.基于神經(jīng)網(wǎng)絡(luò)的模式識別試驗；8.基試驗要求、試驗步驟和試驗報告等六個工程。是介紹八個試驗的內(nèi)容。由于編者水平有限，本試驗指導(dǎo)書的錯誤和缺乏在所難免，歡送批判指正。人工智能課程組20239月 《人工智能及其應(yīng)用》試驗指導(dǎo)書 頁名目TOC\o“1-1“\h\z\u\l“_TOC_250008“試驗教學(xué)大綱 1\l“_TOC_250007“試驗一產(chǎn)生式系統(tǒng)試驗 3\l“_TOC_250006“試驗二模糊推理系統(tǒng)試驗 5\l“_TOC_250005“三A*算法試驗I 9\l“_TOC_250004“四A*算法試驗II 12\l“_TOC_250003“試驗五遺傳算法試驗I 14\l“_TOC_250002“試驗六遺傳算法試驗II 18\l“_TOC_250001“試驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別試驗 20\l“_TOC_250000“試驗八基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計算試驗 24 《人工智能及其應(yīng)用》試驗指導(dǎo)書 10試驗教學(xué)大綱一、學(xué)時：16916周。二、主要儀器設(shè)備及運(yùn)行環(huán)境：PC機(jī)、VisualC++6.0、Matlab7.0。三、試驗工程及教學(xué)安排序號試驗名稱試驗試驗內(nèi)容學(xué)類型教學(xué)平臺時要求1產(chǎn)生式系統(tǒng)應(yīng)用VC++設(shè)計學(xué)問庫，實現(xiàn)系統(tǒng)識別或2設(shè)計課內(nèi)分類等。2模糊推理系統(tǒng)應(yīng)用Matlab設(shè)計洗衣機(jī)的模糊把握器；設(shè)計兩車追趕的模糊把握2驗證課內(nèi)器。A*IA*IIIII基于神經(jīng)網(wǎng)絡(luò)的模式識別

VC++VC++MatlabVC++Matlab

N數(shù)碼問題的2綜合課內(nèi)2綜合課內(nèi)2綜合課內(nèi)2驗證課內(nèi)2綜合課內(nèi)2驗證課內(nèi)設(shè)計與實現(xiàn)求解迷宮問題的A*算法。1〕求某一函數(shù)的最小值；2〕求某一函數(shù)的最大值。設(shè)計與實現(xiàn)求解不同城市規(guī)模的TSP問題的遺傳算法。1〕BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別設(shè)計；2〕基于離散Hopfiel神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶設(shè)計?；谏窠?jīng)網(wǎng)絡(luò)的優(yōu)化計算

VC++ TSP問題的連Hopfield神經(jīng)網(wǎng)絡(luò)。

2 綜合 課內(nèi)四、試驗成績評定試驗課成績單獨(dú)按五分制評定。凡試驗成績不及格者，該門課程就不及格。成績的主要依據(jù)。評定各級成績時，可參考以下標(biāo)準(zhǔn)：〔一〕優(yōu)秀能正確理解試驗的目的要求，能獨(dú)立、順當(dāng)而正確地完成各項試驗操作，會習(xí)慣?！捕沉己媚芾斫庠囼灥哪康暮鸵?，能認(rèn)真而正確地完成各項試驗操作，能分析和處風(fēng)?！踩持械饶艽譁\理解試驗?zāi)康囊?，能認(rèn)真努力進(jìn)展各項試驗操作，但技巧較差。能30%把握得不遵守各項規(guī)章制度。學(xué)習(xí)努力。〔四〕及格只能機(jī)械地了解試驗內(nèi)容，能一般按圖、或按試驗步驟“照方抓藥”完成試驗60%理問題缺乏條理。〔五〕不及格盲目地“照方抓藥”50%的所學(xué)試驗技能。有些試驗雖能作，但一般也較難完成各項試驗作業(yè)?；蛴行┬÷斆鞯慌?，不求上進(jìn)。試驗一產(chǎn)生式系統(tǒng)試驗一、試驗?zāi)康模阂?guī)章推理的根本方法。二、試驗內(nèi)容〔如分類、診斷、推想等類型。三、試驗條件：1所示。圖1 產(chǎn)生式系統(tǒng)試驗程序界面四、試驗要求具體應(yīng)用領(lǐng)域自選，具體系統(tǒng)名稱自定；但所做系統(tǒng)確定不能雷同。1所示的產(chǎn)生式系統(tǒng)試驗程序，建立學(xué)問庫，分別運(yùn)行正、反向推理。五、試驗步驟：1統(tǒng)：系統(tǒng)設(shè)置，包括設(shè)置系統(tǒng)名稱和系統(tǒng)謂詞，給出謂詞名及其含義。編輯學(xué)問庫，通過輸入規(guī)章或修改規(guī)章等，完成整個規(guī)章庫的建立。建立事實庫〔綜合數(shù)據(jù)庫〕，輸入多條事實或結(jié)論。規(guī)章區(qū)。六、試驗報告下面是試驗報告的根本內(nèi)容和書寫格式。遞交的報告文件名：班級_學(xué)號_姓名_試驗名稱———————————————————————試驗名稱班級： 學(xué)號： 一、試驗?zāi)康南到y(tǒng)名稱及謂詞定義系統(tǒng)學(xué)問庫五、試驗總結(jié)———————————————————————試驗二模糊推理系統(tǒng)試驗一、試驗?zāi)康亩?、試驗原理示與處理。模糊規(guī)律推理是基于模糊性學(xué)問(模糊規(guī)章)的一種近似推理，一般承受Zadeh提出的語言變量、語言值、模糊集和模糊關(guān)系合成的方法進(jìn)展推理。三、試驗條件Tool。四、試驗內(nèi)容及要求設(shè)計洗衣機(jī)洗滌時間的模糊把握。人的操作閱歷為：”；”；”。要求：表和推論結(jié)果立體圖?！?〕假定當(dāng)前傳感器測得的信息為x0

(污泥60,y〔油脂700態(tài)仿真環(huán)境圖。1SD〔污泥少、MD〔污泥中、污泥多油脂少油脂中油脂多短、S〔洗滌時間短、M〔洗滌時間中等、L〔洗滌時間長、VL〔洗滌時間很長。1洗衣機(jī)的模糊把握規(guī)章表x y zSD NG VSSD MG MSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL

Y(s)

4 ，Y為速度，UU(s) s220.72s4為油門把握輸入。2200m90km的130m的距離。251110km30m距離。35170km30m距離。要求：2號汽車的模糊e和誤差的變化e，1u，采表，推論結(jié)果立體圖和模糊推理的動態(tài)仿真環(huán)境圖。11＋2—30mu模糊推理系統(tǒng)dedt1兩車追趕的模糊把握系統(tǒng)框圖〔1號汽車〕的速度曲線圖，以及追趕車〔2號汽車〕的速度曲線圖和與目標(biāo)車〔1號汽車〕相對距離變化圖。2r

e

..2, tg r和eu的論域分別為[0,1]、[-3,3]和[-1,1]，r2所示。2模糊把握規(guī)章表\r NB ZE PBPBZENMNBPMZEPMPBZEZEPMPBNMZENMNBNBZENMNB圖2 r的隸屬函數(shù)圖五、試驗報告要求：依據(jù)試驗要求，給出相應(yīng)結(jié)果。分析隸屬度、模糊關(guān)系和模糊規(guī)章的相互關(guān)系。下面是試驗報告的根本內(nèi)容和書寫格式。試驗名稱班級： 學(xué)號： 一、試驗?zāi)康乃?、試驗總結(jié)分析隸屬度、模糊關(guān)系和模糊規(guī)章的相互關(guān)系?？偨Y(jié)試驗心得體會——————————————————————————————————試驗三A*I一、試驗?zāi)康腁*算法求解N數(shù)碼難題，理解求解流程和搜尋挨次。二、試驗原理A*算法是一種啟發(fā)式圖搜尋算法，其特點在于對估價函數(shù)的定義上。對于一般的啟發(fā)式圖搜尋，總是選擇估價函數(shù)f值最小的節(jié)點作為擴(kuò)展節(jié)點。因此，f是依據(jù)需要找到一條最小代價路徑的觀點來估算節(jié)點的，所以，可考慮每個節(jié)點n的估價函數(shù)值為兩個重量從起始節(jié)點到節(jié)點n的實際代價g(n)以及從節(jié)點n到達(dá)目標(biāo)節(jié)點的估價代價h(n),且h(n) h*(n)*(n)為n節(jié)點到目的結(jié)點的最優(yōu)路徑的代價。81～8〔目標(biāo)狀態(tài)〕，1表示了一個具體的八數(shù)碼問題求解。1八數(shù)碼問題的求解三、試驗內(nèi)容A*算法的求解程序〔編程語言不限〕，要求設(shè)計兩種不同的估價函數(shù)。并比較它們對搜尋算法性能的影響，包括擴(kuò)展節(jié)點數(shù)、生成節(jié)點數(shù)等?！布戳罟懒縣(n)＝0A*算法〕求得問題的解，以及搜尋過程中的擴(kuò)展節(jié)點數(shù)、生成節(jié)點數(shù)。*4.A*算法核心代碼，實現(xiàn)A*15數(shù)碼問題的程序，設(shè)計兩種23的試驗內(nèi)容。5.提交試驗報告和源程序。四、試驗報告要求A*算法性能的影響。8、15數(shù)碼問題的結(jié)果，分析啟發(fā)式搜尋的特點。下面是試驗報告的根本內(nèi)容和書寫格式。試驗名稱班級： 學(xué)號： 一、試驗?zāi)康囊罁?jù)試驗內(nèi)容，把結(jié)果填入表1。h(n)不在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)123804765123804765123804765最優(yōu)解h(n)不在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)123804765123804765123804765最優(yōu)解擴(kuò)展節(jié)點數(shù)生成節(jié)點數(shù)運(yùn)行時間h(n)不在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)最優(yōu)解擴(kuò)展節(jié)點數(shù)生成節(jié)點數(shù)運(yùn)行時間*2h(n)不在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)最優(yōu)解擴(kuò)展節(jié)點數(shù)生成節(jié)點數(shù)運(yùn)行時間四、試驗總結(jié)A*N數(shù)碼問題的流程圖12?？偨Y(jié)試驗心得體會——————————————————————————————————試驗四A*II一、試驗?zāi)康念悊l(fā)式函數(shù)效果的比較。二、試驗原理f(n)=g(n)+h(n)，其中f(n)是節(jié)點n從初始點到目標(biāo)點的估價函數(shù)，g(n)是在狀態(tài)空間中從初始節(jié)點到n節(jié)點的實際代價，h(n)是從n到目標(biāo)節(jié)點最正確路徑的估量代價。保證找到最短路徑〔最優(yōu)解的〕條件，關(guān)鍵在于估價函數(shù)h(n)的選?。汗纼r值h(n)小于等于n到目標(biāo)節(jié)點的距離實際值h*(n)，這種狀況下，搜尋的點數(shù)多，搜尋范圍大，效率低，但能得到最優(yōu)解。假設(shè)估價值大于實際值，搜尋的點數(shù)少，搜尋范圍小，效率高，但不能保證得到最優(yōu)解。給定的起點、終點和障礙物〔墻〕，如何找到一條從起點開頭避開障礙物到達(dá)終點的最短路徑。(1,1)和(5,5)，每一個0表示該位置允許通過，1表示該位置不允許通過。如地圖：0000010101001110100000010最短路徑應(yīng)當(dāng)是AB0001C101ED111F1JKLGHI1M即：(1,1)-(1,2)-(2,2)-(3,2)-(3,1)-(4,1)-(5,1)-(5,2)-(5,3)-(4,3)-(4,4)-(4,5)-(5,5)三、試驗內(nèi)容A*算法求解迷宮最短路徑的流程圖。A*算法的求解結(jié)果，包括最短路徑、擴(kuò)展節(jié)點數(shù)、生成節(jié)點數(shù)和算法運(yùn)行時間。對于一樣的初始狀態(tài)和目標(biāo)狀態(tài)，設(shè)計不同的啟發(fā)式函數(shù)，比較不同啟時間。四、試驗報告要求：A*算法求解迷宮最短路徑問題的流程圖。試分析不同啟發(fā)式函數(shù)h(n)對迷宮尋路求解的速度提升效果。下面是試驗報告的根本內(nèi)容和書寫格式。試驗名稱班級： 學(xué)號： 一、試驗?zāi)康乃?、試驗總結(jié)23。總結(jié)試驗心得體會——————————————————————————————————I一、試驗?zāi)康念}，理解求解流程并測試主要參數(shù)對結(jié)果的影響。二、試驗原理遺傳算法(GeneticAlgorithms,GA)是基于生物界自然選擇和基因遺傳學(xué)原學(xué)的Holland組技術(shù)、設(shè)備布置與安排、交通問題等等。用遺傳算法求解優(yōu)化問題，首先對優(yōu)化問題的解進(jìn)展編碼，編碼后的一個解得到下一代群體。三、試驗條件Matlab7.X的遺傳算法工具箱。四、試驗內(nèi)容：用遺傳算法求解以下函數(shù)的最大值，設(shè)定求解精度到15位小數(shù)。6.45(x0.125y)(cos(x)cos(2y))208(x42)208(x42)22(y7)2y[0,10]Function〕M文件〔Matlab中要求適應(yīng)度函數(shù)最小化〕。設(shè)計及選擇上述問題的編碼、選擇操作、穿插操作、變異操作以及把握參數(shù)編碼 編碼方式〔populationtype〕編碼 編碼方式〔populationtype〕種群規(guī)模〔populationsize〕種群參數(shù)初始種群的個體取值范圍〔Initialrange〕選擇操作 個體選擇概率安排策略〔對應(yīng)Fitnessscaling〕個體選擇方法〔Selectionfunction〕最正確個體保存優(yōu)良個體保存數(shù)量〔Elitecount〕穿插操作 穿插概率〔Crossoverfraction〕穿插方式〔Crossoverfunction〕變異操作 變異方式(Mutationfunction)最大迭代步數(shù)〔Generations〕最大運(yùn)行時間限制〔Timelimit〕停頓參數(shù) 最小適應(yīng)度限制〔Fitnesslimit〕停滯代數(shù)〔Stallgenerations〕停滯時間限制〔Stalltimelimit〕使用一樣的初始種群〔Userandomstatefrompreviousrun〕，設(shè)置不同的種〔population520〔Initial1，然后求得相應(yīng)的最正確適應(yīng)度(Bestfitness)、平均適應(yīng)度〔Meanfitness〕和最正確個體〔Bestindividual〕，2，分析種群規(guī)模對算法性能的影響。2不同的種群規(guī)模的GA運(yùn)行結(jié)果種群規(guī)模最正確適應(yīng)度平均適應(yīng)度最正確個體x 520100*4)〔populationsize20〔Initial為[0;10]1，然103，并分析比較承受不同的選擇策略、穿插策略和變異策略的算法運(yùn)行結(jié)果。遺傳算法參數(shù)設(shè)置〔gaoptimset〕個體選擇概率安排遺傳算法參數(shù)設(shè)置〔gaoptimset〕個體選擇概率安排FitnessScalingFcnRank〔排序〕@fitscalingrankProportional〔比率〕@fitscalingpropRoulette〔輪盤賭選擇〕@selectionrouletteTournamet競標(biāo)賽選擇@selectiontournament1√2√34√√選擇操作個體選擇SelectionFcn√√√√穿插操作CrossoverFcn單點穿插@crossoversinglepoint兩點穿插@crossovertwopoint√√√√變異操作MutationFcnUniform〔均勻變異〕@mutationuniformGaussian〔高斯變異〕@mutationgaussian√√√√最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度備注：1：options=gaoptimset(”PopulationSize”,20,”PopInitRange”,[0;10],”FitnessScalingFcn”,@fitscalingrank,”SelectionFcn”,@selectionroulette,”CrossoverFcn”,@crossoversinglepoint,”MutationFcn”,@mutationuniform)用遺傳算法求解下面一個Rastrigin函數(shù)的最小值，設(shè)定求解精度到15位小數(shù)。f(x,x

)20x2x2s

cos2x)1 2 1 2 1 2M文件〔Matlab中要求適應(yīng)度函數(shù)最小化〕。4，并畫出最正確適應(yīng)度(Bestfitness)和最正確個體〔Bestindividual〕圖。編碼 編碼方式〔populationtype〕編碼 編碼方式〔populationtype〕種群規(guī)模〔populationsize〕種群參數(shù)初始種群的個體取值范圍〔Initialrange〕個體選擇概率安排策略〔對應(yīng)Fitnessscaling〕選擇操作個體選擇方法〔Selectionfunction〕最正確個體保存優(yōu)良個體保存數(shù)量〔Elitecount〕穿插概率〔Crossoverfraction〕穿插操作穿插方式〔Crossoverfunction〕變異操作 變異方式(Mutationfunction)最大迭代步數(shù)〔Generations〕最大運(yùn)行時間限制〔Timelimit〕停頓參數(shù) 最小適應(yīng)度限制〔Fitnesslimit〕停滯代數(shù)〔Stallgenerations〕停滯時間限制〔Stalltimelimit〕度值(Bestfitness)和平均距離〔Distance〕圖，比較分析初始范圍及種群多樣性對遺傳算法性能的影響。設(shè)置不同的穿插概率〔Crossoverfraction=0、0.8、1〕，畫出無變異的穿插〔Crossoverfraction=1〕、無穿插的變異(Crossoverfraction=0)以及穿插概率變異操作對算法性能的影響。五、試驗報告要求：畫出遺傳算法的算法流程圖。依據(jù)試驗內(nèi)容，給出相應(yīng)結(jié)果。下面是試驗報告的根本內(nèi)容和書寫格式。試驗名稱班級： 學(xué)號： 一、試驗?zāi)康囊罁?jù)試驗內(nèi)容，給出試驗結(jié)果以及結(jié)果分析。四、試驗總結(jié)3?？偨Y(jié)試驗心得體會——————————————————————————————————試驗六遺傳算法試驗II一、試驗?zāi)康纳韬桶盐者z傳算法的原理、流程和編碼策略，理解求解TSP問題的流程并測試主要參數(shù)對結(jié)果的影響，把握遺傳算法的根本實現(xiàn)方法。二、試驗原理旅行商問題，即TSP問題〔TravelingSalesmanProblem〕是數(shù)學(xué)領(lǐng)域中著名n個城市之間的相互距離，值。用圖論的術(shù)語來說，假設(shè)有一個圖g=(v,e)，其中v是頂點集，e是邊集，設(shè)d=(dij)是由頂點i和頂點j之間的距離所組成的距離矩陣，旅行商問題就是求出TSP問題是一NPC計算簡潔性，其可能的路徑數(shù)目與城市數(shù)目n試驗承受遺傳算法求解?！苍谟嬎銠C(jī)里用二進(jìn)制碼表示〕，從而三、試驗內(nèi)容1、參考試驗系統(tǒng)給出的遺傳算法核心代碼，用遺傳算法求解不同規(guī)?！怖?0個城市，20個城市，100個城市〕TSP1。1遺傳算法求解不同規(guī)模的TSP問題的結(jié)果城市規(guī)模最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時間10201002TSP〔例如10個城市〔例如10，20，100〕、穿插概率〔0，0.5，1〕和變異概率〔0，0.5，1〕，把結(jié)果填入表2。31000.850.151種變異策略〔例如相鄰兩點互換變異、逆轉(zhuǎn)變異或插入變異等〕和1種個體選擇概〔例如按線性排序或者按非線性排序安排個體選擇概率用于求解同TSP問題〔10個城市〕，3。2不同的種群規(guī)模、穿插概率和變異概率的求解結(jié)果種群規(guī)模穿插概率變異概率最好適應(yīng)最差適應(yīng)平均適應(yīng)平均運(yùn)行度度度時間100.850.15200.850.151000.850.1510000.151000.50.1510010.151000.8501000.850.51000.851變異策略兩點互換兩點互換個體選擇概率安排按適應(yīng)度比例安排最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時間變異策略兩點互換兩點互換個體選擇概率安排按適應(yīng)度比例安排最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時間按適應(yīng)度比例安排四、試驗報告要求：1TSP問題的流程圖。2TSP問題的算法性能。3、對于同一個TSP問題，分析種群規(guī)模、穿插概率和變異概率對算法結(jié)果的影響。411種個體選擇概率安排策略，比較求解同一TSP問題時不同變異策略及不同個體選擇安排策略對算法結(jié)果的影響。下面是試驗報告的根本內(nèi)容和書寫格式。試驗名稱班級： 學(xué)號： 一、試驗?zāi)康乃摹⒃囼灴偨Y(jié)2,34?？偨Y(jié)試驗心得體會——————————————————————————————————試驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別試驗一、試驗?zāi)康牧?xí)算法對神經(jīng)元的訓(xùn)練過程，了解反向傳播公式。通過構(gòu)建BP網(wǎng)絡(luò)和離散Hopfield網(wǎng)絡(luò)模式識別實例，生疏前饋網(wǎng)絡(luò)和反響網(wǎng)絡(luò)的原理及構(gòu)造。二、試驗原理BP反向地向第一隱含層(即最接近輸入層的隱含層)傳播由總誤差引起的權(quán)值修正。BP網(wǎng)絡(luò)不僅含有輸入節(jié)點和輸出節(jié)點，而且含有一層或多層隱(層)節(jié)點。輸入最終給出輸出結(jié)果。離散Hopfield本的條件下，依據(jù)Hebb學(xué)習(xí)規(guī)章調(diào)整連接權(quán)值，使得存儲的樣本成為網(wǎng)絡(luò)的穩(wěn)者受了干擾的信息，最終網(wǎng)絡(luò)輸出某個穩(wěn)定狀態(tài)。三、試驗條件Matlab7.XMatlab7.Xnntoo，Enter鍵，即可翻開神經(jīng)網(wǎng)絡(luò)工具箱。四、試驗內(nèi)容網(wǎng)絡(luò)構(gòu)造模型〔63-6-9〕，并以教材8.58.6為測試數(shù)據(jù)。和測試數(shù)據(jù)〔testinputdata〕，然后建一個神經(jīng)網(wǎng)絡(luò)〔NewNetwork〕，選擇參1BP神經(jīng)網(wǎng)絡(luò)構(gòu)造圖。NetworkName〔神經(jīng)網(wǎng)絡(luò)名稱〕NetworkTypeNetworkName〔神經(jīng)網(wǎng)絡(luò)名稱〕NetworkType〔神經(jīng)網(wǎng)絡(luò)類型〕Inputranges〔輸入信息范圍〕Trainingfunction〔訓(xùn)練函數(shù)〕Performancefunction〔性能函數(shù)〕Numberoflayers〔神經(jīng)網(wǎng)絡(luò)層數(shù)〕Feed-forwardbackprop〔前饋反向傳播〕來自訓(xùn)練樣本的輸入數(shù)據(jù)〔inputdata〕TRAINGD(梯度下降BP算法)MSE〔均方誤差〕2LayeLaye1第1層的Numberofneurons神經(jīng)元個數(shù))(遞函數(shù))Laye2第2層的Numberofneurons經(jīng)元個數(shù))(遞函數(shù))6TANSIG(雙曲正切S型函數(shù))2LOGSIG〔S型函數(shù)〕〔inputdata，outputdata〕數(shù)設(shè)置如表2所示。訓(xùn)練次數(shù)〔epochs〕訓(xùn)練時間〔time〕訓(xùn)練次數(shù)〔epochs〕訓(xùn)練時間〔time〕訓(xùn)練目標(biāo)〔goal〕學(xué)習(xí)率〔lr〕最大確認(rèn)失敗次數(shù)〔max_fail〕最小性能梯度〔min_grad〕兩次顯示之間的訓(xùn)練步數(shù)〔show〕1000Inf00.351e-02525TRAINGDM〔BP算法〕、TRAINLMM〔Levenberg-MarquardtBP訓(xùn)練函數(shù)〕，然后輸入訓(xùn)練樣本數(shù)據(jù)〔inputdata，outputdata〕，訓(xùn)練參數(shù)設(shè)置如表2所示，設(shè)置一樣的初始連接權(quán)〔RevertWeights〕，觀看不同BP訓(xùn)練算法的學(xué)習(xí)效果，給出各訓(xùn)練算法下的誤差變化曲線圖。給出訓(xùn)練后的連接權(quán)值和偏置，然后輸入測試數(shù)據(jù)〔testinputdata〕進(jìn)展仿真并把訓(xùn)練和測試的結(jié)果都導(dǎo)出到工作空間，給出訓(xùn)練后的輸出結(jié)果和輸出誤差，以及測試后的輸出結(jié)果和輸出誤差。針對Trainingfunction〔訓(xùn)練函數(shù)〕為TRAINGDBP網(wǎng)絡(luò)，然后設(shè)置〔lr〕，0.01、0.1、0.5、1TRAINGD訓(xùn)練算法的學(xué)