智能控制課后答案

1、1、神經(jīng)元的種類有哪些？它們的函數(shù)關(guān)系如何?一、神經(jīng)元模型神經(jīng)元模型是生物神經(jīng)元的抽象和模擬。它是模擬生物神經(jīng)元的結(jié)構(gòu)和功能、并從數(shù)學 角度抽象出來的一個基本單元。它是神經(jīng)網(wǎng)絡的最基本的組成部分。神經(jīng)元一般是多輸入-單輸出的非線性器件。模型可以描述為Net =Z w x + s - 0 TOC o 1-5 h z ，ij j ，u = f (Net )y. = g (u ) = h (Net )假設 g (u ) = u，即 y = f (Net )iiiiu為神經(jīng)元的內(nèi)部狀態(tài)；0為閥值；x為輸入信號，j = 1,., n ； w為表示從u單元iiii.jj到u單元的連接權(quán)系數(shù)；s為外部輸入信

2、號。常用的神經(jīng)元非線性特性有以下四種閥值型1 Net 00 Net 0f Neti閥值函數(shù)（2）分段線性型0 Net Netf （Net ） = kN et Net Net Netf I fmax*州確 NetH Neti線性函數(shù)（3）Sigmoid 函數(shù)型f （Net）=二1 + e t7A7NeTef （屈）=二偵i_ i2、為什么由簡單的神經(jīng)元連接而成的神經(jīng)網(wǎng)絡具有非常強大的功能？神經(jīng)系統(tǒng)是一個高度復雜的非線性動力學系統(tǒng)，雖然每一個神經(jīng)元的結(jié)構(gòu)和功能十分簡 單，但由大量神經(jīng)元構(gòu)成的網(wǎng)絡系統(tǒng)的行為卻是豐富多彩和十分復雜的。從神經(jīng)元模型角度來看，有線性處理單元和非線性處理單元。從網(wǎng)絡結(jié)構(gòu)方面

3、來看，有：前向網(wǎng)絡、反饋網(wǎng)絡和自組織網(wǎng)絡。3、神經(jīng)網(wǎng)絡按連接方式分有哪幾類，按功能分有哪幾類、按學習方式分又有哪幾類？神經(jīng)網(wǎng)絡按連接方式？神經(jīng)網(wǎng)絡按連接方式分神經(jīng)網(wǎng)絡是由通過神經(jīng)元的互連而達到的。根據(jù)神經(jīng)元的連接方式的不同，神經(jīng)網(wǎng)絡可 分為以下四種形式：（1）前向網(wǎng)絡 由輸入層、隱含層和輸出層組成。每一層只接受前一層神經(jīng)元的輸入。各神經(jīng)元之間不存在反饋。屬于層次型網(wǎng)絡。（2）反饋網(wǎng)絡只在輸出層到輸入層存在反饋，即每一個輸入節(jié)點都有可能接受來 自外部的輸入和來自輸出神經(jīng)元的反饋。屬于層次型網(wǎng)絡。輸 出輸入反饋網(wǎng)絡（3）相互結(jié)合型網(wǎng)絡這種神經(jīng)網(wǎng)絡在任意兩個神經(jīng)元之間都可能有連接。在這個 狀態(tài)中，信

4、號要在神經(jīng)元之間反復往返傳遞，網(wǎng)絡處在一種不斷改變狀態(tài)的動態(tài)之中，從某 種初態(tài)開始，經(jīng)過若干次的變化，才會達到某種平衡狀態(tài)。屬于網(wǎng)狀結(jié)構(gòu)網(wǎng)絡。輸入相互結(jié)合型網(wǎng)絡（4）混合型網(wǎng)絡通過同一層內(nèi)神經(jīng)元的相互結(jié)合，可以實現(xiàn)同一層內(nèi)神經(jīng)元之間 的橫向抑制或興奮機制。這樣可以限制每層內(nèi)能同時動作的神經(jīng)元數(shù)，或者把每層內(nèi)的神經(jīng) 元分為若干組，讓每組作為一個整體來動作。它是層次型網(wǎng)絡和網(wǎng)狀結(jié)構(gòu)網(wǎng)絡的一種結(jié)合。神經(jīng)網(wǎng)絡按功能分有哪幾類、神經(jīng)網(wǎng)絡將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸出層各神 經(jīng)元負責接收來自外界的輸入信息，并傳給中間各隱層神經(jīng)元；隱層是神經(jīng)網(wǎng)絡的內(nèi)部信息 處理層，負責信

5、息變換。根據(jù)需要可設計為一層或多層；最后一個隱層將信息傳遞給輸出層 神經(jīng)元經(jīng)進一步處理后向外界輸出信息處理結(jié)果。神經(jīng)網(wǎng)絡按按學習方式分又有哪幾類?有導師學習和無導師學習。4、如圖4-24所示的多層前向傳播神經(jīng)網(wǎng)絡結(jié)構(gòu)。假設對于期望的輸入x , x = 1 3 ,y ,y = 0.90.3。網(wǎng)絡權(quán)系數(shù)的初始值見圖。試用BP算法訓練此網(wǎng)12d 1 d 2絡。并詳細寫出第一次迭代學習的計算結(jié)果。這里，取神經(jīng)元激勵函數(shù)f （x） = L。學 1 + e - x習步長為門=1。最大迭代次數(shù)為iterafe max。誤差為e。（四舍五入，精確到小數(shù)后1位）神經(jīng)網(wǎng)絡結(jié)構(gòu)圖解輸入最大容許逼近誤差值e和最大迭代

6、學習次數(shù)iterate max。置初始迭代學習次數(shù) iterate = 0。(1).置各權(quán)值或閾值的初始值：w (0),0.(0)為小的隨機數(shù)值;回顧：單一人工神經(jīng)元有線性和非線性(1) 單一人工神經(jīng)元線性單一人工神經(jīng)元示意圖(線性)單一人工神經(jīng)元的示意圖最簡單的人工神經(jīng)元輸入和輸出數(shù)學表示：假設輸入項Net由輸入信號氣。=1,2，,n)的線性組合構(gòu)成，即Net =9 + 乙w xi=1七是決定第j個輸入的突觸權(quán)系數(shù)。9 0為閥值；神經(jīng)元的平衡態(tài)輸出y為y = b (9 + Y w x )0. i i式中Q (X)表示神經(jīng)元的激勵函數(shù)前面假設輸入項Net是輸入信號的線性函數(shù)。一般情況下，Net

7、是輸入信號的非線性函 數(shù)。因此本題的權(quán)值w1，w1，w1111210，w 1.，w 1，w1圖4-15 例4-1的神經(jīng)網(wǎng)絡結(jié)構(gòu)圖（2）.提供訓練樣本：輸入矢量：X k = 1,2,., P ;期望輸出：七,k = 1,2,., P ；對每個 輸入樣本進行下面iterate max的迭代;氣, = 1 3（3）.計算網(wǎng)絡的實際輸出及隱層單元的狀態(tài):o = f （Z w o + 0 ）kj jji 如 ji因為X, %T = 1 3 Tnet1112 2+ W 110=1Qx + (- 2) Ox + 103 = - 2net 12W1 X + W1 X + W121 122 2202 Ox +

8、(0) Ox + 10( - 1) = 111=0.11921 + e - net11 + e2o=11 =0.73111 + e -ne 21 + e-1net 21W 2 o + W 2 o + W 211 112 210=10o. + (0) 0o + 2 X 1 = 2.1192net 2 = W 2 o + W 2 o + W 2221 122 22010o. + (- 2) 0o - 3 x 1 = -4.34301y = 0.8928y = 0.0128.計算訓練誤差:b = o (1 o )(t o )(輸出層)kj kjkj kj kjb= o (1 o ) b w (隱含層

9、)m1)輸出層5 2 = (y y ) f(net 2) = (y y ) y (1 y ) = 6.8910e-004d 111d 11115 2 = (y y ) f(net2) = (y y ) y (1 y ) = 0.0036d222d22222)隱含層= 5 2 w2 o (1 o )= k k 1 1k=(6.8910e-00451(5 2 w2 + 5 2 w2 ) o (1 o )11122111x 1 + (0.0036) x 1) x 0.1192 x (1 0.1192)=4.5032e-004512k k2 2(1 o ) = (5 2 w2 + 5 2 w2 ) o

10、 (1 o )211222222=(6.8910e-004 x 0 + (0.0036) x (2) x 0.7311 x (1 0.7311)-0.0014.修正權(quán)值和閾值:w (t + 1) = w (t) + b o +a w (t) w (t 1) jijij kijiji0 . (t + 1) = 0 . (t) +門b . +a 0 . (t) 0 . (t 1) w111=門5 - x.=4.5032e-004x 1 = 4.5032e-004 w112=門5 - x=4.5032e-004x 3 = 0.0014 w110=門5 1 =4.5032e-004w 2 =蘋；x = (-0.0014) x 1 = -0.0014wi =51 x = (-0.0014) x 3 = 0.0042w 1 =5 1 = -0.0014 w2 =門5;o. = 6.8910e-004 x 0.1192 = 8.2141e-005w2 =門8.2。= 6.8910e-004 x 0.7311 = 5.0380e-004w2 =蘋 2 = 6.8910e-004w2 =5 2o = 0.0036 x 0.1192 = 4.2912e-004w2 =5 2o = 0.0036 x 0.7311 = 0.0026w2 =n 2 = 0.0036wl (iterate