人工神經(jīng)網(wǎng)絡(luò)程序設(shè)計(jì)

PAGEPAGE2實(shí)驗(yàn)報(bào)告課程名稱人工智能應(yīng)用技術(shù)實(shí)驗(yàn)項(xiàng)目人工神經(jīng)網(wǎng)絡(luò)程序設(shè)計(jì)實(shí)驗(yàn)儀器WindowsXP、VisualC++學(xué)院信息管理學(xué)院專業(yè)信息安全班級(jí)/學(xué)號(hào)學(xué)生姓名實(shí)驗(yàn)日期2016-成績(jī)指導(dǎo)教師北京信息科技大學(xué)信息管理學(xué)院（課程上機(jī)）實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)課程名稱:人工智能應(yīng)用技術(shù)專業(yè):信息安全班級(jí):學(xué)號(hào):姓名:

實(shí)驗(yàn)名稱人工神經(jīng)網(wǎng)絡(luò)程序設(shè)計(jì)實(shí)驗(yàn)地點(diǎn)學(xué)院機(jī)房實(shí)驗(yàn)時(shí)間5/101—4節(jié)實(shí)驗(yàn)?zāi)康模赫莆栈旧窠?jīng)網(wǎng)絡(luò)的常用學(xué)習(xí)規(guī)則掌握人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程實(shí)驗(yàn)內(nèi)容：相關(guān)知識(shí)：基本神經(jīng)網(wǎng)絡(luò)（感知器，前饋網(wǎng)絡(luò)）的常用學(xué)習(xí)規(guī)則實(shí)驗(yàn)環(huán)境：WindowsXP,Visualstudio主要內(nèi)容：人工神經(jīng)網(wǎng)絡(luò)的程序設(shè)計(jì)與實(shí)現(xiàn)實(shí)驗(yàn)要求：完成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)程序的調(diào)試，課堂演示程序執(zhí)行結(jié)果輸出神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)整過程值，分析結(jié)果數(shù)據(jù)，繪制神經(jīng)網(wǎng)絡(luò)提交實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)準(zhǔn)備：掌握感知器學(xué)習(xí)算法初始化：將權(quán)值向量賦予隨機(jī)值，t=0(迭代次數(shù))連接權(quán)的修正：對(duì)每個(gè)輸入樣本xk及期望輸出dk完成如下計(jì)算計(jì)算網(wǎng)絡(luò)輸出：y=f(S)，其中S=∑wixi，f為激活函數(shù)計(jì)算輸出層單元期望輸出dk與實(shí)際輸出y間的誤差： ek=dk-y若ek為零，則說明當(dāng)前樣本輸出正確，不必更新權(quán)值，否則更新權(quán)值： w(t+1)=w(t)+α×ek×xk t=t+10<α<1為學(xué)習(xí)率。對(duì)所有的輸入樣本重復(fù)步驟(2)，直到所有的樣本輸出正確為止實(shí)驗(yàn)過程：#include<stdio.h>#include"stdafx.h"#defineMAX_ITERATIONS 1000#defineINPUT_NEURONS 2#defineNUM_WEIGHTS (INPUT_NEURONS+1)#defineALPHA (double)0.2doubleweights[NUM_WEIGHTS];typedefstruct{doublea;doubleb;doubleexpected;}training_data_t;#defineMAX_TESTS 4training_data_ttraining_set[MAX_TESTS]={{-1.0,-1.0,-1.0},{-1.0,1.0,1.0},{1.0,-1.0,1.0},{1.0,1.0,1.0}};doublecompute(inttest){doubleresult;/*Equation10.2*/result=((training_set[test].a*weights[0])+(training_set[test].b*weights[1])+(1.0*weights[2]));if(result>0.0)result=1.0;elseresult=-1.0;returnresult;}intmain(){inti,test;doubleoutput;intchange;/*Initializetheweightsfortheperceptron*/for(i=0;i<NUM_WEIGHTS;i++)weights[i]=0.0;/*Traintheperceptronwiththetrainingset*/change=1;while(change){change=0;for(test=0;test<MAX_TESTS;test++){/*Testontheperceptron*/output=compute(test);/*PerceptronLearningAlgorithm*/ doubledif=training_set[test].expected-output;if((int)training_set[test].expected!=(int)output){/*UseEquation10.3*/weights[0]+=ALPHA*training_set[test].expected*training_set[test].a;weights[1]+=ALPHA*training_set[test].expected*training_set[test].b;weights[2]+=ALPHA*training_set[test].expected;change=1;}}}/*CheckthestatusofthePerceptron*/for(i=0;i<MAX_TESTS;i++){printf("%gOR%g=%g\n",training_set[i].a,training_set[i].b,compute(i));}return0;}#include<stdio.h>#include<stdlib.h>#include"maths.c"#include"rand.h"#defineINPUT_NEURONS 35#defineHIDDEN_NEURONS 10#defineOUTPUT_NEURONS 10doubleinputs[INPUT_NEURONS+1];doublehidden[HIDDEN_NEURONS+1];doubleoutputs[OUTPUT_NEURONS];#defineRHO (double)0.1doublew_h_i[HIDDEN_NEURONS][INPUT_NEURONS+1];doublew_o_h[OUTPUT_NEURONS][HIDDEN_NEURONS+1];#defineRAND_WEIGHT (((double)rand()/(double)RAND_MAX)-0.5)#defineIMAGE_SIZE 35typedefstructtest_images_s{intimage[IMAGE_SIZE];intoutput[OUTPUT_NEURONS];}test_image_t;#defineMAX_TESTS 10test_image_ttests[MAX_TESTS]={{{0,1,1,1,0,//01,0,0,0,1,1,0,0,0,1,1,0,0,0,1,1,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{1,0,0,0,0,0,0,0,0,0}},{{0,0,1,0,0,//10,1,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0,0,0,1,1,1,0},{0,1,0,0,0,0,0,0,0,0}},{{0,1,1,1,0,//21,0,0,0,1,0,0,0,0,1,0,0,1,1,0,0,1,0,0,0,1,0,0,0,0,1,1,1,1,1},{0,0,1,0,0,0,0,0,0,0}},{{0,1,1,1,0,//31,0,0,0,1,0,0,0,0,1,0,0,1,1,0,0,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,1,0,0,0,0,0,0}},{{0,0,0,1,0,//40,0,1,1,0,0,1,0,1,0,1,1,1,1,1,0,0,0,1,0,0,0,0,1,0,0,0,0,1,0},{0,0,0,0,1,0,0,0,0,0}},{{1,1,1,1,1,//51,0,0,0,0,1,0,0,0,0,1,1,1,1,0,0,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,0,0,1,0,0,0,0}},{{0,1,1,1,0,//61,0,0,0,0,1,0,0,0,0,1,1,1,1,0,1,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,0,0,0,1,0,0,0}},{{1,1,1,1,1,//71,0,0,0,1,0,0,0,0,1,0,0,0,1,0,0,0,1,0,0,0,1,0,0,0,0,1,0,0,0},{0,0,0,0,0,0,0,1,0,0}},{{0,1,1,1,0,//81,0,0,0,1,1,0,0,0,1,0,1,1,1,0,1,0,0,0,1,1,0,0,0,1,0,1,1,1,0},{0,0,0,0,0,0,0,0,1,0}},{{0,1,1,1,0,//91,0,0,0,1,1,0,0,0,1,0,1,1,1,1,0,0,0,0,1,0,0,0,1,0,0,1,1,0,0},{0,0,0,0,0,0,0,0,0,1}}};voidinit_network(void){inti,j;/*Settheinputbias*/inputs[INPUT_NEURONS]=1.0;/*Setthehiddenbias*/hidden[HIDDEN_NEURONS]=1.0;/*Initializetheinput->hiddenweights*/for(j=0;j<HIDDEN_NEURONS;j++){for(i=0;i<INPUT_NEURONS+1;i++){w_h_i[j][i]=RAND_WEIGHT;}}for(j=0;j<OUTPUT_NEURONS;j++){for(i=0;i<HIDDEN_NEURONS+1;i++){w_o_h[j][i]=RAND_WEIGHT;}}return;}voidfeed_forward(void){inti,j;/*Calculateoutputsofthehiddenlayer*/for(i=0;i<HIDDEN_NEURONS;i++){hidden[i]=0.0;for(j=0;j<INPUT_NEURONS+1;j++){hidden[i]+=(w_h_i[i][j]*inputs[j]);}hidden[i]=sigmoid(hidden[i]);}/*Calculateoutputsfortheoutputlayer*/for(i=0;i<OUTPUT_NEURONS;i++){outputs[i]=0.0;for(j=0;j<HIDDEN_NEURONS+1;j++){outputs[i]+=(w_o_h[i][j]*hidden[j]);}outputs[i]=sigmoid(outputs[i]);}}voidbackpropagate_error(inttest){intout,hid,inp;doubleerr_out[OUTPUT_NEURONS];doubleerr_hid[HIDDEN_NEURONS];/*Computetheerrorfortheoutputnodes(Equation10.6)*/for(out=0;out<OUTPUT_NEURONS;out++){err_out[out]=((double)tests[test].output[out]-outputs[out])*sigmoid_d(outputs[out]);}/*Computetheerrorforthehiddennodes(Equation10.7)*/for(hid=0;hid<HIDDEN_NEURONS;hid++){err_hid[hid]=0.0;/*Includeerrorcontributionforalloutputnodes*/for(out=0;out<OUTPUT_NEURONS;out++){err_hid[hid]+=err_out[out]*w_o_h[out][hid];}err_hid[hid]*=sigmoid_d(hidden[hid]);}/*Adjusttheweightsfromthehiddentooutputlayer(Equation10.9)*/for(out=0;out<OUTPUT_NEURONS;out++){for(hid=0;hid<HIDDEN_NEURONS;hid++){w_o_h[out][hid]+=RHO*err_out[out]*hidden[hid];}}/*Adjusttheweightsfromtheinputtohiddenlayer(Equation10.9)*/for(hid=0;hid<HIDDEN_NEURONS;hid++){for(inp=0;inp<INPUT_NEURONS+1;inp++){w_h_i[hid][inp]+=RHO*err_hid[hid]*inputs[inp];}}return;}doublecalculate_mse(inttest){doublemse=0.0;inti;for(i=0;i<OUTPUT_NEURONS;i++){mse+=sqr((tests[test].output[i]-outputs[i]));}return(mse/(double)i);}voidset_network_inputs(inttest,doublenoise_prob){inti;/*Fillthenetworkinputsvectorfromthetest*/for(i=0;i<INPUT_NEURONS;i++){inputs[i]=tests[test].image[i];/*Inthegivennoiseprobability,negatethecell*/if(RANDOM()<noise_prob){inputs[i]=(inputs[i])?0:1;}}return;}intclassifier(void){inti,best;doublemax;best=0;max=outputs[0];for(i=1;i<OUTPUT_NEURONS;i++){if(outputs[i]>max){max=outputs[i];best=i;}}returnbest;}intmain(void){doublemse,noise_prob;inttest,i,j;RANDINIT();init_network();do{/*Pickatestatrandom*/test=RANDMAX(MAX_TESTS);/*Grabinputimage(withnonoise)*/set_network_inputs(test,0.0);/*Feedthisdatasetforward*/feed_forward();/*Backpropagatetheerror*/backpropagate_error(test);/*CalculatethecurrentMSE*/mse=calculate_mse(test);}while(mse>0.001);/*Now,let'stestthenetworkwithincreasingamountsofnoise*/test=RANDMAX(MAX_TESTS);/*Startwith5%noiseprobability,endwith25%(perpixel)*/noise_prob=0.05;for(i=0;i<5;i++){set_network_inputs(test,noise_prob);feed_forward();for(j=0;j<INPUT_NEURONS;j++){if((j%5)==0)printf("\n");printf("%d",(int)inputs[j]);}printf("\nclassifiedas%d\n\n",classifier());noise_prob+=0.05;}return0;}實(shí)驗(yàn)總結(jié)：（實(shí)驗(yàn)結(jié)果及分析）通過人工神經(jīng)程序設(shè)計(jì)的學(xué)習(xí)，我進(jìn)一步了解了感知器和神經(jīng)網(wǎng)絡(luò)算法，包括期望值的調(diào)整等內(nèi)容，同時(shí)更加熟練地使用c語(yǔ)言進(jìn)行程序設(shè)計(jì)，對(duì)程序設(shè)計(jì)中遇到的各種問題漸漸地有了自己的認(rèn)識(shí)和解決方案。說明：實(shí)驗(yàn)名稱、實(shí)驗(yàn)?zāi)康摹?shí)驗(yàn)內(nèi)容、實(shí)驗(yàn)要求由教師確定，實(shí)驗(yàn)前由教師事先填好，然后作為實(shí)驗(yàn)報(bào)告模版供學(xué)生使用；實(shí)驗(yàn)準(zhǔn)備由學(xué)生在實(shí)驗(yàn)或上機(jī)之前填寫，教師應(yīng)該在實(shí)驗(yàn)前檢查；實(shí)驗(yàn)過程由學(xué)生記錄實(shí)驗(yàn)的過程，包括操作過程、遇到哪些問題以及如何解決等；實(shí)驗(yàn)總結(jié)由學(xué)生在實(shí)驗(yàn)后填寫，總結(jié)本次實(shí)驗(yàn)的收獲、未解決的問題以及體會(huì)和建議等；源程序、代碼、具體語(yǔ)句等，若表格空間不足時(shí)可作為附錄另外附頁(yè)。

引力波的實(shí)驗(yàn)探測(cè)給我們的啟示摘要：引力理論的發(fā)展經(jīng)歷了數(shù)百年，從牛頓到愛因斯坦，從萬(wàn)有引力定律到廣義相對(duì)論。在這過程中，科學(xué)家們引力波的預(yù)言質(zhì)疑不休、爭(zhēng)論不止。而引力波的實(shí)驗(yàn)探測(cè)無(wú)疑證明了一切。引力波的發(fā)現(xiàn)，彌補(bǔ)了愛因斯坦的廣義相對(duì)論的漏洞，也確定了他的理論的正確。這是人類史上出現(xiàn)的又一契機(jī)，它將為人類社會(huì)帶來(lái)重大變革。“破五”是中國(guó)傳統(tǒng)迎財(cái)神的日子。2016年的這一天，卻一個(gè)讓全世界物理學(xué)界沸騰的日子，甚至許多的物理學(xué)家為之痛哭流涕——被預(yù)言已經(jīng)百年的引力波，終于被探測(cè)到了。引力是什么？在今天人們所知道的物質(zhì)的四種基本相互作用中，引力作用為最弱。四種相互作用按作用強(qiáng)度比例順序是：強(qiáng)相互作用(1),電磁相互作用(10),弱相互作用(10),引力相互作用(10)。因此，在研究基本粒子的運(yùn)動(dòng)時(shí)，引力一般略去不計(jì)。但在天文學(xué)領(lǐng)域內(nèi)，由于涉及的對(duì)象的質(zhì)量極其巨大，引力就成為不僅支配著天體的運(yùn)動(dòng)，而且往往是天體的結(jié)構(gòu)和演化的決定因素。引力并不是一種所謂的“力”，而是一種屬性。牛頓在1687年出版的《自然哲學(xué)的數(shù)學(xué)原理》一書中首次提出萬(wàn)有引力定律，基于此，他結(jié)識(shí)了彗星的運(yùn)動(dòng)軌道和地球上的潮汐現(xiàn)象，并根據(jù)萬(wàn)有引力定律成功地預(yù)言并發(fā)現(xiàn)了海王星。萬(wàn)有引力定律出現(xiàn)后，才正式把研究天體的運(yùn)動(dòng)建立在力學(xué)理論的基礎(chǔ)上，從而創(chuàng)立了天體力學(xué)。簡(jiǎn)單的說，質(zhì)量越大的東西產(chǎn)生的引力越大，地球的質(zhì)量產(chǎn)生的引力足夠把地球上的東西全部抓牢。1905年，愛因斯坦提出狹義相對(duì)論，突破了絕對(duì)時(shí)間和絕對(duì)空間的概念，否定了瞬時(shí)超距作用，從根本上動(dòng)搖了建立在這些舊觀念基礎(chǔ)上的牛頓引力理論。經(jīng)過十年的探索后，愛因斯坦于1915年提出了迄今為止最成功的近代引力理論——廣義相對(duì)論。廣義相對(duì)論中，引力被歸咎于時(shí)空的彎曲。這種彎曲是由物質(zhì)造成的，物質(zhì)的質(zhì)量越大，所形成的扭曲也就越嚴(yán)重。但是這種彎曲，對(duì)于人類來(lái)說根本感知不到，一是因?yàn)槿祟惏殡S這種彎曲一起彎曲了，而是由于這種彎曲太微小。大質(zhì)量物體發(fā)生的扭曲引起了震動(dòng)，而這種震動(dòng)，就是引力波。科學(xué)家們通過探測(cè)這種時(shí)空震蕩，來(lái)證實(shí)引力波的存在。早在1916年，愛因斯坦在廣義相對(duì)論中就預(yù)言了引力波的存在。而科學(xué)家們普遍認(rèn)為，這次LIGO這一發(fā)現(xiàn)是愛因斯坦相對(duì)論實(shí)驗(yàn)驗(yàn)證中最后一塊缺失的“拼圖”，證實(shí)了愛因斯坦廣義相對(duì)論的正確性，彌補(bǔ)了愛因斯坦的廣義相對(duì)論的漏洞，驗(yàn)證了已故科學(xué)家愛因斯坦的預(yù)言。探測(cè)的儀器叫做邁克爾遜干涉儀，或是LIGO。LIGO的“兩條腿”都有4千米長(zhǎng)，最近的一次升級(jí)就花去了幾十億美元。LIGO的原理是什么？簡(jiǎn)單來(lái)說是利用光速不變，在同樣的直線路程里測(cè)試耗時(shí)，而通過時(shí)間的偏差（盡最大可能排除誤差，也是耗資巨大的原因）來(lái)判定空間確實(shí)存在震動(dòng)。這樣的實(shí)驗(yàn)設(shè)置基于愛因斯坦的假設(shè)：光速不變，是因?yàn)橐怨獾囊暯强矗赝窘?jīng)過的空間發(fā)生了折疊伸縮?？赡艿囊Σㄌ綔y(cè)源包括致密雙星系統(tǒng)（白矮星，中子星和黑洞）。在2016年2月11日，LIGO科學(xué)合作組織和Virgo合作團(tuán)隊(duì)宣布他們已經(jīng)利用高級(jí)LIGO探測(cè)器，首次探測(cè)到了來(lái)自于雙黑洞合并的引力波信號(hào)。在過去的數(shù)十年里，許多物理學(xué)家和天文學(xué)家為證明引力波的存在進(jìn)行了大量研究。其中，泰勒和赫爾斯由于第一次得到引力波存在的間接證據(jù)榮獲1993年諾貝爾物理學(xué)獎(jiǎng)。到目前為止，類似的雙中子星系統(tǒng)已經(jīng)發(fā)現(xiàn)了近十個(gè)，但是雙黑洞系統(tǒng)卻是首次。在實(shí)驗(yàn)方面，第一個(gè)對(duì)直接探測(cè)引力波作偉大嘗試的人是韋伯。雖然他的共振棒探測(cè)器最后沒能找到引力波，但是韋伯開創(chuàng)了引力波實(shí)驗(yàn)科學(xué)的先河，為如今的碩果打下了基礎(chǔ)。因?yàn)樵诘孛嫔虾苋菀资艿礁蓴_，所以物理學(xué)家們也在向太空進(jìn)軍。歐洲的空間引力波項(xiàng)目eLISA（演化激光干涉空間天線）。eLISA將由三個(gè)相同的探測(cè)器構(gòu)成為一個(gè)邊長(zhǎng)為五百萬(wàn)公里的等邊三角形，同樣使用激光干涉法來(lái)探測(cè)引力波。此項(xiàng)目已經(jīng)歐洲空間局通過批準(zhǔn)，正式立項(xiàng)，目前處于設(shè)計(jì)階段，計(jì)劃于2034年發(fā)射運(yùn)行。作為先導(dǎo)項(xiàng)目，兩顆測(cè)試衛(wèi)星已經(jīng)于2015年12月3日發(fā)射成功，目前正在調(diào)試之中。中國(guó)的科研人員，在積極參與目前的國(guó)際合作之外之外，也在籌建自己的引力波探測(cè)項(xiàng)目。引力波的實(shí)驗(yàn)探測(cè)引起了世界范圍的轟動(dòng)，這些探測(cè)極其不易，宇宙中發(fā)生爆炸性的大事件時(shí)產(chǎn)生的引力波，才相對(duì)容易探測(cè)到，例如黑洞合并、星系合并、超新星爆炸等。100年前，愛因斯坦在預(yù)言引力波存在時(shí)就曾說：“這些數(shù)值是如此微小，她們不會(huì)對(duì)任何的東西產(chǎn)生顯著的作用，沒人能夠去測(cè)量它們?！辈桃环蚪o出解釋：“時(shí)間發(fā)生得越早，距離越遠(yuǎn)，越會(huì)在宇宙中傳播期間被紅移。紅移指的是由于宇宙本身的膨脹將所有的波動(dòng)的波長(zhǎng)拉直拉平，這樣其波動(dòng)性就難以被探測(cè)到。例如，這次LIGO探測(cè)到的引力波，是13億年以前兩個(gè)大約30個(gè)太陽(yáng)質(zhì)量的黑洞并合所產(chǎn)生的引力波，振幅之小，是在原子核尺寸的千分之一的尺度。能探測(cè)到真的是非常不容易，LIGO實(shí)驗(yàn)組的科學(xué)家們也是在幾十年里經(jīng)歷多次挫折，不斷調(diào)整方案，改進(jìn)儀器，才最終探測(cè)到的?！彼运某晒μ綔y(cè)也標(biāo)志著在這個(gè)領(lǐng)域人類的技術(shù)進(jìn)步到了前所未有的水平。而它所具有的里程碑意義不止在科學(xué)情感上，更在于能夠打開人類的一個(gè)新的世界——每個(gè)人都對(duì)它滿懷期待。如果電磁波探測(cè)是人類的眼睛，那么人類又多了一雙聆聽外界的耳朵。馬克斯·普朗克引力物理研究所說：“在《星際穿越》和《三體》中，都不約而同地將引力波選為了未來(lái)科技發(fā)達(dá)的人類的通訊手段，這也許只能是美好的幻想，但對(duì)于天文研究而言，引力波的確開啟了一扇新的窗口。吹進(jìn)來(lái)的第一縷清風(fēng)，就帶來(lái)了一個(gè)重大的信息：極重的恒星級(jí)雙黑洞系統(tǒng)存在并可以在足夠短的時(shí)間（10億年）內(nèi)并合。這是讓我們始料未及的。誰(shuí)能知道在將來(lái)的更多的探測(cè)中，LIGO和一眾引力波探測(cè)器能帶給我們什么樣的驚喜呢？”引力波有兩個(gè)非常重要而且比較獨(dú)特的性質(zhì)。第一：不需要任何的物質(zhì)存在于引力波源周圍。這時(shí)就不會(huì)有電磁輻射產(chǎn)生。第二：引力波能夠幾乎不受阻擋的穿過行進(jìn)途中的天體。比如，來(lái)自于遙遠(yuǎn)恒星的光會(huì)被星際介質(zhì)所遮擋，引力波能夠不受阻礙的穿過。對(duì)于天文學(xué)家來(lái)說，這兩個(gè)特征允許引力波攜帶有更多的之前從未被觀測(cè)過的天文現(xiàn)象信息，而每一個(gè)電磁波譜的打開，都會(huì)為我們帶來(lái)前所未有的發(fā)現(xiàn)。天文學(xué)家們同樣期望引力波也是如此。而引力波本身的性質(zhì)也可能對(duì)基礎(chǔ)物理學(xué)產(chǎn)生巨大的影響。另外，引力波蘊(yùn)含的，很可能是宇宙誕生的畫面。我們從小都被告知一個(gè)最著名的猜想——宇宙是在一場(chǎng)爆炸中誕生的。這意味著，在時(shí)空的開始，宇宙又一次最為劇烈的震動(dòng)。引力波就能讓我們還原這個(gè)震動(dòng)——它是否存在？有多大規(guī)模？不僅如此，引力波還能傳遞信息——我們看不到的宇宙空間在發(fā)生什么？據(jù)科學(xué)家解釋，這次的引力波就是在遙遠(yuǎn)的距離上巨大的黑洞變化引起的。而這一結(jié)果也證明了黑洞真實(shí)存在——至少是廣義相對(duì)論預(yù)測(cè)的由純凈、真空、扭曲時(shí)空組成的完美圓形物體。并且，引力波傳遞的信息可以讓科學(xué)家更精確地估計(jì)宇宙膨脹的速度?？偠灾?，一個(gè)新的重大科學(xué)發(fā)現(xiàn)，總會(huì)給人類社會(huì)帶來(lái)無(wú)法預(yù)估的發(fā)展。18世紀(jì)面熟電磁波的麥克斯韋理論確認(rèn)的時(shí)候，也沒人知道會(huì)給人類帶來(lái)什么，但是現(xiàn)在不管是電視機(jī)還是移動(dòng)電話，都與電磁現(xiàn)象有關(guān)。引力波的發(fā)現(xiàn)類似當(dāng)年的發(fā)現(xiàn)X光一樣，是一種工具。有了這個(gè)工具，我們可以利用引力波的觀察，去觀察遙遠(yuǎn)的宇宙的現(xiàn)象。發(fā)現(xiàn)暗物質(zhì)、時(shí)空穿梭等等才是有可能實(shí)現(xiàn)的事情。如果沒有引力波，以我們現(xiàn)有的技術(shù)是做不到這些科幻世界才有的事情的?！凹热灰Σㄊ谴嬖诘模谝Σǖ目蒲兴悸房尚判跃痛蟠筇岣吡?。就好像走一條未知的路，走到半路，有人懷疑不對(duì)，結(jié)果證實(shí)是對(duì)的，那么就可以加快步伐了。”蘇萌說。世界各國(guó)都加大了探測(cè)研究引力波的力度，我國(guó)也緊跟探索引力波的步伐?！疤烨儆?jì)劃”參與者、中山大學(xué)天文與空間科學(xué)研究院院長(zhǎng)李淼教授介紹，“天琴計(jì)劃”是我國(guó)自主開展空間引力波探測(cè)的可行方案，發(fā)射三顆衛(wèi)星探測(cè)引力波，該計(jì)劃預(yù)期執(zhí)行期為2016~2035年，分四階段實(shí)施。項(xiàng)目還將挖山洞，建觀測(cè)站以及建設(shè)綜合研究大樓。預(yù)計(jì)擬投三億啟動(dòng)。天琴計(jì)劃預(yù)期執(zhí)行期為2016-2035年，分四階段實(shí)施：（1）2016-2020年：完成月球/深空衛(wèi)星激光測(cè)距、空間等效原理檢驗(yàn)實(shí)驗(yàn)和下一代重力衛(wèi)星實(shí)驗(yàn)所需關(guān)鍵技術(shù)研發(fā)。主要研發(fā)成果包括：新一代月球激光測(cè)距反射器、月球激光測(cè)距臺(tái)站、高精度加速度計(jì)、無(wú)拖曳控制（包含微推進(jìn)器）、高精度星載激光干涉儀、星間激光測(cè)距技術(shù)等；（2）2021-2025年：完成空間等效原理檢驗(yàn)實(shí)驗(yàn)和下一代重力衛(wèi)星實(shí)驗(yàn)工程樣機(jī)，并成功發(fā)射下一代重力衛(wèi)星和空間等效原理實(shí)驗(yàn)衛(wèi)星。主要研發(fā)成果包含：超靜衛(wèi)星平臺(tái)、高精度大型激光陀螺儀以及進(jìn)一步提高加速度計(jì)、無(wú)拖曳控制、高精度星載激光干涉儀、星間激光測(cè)距等技術(shù)；（3