_人工神经网络习题解答.doc

第九章 人工神经网络 9.1答： （1）误差纠正学习；(wkj = (ek(n)xj(n)；yk(n)为输入xk(n)时，神经元k在n时刻的实际输出，dk(n)表示应有的输出（可由训练样本给出）；其中η为学习步长，这就是通常所说的误差纠正学习规则（或称delta学习规则）。 （2）Hebb学习；(wkj(n) = F(yk(n),xj(n))；当某一突触（连接）两端的神经元同步激活（同为激活或同为抑制）时，该连接的强度应为增强，反之应减弱；由于Δwkj与yk(n)，xj(n)的相关成比例，有时称为相关学习规则。 （3）竞争（Competitive）学习； 若神经元j竞争获胜 若神经元j竞争失败；在竞争学习时，网络各输出单元互相竞争，最后达到只有一个最强者激活，最常见的一种情况是输出神经元之间有侧向抑制性连接，这样原来输出单元中如有某一单元较强，则它将获胜并抑制其它单元，最后只有此强者处于激活状态。 9.2答：略 9.3答：B-P算法的学习过程如下： （1）选择一组训练样例，每一个样例由输入信息和期望的输出结果两部分组成。 （2）从训练样例集中取一样例，把输入信息输入到网络中。 （3）分别计算经神经元处理后的各层节点的输出。 （4）计算网络的实际输出和期望输出的误差。 （5）从输出层反向计算到第一个隐层，并按照某种能使误差向减小方向发展的原则，调整网络中各神经元的连接权值。 （6）对训练样例集中的每一个样例重复（3）—（5）的步骤，直到对整个训练样例集的误差达到要求时为止。 文件头: #include stdio.h #include stdlib.h #include math.h #include UTLab.h //BP神经网络 #define n1 7 //输入节点数 #define n2 11 //中间层节点个数 #define n3 5 //输出节点数 #define m 400 //学习次数 void initialization(){} float bpnet(float tension, float inthick,float outthick, float meng, float tan,float ping,float tu) { float in1[n1]; float out1[n2]; float out2[n3]; float w1[n2][n1]; float w2[n3][n2]; float a1[n2]; float a2[n3]; float t[n3]; float df1[n2]; float df2[n3]; float s2[n3]; float s1[n2]; float w[n2][n3]; float z[n2][n3]; float a=0.5; int i=0; int j=0; int k=0; int n=0; in1[1]=tension; in1[2]=inthick; in1[3]=outthick; in1[4]=meng; in1[5]=tan; in1[6]=ping; in1[7]=tu; initialization(); for(n=1;n=m;k++){ for(i=1;i=n2;i++){ for(j=1;j=n1;j++){ a1[j]=a1[j]+w1[i][j]*in1[j]; out1[j]=sigmoid(a1[j]); } } for(i=1;i=n3;i++){ for(j=1;j=n2;j++){ a2[j]=a2[j]+w2[i][j] 文件尾: *in1[j]; out2[j]=a2[j]; } } for(i=1;i=n3;i++){ //计算敏感度,更新权值 df2[i]=1; s2[i]=-2*(t[i]-out2[i]); for(j=1;j=n2;j++){ w2[i][j]=w2[i][j]+a*out1[j]; } } for(i=1;i=n3;i++){ for(j=1;j=n2;j++){ w[j][i]=w2[i][j]; } } for(j=1;j=n2;j++){ df1[j]=(1-out1[j])*out1[j]; s1[j]=0; for(i=1;i=n3;i++){ z[j][i]=df1[j]*w[j][i]; s1[j]=s1[j]+z[j][i]*s2[