人工智能期末论文..docx

人工智能期末论文 班级：计算机科学与技术三班 姓名：王珊珊 学号：20131844330 日期：2016.1.4 人工智能期末论文 第一部分：人工智能文献综述 摘要：人工智能是当前科学技发展的一门前沿学科，同时也是一门新思想，新观念，新理 论，新技术不断出现的新兴学科以及正在发展的学科。它是在计算机科学，控制论，信息论，神经心理学，哲学，语言学等多种学科研究的基础发展起来的，因此又可把它看作是一门综合性的边缘学科。它的出现及所取得的成就引起了人们的高度重视,并取得了很高的评价。有的人把它与空间技术，原子能技术一起并誉为20世纪的三大科学技术成就。 归纳逻辑是人工智能的逻辑基础。伴随人工智能研究的逐步深入，科学哲学、人工智能和归纳逻辑研究相互影响，出现了新的研究方向。以归纳逻辑为基础，多学科相互合作，可以建立新的机器学习系统或归纳学习系统。关键词：BP神经网络，函数逼近，自组织神经网络,SOM网络，Hopfield神经网络，TSP。一,BP神经网络的应用BP神经网络在函数逼近中的应用（1）问题的提出 BP网络由很强的映射能力，主要用于模式识别分类、函数逼近、函数压缩等。下面将通过实例来说明BP网络在函数逼近方面的应用。 要求设计一个BP网络，逼近以下函数：g(x)=1+sin(k*pi/4*x)，实现对该非线性函数的逼近。其中，分别令k=1，2，4进行仿真，通过调节参数（如隐藏层节点个数等）得出信号的频率与隐层节点之间，隐层节点与函数逼近能力之间的关系。 （2）基于BP神经网络逼近函数 步骤1：假设频率参数k=1，绘制要逼近的非线性函数的曲线。函数的曲线如图2所示 k=1; p=[-1:.05:8]; t=1+sin(k*pi/4*p); Plot(p,t,-); title(要逼近的非线性函数); xlabel(时间); ylabel(非线性函数);步骤2：网络的建立 应用newff()函数建立BP网络结构。隐层神经元数目n可以改变，暂设为n=3，输出层有一个神经元。选择隐层和输出层神经元传递函数分别为tansig函数和purelin函数，网络训练的算法采用Levenberg – Marquardt算法trainlm。 n=3; net = newff(minmax(p),[n,1],{tansig purelin},trainlm); 对于初始网络，可以应用sim（）函数观察网络输出。 y1=sim(net,p); figure; plot(p,t,-,p,y1,:) title(未训练网络的输出结果); xlabel(时间); ylabel(仿真输出--原函数-); 同时绘制网络输出曲线，并与原函数相比较，结果如图3所示。因为使用newff( )函数建立函数网络时，权值和阈值的初始化是随机的，所以网络输出结构很差，根本达不到函数逼近的目的，每次运行的结果也有时不同。 步骤3：网络训练 应用train（）函数对网络进行训练之前，需要预先设置网络训练参数。将训练时间设置为50，训练精度设置为0.01，其余参数使用缺省值。训练后得到的误差变化过程如图4所示。net.trainParam.epochs=50; (网络训练时间设置为50) net.trainParam.goal=0.01;(网络训练精度设置为0.01) net=train(net,p,t);（开始训练网络）TRAINLM-calcjx, Epoch 0/50, MSE 9.27774/0.01, Gradient 13.3122/1e-010 TRAINLM-calcjx, Epoch 3/50, MSE 00.01, Gradient 0.0337555/1e-010 TRAINLM, Performance goal met. 从以上结果可以看出，网络训练速度很快，经过一次循环跌送过程就达到了要求的精度0.01。 步骤4： 网络测试 对于训练好的网络进行仿真： y2=sim(net,p); figure; plot(p,t,-,p,y1,:,p,y2, --) title(训练后网络的输出结果); xlabel(时间); ylabel(仿真输出); 绘制网络输出曲线，并与原始非线性函数曲线以及未训练网络的输出结果曲线相比较，比较出来的结果如图5所示。其中 “ ” 代表要逼近的非线性函数曲线； “‥‥‥” 代表未经训练的函数曲线； “―――” 代表经过训练的函数曲线；从图中可以看出，得到的曲线和原始的非线性函数曲线很接近。这说明经过训练后，BP网络对非线性函数的逼近效果比较好。 （3）不同频率下的逼近效果。改变非线性函数的频率和BP函数隐层神经元的数目，对于函数逼近的效果有一定的影响。网络非线性程度越高，对于BP网络的要求