智能控制例题

1、1.利用一个三输入两输出的两层BP 神经网络训练一个输入为1;-1;1，期望输出为 1;1的神经网络系统。假设激活函数取为：clcclear all%BP 网络的第一阶段学习期%初始化lr=10; % 学习速率err_goal=0.0000001;% 期望误差最小值 max_epoch=100000;% 最大训练次数a=0.7;%惯性系数Oi=0;Ok=0;% 隐含层和输出层各神经元输出初值为零%提供训练集和目标值X=1；-1；1；D=1;1;%初始化权重m=3;q=8;l=2; %m为输入节点j的数量，q为隐含层节点i的数量，I为输出节点k的数量 wij=rand(q,m)；% 随机产生一个

2、在( 01)之前的 q.m 维矩阵wki=rand(l,q);% 随机产生一个在( 01)之前的 l.q 维矩阵wij0=zeros(size(wij);% 返回同 wij 矩阵相同维度的数组 wij0, 并且每个元素被初始化为 0。 wki0=zeros(size(wki);% 返回同 wki 矩阵相同维度的数组 wki0, 并且每个元素被初始化为0。for epoch=1:max_epoch%计算隐含层各神经元输出neti=wij*X;for j=1:1for i=1:qOi(i,j)=2/(1+exp(-neti(i,j)-1;endend%计算输出层各神经元输出netk=wki*Oi;

3、for i=1:1for k=1:lOk(k,i)=2/(1+exp(-netk(k,i)-1;endend%计算误差函数E=(D-Ok)*(D-Ok)/2; if(E4、线性阈值单元的学习单变量样本有四个：为=1 x3 =3 d=1x2=-0.5人=-2 d =-1假设权值的初值为：2.5，阈值的初值为：1.75问题的Matlab实现如下所示：%线性阀值单元的学习 clear allx=1 -0.5 3 -2;d=1 -1 1-1;y=0 0 0 0;w0(1)=1.75;w1(1)=-2.5;lr=0.8; % 学习效率 i=1;k=1;for n=1:1000y(1,i)=sig n(w

4、0(k)+w1(k)*x(1,i);if y(1,i)=d(1,i)wO(k+1)=wO(k)+lr*(d(1,i)-y(1,i); w1(k+1)=w1(k)+lr*(d(1,i)-y(1,i)*x(1,i);elsew0(k+1)=w0(k);w1(k+1)=w1(k);endi=i+1;k=k+1;if i4i=1;endif y=d break;endendw0w1figure,plot(wO)figure,plot(w1)-33210-1-22345678915、建立一个感知器神经网络，使其能够完成“与”的功能，利用Matlab编程实现。实现与逻辑的 Matlab （ *.m ）文件

5、如下：close allclear,clc%定义变量 p=0 0 1 1 ;0 1 0 1; d=0 0 0 1; lr=maxlinlr(p,bias)%线性网络实现 net1=linearlayer(0,lr); net1=train(net1,p,d);%感知器实现 net2=newp(-1,1;-1,1,1,hardlim);net2=train(net2,p,d);%显示 disp( 线性网络输出 )Y1=sim(net1,p) disp( 线性网络二值输出 )YY1=Y1=0.5 disp( 线性网络最终权值： ) w1=net1.iw1,1,net1.b1,1 disp( 感知器

6、输出 )Y2=sim(net2,p) disp( 感知器二值输出 )YY2=Y2=0.5 disp( 感知器最终权值 ) w2=net2.iw1,1,net2.b1,1plot(0 0 1,0 1 0,o); hold on;plot(1,1,d); x=-2:.2:2; y1=1/2/w1(2)-w1(1)/w1(2)*x-w1(3)/w1(2); plot(x,y1,-);y2=-w2(1)/w2(2)*x-w2(3)/w2(2); plot(x,y2,-);axis(-0.5,2,-0.5,2) xlabel(x);ylabel(ylabel); title( 线性网络用于求解与逻辑 )

7、legend(0,1,线性网络分类面,感知器分类面); 执行脚本文件，得到结果如下：第 199 次迭代 线性网络的二值输出：yy =0 0 0均方误差：0.062500权值向量：w =0.5000-0.25000.5000第200次迭代线性网络的二值输出：yy =0 0 0 1均方误差： 0.062500权值向量：w =-0.25000.50000.50006. 利用多层感知器完成“异或”的功能if (neti21(i,j)=0)y(i,j)=1; else y(i,j)=0; end endend %感知器神经网络地第一阶段学习期学习加权系数clearerr=0.001;%给定期望误差最小值

8、lr=0.9;%设置学习速率max=1000;%设置训练的最大次数x=0 0 1 1;0 1 0 1;1 1 1 1;%提供输入训练样本集T1=0 1 0 0;T2=1 1 0 1;xx=T1;T2;1 1 1 1;T=0 1 1 0;%提供输出期望M,N=size(x);%M为输入节点的数量，L为输出节点的数量，N为训练样本数L,N=size(T);%初始化：置所有的加权系数为最小的随机数%neti 表示的是加权求和后的中间结果Wij11=rand(L,M);Wij12=rand(L,M);Wij21=rand(L,M);y11=0;y12=0;y=0;for epoch11=1:max n

9、eti11=Wij11*x;for j=1:Nfor i=1:Lif (neti11(i,j)=0) y11(i,j)=1;elsey11(i,j)=0;endend end %计算误差函数 E=(T1-y11); EE=0;for j=1:NEE=EE+abs(E(j); end if (EE=0)y12(i,j)=1;elsey12(i,j)=0;endendend%计算误差函数E=(T2-y12);EE=0;for j=1:NEE=EE+abs(E(j);endif (EE=0)y(i,j)=1;elsey(i,j)=0;endendend%计算误差函数E=(T-y);EE=0;for

10、j=1:N EE=EE+abs(E(j);end if (EE=0) y11(i,j)=1;else y11(i,j)=0;endendendy11x1=x;%给定输入neti12=Wij12*x1;M,N=size(x1); for j=1:Nfor i=1:L if (neti12(i,j)=0) y12(i,j)=1;else y12(i,j)=0;endend%给定输入end y12 x1=y11;y12;1 1 1 1;neti21=Wij21*x1; M,N=size(x1);for j=1:Nfor i=1:Ly%显示输出运行后： ganzhiqi3epoch11 =4Wij11

11、 =-0.8866 1.5324 -0.8025epoch12 =4Wij12 =-0.6215 1.4469 0.0575epoch21 =57. 设计DHNN网络，网络节点数为n=4.所有状态均在-1到1之间，阈值均为0,样本m=2.样本分别为x仁1 1 1 1;x2=-1 -1 -1-1 。Matlab 运行程序如下： clearm=2;n=4;Oi=0;%初始化网络x1=1 1 1 1;x2=-1 -1 -1 -1;%设置样本w=x1*x1+x2*x2-m*eye(4);%由 Hebb 规则求权矩阵y1=sign(w*x1-Oi);%验证样本 1 是否为网络吸引子y2=sign(w*x

12、2-Oi);%验证样本 2 是否为网络吸引子%以下考察联想记忆功能x3=-1 1 1 1;%设置吸引对象 x3,x4,x5x4=1 -1 -1 -1;x5=1 1 -1 -1;y3=sign(w*x3-Oi);y4=sign(w*x4-Oi);y5=sign(w*x5-Oi);y1y2y3y4y5y51=sign(w*y5-Oi)y52=sign(w*y51-Oi)运行结果：y1 =1111 y2 =-1-1-1-1 y3 =1111 y4 =-1-1-1-1 y5 =-1-111 y51 =-1-1 y52 =-1-111由结果知， y1=x1 ，y2=x2 ， y3=x1 ， y4=x2

13、，故 y1，y2 均为网络吸引子，在联想记忆功 能上，x3经过一步就可收敛到x1, x4经过一步就可收敛到 x2。y5不收敛于x1 , x2但是由y51 ， y52 可以看出其会在两个状态间跳跃，即形成了哈明距离为2 的震荡。8. 设计DHNN网络，网络节点n=4，所有状态均在-1到1之间，阈 值均为 0 ，样本 m=2. 样本分别为 x1=1 0 1 0;x2=01 0 1Matlab 运行程序如下：clearm=2;n=4;Oi=0;b=1 1 1 1;%初始化网络x1=1 0 1 0;x2=0 1 0 1;%设置样本w=(2*x1-b)*(2*x1-b)+(2*x2-b)*(2*x2-b)-m*eye(4)%由 Hebb 规则求权矩阵y1=sign(w*x1-Oi);%验证样本 1 是否为网络吸引子y2=sign(w*x2-Oi);%验证样本 2是否为网络吸引子%以下考察联想记忆功能x3=1 1 0 0;%设置吸引对象 x3,x4,x5，