智能控制课后答案

1、1、神经元的种类有哪些它们的函数关系如何一、神经元模型神经元模型是生物神经元的抽象和模拟.它是模拟生物神经元的结构和功能、并从数学角度抽象出来的一个根本单元.它是神经网络的最根本的组成局部.神经元一般是多输入-单输出的非线性器件.模型可以描述为NetWjXj s iUif (Neti)y g(Ui) h(Neti)假设 g(ui) u ,即 y f (Neti)U为神经元的内部状态；i为阀值；Xi为输入信号,j 1,.,n； Wj为表示从Uj单元到Ui单元的连接权系数；与为外部输入信号.常用的神经元非线性特性有以下四种(1) 阀值型1 Neti 0f(Neti) 0 Neti 0f A10 N

2、eti阀值函数(2) 分段线性型0 Net Net0f(Net) kNet Net. Net Netfmax Net Netif I0 Neti0 Neti1 Neti线性函数(3) Sigmoid 函数型f(Neti)Net1 e TSigmoid 函数(4) Tan函数型Neti e T f(Neti) w e TNetT"Nete T2、为什么由简单的神经元连接而成的神经网络具有非常强大的功能神经系统是一个高度复杂的非线性动力学系统,虽然每一个神经元的结构和功能十分简单,但由大量神经元构成的网络系统的行为却是丰富多彩和十分复杂的.从神经元模型角度来看,有线性处理单元和非线性处理

3、单元.从网络结构方面来看,有：前向网络、反响网络和自组织网络.3、神经网络按连接方式分有哪几类,按功能分有哪几类、按学习方式分又有哪几类 神经网络按连接方式神经网络按连接方式分神经网络是由通过神经元的互连而到达的.根据神经元的连接方式的不同,神经网络可分为以下四种形式：(1) 前向网络由输入层、隐含层和输出层组成.每一层只接受前一层神经元的输入.各神经元之间不存在反响.属于层次型网络.-*O*Q输 入输 出前向网络(2) 反响网络只在输出层到输入层存在反响,即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反响.属于层次型网络.反响网络(3) 相互结合型网络这种神经网络在任意两个神经

4、元之间都可能有连接.在这个状态中,信号要在神经元之间反复往返传递,网络处在一种不断改变状态的动态之中,从某种初态开始,经过假设干次的变化,才会到达某种平衡状态.属于网状结构网络.相互结合型网络(4) 混合型网络通过同一层内神经元的相互结合,可以实现同一层内神经元之间的横向抑制或兴奋机制.这样可以限制每层内能同时动作的神经元数,或者把每层内的神经元分为假设干组,让每组作为一个整体来动作.它是层次型网络和网状结构网络的一种结合.混合型网络神经网络按功能分有哪几类、神经网络将神经元按功能和顺序的不同分为输出层、中间层隐层、输出层.输出层各神试用BP算法练习此网1f(x).学1 e x习步长为e.四舍

5、五入,精确到小数后 1位yiwii2X20W 22-12 W 20-1W 2013X1W 11 11.最大迭代次数为iterafe max.误差为222 -2W12 -2W10W21W12-2 w10W212经元负责接收来自外界的输入信息, 并传给中间各隐层神经元； 隐层是神经网络的内部信息 处理层,负责信息变换.根据需要可设计为一层或多层； 最后一个隐层将信息传递给输出层 神经元经进一步处理后向外界输出信息处理结果.神经网络按按学习方式分又有哪几类 有导师学习和无导师学习.4、如图4-24所示的多层前向传播神经网络结构.假设对于期望的输入x1,x2 1 3,yd1,yd2 0,9 0.3.网

6、络权系数的初始值见图. 络.并详细写出第一次迭代学习的计算结果.这里,取神经元鼓励函数神经网络结构图解和最大迭代学习次数iterate max.置初始迭代学习次数输入最大容许逼近误差值iterate 0 .(1) .置各权值或阈值的初始值：Wji(0), j(0)为小的随机数值;回忆：单一人工神经元有线性和非线性(2) 单一人工神经元线性单一人工神经元示意图(线性)单一人工神经元的示意图最简单的人工神经元输入和输出数学表示：假设输入项Net由输入信号Xj(j=i,2,n)的线性组合构成,即 nNet 0wjxjj i0为阀值；Wj是决定第j个输入的突触权系数.神经元的平衡态输出 y为 ny (

7、 0WjXj)j i式中(x)表示神经元的鼓励函数前面假设输入项 Net是输入信号Xi的线性函数.一般情况下,Net是输入信号Xi的非线性函i-nr - r 口工111111因此此题的权值W11,叫2 ,W10,W21,W22,W20yiw 11 112 -2X20W 22-1W 202 W212 W2001 W11222 -2X1K323oW12W10W21-2 w10图4-15例4-1的神经网络结构图对每个(3) .提供练习样本：输入矢量：Xk,k 1,2,., p ；期望输出：dk,k 1,2,.,P；输入样本进行下面iterate max的迭代;X1,X2 1 3(4) .计算网络的实

8、际输出及隐层单元的状态:Okj fj( . Wji Okij)由于X1,X2T13Tnet111W11X11W2X2w1 1gX1(2)gX2net；1W2*1W22X21W20 2gX1(0)gX21g(1) 11O1J1 enet111 e20.1192.21net2 e0.7311net122W1Q2W12o22W101go1(0)站2.1192net22w21dl2W22O22W20 1go1(2)卬21-4.3430y10.8928y20.0128(5) .计算练习误差：kj Okj (1 Okj )(tkj Okj)(输出层)kj Okj(1 Okj)kmWmj (隐含层)m1 )

9、输出层2 '.2.1 (yd1 y1)f(net1)(y5 %),(1 y1)6.8910e-0042 '2、2(yd2 y2) f (net2) (yd2 y2)y2(1 y) 0.00362)隐含层12222221kWk1O1(1Oi)( 1W112W2i)Oi(1O1)k(6.8910e-004 1 (0.0036) 1) 0.1192 (1 0.1192)4.5032e-0041 2222222 k Wk2O2 (1 O2)( 1 W122 W22) o2(1 O2)k(6.8910e-004 0 (0.0036) ( 2) 0.7311 (1 0.7311)-0.00

10、14(5) .修正权值和阈值：Wji (t 1) Wji (t)jOkiWji (t) Wji (t 1)j(t 1) j(t) j j(t) j(t 1)1 1Vw；111X14.5032e-00414.5032e-004Vw；211x24.5032e-00430.0014 11 _ VW10i4.5032e-004Vw2i2xi (-0.0014) 1 -0.00141 1_Vw222x2 (-0.0014) 30.0042.11- ,Vw202-0.001422_VW11i Oi 6.8910e-004 0.11928.2141e-005一22一_ _Vw121o2 6.8910e-004 0.7311 5.0380e-00422VW1016.8910e-004_ 22_Vw212o10.0036 0.1192 4.2912e-00422 _VW222O2 0.0036 0.73110.0026Vw；.2"0.0036wlji (iterate 1) wji (ite