软计算和其应用习题讲解.pptVIP

习题讲解;人工神经网络;;;例. 已知一个神经网络结构如下，其输出变换函数f[u]=5u，求输出;人工神经网络习题讲解;人工神经网络习题讲解;感知器及算法;;例如，给定下列条件;t=0时的情况;t=1时的情况; 设x1=0， x2=1，?1(0)=0.0，?2(0)=0.2，?=0.5，k=0.8，=0.2。期望输出值d=1，激活函数取阶跃函数 ，在采用错误订正，试确定学习后神经元的输出y达到期望值d的时间和修改后的权值。 ;t=0时的情况;t=1时的情况;t=2时的情况;设双输入单输出的感知器中，输入x1=1， x2=0，联接权初值?1(0)=0.2，?2(0)=0.4，阀值?=0.3，按照权值修正公式 ： ，学习效率 =0.8。期望输出值d=1，激活函数取阀值函数，采用学习算法，当其输出值为期望值后，权值更新为多少？ 2.简述BP算法的步骤 ;1.解： y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ) =f(0.2*1+0.4*0-0.3)=f(-0.1)=0 实际输出与期望输出不同，需要调??权值，其调整如下： w1(1)=w1(0)+η(d(0)- y(0))x1(0)=0.2+0.8*(1-0)*1=1.0 w2(1)=w2(0)+η(d(0)- y(0))x2(0)=0.4+0.8*(1-0)*0=0.4 y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1)) =f(1.0*1+0.4*0-0.3) =f(0.7)=1 实际输出与期望输出相同，权值更新为 w1(1)=1.0 w2(1)=0.4;2.答： step1 从训练样本集中取某一样本，把它的输入信息输入到网络中。 step2 由网络正向计算出各层节点的输出。 step3 计算网络的实际输出与期望输出的误差。 step4 从输出层开始反向计算到第一个隐藏层，按一定原则向减少误差方向调整网络的各个连接权值。 step5 对训练样本集中的每一个样本重复上述步骤，直到对整个网络训练样本集的误差达到要求为止。 ;模糊计算;;例：设;模糊计算习题解析;模糊计算习题解析;弃淹昏腮快盼捻榨宣壮值砾剑刚讹颧才去晌宫蒲账邀屯膳平氟铝捧岛脓嫌软计算和其应用习题讲解软计算和其应用习题讲解;1.;属于3个 集;1.模糊集合可以用______描述。 A．函数 B. 模糊函数 C. 隶属函数;5.把精确量变换成模糊量的过程，称为________ A．模糊变换 B. 模糊控制 C. 模糊化 ;7.对于模糊集合 ，取λ=0.5，请在下图中画出 ，λ ，λAλ的图形，并作出标注。 ;数乘;求截集;;9.解：分别求出各个元素的隶属度，由扩张定理：;10.解：;11.已知;ú;[;13.;“若 A且 B 则 C” if A and B then C; ;疡蒲拌鲍俘屁糟锄阉搪凳六侨獭梆父梦簇罕六埃买婉夹臭旺喇狡累载堡沉软计算和其应用习题讲解软计算和其应用习题讲解;;3;2;2;;模 糊 化;1. 对于一个系统，蕴含关系为if and then ,根据Mamdani 的推理方法，已知： =0.2/a1+0.6/a2 =0.7/b1+0.3/b2 则有 =0.9/c1+0.1/c2 求在有输入 =0.5/a1+0.8/a2 =0.2/b1+0.7/b2 时的输出 。;2.设有模糊控制器的推理输出 ，其隶属函数表示为： =0.1/2+0.7/3+0.7/4+0.3/5+0.5/6 若用最大隶属度法进行反模糊化，得到的结果为____________; 若用重心法进行反模糊化，得到的结果为____________。;遗传算法;初始化种群(t=0);利用SGA算法，在区间[-6.4, 6.3]上求下列函数的最大值。;各参数的设定 设定种群的规模N=10，交叉率pc=0.6，变异率pm=0.006。 用二进制编码表示种群中的每一个染色体，来代表变量x的实数值。矢量的长度取决于本题所要求的精度，取小数点后1位。 这样[-6.4，6.3]的区间将被均匀分为 个等长的区间。由于27=128，所以码长7位。;假设某一个个体的编码是： x：x7x6x5??x2x1 则它对应的实数为： ;模拟退火算法;