人工智能应用技术实验报告人工神经网络程序设计文档格式.docx

1、 掌握人工神经网络的训练过程2. 实验内容： 相关知识：基本神经网络（感知器，前馈网络）的常用学习规则 实验环境：Windows XP, Visual studio 主要内容：人工神经网络的程序设计与实现3. 实验要求： 完成神经网络学习程序的调试，课堂演示程序执行结果 输出神经网络权值调整过程值，分析结果数据，绘制神经网络 提交实验报告4. 实验准备：掌握感知器学习算法1 初始化：将权值向量赋予随机值，t=0（迭代次数）2 连接权的修正：对每个输入样本xk及期望输出dk完成如下计算a. 计算网络输出：y = f（S），其中S =wixi，f为激活函数b. 计算输出层单元期望输出dk与实际输出

2、y间的误差： ek = dk - yc. 若ek为零，则说明当前样本输出正确，不必更新权值，否则更新权值： w（t+1） = w（t） + ek xk t = t + 1 01为学习率。3 对所有的输入样本重复步骤（2），直到所有的样本输出正确为止5. 实验过程：#include #include stdafx.h#define MAX_ITERATIONS 1000#define INPUT_NEURONS 2#define NUM_WEIGHTS （INPUT_NEURONS+1）#define ALPHA （double）0.2double weightsNUM_WEIGHTS;type

3、def struct double a; double b; double expected; training_data_t;#define MAX_TESTS 4training_data_t training_setMAX_TESTS= -1.0, -1.0, -1.0, -1.0, 1.0, 1.0, 1.0, -1.0, 1.0, 1.0, 1.0, 1.0 ;double compute（ int test ） double result; /* Equation 10.2 */ result = （training_settest.a * weights0） + （trainin

4、g_settest.b * weights1） + （1.0 * weights2） ）; if （result 0.0） result = 1.0; else result = -1.0; return result;int main（） int i, test; double output; int change; /* Initialize the weights for the perceptron */ for （ i = 0 ; i NUM_WEIGHTS ; i+ ） weightsi = 0.0; /* Train the perceptron with the trainin

5、g set */ change = 1; while （change） change = 0; for （ test = 0 ; test maths.crand.h#define INPUT_NEURONS 35#define HIDDEN_NEURONS 10#define OUTPUT_NEURONS 10double inputsINPUT_NEURONS+1;double hiddenHIDDEN_NEURONS+1;double outputsOUTPUT_NEURONS;#define RHO （double）0.1double w_h_iHIDDEN_NEURONSINPUT_

6、NEURONS+1;double w_o_hOUTPUT_NEURONSHIDDEN_NEURONS+1;#define RAND_WEIGHT （double）rand（） / （double）RAND_MAX） - 0.5）#define IMAGE_SIZE 35typedef struct test_images_s int imageIMAGE_SIZE; int outputOUTPUT_NEURONS; test_image_t;#define MAX_TESTS 10test_image_t testsMAX_TESTS = 0,1,1,1,0, / 0 1,0,0,0,1,

7、0,1,1,1,0 , 1, 0, 0, 0, 0, 0, 0, 0, 0, 0 , 0,0,1,0,0, / 1 0,1,1,0,0, 0,0,1,0,0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0 , 0,1,1,1,0, / 2 0,0,0,0,1, 0,0,1,1,0, 0,1,0,0,0, 1,0,0,0,0, 1,1,1,1,1 , 0, 0, 1, 0, 0, 0, 0, 0, 0, 0 , 0,1,1,1,0, / 3 0, 0, 0, 1, 0, 0, 0, 0, 0, 0 , 0,0,0,1,0, / 4 0,1,0,1,0, 1,1,1,1,1, 0,0,

8、0,1,0, 0,0,0,1,0 , 0, 0, 0, 0, 1, 0, 0, 0, 0, 0 , 1,1,1,1,1, / 5 1,1,1,1,0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0 , 0,1,1,1,0, / 6 0, 0, 0, 0, 0, 0, 1, 0, 0, 0 , 1,1,1,1,1, / 7 0,1,0,0,0 , 0, 0, 0, 0, 0, 0, 0, 1, 0, 0 , 0,1,1,1,0, / 8 0,1,1,1,0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0 , 0,1,1,1,0, / 9 0,1,1,1,1, 0,1,1,

9、0,0 , 0, 0, 0, 0, 0, 0, 0, 0, 0, 1 ;void init_network（ void ） int i, j; /* Set the input bias */ inputsINPUT_NEURONS = 1.0; /* Set the hidden bias */ hiddenHIDDEN_NEURONS = 1.0; /* Initialize the input-hidden weights */ for （j = 0 ; j HIDDEN_NEURONS ; j+） INPUT_NEURONS+1 ; w_h_iji = RAND_WEIGHT; OUT

10、PUT_NEURONS ; HIDDEN_NEURONS+1 ; w_o_hji = RAND_WEIGHT; return;void feed_forward（ void ） /* Calculate outputs of the hidden layer */ hiddeni = 0.0; hiddeni += （w_h_iij * inputsj）; hiddeni = sigmoid（ hiddeni ）; /* Calculate outputs for the output layer */ outputsi = 0.0; outputsi += （w_o_hij * hidden

11、j ）; outputsi = sigmoid（ outputsi ）;void backpropagate_error（ int test ） int out, hid, inp; double err_outOUTPUT_NEURONS; double err_hidHIDDEN_NEURONS; /* Compute the error for the output nodes （Equation 10.6） */ for （out = 0 ; out out+） err_outout = （double）teststest.outputout - outputsout） * sigmo

12、id_d（outputsout）; /* Compute the error for the hidden nodes （Equation 10.7） */ for （hid = 0 ; hid hid+） err_hidhid = 0.0; /* Include error contribution for all output nodes */ err_hidhid += err_outout * w_o_houthid; err_hidhid *= sigmoid_d（ hiddenhid ）; /* Adjust the weights from the hidden to outpu

13、t layer （Equation 10.9） */ w_o_houthid += RHO * err_outout * hiddenhid; /* Adjust the weights from the input to hidden layer （Equation 10.9） */ for （inp = 0 ; inp inp+） w_h_ihidinp += RHO * err_hidhid * inputsinp;double calculate_mse（ int test ） double mse = 0.0; int i; mse += sqr（ （teststest.output

14、i - outputsi） ）; return （ mse / （double）i ）;void set_network_inputs（ int test, double noise_prob ） /* Fill the network inputs vector from the test */ INPUT_NEURONS ; inputsi = teststest.imagei; /* In the given noise probability, negate the cell */ if （RANDOM（） max） max = outputsi; best = i; return b

15、est;int main（ void ） double mse, noise_prob; int test, i, j; RANDINIT（）; init_network（）; do /* Pick a test at random */ test = RANDMAX（MAX_TESTS）; /* Grab input image （with no noise） */ set_network_inputs（ test, 0.0 ）; /* Feed this data set forward */ feed_forward（）; /* Backpropagate the error */ ba

16、ckpropagate_error（ test ）; /* Calculate the current MSE */ mse = calculate_mse（ test ）; while （mse 0.001）; /* Now, lets test the network with increasing amounts of noise */ /* Start with 5% noise probability, end with 25% （per pixel） */ noise_prob = 0.05; 5 ; set_network_inputs（ test, noise_prob ）;

17、if （j % 5） = 0） printf（n）;%d , （int）inputsj）; printf（ nclassified as %dnn, classifier（） ）; noise_prob += 0.05;6. 实验总结：（实验结果及分析）通过人工神经程序设计的学习，我进一步了解了感知器和神经网络算法，包括期望值的调整等内容，同时更加熟练地使用c语言进行程序设计，对程序设计中遇到的各种问题渐渐地有了自己的认识和解决方案。说明：1. 实验名称、实验目的、实验内容、实验要求由教师确定，实验前由教师事先填好，然后作为实验报告模版供学生使用；2. 实验准备由学生在实验或上机之前填写，教师应该在实验前检查；3. 实验过程由学生记录实验的过程，包括操作过程、遇到哪些问题以及如何解决等；4. 实验总结由学生在实验后填写，总结本次实验的收获、未解决的问题以及体会和建议等；5. 源程序、代码、具体语句等，若表格空间不足时可作为附录另外附页。