智能信息处理技术实验报告

智能信息处理技术实验报告大学(系):类级别：学号：姓氏：地图老师：实验1传感器实验一、实验目的1、理解线性分类器分类原理2、确定传感器算法，并使用它对输入的数据进行分类二、实验原理传感器算法通过教学模式的迭代和学习算法生成线性可分模式判别函数。传感器算法是通过教学模式样本集的“学习”推导出判别函数的系数解。三、实验内容(1)简单分类问题(Percept1):设计单个传感器神经元，解决简单的分类问题。将四个输入向量分成两类。其中两个输入向量的目标值为1，其他两个相应的目标值为0。输入向量，如下所示：p=-1-0 . 5 0 . 2-0 . 1；-0.3 0.5 -0.5 1.0目标向量为：t=1 0 0程序如下：p=-1-0 . 5 0 . 2-0 . 1；-0 . 3 0 . 5-0 . 5 1 . 00；t=1 0 0；Plotpv(P，T)；Pausenet=newp(-1 1 1；-1 ，1)；WatchonClaPlotpv(P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；e=1；net=init(net)；Linehandle=plotpc (net.iw 1，net . b 1 )；While(sse(E)net，Y，E=adapt(net，P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；DrawnowEndPauseWatchoffp=-0.5；1.2；A=sim(net，p)；Plotpv(p，a)；ThePoint=findobj(gca，type，line)；Set(ThePoint，Color，red)；霍尔德温；Plotpv(P，T)；Plotpc(net .IW1，net . b 1 )；保持关闭；保持关闭。端点1(disp)；实验屏幕抓图：(2)多个传感器神经元的分类问题(Percept2):将上例中的输入向量扩展到10组，将输入向量分为4类。也就是说，输入向量为：p=0 . 1 0 . 7 0 . 8 0 . 8 1 . 0 0 . 3 0-0.3-0.5-1.5；1 . 2 1 . 8 1 . 6 0 . 6 0 . 8 0 . 8 0 . 5 0 . 2 0 . 8-1.5-1.3输出向量为：t=1 1 1 0 0；0 0 0 1 1程序如下：p=0 . 1 0 . 7 0 . 8 0 . 8 1 . 0 0 . 3 0-0.3-0.5-1.5；1 . 2 1 . 8 1 . 6 0 . 6 0 . 8 0 . 8 0 . 5 0 . 2 0 . 8-1 . 5-1 . 3；t=1 1 0 0 0 0；0 0 0 1 1 1；Plotpv(P，T)；net=newp(-1.5 1；-1.5 1 ，2)；FigureWatchonClaPlotpv(P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；e=1；net=init(net)；Linehandle=plotpc (net.iw 1，net . b 1 )；While(sse(E)net，Y，E=adapt(net，P，T)；Linehandle=plotpc (net.iw 1，net.b 1，line handle)；DrawnowEndWatchoffFigurep=2；-1；A=sim(net，p)；Plotpv(p，a)；ThePoint=findobj(gca，type，line)；Set(ThePoint，Color，red)；霍尔德温；Plotpv(P，T)；Plotpc(net .IW1，net . b 1 )；保持关闭；保持关闭。端点2(disp)；实验屏幕抓图：(3)如果单个样本对网络教育的影响输入(Percept3)网络的输入样本具有单个样本(即，该样本向量比所有其他样本向量特别大或更小)，则网络培训时间将大大增加。例如：输入向量为：p=-0.5-0.5 0.3-0.1-40；-0 . 5 0 . 5-0 . 5 1 . 0 50；输出向量为：t=1 0 0 1；要解决此问题，只需通过标准化的概念学习规则培训，就可以大大缩短培训时间原始传感器学习规则的权重调整如下：标准化传感器学习规则的权重由函数learnpn()实现实验程序：p=-0.5-0.5 0.3-0.1-40；-0 . 5 0 . 5-0 . 5 1 . 0 50；t=1 0 0 1；Plotpv(P，T)；net=newp(-40 1；-1 50 ，1)；PausePlotpv(P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；ClaPlotpv(P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；e=1；Net.adaptParam.passes=1net=init(net)；Linehandle=plotpc (net.iw 1，net . b 1 )；While(sse(E)net，Y，E=adapt(net，P，T)；Linehandle=plotpc (net.iw 1，net.b 1，line handle)；DrawnowEndPausep=0.7；1.2；A=sim(net，p)；Plotpv(p，a)；ThePoint=findobj(gca，type，line)；Set(ThePoint，Color，red)；霍尔德温；Plotpv(P，T)；Plotpc(net .IW1，net . b 1 )；保持关闭；保持关闭。Pauseaxis(-2 2-2)；端点3(disp)；(4)线性不可分输入矢量(Percept5)定义矢量p=-0.5-0.5 0.3-0.1-0.8；-0 . 5 0 . 5-0 . 5 1 . 0 . 0；t=1 0 0 0；用概念分类程序如下：p=-0.5-0.5 0.3-0.1-400；-0 . 5 0 . 5-0 . 5 1 . 0 500；t=1 0 0 1；Plotpv(P，T)；Pausenet=newp(-400 1；-1 500 、1、hard lim、learn pn)；% net=newp(-400 1；-1 500 ，1)；ClaPlotpv(P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；e=1；net . adaptparam . passes=1；net=init(net)；Linehandle=plotpc (net.iw 1，net . b 1 )；While(sse(E)net，Y，E=adapt(net，P，T)；Linehandle=plotpc (net.iw 1，net.b 1，line handle)；DrawnowEndPausep=0.7；1.2；A=sim(net，p)；Plotpv(p，a)；ThePoint=findobj(gca，type，line)；Set(ThePoint，Color，red)；霍尔德温；Plotpv(P，T)；Plotpc(net .IW1，net . b 1 )；保持关闭；保持关闭。Pauseaxis(-2 2-2)；端点4(disp)；(5)实验练习：1，教材p25示例设计MATLAB程序以实现3.12，即输入向量为：p=0 . 1 0 . 7 0 . 8 0 . 8 1 . 0 0 . 3 0-0.3-0.5-1.5；1 . 2 1 . 8 1 . 6 0 . 6 0 . 8 0 . 8 0 . 5 0 . 2 0 . 8-1.5-1.3输出向量为：t=1 1 0 1 0把它分类程序如下：p=0 . 1 0 . 7 0 . 8 0 . 8 1 . 0 0 . 3 0-0.3-0.5-1.5；1 . 2 1 . 8 1 . 6 0 . 6 0 . 8 0 . 8 0 . 5 0 . 2 0 . 8-1.5-1.3t=1 1 0 1 0Plotpv(P，T)；net=newp(-40 1；-1 50 ，1)；PausePlotpv(P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；ClaPlotpv(P，T)；Linehandle=plotpc (net.iw 1，net . b 1 )；e=1；Net.adaptParam.passes=1net=init(net)；Linehandle=plotpc (net.iw 1，net . b 1 )；While(sse(E)net，Y，E=adapt(net，P，T)；Linehandle=plotpc (net.iw 1，net.b 1，line handle)；DrawnowEndPausep=0.7；1.2；A=sim(net，p)；Plotpv(p，a)；ThePoint=findobj(gca，type，line)；Set(ThePoint，Color，red)；霍尔德温；Plotpv(P，T)；Plotpc(net .IW1，net . b 1 )；保持关闭；保持关闭。Pauseaxis(-2 2-2)；端点3(disp)；实验BP传感器一、实验目的1.理解线性分类器的分类原理。2.确定BP算法，并使用它对输入的数据进行分类。3.了解BP算法，使用BP算法对输入数据进行分类。二、实验原理由于硬限制函数是非微函数，因此无法实现多层神经网络的有效LMS学习算法。BP算法使用基于Sigmoid的函数，该函数既具有完成分类所需的非线性特性，又具有实现LMS算法所需的精细功能。使用s型函数的神经元输入和输出的关系四、实验内容1.根据实验内容推导出了计算公式和误差的计算公式用Matlab编程实现BP多层传感器3.调节学习率和隐藏节点数，观察不同学习率、不同隐藏节点数的算法收敛速度4.用批处理的方法实验加权收敛，添加动量项，观察批处理和改进的算法对结果和收敛速度的影响。内容1程序如下：Close allClear艾科尔翁Clc福勒ClcP=-1，-1，2，1；-1，4，5，-3；T=0，1，1，0；PauseClcNet=newff (minmax (p)，3，1，tan SIG，pure Lin，train GDM)InputWeights=net。IW1，1Inputbias=net.b1LayerWeights=net。LW2，1Layerbias=net.b2福勒Clcnet . trainparam . show=50；net . trainparam . lr=0.05；net . trainparam . MC=0.9；net . trainparam . ep