《智能控制及应用》—人工神经网络学号姓名指导老师2013-12-16目录一、设计题目 (3)二、任务解答 (3)2.1任务一解答 (3)2.1.1逻辑“与”的计算原理 (3)2.1.2感知器的学习算法 (4)2.1.3训练c++程序 (4)2.2任务二解答 (7)一、设计题目1、设计一个实现逻辑“与”的单计算层感知器，并写出其学习算法和程序。
2、紧密结合自己的专业背景、科研方向或解决问题的经历，说明人工神经网络在解决与你有关的某个工程技术问题上的应用概况。
要求：说明自己的科研或专业背景，所关注的工程技术问题，人工神经网络在该问题上的应用概况，指出采用神经网络法比传统方法的优势所在。
二、任务解答2.1任务一解答2.1.1逻辑“与”的计算原理实现逻辑“与”计算的真值表：由真值表可以看出，4个样本的输出分为两类，一类输出为0，另一类输出为1。
据此，画出逻辑“与”的运算分类图：由图可知，应用感知器学习规则进行训练得到的连接权值和阈值并不会单一，只需要保证输入输出满足真值表即可，利用符号函数对各点计算，符号函数为sgn：2.1.2感知器的学习算法感知器训练按如下步骤进行：（1）给定权初值w i (0)（较小的随机非零值，包括阈值w 0= -θ，阈值并入权W 中)，学习次数k=0；（2）输入一个样本X p 和d p ，计算输出（f 为符号函数）；（3）修正权 w i (k+1)= w i (k) +α(d p -y p ) x pi ，i=0,1,2,…,n ，学习率0<α<=1，用于控制修正速度；（4）选另外一组样本，k 增1，重复（2）~（4），直到w i (k+1)对一切样本均稳定不变（即dp=yp ）为止。
2.1.3训练c++程序（Qt 下开发）#include <QCoreApplication> #include<QTextStream> #include<QTextCodec>double alpha=0.2; //学习率，用于控制学校速度 //根据输入得到函数输出值 int f(double w[],double x[]){ double y=0;for(int i=0;i<3;i++) y+=w[i]*x[i]; return y>=0?1:0; }//根据结果调整权值void revise(double x[],double w[],int yp,int dp){ for(int k=0;k<3;k++)w[k]+=alpha*(dp-yp)*x[k]; }int main(int argc, char *argv[]) {QCoreApplication a(argc, argv);QTextStream cout(stdout,QIODevice::WriteOnly); int i;double w[3]={0,1,1}; //阈值初试值，权值初始值 cout<<"**********************"<<endl; cout<<"**********************"<<endl;00()(1,01np i pi p p i y f w x x X ===∑设取的第个分量总为）cout<<"**********************"<<endl;cout<<"alpha="<<w[0]<<endl;cout<<"w:"<<endl;cout.setRealNumberPrecision(4);cout<<"w1="<<w[1]<<" w2="<<w[2]<<endl;cout<<"**********************"<<endl;cout<<"**********************"<<endl;double x1[3]={1,1,1}; //输入值double x2[3]={1,0,1};double x3[3]={1,1,0};double x4[3]={1,0,0};int dp[4]={1,0,0,0}; //期望输出值int yp[4]={0,0,0,0};cout<<"training....."<<endl;//周而复始的进行训练while(dp[0]!=yp[0]||dp[1]!=yp[1]||dp[2]!=yp[2]||dp[3]!=yp[3]) {yp[0]=f(w,x1);revise(x1,w,yp[0],dp[0]);yp[1]=f(w,x2);revise(x2,w,yp[1],dp[1]);yp[2]=f(w,x3);revise(x3,w,yp[2],dp[2]);yp[3]=f(w,x4);revise(x4,w,yp[3],dp[3]);}cout<<"result>>"<<endl;cout<<"**********************"<<endl;cout<<"alpha="<<w[0]<<endl;cout<<"w:"<<endl;cout.setRealNumberPrecision(4);cout<<"w1="<<w[1]<<" w2="<<w[2]<<endl;cout<<"**********************"<<endl;cout.setRealNumberPrecision(8);cout<<"--real--"<<"--hope--"<<endl;cout.setRealNumberPrecision(10);for(i=0;i<4;i++)cout<<yp[i]<<" "<<dp[i]<<endl;return a.exec();}输出结果如下图所示。
2.2任务二解答我是仿真专业，实验室做的项目一般是飞机的系统仿真。
最近参与的一个项目是飞行模拟器的分布式仿真系统。
这个系统包含数学模型、半实物仿真模型、实物模型。
而且这个系统要求能有不同的仿真模式。
也就是说，既可以进行有实物参与的仿真，也要求可以进行纯粹的数字仿真。
在数字仿真模式下，系统用数学模型代替实物模型，由于是纯数字仿真，因此可以做到实时甚至超实时仿真。
显然半实物仿真和实物仿真的成本和效率低于数字仿真，而且实验观测和分析也不如数字仿真，因此数字仿真的重要性不言而喻。
然而系统的准确性也很重要，因此就对数学模型的准确性提出了比较高的要求。
众所周知，飞机是个复杂的系统，各个子系统实际上也是个复杂的非线性系统。
对于一般的仿真系统，可以使用线性系统的分析方法近似得出系统的仿真模型。
但是对于实时仿真系统，由于对结果要求比较高，因此需要考虑非线性因素，建立更加逼近真实系统的模型。
常用的方法是系统辨识。
经典的系统辨识方法的发展已经比较成熟和完善，包括阶跃响应法、脉冲响应法、频率响应法、相关分析法、谱分析法、最小二乘法和极大似然法等。
其中最小二乘法(LS)是一种经典的和最基本的，也是应用最广泛的方法。
但是，最小二乘估计是非一致的，是有偏差的，所以为了克服它的缺陷，而形成了一些以最小二乘法为基础的系统辨识方法：广义最小二乘法(GI S)、辅助变量法(IV)、增广最小二乘法(EI，S)和广义最小二乘法(GI S)，以及将一般的最小二乘法与其他方法相结合的方法，有最小二乘两步法(COR—I S)和随机逼近算法等。
然而经典的系统辨识方法也有以下的不足：(1)在某些动态系统中，系统的输入常常无法保证，但是最小二乘法的系统辨识法一般要求输入信号已知，且变化较丰富。
(2)在线性系统中，传统的系统辨识方法比在非线性系统辨识效果要好。
(3)不能同时确定系统的结构与参数和往往得不到全局最优解，是传统辨识方法普遍存在的两个缺点。
人工神经网络迅速发展于20世纪末，并广泛地应用于各个领域，尤其是在模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等方面。
随着神经网络理论本身以及相关理论和相关技术的不断发展，神经网络的应用定将更加深入。
神经网络用于系统辨识的实质是选择一种适合的神经网络模型来逼近实际系统。
其辨识有模型、数据和误差准则三大要素。
系统辨识实际上是一个最优化问题，由辨识的目的与辨识算法的复杂性等因素决定其优化准则。
通过建立系统的依赖于参数的模型，辨识问题转化为对模型参数的估计问题，是传统的辨识算法。
这类算法较成功的应用于线性系统或本质线性系统。
神经网络用于系统辩识的一个优点是它不需要预先建立实际系统的辩识格式，它对系统的辩识过程就是直接学习系统的输入输出数据的过程。
人工神经网络与传统的基于算法的辨识方法相比较，具有以下优点：(1)神经网络的可调参数反映在网络内部的连接权上，这就可以省去对系统建模这一步骤。
(2)可以对本质非线性系统进行辨识，这是一种非算法式的、由神经网络本身来实现的辨识。
(3)神经网络的本身和其所采用的学习算法是影响辨识的收敛速度的唯一因素，它不依赖待辨识的系统的维。
(4)通过调节神经元之间的连接权(权值对应于模型参数)可使网络的输出来逼近系统的输出。
(5)神经网络也可用于在线控制。
人工神经网络在非线性系统辨识中的应用具有很重要的研究价值以及广泛应用前景。
在项目中，给实物提供不同的输入，再根据得到的输出结果，作为神经网络的训练数据。
经过反复多次的训练，使神经网络最终趋于实际的系统模型。
在实际应用中，神经网络训练出的模型实时仿真得到的结果和实际模型还有些差距，这说明在实际应用中还需要根据实际情况进行改进和适应。
而这，就是以后还要继续努力研究的地方。
