神经网络作业第一题人工神经网络的发展概况(2)1949年心理学家D．O．Hebb出版了《TheOrganizationofBehavior》一书，提出神经元之间突触联系强度可变的假设。(3)1958年，Rosenblatt提出了感知机，第一次把神经网络的研究付诸工程实践。2、萧条阶段：主要的影响因素：（1)60年代，美国著名人工智能学者Minsky和Papert对Rosenblatt的工作进行了深入的研究，写了很有影响的《感知机》一书，指出感知机的处理能力有限，甚至连XOR（异或）这样的问题也不能解决，并指出如果引入隐含神经元，增加神经网络的层次，可提高神经网络的处理能力，但是研究对应的学习方法非常困难。3、兴盛阶段：1982年，美国物理学家J.Hopfield提出了Hopfield网络模型，用能量函数的思想形成了一种新的计算方法，该计算方法由含有对称突触连接的反馈网络执行。Hopfield网和反向传播算法的提出使人们看到了神经元网络的前景和希望；1987年在美国召开了国际神经网络会议，它掀起了神经网络研究的热潮。第二题在三维空间上，只要设计连接权系数从上图看出，可取三点a(0,0,2),b(2,2,2),c(0,2,0)组成该平面，该层的变换函数是阶跃函数，“○”表示1,“×”表示0，于是将它们正确归类。第三题（1）第一层是输入层，输入变量的维数n=2，因此，第一层结点数为N1=2；（2）第二层每个结点代表一个语言变量值，用于计算各输入分量属于各语言变量值模糊集合的隶属度函数。将输入量x1和x2均分为8个模糊等级，它们对应于从NL到PL的8个模糊语言名称，即m1=m2=8，则第二层结点数为N2=8×2=16；（3）第三层的每个结点代表一条模糊规则，用来匹配模糊规则的前件，计算出每条规则的适用度，该层的结点数为N3=8×8=64；（4）第四层的结点数与第三层相同，即N4=8×8=64；（5）第五层是输出层，它所实现的是清晰化计算，输出为单变量，输出层结点数为N5=1。确定隶属度函数的形状隶属函数采用高斯函数表示的铃形函数，则确定学习参数：假设输入分量的模糊分割数是预先确定的，则需要计算的参数主要是最后一层第四题每个神经元采用如下的S形变换函数选择初始位置A，最终将获得如下的输出形式：在方阵中A、B、C、D、E表示城市名称，1、2、3、4、5表示路径顺序。为保证每个城市只去一次，要求方阵每行只能有一个元素为1，其余为零；为了某一时刻只能经过一个城市，方阵中每列也只能有一个元素为1，其余为零；为使每个城市只经过一次，方阵中1的个数总和必须为n。对于所给方阵，其路径顺序为:A→C→E→D→B→A，所走的距离为第五题选择适当的神经网络作为被辨识系统P的模型及其逆模型（P可以是线性系统也可以是非线性系统）。所选的网络结构确定后，在给定的被辨识系统输入输出观测数据下，网络通过学习（训练），不断的调整权系值，使得准则函数为最优。所谓正向模型是指利用多层前馈神经络，通过训练或学习，使其能够表达系统正向动力学特性的模型。(1)直接逆建模直接逆建模也称广义逆学习(GeneralizedInverseLearning)，在建立系统的逆模型时，可逆性必须首先假定。(2)正—逆建模正-逆建模也称狭义逆学习(SpecializedlnverseLearning)1.神经网络本质上已是一种辨识模型，其所谓参数则反映在网络内部的权值上。2.辨识的结果为网络外部特性拟合系统的输入/输出特性，网络的内部特性归纳隐含在系统输入/输出数据中的系统特性。3.辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络本身及其所采用的学习算法有关。4.神经网络具有大量连接，其连接权的权值在辨识中对应于模型参数，通过调节这些参数可使网络输出逼近系统输出。5.神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可以用于在线控制。第一题在三维空间上，只要设计连接权系数第三题第四题每个神经元采用如下的S形变换函数