《人工智能及其應用》實驗指導書《人工智能及其應用》

試驗指導書

(

浙江工業高校計算機科學與技術學院—人工智能課程組

2024年9月

)

前言

本試驗是為了協作《人工智能及其應用》課程的理論學習而特地設置的。本試驗的目的是鞏固和加強人工智能的基本原理和方法，并為今后進一步學習更高級課程和信息智能化技術的討論與系統開發奠定良好的基礎。

全書共分為八個試驗：1.產生式系統試驗；2.模糊推理系統試驗；*算法求解8數碼問題試驗；*算法求解迷宮問題試驗；5.遺傳算法求解函數最值問題試驗；6.遺傳算法求解TSP問題試驗；7.基于神經網絡的模式識別試驗；8.基于神經網絡的優化計算試驗。每個試驗包括有：試驗目的、試驗內容、試驗條件、試驗要求、試驗步驟和試驗報告等六個項目。

本試驗指導書包括兩個部分。第一個部分是介紹試驗的教學大綱；其次部分是介紹八個試驗的內容。

由于編者水平有限，本試驗指導書的錯誤和不足在所難免，歡迎批判指正。

人工智能課程組

2024年9月

名目

試驗教學大綱(1)

試驗一產生式系統試驗(3)

試驗二模糊推理系統試驗(5)

試驗三A*算法試驗I(9)

試驗四A*算法試驗II(12)

試驗五遺傳算法試驗I(14)

試驗六遺傳算法試驗II(18)

試驗七基于神經網絡的模式識別試驗(20)

試驗八基于神經網絡的優化計算試驗(24)

試驗教學大綱

一、學時：16學時，一般支配在第9周至第16周。

二、主要儀器設備及運行環境：PC機、VisualC++、Matlab。

三、試驗項目及教學支配

序號試驗名稱試驗

平臺試驗內容學

時

類型教學

要求

1產生式系統應用VC++設計學問庫，實現系統識別或

分類等。

2設計課內

2模糊推理系統應用Matlab1）設計洗衣機的模糊掌握器；

2）設計兩車追逐的模糊掌握

器。

2驗證課內

3A*算法應用IVC++設計與實現求解N數碼問題的

A*算法。

2綜合課內4A*算法應用IIVC++設計與實現求解迷宮問題的A*

算法。

2綜合課內5遺傳算法應用IMatlab1）求某一函數的最小值；

2）求某一函數的最大值。

2驗證課內6遺傳算法應用IIVC++設計與實現求解不同城市規模

的TSP問題的遺傳算法。

2綜合課內

7基于神經網絡的模式識別Matlab1）基于BP神經網絡的數字識

別設計；

2）基于離散Hopfiel神經網絡

的聯想記憶設計。

2驗證課內

8基于神經網絡的

優化計算

VC++設計與實現求解TSP問題的連2綜合課內

四、試驗成果評定

試驗課成果單獨按五分制評定。凡試驗成果不及格者，該門課程就不及格。同學的試驗成果應以平常考查為主，一般應占課程總成果的50%，其平常成果又要以試驗實際操作的優劣作為主要考核依據。對于試驗課成果，無論實行何種方式進行考核，都必需按試驗課的目的要求，以實際試驗工作力量的強弱作為評定成果的主要依據。

評定各級成果時，可參考以下標準：

（一）優秀

能正確理解試驗的目的要求，能獨立、順當而正確地完成各項試驗操作，會分析和處理試驗中遇到的問題，能把握所學的各項試驗技能，能較好地完成試驗報告及其它各項試驗作業，有肯定制造精神和力量。有良好的試驗室工作作風和習慣。

（二）良好

能理解試驗的目的和要求，能仔細而正確地完成各項試驗操作，能分析和處理試驗中遇到的一些問題。能把握所學試驗技能的絕大部分，對難點較大的操作完成有困難。能一般完成試驗報告和其它試驗作業。有較好的試驗習慣和工作作風。

（三）中等

能粗淺理解試驗目的要求，能仔細努力進行各項試驗操作，但技巧較差。能分析和處理試驗中一些較簡單的問題，把握試驗技能的大部分。有30%把握得不好。能一般完成各項試驗作業和報告。處理問題缺乏條理。工作作風較好。能仔細遵守各項規章制度。學習努力。

（四）及格

只能機械地了解試驗內容，能一般按圖、或按試驗步驟“照方抓藥”完成試驗操作，能完成60%所學的試驗技能，有些雖作但不精確?????。遇到問題經常缺乏解決的方法，在別人啟發下能作些簡潔處理，但效果不抱負。能一般完成試驗報告，能仔細遵守試驗室各項規章制度，工作中有小的習慣性毛病（如工作無方案，處理問題缺乏條理）。

（五）不及格

盲目地“照方抓藥”，只把握50%的所學試驗技能。有些試驗雖能作，但一般效果不好，操作不正確。工作忙亂無條理。一般能遵守試驗室規章制度，但常有小的錯誤。試驗報告較多的時候有結果，遇到問題時說不明緣由，在老師指導下也較難完成各項試驗作業。或有些小聰慧但不努力，不求上進。

試驗一產生式系統試驗

一、試驗目的：

熟識一階謂詞規律和產生式表示法，把握產生式系統的運行機制，以及基于規章推理的基本方法。

二、試驗內容

運用所學學問，設計并編程實現一個小型人工智能系統（如分類、診斷、猜測等類型）。

三、試驗條件：

產生式系統試驗程序，如下圖1所示。

圖1產生式系統試驗程序界面

四、試驗要求

1.詳細應用領域自選，詳細系統名稱自定；但所做系統肯定不能雷同。

2.用一階謂詞規律和產生式規章作為學問表示，利用如圖1所示的產生式系統試驗程序，建立學問庫，分別運行正、反向推理。

3.系統完成后，提交試驗報告。

五、試驗步驟：

1.基于如圖1所示的產生式系統試驗程序，設計并實現一個小型人工智能系統：

1）系統設置，包括設置系統名稱和系統謂詞，給出謂詞名及其含義。

2）編輯學問庫，通過輸入規章或修改規章等，完成整個規章庫的建立。

3）建立事實庫（綜合數據庫），輸入多條事實或結論。

4）運行推理，包括正向推理和反向推理，給出相應的推理過程、事實區和規章區。

2.撰寫試驗報告。

六、試驗報告

下面是試驗報告的基本內容和書寫格式。

遞交的報告文件名：班級_學號_姓名_試驗名稱

———————————————————————

試驗名稱

班級：學號：姓名：

一、試驗目的

二、試驗內容

三、試驗步驟

四、試驗結果

1.系統名稱及謂詞定義

2.系統學問庫

3.系統正、反向推理過程、事實區和規章區。

五、試驗總結

———————————————————————

試驗二模糊推理系統試驗

一、試驗目的

理解模糊規律推理的原理及特點，嫻熟應用模糊推理，了解可能性理論。二、試驗原理

模糊推理所處理的事物自身是模糊的，概念本身沒有明確的外延，一個對象是否符合這個概念難以明確地確定，模糊推理是對這種不確定性，即模糊性的表示與處理。模糊規律推理是基于模糊性學問(模糊規章)的一種近似推理，一般采納Zadeh提出的語言變量、語言值、模糊集和模糊關系合成的方法進行推理。三、試驗條件

Matlab的FuzzyLogicTool。

四、試驗內容及要求

1.設計洗衣機洗滌時間的模糊掌握。已知人的操作閱歷為：

“污泥越多，油脂越多，洗滌時間越長”；

“污泥適中，油脂適中，洗滌時間適中”；“污泥越少，油脂越少，洗滌時間越短”。

要求：

（1）假設污泥、油脂、洗滌時間的論域分別為、和，設計相應的模糊推理系統，給出輸入、輸出語言變量的隸屬函數圖，模糊掌握規章表和推論結果立體圖。

（2）假定當前傳感器測得的信息為00

(60,70xy==污泥）（油脂），采納面積重心法反模糊化，給出模糊推理結果，并觀看模糊推理的動態仿真環境，給出其動態仿真環境圖。

提示：模糊掌握規章如下表1所示，其中SD（污泥少）、MD（污泥中）、LD（污泥多）、NG（油脂少）、MG（油脂中）、LG（油脂多）、VS（洗滌時間很短）、S（洗滌時間短）、M（洗滌時間中等）、L（洗滌時間長）、VL（洗滌時間很長）。

圖1洗衣機的模糊掌握規章表

xyzSDNGVSSDMGM

SDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLD

LGVL

2．假設兩汽車均為抱負狀態，即2

Y()4

U()20.724

ssss=+??+，Y為速度，U為油門掌握輸入。

（1）設計模糊推理系統掌握2號汽車由靜止啟動，追逐200m外時速90km的1號汽車并與其保持30m的距離。

（2）在25時刻1號汽車速度改為時速110km時，仍與其保持30m距離。（3）在35時刻1號汽車速度改為時速70km時，仍與其保持30m距離。要求：

（1）如下圖1所示，設計兩輸入一輸出的模糊推理系統作為2號汽車的模糊

掌握器，其中輸入為誤差e和誤差的變化e

，輸出為1號汽車的油門掌握u，采納面積等分法反模糊化，給出輸入、輸出語言變量的隸屬函數圖，模糊掌握規章

表，推論結果立體圖和模糊推理的動態仿真環境圖。

相對距離e

圖1兩車追逐的模糊掌握系統框圖

（2）用SIMULINK仿真兩車追逐的模糊掌握系統，給出目標車（1號汽車）的速度曲線圖，以及追逐車（2號汽車）的速度曲線圖和與目標車（1號汽車）相對距離變化圖。

提示：模糊掌握規章如下表

2所示，其中

e

e

tg

e

e

r

.

.

2

2,=

+

=θ，r、θ和

油門掌握u的論域分別為、和2所示。

表2模糊掌握規章表

r\

θNBZEPB

PBZENMNB

PMZEPMPB

ZEZEPMPB

NMZENMNB

NBZENMNB

圖2r的隸屬函數圖

五、試驗報告要求：

1.根據試驗要求，給出相應結果。

2．分析隸屬度、模糊關系和模糊規章的相互關系。

下面是試驗報告的基本內容和書寫格式。

試驗名稱

班級：學號：姓名：

一、試驗目的

二、試驗內容

三、試驗結果

根據試驗要求，給出相應結果。

四、試驗總結

1.分析隸屬度、模糊關系和模糊規章的相互關系。

2.總牢固驗心得體會——————————————————————————————————

試驗三A*算法試驗I

一、試驗目的

熟識和把握啟發式搜尋的定義、估價函數和算法過程，并利用A*算法求解N數碼難題，理解求解流程和搜尋挨次。

二、試驗原理

A*算法是一種啟發式圖搜尋算法，其特點在于對估價函數的定義上。對于一般的啟發式圖搜尋，總是選擇估價函數f值最小的節點作為擴展節點。因此，f是依據需要找到一條最小代價路徑的觀點來估算節點的，所以，可考慮每個節點n的估價函數值為兩個重量：從起始節點到節點n的實際代價g(n)以及從節點n到達目標節點的估價代價h(n),且)

h，)

(*n

h為n節點到目的結點的最

n

h

(*

)

(n

優路徑的代價。

八數碼問題是在3×3的九宮格棋盤上，擺有8個刻有1～8數碼的將牌。棋盤中有一個空格，允許緊鄰空格的某一將牌可以移到空格中，這樣通過平移將牌可以將某一將牌布局變換為另一布局。針對給定的一種初始布局或結構（目標狀態），問如何移動將牌，實現從初始狀態到目標狀態的轉變。如下圖1表示了一個詳細的八數碼問題求解。

圖1八數碼問題的求解

三、試驗內容

1.參考A*算法核心代碼，以8數碼問題為例實現A*算法的求解程序（編程語言不限），要求設計兩種不同的估價函數。

2.設置相同的初始狀態和目標狀態，針對不同的估價函數，求得問題的解，并比較它們對搜尋算法性能的影響，包括擴展節點數、生成節點數等。

3.設置與上述2相同的初始狀態和目標狀態，用寬度優先搜尋算法（即令估量代價h(n)＝0的A*算法）求得問題的解，以及搜尋過程中的擴展節點數、生成節點數。

*4.參考A*算法核心代碼，實現A*算法求解15數碼問題的程序，設計兩種不同的估價函數，然后重復上述2和3的試驗內容。

5.提交試驗報告和源程序。

四、試驗報告要求

1.分析不同的估價函數對A*算法性能的影響。

2.依據寬度優先搜尋算法和A*算法求解8、15數碼問題的結果，分析啟發式搜尋的特點。

下面是試驗報告的基本內容和書寫格式。

試驗名稱

班級：學號：姓名：

一、試驗目的

二、試驗原理

三、試驗結果

根據試驗內容，把結果填入表1。

表1不同啟發函數h(n)求解8數碼問題的結果比較

求解15數碼問題的結果比較

*表2不同啟發函數h(n)

四、試驗總結

1.畫出A*算法求解N數碼問題的流程圖

2.完成試驗報告要求1和2。

3.總牢固驗心得體會——————————————————————————————————

試驗四A*算法試驗II

一、試驗目的

熟識和把握A*算法實現迷宮尋路功能，要求把握啟發式函數的編寫以及各類啟發式函數效果的比較。

二、試驗原理

A*（A-Star)算法是一種靜態路網中求解最短路最有效的方法。公式表示為：f(n)=g(n)+h(n)，其中f(n)是節點n從初始點到目標點的估價函數，g(n)是在狀態空間中從初始節點到n節點的實際代價，h(n)是從n到目標節點最佳路徑的估量代價。保證找到最短路徑（最優解的）條件，關鍵在于估價函數h(n)的選取：估價值h(n)小于等于n到目標節點的距離實際值)

h，這種狀況下，搜尋

(*n

的點數多，搜尋范圍大，效率低，但能得到最優解。假如估價值大于實際值，搜尋的點數少，搜尋范圍小，效率高，但不能保證得到最優解。

尋路問題常見于各類嬉戲中角色尋路、三維虛擬場景中運動目標的路徑規劃、機器人尋路等多個應用領域。迷宮尋路問題是在以方格表示的地圖場景中，對于給定的起點、終點和障礙物（墻），如何找到一條從起點開頭避開障礙物到達終點的最短路徑。

假設在一個n*m的迷宮里，入口坐標和出口坐標分別為(1,1)和(5,5)，每一個坐標點有兩種可能：0或1，其中0表示該位置允許通過，1表示該位置不允許通過。

如地圖：

00000

10101

00111

01000

00010

最短路徑應當是

AB000

1C101

ED111

F1JKL

GHI1M

即：(1,1)-(1,2)-(2,2)-(3,2)-(3,1)-(4,1)-(5,1)-(5,2)-(5,3)-(4,3)-(4,4)-(4,5)-(5,5)

三、試驗內容

1．參考迷宮求解的核心代碼，觀看求解過程與思路，畫出用A*算法求解迷宮最短路徑的流程圖。

2．設置不同的地圖，以及不同的初始狀態和目標狀態，記錄A*算法的求解結果，包括最短路徑、擴展節點數、生成節點數和算法運行時間。

3．對于相同的初始狀態和目標狀態，設計不同的啟發式函數，比較不同啟發式函數對迷宮尋路速度的提升效果，包括擴展節點數、生成節點數和算法運行時間。

4．提交試驗報告和源程序。

四、試驗報告要求：

1．畫出A*算法求解迷宮最短路徑問題的流程圖。

2．試分析不同啟發式函數h(n)對迷宮尋路求解的速度提升效果。

3．分析A*算法求解不同規模迷宮最短路徑問題的性能。

下面是試驗報告的基本內容和書寫格式。

試驗名稱

班級：學號：姓名：

一、試驗目的

二、試驗原理

三、試驗結果

根據試驗內容，給出相應結果。

四、試驗總結

1.完成試驗報告要求2和3。

2.總牢固驗心得體會

——————————————————————————————————

試驗五遺傳算法試驗I

一、試驗目的

熟識和把握遺傳算法的原理、流程和編碼策略，并利用遺傳求解函數優化問題，理解求解流程并測試主要參數對結果的影響。二、試驗原理

遺傳算法(GeneticAlgorithms,GA)是基于生物界自然選擇和基因遺傳學原理的一種廣為應用的、高效的隨機搜尋算法，20世紀60年月由美國的密執根高校的Holland教授首先提出。該算法將優化問題看作是自然界中生物的進化過程，通過模擬大自然中生物進化過程中的遺傳規律，來達到尋優的目的。近年來，遺傳算法已廣泛地應用于作業調度與排序、牢靠性設計、車輛路徑選擇與調度、成組技術、設備布置與安排、交通問題等等。

用遺傳算法求解優化問題，首先對優化問題的解進行編碼，編碼后的一個解稱為一個染色體，組成染色體的元素稱為基因。一個群體由若干個染色體組成，染色體的個數稱為群體的規模。在遺傳算法中用適應度函數表示環境，它是已編碼的解的函數，是一個解適應環境程度的評價。當適應度函數確定后，自然選擇規律以適應度函數值的大小來打算一個染色體是否連續生存下去的概率。生存下來的染色體成為種群，它們中的部分或全部以肯定的概率進行交叉、變異，從而得到下一代群體。三、試驗條件

Matlab的遺傳算法工具箱。

四、試驗內容：

1．用遺傳算法求解下列函數的最大值，設定求解精度到15位小數。

226.3)7(2)2.4(8.0))2cos())(cos(125.0(452.6),(2

22

+-+-+-+=yyxyxyxyxf

1）給出適應度函數（FitnessFunction）的M文件（Matlab中要求適應度函數最小化）。

2）設計及選擇上述問題的編碼、選擇操作、交叉操作、變異操作以及掌握參數等，填入表1，給出最佳適應度(Bestfitness)和最佳個體（Bestindividual）圖。

3）使用相同的初始種群（Userandomstatefrompreviousrun），設置不同的種群規模（populationsize），例如5、20和100，初始種群的個體取值范圍（Initialrange）為，其他參數同表1，然后求得相應的最佳適應度(Bestfitness)、平均適應度（Meanfitness）和最佳個體（Best

individual），填入下表2，分析種群規模對算法性能的影響。

*4)設置種群規模（populationsize）為20，初始種群的個體取值范圍（Initialrange）為，選擇不同的選擇操作、交叉操作和變異操作，其他參數同表1，然后獨立運行算法10次，完成下表3，并分析比較采納不同的選擇策略、交叉策略和變異策略的算法運行結果。

1：

options=gaoptimset('PopulationSize',20,'PopInitRange',,'FitnessScalingFcn',@fitscalingrank,'SelectionFcn',@selectionroulette,'CrossoverFcn',@crossoversinglepoint,'MutationFcn',@mutationuniform)

2．用遺傳算法求解下面一個Rastrigin函數的最小值，設定求解精度到15位小數。

)2cos2(cos1020),(21222121xxxxxxfππ+-++=

1）給出適應度函數的M文件（Matlab中要求適應度函數最小化）。

2）設計上述問題的編碼、選擇操作、交叉操作、變異操作以及掌握參數等，填入表4，并畫出最佳適應度(Bestfitness)和最佳個體（Bestindividual）圖。

3）設置種群的不同初始范圍，例如、和，畫出相應的最佳適應度值(Bestfitness)和平均距離（Distance）圖，比較分析初始范圍及種群多樣性對遺傳算法性能的影響。

4）設置不同的交叉概率（Crossoverfraction=0、、1），畫出無變異的交叉（Crossoverfraction=1）、無交叉的變異(Crossoverfraction=0)以及交叉概率為時最佳適應度值(Bestfitness)和和平均距離（Distance）圖，分析交叉和變異操作對算法性能的影響。

五、試驗報告要求：

1．畫出遺傳算法的算法流程圖。

2．依據試驗內容，給出相應結果。

3.總結遺傳算法的特點，并說明適應度函數在遺傳算法中的作用。

下面是試驗報告的基本內容和書寫格式。

試驗名稱

班級：學號：姓名：

一、試驗目的

二、試驗原理

三、試驗結果

根據試驗內容，給出試驗結果以及結果分析。

四、試驗總結

1.完成試驗報告要求3。

2.總牢固驗心得體會——————————————————————————————————

試驗六遺傳算法試驗II

一、試驗目的

熟識和把握遺傳算法的原理、流程和編碼策略，理解求解TSP問題的流程并測試主要參數對結果的影響，把握遺傳算法的基本實現方法。

二、試驗原理

旅行商問題，即TSP問題（TravelingSalesmanProblem）是數學領域中聞名問題之一。假設有一個旅行商人要訪問n個城市，n個城市之間的相互距離已知，他必需選擇所要走的路徑，路經的限制是每個城市只能訪問一次，而且最終要回到原來動身的城市。路徑的選擇目標是要求得的路徑路程為全部路徑之中的最小值。

用圖論的術語來說，假設有一個圖g=(v,e)，其中v是頂點集，e是邊集，設d=(d

)是由頂點i和頂點j之間的距離所組成的距離矩陣，旅行商問題就是求出ij

一條通過全部頂點且每個頂點只通過一次的具有最短距離的回路。TSP問題是一個典型的組合優化問題，該問題可以被證明具有NPC計算簡單性，其可能的路徑數目與城市數目n是成指數型增長的，所以一般很難精確地求出其最優解，本試驗采納遺傳算法求解。

遺傳算法的基本思想正是基于仿照生物界遺傳學的遺傳過程。它把問題的參數用基因代表，把問題的解用染色體代表（在計算機里用二進制碼表示），從而得到一個由具有不同染色體的個體組成的群體。這個群體在問題特定的環境里生存競爭，適者有最好的機會生存和產生后代。后代隨機化地繼承了父代的最好特征，并也在生存環境的掌握支配下連續這一過程。群體的染色體都將漸漸適應環境，不斷進化，最終收斂到一個最適應環境的類似個體，即得到問題最優的解。

三、試驗內容

1、參考試驗系統給出的遺傳算法核心代碼，用遺傳算法求解不同規模（例如10個城市，20個城市，100個城市）的TSP問題，把結果填入表1。

2、對于同一個TSP問題（例如10個城市），設置不同的種群規模（例如10，20，100）、交叉概率（0，，1）和變異概率（0，，1），把結果填入表2。

3、設置種群規模為100，交叉概率為，變異概率為，然后增加1種變異策略（例如相鄰兩點互換變異、逆轉變異或插入變異等）和1種個體選擇概率安排策

略（例如按線性排序或者按非線性排序安排個體選擇概率）用于求解同一TSP問題（例如10個城市），把結果填入表3。

4、提交試驗報告和源程序。

四、試驗報告要求：

1、畫出遺傳算法求解TSP問題的流程圖。

2、分析遺傳算法求解不同規模的TSP問題的算法性能。

3、對于同一個TSP問題，分析種群規模、交叉概率和變異概率對算法結果的影響。

4、增加1種變異策略和1種個體選擇概率安排策略，比較求解同一TSP問題時不同變異策略及不同個體選擇安排策略對算法結果的影響。

下面是試驗報告的基本內容和書寫格式。

試驗名稱

班級：學號：姓名：

一、試驗目的

二、試驗原理

三、試驗結果

根據試驗內容，給出相應結果。

四、試驗總結

1.完成試驗報告要求2,3和4。

2.總牢固驗心得體會

——————————————————————————————————

試驗七基于神經網絡的模式識別試驗

一、試驗目的

理解BP神經網絡和離散Hopfield神經網絡的結構和原理，把握反向傳播學習算法對神經元的訓練過程，了解反向傳播公式。通過構建BP網絡和離散Hopfield網絡模式識別實例，熟識前饋網絡和反饋網絡的原理及結構。

二、試驗原理

BP學習算法是通過反向學習過程使誤差最小，其算法過程從輸出節點開頭，反向地向第一隱含層(即最接近輸入層的隱含層)傳播由總誤差引起的權值修正。BP網絡不僅含有輸入節點和輸出節點，而且含有一層或多層隱(層)節點。輸入信號先向前傳遞到隱節點，經過作用后，再把隱節點的輸出信息傳遞到輸出節點，最終給出輸出結果。

離散Hopfield神經網絡的聯想記憶過程分為學習和聯想兩個階段。在給定樣本的條件下，根據Hebb學習規章調整連接權值，使得存儲的樣本成為網絡的穩定狀態，這就是學習階段。聯想是指在連接權值不變的狀況下，輸入部分不全或者受了干擾的信息，最終網絡輸出某個穩定狀態。

三、試驗條件

Matlab的神經網絡工具箱：在Matlab的命令窗口輸入nntool，然后在鍵盤上輸入Enter鍵，即可打開神經網絡工具箱。

四、試驗內容

1.針對教材P243例，設計一個BP網絡結構模型（63-6-9），并以教材圖為訓練樣本數據，圖為測試數據。

（1）從Matlab工作空間導入（Import）訓練樣本數據（inputdata，outputdata）和測試數據（testinputdata），然后新建一個神經網絡（NewNetwork），選擇參數如下表1，給出BP神經網絡結構圖。

（

2）輸入訓練樣本數據（inputdata，outputdata），隨機初始化連接權（InitializeWeights），給出BP神經網絡訓練勝利后的誤差變化曲線圖，訓練參數設置如表2所示。

表2BP網絡訓練參數

（3）選擇不同的訓練函數，例如TRAINGDM（梯度下降動量BP算法）、TRAINLMM（Levenberg-MarquardtBP訓練函數），然后輸入訓練樣本數據（inputdata，outputdata），訓練參數設置如表2所示，設置相同的初始連接權（RevertWeights），觀看不同BP訓練算法的學習效果，給出各訓練算法下的誤差變化曲線圖。

（4）在上述3個訓練好的BP神經網絡中，選擇訓練誤差最小的一個網絡，并給出訓練后的連接權值和偏置，然后輸入測試數據（testinputdata）進行仿真（Simulate），并把訓練和測試的結果都導出到工作空間，給出訓練后的輸出結果和輸出誤差，以及測試后的輸出結果和輸出誤差。

（5）針對Trainingfunction（訓練函數）為TRAINGD的BP網絡，然后設置不同的學習率（lr），例如、、、1，觀看TRAINGD訓練算法的學習效果，給出各學習率下的誤差變化曲線圖。

2.已知字符點陣為

模式，兩組訓練數據為

22?）小寫字母）大寫字母laaT

T(1010L