智能信息处理课内实验实验指导书.docx
- 文档编号:23308132
- 上传时间:2023-05-16
- 格式:DOCX
- 页数:24
- 大小:187.45KB
智能信息处理课内实验实验指导书.docx
《智能信息处理课内实验实验指导书.docx》由会员分享,可在线阅读,更多相关《智能信息处理课内实验实验指导书.docx(24页珍藏版)》请在冰豆网上搜索。
智能信息处理课内实验实验指导书
智能信息处理
实验指导书
实验一遗传算法解决函数优化问题
一、实验目的
1.掌握遗传算法的基本原理和步骤。
2.复习VB、VC的基本概念、基本语法和编程方法,并熟练使用VB或VC编写遗传算法程序。
二、实验设备
微机
三、实验原理
遗传算法是一类随机优化算法,但它不是简单的随机比较搜索,而是通过对染色体的评价和对染色体中基因的作用,有效地利用已有信息来指导搜索有希望改善优化质量的状态。
标准遗传算法流程图如图1.1所示,主要步骤可描述如下:
1随机产生一组初始个体构成初始种群。
2计算每一个体的适配值(fitnessvalue,也称为适应度)。
适应度值是对染色体(个体)进行评价的一种指标,是GA进行优化所用的主要信息,它与个体的目标值存在一种对应关系。
3判断算法收敛准则是否满足,若满足,则输出搜索结果;否则执行以下步骤。
4根据适应度值大小以一定方式执行复制操作(也称为选择操作)。
5按交叉概率pc执行交叉操作。
6按变异概率pm执行变异操作。
7返回步骤②。
四、预习要求
1.认真阅读教材中遗传算法的基本原理与步骤。
2.复习VB、VC的基本概念、基本语法和编程方法。
五、实验内容及步骤
1.上机编写程序,解决以下函数优化问题:
2.调试程序。
3.根据实验结果,撰写实验报告。
图1.1标准遗传算法流程图
六、实验报告撰写要求
1.给出完整的源程序,并对源程序中的关键内容或语句给出必要的文字注释。
2.利用实验数据,分析并解答以下问题,
a)遗传算法中变异概率的设置对求解结果的影响。
b)遗传算法中交叉概率的设置对求解结果的影响。
c)遗传算法中种群规模的设置对求解结果的影响。
3.对遗传算法的终止准则进行分析。
4.分析遗传算法的优缺点,并提出改进意见。
5.本实验的心得体会。
实验二模拟退火算法解决函数优化问题
一、实验目的
1.掌握模拟退火算法的基本原理和步骤。
2.复习VB、VC的基本概念、基本语法和编程方法,并熟练使用VB或VC编写遗传算法程序。
二、实验设备
微机
三、实验原理
模拟退火算法是基于MonteCarlo迭代求解策略的一种随机寻优算法,其出发点是基于物理退火过程与组合优化之间的相似性,模拟退火算法由某一较高初温开始,利用具有概率突跳特性的Metropolis抽样策略在解空间中进行随机搜索,伴随温度的不断下降重复抽样过程,最终得到问题的全局最优解。
标准模拟退火算法的一般步骤可描述如下:
(1)令m=0,给定初温tm,随机产生初始状态sm;
(2)Repeat;
sold=sm;
(2.1)Repeat;
(2.1.1)产生新状态:
snew=Generate(sold);
(2.1.2)若min{1,exp[(C(sold)-C(snew))/tm]}≥random[0,1],则sold=snew;
(2.1.3)Until抽样稳定准则满足;
(2.2)退温:
tm+1=update(tm),sm+1=sold,m=m+1;
(3)Until算法终止准则满足;
(4)输出算法搜索结果:
sm。
四、预习要求
1.认真阅读教材中模拟退火算法的基本原理与步骤。
2.复习VB、VC的基本概念、基本语法和编程方法。
五、实验内容及步骤
1.上机编写程序,解决以下函数优化问题:
2.调试程序。
3.根据实验结果,写实验报告。
图2.1标准模拟退火算法流程图
六、实验报告撰写要求
1.给出完整的源程序,并对源程序中的关键内容或语句给出必要的文字注释。
2.利用实验数据,分析并解答以下问题,
a)模拟退火算法中初温对求解结果的影响。
b)模拟退火算法中初始状态对求解结果的影响。
c)Metropolis抽样准则在模拟退火算法中的作用。
d)波尔茨曼常数对求解结果的影响。
3.分析模拟退火算法的优缺点,并提出改进意见。
4.本实验的心得体会。
实验三智能优化算法解决TSP问题
一、实验目的
1.了解TSP问题的基本概念,解决TSP问题的难点是什么?
2.掌握模拟退火算法、遗传算法的基本原理和步骤。
3.复习VB、VC的基本概念、基本语法和编程方法,并熟练使用VB、VC编写程序。
二、实验设备
微机
三、实验原理
TSP问题即旅行商问题(TravelingSalespersonProblem)。
该问题给定n个城市和两两城市之间的距离,要求确定一条经过各城市当且仅当一次的最短路线。
其图论描述为:
给定图G=(V,A),其中V为顶点集,A为各顶点相互连接组成的边集,已知各顶点间的连接距离,要求确定一条长度最短的Hamilton回路,即遍历所有顶点当且仅当一次的最短回路。
其他详见《智能信息处理及应用实验讲义--智能优化算法解决TSP问题--模拟退火算法》和《智能信息处理及应用实验讲义--智能优化算法解决TSP问题—遗传算法》。
四、预习要求
1.认真阅读教材中模拟退火算法和遗传算法的基本原理与步骤。
2.分析用模拟退火算法和遗传算法解决TSP问题时的编码方式、新解产生的方法等内容。
3.复习VB、VC的基本概念、基本语法和编程方法。
五、实验内容及步骤
1.上机编写程序,利用退火算法和遗传算法解决27城市TSP问题。
27城市的坐标为:
4194;3784;5367;2562;764;299;6858;7144;5462;8369;6460;1854;2260;8346;9138;2538;2442;5869;7171;7478;8776;1840;1340;827;6232;5835;4521。
2.调试程序。
3.根据实验结果,写实验报告。
六、实验报告撰写要求
1.给出完整的源程序,并对源程序中的关键内容或语句给出必要的文字注释。
2.分析用模拟退火算法解决函数优化问题和组合优化问题中时算法的不同。
3.分析用遗传算法解决函数优化问题和组合优化问题中时算法的不同。
4.分析比较模拟退火算法和遗传算法各自的特点。
5.本实验的心得体会。
6.其它要求详见《智能信息处理及应用实验讲义--智能优化算法解决TSP问题--模拟退火算法》和《智能信息处理及应用实验讲义--智能优化算法解决TSP问题—遗传算法》。
实验四简单感知器模型
一、实验目的
1.掌握简单感知器模型的基本原理。
2.复习VB、VC的基本概念、基本语法和编程方法,并熟练使用VB、VC编写简单感知器模型程序。
二、实验设备
微机
三、实验原理
简单感知器模型的基本原理:
将样本矢量X输入到感知器中,得到实际输出y,再用y与期望输出d的差来修正下一步的权值。
感知器中神经元定义如下:
感知器的连接权定义为可变化的,感知器的训练(学习)是通过监督学习过程来实现的。
简单感知器引入的学习算法称为误差学习算法,该算法步骤如下:
①选择一组初始权值wi(0);
②计算输入样本Xj所对应的实际输出y(t)与期望输出dj的误差δj=|dj-y(t)|;
③如果δj小于阈值T1,转第⑤步;否则继续;
④更新权值:
。
式中,wi(t)是第t步时神经元间的连接权,阈值可视为输入恒为-1的一个权值;η称为学习步长,是区间(0,1)上的一个数,它的取值与训练速度和w收敛的稳定性有关,η可以是常数,但为了改进收敛速度,也可以采用变步长。
式中,α是一个正的常数。
⑤若所有样本都学习完成,计算所有样本误差之和
,如果E小于阈值T2,学习结束;否则,转到第②步。
四、预习要求
1.认真阅读教材中简单感知器模型的基本原理。
2.复习VB、VC的基本概念、基本语法和编程方法。
五、实验内容及步骤
1.上机编写程序,在简单感知器上,,用误差学习算法实现以下真值表。
x1
x2
y1=x1x2
y2=x1x2
y3=x1
0
0
0
0
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
2.调试程序。
3.根据实验结果,写实验报告。
六、实验报告撰写要求
1.给出完整的源程序,并对源程序中的关键内容或语句给出必要的文字注释。
2.利用实验数据,分析并解答以下问题,
a)误差学习算法中学习步长η的取值,对感知器训练的影响。
b)误差学习算法中α的取值,对感知器训练的影响。
c)当神经网络稳定时,与真值表中y1、y2、y3分别对应的权值是多少?
3.试分析误差学习算法中误差δ是否应设置为0,为什么?
4.试分析如何根据已知条件,进行感知器结构设计。
5.本实验的心得体会。
实验五BP网络
一、实验目的
1.掌握BP网络的基本原理。
2.复习VB、VC的基本概念、基本语法和编程方法,并熟练使用VB、VC编写BP网络程序。
二、实验设备
微机
三、实验原理
误差反向传播算法步骤如下:
①置各权值或阈值的初始值:
wji(0),θi(0)为小的随机数值;
②提供训练样本:
输入矢量Xk,k=1,2,…,P,期望输出Tk,k=1,2,…,P,对每个输入样本进行下面③~⑤的迭代;
③计算网络的实际输出及隐层单元的状态:
;
④计算训练误差,对于网络输出层:
;对于网络中间层:
。
⑤修正权值和阈值:
。
⑥当所有样本都训练完,即:
k每经历1至P后,如果指标满足精度要求:
E≤ε,则程序结束。
四、预习要求
1.认真阅读教材中BP网络的基本原理。
2.复习VB、VC的基本概念、基本语法和编程方法。
五、实验内容及步骤
1.试设计一个三层BP网络,输入/输出层均有3个神经元,如图5.1所示。
学习目的是使网络能将3种不同形状的输入模式正确分类。
样本对(Xk,Yk),k=1,2,3,有以下的矢量形式:
为评价已训练好网络的性能(也称为网络的泛化性能),还需要用测试集去测试已训练好的网络。
测试样本集对如图5.2所示,对每个模式进行加噪处理,噪声值为±0.1。
若网络能对加噪模式进行正确分类,则认为该网络已训练完成。
图5.1神经网络结构图
图5.2测试样本集
2.调试程序。
3.根据实验结果,写实验报告。
六、实验报告撰写要求
1.给出完整的源程序,并对源程序中的关键内容或语句给出必要的文字注释。
2.利用实验数据,分析并解答以下问题,
a)测试样本集对神经网络的性能有何影响,是否一定需要测试样本集?
b)中间层神经元的个数对神经网络的性能有何影响?
是否越多越好?
c)神经网络中间层的层数对神经网络的性能有何影响?
3.分析神经网络算法的优缺点,并提出改进意见。
4.本实验的心得体会。
实验六神经网络工具箱的应用
一、实验目的
1.了解并掌握MATLAB神经网络工具箱的基本构成,以及各功能按键的作用。
2.利用神经网络工具箱构造神经网络,用于识别英文字母。
3.掌握含噪样本的构成方法。
二、实验设备
微机
三、实验原理
神经网络可以有助于机器进行模式识别,最典型的用途之一是信封上邮政编码的识别。
不过神经网络自身仅能够处理数据,对于需要神经网络完成的任务,都须先将其转化成神经网络能接收的输入和输出数据。
考虑用5*7矩阵的布尔值,就可以清楚地表示出字母的结构特征。
那么每个字母都可以用5*7=35个数字组成的列向量表示。
为训练一个网络,使其本身就具有抗噪声的能力,最好的办法是训练一个具有“理想加噪声”输入矢量的识别网络。
首先训练一个具有较低误差平方和的具有理想输入的网络,以便后面作比较用。
训练结束后,将训练好的网络权矢量存入一个数据文件中,以备网络运行使用,或与带噪声的网络性能作比较使用。
然后,将无噪声识别网络的训练结果作为初始权矩阵,用10组“理想加随机噪声”的输入样本集训练神经网络,以获得一个对噪声不敏感的网络。
每一次训练后的权矢量作为下一组输入矢量训练的初始值。
接着,将网络以训练后的权矢量作为初始权值,对无噪声输入再进行训练,以此来保证网络对理想输入输出的正确性。
最后,通过使用100个具有随机噪声的输入矢量来测试网络,以验证神经网络的识别可靠性。
四、预习要求
1.认真阅读教材中BP网络的基本原理。
2.复习VB、VC的基本概念、基本语法和编程方法。
3.学习MATLAB神经网络工具箱的基本构成,以及各功能按键的作用。
五、实验内容及步骤
1.构造10组“理想加随机噪声”的输入样本集,作为神经网络的训练样本集。
每组输入样本集包含大写英文字母A和Z的理想输入矢量和含噪矢量各两个,目标矢量为4组期望矢量。
噪声矢量是均值为0.1~0.2的随机噪声。
2.试用MATLAB神经网络工具箱设计一个三层BP网络,以识别大写英文字母A和Z,该神经网络的隐含层取10个神经元,采用输入在(0,1)范围的对数S型激活函数。
在网络的识别训练精度方面,对于无噪声输入样本,取识别目标误差err_goal=0.1;对于带噪声的识别样本,取err_goal=0.6;此目标均在5000次训练内达到。
3.为评价已训练好网络的性能(也称为网络的泛化性能),使用100个具有随机噪声的输入矢量来测试网络。
要求对所设计的神经网络输入任意字母,并在其上加入具有平均值从0.1~0.2的噪声,由此随机产生100个输入矢量,通过网络识别后输出。
4.调试程序。
5.根据实验结果,写实验报告。
六、实验报告
1.分析实验结果,绘制识别出错百分比图。
2.分析如何提高神经网络的识别精度。
3.试分析如何将含有英文字母的图像转化成神经网络能接收的输入和输出数据?
实验七模糊控制洗衣机
一、实验目的
1.掌握模糊逻辑控制系统设计的基本原理、步骤和方法。
2.学习MATLAB模糊逻辑工具箱的应用。
二、实验设备
微机
三、实验原理
模糊控制器采用数字计算机来实现,应该具备下列三个重要功能:
①由模糊化过程和数据库把系统的偏差从数字量转化为模糊量;②对模糊量根据规则库、推理决策给出的规则进行模糊推理;③由精确化接口把推理结果的模糊输出量转化为实际系统能够接受的精确数字量或模拟量。
因此,模糊控制器的设计问题就是模糊化过程、知识库(含数据库和规则库)、推理决策和精确化计算四部分的设计问题。
模糊控制器的设计基本可以分为以下九个步骤:
确定输入输出的模糊子集及其论域、确定各模糊子集的隶属函数、选择控制规则、模糊控制器的关系运算、计算采样时刻输入的清晰值、输入模糊化、模糊决策、模糊判决、输出实际控制量。
模糊控制洗衣机的控制系统的主要设计步骤为:
1.选择模糊控制参数,设计各控制参数的隶属度函数
模糊控制洗衣机的控制对象是洗衣机的洗涤时间;假定输入是被洗衣物的污泥和油脂,输出是洗涤时间,这三个参数分别定义如下:
污泥{SD(污泥少),MD(中等污泥),LD(污泥多)}
油脂{NG(无油脂),MG(中等油脂),LG(油脂多)}
洗涤时间{VS(很短),S(短),M(中等),L(长),VL(很长)}
设污泥和油脂的论域范围为:
[0,100],洗涤时间的论域范围为:
[0,60]。
上述三个参数的隶属函数的解析式可表示如下:
2.设计控制规则
洗衣机的洗涤规则设计如下表所示。
油脂
污泥
NG(无油脂)
MG(中等油脂)
LG(油脂多)
SD(污泥少)
VS
M
L
MD(中等污泥)
S
M
L
LD(污泥多)
M
L
VL
3.规则评估
假定传感器给出的精确输入为:
x0(污泥)=60,y0(油脂)=70。
与模糊术语进行匹配,将精确量模糊化:
根据洗涤规则,洗衣机的推导决策表可简化为:
0
μMG(70)=3/5
μLG(70)=2/5
0
0
0
0
μMD(60)=4/5
0
μM(z)
μL(z)
μLD(60)=1/5
0
μL(z)
μVL(z)
4.消解冲突
此时,有4个规则被触发。
Rule1:
IFxisMDandyisMGTHENzisM;
Rule2:
IFxisMDandyisLGTHENzisL;
Rule3:
IFxisLDandyisMGTHENzisL;
Rule4:
IFxisLDandyisLGTHENzisVL;
计算4个规则的规则强度:
则洗衣机的规则强度表为:
0
μMG(70)=3/5
μLG(70)=2/5
0
0
0
0
μMD(60)=4/5
0
3/5
2/5
μLD(60)=1/5
0
1/5
1/5
将推导强度表和规则强度表中对应的元素求小运算后,就可以得到控制输出:
0
μMG(70)=3/5
μLG(70)=2/5
0
0
0
0
μMD(60)=4/5
0
min(3/5,μM(z))
min(2/5,μL(z))
μLD(60)=1/5
0
min(1/5,μL(z))
min(1/5,μVL(z))
由于规则2的输出被包含在规则3的输出中,所以洗衣机的组合输出实际上是三个削顶三角模糊数的并。
5.用最大隶属度平均法,对模糊输出结果反模糊化
四、预习要求
1.认真阅读教材中第4章模糊信息处理的基本原理、方法。
2.学习并了解MATLAB模糊逻辑工具的基本组成部分和使用方法。
五、实验内容及步骤
1.根据实验原理分析的要求,利用MATLAB模糊逻辑工具箱,实现模糊逻辑控制洗衣机的模糊控制系统设计。
2.调试程序。
3.根据实验结果,写实验报告。
六、实验报告
1.分析实验结果,讨论在模糊控制系统设计中的关键步骤、关键参数/函数是什么。
2.分析将模糊理论应用在控制系统中的优缺点。
3.本实验的心得体会。
实验八基于遗传算法的图像几何畸变校正
一、实验目的
1.掌握遗传算法基本原理和程序流程。
2.理解图像歪斜校准的基本理论。
3.能利用遗传算法求解图像校准函数。
二、实验设备
微机
三、实验原理
在图像的获取或显示过程中往往会产生几何失真。
例如成像系统有一定的几何非线性,这主要是由于视像管摄像机及阴极射线管显示器的扫描偏转系统有一定的非线性,因此会造成枕形失真、桶形失真等,如图8.1所示。
除此之外,还有由于斜视角度的原因造成获得的图像的透视失真。
另外,卫星摄取的地球表面的图像往往覆盖较大的面积,由于地球表面呈球形,这样摄取的平画图像也将会有较大的几何失真。
对于这些图像必须加以校正,以免影响分析精度。
(a)原始图像(b)枕形失真(c)桶形失真
图8.1图像几何畸变的几种形式
由成像系统引起的几何畸变的校正有两种方法:
●预畸变法——采用与畸变相反的非线性扫描偏转法,用来抵消预计的图像畸变;
●后验校正法——一般采用多项式曲线在水平和垂直方向去拟合每一畸变的网线,然后求得反变化的校正函数,用这个校正函数即可校正畸变的图像。
以医学图像为例,现需要根据患者新的X光相片A与过去拍摄的相片B相比较,判断局部小的变化时。
为达到一定精确度,必须进行相片位置和角度的校准工作。
由于歪斜的非线性性质,而且相片中没有患者身体基准点的标记,用一般图像处理的方法实行歪斜图像校准是很困难的。
这项工作通常主要地依靠医师的经验手工进行。
对灰度图像A上一点(x,y),定义下列简单的非线性变换,
将图像A转变成图像A’。
原图像A畸变图像A’
图8.2原图像A与畸变图像A’
则图像校准的问题就转变为:
如何确定系数,将图像A变换成歪斜图像B,并使图像A’与B之间的误差最小。
基于遗传算法的图像歪斜校准流程图如图8.3所示。
图8.3基于遗传算法的图像歪斜校准流程图
四、实验步骤
在设计好遗传算法的编码方式、适应度函数后,程序设计的基本步骤为:
1随机产生一组初始个体构成初始种群。
2计算每一个体的适配值(fitnessvalue,也称为适应度)。
适应度值是对染色体(个体)进行评价的一种指标,是GA进行优化所用的主要信息,它与个体的目标值存在一种对应关系。
3判断算法收敛准则是否满足,若满足,则输出搜索结果;否则执行以下步骤。
4根据适应度值大小以一定方式执行复制操作(也称为选择操作)。
5按交叉概率pc执行交叉操作。
6按变异概率pm执行变异操作。
7返回步骤②。
五、实验报告
1.试分析是否需要对图像进行预处理,为什么?
2.分析本方法与其它图像校准方法的优缺点,并给出你自己的想法。
3.分析实验结果;总结本实验的心得体会,对不足之处提出改进意见。
实验九模糊C均值聚类算法
一、实验目的
掌握模糊C聚类算法的基本原理和程序流程。
二、实验设备
微机
三、实验原理
设:
{xi,i=1,…,N}是N个样本组成的样本集合;c为预定的类别数目;mj(j=1,…,c)为每个聚类的中心;μj(xi)是第i个样本对于第j类的隶属度函数。
用隶属度函数定义的聚类损失函数可以写为:
(1)
式中,b>l,是一个可以控制聚类结果的模糊程度的常数。
模糊C均值算法要求一个样本对于各个聚类的隶属度之和为1,即:
(2)
令Jf对μj(xi)和mj的偏导数为0,可得必要条件:
(3)
(4)
用迭代方法求解以上两式,就是模糊C均值算法,其算法步骤如下:
1设定聚类数目c和参数b;
2初始化各个聚类中心mj;
3重复下面的运算,直到各个样本的隶属度值稳定:
ⅰ)用当前的聚类中心按式(4)计算隶属度函数;
ⅱ)用当前的隶属度函数按式(3)更新计算各类聚类中心。
当算法收敛时,就得到了各类的聚类中心和各个样本对于各类的隶属度值,从而完成了模糊聚类划分。
如果需要,还可以将模糊聚类结果进行去模糊化,即用一定规则把模糊聚类划分转化为确定性分类。
四、实验步骤
理解并编写模糊C均值算法,并用下表的样本集对程序进行验证。
x1
x2
x3
x1
x2
x3
x1
x2
x3
-5.01
-8.12
-3.68
-0.91
-0.18
-0.05
5.35
2.26
8.13
-5.43
-3.48
-3.54
1.30
-2.06
-3.53
5.12
3.22
-2.66
1.08
-5.52
1.66
-7.75
4.54
-0.95
-1.34
-5.31
-9.87
0.86
-3.78
-4.11
-5.47
0.50
3.92
4.48
3.42
5.19
-2.67
0.63
7.39
6.14
5.72
-4.85
7.11
2.39
9.21
4.94
3.29
2.08
3.60
1.26
4.36
7.17
4.33
-0.98
-2.51
2.09
-2.59
5.37
-4.63
-3.65
5.75
3.97
6.65
-2.25
-2.13
-6.94
7.18
1.46
-6.66
0.77
0.27
2.41
5.56
2.86
-2.26
-7.39
1.17
6.30
0.90
-0.43
-8.71
1.03
-3.33
4.33
-7.50
-6.32
-0.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 智能 信息处理 实验 指导书