资源描述：
《《神经网络》课程学习总结报告》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、s《神经网络》课程学习总结报告李浩程柏林一、工作说明：程柏林和李浩讲授的内容是“双向异联想网络（BAM）”。其中，1．程柏林完成的工作有：双向异联想网络（BAM）基本概念、网络结构及工作原理、学习规则等基本理论的介绍，以及用BAM网络实现对字符的识别程序仿真和介绍。程序附后。2．李浩完成的工作有双向异联想网络（BAM）应用举例、双向异联想网络（BAM）仿真及其说明、问题的讨论及解答。程序附后。二、未解决的问题：用外积和法设计的权矩阵，不能保证p对模式全部正确的联想。若对记忆模式对加以限制（即要求p个记忆模式X
2、k是两两正交的），则用外积和法设计的BAM网具有较好的联想能力。在难以保证要识别的样本（或记忆模式）是正交的情况下，如何求权矩阵，并保证具有较好的联想能力？这个问题在用BAM网络实现对字符的识别程序仿真中得到体现。我们做过尝试，用伪逆法求权矩阵，虽然能对未加干扰的字符全部进行识别，但对加有噪声的字符识别效果很差。至于采用改变结构和其他算法的方法来求权矩阵，将是下一步要做的工作。三、建议1．关于本课程的学习：我们认为教员的这种教学方式比较好，避免了为考试而学的观念，更多地考虑到学生学习的自主性，调动了学生的学习
3、兴趣和积极性，并且培养了学生之间的协作精神。另外对于第二阶段的学习，我们的感觉是：除了自己要讲授的内容外，其他学生所讲的内容自己学习得不好，不知其他学生的感觉如何？所以如何让一个人不仅对自己所讲的内容搞熟以外，对其他人讲的内容也要达到这个效果，这将是教员和学员实施这种教学方法下一步要考虑的问题之一。建议：运用神经网络解决与所学专业如信号处理，模式识别等问题非常多，但从某些参考文献上看，涉及理论的较多，而从应用（具体地说用程序仿真实现的过程）上介绍较少，这就留给教员和学员（尤其是学员）一个探讨的领域，能否先由教
4、员选择一些具体问题供学员参考，结合个人兴趣，分组实施。2．对自己或他人的建议为了要讲好自己要讲的内容，所花费在这方面的时间就多些，并且对自己要讲的内容研究得透彻一些，如果把同样的时间和钻研的精神用在所有内容的学习上，我们想任何一门课程都应该学得更好一些。这是对我们也是对他人在今后学习和工作中的一个建议或期望。ss1．程序中用到的函数：（1）functionS=shuang(x)%双极性变换S=sign(x);S(find(S==0))=-1;（2）functionS=mysign(A)%符号函数S=sign(
5、A);S(find(S==0))=1;2．用BAM网络实现对字符的识别%仿真从噪声背景中进行联想过程%BAMclc%网络初始化%调用字母矩阵中的字符，ALPHABET-35x26matrixof5x7bitmapsforeachletter,TARGETS-26x26targetvectors.[alphabet,targets]=prprob;B=1;%B为噪声干扰的强度,输入向量的标准差%训练样本X=[];Y=[];m=2;%m表示字符数目，1～26表示A～Zforn=1:m%%%(1)存储两对模式对为字
6、符ABX1=alphabet(:,n)';%未增加噪声的字符Y1=alphabet(:,n)';%未增加噪声的字符%变换为双极性A1=shuang(X1);B1=shuang(Y1);X=[X;A1];Y=[Y;B1];endW=X'*Y;%权矩阵%W=(inv(X*X')*X)'*Y;%用伪逆法所求的权矩阵K=1;%改变K值可对应不同的字符forj=1:K%%%(1)识别未加噪声的字符AAX11=alphabet(:,j)';%未增加噪声的字符AY11=alphabet(:,j)';%未增加噪声的字符%%%
7、(2)识别加噪声后的字符AAX1=alphabet(:,j)+randn(35,1)*B;%增加噪声的字符AX1=AX1'AY1=targets(:,j)+randn(26,1)*B;%增加噪声的字符AY1=AY1'ss%变换双极性AA1=shuang(AX1);AB1=shuang(AY1);%识别字符R_Y1=sign(AA1*W);R_X1=mysgn((sign(R_Y1*W')));%联想输出%%画图figuresubplot(2,2,1)plotchar(AX1)axisonxlabel('原始信
8、号')holdon;subplot(2,2,2)plotchar(R_X1)axisonxlabel('联想后的信号')%subplot(2,2,3)%plotchar(AY1)%axison%xlabel('原始信号')%holdon;%subplot(2,2,4)%plotchar(L_X1)%axison%xlabel('联想后的信号')end仿真结果：1．存储一对模式对的识别率未加噪声100
