中南大学人工智能实验报告_002Word文档下载推荐.docx
《中南大学人工智能实验报告_002Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《中南大学人工智能实验报告_002Word文档下载推荐.docx（24页珍藏版）》请在冰点文库上搜索。
2，0，3
4.Lowestcostfirst
类似于BFS，但在搜索结点时，并不按照队列的顺序进行搜索，而选取队列中与起始结点距离最近的结点进行搜索。
2,0,3
5.bestfirst
最佳优先搜索通过扩展最有可能到达目标节点的节点，根据指定的规则，探索一个图。
6.层次深度优先
令k=1，进行k层的深度优先搜索，如果没有找到目标，则k+1，进行k+1层的深度优先搜索，以此类推。
7.A*算法
A*[1]
（A-Star）算法是一种静态路网中求解最短路最有效的直接搜索方法。
公式表示为：
f（n）=g（n）+h（n）,
其中f（n）是从初始点经由节点n到目标点的估价函数，
g（n）是在状态空间中从初始节点到n节点的实际代价，
h（n）是从n到目标节点最佳路径的估计代价。
保证找到最短路径（最优解的）条件，关键在于估价函数f（n）的选取：
估价值h（n）<
=n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低。
但能得到最优解。
并且如果h（n）=d（n），即距离估计h（n）等于最短距离，那么搜索将严格沿着最短路径进行，此时的搜索效率是最高的。
如果估价值>
实际值,搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。
8.修改源代码中的估价函数
对于一个启发式算法来说，他的搜索顺序依赖于估价函数的定义，而估价函数中启发函数部分h的定义比较主观，容易对搜索造成比较大的影响。
因此，如果我们修改关于八数码问题的源代码，将估价函数中的曼哈顿距离改为欧式距离，结果可能会改变。
修改前
修改后（将启发函数由曼哈顿距离改为欧氏距离）
由上面的2个结果可以看出，当未做修改前，我们的算法可以通过5步搜索得出结果，当把曼哈顿距离改为欧氏距离之后，算法尝试了561次搜索，直到内存不够，也没能得出结果。
可见估价函数对于整个搜索的影响力。
第二次实验：
推理技术
1.实验说明
产生式系统用来描述若干个不同的以一个基本概念为基础的系统，这个基本概念就是产生式规则或产生式条件和操作对。
在产生式系统中，论域的知识分为两部分：
用事实表示静态知识；
用产生式规则表示推理过程和行为。
2．实验内容
下面以一个具体的动物识别专家系统模型来说明其原理。
建立该专家系统的代码：
规则库
事实库
该动物是哺乳动物<
-该动物有毛发.
-该动物有奶.
该动物是鸟<
-该动物有羽毛.
-该动物会飞&
会下蛋.
该动物是食肉动物<
-该动物吃肉.
-该动物有犬齿&
有爪&
眼盯前方.
该动物是有蹄类动物<
-该动物是哺乳动物&
有蹄.
是嚼反刍动物.
该动物是金钱豹<
是食肉动物&
是黄褐色&
身上有暗斑点.
该动物是虎<
身上有黑色条纹.
该动物是长颈鹿<
-该动物是有蹄类动物&
有长脖子&
有长腿&
该动物是斑马<
该动物是鸵鸟<
-该动物是鸟&
不会飞&
有黑白二色.
该动物是企鹅<
会游泳&
该动物是信天翁<
善飞.
%会游泳.%--该动物是企鹅
%不会飞.
%有黑白二色.
%该动物是鸟.
%--------%--该动物是鸟
%该动物会飞.
%会下蛋.
%----该动物是金钱豹<
%该动物有毛发.
%是食肉动物.
%是黄褐色.
%身上有暗斑点.
%----该动物是虎<
该动物是哺乳动物.
是食肉动物.
是黄褐色.
%----该动物是长颈鹿<
%该动物是有蹄类动物.
%有长脖子.
%有长腿.
实现逆向推理过程（该动物是鸟）：
将该事实（该动物是鸟）与规则库进行匹配，与“该动物是鸟<
-该动物有羽毛.”和“该动物是鸟<
会下蛋”这两条规则匹配，于是得到这两个结论，将它们加入用于推理的事实中，继续与规则库匹配，发现没有能够继续匹配的规则了，于是推理终止。
过程如下
我尝试对规则库进行修改，将“该动物是鸟<
会下蛋.”改为了“该动物是鸟<
会下蛋&
有屁股.”，果然发现得到的结果改变了
后来我又尝试自己建立规则库
规则库代码如下：
%file:
动物识别系统规则库.pl
该动物是人<
-该动物会说话.
-该动物知羞耻.
该动物有毛发<
-该动物等级高.
-该动物不是鱼.
该动物不是鱼<
-该动物不会游泳.
%------动物识别系统事实集：
%----%--该动物是人
%会说话.
%知羞耻
%---%该动物有毛发
%该动物等级高
%该动物不是鱼
%---%该动物不是鱼
%该动物不会游泳
实验自己生成的产生式系统（逆向推理“该动物有毛发”），得到如下结
果
由“该动物有毛发”推出了“该动物等级高”和“该动物不是鱼”，进而推出了“该动物不会游泳”。
可见这个产生式系统是符合要求的。
第三次实验：
神经网络
1.实验内容
1.1多数赞成表决器的应用
网络拓扑图
所使用的训练数据集：
数据类型：
（输入节点0，输入节点1，输入节点2，输入
节点5）
（0,0,0,0）（0,0,1,0）（0,1,1,1）（1,0,0,0）（1,0,1,1）（1,1,0,1）（1,1,1,1）
反复对这个网络训练的结果：
训练一次时的总误差1.68
训练五十次时的误差0.52
训练一百次时的误差0.11
训练一百五十次时的误差0.05
训练两百次时的误差0.03
可见随着不断的训练，误差越来越小，也就是说网络越来越能满足功能的要求，下面是误差随训练次数的变化图。
1.2异或问题的实现
网络拓扑图
（输入节点0，输入节点1，输入节点4）
用于训练的数据集：
（0,0,0）（0,1,0）（1,0,1）
对网络进行训练的结果：
训练1次的误差0.018
训练50次的误差0.010
训练100次的误差0.010
训练150次的误差0.010
训练200次的误差0.010
误差测试如下图
可以发现，和多数赞成表决器的BP网络一样，这个BP网络经过训练，误差也在不断减小。
单层的神经网络无法实现异或问题，但是含有中间层的BP网络却可以很好的解决异或问题。
最终得到的网络结构如下
功能测试：
我们输入结点1和0（异或），得到相应输出0.9574（近似为1）
我们输入结点0和0，得到相应输出0.0638（近似为0）
可见是可以实现异或功能的
2.感知器实现逻辑‘与’功能
2.1感知器实现逻辑‘与’功能的学习算法
单层感知器，即只有一层处理单元的感知器。
感知器结构如下图所示：
感知器结构
表1：
与运算的真值表
x1x2y
000
010
100
111
分界线的方程（w1x1+w2x2-T=0）
可以为：
0.5x1+0.5x2-0.75=0
输入为kx1、kx2，输出为yk。
当kx1和kx2均为1时，yk为1，否则yk为0。
2.2具体代码（用matlab编写）：
functionyu（）;
closeall;
rand（'
state'
sum（100*clock））
X=[-100;
-101;
-110;
-111]'
;
d=[0001];
h=0.1;
p=4;
epoch=100;
T=0.1;
W=rand（1,3）;
W
（1）=T;
W1=[];
W2=[];
err=[];
k=0;
fori=1:
epoch
s=0;
forj=1:
p
net（j）=W*X（:
j）;
o（j）=（net（j）>
=0）;
W=W+h*（d（j）-o（j））*X（:
j）'
s=s+abs（d（j）-o（j））;
end
err=[errs];
k=k+1;
W1=[W1W
（2）];
W2=[W2W（3）];
ifs==0,
break
end
end
figure
（1）
subplot（3,1,1）
x=1:
k;
plot（x,err,'
b-'
）
xlabel（'
迭代次数'
ylabel（'
error'
）
title（'
误差的收敛曲线'
）
subplot（3,1,2）
plot（x,W1,'
r-'
）
W1'
权值W1的变化过程'
subplot（3,1,3）
plot（x,W2,'
y-'
W2'
权值W2的变化过程'
figure
（2）
holdon
gridon
x1=-2:
4;
x2=（T-W
（1）*x1）/W
（2）;
plot（x1,x2,'
b--'
）
x1'
x2'
样本分布及分界线'
x=[0011];
y=[0101];
plot（x,y,'
b*'
）;
M=[000;
010;
100;
111];
fprintf（'
\n'
display（['
与运算的结果'
]）
Thefinalerroris:
'
num2str（s）]）
Theepochis:
num2str（k）]）
ThefinalWis:
num2str（W
（2））'
'
num2str（W（3））]）
ThefinalTis:
num2str（T）]）
theresultis:
]）display（['
'
x2'
y'
display（num2str（M））
2.3实验结果：
程序运行的结果
可见仅当x1、x2输入均为1时输出y才为1，实现了“与”功能。
得到的图表
误差的收敛曲线和迭代次数
样本分布及分界线
2.4总结和讨论：
①单层感知器的结构与功能都比较简单，所以在解决实际问题时很少被采用，但在神经网络中具有重要的意义，是研究其他网络的基础而
且较易学习和理解，适合与作为学习神经网络的起点。
②单层感知器的局限性：
仅对线性可分问题具有分类能力，不能解决
‘异或’问题。
③使用二值变换函数和连续变换函数对单层感知器产生的影响：
误差
的收敛曲线、权值W1、W2的变化不同。
升级会员 