2022年秋季学期人工神经网络第一次作业

举报
tsinghuazhuoqing 发表于 2022/09/30 00:16:05 2022/09/30
【摘要】 ...

学习算法
目 录
Contents
题目内容
作业要求
感知机
感知机算法求
解分类问题
感知机识别字母
Adaline网络
题目内容
作业要求

◎ 说明: 完成作业可以使用你所熟悉的编程语言和平台,比如 C,C++MATLABPython等。作业链接: 网络链接 : https://zhuoqing.blog.csdn.net/article/details/126965272

 

01 习算法


一、题目内容

1、背景介绍

  在第一章介绍了日本学者 “甘利俊一” 提出的统一公式,把对神经元输入连接权系数的修正 Δ W \Delta W ΔW 分成了三个独立成分的乘积:学习速率 η \eta η , 学习信号 r ( W , x , d ) r\left( {W,x,d} \right) r(W,x,d) 以及输入向量 X X X

▲ 图1.1 神经网络中神经元学习的统一公式

▲ 图1.1 神经网络中神经元学习的统一公式

  当学习信号 r ( W , x , d ) r\left( {W,x,d} \right) r(W,x,d) 取不同形式,可以得到神经元的三大类不同修正方式(无监督、有监督、死记忆):

【表1-1 不同的神经元学习算法】

学习规则 权值调整 学习信号 初始值 学习方式 转移函数
Hebbian Δ W = η f ( W T X ) X \Delta W = \eta f\left( {W^T X} \right)X ΔW=ηf(WTX)X r = f ( W T X ) r = f\left( {W^T X} \right) r=f(WTX) 随机 无监督 任意
Percetron Δ W = η [ d − s g n ( W T X ) ] X \Delta W = \eta \left[ {d - {\mathop{\rm sgn}} \left( {W^T X} \right)} \right]X ΔW=η[dsgn(WTX)]X r = d − f ( W T X ) r = d - f\left( {W^T X} \right) r=df(WTX) 任意 有监督 二值函数
Delta Δ W = η [ d − f ( W T X ) ] f ′ ( W T X ) X \Delta W = \eta \left[ {d - f\left( {W^T X} \right)} \right]f'\left( {W^T X} \right)X ΔW=η[df(WTX)]f(WTX)X r = [ d − f ( W T X ) ] f ′ ( W T X ) r = \left[ {d - f\left( {W^T X} \right)} \right]f'\left( {W^T X} \right) r=[df(WTX)]f(WTX) 任意 监督 连续可导
Widrow-Hoff
LMS
Δ W = η ( d − W T X ) X \Delta W = \eta \left( {d - W^T X} \right)X ΔW=η(dWTX)X r = d − W T X r = d - W^T X r=dWTX 任意 监督 连续
Correlation
相关,外积
Δ W = η d X \Delta W = \eta dX ΔW=ηdX r = d r = d r=d 0 监督
死记忆
任意

  下面给出神经元模型和训练样本数据,请通过编程实现上述表格中的五种算法并给出计算结果。通过这个作业练习,帮助大家熟悉神经元的各种学习算法。

2、神经元模型

  下面给出神经元模型,根据不同的算法要求:

  • 选择相应的传递函数种类(离散二值函数、连续 Sigmoid 函数):除了Perceptron算法选择二值函数外,其它都选择Sigmoid函数,
  • 神经元权系数( w 1 , w 2 , b w_1 ,w_2 ,b w1,w2,b )都初始化成 0。


▲ 图1.1.2 神经元及其传递函数

▲ 图1.1.2 神经元及其传递函数

3、样本数据

  训练样本包括 6 个数据,它们的分布如下图所示:

▲ 图1.1.4 神经元训练数据

▲ 图1.1.4 神经元训练数据

【表1-2 样本数据】

序列 X1 X2 类别
1 -0.1 0.3 1
2 0.5 0.7 -1
3 -0.5 0.2 1
4 -0.7 0.3 1
5 0.7 0.1 -1
6 0.0 0.5 1
import sys,os,math,time
import matplotlib.pyplot as plt
from numpy import *

xdim = [(-0.1,0.3), (0.5,0.7), (-0.5,0.2),(-0.7,0.3),(0.7,0.1),(0,0.5)]
ldim = [1,-1,1,1,-1,1]

print("序列", "X1", "X2", "类别")

count = 0
for x,l in zip(xdim, ldim):

    count += 1
    print("%d %3.1f %3.1f %d"%(count, x[0], x[1], l))

    if l > 0:
        marker = 'o'
        color = 'blue'
    else:
        marker = '+'
        color = 'red'

    plt.scatter(x[0], x[1], marker=marker, c=color)
    plt.text(x[0]+0.05,x[1],'(%3.1f,%3.1f)'%(x[0],x[1]))

plt.axis([-0.8, 0.8,-0.1, 1])
plt.xlabel("X1")
plt.ylabel("X2")
plt.grid(True)
plt.tight_layout()
plt.show()

二、作业要求

1、必做内容

  1. 给出每个学习算法核心代码;
  2. 给出经过一轮样本学习之后神经元的权系数数值结果(w1,w2,b);
* 权系数初始化为 0;
* 学习速率 η = 1 \eta = 1 η=1 ;
* 训练样本按照 表格1-2 的顺序对神经元进行训练;

2、选做内容

  1. 在坐标系中绘制出经过一轮训练之后,权系数(w1,w2)所在的空间位置;
  2. 简单讨论一下不同算法对于神经元权系数的影响;

import sys,os,math,time
import matplotlib.pyplot as plt
from numpy import *

xdim = [(-0.1,0.3), (0.5,0.7), (-0.5,0.2),(-0.7,0.3),(0.7,0.1),(0,0.5)]
ddim = [1,-1,1,1,-1,1]

def sigmoid(x):
    return 1/(1+exp(-x))

def hebbian(w,x,d):
    x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = sigmoid(net)
    w1 = [ww+o*xx for ww,xx in zip(w,x1)]
    return w1

def perceptron(w,x,d):
    x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = 1 if net >= 0 else -1
    w1 = [ww+(d-o)*xx for ww,xx in zip(w,x1)]
    return w1

def delta(w,x,d):
    x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = sigmoid(net)
    o1 = o*(1-o)
    w1 = [ww+(d-o)*o1*xx for ww,xx in zip(w,x1)]
    return w1

def widrawhoff(w,x,d):
    x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = sigmoid(net)
    w1 = [ww+(d-o)*xx for ww,xx in zip(w,x1)]
    return w1

def correlation(w,x,d):
    x1 = [1,x[0],x[1]]
    w1 = [ww+d*xx for ww,xx in zip(w,x1)]
    return w1

wb = [0,0,0]                        # [b, w1, w2]
for x,d in zip(xdim, ddim):
    wb = correlation(wb,x,d)
    print(wb)

 

02 知机


一、感知机算法求解分类问题

1、样本数据

  利用单个神经元求解下面分类问题。 数据具有两种表示形式:一种是二进制(0,1)表示形式,另一种是双极性(-1,1)表示形式。

▲ 图2.1.1 分类数据及其在三维坐标中的位置

▲ 图2.1.1 分类数据及其在三维坐标中的位置

2、作业要求

  1. 绘制出网络结构图,并给出算法核心代码;
  2. 对比不同学习速率对于训练收敛的影响;
  3. 对比不同数据表达式方式(二进制、双极性)对于收敛的影响。

二、感知机识别字母

1、样本数据

  如下是三个字母 C,H,L 的 5×5 的点阵图。
▲ 图2.2.1 C,H,L字母的点阵图

▲ 图2.2.1 C,H,L字母的点阵图

  给它们添加噪声,形成带有噪声的样本,噪声样本与正确样本之间的海明距离(Hamming Distance)为1,即两个二值向量之间不相同元素的个数为1,下面是三个字母的噪声样本的示例:

▲ 图2.2.2 与三个字母Hamming距离为1的噪声样本

▲ 图2.2.2 与三个字母Hamming距离为1的噪声样本

  带有噪声的样本可以在原有正确样本的基础上,随机选择一个元素,将其从原来的0或者1,改变成1,或者0。因此字母C,H,L各自有25个与其Hamming距离为1的带有噪声的样本。

  按照这种方式还可以构造出带有两个噪声点的数据集合,也就是随机在字符点阵图上选择两个点,将其数据进行修改,带有两个噪声的样本有 C 25 2 = 300 C_{25}^2 = 300 C252=300 个。

2、作业基本要求

  1. 建立由三个神经元组成的简单感知机网络,完成上述三个字母的识别训练;
  2. 测试训练之后的网络在带有一个噪声点的数据集合上的识别效果;

3、选做内容

  1. 测试上述感知机网络在两个噪声点的数据集合上的识别效果;
  2. 对比以下两种情况训练的感知机的性能。
    • 第一种情况:只使用没有噪声的三个字母进行训练;
    • 第二种情况:使用没有噪声和有一个噪声点的样本进行训练;
  3. 对比不同的学习速率对于训练过程的影响。

  对比上面两种训练情况在两个噪声点数据集合上的识别效果。

 

03 Adaline网络


  • 这是选择题目。

一、题目内容

1、背景介绍

  自适应线性神经元 ADALINE(Adatpive Linear Neuron)是由 Bernard Widrow 与 Ted Hoff 在 1959年提出的算法。关于他们提出算法前后的故事,大家可以参照网文: The ADALINE - Theory and Implementation of the First Neural Network Trained With Gradient Descent 进行了解。

  下面也是根据上述网文中所介绍的两种鸟类(猫头鹰与信天翁)数据集合,产生相应的分类数据集合。大家使用 ADALINE 算法完成它们的分类器算法。

▲ 图3.1.1 猫头鹰与信天翁

▲ 图3.1.1 猫头鹰与信天翁

2、样本数据

(1)数据参数

  根据Wikipedia 中关于 信天翁 Wandering albatross 和 猫头鹰( Great horned owl )的相关数据,这两种鸟类的题中和翼展长度如下表所示。

【表1-3 两种鸟类的体型数据】

种类 体重(kg) 翼展(m)
信天翁 9 3
猫头鹰 1.2 1.2

  使用计算机产生两个鸟类体型随机数据数据,下表给出了每一类数据产生的参数:

【表1-4 两类鸟类数据产生参数】

鸟类 体重平均值 体重方差 翼展平均值 翼展方差 个数 分类
信天翁 9000 800 300 20 100 1
猫头鹰 1000 200 100 15 100 -1

(2)Python示例代码

  下面给出了产生随机样本数据的 Python 示例代码。大家可以参照这些代码,使用自己熟悉的 编程语言来实现。

def species_generator(mu1, sigma1, mu2, sigma2, n_samples, target, seed):
    '''creates [n_samples, 2] array
    
    Parameters
    ----------
    mu1, sigma1: int, shape = [n_samples, 2]
        mean feature-1, standar-dev feature-1
    mu2, sigma2: int, shape = [n_samples, 2]
        mean feature-2, standar-dev feature-2
    n_samples: int, shape= [n_samples, 1]
        number of sample cases
    target: int, shape = [1]
        target value
    seed: int
        random seed for reproducibility
    
    Return
    ------
    X: ndim-array, shape = [n_samples, 2]
        matrix of feature vectors
    y: 1d-vector, shape = [n_samples, 1]
        target vector
    ------
    X'''
    rand = np.random.RandomState(seed)
    f1 = rand.normal(mu1, sigma1, n_samples)
    f2 = rand.normal(mu2, sigma2, n_samples)
    X = np.array([f1, f2])
    X = X.transpose()
    y = np.full((n_samples), target)
    return X, y

▲ 图3.1.2 产生两类数据的分布

▲ 图3.1.2 产生两类数据的分布

二、作业要求

  1. 构造一个 ADALINE 神经元,完成上述两类鸟类的分类。 由于需要进行分类,在对 ADALINE 的输出在经过一个符号函数(sgn)便可以完成结果的分类;
  2. 利用上述数据对 ADALINE 进行训练。观察记录训练误差变化的曲线。
  3. 讨论不同的学习速率对于训练结果的影响,看是否存在一个数值,当学习速率超过这个数值之后,神经元训练过程不再收敛。


■ 相关文献链接:

● 相关图表链接:

文章来源: zhuoqing.blog.csdn.net,作者:卓晴,版权归原作者所有,如需转载,请联系作者。

原文链接:zhuoqing.blog.csdn.net/article/details/126965272

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

举报
请填写举报理由
0/200