人工智能实验报告

“人工智能”实验报告ArtificialIntelligence老师：刘丽珏班级：物联网1201学号：0909120615姓名：钱晓雪日期：2014.4.15目录一、搜索策略实验群......................................................................................4二、产生式系统实验群.................................................................................5三、神经网络实验群......................................................................................6四、实验心得和体会......................................................................................9实验一：搜索策略实验群姓名钱晓雪年级物联网1201班指导老师刘丽珏日期2014年4月15日实验目的熟悉和掌握启发式搜索的定义、估价函数和算法过程，并利用A*算法求解N数码难题，理解求解流程和搜索顺序。搜索图算法比较广度优先启发式（1）启发式（2）Open表Open{S}Open{1,2}Open{3,4,2}Open{7,4,2}Open{4,2}Open{8，2}Open{2}Open{5,6}Open{9,G,6}Open{G,6}Open{S}Open{1,2}Open{5,6,1}Open{3,4,5,6}Open{9,G,3,4,6}Open{10,9,G,3,4}Open{8,10,9,G,3}}Open{S}Open{2}Open{5,}Open{G}Close表S123456789S1374859S25估价函数f(x)=g(x)f(x)=h(x)f(x)*=g(x)*+h(x)*搜索节点次序记录S-1-2-3-5-6-7-8-9-G初始节点s-1-3-7-4-8-2-5-9-目标节点GS-2-5-G观测结果学生结论广度优先搜索算法是一种搜索策略，与之相对应的还有深度优先搜索算法。广度优先是指从图G中的某点为始点出发，标记出所有与之相邻的点，并再以所有与之相邻的点为始点，搜索所有与这些点相邻的点，从而逐层向下扩展，实现对图的遍历。同理，深度优先搜索是指从某点出发，逐层向下扩展，直到无路可扩展时向上回溯，它是优先考虑图的深度（指从某点的扩展深度），而广度优先则优先考虑图的广度（指从某点的可扩展量）。贪婪算法是一种不追求最优解，只希望得到较为满意解的方法。贪婪算法一般可以快速得到满意的解，因为它省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪婪算法常以当前情况为基础作最优选择，而不考虑各种可能的整体情况，所以贪婪法不要回溯。A*算法结合了启发式方法（这种方法通过充分利用图给出的信息来动态地作出决定而使搜索次数大大降低）和形式化方法（这种方法不利用图给出的信息，而仅通过数学的形式分析，如Dijkstra算法）。它通过一个估价函数（HeuristicFunction）f(h)来估计图中的当前点p到终点的距离(带权值)，并由此决定它的搜索方向，当这条路径失败时，它会尝试其它路径。我们说如果在一般的图搜索算法中应用了上面的估价函数对OPEN表进行排序的，就称A算法。在A算法之上，如果加上一个条件，对于所有的结点x，都有h(x)=h*(x)，那就称为A*算法。如果取h(n)=0同样是A*算法，这样它就退化成了有序算法。A*算法是否成功，也就是说是否在效率上胜过蛮力搜索算法，就在于h(n)的选取，它不能大于实际的h*(n)，要保守一点，但越接近h*(n)给我们的启发性就越大，是一个难把握的东西。实验二：神经网络实验群姓名钱晓雪指导老师:刘丽珏日期:2014年4月15日实验目的理解反向传播网络的结构和原理，掌握反向传播算法对神经元的训练过程，了解反向传播公式。通过构建BP网络实例，熟悉前馈网络的原理及结构。网络拓朴图训练数据集（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）（输入节点0，输入节点1，输入节点4）（0,0,0）（0,1,0）（1,0,1）（Known，New，Short，Home,Reads）（1,1,0，1,0）（0,1,1，0,1）（0,0,0,0,0）（1,0,0,1,0）（1,1,1,1,1）（1,0,0,0,0）（0,0,1,0,0）（0,1,1,0,1）（1,0,0,1,0）（1,1,0,0,0）（0,0,1,1,0）（1,1,0,0,0）（1,0,1,1,1）（1,1,1,0,1）（1,1,1,1,1）（1,0,1,0,1）（1,1,1,1,1）（0,1,1,0,1）训练误差第1代误差1.68第51代误差0.52第101代误差0.11第151代误差0.05第201代误差0.03第1代误差0.018第51代误差0.010第101代误差0.010第151代误差0.010第201代误差0.010第1代误差4.67第51代误差0.66第101代误差0.12第151代误差0.06第201代误差0.03模拟的问题或函数多数赞成表决器异或问题MailReading（邮件信息识别）实验三：产生式系统实验群姓名钱晓雪专业班级物联网1201指导老师刘丽珏日期2014.4.15实验目的熟悉和掌握产生式系统的运行机制，掌握基于规则推理的基本方法。推理方法逆向推理建立规则库建立事实库观测结果经过200代的进化，误差以明显的阶梯型降低由于初始误差比较低，故经过50代的进化，误差已经极大地降低，几乎不再变化经过200代的进化，误差极大地降低学生结论神经计算能够实现“多数赞成表决器”功能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经过训练的BP网络可以进行邮件识别，解决信息识别的难题，可以极大地提高生产力该动物是哺乳动物-该动物有毛发.该动物是哺乳动物-该动物有奶.该动物是鸟-该动物有羽毛.该动物是鸟-该动物会飞&会下蛋.该动物是食肉动物-该动物吃肉.该动物是食肉动物-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.该动物是有蹄类动物-该动物是哺乳动物&是嚼反刍动物.该动物是金钱豹-该动物是哺乳动物&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&该动物是食肉动物&是黄褐色&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&身上有暗斑点.该动物是斑马-该动物是有蹄类动物&身上有黑色条纹.该动物是鸵鸟-该动物是鸟&有长脖子&有长腿&不会飞&有黑白二色.该动物是企鹅-该动物是鸟&会游泳&不会飞&有黑白二色.该动物是信天翁-该动物是鸟&善飞.%------动物识别系统事实集：%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-该动物是哺乳动物&是食肉动物&是黄褐色&身上有暗斑点.%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&该动物是食肉动物&是黄褐色&身上有黑色条纹.%该动物是哺乳动物.%是食肉动物.%是黄褐色.%身上有暗斑点.%----该动物是长颈鹿-该动物是有蹄类动物&有长脖子&有长腿&身上有暗斑点.%该动物是有蹄类动物.%有长脖子.%有长腿.%身上有暗斑点.预测结果假设目标为该动物是金钱豹，则结果为true.实验过程及结果(注意观测规则的匹配过程和方法)（1）假设这个动物是金钱豹。为了检验这个假设，根据规则，要求这个动物是哺乳动物&是食肉动物&是黄褐色&身上有暗斑点.（2）必须检验这个动物是否为哺乳动物。先由规则库中的：该动物是哺乳动物-该动物有毛发.该动物是哺乳动物-该动物有奶.可知，均不和事实相匹匹配，这条链是失败的，但事实库中有：该动物是哺乳动物.这个事实，故存在成功的链路。（3）同理对于其他三者，事实库中均存在给点的事实即：是食肉动物.是黄褐色.身上有黑色条纹.所以存在一条成功的链路，使所有的规则与事实匹配。故结果为True.根据逆向推理可以逐步确定学生结论在产生式系统的推理过程中，我们需要恰当的设置好规则与事实，同时应注意两者之间的匹配。在逆向推理中，必须寻找所存在的规则，最终找到存在事实库，若所需条件存在则为true，否则为false指导老师意见实验心得和体会人工智能这一个学科对我们物联网工程专业来说虽然是选修科目，但在接触了一学期后发现人工智能也是充满了趣味的。其中涉及到了很多与我们的生活息息相关的知识，并且它所代表的理论与研究也是社会科学进步发展最前沿的体现。接触到这种具有交叉型以及前沿性这么强的学科，也是在大学里的第一次，所以我们都格外珍惜这一次接触以及学习人工智能的机会。除了计算机科学以外,人工智能还涉及信息论、控制论、自动、仿生学、生物学、心理学、数理逻、语言、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理、计算机视觉、智能机器人、自动程序设计等方面。学科交叉性很强烈。同时通过这几次的实验，我对人工智能的一些思想以及应用有了更进一步的了解。在实验期间，刚开始遇到了很多困难，大家都不知道从何开始，这也是接触到一个新的学科的魅力，从不会到会，从不理解到理解，从不喜欢到喜欢。大家通过在书本上查找答案以及在网络上查询资料，解决了不少实验中的问题以及很多难以理解的理论和思想，当然还是有很多地方自己和同学们都不是很了解，希望在今后的学习中能慢慢解决问题。不例外的，我们在实验中不仅解决的问题，更学到了并巩固了书本上的知识。在生产式系统中，主要用到了系统自带的动物识别系统，动物识别系统的实质是将人的思维过程转化为计算机语言的逻辑过程，其关键在于知识和信息的表示，智能推理或求解的基础—知识库的创建和管理，以及基于某种知识和信息表示的智能推理或求解过程。在搜索策略实验群中，我渐渐了解启发式搜索的定义、估价函数和算法过程，并利用A*算法求解N数码难题，理解求解流程和搜索顺序。当然还有神经网络群。通过这一段的实验，我们不仅增长了知识，接触到了完全不同的知识领域，更锻炼了自我的能力，提升了自我的竞争力。虽然当下的课程学习已经接近尾声，但人工智能的学习才刚刚开始，书本指引我们进入人工智能的新奇大门，而未来的更为广阔的人工智能探索，还需要我们自己的不懈努力。希望未来能在人工智能这块领域内获得更多的知识，更好的充实自己。