readme2.txt

这个程序是个神经网络提供学习能力的实例

  			        四.实例学习

实例：教会"神经网络"学会计算机中的“或”运算。

(注:此例指令存在 test1.cs中，你可以用loadcs指令调入)

什么是"或运算"?

"或运算"要求有两个逻辑输入值(真或假)，只要两上输入值中的一个或一个以上为真，
即为真，否则为假。输出值只有一个，即"真"或"假"

如下表:

  输入1		输入2		输出
=======================================
   假		假		假
   真		假		真
   假		真		真
   真		真		真

好，我们先假设0.2为假，0.8为真，让这个“人工大脑”来学习。
(注，此模型有所有输入，输出值均只能在0-1之间，如果是其它数据
 请用正态分布函数等数学工具化为0-1之间)
Let's go:

add(回车)
Command No.1		
Mode 0.Learning 1.Process
Choose:0			"学习"选0
Data 1:0.2			输入"假"
Data 2:0.2			输入"假"
Data 3:0			不需要，输入0
Data 4:0			不需要，输入0
Supervise Data1:0.2		输入导师信号"假"
Supervise Data2:0		不需要，输入0
O.K.

.........			
不断地输入样本，共种情况四个，最后打
list(回车)

Num     Status  Data 1  Data 2  Data 3  Data 4  SData 1 SData 2
==========================================================================
 1      Learn   0.200   0.200   0.000   0.000   0.200   0.000	  假,假得假
 2      Learn   0.200   0.800   0.000   0.000   0.800   0.000	  假,真得真
 3      Learn   0.800   0.200   0.000   0.000   0.800   0.000	  真,假得真
 4      Learn   0.800   0.800   0.000   0.000   0.800   0.000	  真,真得真

run(回车)	让神经网络学习吧!

L: Time:100001  Error:1.45%     Out1:0.200680   Out2:0.017024
L: Time:127     Error:1.0%      Out1:0.785945   Out2:0.001250
L: Time:0       Error:0.01%     Out1:0.801008   Out2:0.001196
L: Time:717     Error:0.97%     Out1:0.813945   Out2:0.000335

看看结果，哇，误差率(Error rate)好大，学习次数(time)也好多再，继续学习吧...

run(回车)

L: Time:34879   Error:1.0%      Out1:0.200518   Out2:0.014133
L: Time:117     Error:0.98%     Out1:0.786038   Out2:0.000680
L: Time:42      Error:0.98%     Out1:0.786013   Out2:0.000736
L: Time:648     Error:1.0%      Out1:0.814138   Out2:0.000140

嗯，第一条命令的学习time从100001降到了34879，误差也为1%了，当然还不行......
要所有的time都为只有几百(当然越小越好)，误差率都小于等于1%才行.....

run   (不断地执行学习指令，每次都有进步)
......
run
......

run   (好!执行了8,9次后，结果出来了)

L: Time:796     Error:1.0%      Out1:0.209552   Out2:0.010427
L: Time:172     Error:1.0%      Out1:0.785902   Out2:0.000505
L: Time:173     Error:1.0%      Out1:0.785903   Out2:0.000896
L: Time:244     Error:0.99%     Out1:0.814060   Out2:0.000477

不错!
下面，添加一条"处理"指令还考考"神经网络"，看它学得怎么样?

add(回车)
Command No.5
Mode 0.Learning 1.Process
Choose:1		选1，处理指令
Data 1:0.2		输入假0.2
Data 2:0.8		输入真0.8
Data 3:0
Data 4:0
O.K.

list(回车)		看一看吧

Num     Status  Data 1  Data 2  Data 3  Data 4  SData 1 SData 2
==========================================================================
 1      Learn   0.200   0.200   0.000   0.000   0.200   0.000
 2      Learn   0.200   0.800   0.000   0.000   0.800   0.000
 3      Learn   0.800   0.200   0.000   0.000   0.800   0.000
 4      Learn   0.800   0.800   0.000   0.000   0.800   0.000
 5      Process 0.200   0.800   0.000   0.000   None    None   
(看，第5条是新加的处理指令，用at指令来执行它吧)

at(回车)

Input Command Num:5	(输入指令号5)
P: Out1: 0.777334       Out2: 0.000506

看！结果出来了，为out1: 0.777334 近似0.8为真！(out2的值没有用，近似为0，即无)
好了!至此，"神经网络"已经学会"与运算"了！怎么样？神奇吧！

你可以充分地发挥你自己的想像力，只要给出自变量X(最多四元)，和一些正确的导师
信号Y(最多二元)，此实验系统能自动推出其近似关系的！
已经有科学工作者用人工神经网络来进行股票的预测了！你有兴趣也来试试！本系统
会祝你一臂之力的！

-----------------
如何存放学习结果?
-----------------

   学习完后，打savebn指令:

Input Brain filename:aaa.bn		输入要存放的"人工神经网络"的文件名
					此例中存为aaa.bn
CopyRight Information:Made By Tom 2001	输入你自己的信息
Brain saved!			
O.K.

好了，这样就ok了！学会了吗？

===============================================================================

				五.实用程序cal2的使用

cal2是一个计算工具，你给出已经完成的"神经网络"文件，它就能快速计算了，十分方便。

其在操作系统下的运行格式为:

cal2.exe [bp文件名]


例:就以上述的"与运算"存的"人工神经网络"，aaa.bn为例吧

C>cal2 aaa.bn		(dos下键入 cal2.exe [bp文件名])
===============================================
        Neural Network Test System Version 1.0
                     Calculate Tools
===============  Shen Qi, USST , China 2001  ==
[Well Trained Brain Copyright Information]
  Made By Tom 2001	(显示此人工神经网络的相关信息)


Data 1:0.2		(输入假 0.2)
Data 2:0.2		(输入假 0.2)
Data 3:0
Data 4:0
P: Out1: 0.228821       Out2: 0.009963
   (输出为假 近似0.2)

C>(回到dos)

怎么样?会了吗?
---------------------------------------------------------------------------------

				   六.后   记

    这是我做的第二个"人工神经网络"实验系统模型，可以说，这第二个系统比第一个系统
要成熟得多。当然，它们的功能是各异的。第一个阿尔法版，可用于进行智能分类识别。而
本系统贝吉塔塔可用来自动推导x->y的近似函数。
    有朋友来信问我，如何才能开始学习"人工智能"?我想，这是一个很普遍的问题。在此，
我想说的是，人工智能的学习必需有许多前修的基础课程作基础。主要都是涉及计算机科学
与数学的课程，例如：《高等数学》，《线性代数》，《离散数学》，《数据结构》，
《图论》，学包括《线性规划》《动态规划》等。这些都是很基础的，且不得不学的内容。
    当我在写此稿的时候，此"人工神经网络实验系统"系列的第3款已经在研制中了，它将
会把"遗传算法"溶入到BP算法中，给工程项目中的最优化系数求解等广泛领域提供强有利的
科学推断的实验手段。敬请期待。
    最后，我想说，由于我个人学识水平的限制(我刚完成大学一年级的学习)。尽管我已做
出了较大的努力，但还有些错误或不足的地方，请这此领域从事研究的专家前辈给于指点。
不胜感激！

								    沈琦
								  2001.7.13

作者联系方式:

E-mail: [e-mail]

我开的<人工智能>的网站:

http://www.shenqisoft.com/ai/

===================================================================================
~~~~~~~我思故我在~~~~~~~我思故我在~~~~~~~我思故我在~~~~~~~我思故我在~~~~~~~我思
故我在~~~~~~~我思故我在~~~~~~~我思故我在~~~~~~~我思故我在~~~~~~~我思故我在~~~~~