四.實例學習

實例：教會"神經網絡"學會計算機中的“或”運算。

(注:此例指令存在 test1.cs中，你可以用loadcs指令調入)

什么是"或運算"?

"或運算"要求有兩個邏輯輸入值(真或假)，只要兩上輸入值中的一個或一個以上為真，
即為真，否則為假。輸出值只有一個，即"真"或"假"

如下表:

  輸入1		輸入2		輸出
=======================================
   假		假		假
   真		假		真
   假		真		真
   真		真		真

好，我們先假設0.2為假，0.8為真，讓這個“人工大腦”來學習。
(注，此模型有所有輸入，輸出值均只能在0-1之間，如果是其它數據
 請用正態分布函數等數學工具化為0-1之間)
Let's go:

add(回車)
Command No.1		
Mode 0.Learning 1.Process
Choose:0			"學習"選0
Data 1:0.2			輸入"假"
Data 2:0.2			輸入"假"
Data 3:0			不需要，輸入0
Data 4:0			不需要，輸入0
Supervise Data1:0.2		輸入導師信號"假"
Supervise Data2:0		不需要，輸入0
O.K.

.........			
不斷地輸入樣本，共種情況四個，最后打
list(回車)

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(回車)	讓神經網絡學習吧!

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

看看結果，哇，誤差率(Error rate)好大，學習次數(time)也好多再，繼續學習吧...

run(回車)

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，第一條命令的學習time從100001降到了34879，誤差也為1%了，當然還不行......
要所有的time都為只有幾百(當然越小越好)，誤差率都小于等于1%才行.....

run   (不斷地執行學習指令，每次都有進步)
......
run
......

run   (好!執行了8,9次后，結果出來了)

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

不錯!
下面，添加一條"處理"指令還考考"神經網絡"，看它學得怎么樣?

add(回車)
Command No.5
Mode 0.Learning 1.Process
Choose:1		選1，處理指令
Data 1:0.2		輸入假0.2
Data 2:0.8		輸入真0.8
Data 3:0
Data 4:0
O.K.

list(回車)		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條是新加的處理指令，用at指令來執行它吧)

at(回車)

Input Command Num:5	(輸入指令號5)
P: Out1: 0.777334       Out2: 0.000506

看！結果出來了，為out1: 0.777334 近似0.8為真！(out2的值沒有用，近似為0，即無)
好了!至此，"神經網絡"已經學會"與運算"了！怎么樣？神奇吧！

你可以充分地發揮你自己的想像力，只要給出自變量X(最多四元)，和一些正確的導師
信號Y(最多二元)，此實驗系統能自動推出其近似關系的！
已經有科學工作者用人工神經網絡來進行股票的預測了！你有興趣也來試試！本系統
會祝你一臂之力的！

-----------------
如何存放學習結果?
-----------------

   學習完后，打savebn指令:

Input Brain filename:aaa.bn		輸入要存放的"人工神經網絡"的文件名
					此例中存為aaa.bn
CopyRight Information:Made By Tom 2001	輸入你自己的信息
Brain saved!			
O.K.

好了，這樣就ok了！學會了嗎？

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

				五.實用程序cal2的使用

cal2是一個計算工具，你給出已經完成的"神經網絡"文件，它就能快速計算了，十分方便。

其在操作系統下的運行格式為:

cal2.exe [bp文件名]


例:就以上述的"與運算"存的"人工神經網絡"，aaa.bn為例吧

C>cal2 aaa.bn		(dos下鍵入 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	(顯示此人工神經網絡的相關信息)


Data 1:0.2		(輸入假 0.2)
Data 2:0.2		(輸入假 0.2)
Data 3:0
Data 4:0
P: Out1: 0.228821       Out2: 0.009963
   (輸出為假 近似0.2)

C>(回到dos)

怎么樣?會了嗎?
---------------------------------------------------------------------------------

				   六.后   記

    這是我做的第二個"人工神經網絡"實驗系統模型，可以說，這第二個系統比第一個系統
要成熟得多。當然，它們的功能是各異的。第一個阿爾法版，可用于進行智能分類識別。而
本系統貝吉塔塔可用來自動推導x->y的近似函數。
    有朋友來信問我，如何才能開始學習"人工智能"?我想，這是一個很普遍的問題。在此，
我想說的是，人工智能的學習必需有許多前修的基礎課程作基礎。主要都是涉及計算機科學
與數學的課程，例如：《高等數學》，《線性代數》，《離散數學》，《數據結構》，
《圖論》，學包括《線性規劃》《動態規劃》等。這些都是很基礎的，且不得不學的內容。
    當我在寫此稿的時候，此"人工神經網絡實驗系統"系列的第3款已經在研制中了，它將
會把"遺傳算法"溶入到BP算法中，給工程項目中的最優化系數求解等廣泛領域提供強有利的
科學推斷的實驗手段。敬請期待。
    最后，我想說，由于我個人學識水平的限制(我剛完成大學一年級的學習)。盡管我已做
出了較大的努力，但還有些錯誤或不足的地方，請這此領域從事研究的專家前輩給于指點。
不勝感激！

								    沈琦
								  2001.7.13

作者聯系方式:

E-mail: shenqi@shenqisoft.com

我開的<人工智能>的網站:

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~~~~~