第九章神经网络与遗传算法习题参考解答
9.1练习题
9.1 何谓人工神经网络?它有哪些特征?
9.2 生物神经元由哪几部分构成?每一部分的作用是什么?它有哪些特性?
9.3 什么是人工神经元？它有哪些连接方式？
9.4 B-P算法的网络结构是什么？简述B-P算法的学习过程。

9.5 什么是网络的稳定性? Hopfield网络模型分为哪两类?两者的区别是什么?
9.6 有教师学习与无教师学习的区别是什么? 请分析说明。

9.7 Hopfield模型与B-P模型的网络结构有何异同？
9.8 简述简单遗传算法的基本原理和一般过程,说明个体选择的常用策略,以及遗传操作“交叉”和“变异”所起的作用。

9.9 遗传算法有哪些特点？在应用遗传算法时要解决的最关键问题有哪些？
9.2习题参考解答
9.1 答: （略）
9.2 答: 生物神经元主要由三部分构成：细胞体、轴突和树突。

每一部分的作用是：（a）细胞体是神经元的新陈代谢中心，同时还用于接收并处理从其他神经元传递过来的信息。

（b）轴突的作用相当于神经元的输出电缆，它通过尾部分出的许多神经末梢以及梢端的突触向其他神经元输出神经冲动。

（c）树突的相当于神经元的输入端，用于接收从四面八方传来的神经冲动。

神经元的功能特性包括：（a）时空整合功能。

（b）神经元的动态极化性。

（c）兴奋与抑制状态。

（d）结构的可塑性。

（e）脉冲与电位信号的转换。

（f）突触延期和不应期。

（g）学习、遗忘和疲劳。

9.3 答: （略）
9.4 答: B-P算法的网络结构是一个前向多层网络。

网络中不仅含有输入节点和输出节点，而且含有一层或多层隐（层）节点，网络中各处理单元间的连接如图6.16所示。

当有信息向网络输入时，信息首先由输入层传递到隐层节点，经特性函数（人工神经元）作用后，再
传至下一隐层。

这样一层一层传递下去，直到最终传至输出节点层进行输出。

其间各层的激发函数要求是可微的，一般是选用S 型函数。

B-P 算法的学习过程如下：
（a ）选择一组训练样例，每一个样例由输入信息和期望的输出结果两部分组成。

（b ）从训练样例集中取一样例，把输入信息输入到网络中。

（c ）分别计算经神经元处理后的各层节点的输出。

（d ）计算网络的实际输出和期望输出的误差。

（e ）从输出层反向计算到第一个隐层，并按照某种能使误差向减小方向发展的原则，调整网络中各神经元的连接权值。

（f ）对训练样例集中的每一个样例重复（c ）—（e ）的步骤，直到对整个训练样例集
的误差达到要求时为止。

9.5 答:所谓一个网络是稳定的是指从某一时刻开始，网络的状态不再改变。

设用)t (X 表示网络在时刻t 的状态，如果从t ＝０的任一初态)0(X 开始，存在一个有限的时刻t ，使得从此时刻开始神经网络的状态不再发生变化，即)0t ()t (X )t t (X >∆=∆+　,就称此网络是稳定的。

Hopfield 网络模型分为离散型和连续型两类，它们都是反馈网络结构。

即它们从输出层到输入层都有反馈存在。

两者的区别是离散网络模型是一个离散时间系统，每个神经元只有两个状态，可以用1和0来表示；而连续时间的网络模型中，各神经元可在0到1的区间内取任一实数值，从而能更好地模拟人工神经元。

9.6 答: 有教师学习和无教师学习的主要区别是前者在学习时需要教师的示教或训练，而后者是用评价标准来代替教师的监督或示教工作的。

比如，在进行中文信处理研究中，利用机器学习的方法建立了一个拼音法输入模型，在对模型参数进行确定时，如果使用大量的经过人工加工处理的训练语料对模型进行训练，待参数确定后，投入到使用之中后效果就较好。

图9.6 B-P 网络
这种使用大量训练语料的方法就是有教师的学习方法。

这里的经过人工处理的大量熟语料就可看作教师，因为其中包含了人的经验。

而若不使用经过人工处理的语料事先对模型参数进行训练，也可以使用一个评价标准对拼音输入模型进行评价，看其性能或其它指标是否达到要求，若达不到要求，就对模型进行进一步的修改，直到满意为止。

这种方法就是无教师的学习方法。

9.7 答: B-P模型的网络结构是一种前馈型的前向多层网络，从输出层到输入层无反馈，因而结构简单，易于编程，也不会使网络的输出陷入从一个状态到另一个状态的无限转换中，因此，网络的稳定性较好，人们只需对它着重进行学习方法的研究。

但是前馈网络缺乏动态处理能力，因而其计算能力不够强。

Hopfield模型是一种是带反馈的人工神经网络，从输出层到输入层有反馈存在，在这种网络中，输出要反复地作为输入再送入网络中，这就使得网络具有了动态性，网络的状态在不断的改变之中。

所以，Hopfield模型是一种动态反馈系统，比前馈网络具有更强的计算能力，但网络的稳定性不如前馈型的B-P网络。

9.8 答：简单遗传算法SGA的基本原理是，首先把问题的解表示成“染色体”，也即是以二进制编码的串。

在执行遗传算法之前，给出一群“染色体”（串），也即是假设解。

然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交换、突变等遗传操作过程，产生更适应环境的新一代“染色体”群。

这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。

其基本过程可表示如下：
begin
a. 选择适当表示模式，生成初始群体；
b. 通过计算群体中各个体的适应度对群体进行评价；
c. While 未达到要求的目标do
begin
a. 选择作为下一代群体的各个体；
b. 执行交换操作；
c. 执行突变操作；
d. 对群体进行评价；
end
end
个体选择的常用策略是按比例选择，即若个体i的适应度（目标函数值）是f i，则个体i在下一代群体中复制（再生）的子代个数在群体中的比例将为f i /∑f i。

其中，∑f i是指所有个体适应度之和。

交叉操作的作用是在所选中的用于繁殖下一代的个体中，对两个不同的个体（串对）的相同位置的基因进行交换，从而产生新的个体。

变异操作的作用是对选中的个体中的某些基因执行异向转化，引进新的遗传物质或恢复已失去的遗传物质。

9.9 答：（略）。