1、简要说明误差反向传播的BP算法的基本原理，讨论BP基本算法的优缺点。

并采用BP神经网络进行模式识别。

设计一个BP网络对附图中的英文字母进行分类。

输入向量含16个分量，输出向量分别用[1,-1,-1]T,[-1,1,-1]T,[-1,-1,1]T代表字符A，I，O。

采用不同的学习算法（traingd，traingdm，traingdx，trainlm）进行比较。

并测试施加5%噪声与输入时的测试结果。

要求：给出matlab的源程序（可调用matlab NN工具箱），网络结构，初始权值，训练结果，测试结果。

2、简要说明误差反向传播的BP算法的基本原理，讨论BP基本算法的优缺点。

并采用BP神经网络设计实现一个9*9表。

采用不同的学习算法（traingd，traingdm，traingdx，trainlm）进行比较。

要求：给出matlab的源程序（可调用matlab NN工具箱），网络结构，初始权值，训练结果，测试结果。

（考虑将其中的数改为二进制）
3、简要说明误差反向传播的BP算法的基本原理，讨论BP基本算法的优缺点。

表1中给出了某结构在多种状态下的特征向量，表2给出了某时刻结构的特征向量，请使用人工神经网络根据表2中的特征向量判断其所属状态。

表1
表2
网络结构设计输入个数为10，输出个数为1，故神经元个数为1，结构如下图。

本题是一个模式识别问题，采用自组织竞争人工神经网络。

图1-1 网络结构图画出6个状态在坐标系中如图1-2所示。

%创建输入向量
X=[0 1;0 1]
clusters=6;
points=10;
std_dev=0.05;
P=nngenc(X,clusters,points,std_dev);
plot(P(1,:),P(2,:),'+r')
title('Input Vectors');
xlabel('p(1)');
ylabel('p(2)');
%创建自组织竞争神经网络
net=newc([0 1;0 1],6,.1);
net=init(net);
w=net.IW{1};
hold off;
plot(P(1,:),P(2,:),'+r');
hold on; plot(w(:,1),w(:,2),'ob');
xlabel('p(1)');
ylabel('p(2)');
hold off;
net.trainParam.epochs=7;
hold on;
net=init(net);
more off;
net=train(net,P);
TRAINR, Epoch 0/7
TRAINR, Epoch 7/7
TRAINR, Maximum epoch reached. %训练该网络
hold on ；
net=init(net); more off;
w=net.IW{1};
delete(findobj(gcf,'color',[0 0 1])); hold off
plot(P(1,:),P(2,:),'+r');
hold off;
hold on; plot(w(:,1),w(:,2),'ob'); xlabel('p(1)');
ylabel('p(2)');
hold off;
%仿真该网络
p=[0.794;0.271];
a=sim(net,p);
ac=vec2ind(a)。