課程設(shè)計(jì)項(xiàng)目實(shí)踐《計(jì)算智能》課程不僅需要夯實(shí)理論基礎(chǔ)，更需要鍛煉學(xué)生的計(jì)算思維和編程實(shí)踐，提升解決實(shí)際問(wèn)題的能力，因此，本教材結(jié)合實(shí)際教學(xué)需求，給出40個(gè)課程設(shè)計(jì)題目作為教學(xué)參考。其中，模糊計(jì)算題目10個(gè)，神經(jīng)計(jì)算題目20個(gè)，進(jìn)化計(jì)算題目10個(gè)，希望能為選擇本教材教學(xué)的師生提供選題參考。一、模糊計(jì)算1.對(duì)森林火災(zāi)數(shù)據(jù)集的模糊聚類問(wèn)題描述：森林火災(zāi)的發(fā)生與高溫、連續(xù)干旱、大風(fēng)等因素有密切關(guān)系，本課題采用模糊聚類分析，預(yù)測(cè)森林火災(zāi)的主要因素。數(shù)據(jù)來(lái)源：森林火災(zāi)數(shù)據(jù)集（forestfires.csv）表1森林火災(zāi)數(shù)據(jù)集設(shè)計(jì)內(nèi)容：首先對(duì)Forestfire數(shù)據(jù)集進(jìn)行預(yù)處理，打亂數(shù)據(jù)集并按照8:2的比例拆分為訓(xùn)練集和測(cè)試集。主要的思路就是利用先基于TS模糊推理的FCM系統(tǒng)生成初始模糊聚類系統(tǒng)，然后利用自適應(yīng)神經(jīng)模糊系統(tǒng)，對(duì)該模糊聚類系統(tǒng)進(jìn)行訓(xùn)練微調(diào)，最后通過(guò)可視化結(jié)果和均方誤差來(lái)評(píng)估該系統(tǒng)的準(zhǔn)確性與有效性。預(yù)期結(jié)果：可分別選擇聚類個(gè)數(shù)為3、4或5的情況下，得到聚類結(jié)果，并繪制相應(yīng)圖形。初始系統(tǒng)通過(guò)自適應(yīng)神經(jīng)網(wǎng)絡(luò)技術(shù)的訓(xùn)練微調(diào)后，基于TS模糊推理的FCM系統(tǒng)的誤差減小，性能略有提升。2.交叉口交通信號(hào)燈模糊控制及優(yōu)化問(wèn)題描述：隨著我國(guó)城市規(guī)模的不斷擴(kuò)大和城市人口的日益增加，機(jī)動(dòng)車數(shù)量也急劇增加，帶來(lái)的交通擁堵、交通事故、尾氣排放增加和能耗增多等一系列問(wèn)題，因此城市交岔口交通信號(hào)燈的合理控制對(duì)于提高城市路網(wǎng)通行能力。由于交通系統(tǒng)的復(fù)雜性，很難建立精確的控制模型，而模糊控制的特點(diǎn)是不需要對(duì)被控對(duì)象建立模型就可以進(jìn)行精確控制。因此，通過(guò)建立信號(hào)燈動(dòng)態(tài)模型從而獲得最佳周期長(zhǎng)度和有效綠燈時(shí)間，然后采用模糊控制算法對(duì)信號(hào)燈配時(shí)方案進(jìn)行實(shí)時(shí)的動(dòng)態(tài)優(yōu)化調(diào)整，并建立基于排隊(duì)的車輛延誤模型來(lái)對(duì)模糊控制算法進(jìn)行評(píng)價(jià)。數(shù)據(jù)來(lái)源：某地的單交岔口的交通燈情況，表2為排隊(duì)長(zhǎng)度的隸屬度賦值表。表2排隊(duì)長(zhǎng)度的隸屬度賦值表設(shè)計(jì)內(nèi)容：針對(duì)城市單交岔口的交通信號(hào)控制問(wèn)題，提出一種交通燈信號(hào)的模糊控制方法。該方法基于四相位定相序?qū)谓徊砜诮煌暨M(jìn)行控制，模糊控制系統(tǒng)輸入為車輛排隊(duì)數(shù)和車輛到達(dá)率，輸出為當(dāng)前綠燈相位的綠燈延長(zhǎng)時(shí)間。主要包括以下四項(xiàng)內(nèi)容：1）單交岔口交通信號(hào)控制問(wèn)題；2）交通信號(hào)模糊控制方法；3）利用GA優(yōu)化模糊控制系統(tǒng)；4）Sumo仿真結(jié)果及分析。預(yù)期結(jié)果：在車流處于輕度、中度、重度擁擠時(shí)，模糊控制算法相比于Sumo自帶控制方法，能有效減少車輛的平均時(shí)間花費(fèi)和平均時(shí)間損失，并增加了通過(guò)交岔口的車輛數(shù)，提高該路口的交通通行能力。3.模糊綜合評(píng)價(jià)法在網(wǎng)絡(luò)課程評(píng)價(jià)中的應(yīng)用問(wèn)題描述：隨著網(wǎng)絡(luò)教育的快速發(fā)展，其質(zhì)量保證問(wèn)題引起了越來(lái)越多的關(guān)注。網(wǎng)絡(luò)課程的質(zhì)量是制約整個(gè)網(wǎng)絡(luò)教育質(zhì)量的一個(gè)關(guān)鍵環(huán)節(jié)，網(wǎng)絡(luò)課程的評(píng)價(jià)標(biāo)準(zhǔn)是當(dāng)前網(wǎng)絡(luò)教育發(fā)展中必須盡快解決的一個(gè)重要問(wèn)題。模糊綜合評(píng)價(jià)法是近年來(lái)開(kāi)始普遍應(yīng)用的一種先進(jìn)和實(shí)用的評(píng)價(jià)方法，其評(píng)價(jià)結(jié)果能給出待評(píng)價(jià)目標(biāo)屬于各自不同種類的評(píng)價(jià)類隸屬度，決策部門可以按照最大隸屬的原則進(jìn)行目標(biāo)決策。模糊綜合評(píng)價(jià)的過(guò)程無(wú)論是權(quán)重的取得還是指標(biāo)隸屬矩陣的獲取，很多應(yīng)用了評(píng)價(jià)者的主觀判斷，所以模糊綜合評(píng)價(jià)方法是一種基于主觀信息綜合評(píng)價(jià)的方法。如果樣本的數(shù)據(jù)難以取得或者評(píng)價(jià)者具有固定的專家評(píng)審團(tuán)，且專家們的評(píng)判意見(jiàn)具有一致性時(shí)，對(duì)目標(biāo)的評(píng)價(jià)采用模糊綜合評(píng)價(jià)的方法是一種比較合理和準(zhǔn)確的評(píng)價(jià)方法。數(shù)據(jù)來(lái)源：模糊綜合評(píng)價(jià)是對(duì)受多種因素影響的事物做出全面評(píng)價(jià)的一種十分有效的多因素決策方法，其特點(diǎn)是評(píng)價(jià)結(jié)果不是絕對(duì)地肯定或否定，而是以一個(gè)模糊集合來(lái)表示。1)設(shè)因素集U:U={u1，u2，……u9}，綜合我國(guó)現(xiàn)行評(píng)價(jià)體系和平衡記分法，選取了u1(課程內(nèi)容)、u2(交互設(shè)計(jì))、u3(導(dǎo)航策略)、u4(界面設(shè)計(jì))、u5(學(xué)習(xí)活動(dòng))5個(gè)指標(biāo)為反映網(wǎng)絡(luò)課程優(yōu)劣的主要指標(biāo)。2)設(shè)評(píng)價(jià)集V={v1，v2，v3，v4，v5}，簡(jiǎn)便起見(jiàn)，設(shè)v1為優(yōu)秀，v2為良好，v3為中等，v4為較差，v5為很差。3)聘請(qǐng)網(wǎng)絡(luò)課程專業(yè)人士，并且熟悉該類課程的專家組成評(píng)判組，得到評(píng)價(jià)矩陣。4)根據(jù)專家意見(jiàn)，確定權(quán)重集A。設(shè)計(jì)內(nèi)容：在目標(biāo)的評(píng)價(jià)指標(biāo)體系當(dāng)中，部分評(píng)價(jià)指標(biāo)可以通過(guò)統(tǒng)計(jì)學(xué)的方法歸納出來(lái)，但有些評(píng)價(jià)指標(biāo)卻只能應(yīng)用專家評(píng)價(jià)法。對(duì)類似這樣的目標(biāo)評(píng)價(jià)問(wèn)題，采用模糊綜合評(píng)價(jià)方法(FuzzyComprehensiveEvaluation，簡(jiǎn)稱FCE)可以得到比較理想的解決。模糊綜合評(píng)價(jià)法包括：?jiǎn)我蛩氐哪：C合評(píng)價(jià)以及多層次的模糊綜合評(píng)價(jià)。對(duì)于此類網(wǎng)絡(luò)課程的評(píng)價(jià)，這里采用了多層次的模糊評(píng)價(jià)。其評(píng)價(jià)過(guò)程如下：首先確定可靠性考核的指標(biāo)——評(píng)價(jià)的因數(shù)集(即指標(biāo)集)，其次確定評(píng)價(jià)集(即備選集)。預(yù)期結(jié)果：1)綜合研究了網(wǎng)絡(luò)化課程的模糊綜合評(píng)價(jià)方法，并且把模糊綜合評(píng)價(jià)的方法應(yīng)用到網(wǎng)絡(luò)課程的考核和評(píng)價(jià)領(lǐng)域，得到了網(wǎng)絡(luò)課程考核的指標(biāo)體系以及選取的原則，并且建立了考核的模型，得到了隸屬度函數(shù)以及評(píng)價(jià)權(quán)重的認(rèn)定方法，給出了模糊綜合評(píng)價(jià)的范例。2)網(wǎng)絡(luò)化課程的綜合評(píng)價(jià)中，如何科學(xué)合理地確定考核評(píng)價(jià)的方案以及評(píng)分的方法是至關(guān)重要的。因此提出了如何定量化和系統(tǒng)化地處理模糊綜合評(píng)價(jià)模型中各個(gè)指標(biāo)之間的關(guān)系，進(jìn)而能夠較客觀和準(zhǔn)確地反映了網(wǎng)絡(luò)化課程的制作和應(yīng)用水平，并且為進(jìn)一步合理規(guī)范地評(píng)價(jià)網(wǎng)絡(luò)化課程的水平提供了較為科學(xué)的理論依據(jù)。3)范例表明，所建立的模糊綜合評(píng)價(jià)模型比較有效和可行，能客觀反映了網(wǎng)絡(luò)化課程的整體的水平，指出了網(wǎng)絡(luò)化課程的優(yōu)點(diǎn)以及尚存在的薄弱環(huán)節(jié)。如果通過(guò)定期對(duì)網(wǎng)絡(luò)課程進(jìn)行連續(xù)的考核，此模型還可以顯示出網(wǎng)絡(luò)化課程水平動(dòng)態(tài)的變化過(guò)程，進(jìn)而能進(jìn)一步促進(jìn)網(wǎng)絡(luò)化課程整體水平不斷地提高。4.模糊聚類在電影票房分析中的應(yīng)用問(wèn)題描述：隨著電影產(chǎn)業(yè)的蓬勃發(fā)展，以及國(guó)家對(duì)文化產(chǎn)業(yè)扶植的密集出臺(tái)，國(guó)內(nèi)外資本開(kāi)始以組建影視資金的形式，對(duì)我國(guó)電影產(chǎn)業(yè)進(jìn)行投資。可以看出電影票房對(duì)于我國(guó)經(jīng)濟(jì)比重占有很大的比重。本次試驗(yàn)將運(yùn)用Matlab來(lái)對(duì)我國(guó)的一些電影票房進(jìn)行模糊聚類分析，通過(guò)聚類結(jié)果對(duì)電影票房數(shù)據(jù)做初步統(tǒng)計(jì)分析，并為用戶提供觀影建議。數(shù)據(jù)來(lái)源：實(shí)時(shí)票房榜網(wǎng)址：/BoxOffice/設(shè)計(jì)內(nèi)容：分別用模糊傳遞閉包法，F(xiàn)CM法，最大樹(shù)法對(duì)電影票房進(jìn)行分析聚類。1）模糊傳遞閉包法分析：根據(jù)票房建立一個(gè)矩陣；對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理；建立模糊等價(jià)矩陣；繪制動(dòng)態(tài)聚類圖；確定最佳結(jié)果。2）FCM法分析：確定分類數(shù)，指數(shù)m的值，確定迭代次數(shù)；初始化一個(gè)隸屬度U；根據(jù)U計(jì)算聚類中心C；這個(gè)時(shí)候可以計(jì)算目標(biāo)函數(shù)J了；根據(jù)C返回去計(jì)算U，回到步驟3，一直循環(huán)直到結(jié)束。3）最大樹(shù)法分析：計(jì)算屬性之間的條件交互信息；以屬性為結(jié)點(diǎn)構(gòu)建完全圖；構(gòu)建完全圖的最大帶權(quán)生成樹(shù)，確定根變量，設(shè)置有向邊；加入類別結(jié)點(diǎn)，增加每個(gè)屬性的有向邊。預(yù)期結(jié)果：通過(guò)模糊聚類分析，得到相應(yīng)的聚類結(jié)果，進(jìn)而為不同用戶提供觀影選擇建議，預(yù)計(jì)結(jié)果如圖1-3所示。圖1模糊傳遞閉包法結(jié)果圖圖2FCM法結(jié)果圖圖3最大樹(shù)法結(jié)果圖5.單倒置擺模糊控制系統(tǒng)的狀態(tài)空間設(shè)計(jì)問(wèn)題描述：如圖4所示，當(dāng)長(zhǎng)度為L(zhǎng)、質(zhì)量為m的擺，用鉸鏈安裝在質(zhì)量為M的小車上。小車有一臺(tái)直流電動(dòng)機(jī)拖動(dòng)，在水平方向?qū)π≤囀┘涌刂屏，相對(duì)參考系產(chǎn)生位移Z。若不給小車施加控制力，則倒置擺會(huì)向左或向右傾倒，因此，它是一個(gè)不穩(wěn)定系統(tǒng)。控制的目的是，當(dāng)?shù)怪脭[無(wú)論出現(xiàn)向左或向右傾倒時(shí)，通過(guò)控制直流電動(dòng)機(jī)，使小車在水平方向運(yùn)動(dòng)，將倒置擺保持在垂直位置上。圖4單倒置擺示意圖數(shù)據(jù)來(lái)源：用戶手動(dòng)輸入以及網(wǎng)絡(luò)查找。設(shè)計(jì)內(nèi)容：先分析單倒置擺的系統(tǒng)結(jié)構(gòu)并且以此建立數(shù)學(xué)模型，然后利用Matlab對(duì)其進(jìn)行仿真。預(yù)期結(jié)果：推算出在理想狀態(tài)下小車推力u多大可使得長(zhǎng)度為L(zhǎng)、質(zhì)量為m單倒置擺達(dá)到平衡。6.基于模糊控制的車輛泊車設(shè)計(jì)問(wèn)題描述：設(shè)計(jì)一個(gè)Matlab模糊控制系統(tǒng)，用于控制車輛進(jìn)行泊車操作。假設(shè)車輛只能在水平方向上移動(dòng)，且只能前進(jìn)或后退。系統(tǒng)輸入為車輛與目標(biāo)停車位之間的距離和角度差，輸出為車輛的速度和轉(zhuǎn)向角度。車輛與目標(biāo)停車位之間的距離可以通過(guò)車輛前部的傳感器測(cè)量得到，角度差可以通過(guò)車輛與目標(biāo)停車位之間的連線與車輛的朝向之間的夾角計(jì)算得到。模糊控制系統(tǒng)的輸入變量包括距離誤差和角度誤差，輸出變量包括速度和轉(zhuǎn)向角度。通過(guò)設(shè)定一系列模糊規(guī)則，將輸入變量映射到輸出變量上。例如，當(dāng)距離誤差較大且角度誤差較小時(shí)，輸出較大的速度和較小的轉(zhuǎn)向角度，以便車輛快速接近目標(biāo)停車位；當(dāng)距離誤差較小且角度誤差較大時(shí)，輸出較小的速度和較大的轉(zhuǎn)向角度，以便車輛準(zhǔn)確對(duì)準(zhǔn)停車位。通過(guò)模糊控制系統(tǒng)，車輛可以根據(jù)實(shí)時(shí)的距離和角度差信息，自動(dòng)調(diào)整速度和轉(zhuǎn)向角度，實(shí)現(xiàn)自動(dòng)泊車操作。數(shù)據(jù)來(lái)源：車輛尺寸（http://985.so/20kxg）；停車位標(biāo)準(zhǔn)（http://985.so/20kx3）車庫(kù)標(biāo)準(zhǔn)（/p/393254316）。設(shè)計(jì)內(nèi)容：車輛在倒車的過(guò)程中是一定的低速度運(yùn)動(dòng)，在這一過(guò)程中，車輛的后輪運(yùn)動(dòng)軌跡與倒車速度無(wú)關(guān)，倒車速度只對(duì)倒車過(guò)程中在固定時(shí)間內(nèi)車輛行駛的距離有影響，而不對(duì)行駛路線有影響。車輛的軌跡可以用(xr,yr,θ)表示，為了方便在此用（x,y,θ）來(lái)表示。此時(shí)，車輛的軌跡變化控制量為（x,y,θ），直接輸出量為φ。選取x、y、θ作為模糊控制的輸入變量，φ為輸出變量。其中設(shè)定輸入變量x的模糊集合數(shù)為4，語(yǔ)言變量表示為L(zhǎng)B、LM、LS、XCE;輸入變量y的模糊集合數(shù)為4，語(yǔ)言變量表示為FAR、MD、CL、YCE；輸入變量θ的模糊集合數(shù)為5，語(yǔ)言變量表示為RBV、RBH、H、RUH、RUV；輸出變量φ模糊集合數(shù)為7，語(yǔ)言變量表示為PB、PM、PS、ZE、NS、NM、NB。在模糊階段里最重要的是設(shè)計(jì)隸屬函數(shù)，而隸屬函數(shù)的外型就跟設(shè)計(jì)者要求的特性和經(jīng)驗(yàn)有關(guān)，一般常見(jiàn)的是用三角形或梯形來(lái)描述隸屬函數(shù)的外型。預(yù)期結(jié)果：車輛從起始點(diǎn)x、y坐標(biāo)位置經(jīng)過(guò)轉(zhuǎn)角和移動(dòng)到達(dá)目標(biāo)x、y位置（車位）。7.基于威斯康星州乳腺癌數(shù)據(jù)集模糊聚類分析問(wèn)題描述：目前癌癥的初步檢測(cè)還是主要依靠醫(yī)生的經(jīng)驗(yàn)判斷，為了提高醫(yī)生的工作效率，以及減少醫(yī)生的經(jīng)驗(yàn)判斷失誤，所有希望計(jì)算機(jī)協(xié)助醫(yī)生進(jìn)行判斷。根據(jù)已有的對(duì)乳腺癌的特征的分類，判斷患者的乳腺癌是屬于良性還是惡性，進(jìn)一步幫助患者的治療。數(shù)據(jù)來(lái)源：這些數(shù)據(jù)來(lái)源美國(guó)威斯康星大學(xué)醫(yī)院的臨床病例報(bào)告，如表3所示。表3美國(guó)威斯康星大學(xué)醫(yī)院臨床病例報(bào)告設(shè)計(jì)內(nèi)容：1）K-means算法輸入：【數(shù)據(jù)集，聚類個(gè)數(shù)k】數(shù)據(jù)集為m×n，m個(gè)元素，含n維特征變量①選擇k個(gè)初始的中心點(diǎn)，隨機(jī)生成u[1]，…u[k]，采用每行的最大值減去（最大最小的差值乘上隨機(jī)數(shù)），保證初始化的中心值在最大值與最小值之間；②對(duì)于x[1]，…，x[n]（Matlab數(shù)組從1開(kāi)始）分別與u[1]，…，u[k]比較，假定與u[i]距離最短，就標(biāo)記為i類；③對(duì)于所有標(biāo)記為第i個(gè)類別的點(diǎn)，重新計(jì)算u[i]={所有標(biāo)記為i的樣本的每個(gè)特征的均值}；④重復(fù)第②③步，直到所有u[i]值的變化小于給定的閾值或達(dá)到最大迭代次數(shù)。2）FCM算法輸出：分類中心u(1)，…，u(k)，分類類別re(1)，…，re(k)①選定分類數(shù)c，，取一初始模糊分類矩陣，逐步迭代；②對(duì)于，計(jì)算聚類中心矩陣這里，可按下式計(jì)算：③修正模糊聚類矩陣，?、鼙容^與，若對(duì)取定的精度，有則與即為所求，即，停止迭代；否則，，回到第③步，重復(fù)執(zhí)行。輸出：分類中心u(1)…u(k)，分類類別re(1)…re(k)。預(yù)期結(jié)果：分別運(yùn)用fuzzyc-means方法和K-means兩種方法進(jìn)行數(shù)據(jù)的模糊聚類分析，并通過(guò)現(xiàn)有的數(shù)據(jù)分析出兩者的識(shí)別準(zhǔn)確率，若符合準(zhǔn)確率達(dá)到95%以上的要求，則可以投入實(shí)際原因，相信也會(huì)有不錯(cuò)的效果，幫助醫(yī)生診斷病情，患者了解病情。8.基于模糊聚類分析的多種數(shù)據(jù)的應(yīng)用實(shí)踐問(wèn)題描述：利用模糊聚類的知識(shí)，搜集一些數(shù)據(jù)集，將學(xué)習(xí)到的知識(shí)應(yīng)用到實(shí)踐當(dāng)中。對(duì)數(shù)據(jù)集進(jìn)行處理，并進(jìn)行模糊聚類分析，探討世界各個(gè)國(guó)家和地區(qū)的狀況，結(jié)合利用模糊聚類分析發(fā)掘出來(lái)的隱藏信息和規(guī)律，給出最終的討論結(jié)果。數(shù)據(jù)來(lái)源：世界銀行WDI數(shù)據(jù)庫(kù)，聯(lián)合國(guó)《人口統(tǒng)計(jì)年鑒》，國(guó)家統(tǒng)計(jì)局。設(shè)計(jì)內(nèi)容：獲取數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行處理，特別是一定要檢查有沒(méi)有空缺值，不處理空缺值，模糊聚類分析就不能繼續(xù)進(jìn)行。捋清模糊聚類分析的步驟，設(shè)計(jì)代碼進(jìn)行仿真實(shí)驗(yàn)。獲得分析結(jié)果之后，利用動(dòng)態(tài)聚類圖進(jìn)行數(shù)據(jù)分析。研究它們的共性特征，說(shuō)明數(shù)據(jù)信息反應(yīng)的隱藏內(nèi)容，結(jié)合社會(huì)科學(xué)的知識(shí)或者常識(shí)，給出討論結(jié)果。預(yù)期結(jié)果：我們認(rèn)為模糊聚類分析的結(jié)果一定程度上應(yīng)該和這些國(guó)家和地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r相關(guān)聯(lián)，比如歐美日韓的西方發(fā)達(dá)國(guó)家和地區(qū)常常歸為一類，發(fā)展中國(guó)家歸為一類，欠發(fā)達(dá)國(guó)家或地區(qū)歸為一類。9.基于Matlab的模糊控制洗衣機(jī)的設(shè)計(jì)與仿真問(wèn)題描述：本實(shí)驗(yàn)是利用Matlab模糊邏輯工具箱設(shè)計(jì)模糊洗衣機(jī)的控制器，將同時(shí)提供可視化界面以及命令行兩種控制方式。數(shù)據(jù)來(lái)源：網(wǎng)上查找設(shè)計(jì)內(nèi)容：將模糊洗衣機(jī)的控制看作一個(gè)開(kāi)環(huán)的決策過(guò)程，并且用Matlab進(jìn)行仿真兩個(gè)輸入一個(gè)輸出模糊控制洗衣機(jī)推理系統(tǒng)設(shè)計(jì)。1）假設(shè)污泥、油脂、洗滌時(shí)間的論域分別為[0,100]、[0,100]和[0,120]，設(shè)計(jì)相應(yīng)的模糊推理系統(tǒng)，給出輸入、輸出語(yǔ)言變量的隸屬函數(shù)圖，模糊控制規(guī)則表和推理結(jié)果立體圖。2）假定當(dāng)前傳感器測(cè)得的信息為x(污泥)=60，y（油脂）=70，采用模糊決策，給出模糊推理結(jié)果，并觀察模糊推理得到動(dòng)態(tài)仿真環(huán)境，給出其動(dòng)態(tài)仿真環(huán)境圖。預(yù)期結(jié)果：達(dá)到預(yù)期效果，實(shí)現(xiàn)模糊控制洗衣機(jī)系統(tǒng)。10.模糊綜合評(píng)價(jià)法在教師講課評(píng)價(jià)中的應(yīng)用問(wèn)題描述：隨著教師福利的不斷提高，越來(lái)越多人加入了教師行業(yè)，導(dǎo)致教師行業(yè)里教師的授課水平良莠不齊。為保證教師的授課能夠真正對(duì)學(xué)生有所幫助，擬定建立一個(gè)教師評(píng)價(jià)體系。模糊綜合評(píng)價(jià)法可以將各個(gè)評(píng)價(jià)指標(biāo)的模糊集合通過(guò)模糊邏輯運(yùn)算進(jìn)行綜合，得到一個(gè)綜合評(píng)價(jià)的模糊集合；然后通過(guò)模糊集合的解模糊操作得到最終的評(píng)價(jià)結(jié)果。通過(guò)模糊綜合評(píng)價(jià)方法，可以有效處理多個(gè)評(píng)價(jià)指標(biāo)之間的模糊和不確定關(guān)系，提供更全面和準(zhǔn)確的評(píng)價(jià)結(jié)果。因此，對(duì)教師講課的評(píng)價(jià)采用模糊綜合評(píng)價(jià)的方法是一種比較合理和準(zhǔn)確的評(píng)價(jià)方法。數(shù)據(jù)來(lái)源：做調(diào)查表，收集數(shù)據(jù)。設(shè)計(jì)內(nèi)容：在教師評(píng)價(jià)體系當(dāng)中，我們采用單因素的模糊評(píng)價(jià)，其評(píng)價(jià)過(guò)程如下：確定因素集U={u1,u2,u3,u4}——確定評(píng)判集V={v1,v2,v3,v4}——進(jìn)行單因素評(píng)判——構(gòu)造綜合評(píng)判矩陣R——進(jìn)行綜合評(píng)判，對(duì)權(quán)重A1，A2計(jì)算B1=A1?R，B=A2?R，并根據(jù)隸屬度最大原則作出評(píng)判。預(yù)期結(jié)果：本次課程設(shè)計(jì)旨在研究和探索將模糊綜合評(píng)價(jià)法應(yīng)用于教師講課評(píng)價(jià)中的可行性和有效性。通過(guò)對(duì)教師講課的特點(diǎn)和評(píng)價(jià)指標(biāo)進(jìn)行分析，結(jié)合模糊邏輯的思想和方法，設(shè)計(jì)了一套基于模糊綜合評(píng)價(jià)的教師講課評(píng)價(jià)模型。通過(guò)該模糊綜合評(píng)價(jià)模型，可以對(duì)教師講課進(jìn)行全面、準(zhǔn)確的評(píng)價(jià)。該模型將考慮到不同評(píng)價(jià)指標(biāo)的權(quán)重和模糊性，能夠更好地反映教師講課的質(zhì)量和效果。同時(shí)，通過(guò)對(duì)評(píng)價(jià)結(jié)果的分析和比較，可以為教師的教學(xué)改進(jìn)和提升提供參考和決策依據(jù)。總體來(lái)說(shuō)，本次課程設(shè)計(jì)的預(yù)期結(jié)果是在教師講課評(píng)價(jià)中應(yīng)用模糊綜合評(píng)價(jià)方法，并通過(guò)模型的構(gòu)建和實(shí)施，得到準(zhǔn)確、可靠的評(píng)價(jià)結(jié)果，為提高教師的教學(xué)質(zhì)量和效果提供科學(xué)依據(jù)。二、神經(jīng)計(jì)算1.基于RBF神經(jīng)網(wǎng)絡(luò)的小麥種子分類問(wèn)題描述：小麥?zhǔn)俏覈?guó)最重要的糧食作物之一，對(duì)于小麥種子的分類識(shí)別技術(shù)的研究一直都是農(nóng)業(yè)信息化領(lǐng)域的一大熱點(diǎn)。因此我們利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)小麥的多個(gè)特征進(jìn)行分析來(lái)進(jìn)行分類，最終實(shí)現(xiàn)對(duì)小麥種子高效率的識(shí)別。數(shù)據(jù)來(lái)源：/mw/dataset/5d79f0d68499bc002c0cffaa/content設(shè)計(jì)內(nèi)容：讀取訓(xùn)練數(shù)據(jù)；建立一個(gè)RBF神經(jīng)網(wǎng)絡(luò)；使用新的數(shù)據(jù)集測(cè)試這個(gè)網(wǎng)絡(luò)；實(shí)驗(yàn)結(jié)果與分析；設(shè)計(jì)用戶界面，實(shí)現(xiàn)人機(jī)交互。預(yù)期結(jié)果：識(shí)別準(zhǔn)確率達(dá)到90%及以上。2.RBF神經(jīng)網(wǎng)絡(luò)在房?jī)r(jià)預(yù)測(cè)中的應(yīng)用問(wèn)題描述：利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)波士頓房?jī)r(jià)進(jìn)行預(yù)測(cè)。數(shù)據(jù)來(lái)源：波士頓房?jī)r(jià)數(shù)據(jù)來(lái)源于sklearn中的datasets數(shù)據(jù)集，統(tǒng)計(jì)了波士頓506處房屋的13種不同特征（包含城鎮(zhèn)犯罪率、一氧化氮濃度、住宅平均房間數(shù)、到中心區(qū)域的加權(quán)距離以及自住房平均房?jī)r(jià)等）以及房屋的價(jià)格。設(shè)計(jì)內(nèi)容：分別使用Matlab和Python搭建RBF神經(jīng)網(wǎng)絡(luò)對(duì)波士頓房?jī)r(jià)進(jìn)行預(yù)測(cè)，對(duì)兩種方式的預(yù)測(cè)精度進(jìn)行比較，增加界面設(shè)計(jì)，將兩種方式搭建的模型結(jié)果進(jìn)行可視化展示。預(yù)期結(jié)果：不同方法搭建的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度不同，但精度都相對(duì)比較高。3.基于Hopfield神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別問(wèn)題描述：在日常生活中，經(jīng)常遇到帶噪聲字符的識(shí)別問(wèn)題，如交通系統(tǒng)中汽車牌照，由于汽車在使用過(guò)程中，要經(jīng)受自然環(huán)境中的日吹風(fēng)曬或其他污染，造成字體的模糊不清，難以辨認(rèn)，這是常常發(fā)生的事。如何從這些殘缺不全的字符中提取完整的信息，達(dá)到正確識(shí)別，這是字符識(shí)別的關(guān)鍵問(wèn)題。目前有很多字符識(shí)別的方法，如人工神經(jīng)網(wǎng)絡(luò)識(shí)別，概率統(tǒng)計(jì)識(shí)別和模糊識(shí)別等。傳統(tǒng)的識(shí)別方法在有干擾的情況下不能很好的對(duì)字符進(jìn)行檢測(cè)與識(shí)別，而離散型的Hopfield神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶的功能，利用這一功能對(duì)字符識(shí)別可以取得令人滿意的效果。在本實(shí)驗(yàn)中，根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)，設(shè)計(jì)一個(gè)具有聯(lián)想記憶功能的離散型Hopfield神經(jīng)網(wǎng)絡(luò)。要求該網(wǎng)絡(luò)可以正確識(shí)別0-9這10個(gè)數(shù)字，當(dāng)數(shù)字被一定的噪聲污染后，仍具有較好的識(shí)別效果。根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)，設(shè)計(jì)一個(gè)具有聯(lián)想記憶功能的離散型Hopfiled神經(jīng)網(wǎng)絡(luò)。要求該網(wǎng)絡(luò)可以正確識(shí)別0-9這10個(gè)數(shù)字，當(dāng)數(shù)字被一定的噪聲干擾后，仍具有較好的識(shí)別效果。數(shù)據(jù)來(lái)源：首先自己定義標(biāo)準(zhǔn)數(shù)字矩陣，通過(guò)Matlab隨機(jī)生成噪聲來(lái)模擬現(xiàn)實(shí)中數(shù)字被污染的情況。然后，在網(wǎng)上找一些交通系統(tǒng)中汽車牌照、郵政、商業(yè)票據(jù)這方面的數(shù)據(jù)。設(shè)計(jì)內(nèi)容：假設(shè)網(wǎng)絡(luò)由0-9共10個(gè)穩(wěn)態(tài)構(gòu)成，每個(gè)穩(wěn)態(tài)用10×10的矩陣表示。該矩陣直觀地描述模擬阿拉伯?dāng)?shù)字，即將數(shù)字劃分成10×10的矩陣，有數(shù)字的部分用1表示，空白部分用-1表示。網(wǎng)絡(luò)對(duì)這10個(gè)穩(wěn)態(tài)即10個(gè)數(shù)字（點(diǎn)陣）具有聯(lián)想記憶功能，當(dāng)有帶噪聲的數(shù)字點(diǎn)陣輸入到該網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)的輸出便可以得到最接近的目標(biāo)向量（即10個(gè)穩(wěn)態(tài)），從而達(dá)到正確識(shí)別的效果。預(yù)期結(jié)果：對(duì)測(cè)試的結(jié)果進(jìn)行分析比較，通過(guò)大量的測(cè)試來(lái)驗(yàn)證Hopfield網(wǎng)絡(luò)用于數(shù)字識(shí)別的可行性與有效性，可以最大限度的識(shí)別字符信息，如圖5所示。圖5預(yù)期結(jié)果圖4.競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)在不同領(lǐng)域中的聚類應(yīng)用問(wèn)題描述：利用競(jìng)爭(zhēng)性神經(jīng)網(wǎng)絡(luò)分別對(duì)白葡萄酒數(shù)據(jù)，1999年全國(guó)31個(gè)省城鎮(zhèn)居民家庭平均年消費(fèi)支出數(shù)據(jù)和當(dāng)下熱門手游王者榮耀英雄數(shù)據(jù)進(jìn)行聚類分析數(shù)據(jù)來(lái)源：/ml/datasets/Wine+Quality（白葡萄酒）；嵩天Python機(jī)器學(xué)習(xí)算法課程案例（消費(fèi)數(shù)據(jù)）；/cystanford/EM_data（王者榮耀英雄）設(shè)計(jì)內(nèi)容：利用Python實(shí)現(xiàn)用戶界面，界面設(shè)置三個(gè)選項(xiàng)，分別實(shí)現(xiàn)上述三類數(shù)據(jù)集的聚類操作。預(yù)期結(jié)果：采用競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)聚類分析，每組數(shù)據(jù)被分為若干個(gè)簇，同一個(gè)簇中的對(duì)象有很大的相似性，而不同簇間的對(duì)象有很大的相異性。5.基于CNN的行人重識(shí)別問(wèn)題問(wèn)題描述：行人重識(shí)別（ReID），也稱為行人再識(shí)別，是利用計(jì)算機(jī)視覺(jué)技術(shù)判斷圖像或者視頻序列中是否存在特定行人的技術(shù)。本課題將討論基于圖像的簡(jiǎn)單ReID問(wèn)題的解決方法，并利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行問(wèn)題的解決。數(shù)據(jù)來(lái)源：5:81/Datasets/Market-1501-v15.09.15.zip設(shè)計(jì)內(nèi)容：1）處理數(shù)據(jù)；2）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)；3）進(jìn)行訓(xùn)練測(cè)試。預(yù)期結(jié)果：輸入一張行人的照片并在已有的照片中進(jìn)行檢索判斷該照片是否與已有的圖片存在相似性，并輸出結(jié)果。6.基于融合神經(jīng)網(wǎng)絡(luò)建模的語(yǔ)音情感識(shí)別問(wèn)題描述：語(yǔ)音情感識(shí)別通過(guò)特定人語(yǔ)音情感數(shù)據(jù)庫(kù)的建立；語(yǔ)音情感特征提取；語(yǔ)音情感分類器的設(shè)計(jì)，完成了一個(gè)特定人語(yǔ)音情感識(shí)別的初步系統(tǒng)。對(duì)于單個(gè)特定人，可以識(shí)別平靜、悲傷、憤怒、驚訝、高興5種情感，除憤怒和高興之間混淆程度相對(duì)較大之外，各類之間區(qū)分特性良好，平均分類正確率為93.7%。對(duì)于三個(gè)特定人組成的特定人群，可以識(shí)別平靜、憤怒、悲傷3種情感，各類之間區(qū)分特性良好，平均分類正確率為94.4%。本系統(tǒng)的目的是提供一種能夠提高語(yǔ)音情感識(shí)別率的深度信念網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別方法及系統(tǒng)。數(shù)據(jù)來(lái)源：通過(guò)自定義特征參數(shù)向量，使用BP算法對(duì)說(shuō)話人的5種不同情緒（恐懼、高興、中性、傷心、憤怒）做出分類。每種情緒有50段音頻樣本，其中25段用來(lái)BP的訓(xùn)練，25段用于測(cè)試。音頻文件已在所建文件夾下。運(yùn)行主程序可以得到BP對(duì)每種情緒的識(shí)別正確率，可以嘗試手動(dòng)調(diào)整參數(shù)。設(shè)計(jì)內(nèi)容：步驟1：獲取語(yǔ)音信號(hào)；步驟2：預(yù)處理所述語(yǔ)音信號(hào)，獲得預(yù)處理語(yǔ)音信號(hào)；步驟3：對(duì)所述預(yù)處理語(yǔ)音信號(hào)采用深度信念網(wǎng)絡(luò)進(jìn)行無(wú)監(jiān)督的語(yǔ)音信號(hào)特征提取，獲得語(yǔ)音信號(hào)特征；步驟4：將所述語(yǔ)音信號(hào)特征采用支持向量機(jī)進(jìn)行語(yǔ)音情感的識(shí)別分類，獲得語(yǔ)音情感識(shí)別結(jié)果。由深度信念網(wǎng)絡(luò)提取出語(yǔ)音信號(hào)中的情感特征的多維特征向量后，需要一個(gè)適合情感分類器。本方法采用支持向量機(jī)采用一對(duì)一方式對(duì)四種情感(驚奇、高興、憤怒、悲傷)進(jìn)行分類。將深度信念網(wǎng)絡(luò)提取出語(yǔ)音信號(hào)中的情感特征的多維特征向量作為支持向量機(jī)分類器的輸入，對(duì)于語(yǔ)音情感的非線性可分問(wèn)題，利用核函數(shù)將輸入特征的樣本點(diǎn)映射到高維特征空間，使得對(duì)應(yīng)的樣本空間線性可分?！耙粚?duì)一”方式是對(duì)任意兩種情感構(gòu)建超平面，需要訓(xùn)練k×(k-1)/2個(gè)子分類器。整個(gè)訓(xùn)練過(guò)程一共需要個(gè)支持向量機(jī)子分類器，即6個(gè)。每一個(gè)子分類器由驚奇、高興、憤怒、悲傷四種情感特征中的任意兩種訓(xùn)練而成。即：高興-憤怒，高興-悲傷，高興-驚奇，憤怒-悲傷，憤怒-驚奇，悲傷-驚奇。在每?jī)深愰g訓(xùn)練一個(gè)分類器，當(dāng)對(duì)一個(gè)未知語(yǔ)音情感進(jìn)行分類時(shí)，每個(gè)分類器都對(duì)其類別進(jìn)行判斷.并為相應(yīng)的類別“投上一票”，最后得票最多的類別即作為該未知情感的類別。預(yù)期結(jié)果：本系統(tǒng)的目的是提供一種能夠提高語(yǔ)音情感識(shí)別率的深度信念網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別方法及系統(tǒng)。決策階段采用投票法，可能存在多個(gè)類的票數(shù)相同的情況，從而使未知樣本同時(shí)屬于多個(gè)類別，影響分類精度，設(shè)計(jì)中進(jìn)行優(yōu)化，預(yù)期得到比較精確的識(shí)別結(jié)果。7.基于BP神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)員成績(jī)預(yù)測(cè)問(wèn)題描述：根據(jù)已有的運(yùn)動(dòng)員跳高、30米跑、立定跳遠(yuǎn)等成績(jī)，已知一位運(yùn)動(dòng)員的除跳高之外的其他成績(jī)，預(yù)測(cè)其跳高成績(jī)。數(shù)據(jù)來(lái)源：從網(wǎng)絡(luò)上搜集國(guó)內(nèi)男子跳高運(yùn)動(dòng)員各項(xiàng)素質(zhì)指標(biāo)，包括跳高、30行進(jìn)跑、立定三級(jí)跳遠(yuǎn)、助跑摸高、助跑4-6步跳高、負(fù)重深蹲、杠鈴半蹲、100米跑、抓舉。設(shè)計(jì)內(nèi)容：對(duì)搜集到的數(shù)據(jù)進(jìn)行整理，建立BP神經(jīng)網(wǎng)絡(luò)模型，選取適當(dāng)?shù)募?lì)函數(shù)，對(duì)模型進(jìn)行實(shí)現(xiàn)，預(yù)測(cè)結(jié)果預(yù)期結(jié)果：與其他已知的跳高成績(jī)相差在-1到1的范圍內(nèi)。8.基于競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的城市空氣質(zhì)量分析問(wèn)題描述：人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，為城市空氣質(zhì)量分析提供了一個(gè)強(qiáng)有力的工具。目前，城市空氣質(zhì)量評(píng)價(jià)模型多采用BP網(wǎng)絡(luò)的形式，利用其所具有的較強(qiáng)的學(xué)習(xí)，聯(lián)想和容錯(cuò)功能，對(duì)城市空氣質(zhì)量進(jìn)行分析。然而，利用這種方法所得到的城市空氣質(zhì)量分析結(jié)果的精度不是很高。而競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)分類的特點(diǎn)，在得出空氣質(zhì)量等級(jí)的前提下，大大提高了分析結(jié)果的精度。該文利用競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)空氣質(zhì)量進(jìn)行分類。數(shù)據(jù)來(lái)源：中國(guó)環(huán)境監(jiān)測(cè)總站，數(shù)據(jù)來(lái)源（報(bào)告中將以數(shù)據(jù)呈現(xiàn)）各項(xiàng)如空氣中二氧化硫、二氧化氮和可吸入顆粒的自動(dòng)監(jiān)測(cè)數(shù)據(jù)如圖6所示。圖6空氣質(zhì)量數(shù)據(jù)設(shè)計(jì)內(nèi)容：為了利用競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)來(lái)確定空氣質(zhì)量等級(jí),可將同一空氣質(zhì)量等級(jí)SO2、NO2和PM10的限值濃度作為一種原型模式,并把計(jì)算得到的相應(yīng)的污染物濃度日均值作為輸入樣本，輸入樣本與原型模式進(jìn)行比較,根據(jù)競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)勝者全得競(jìng)爭(zhēng)的特點(diǎn),通過(guò)競(jìng)爭(zhēng)學(xué)習(xí)最終求出與樣本數(shù)據(jù)最為接近的原型模式，從而確定空氣質(zhì)量等級(jí)。預(yù)期結(jié)果：由網(wǎng)絡(luò)輸出結(jié)果進(jìn)行對(duì)天氣質(zhì)量的分級(jí)，并與實(shí)際平臺(tái)給出的質(zhì)量進(jìn)行對(duì)比得出該模型的正確率。9.玻爾茲曼機(jī)在數(shù)字識(shí)別中的應(yīng)用問(wèn)題描述：隨機(jī)神經(jīng)網(wǎng)絡(luò)是模擬能量的特性，從能量角度出發(fā)，構(gòu)造和能量過(guò)程類似的神經(jīng)網(wǎng)絡(luò)。在學(xué)習(xí)階段，隨機(jī)網(wǎng)絡(luò)不像其他網(wǎng)絡(luò)那樣基于某種確定性算法調(diào)整權(quán)值，而是按某種概率分布進(jìn)行修改。在運(yùn)行階段，隨機(jī)網(wǎng)絡(luò)不是按某種確定性的網(wǎng)絡(luò)方程進(jìn)行狀態(tài)演變，而是按某種概率分布決定其狀態(tài)的轉(zhuǎn)移。神經(jīng)元的凈輸入不能決定其狀態(tài)取1還是取0，但能決定其狀態(tài)取1還是取0的概率。數(shù)據(jù)來(lái)源：MINST數(shù)據(jù)集（手寫(xiě)數(shù)字?jǐn)?shù)據(jù)庫(kù)，字符庫(kù)由0-9的字符圖片組成，每張圖片灰度級(jí)都是8，且每張圖片可以使用一個(gè)784大小的向量表征。數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集。）設(shè)計(jì)內(nèi)容：從能量模型的出發(fā)推導(dǎo)玻爾茲曼機(jī)學(xué)習(xí)的基本結(jié)構(gòu)和基本方法，實(shí)現(xiàn)玻爾茲曼機(jī)的基本算法，完成玻爾茲曼機(jī)的應(yīng)用。預(yù)期結(jié)果：建立出DBM模型，驗(yàn)證充分信息量的DBM算法的有效性。10.基于卷積神經(jīng)網(wǎng)絡(luò)的眼疾識(shí)別問(wèn)題描述：如今近視已經(jīng)成為困擾人們健康的一項(xiàng)全球性負(fù)擔(dān)，在近視人群中，有超過(guò)35%的人患有重度近視。近視會(huì)拉長(zhǎng)眼睛的光軸，也可能引起視網(wǎng)膜或者絡(luò)網(wǎng)膜的病變。主要選擇使用了ALexNet、GoogLeNet、ResNet三種卷積神經(jīng)模型對(duì)患者眼底視網(wǎng)膜圖像進(jìn)行重癥近視識(shí)別，對(duì)模型的損失函數(shù)值、模型參數(shù)量和準(zhǔn)確率進(jìn)行對(duì)比實(shí)驗(yàn)分析。數(shù)據(jù)來(lái)源：iChallenge-PM數(shù)據(jù)集設(shè)計(jì)內(nèi)容：首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，包括圖片縮放與歸一化，根據(jù)圖片文件名確定標(biāo)簽，將文件頭為P病理性近視眼底成像設(shè)為正樣本（1），將H代表高度近視，N代表正常視力，都是負(fù)樣本。借助paddle神經(jīng)網(wǎng)絡(luò)工具構(gòu)建ALexNet、GoogLeNet,ResNet三種卷積神經(jīng)模型，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，對(duì)比三種實(shí)驗(yàn)數(shù)據(jù)。預(yù)期結(jié)果：進(jìn)行重癥近視識(shí)別的模型準(zhǔn)確率達(dá)到90%以上，展現(xiàn)每種模型的損失函數(shù)。11. 基于卷積神經(jīng)網(wǎng)絡(luò)的表情識(shí)別問(wèn)題描述：上世紀(jì)70年代，美國(guó)著名心理學(xué)家保羅?艾克曼經(jīng)過(guò)大量實(shí)驗(yàn)之后，將人類的基本表情定義為悲傷、害怕、厭惡、快樂(lè)、氣憤和驚訝六種。同時(shí)，他們根據(jù)不同的面部表情類別建立了相應(yīng)的表情圖像數(shù)據(jù)庫(kù)。隨著研究的深入，中性表情也被研究學(xué)者加入基本面部表情中，組成了現(xiàn)今的人臉表情識(shí)別研究中的七種基礎(chǔ)面部表情。由于不同的面部表情，可以反映出在不同情景下人們的情緒變化以及心理變化，因此面部表情的識(shí)別對(duì)于研究人類行為和心理活動(dòng)，具有十分重要的研究意義和實(shí)際應(yīng)用價(jià)值?，F(xiàn)如今，面部表情識(shí)別主要使用計(jì)算機(jī)對(duì)人類面部表情進(jìn)行分析識(shí)別，從而分析認(rèn)得情緒變化，這在人機(jī)交互、社交網(wǎng)絡(luò)分析、遠(yuǎn)程醫(yī)療以及刑偵監(jiān)測(cè)等方面都具有重要意義。數(shù)據(jù)來(lái)源：本案例采用了FER2013數(shù)據(jù)庫(kù)，其數(shù)據(jù)集的下載地址如下：/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data。圖7中展示了網(wǎng)站截圖，F(xiàn)ER2013數(shù)據(jù)集由28709張訓(xùn)練圖，3589張公開(kāi)測(cè)試圖和3589張私有測(cè)試圖組成。每一張圖都是像素為48*48的灰度圖。FER2013數(shù)據(jù)庫(kù)中一共有7中表情：憤怒，厭惡，恐懼，開(kāi)心，難過(guò)，驚訝和中性。該數(shù)據(jù)庫(kù)是2013年Kaggle比賽的數(shù)據(jù)，由于這個(gè)數(shù)據(jù)庫(kù)大多是從網(wǎng)絡(luò)爬蟲(chóng)下載的，存在一定的誤差性。這個(gè)數(shù)據(jù)庫(kù)的人為準(zhǔn)確率是65%±5%。圖7數(shù)據(jù)來(lái)源網(wǎng)站截圖設(shè)計(jì)內(nèi)容：按照?qǐng)D8設(shè)計(jì)流程，搭建深度學(xué)習(xí)網(wǎng)絡(luò)，經(jīng)過(guò)訓(xùn)練學(xué)習(xí)，完成對(duì)人臉表情的識(shí)別。圖8設(shè)計(jì)流程預(yù)期結(jié)果：能夠成功識(shí)別出人臉開(kāi)心、驚訝、悲傷、害怕、憤怒的表情。12.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別問(wèn)題描述：對(duì)一任意手寫(xiě)數(shù)字圖片，實(shí)現(xiàn)可以隨意選取想要測(cè)試的圖片，并得到識(shí)別結(jié)果，同時(shí)看到所選圖片。也可以理解為10分類問(wèn)題，最終結(jié)果為0-9這10個(gè)數(shù)字。數(shù)據(jù)來(lái)源：MNIST官方手寫(xiě)數(shù)字?jǐn)?shù)據(jù)集設(shè)計(jì)內(nèi)容：設(shè)計(jì)三層BP神經(jīng)網(wǎng)絡(luò)，設(shè)定輸入層節(jié)點(diǎn)數(shù)為28×28（對(duì)應(yīng)圖片像素值），輸出層節(jié)點(diǎn)數(shù)為10（對(duì)應(yīng)0-9這10個(gè)數(shù)字），反復(fù)訓(xùn)練，記錄訓(xùn)練參數(shù)并繪制折線圖。預(yù)期結(jié)果：識(shí)別正確率達(dá)到95%以上，結(jié)果如圖9所示：圖9數(shù)字“6”的識(shí)別結(jié)果13.基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類系統(tǒng)問(wèn)題描述：垃圾分類是一項(xiàng)重要的環(huán)保工作，但是傳統(tǒng)的垃圾分類方式需要投入大量的人力和時(shí)間，效率低下。因此，開(kāi)發(fā)一個(gè)自動(dòng)化的垃圾分類系統(tǒng)可以提高垃圾分類的效率和準(zhǔn)確性。本課程設(shè)計(jì)旨在開(kāi)發(fā)一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類程序，能夠自動(dòng)識(shí)別垃圾的類別，從而實(shí)現(xiàn)垃圾分類的自動(dòng)化。數(shù)據(jù)來(lái)源：/datasetdetail/27436本課程設(shè)計(jì)使用的數(shù)據(jù)集分為四個(gè)類別，分別是可回收物、有害垃圾、其他垃圾和廚余垃圾，圖片的種類一共246個(gè)文件夾，包含圖片80961張。設(shè)計(jì)內(nèi)容：主要內(nèi)容包括以下幾個(gè)方面：1）數(shù)據(jù)預(yù)處理：讀取圖像數(shù)據(jù)，并進(jìn)行必要的數(shù)據(jù)清洗和處理；調(diào)整圖像大小，使其適合模型輸入；將圖像數(shù)據(jù)轉(zhuǎn)換為合適的格式，如RGB格式；將圖像數(shù)據(jù)轉(zhuǎn)換為模型可接受的輸入格式，例如numpy數(shù)組。2）構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型：選擇合適的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，如卷積層、池化層和全連接層的組合。同時(shí)，設(shè)置合適的超參數(shù)，如卷積核大小、池化窗口大小、激活函數(shù)等。最后，編譯模型，選擇適當(dāng)?shù)膬?yōu)化器和損失函數(shù)。3）訓(xùn)練模型：使用劃分好的訓(xùn)練集進(jìn)行模型訓(xùn)練。通過(guò)迭代優(yōu)化模型參數(shù)，不斷調(diào)整模型的權(quán)重和偏置，以最小化損失函數(shù)。訓(xùn)練過(guò)程中，可以使用批量梯度下降法等優(yōu)化算法來(lái)加速訓(xùn)練過(guò)程。4）評(píng)估模型：使用測(cè)試集對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估。計(jì)算模型在測(cè)試集上的損失和準(zhǔn)確率等指標(biāo)，以評(píng)估模型的性能。如果模型的準(zhǔn)確率不夠理想，可以調(diào)整模型架構(gòu)、超參數(shù)或增加訓(xùn)練數(shù)據(jù)來(lái)改進(jìn)模型的性能。預(yù)期結(jié)果：本課程設(shè)計(jì)的預(yù)期結(jié)果是一個(gè)能夠自動(dòng)識(shí)別垃圾類別的程序。該程序能夠接受輸入的垃圾圖像，并輸出垃圾的類別標(biāo)簽。預(yù)期結(jié)果是該程序能夠達(dá)到較高的準(zhǔn)確率，能夠準(zhǔn)確地將垃圾圖像分類到正確的類別中。通過(guò)該程序，可以實(shí)現(xiàn)垃圾分類的自動(dòng)化，提高垃圾分類的效率和準(zhǔn)確性，為環(huán)境保護(hù)做出貢獻(xiàn)。14.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別問(wèn)題描述：花卉種類識(shí)別一直是園藝生產(chǎn)活動(dòng)自動(dòng)化過(guò)程中的一大難題，人工識(shí)別不僅拖慢自動(dòng)化進(jìn)度，還會(huì)進(jìn)一步產(chǎn)生對(duì)生產(chǎn)力和勞動(dòng)力的浪費(fèi)，增加花卉培養(yǎng)成本，本組計(jì)劃通過(guò)使用模糊聚類算法，設(shè)計(jì)針對(duì)花卉圖像進(jìn)行品種識(shí)別的系統(tǒng)，幫助園藝生產(chǎn)活動(dòng)實(shí)現(xiàn)更高程度的自動(dòng)化、智能化，提高生產(chǎn)效率，解放生產(chǎn)力。數(shù)據(jù)來(lái)源：來(lái)自于開(kāi)源的數(shù)據(jù)下載網(wǎng)站，網(wǎng)址為：/example_images/flower_photos.tgz設(shè)計(jì)內(nèi)容：利用模糊聚類算法，設(shè)計(jì)能夠?qū)D像中的花卉種類進(jìn)行識(shí)別的系統(tǒng)，輸入圖像即可輸出圖中花卉種類以及判斷正確概率。預(yù)期結(jié)果：達(dá)到圖10的識(shí)別效果且準(zhǔn)確率能夠達(dá)到85%，同時(shí)完成能夠?qū)δ壳笆袌?chǎng)主流花卉品種進(jìn)行識(shí)別。圖10識(shí)別結(jié)果界面15.BP算法的語(yǔ)音情感智能識(shí)別問(wèn)題描述：語(yǔ)音識(shí)別作為當(dāng)下手機(jī)搭載的必備程序，現(xiàn)在只是作為文字識(shí)別的附屬，將普通話轉(zhuǎn)換為文字，但是我們口頭的語(yǔ)言在轉(zhuǎn)化為文字之后沒(méi)有辦法體現(xiàn)自己的情感態(tài)度，為人們遠(yuǎn)距離交流帶來(lái)了極大的不便。設(shè)想，如果我們平時(shí)可以通過(guò)語(yǔ)音識(shí)別來(lái)識(shí)別通話對(duì)方的情感，就可以讓語(yǔ)音轉(zhuǎn)化為文字的時(shí)候可以更加確定情感態(tài)度，以避免誤會(huì)?？梢栽诓环奖懵?tīng)語(yǔ)音或者喪失聽(tīng)力時(shí)為我們帶來(lái)非常大的幫助。數(shù)據(jù)來(lái)源：https://db.sewaproject.eu/CHEAVD2.0，2017，中國(guó)科學(xué)院自動(dòng)化研究所7030句自然數(shù)據(jù)集，中文推薦的兩種獲取數(shù)據(jù)集方式，聯(lián)系論文作者填寫(xiě)數(shù)據(jù)集下載申請(qǐng)表對(duì)于單個(gè)特定人，可以識(shí)別出生氣、高興、中性、悲傷、害怕5種情感，通過(guò)BP算法設(shè)計(jì)出語(yǔ)音識(shí)別情感的系統(tǒng)，本系統(tǒng)的目的是提供一種能夠提高語(yǔ)音情感識(shí)別率的深度信念網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別方法。從網(wǎng)上下載包含不同情緒且符合特征要求的語(yǔ)音情感數(shù)據(jù)集，從每組數(shù)據(jù)集中取出30個(gè)組成訓(xùn)練樣本，對(duì)測(cè)試樣本與訓(xùn)練樣本進(jìn)行劃分。將測(cè)試樣本與訓(xùn)練樣本放在不同的文件夾中，修改數(shù)據(jù)集的格式使之符合要求。設(shè)計(jì)內(nèi)容：結(jié)合語(yǔ)音情感識(shí)別的廣泛需求，本文研究了基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別算法。具體研究?jī)?nèi)容如下：提取了五種不同情感的語(yǔ)音特征，五種不同情感為生氣、高興、中性、悲傷、害怕根據(jù)提取的語(yǔ)音情感特征，研究了基于BP神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別算法。預(yù)期結(jié)果：搭建BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)集合進(jìn)行差分。通過(guò)數(shù)據(jù)集合訓(xùn)練模型，使得模型在測(cè)試中可以達(dá)到正確識(shí)別率達(dá)到70%-80%的區(qū)間。16.基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的車牌識(shí)別問(wèn)題描述：車牌識(shí)別是一種圖像處理技術(shù)，用于識(shí)別車輛的車牌。這項(xiàng)技術(shù)被廣泛用于各種安全檢測(cè)中，在道路交通中涵蓋了大量的車輛信息，監(jiān)控設(shè)備會(huì)抓取到龐大的數(shù)據(jù)信息，對(duì)抓拍的車牌信息進(jìn)行識(shí)別可以提高工作效率，降低成本。數(shù)據(jù)來(lái)源：數(shù)據(jù)來(lái)源于GitHub設(shè)計(jì)內(nèi)容：對(duì)數(shù)據(jù)進(jìn)行導(dǎo)入，將地區(qū)“京”,“滬”,“津”,“渝”,“冀”等進(jìn)行標(biāo)簽化。構(gòu)建一個(gè)tf.data.Dataset，利用tensorflow搭建網(wǎng)絡(luò)模型，并對(duì)其進(jìn)行優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)整模型參數(shù)。設(shè)置合適的動(dòng)態(tài)學(xué)習(xí)率并對(duì)模型訓(xùn)練，對(duì)訓(xùn)練結(jié)果進(jìn)行可視化分析，最后對(duì)車牌數(shù)據(jù)進(jìn)行預(yù)測(cè)。預(yù)期結(jié)果：能夠展示部分?jǐn)?shù)據(jù)案例，用可視化圖表展示訓(xùn)練結(jié)果，進(jìn)行評(píng)估，能夠?qū)嚺菩畔⑦M(jìn)行識(shí)別。17.基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的污染車牌字符識(shí)別問(wèn)題描述：在日常生活中，經(jīng)常遇到帶噪聲字符的識(shí)別問(wèn)題，如交通系統(tǒng)中汽車牌照，由于汽車在使用過(guò)程中，要經(jīng)受自然環(huán)境中的日吹風(fēng)日曬或者其他污染，造成字體的模糊不清，難以辨認(rèn)。為解決這一問(wèn)題，本小組利用離散Hopfield的聯(lián)想記憶能力對(duì)被污染的車牌字符進(jìn)行識(shí)別。數(shù)據(jù)來(lái)源：開(kāi)源車牌數(shù)據(jù)集。設(shè)計(jì)內(nèi)容：設(shè)定記憶模式，將未被污染的車牌字符進(jìn)行編碼存儲(chǔ)，得到取值為1，-1的記憶模式。在完成記憶過(guò)程之后，輸入被污染的車牌字符進(jìn)行聯(lián)想過(guò)程。在實(shí)際的應(yīng)用環(huán)境中樣本是多樣的,無(wú)法保證記憶的樣本兩兩是正交的,因此我們需要尋找優(yōu)化方法改進(jìn)這一不足。預(yù)期結(jié)果：正確識(shí)別出車牌中被污染的字符并展示識(shí)別效果。18.基于Hopfield神經(jīng)網(wǎng)絡(luò)求解旅行商問(wèn)題問(wèn)題描述：Hopfield神經(jīng)網(wǎng)絡(luò)主要有兩個(gè)應(yīng)用：一是起到類似儲(chǔ)存器的作用，也就是我們把多個(gè)序列或圖片輸入這個(gè)網(wǎng)絡(luò)，最終這個(gè)網(wǎng)絡(luò)會(huì)以神經(jīng)元之間連接權(quán)重的形式儲(chǔ)存這些信息，當(dāng)我們?cè)俅瓮@個(gè)網(wǎng)絡(luò)輸入相同或有些破損部分的原來(lái)的一個(gè)輸入序列/圖像，它能夠把序列/圖像還原（恢復(fù)）回來(lái)；另一個(gè)應(yīng)用就是求解TSP問(wèn)題，也就是尋找最優(yōu)解。數(shù)據(jù)來(lái)源：假設(shè)有一個(gè)旅行商人要拜訪全國(guó)31個(gè)省會(huì)城市，它需要選擇所要走的路徑，路徑的限制是每個(gè)城市只能拜訪一次，而且最后要回到原來(lái)出發(fā)的城市。對(duì)路徑選擇的要求是：所選路徑的路成為所有路徑之中的最小值。全國(guó)31個(gè)省會(huì)城市的坐標(biāo)為[13042312;36391315;41772244;37121399;34881535;33261556;32381229;41961044;4312790;4386570;30071970;25621756;27881491;23811676;1332695;37151678;39182179;40612370;37802212;36762578;40292838;42632931;34291908;35072376;33942643;34393201;29353240;31403550;25452357;27782826;23702975]設(shè)計(jì)內(nèi)容：1）初始化種群數(shù)目NP=200，染色體基因維數(shù)為N=31，最大進(jìn)化代數(shù)G=1000。2）產(chǎn)生初始種群，計(jì)算個(gè)體適應(yīng)度值，即路徑長(zhǎng)度：采用基于概率的方式選擇進(jìn)行操作的個(gè)體；對(duì)選中的成對(duì)個(gè)體，隨機(jī)交叉所選中的成對(duì)城市坐標(biāo)，以確保交叉后路徑每個(gè)城市只到訪一次；對(duì)選中的單個(gè)個(gè)體，隨機(jī)交換其一對(duì)城市坐標(biāo)作為變異操作，產(chǎn)生新的種群，進(jìn)行下一次遺傳操作。3）判斷是否滿足終止條件：若滿足，則結(jié)束搜索過(guò)程，輸出優(yōu)化值，若不滿足，則繼續(xù)進(jìn)迭代優(yōu)化。預(yù)期結(jié)果：如圖11所示。圖11TSP最優(yōu)路線求解圖19.基于GAN的人臉圖片補(bǔ)全問(wèn)題描述：深度學(xué)習(xí)方法在圖像補(bǔ)全方面具有語(yǔ)意理解，全局一致，以及產(chǎn)生圖像新內(nèi)容等優(yōu)勢(shì)，可以有效地改善面部圖像的質(zhì)量問(wèn)題，如刪除面部遮擋，變換面部表情和發(fā)型等。利用深度學(xué)習(xí)處理圖像補(bǔ)全問(wèn)題的典型算法包括：基于卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)境編碼（ContextEncoders，簡(jiǎn)稱CE）算法和基于對(duì)抗神經(jīng)網(wǎng)絡(luò)的全局和局部一致（GloballyandLocallyConsistent，簡(jiǎn)稱GL）算法。目前，采用深度學(xué)習(xí)解決圖像補(bǔ)全的方法已經(jīng)成為圖像補(bǔ)全算法的研究熱點(diǎn)。本組對(duì)基于生成對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialNetworks，簡(jiǎn)稱GAN）的圖像補(bǔ)全算法進(jìn)行深入研究。數(shù)據(jù)來(lái)源：CelebA-HQ設(shè)計(jì)內(nèi)容：針對(duì)傳統(tǒng)的補(bǔ)全算法對(duì)缺損圖像進(jìn)行補(bǔ)全時(shí)，存在只能填補(bǔ)細(xì)而窄的裂痕或者紋理結(jié)構(gòu)豐富圖像的問(wèn)題，對(duì)CE算法和GL算法進(jìn)行融合，通過(guò)使用測(cè)量函數(shù)，提出了基于有損測(cè)量的GAN圖像補(bǔ)全算法。針對(duì)有損測(cè)量的GAN圖像補(bǔ)全算法中缺損圖像補(bǔ)全結(jié)果中出現(xiàn)人臉眼部模糊問(wèn)題，基于眼部位置的專項(xiàng)訓(xùn)練和多種損失函數(shù)相結(jié)合，采用無(wú)監(jiān)督學(xué)習(xí)訓(xùn)練生成網(wǎng)絡(luò)，提出了基于部分卷積的GAN圖像補(bǔ)全算法。預(yù)期結(jié)果：該系統(tǒng)可以將人為引導(dǎo)信息作為輸入條件，不僅能夠生成細(xì)節(jié)逼真的高質(zhì)量合成面部圖像，而且可以實(shí)現(xiàn)面部特征風(fēng)格的變換。20.基于GA-BP的申學(xué)成功率預(yù)測(cè)模型問(wèn)題描述：大學(xué)生或研究生在申學(xué)過(guò)程中可能遇到的問(wèn)題包括：1）申請(qǐng)材料準(zhǔn)備：需要準(zhǔn)備大量的申請(qǐng)材料，如成績(jī)單、推薦信、個(gè)人陳述、簡(jiǎn)歷等，而且各種材料的要求和格式都有所不同。2）時(shí)間和精力投入：申學(xué)過(guò)程需要花費(fèi)大量的時(shí)間和精力，包括準(zhǔn)備材料、填寫(xiě)申請(qǐng)表、參加面試等。3）面試壓力：面試是申請(qǐng)過(guò)程中的重要環(huán)節(jié)，但很多學(xué)生可能會(huì)感到緊張和壓力。4）競(jìng)爭(zhēng)激烈：大學(xué)或研究生的錄取名額有限，競(jìng)爭(zhēng)非常激烈，即使條件優(yōu)秀，也不能保證錄取。因此本設(shè)計(jì)的目的是建立數(shù)學(xué)模型，幫助學(xué)生了解自身競(jìng)爭(zhēng)力：通過(guò)模型預(yù)測(cè)，學(xué)生可以了解自己的申請(qǐng)成功率，更好地評(píng)估自己的競(jìng)爭(zhēng)力，從而確定申請(qǐng)目標(biāo)學(xué)校和專業(yè)；提高申請(qǐng)效率：預(yù)測(cè)模型可以幫助學(xué)生更準(zhǔn)確地選擇申請(qǐng)學(xué)校和專業(yè)，避免盲目申請(qǐng)，從而提高申請(qǐng)效率；輔助招生工作：對(duì)于招生辦公室來(lái)說(shuō)，基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)的預(yù)測(cè)模型可以提供有力的參考，幫助他們更公正、客觀地評(píng)估申請(qǐng)者，提高招生工作的效率和質(zhì)量；優(yōu)化教育資源配置：預(yù)測(cè)模型可以根據(jù)申請(qǐng)者的競(jìng)爭(zhēng)力，預(yù)測(cè)其申學(xué)成功率，從而幫助學(xué)校優(yōu)化教育資源配置，更好地滿足學(xué)生需求；促進(jìn)個(gè)性化教育：基于預(yù)測(cè)模型的申學(xué)指導(dǎo)，可以針對(duì)學(xué)生的特點(diǎn)和需求，提供更個(gè)性化的教育方案，從而促進(jìn)學(xué)生的成長(zhǎng)和發(fā)展。數(shù)據(jù)來(lái)源：/datasets/gurbanovafatima/admission-prediction設(shè)計(jì)內(nèi)容：模型目標(biāo)：建立一個(gè)基于遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型（GA-BP），用于預(yù)測(cè)申請(qǐng)人的申請(qǐng)成功率。模型評(píng)價(jià)：模型的準(zhǔn)確性、召回率、精確率等指標(biāo)將用于評(píng)價(jià)模型的性能。自變量：考慮以下幾個(gè)方面的自變量：申請(qǐng)人的序列號(hào)；申請(qǐng)人的GRE成績(jī)；申請(qǐng)人的托福（雅思）成績(jī)；所申請(qǐng)的大學(xué)排名；SOP水平；LOR水平；申請(qǐng)人的課程學(xué)分績(jī)點(diǎn)(CGPA)；申請(qǐng)人學(xué)術(shù)成果。因變量：因變量為申請(qǐng)人成功錄取的概率ChanceofAdmit。數(shù)據(jù)處理：數(shù)據(jù)需要進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、缺失值處理、異常值處理等。模型構(gòu)建：使用GA-BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，以提高模型的預(yù)測(cè)能力。模型訓(xùn)練與優(yōu)化：使用訓(xùn)練數(shù)據(jù)集對(duì)GA-BP模型進(jìn)行訓(xùn)練，并調(diào)整模型參數(shù)，如神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、學(xué)習(xí)率等，以提高模型的預(yù)測(cè)精度。模型驗(yàn)證與評(píng)價(jià)：使用驗(yàn)證數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證，評(píng)價(jià)模型的預(yù)測(cè)性能。預(yù)期結(jié)果：輸入申請(qǐng)人的信息可以得到申請(qǐng)人被所申請(qǐng)學(xué)校錄取的概率。三、進(jìn)化計(jì)算1.基于遺傳算法的超市選址優(yōu)化問(wèn)題描述：對(duì)于某一學(xué)校超市，其他各單位到其的距離不同，同時(shí)各單位人員去超市的頻度也不同。根據(jù)輸入的距離以及頻度，計(jì)算超市的最優(yōu)位置。數(shù)據(jù)來(lái)源：設(shè)有5個(gè)單位a、b、c、d、e,它們之間共有5條路徑，如表4所示。表4各單位之間的距離和路徑地點(diǎn)1地點(diǎn)2距離ab2ac3bc5ce2de1各單位去超市的頻度為表5：表5各單位去超市的頻度地點(diǎn)abcde頻度32615設(shè)計(jì)內(nèi)容：根據(jù)相應(yīng)數(shù)據(jù)，用遺傳算法計(jì)算超市最優(yōu)的位置。遺傳算法對(duì)問(wèn)題進(jìn)行最優(yōu)解分析，首先定義適應(yīng)度函數(shù)來(lái)表示個(gè)體對(duì)外界的適應(yīng)程度，且適應(yīng)度非負(fù)、越大越好。在群體進(jìn)化過(guò)程中選擇遺傳算子：選擇、交叉和變異三種基本算子。判斷群體性能是否滿足某一指標(biāo),或者已完成預(yù)定迭代次數(shù),不滿足則繼續(xù)進(jìn)行遺傳。預(yù)期結(jié)果：經(jīng)過(guò)多輪遺傳存活，適應(yīng)度較高的個(gè)體，即超市最優(yōu)的位置。2.基于遺傳算法的柔性車間生產(chǎn)調(diào)度優(yōu)化問(wèn)題問(wèn)題描述：柔性車間生產(chǎn)調(diào)度問(wèn)題(flexiblejobshopschedulingproblem，F(xiàn)JSP)是傳統(tǒng)作業(yè)車間生產(chǎn)調(diào)度問(wèn)題(jobshopschedulingproblem，JSP)的擴(kuò)展。FJSP問(wèn)題在1990年由Bruker等提出，在JSP中，每道工序是預(yù)先確定的，并且其生產(chǎn)設(shè)備和生產(chǎn)時(shí)間也是預(yù)先確定的。而在FJSP中，每道工序的生產(chǎn)設(shè)備是不確定的。每道工序都有加工設(shè)備集，可在其中挑選任一設(shè)備進(jìn)行加工，并且不同生產(chǎn)設(shè)備生產(chǎn)同道工序所花費(fèi)時(shí)間不同，這就增加了該類調(diào)度問(wèn)題的靈活性，且在實(shí)際生產(chǎn)中為常見(jiàn)情況，便于找到數(shù)據(jù)來(lái)源。數(shù)據(jù)來(lái)源：FJSP的數(shù)學(xué)模型（自定義實(shí)例）結(jié)合網(wǎng)絡(luò)資源。設(shè)計(jì)內(nèi)容：現(xiàn)針對(duì)柔性車間生產(chǎn)調(diào)度問(wèn)題，提出一種靈活的車間調(diào)度模型，并對(duì)該模型進(jìn)行詳細(xì)的求解。針對(duì)模型結(jié)構(gòu)的特殊性，采用一種新的編碼思想進(jìn)行染色體的雙層編碼，獲得具有較高質(zhì)量和多樣性的初始種群；將Matlab編程應(yīng)用到解碼和適應(yīng)度函數(shù)的計(jì)算中，加快求解效率和降低問(wèn)題的復(fù)雜性；給出了相應(yīng)的選擇操作設(shè)計(jì)，交叉操作采用多交叉機(jī)制，變異操作結(jié)合種群分割的思想實(shí)行兩種變異機(jī)制，進(jìn)一步改善算法的全局和局部搜索能力；并且添加檢查操作增強(qiáng)優(yōu)化過(guò)程的可行性。最后通過(guò)一個(gè)6×6調(diào)度問(wèn)題的仿真實(shí)例對(duì)算法的有效性進(jìn)行驗(yàn)證。預(yù)期結(jié)果：基于JSP模型，建立了FJSP的數(shù)學(xué)模型，并采用混合改進(jìn)的遺傳算法對(duì)模型求解優(yōu)化?；谶z傳算法的排課系統(tǒng)優(yōu)化問(wèn)題描述：排課工作是教務(wù)管理工作中的關(guān)鍵環(huán)節(jié)，是學(xué)校各類教學(xué)活動(dòng)有序進(jìn)行的前提條件，如何適應(yīng)新形勢(shì)下高等學(xué)校教學(xué)改革對(duì)排課提出的新的要求，編排出適應(yīng)新要求的課表，已經(jīng)成為眾多高校教務(wù)管理人員最為棘手的問(wèn)題之一。排課問(wèn)題是一個(gè)多約束、多目標(biāo)優(yōu)化問(wèn)題，又稱為時(shí)間表問(wèn)題。在這個(gè)問(wèn)題中，我們事先假設(shè)共有班級(jí)、課程、教師、教室數(shù)量，并繪制數(shù)據(jù)集?；谶z傳算法，根據(jù)班級(jí)、教師、教室、課程在一周的周期內(nèi)不發(fā)生時(shí)間上的沖突的原則，優(yōu)化排課系統(tǒng)，要求系統(tǒng)必須滿足同教師、同教室、同班級(jí)一個(gè)時(shí)間段內(nèi)只可以安排一門課程。利用遺傳算法的染色體編碼、適應(yīng)度函數(shù)、初始化種群、進(jìn)化總框架、交叉、變異等操作，實(shí)現(xiàn)隨排課系統(tǒng)的優(yōu)化。數(shù)據(jù)來(lái)源：本課程設(shè)計(jì)中使用的數(shù)據(jù)來(lái)源來(lái)自華北理工大學(xué)教務(wù)系統(tǒng)的課程信息、教室信息、教師信息以及其他相關(guān)資源的信息。這些數(shù)據(jù)將用于構(gòu)建排課系統(tǒng)的模型和約束條件，并作為遺傳算法的輸入。安排本小組成員去自己編排所需要的數(shù)據(jù)文件。數(shù)據(jù)主要包括以下六個(gè)文件，文件內(nèi)容如圖12所示：圖12數(shù)據(jù)集文件設(shè)計(jì)內(nèi)容：導(dǎo)入學(xué)生（學(xué)號(hào)，姓名，性別），課程（課程號(hào)，課程時(shí)間，課容量），教師（教師工號(hào)，所教課程），教室（教室編號(hào)，教室容量）等基本信息；用數(shù)據(jù)初步處理，根據(jù)數(shù)據(jù)表建立老師與學(xué)生班的對(duì)應(yīng)關(guān)系矩陣；用遺傳算法對(duì)排課路徑進(jìn)行分析；對(duì)不同項(xiàng)目進(jìn)行約束（教室容量滿足性約束，同一教師同一時(shí)段上課不可沖突性約束，同一學(xué)生同一時(shí)段上課不可沖突性約束，任意課時(shí)使用教室數(shù)不超過(guò)學(xué)校教室的總量約束等約束）；求出群體中最大的適應(yīng)值及其個(gè)體；設(shè)置罰值，淘汰低質(zhì)種群，求可行種群的目標(biāo)函數(shù)值；計(jì)算目標(biāo)函數(shù)（輸出課程權(quán)值，教學(xué)資源的充分利用，可見(jiàn)學(xué)生流動(dòng)量最小，相鄰授課間隔盡量均勻，同一課程盡量只用一個(gè)教室等）。預(yù)期結(jié)果：給出該進(jìn)化算法的基本算法框架和詳細(xì)算法，解決高校排課系統(tǒng)算法設(shè)計(jì)難問(wèn)題。編寫(xiě)軟件實(shí)現(xiàn)系統(tǒng)設(shè)計(jì)完成整個(gè)排課系統(tǒng)優(yōu)化的過(guò)程。在最終輸出.csv或者.xlsx的文件展示預(yù)期結(jié)果實(shí)現(xiàn)對(duì)排課結(jié)果的展示。預(yù)期系統(tǒng)成功滿足同教師、同教室、同班級(jí)一個(gè)時(shí)間段內(nèi)只可以安排一門課程的條件。4.基于麻雀參數(shù)自適應(yīng)SVM模型的乳腺癌診斷問(wèn)題描述：乳腺癌是全球范圍內(nèi)女性常見(jiàn)的惡性腫瘤之一，我國(guó)乳腺癌發(fā)病率逐年上升，且呈年輕化趨勢(shì)，所以對(duì)乳腺癌的準(zhǔn)確診斷是十分必要的。國(guó)內(nèi)外已經(jīng)有學(xué)者利用SVM模型進(jìn)行乳腺癌診斷，取得了不錯(cuò)的效果。但是，傳統(tǒng)SVM參數(shù)難以準(zhǔn)確確定，利用網(wǎng)格化搜索最優(yōu)參數(shù)效率低下。為解決這一系列問(wèn)題，本小組提出了一種基于麻雀算法的自適應(yīng)參數(shù)的SVM模型，在優(yōu)化時(shí)間和最終模型性能上進(jìn)行提升。數(shù)據(jù)來(lái)源：UCI官網(wǎng)，數(shù)據(jù)集的大致描述如表6所示：表6UCI官網(wǎng)數(shù)據(jù)集描述類2每類樣本數(shù)212(M),357(B)樣本總數(shù)569維度30特征real,positive設(shè)計(jì)內(nèi)容：建立C支持向量分類模型SVM，選擇參數(shù)C（正則化參數(shù)）和gamma（核系數(shù)）作為優(yōu)化參數(shù)，以‘1-準(zhǔn)確率’作為適應(yīng)度函數(shù)，采用改進(jìn)麻雀算法進(jìn)行最優(yōu)參數(shù)的選擇，最終建立自適應(yīng)參數(shù)的SVM模型。同時(shí)，設(shè)置對(duì)比實(shí)驗(yàn)：普通SVM模型、網(wǎng)格化搜索SVM和普通麻雀算法-SVM，用來(lái)驗(yàn)證本小組模型的優(yōu)越性。預(yù)期結(jié)果：在優(yōu)化的收斂速度以及最終的模型性能上，本小組的模型具有較好效果，且能夠正確診斷是否患有乳腺癌。5.基于優(yōu)化算法的TSP問(wèn)題求解及對(duì)比問(wèn)題描述：TSP問(wèn)題即旅行商問(wèn)題，經(jīng)典的TSP可以描述為：一個(gè)商品推銷員要去若干個(gè)城市推銷商品，該推銷員從一個(gè)城市出發(fā)，需要經(jīng)過(guò)所有城市后，回到出發(fā)地。應(yīng)如何選擇行進(jìn)路線，以使總的行程最短。從圖論的角度來(lái)看，該問(wèn)題實(shí)質(zhì)是在一個(gè)帶權(quán)完全無(wú)向圖中，找一個(gè)權(quán)值最小的哈密爾頓回路。目前我們使用多種算法包括常規(guī)算法、啟發(fā)式算法和深度學(xué)習(xí)算法進(jìn)行TSP優(yōu)化問(wèn)題求解，通過(guò)比較各種算法求解問(wèn)題的最優(yōu)解及性能，得出實(shí)驗(yàn)結(jié)論。具體包括的算法如圖12所示：圖12多種優(yōu)化算法數(shù)據(jù)來(lái)源：1）/u011835903/article/details/1088309582）深度強(qiáng)化學(xué)習(xí)算法自帶數(shù)據(jù)集：包括TSP100、50、20個(gè)地點(diǎn)的位置坐標(biāo)，如表7。表7深度強(qiáng)化學(xué)習(xí)算法數(shù)據(jù)集設(shè)計(jì)內(nèi)容：使用目前流行的優(yōu)化算法（遺傳算法、蟻群算法、粒子群算法）和最新得深度強(qiáng)化學(xué)習(xí)算法求解最基本得組合優(yōu)化路徑問(wèn)題，力求將已有問(wèn)題，陷入局部最優(yōu)的問(wèn)題得到改善。設(shè)計(jì)界面，將多種算法求得最優(yōu)解及性能指標(biāo)進(jìn)行對(duì)比。預(yù)期結(jié)果：包含TSP城市節(jié)點(diǎn)數(shù)和最短路徑長(zhǎng)度，預(yù)期最后的呈現(xiàn)形式為一個(gè)集成多種算法的界面。6.基于粒子群優(yōu)化算法的新冠肺炎疫情傳播預(yù)測(cè)問(wèn)題描述：2019-2023年，新冠肺炎疫情遍及全球，目前新冠疫情已經(jīng)逐漸淡化，但仍然存在風(fēng)險(xiǎn)，因此，針對(duì)新冠疫情傳播風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)尤為重要。數(shù)據(jù)來(lái)源：/wjw/web/ydd.shtml通過(guò)國(guó)家官方網(wǎng)站，選取新冠肺炎疫情每日新確診人數(shù)數(shù)據(jù)。設(shè)計(jì)內(nèi)容：要克服粒子群算法陷入局部最優(yōu)和全局尋優(yōu)精度不高的缺點(diǎn)，通過(guò)對(duì)粒子群局部尋優(yōu)和全局尋優(yōu)的特點(diǎn)進(jìn)行分析，實(shí)現(xiàn)尋優(yōu)的雙重優(yōu)化，將算法用于預(yù)測(cè)新冠肺炎疫情傳播預(yù)測(cè)，驗(yàn)證算法有效性和實(shí)用性。1）設(shè)計(jì)粒子群優(yōu)化算法；2）算法應(yīng)用到前饋神經(jīng)網(wǎng)絡(luò)完成新冠疫情預(yù)測(cè)模型預(yù)期結(jié)果：利用算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)，結(jié)合優(yōu)化改進(jìn)的粒子群算法，使得訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)新冠肺炎疫情的效果提升。7.基于蟻群算法的機(jī)器人優(yōu)化路徑規(guī)劃問(wèn)題描述：基于蟻群算法的機(jī)器人路徑規(guī)劃算法。使用網(wǎng)格離散化的方法對(duì)帶有障礙物的環(huán)境建模，使用鄰接矩陣存儲(chǔ)該環(huán)境，使得問(wèn)題轉(zhuǎn)化為蟻群算法尋找最短路徑。數(shù)據(jù)來(lái)源：自己創(chuàng)建0-1矩陣地形圖，1表示障礙物，建立信息素矩陣。自行確定迭代次數(shù)（指螞蟻出動(dòng)多少波），螞蟻個(gè)數(shù)與最短路徑的起始點(diǎn)和目的點(diǎn)。設(shè)計(jì)內(nèi)容：首先我們初步設(shè)想給出一個(gè)蟻群需要走過(guò)的地形圖，我們可以用01矩陣來(lái)替代，令1表示障礙物，接下來(lái)設(shè)置迭代次數(shù)即螞蟻出動(dòng)的波次數(shù)，設(shè)置每一波出動(dòng)的螞蟻個(gè)數(shù)，設(shè)置最短路徑的起點(diǎn)與終點(diǎn)，問(wèn)題規(guī)模等。接著派出我們?cè)O(shè)置的螞蟻波數(shù)和只數(shù)外出覓食，進(jìn)行它們的爬行路線的記錄，記下每一代每一個(gè)螞蟻的覓食路線和路線長(zhǎng)度，最后繪制出此算法的收斂曲線變化趨勢(shì)判斷此算法是否收斂進(jìn)而判斷此算法的準(zhǔn)確性，最后繪制出各代螞蟻的爬行圖進(jìn)而得到機(jī)器人可走的最佳路徑。預(yù)期結(jié)果：預(yù)期迭代若干次之后，目標(biāo)量收斂曲線趨于平穩(wěn)，趨于定值，誤差隨著運(yùn)算趨于無(wú)窮小，使算法可靠，從而可以準(zhǔn)確得到最佳路徑。8.基于麻雀搜索優(yōu)化K-means圖像分割問(wèn)題描述：K-means算法得到的聚類結(jié)果嚴(yán)重依賴與初始簇中心的選擇，利用麻雀優(yōu)