文档介绍：该【清华大学毕业设计网 】是由【小果冻】上传分享，文档一共【12】页，该文档可以免费在线阅读，需要了解更多关于【清华大学毕业设计网 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。清华大学毕业设计网【篇一:毕业设计论文模板(清华大学本科生毕业设计)】清华大学本科生毕业设计毕业设计〔论文〕题目学院〔系〕:专业班级:学生姓名:指导教师:学位论文原创性声明本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外,本论文不包括任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承当。作者签名:年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保障、使用学位论文的规定,同意学校保存并向有关学位论文管理部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权省级优秀学士论文评选机构将本学位论文的全部或部分内容编入有关数据进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密囗,在10年解密后适用本授权书2、不保密囗。〔请在以上相应方框内打“√〞〕作者签名:年月日导师签名:年月日清华大学本科生毕业设计(论文)任务书学生姓名专业班级指导教师工作单位设计(论文)题目:设计〔论文〕主要内容:要求完成的主要任务:〔提示:要求学生设计的主要工程、具体内容、设计范围,所设计系统的具体结构及工艺要求;,还要指出对学生设计结果的检验要求,例如,是否要制作样机、是否要求有实验或实验方案,有软件设计的如何检查软件是否通过,设计是否到达要求的技术经济指标,最后还要说明学生撰写设计说明书时的一般或特殊的要求等。〕必读参考资料:指导教师签名系主任签名院长签名(章)附件6清华大学本科生毕业设计〔论文〕开题报告【篇二:2024-2024清华大学计算机网络毕业设计选题表】清华大学软件工程学院毕业设计选题表1b【篇三:清华大学本科毕业论文】、生物神经网络与人工神经网络神经网络作为人工智能的一个分支,在近二十年来,受到人们的广泛关注。工业革命以来,人类大量采用机器来减轻人们的体力劳动,并获得了巨大的效益。同样,人类为了通过使用某种机器来减轻人类的脑力劳动,也一直进行着不懈的努力。到了20世纪40年代,由于计算机的创造,使得人类的文明进入到计算机时代。通过使用计算机,人们可以解决科学计算和工程设计中的一些复杂的问题,在一定程度上减轻了人们的脑力劳动。然而,计算机需要在人们事先编制好的程序的指挥下才能工作,从这个意义上讲,计算机并没有真正意义上的智能。目前,计算机的主要应用仍然是信息处理和科学计算,对于智能计算,像分析、推理、判断、综合等方面,现代计算机仍然显得能力低下。因此,智能计算机的开发研究成了一个十分引人关注的问题,科学家们也为此投入了巨大的研究热情,一些兴旺国家也投入大量的人力物力来开发智能计算机。然而,由于人类对于智能的理解还十分浅薄,开发智能计算机也遇到了巨大的挑战,可以说,到目前为止,智能计算机还仅仅是一个梦想。揭开智能之谜还需要进行大量的研究,这里面涉及到诸多方面的理论知识,包括计算机理论、信息处理、语言学、认知科学、数学、生理学、解剖学、哲学等方面的知识。因此,智能计算机的开展还需有一个相当漫长的过程。在应用方面,对于智能计算和智能计算机的开展也是非常迫切的。例如,一些危险行业以及恶劣的工作环境,人们需要机器人来帮助工作,然而,机器人技术的开展离不开智能计算和智能计算机。可以说,智能计算机在当今人类社会开展的进程中,已经被提到了议事日程,是当今人类社会所面临的一项迫切而又重大的科技问题。智能计算的核心问题是关于人脑功能的模拟问题,这需要答复什么是智能、什么是计算、什么是智能计算等复杂的问题。然而,遗憾的是,人类对于这些问题尚缺乏深刻的认识,还处在探索阶段。尽管如此,人类并没有在研究智能计算机的道路上止步不前,目前认为,人类的大脑中的神经元对于人脑的智能起着关键的作用,这些神经元的数量非常多,组成了十分复杂的生物神经网络。神经网络系统理论是以人脑的智能功能为研究对象,研究人类大脑的信息处理能力与方法,特别是研究与人类大脑的智能信息处理能力相关的信息处理理论与方法,建立智能计算的理论与方法,为智能计算机的研究开发奠定理论根底。由于生物神经网络的复杂性,目前人们主要是通过人工神经网络的方法进行研究,所以本书中考虑的神经元不是生物神经元,而是模拟生物神经元的人工神经元,人工神经元是对生物神经元极其简单的抽象,可以使用现代电子、光学等技术制造出来。所谓人工神经网络是由人工神经元按照一定的拓扑结构互连而成的网络,用来模拟人的大脑的一些行为。虽然由这些人工神经元组成的网络的能力远远不及人脑的那么强大,但是可对其进行训练,可以实现一些有用的功能。目前主要是利用人工神经网络模拟一些比拟低级的行为,至于如何模拟人的智能中比拟高级的功能,还需要进行大量的深入研究。人类是智慧生命,生命的每一天都要处理许多复杂的事物,要完成生理的、心理的等复杂的信息处理,比方呼吸、运动、阅读、思考等,而完成这些功能需要使用一个复杂的生物神经网络。人的大脑有约为1011个神经元,每一个生物神经元都是生物组织和化学物质的有机结合。某些神经结构是与生俱来的,而其他一些那么是在实践中形成的。这些神经元高度互连的集合,构成了生物神经网络,网络中的每个神经元都是根本的处理单元,一种观点认为,每一个生物神经元都是一个复杂的微处理器。人类大脑的工作机理十分复杂,目前,人类对大脑的认识还很浅薄,揭开大脑思维之谜任重道远,需要坚持不懈的努力。一般认为,所有生物神经功能,包括记忆在内,都存储在神经元以及各个神经元之间的相互连接上,这种连接称为连接权或简称为权。生物神经网络的学****过程被看作是在生物神经网络的神经元之间建立新的连接或对已有的连接进行修改的过程。正是基于对生物神经网络的这样一个根本认识,使得人们想到利用一些简单的“人工神经元〞构造一些人工系统,然后对其进行训练,目的是使这些系统具有一定的智能。本书主要是对于大脑的学****能力进行了一些人工模拟,本书中的所有算法都是作者提出的,这些算法不同于传统的算法,希望能够起到抛砖引玉的作用。。本书中提出了一系列全新的前馈神经网络理论与算法,这些新的理论与算法主要分成两类:一类本书将其取名为代数算法,另一类本书将其取名为样条函数神经网络算法。衡量一个新理论与方法的价值在于把它和已有的传统方法相比拟,如果新理论与方法能革除传统理论方法的缺点,那么新理论方法就有价值,革除得越彻底,价值就越大。衡量本书的价值应与传统的优化类算法进行比拟〔例如bp算法等梯度下降类最优化算法〕相比拟。,只要隐层神经元个数与样本个数满足一个简单的代数关系,代数算法便能快速实现给定样本的精确映射〔或者说,准确地“回想〞起所学过的样本〕。〔1〕本书提出的代数算法在理论和应用上能使代价函数为0。对bp〔反向传播〕算法而言,通常代价函数大于0,这意味着代数算法的精度远高于bp算法。或者更确切地说,代数算法能准确地获得全局最优点,而bp算法通常无法获得全局最优点。〔2〕从时间复杂度上来看,代数算法无须迭代计算,是一种多项式阶算法,而bp算法的时间复杂度目前尚未见到理论上的报道,但通过一些实验研究认为其时间复杂度为指数阶〔见第3章〕。多项式阶算法的时间效率远优于指数阶算法,因而本书算法较bp算法要快得多,可求解问题的规模也要大得多。〔3〕从工程应用上看,代数算法给出了隐层所需神经元个数的准确计算方法,而bp算法只能给出一些经验数据,这意味着本书新方法在工程应用中具有比bp算法优越得多的指导作用。综上所述,可以认为代数算法开辟了多层前馈人工神经网络算法的一个新领域,在理论和应用上都具有重要的价值。另外,本书的另一个重要创新是对工程上常用的三层神经网络的极限逼近能力进行了深入的分析,得出了一系列重要的结果。这些结果指出,必然存在代价函数最小值为0的三层神经网络〔此时对应的解为全局最优解〕;如果三层神经网络的隐层神经元个数固定〔即为某一确定的不可调整的常数〕,那么对一些给定的样本,该三层神经网络的代价函数最小值将大于0,这意味着此时三层神经网络的逼近精度是有限的,它不可能使神经网络以任意精度趋近于0。这一结论深刻地揭示了隐层神经元个数的选择将直接影响到三层神经网络的极限逼近能力,或者说,将直接影响到三层神经网络的全局最小代价函数值的大小。不仅如此,还给出了一个非常有实用价值的便于计算的估计公式。利用这一估计公式,可使网络在训练之前就知道该网络对给定训练样本的极限逼近能力,这一结果对前馈网络训练学****算法的停机准那么有重要的理论指导意义。以上的创新构成了本书的核心与精华。,能够方便地求得全局最优点。不仅如此,样条函数神经网络算法还具有很好的泛化能力〔见第6章〕另外,从时间复杂度上来看,样条函数神经网络算法的主要计算工作是求线性方程组,确定三次样条函数,是一种多项式阶算法,因而样条函数神经网络算法较bp算法要快得多,可求解问题的规模也要大得多。总之,样条函数神经网络算法既具有代数算法的优点,又克服了代数算法和传统算法的缺点,是一种非常好的算法,笔者认为值得推广。,说法不一。一般认为,ulloch和walterpitts于1943年的论文[1],这篇文献根据的神经细胞生物过程原理,构造了一个简单的人工神经元模型,后来,人们称它为m-p模型。文献[1]介绍了第一个神经元数学模型,其神经元的输入信号加权和与阀值比拟再决定神经元是否输出。这是人类历史上第一次对大脑工作原理描述的尝试,从原理上证明了人工神经网络可以计算任何算术和逻辑函数。20世纪40年代末期,[2]中首先定义了一种调整权的方法,称为hebb学****规那么〔hebbianrule〕。这本著作的主要假定是行为可以由神经元的行为来解释。在这本书中hebb提出的第一个学****规那么,可以认为是在细胞一级进行学****的根本原理。donaldhebb指出,经典的条件反射是由单个神经元的性质引起的。他提出了生物神经元的一种学****机制。20世纪50年代后期,frankrosenblatt定义了一种以后常用的神经网络结构,称为感知器〔perceptron〕。frankrosenblatt[3]提出了感知机网络和联想学****规那么。rosenblatt构造了一个感知机网络,演示了进行模式识别的能力。这是人工神经网络第一个实际应用,这次成功应用引起了许多学者对神经网络的研究兴趣。但后来的研究说明根本的感知机网络只能解决有限的几类问题。20世纪60年代,两个训练自适应神经元的方法——感知机规那么及lms算法规那么相继出现。bernardwidrow和tedhoff在文献[4]中介绍了能进行快速、准确学****的神经网络,文中假设系统的输入和对每一个输入所期望的输出,然后神经网络计算实际输出与所希望的输出的误差,采用梯度下降法调整权值,以到达最小均方误差〔最小均方误差算法或lsm算法〕。另外,bernardwidrow和tedhoff提出了一个新的学****算法用于训练自适应线性神经网络。在这些方法出现后的假设干年内,神经网络领域的一些新技术得到迅速开展,如steinbuch的学****矩阵,widrow的madaline规那么,竞争学****等等。20世纪70年代,grossberg提出了自适应共振理论。grossberg研究了两种记忆机制〔短期记忆和长期记忆〕,提出了一种基于可视系统的自组织神经网络[5],这是一种连续时间竞争网络,是构成自适应谐振理论〔art〕网络的根底。另外,kohonen创立了自组织理论。20世纪80年代,hopfield及一些学者提出了hopfield网络模型[6],这是一种全连接的反响型网络。hopfield提出了按内容寻址的神经网络,同时还给出了有关他的网络是如何工作的以及该网络能够做什么的完整描述。另外,hinton等提出了boltzman机。kosko开展了hopfield及grossberg的一些概念,提出了双向自联想记忆网络,该网络中使用了微分hebb及竞争学****规那么。另外,20世纪80年代末期,chua等人提出了细胞神经网络。多层前馈网络是目前应用最为广泛的神经网络模型之一,其神经元结点分层排列,组成输入层、隐层和输出层,每层的神经元只接收前层神经元的输出信号。多层前馈神经网络的反向误差传播训练算法〔可简称为bp算法〕首先是由werboss在他的博士毕业论文中提出,但不幸的是,他首先发表于1974年的这一成果并没有引起当时科技界的重视。直到1982年,parker重新发现了这一方法,不久以后rumelhart、hinton和williams也重新报导了这一方法[8],才使得该算法广为流传。rumelhart等人使用的神经元不同于以往人们在madaline网络中使用的神经元。早期的madaline网络中使用的神经元是硬限幅〔signums〕神经元,而bp算法中网络所使用的神经元是可微分的非线性神经元或sigmoid函数神经元。rumelhart等人提出的bp算法〔或如他们自己称作的广义s规那么〕克服了minskey和papert〔1969〕所指出的感知机算法的局限性[9]。bp算法似乎再次翻开了minskey和papert早已关闭的研究大门。