清华大学毕业设计方案网.docx

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： 指导老师： 学位论文原创性申明 本人郑重申明：所呈交论文是本人在导师指导下独立进行研究所取得 研究结果。除了文中尤其加以标注引用内容外，本论文不包含任何其它个 人或集体已经发表或撰写结果作品。本人完全意识到本申明法律后果由本 人负担。 作者署名： 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相关保障、使用学位论文要求，同意学校 保留并向相关学位论文管理部门或机构送交论文复印件和电子版，许可论文 被查阅和借阅。本人授权省级优异学士论文评选机构将本学位论文全部或部 分内容编入相关数据进行检索，能够采取影印、缩印或扫描等复制手段保留和 汇编本学位论文。 本学位论文属于1、保密囗，在解密后适用本授权书 2、不保密囗。 （请在以上对应方框内打“”） 作者署名： 年月日 导师署名： 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 指导老师 工作单位 设计(论文)题目: 设计（论文）关键内容： 要求完成关键任务: （提醒：要求学生设计关键项目、具体内容、设计范围，所设计系统具体结构及工艺要求；，还要指出对学生设计结果检验要求，比如，是否要制作样机、是否要求有试验或试验方案，有软件设计怎样检验软件是否经过，设计是否达成要求技术经济指标，最终还要说明学生撰写设计说明书时通常或特殊要求等。） 必读参考资料： 指导老师署名 系主任署名 院长署名(章)附件6 清华大学本科生毕业设计（论文）开题汇报【篇二：-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1 b【篇三：清华大学本科毕业论文】 第1章 概 论 1.1 计算机、生物神经网络和人工神经网络 神经网络作为人工智能一个分支，在近二十年来，受到大家广泛关注。工业革命以来，人类大量采取机器来减轻大家体力劳动，并取得了巨大效益。一样，人类为了经过使用某种机器来减轻人类脑力劳动，也一直进行着不懈努力。到了20世纪40年代，因为计算机发明，使得人类文明进入到计算机时代。经过使用计算机，大家能够处理科学计算和工程设计中部分复杂问题，在一定程度上减轻了大家脑力劳动。然而，计算机需要在大家事先编制好程序指挥下才能工作，从这个意义上讲，计算机并没有真正意义上智能。现在，计算机关键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、判定、综合等方面，现代计算机仍然显得能力低下。 所以，智能计算机开发研究成了一个十分引人关注问题，科学家们也为此投入了巨大研究热情，部分发达国家也投入大量人力物力来开发智能计算机。然而，因为人类对于智能了解还十分肤浅，开发智能计算机也碰到了巨大挑战，能够说，到现在为止，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研究，这里面包含到很多方面理论知识，包含计算机理论、信息处理、语言学、认知科学、数学、生理学、解剖学、哲学等方面知识。所以，智能计算机发展还需有一个相当漫长过程。 在应用方面，对于智能计算和智能计算机发展也是很迫切。比如，部分危险行业和恶劣工作环境，大家需要机器人来帮助工作，然而，机器人技术发展离不开智能计算和智能计算机。能够说，智能计算机在当今人类社会发展进程中，已经被提到了议事日程，是当今人类社会所面临一项迫切而又重大科技问题。 智能计算关键问题是相关人脑功效模拟问题，这需要回复什么是智能、什么是计算、什么是智能计算等复杂问题。然而，遗憾是，人类对于这些问题尚缺乏深刻认识，还处于探索阶段。尽管如此，人类并没有在研究智能计算机道路上止步不前，现在认为，人类大脑中神经元对于人脑智能起着关键作用，这些神经元数量很多，组成了十分复杂生物神经网络。神经网络系统理论是以人脑智能功效为研究对象，研究人类大脑信息处理能力和方法，尤其是研究和人类大脑智能信息处理能力相关信息处理理论和方法，建立智能计算理论和方法，为智能计算机研究开发奠定理论基础。 因为生物神经网络复杂性，现在大家关键是经过人工神经网络方法进行研究，所以本书中考虑神经元不是生物神经元，而是模拟生物神经元人工神经元，人工神经元是对生物神经元极其简单抽象，能够使用现代电子、光学等技术制造出来。所谓人工神经网络是由人工神经元根据一定拓扑结构互连而成网络，用来模拟人大脑部分行为。即使由这些人工神经元组成网络能力远远不及人脑那么强大，不过可对其进行训练，能够实现部分有用功效。现在关键是利用人工神经网络模拟部分比较低级行为，至于怎样模拟人智能中比较高级功效，还需要进行大量深入研究。 人类是智慧生命，生命每一天全部要处理很多复杂事物，要完成生理、心理等复杂信息处理，比如呼吸、运动、阅读、思索等，而完成这些功效需要使用一个复杂生物神经网络。人大脑有约为1011个神经元，每一个生物神经元全部是生物组织和化学物质有机结合。一些神经结构是和生俱来，而其它部分则是在实践中形成。这些神经元高度互连集合，组成了生物神经网络，网络中每个神经元全部是基础处理单元，一个见解认为，每一个生物神经元全部是一个复杂微处理器。 人类大脑工作机理十分复杂，现在，人类对大脑认识还很肤浅，揭开大脑思维之谜任重道远，需要坚持不懈努力。通常认为，全部生物神经功效，包含记忆在内，全部存放在神经元和各个神经元之间相互连接上，这种连接称为连接权或简称为权。生物神经网络学习过程被看作是在生物神经网络神经元之间建立新连接或对已经有连接进行修改过程。 正是基于对生物神经网络这么一个基础认识，使得大家想到利用部分简单“人工神经元”结构部分人工系统，然后对其进行训练，目标是使这些系统含有一定智能。 本书关键是对于大脑学习能力进行了部分人工模拟，本书中全部算法全部是作者提出，这些算法不一样于传统算法，期望能够起到抛砖引玉作用。 1.2 本书目标和价值 创新是本书目标。本书中提出了一系列全新前馈神经网络理论和算法，这些新理论和算法关键分成两类：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。 衡量一个新理论和方法价值在于把它和已经有传统方法相比较，假如新理论和方法能革除传统理论方法缺点，那么新理论方法就有价值，革除得越根本，价值就越大。衡量本书价值应和传统优化类算法进行比较（比如bp算法等梯度下降类最优化算法）相比较。 1代数算法 代数算法不再采取以梯度下降为关键思想误差反向传输学习算法，只要隐层神经元个数和样本个数满足一个简单代数关系，代数算法便能快速实现给定样本正确映射（或说，正确地“回想”起所学过样本）。（1）本书提出代数算法在理论和应用上能使代价函数为0。对bp（反向传输）算法而言，通常代价函数大于0，这意味着代数算法精度远高于bp算法。或更确切地说，代数算法能正确地取得全局最优点，而bp算法通常无法取得全局最优点。 （2）从时间复杂度上来看，代数算法无须迭代计算，是一个多项式阶算法，而bp算法时间复杂度现在还未见到理论上报道，但经过部分试验研究认为其时间复杂度为指数阶（见第3章）。多项式阶算法时间效率远优于指数阶算法，所以本书算法较bp算法要快得多，可求解问题规模也要大得多。 （3）从工程应用上看，代数算法给出了隐层所需神经元个数正确计算方法，而bp算法只能给出部分经验数据，这意味着本书新方法在工程应用中含有比bp算法优越得多指导作用。 总而言之，能够认为代数算法开辟了多层前馈人工神经网络算法一个新领域，在理论和应用上全部含相关键价值。 另外，本书另一个关键创新是对工程上常见三层神经网络极限迫近能力进行了深入分析，得出了一系列关键结果。这些结果指出，肯定存在代价函数最小值为0三层神经网络（此时对应解为全局最优解）；假如三层神经网络隐层神经元个数固定（即为某一确定不可调整常数），则对部分给定样本，该三层神经网络代价函数最小值将大于0，这意味着此时三层神经网络迫近精度是有限，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选择将直接影响到三层神经网络极限迫近能力，或说，将直接影响到三层神经网络全局最小代价函数值大小。不仅如此，还给出了一个很有实用价值便于计算估量公式。利用这一估量公式，可使网络在训练之前就知道该网络对给定训练样本极限迫近能力，这一结果对前馈网络训练学习算法停机准则相关键理论指导意义。以上创新组成了本书关键和精华。 2样条函数神经网络算法 样条函数神经网络算法一样能够实现代价函数为0正确映射，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含有很好泛化能力（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关键计算工作是求线性方程组，确定三次样条函数，是一个多项式阶算法，所以样条函数神经网络算法较bp算法要快得多，可求解问题规模也要大得多。 总而言之，样条函数神经网络算法既含有代数算法优点，又克服了代数算法和传统算法缺点，是一个很好算法，笔者认为值得推广。 1.3 神经网络发展历史介绍 人工神经网络发展起源于何时，说法不一。通常认为，其起源可追溯到warren mcculloch和walter pitts于1943年论文1，这篇文件依据已知神经细胞生物过程原理，结构了一个简单人工神经元模型，以后，大家称它为m-p模型。文件1介绍了第一个神经元数学模型，其神经元输入信号加权和和阀值比较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尝试，从原理上证实了人工神经网络能够计算任何算术和逻辑函数。 20世纪40年代末期，donala o.hebb在文件2中首先定义了一个调整权方法，称为hebb学习规则（hebbian rule）。这本著作关键假定是行为能够由神经元行为来解释。在这本书中hebb提出第一个学习规则，能够认为是在细胞一级进行学习基础原理。donald hebb指出，经典条件反射是由单个神经元性质引发。她提出了生物神经元一个学习机制。 20世纪50年代后期，frank rosenblatt定义了一个以后常见神经网络结构，称为感知器（perceptron）。frank rosenblatt3提出了感知机网络和联想学习规则。rosenblatt结构了一个感知机网络，演示了进行模式识别能力。这是人工神经网络第一个实际应用，这次成功应用引发了很多学者对神经网络研究爱好。但以后研究表明基础感知机网络只能处理有限几类问题。 20世纪60年代，两个训练自适应神经元方法感知机规则及lms算法规则相继出现。bernard widrow和ted hoff在文件4中介绍了能进行快速、正确学习神经网络，文中假设系统输入和对每一个输入所期望输出，然后神经网络计算实际输出和所期望输出误差，采取梯度下降法调整权值，以达成最小均方误差（最小均方误差算法或lsm算法）。另外，bernard widrow和ted hoff提出了一个新学习算法用于训练自适应线性神经网络。 在这些方法出现后若干年内，神经网络领域部分新技术得到快速发展，如steinbuch学习矩阵，widrowmadaline规则，竞争学习，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 （短期记忆和长久记忆），提出了一个基于可视系统自组织神经网络5，这是一个连续时间竞争网络，是组成自适应谐振理论（art）网络基础。 另外，kohonen创建了自组织理论。 20世纪80年代，hopfield及部分学者提出了hopfield网络模型6，这是一个全连接反馈型网络。hopfield提出了按内容寻址神经网络，同时还给出了相关她网络是怎样工作和该网络能够做什么完整描述。另外，hinton等提出了boltzman机。kosko发展了hopfield及grossberg部分概念，提出了双向自联想记忆网络，该网络中使用了微分hebb及竞争学习规则。另外，20世纪80年代末期，chua等人提出了细胞神经网络。 多层前馈网络是现在应用最为广泛神经网络模型之一，其神经元结点分层排列，组成输入层、隐层和输出层，每层神经元只接收前层神经元输出信号。多层前馈神经网络反向误差传输训练算法（可简称为bp算法）首先是由werboss在她博士毕业论文中提出，但不幸是，她首先发表于1974年这一结果并没有引发当初科技界重视。直到1982年，parker重新发觉了这一方法，很快以后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等人使用神经元不一样于以往大家在madaline网络中使用神经元。早期madaline网络中使用神经元是硬限幅（signums）神经元，而bp算法中网络所使用神经元是可微分非线性神经元或sigmoid函数神经元。rumelhart等人提出bp算法（或如她们自己称作广义s规则）克服了minskey和papert（1969）所指出感知机算法不足9。bp算法似乎再次打开了minskey和papert早已关闭研究大门。 bp算法很快在神经网络中占据了主导地位。部分学者转为企业家开发、销售廉价bp算法软件，而另部分人却平静地用bp算法估计股票价格，成百上千科技工作者在科技学会上报道bp算法应用结果。部分企业投资者和大企业资助个人（pc）机及工作站上bp算法加速板开发。大众媒体也把bp算法喻为大家期待已久机器智能研究突破，它能从经验中学习，并预示着制造业自动化；如不一样语言间翻译，能自我修复机器人，等等。生理学家们在寻求人脑中枢神经系统中bp算法，而理论家们猜想bp算法能学会任意样本函数。 bp算法普及也引发了大家猛烈批评，bp算法关键缺点（这些缺点是本质，也是致命）是常不收敛，或收敛于局部极小，即使收敛其速度也很慢，这使得bp算法只能处理小规模问题。因为bp算法这些缺点，大家对它进行了改善研究。以往，大家改善研究大全部集中在变学习率，加惯性项，寻求良好初始条件等方面。应该认可，这些改善研究有一定效果，但它们全部没有摆脱bp算法思想框架束缚梯度下降思想，正因为如此，它们不可能从根本上克服bp算法本质缺点。 20世纪90年代以来，神经网络在向纵深发展同时，也在和模糊技术、遗传算法、进化计算等智能方法相结合方向上发展。 即使在几十年发展过程中，神经网络理论取得了部分进步，但其发展过程并非一帆风顺，曾经历了较长一段时间低潮期，直到20世纪80年代后期才进入发展高潮期。不过，正当大家满怀热情地应用神经网络已经有结果去解自己实际工作中问题时，大家发觉了大量原有模型和算法所存在问题，所以，必需从理论上再做深入研究。本书正是在这么背景下对多层前馈网络算法进行了深入深入研究，取得了关键结果。 本书首次提出了一系列全新理论和算法，并将其称为代数算法（详见第3章）和样条函数神经网络算法（详见第6章），这些理论和算法摆脱了梯度下降思想束缚，使复杂非线性映射问题转变为线性代数方程组求解问题，所以从根本上克服了bp算法本质缺点。具体内容请读者见书中各章。 7