人工神经

人工神经（精选十篇）

人工神经 篇1

关键词：神经网络,BP,训练算法

0 引言

人工神经网络 (Artificial Neural Network, ANN) , 是由大量处理单元 (即神经元Neurons) 广泛连接而成的网络, 是对人脑的抽象、简化和模拟, 反映人脑的基本特征。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为, 模拟人脑信息处理的功能。它是根值于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。

Hecht-Nielsen将神经网络定义为一个并行、分布处理结构, 它由神经元及其称为联接的无向讯号通道互连而成。这些神经元具有局部内存, 并可以完成局部操作。每个神经元有一个单一的输出联接, 这个输出可以根据需要被分支成希望个数的许多并行联接, 且这些并行联接都输出相同的信号, 即相应神经元的信号, 信号的大小不因分支的多少而变化。神经元的输出信号可以是任何需要的数学模型, 每个神经元中进行的操作必须是完全局部的。也就是说, 它必须仅仅依赖于经过输入联接到达神经元的所有输入信号的当前值和存储在神经元局部内存中的值。

1 神经网络的一般结构和分类

神经元是人工神经网络里面最基本、最关键的部件, 它是一个多输入、单输出的非线性元件, 图一所示为一种常用的神经元模型。

其输入、输出关系可表示为

式 (1) 中xi (i=1, 2, …, n) 是从其他神经元传来的输入信号;θj是阈值;Wij表示从神经元i到神经元j的连接权值;f (·) 为传递函数。传递函数可以为线性函数、阶跃函数, 或者S状的非线性函数, 如logistic函数、双曲正切函数等, 如表一所示。

人工神经网络由大量的神经元互连而成, 按其拓扑结构来分, 可以分成层次网络模型和互连网络模型;按神经网络的功能来分, 现在常用的网络有如下各类:

学习功能是人工神经网络的核心任务, 由神经元连接的神经网络系统的全部“知识”, 主要体现为网络中全部神经元之间的连接权重。通过一定的学习规则, 根据神经元的输入状态、连接权以及有无教师示范的信息来调整连接权重, 这就是神经网络的学习过程。常用的学习规则有:联想式学习——Hebb规则、误差传播式学习——Delta学习法则、概率式学习、竞争式学习。

BP (Back Propagation, 反向传播) 神经网络是目前应用最广泛的神经网络, 一般由输入层、隐层和输出层组成。隐层可以为一层或多层, 每层上的神经元称为节点或单元, 结构如图二所示。

各层神经元之间的连接强度用连接权重W表示, Wij表示输入层第i单元与隐层第j单元之间的连接强度, 同样Wjl表示隐层第j单元与输出层第l单元的连接强度。各单元的输出决定于前一层单元的输出及相应的连接权重, 由公式 (1) 确定。网络所记录的信息表现为网络中的全部权重, 它可以通过样本的“训练”达到。给定样本, 即是给定一个输入向量X= (x1, x2, …, xn) 及期望输出向量Y= (y1, y2, …, yn) 。“训练”就是按照实际输出最接近期望输出的原则, 来修改全部连接权值。

2 神经网络的训练算法

BP算法的过程可以分为两个阶段。第一个阶段是由输入层开始逐层计算各层神经元的“净输入”Sj和输出yj直到输出层为止;第二个阶段是由输出层开始逐层计算各层神经元的输出误差, 并根据误差梯度下降原则来调节各层的连接权重Wjl及神经元的阈值θj, 使得修改后的网络的最终输出yt能接近期望值dt, 也就是使误差et减小。可以用同一组训练样本对网络进行重复训练, 使输出误差更加减小, 直到满足要求为止。计算流程如图三所示。

以上是基本BP算法, 流程简单, 思路清晰, 易于理解。但也存在一些缺点:存在局部极小值问题;算法收敛速度很慢;新加入的样本会影响已学习完成的样本的学习结果;选取隐层单元数目尚无指导原则。

为了加快算法的收敛速度和精度, 缩短计算时间, 出现了很多改进的算法, 主要分为两类:一类是采用启发式技术, 有调节学习率的快速BP算法 (MEBP算法) 、改变作用函数陡度的快速BP算法 (MBP算法) 、隐层单元的自构形学习算法等;第二类是采用数字优化技术, 如共轭梯度法、拟牛顿法、Levenberg-Marquardt方法等。

(1) MEBP算法的思想主要是在计算过程中动态地调节学习率。基本BP算法中, 学习率都是不变的, 造成了BP学习算法收敛很慢。如果网络中各个参数的调节有自己的学习率, 且学习率在网络学习过程中可以根据误差曲面上的不同区域的曲率变化来自适应地调节最优学习率, 则整个网络的学习速度将大大加快。在误差曲面的某一区域, 若对某一参数有较小的曲率, 则这一个参数在连续几次调节中, 误差函数对这个参数的偏导数一般具有相同符号;若误差曲面相对这个参数有较大的曲率, 则在连续的几次调节中, 误差函数对这个参数的偏导数的符号将发生改变。因此, 根据误差函数对网络参数的偏导数符号, 在参数的连续几次调节中是否变号, 来决定相应参数的学习率是否增减。

(2) MBP算法的核心思想是增加一个增益因子, 以便改变作用函数的陡度。在学习过程中, 增益因子随权重及阈值的改变而一起改变, 以达到加快BP算法收敛的目的。

(3) 隐层单元自构形学习算法则用来弥补隐层单元数无法准确确定这个缺陷。在BP网络中, 输入层和输出层的神经元数都由问题本身决定, 而隐层是神经元数目至今还没有准确的算法, 一般都是通过经验或不断尝试来确定。隐层单元数少了, 学习过程可能不收敛或达不到精度要求;隐层单元数多了, 可能导致单元冗余, 收敛速度慢, 网络的范化能力差。自构形学习算法可以在学习过程中自组织和自学习自己的结构, 这个过程分为预估和自构形两个阶段。在预估阶段, 根据问题的大小及复杂程度, 先设定一个隐层单元数较多的BP网络结构。在自构形阶段, 网络根据学习情况合并无用的冗余的单元, 删除不起作用的单元, 最后得到一个合适的自适应网络。

(4) 共轭梯度法使用共轭梯度向量来确定共轭方向。1990年J.Leonard和M.AKramer将共轭梯度法和行搜索策略结合在一起。在共轭梯度法中, 沿着共轭方向进行行搜索, 收敛速度将比一般的梯度下降法要快很多。在一般的训练算法中, 是利用学习速率决定权重和阈值更新的步长, 而在多数共轭梯度算法中权值步长各自反复地调整, 沿着共轭梯度用行搜索来决定权值步长以减少在行中的完成功能。共轭梯度法可以不必计算或存储二阶导数信息就具有二阶方法的功能, 它与拟牛顿法相比, 计算代价很低, 因此在较大规模的问题中十分有用。常用的共轭梯度算法有:Fletcher-Reeves算法、Polak-Ribiere算法、Pwell-Beal算法以及ScaledConjugate-Gradient (SCG) 算法等。

(5) 拟牛顿法是牛顿算法的一个改进。牛顿算法虽然比共轭梯度法收敛快, 但在BP网络中海森矩阵的计算很复杂、耗时, 于是产生了不用计算二阶导数的改进牛顿算法, 也叫可变尺度法。拟牛顿法在导数信息的基础上, 试图通过迭代次数逐渐建立对海森矩阵的近似。其中最广泛使用的更新方案是BGGS更新公式。BFGS算法通常只需要很少的迭代次数就能收敛, 但它每步迭代的计算量和内存需求大于共轭梯度法, 因此对于大型网络, 采用共轭梯度法比较适合, 而训练小型网络时使用BFGS算法效果较好。另有一步割线 (One Step Secant, OSS) 算法, 也是牛顿算法的改进, 是共轭梯度法和拟牛顿法的折衷方法。假设每次迭代时前一次的海森矩阵是正定的, 并且在计算新的搜索方向时没有用到海森矩阵的逆, 则OSS算法在计算过程中不需存储整个海森矩阵, 所以OSS算法每步需要的内存和计算量都小于BFGS算法, 但略大于共轭梯度法。

(6) Levenberg-Marquardt方法也对牛顿法进行了改进, 在海森矩阵上加了一个正定矩阵, 使海森矩阵总是保持为正定, 避免搜索进入局部最有解。LM方法可以使学习时间更短, 在实际应用中效果较好, 但对于复杂的问题, 这个方法需要很大的内存。

3 BP神经网络范化能力的改进

BP网络在采用普通BP算法的训练过程中, 不仅需要网络学习的训练样本集, 还需要用来评价该网络训练效果的检验样本集, 这两个样本集的元素都源于同一数据集合。训练样本集用于训练网络, 使网络依据学习算法进行结构参数的调整, 达到学习样本的目的;检验样本集则是在网络训练完成后, 用于检验网络对非训练样本的认知能力, 即范化能力 (Generalization) 。网络的范化能力, 指对于同一数据集合中的非训练样本, 网络仍能给出正确的输入输出关系的能力。

采用数字优化技术的训练算法虽然能加快网络收敛速度, 减少训练时间, 但随着网络结构的复杂性增加, 网络将出现过拟合现象 (Overfitting) , 即训练完成的神经网络对参加训练的样本的输出与目标输出之间的误差很小, 但对于训练样本以外的输出与目标输出的误差很大。因此必须提高神经网络的范化能力, 通过合理设置隐层及神经元数量, 采用恰当的训练算法, 使网络不仅对训练样本有很好的拟合能力, 也能较好地表达同一数据集的其他非训练样本。

针对网络训练的过拟合问题, 在训练策略上可以采用一些提高范化能力的训练方法:

(1) 样本空间法。学习训练的样本对神经网络的范化能力有很大的影响。如果数据样本数目太少, 网络就难以学习到数据系列的规律, 只能起到记忆数据的作用, 有时甚至学习到错误的规律。当网络结构给定, 即隐层节点数保持不变时, 若样本数增加, 网络的范化能力增强, 但这只是在理想状态下, 并且样本数增加会导致网络训练时间的增加。因此, 在选择样本时要考虑以下几点:尽可能选择与范化应用相类似的样本;一定要包含拐点处的数据样本;尽可能保证相邻样本的变化率小于误差精度要求。

(2) 权值衰减法。一般认为大的权值不利于网络的训练, 可以通过公式 (2) :

进行衰减, 其中0

(3) 最佳停止训练法。在训练网络时, 一般把样本数据分为两类, 一类为训练样本, 另一类为检验样本。由于BP网络是基于梯度下降法进行训练的, 训练样本的误差会单调下降, 而检验样本的平均误差总比训练样本大, 一般不是单调下降的, 趋势上是先降低后增加。因此, 网络一般都在检验样本误差达到最小点时停止训练, 而不是继续训练到训练样本的误差最小点, 这个方法也被称为早停止策略 (Early Stopping) 。

另外, 可以通过构造网络新的性能指标来提高范化能力。普通的BP训练算法在训练过程中只看重训练性能指标J, 而忽视了检验性能指标test J。现在可以构造新的性能指标new J=a J+ (1+a) test J, 0

4 神经网络的应用

函数逼近是BP网络应用最广泛的一个能力。已有严格的数学证明, 一个3层BP网络具有以任意精度逼近任意非线性函数的能力。因此, BP神经网络在参数估算、模糊分析、统计预测、数学建模、优化设计等方面取得了广泛的应用。

在航空军事方面, 聂蓉梅等应用神经网络研究了导弹直径和长度与导弹重量之间的映射关系, 得到了导弹的总体质量估算网;徐惠民等用神经网络分析了喷气支线飞机和喷气公务机的主要参数估算方法;Wroblewski D等人也将神经网络用于直升机旋翼桨叶的动力学设计。而在国民生产领域, 神经网络的应该范围更加广泛, 在土木工程、防洪防汛、建筑管理、农业生产乃至经济管理中都取得了显著成效, 大大提高了生产力水平, 节约和合理分配了社会资源, 加快了国民经济的发展, 为建设和谐社会作出了重要贡献。

参考文献

[1]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社, 2003.

[2]朱剑英.智能系统非经典数学方法[M].武汉:华中科技大学出版社, 2001.

[3]周宇恒, 赵书玲, 李钟侠.BP网络范化能力的改进[J].兵工自动化测控技术, 2004, 23 (5) :63-64.

[4]黄琳, 魏保立.BP网络的范化能力改进方法及应用[J].石家庄铁道学院学报, 2005, (9) .

[5]罗若谷, 陈敏.BP神经网络范化能力改进研究[J].福建电脑, 2007, (1) .

[6]Martin T.Hagan等著.戴葵等译.神经网络设计[M].北京:机械工业出版社, 2005, 8.

[7]Gencay R, Qi M.Pricing and Hedging Derivative Securities with Neural Networks Bayesian Regularization, Early Stopping, and Bagging[J].IEEE Transactions on Neural Networks.Vol.12, No.4, July2001:726-734.

[8]聂蓉梅, 夏人伟, 陈万春.飞行器总体设计中主要参数的神经网络估算[J].北京航空航天大学学报, 1999, 25 (6) :655～659.

[9]徐惠民, 余雄庆, 薛飞.基于神经网络的飞机主要参数估算方法[J].南京航空航天大学学报, 2003, (2) :48-52.

人工神经网络论文 篇2

关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。

神经外科患者人工气道的护理体会 篇3

【关键词】神经外科；患者；护理分析

【中图分类号】R47 【文献标识码】A 【文章编号】1004-7484（2012）10-0143-02

人工气道是指将导管插进气管或者经过气管切口插管而构建的气体通道，目的在于疏通患者的气道,从而为机械通气或者正常引流提供有力条件[1]。护理人工气道患者是一项艰巨且复杂的技术，原因在于这种类型的患者多数病情较重，即便处于清醒状态，也无法用语言表达自身的感受及需求。因此，对于这类患者，应在治疗中结合护理，以保证其治疗过程的顺利进行。现对2010年7月至2011年7月在我院外科接受治疗的30例危重患者的临床资料进行回顾性分析，具体情况如下。

1 资料与方法

1.1 一般资料 选取2010年7月至2011年7月在我院外科接受治疗的30例危重患者作为研究对象，其中，男性17例，女性13例。年龄最大的患者70岁，年龄最小的6岁。根据患者的实际情况，医院决定为其构建人工气道。给予CT检查后，发现本组３０例患者中，颅脑重度损伤的患者有8例，脑外伤7例，颅内肿瘤10例，脑出血5例。

1.2 护理方法

1.2.1 心理护理 构建人工气道后，患者无法发声，语言沟通能力困难，易于产生紧张焦虑的情绪，因此，护理人员应运用恰当的方式与患者沟通，巧妙应用其他非语言的交流方式，给患者真诚、人性化的护理，以便尽早发现患者的需求，从而为患者提供相应的服务。尽量消除患者及其家属的紧张、焦急不安等情绪。

1.2.2 协助患者吸痰 湿化气道后，吸去患者气管内的痰液。应将吸痰管准确插入气管套管的深部，以完全吸净痰液。与此同时，结合雾化来保持气道的湿化[2]。吸痰前，应先清洗手部、戴上手套,严格实施无菌操作，动作迅速、轻柔,尽量每次利用1根无菌的吸痰管，避免逆行感染。吸痰后，给患者高浓度吸氧，以增强其身体对缺氧的抗耐性，从而减少其不良反应。吸痰完毕后，应及时替换吸痰管，对于利用密封吸痰管的患者，吸痰时可不用分离呼吸机,确保其吸入足量的氧气。

1.2.3 气囊的护理管理 气囊的合理管理与气管黏膜的损伤程度密切相关。若处理不当，将使气管黏膜的损伤更加严重。因此，在管理中，应保证气囊的密封性，确保患者气道的压力与通气量。优质的气囊压力是指能完全封住气管与气囊间缝隙的最小压力，应低于2.5kPa，也就是小于常规毛细血管的灌注压。可借助气囊测压表调节气囊压力，安排两人操作。排气时，应让患者平躺,防止因痰液过多而发生气囊测压不准确的情况，或者由于气囊漏气而导致坠积性肺炎。

1.2.4 气道的湿化护理 人工气道的构建将干扰呼吸道黏膜、机体正常鼻腔对吸进空气的湿化、加温作用，进而引发气管黏膜过度缺水，降低系统清理杂物的能力，使分泌物更加黏稠，严重者可引发呼吸道炎症[3]。对此，在为患者构建人工气道的同时，也要给予足够的气道湿化。采取适量的氯化钠注射液进行湿化，观察患者的反应。湿化液主要由碳酸氢钠溶液与生理盐水共同配制，增加少量的碳酸氢钠溶液，有助于预防及减少肺部真菌的感染。每隔2小时利用无菌注射器向套管内注射4至10mL的湿化液，将滴注的时间控制在10min之内，有助于防治局部感染。其次，用博利康尼联合生理盐水进行雾化吸入，每天两次，每天将湿化的剂量控制在200至3900ml以内。在湿化的过程中，护理人员应适时更换患者的体位，避免在相同位置滴入过量而导致局部病变。密切观察患者的分泌物，若分泌物较为稀薄，并且能直接经过吸引管，导管内未结痂,则说明该护理符合气道湿化的标准。若患者的气道分泌物过于黏稠,难以经过吸引管，或者发生突发性的呼吸困难，则说明本次湿化不够，应加大湿化液量。若患者的器官分泌物过于稀薄，但却反复咳嗽，则需连续吸引，听诊气管以及肺部后，若听闻气管内的痰鸣音较多，则说明患者的湿化过量。总之，应依据湿化后患者的反应情况，合理调整湿化液量及湿化时间。

2 结果

为30例危重患者构建人工气道并给予精心护理后，护理效果显著，患者均康复出院。其中，有25例治愈出院，5例病情显著好转。

3 讨论

构建人工气道将对呼吸道原本正常的生理功能造成影响，进而出现呼吸道黏膜严重缺水、肺部感染、气道不畅以及分泌物黏稠等并发症[4]。对此，护理人员在护理患者的过程中，应保持高度的重视及责任心，密切观察患者的病情变化情况，并给予精心的护理，以便及时发现患者的异常症状,从而加紧预防。痰痂的产生是外科疾病中一种较为常见的并发症。其形成的原因在于湿化不足、吸痰不全面等。对此，护理人员应加强护理，以防痰痂的产生。

总之，为神经外科患者构建人工气道，严格规范其操作流程，逐步增强患者对人工气道的理解及认识，并给予其相应的护理措施，有助于神經外科患者的病情康复。

参考文献：

[1] 王惠娟.神经外科患者的饮食健康教育[J].内蒙古中医药.2008(12).

[2] 程淑臣.156例昏迷患者气管切开的护理体会[J].中国中医药现代远程教育.2010(24).

[3] 姚明兰.神经外科气管切开术后套管阻塞原因分析与护理对策[J].家庭护士. 2008(21).

人工神经网络介绍 篇4

机器学习方法经常被应用到解决医学和生物信息学的问题。在这个报告中我列举了一些把机器学习方法应用到生物信息学领域的实例。比如:组建多重神经网络, 运用该神经网络对4种不同形势的肿瘤患者进行分类。

1 介绍

人工神经网络属于机器学习领域。关于人工神经网络的概念最早提出于1940年代。后来在1980年代后被推广应用, 尤其是在医学领域。

其中一个非常有用的用途是对疾病进行分类, 达到诊断的目的, 或者对基因表达进行分类。在这类神经网络里面, k点最近邻居算法是最常被采用的算法。

人工神经网络的优点是:不需要人们蛆关注神经网络里面的细节信息;人工神经网络可以很容易地被重新训练来应对不同地分类数据。人工神经网络可以用来解决有监督学习和无监督学习, 比如:自组织特征映射 (self-organized feature map) 就可以用来解决无监督学习的问题。

它的不足之处在于:人工神经网络往往需要大量的训练数据, 而这些训练数据往往不是很容易获得。人工神经网络可以被看作是一个黑盒, 它的细节隐藏在点点之间的权值里面。这些权值的意义是人类无法理解的。同时, 人工神经网络需要被仔细的训练以避免过拟合的情况出现。我们常常需也要降低高维数据的维度。下面, 我将分析介绍人工神经网络的具体应用。

人工神经网络的结构如图1所示:

X1, X2, X3是该神经网络的输入值, w0, w1, w2, w3是该神经网络的输入结点到内部节点的路径权值, 每个神经元的激活函数是如上图右侧所示的函数图像。

这个函数被称作为sigmoid函数, 表达式如下:

多重神经网络通常有3层, 事实上, 3层神经网络以能进行很好的分类效果。这三个层包括输入层, 隐藏层, 输出层。在每个神经元内部我们可以选择sigmoid激活函数或其他种类的激活函数。

如图2所示:

单个神经元仅能提供线性的分割面, 所以多层神经网络可以提供非线性的分类函数 (即:若干个线性分割面的复杂组合) 。这并不意味着4层神经网络就一定比3层神经网络能一共更好的分类效果, 因为层数越多, 需要的训练集就越庞大, 得到的效果也不会提高。

既然有训练问题, 就会涉及到训练算法。较为早的和著名的训练算法是delta规则。它于20世纪60年代被提出。它的原理是计算理论输出值和世纪输出值的均方差。tp为理论输出值, yp为实际输出值, 表示为:

训练的开始阶段, 我们通常设定一个随机选取值, 令该值等于:

该公式里, α是学习速率, 学习速率越大, 学习的过程就越快, 完成学习的时间短。但如果学习的速率过大, 可能导致网络的理想权值在合理结果的附近游摆而永远无法获得理想的权值。

神经网络被训练好了以后, 它就被用到解决目标问题。原始的数据集可以被分为两部分:一部分用来训练, 一部分用来测试。

有时候神经网络会把训练数据集里面的噪音点的特征纳入自己的权值表达里, 从而该神经网络无法真正体现该点集的真实特征。我们把这种情况叫做过拟合。过拟合是由于网络比待估函数复杂造成的。比如一个可以同3层网络解决的问题, 我们用4层网络或者由更多神经元的三层网络去解决该问题, 就容易造成过拟合。为了更好的明确训练时所采用的神经网络的隐藏层的层数, Livingstone和Manalack提出了如下计算公式:

该公式里m是训练样本的数目, o是该网络的输出值, w是网络权值的数目, D就是隐藏层的数目。

得到了隐藏层的数目之后, 我们可以以这个数目创建神经网络, 边训练边削减, 直到我们获得一个一半化的网络。对于没有隐藏网络层或只有一个隐藏网络层的神经网络, 我们需要先确定它要解决的问题是否是线性的。

适当的训练方案是能也可以使网络的复杂性和数据的复杂性得到合适的匹配。一个合适的训练方案应该是如下步骤:首先选择一个很大的网络并且把它的每个权值都设到一个很小的值上。通过训练, 这些权值可以逐渐游摆到一个合理的值。

由于初始数据集通常要被分为训练集和测试集。在医学领域, 我们能获得的数据集往往很小, 比如某种病的病人数目不会很大。所以我门需要采用交叉验证的技巧来是较小的数据集在被分为训练集和测试集之后能较好的训练神经网络。

摘要：机器学习方法经常被应用到解决医学和生物信息学的问题。本文列举了一些把机器学习方法应用到生物信息学领域的实例。比如:组建多重神经网络, 运用该神经网络对4种不同形势的肿瘤患者进行分类。

关键词：人工,神经网络,机器学习方法

参考文献

人工神经网络定义论文 篇5

4.1 增强对智能和机器关系问题的认识

人脑是一个结构异常复杂的信息系统，我们所知道的唯一智能系统，随着信息论、控制论、计算机科学、生命科学的发展，人们越来越惊异于大脑的奇妙。对人脑智能化实现的研究，是神经网络研究今后的需要增强的地发展方向。

4.2 发展神经计算和进化计算的理论及应用

利用神经科学理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，使离散符号计算、神经计算和进化计算相互促进，开发新的网络数理理论。

4.3 扩大神经元芯片和神经网络结构的作用

神经网络结构体现了结构和算法的统一，是硬件和软件的混合体，神经元矩阵即是如此。人工神经网络既可以用传统计算机来模拟，也可以用集成电路芯片组成神经计算机，甚至还可以生物芯片方式实现，因此研制电子神经网络计算机潜力巨大。如何让传统的计算机、人工智能技术和神经网络计算机相融合也是前沿课题，具有十分诱人的前景。

4.4 促进信息科学和生命科学的相互融合

信息科学与生命科学的相互交叉、相互促进、相互渗透是现代科学的一个显著特点。神经网络与各种智能处理方法有机结合具有很大的发展前景，如与专家系统、模糊逻辑、遗传算法、小波分析等相结合，取长补短，可以获得更好的应用效果。

参考文献

人工神经网络在ARM平台上的应用 篇6

关键词：ARM BP网络 人工神经网络 嵌入式系统

一、人工神经网络介绍

人工神经网络是根据人们对生物神经网络的研究成果设计出来的，由一系列的神经元及相应的连接构成，具有良好的数学描述，不仅可以用适当的电子线路来实现，更可以方便地用计算机程序加以模拟。早在20世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经复学理论的研究时代；其后，学者们又先后提出了感知空口无凭网络、BP网络、自组织网络、Hopfield网络、Elman网络等各种模型。目前已有200多种网络模型，十几种常用算法，使得人工神经网络技术得以蓬勃发展。它的应用领域也十分广阔，特别是在信息、、军事、化学、水利等工程领域，神经网络的作用越来越显著。

二、人工神经网络的特点

人工神经网络在结构上并行处理、分布式存储，因此运算速度快，具有较理想的容错性，同时还具有自学习、自组织、自适应能力。它是由大量的神经元广泛互连而成的系统，这个结构特点决定着人工神经网络具有高速信息处理的能力。

人工神经网络的知识存储容量很大，在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上，每个神经元及其连线只表示一部分信息，而不是一个完整的具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。

由于人工神经网络中神经元个数众多以及整个存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图像。只要输入的模式接近于训练样本，系统就能通过联想记忆给出正确的推理绪论。

正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其他的判断识别系统，如专家系统等，具有另一个显著的优点——健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。

人工神经网络同现行的计算机不同，是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号，因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人类智能信息处理能力和模拟人脑智能行为能力的一大飞跃。

（一）人工神经网络的基本功能

1.联想记忆 可以从不完整的信息和噪声干擾中恢复原始的完整信息，并对从未遇到过的新情况能根据以往的经验做出合理的分析和判断。这一能力使其在图像复原、图像和语音处理、模式识别、分类等方面具有巨大的应用价值。

2.非线性映射 可以用独特的方式对很复杂的非线性问题作分析、归纳和表述，并做出合适的处理。

3.分类与识别 神经网络可以很好地解决对非线性曲面的逼近，可以以任意精度逼近任意曲线，因此比传统的分类器具有更好的分类与识别能力。

4.优化计算 神经网络经过动态演变过程达到稳定状态时，对庆的能量函数最小，从而其稳定状态就是问题的的最优解。

5.知识处理 主要优点是能够自适应样本数据。当数据中有噪声、形变和非线性时，它能够正常地工作。

（二）BP网络原理

误差逆传播神经网络，简称BP(Back Propagation) 网络，是应用最广的一种人工神经网络。人工神经网络模型可分为三类：前向网络、反馈网络和自组织网络。BP网络属于前向网络。主要用于函数逼近、模式识别、分类及数据压缩等方面。

三、方案设计

大多人工神经网络程序都是在计算机上运行的，但在嵌入式领域中，更多应用都是针对便携式设备的，而目前嵌入式系统中，内在容量和通用处理器的处理能力都无法与计算机相比，这就限制了其处理能力，导致了嵌入式系统在应用人工神经网络时有时效性不好的先天缺陷。在暂时不能提高芯片处理能力的情况下，为了克服这个缺陷，就要让嵌入式系统尽量少参加运算，集中资源仅处理必要的任务来提高时效性。也就是说，在应用神经网络技术时，把运算量大的、耗时多的任务交给PC机先完成，而仅把用户要使用的应用程序部分载入嵌入式系统，这样可以大大地提高嵌入式系统在应用人工神经网络时的时效性。于是，可以把整体工作分为两部分。第一部分包括网络的建立、学习训练以及检测。这部分应该在PC机上实现，当网络经过训练、收敛后，计算得到了合适的各网络参数，将这些参数存入一个文件。第二部分包括重新复原网络、用户使用界面及其他对用户进行各种服务的应用程序。这部分程序将在嵌入式系统上运行，需要注意的是，在嵌入式系统使用神经网络处理问题之前，必须把预先在PC机上经过长时间学习训练得到的网络参数文件先装入嵌入式系统。因为嵌入式系统要根据这些网络参数在嵌入式系统中重新复原出结构合理的神经网络。也可以直接把网络参数文件与第二部分的应用程序放在一起，编译生成在ARM上运行的可执行代码，然后下载到嵌入式系统中运行。

四、人工神经网络在ARM平台上的实现

目前，成熟的BP网络算法代码很多。设计者只需要针对处理的特定问题而确定网络的规模，即确定网络层数和每层神经元数目。也可以再选择适当的动量因子、学习步长等极少的几个参数，然后调用BP网络算法代码进行迭代运算。直到网络收敛后，将得到的网络各权值等参数存入网络参数文件就可以了。这一部分的工作在PC机上完成，比较简单。第二部分是嵌入式系统中运行的程度，应该按照实际问题的要求，在需要时从第一部分生成的网络参数文件中取出各个网络参数复原网络。然后根据用户要求，将输入模式神经网络，由网络进行前身计算得出结果，从而快速合理地解决问题。因为在嵌入式系统中，只对网络进行前向运算，所以运算量相当小，瞬间即可完成。对于处理较复杂的非线性问题，这种处理方法会比普通算法快，并且因为它使用了第一部分在PC机上训练好的神经网络，所以具有普通算法不具备的容错、联想、自适应能力，而且整个应用具有非常好的健壮性。人工神经网络的应用部分只是作为解决问题的一种方法，应该包含在应用程序内。应用程序代码写完毕后，可以在PC上使用GNU提供的次序编译出ARM平台上的可执行代码。如果在ARM平台上移植了嵌入式Linux操作系统，还可以使用GNU的调试工具，如gdb、gdbserver、kgdb等，方便地对目标板上Linux下应用程序进行调试。

结语

浅谈人工神经网络 篇7

人工神经网络(Artificial Neural Networks,简写为NES)也简称为神经网络(NN)或称作连接模型(Connectionist Model)是对人脑或自然神经网络(Natural Neural Network)若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的,其目的在于模拟大脑的某些机理与机制,实现某个方面的功能。国际著名的神经网络研究专家,第一家神经计算机公司的创立者与领导人Hecht-Nielsen给人工神经网络下的定义就是:“人工神经网络是由人工建立的以有向图拓扑结构的动态系统,它通过对连续或断续的输入作状态相应而进行信息处理。”

人工神经网络的有以下重要特性:

1)并行分布处理神经网络具有高度的并行结构和并行实现能力,因而具有较好的耐故障能力和较快的总体处理能力,这一特性适于实时和动态处理。

2)非线性映射神经网络具有固有的非线性特性,这源于其近似任意非线性映射(变换)能力。这一特性给处理非线性问题带来新的希望。它突破了传统的以线性处理为基础的数字电子计算机的局限,标志着人们智能信息处理能力和模拟人脑行为能力的一大飞跃。

3)通过训练进行学习神经网络是通过所研究系统过去的数据记录进行训练的。一个经过适当训练的神经网络具有归纳全部数据的能力。因此,神经网络能够解决那些由数学模型或描述规则难以处理的问题。

4)适应与集成神经网络能够适应在线运行,并能同时进行定量和定性操作。神经网络的强适应和信息融合能力使它可以同时输入大量不同的控制信号,解决输入信息间的互补和冗余问题,并实现信息集成和融合处理。这些特征特别适用于复杂、大规模和多变量系统。

5)硬件实现神经网络不仅能够通过软件而且可以从市场上购买到。这使得神经网络成为具有快速和大规模处理能力的网络。

显然,神经网络由于学习和适应、自组织、函数逼近和大规模并行处理等能力。因而具有用于智能系统的潜力。

2 人工神经网络的结构

神经网络的结构是由基本处理单元及其互联方法决定的。

2.1 人工神经网络的基本特征和结构

人脑内含有及其庞大的神经元,它们相互连成神经网络,并执行高级的问题求解只能活动。

人工神经网络由神经元模型组成,这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元既有单一输出,并且能够与其他神经元连接;存在许多输出连接方法。每种连接方法对应于一个连接权系数。严格地说,神经网络是一种具有以下特征的有向图:

1)对于每个节点i存在一个状态变量Xi;

2)从节点j至节点i,存在一个连接权系数数Wji;

3)对于每个节点i,存在一个阀值θi;

4)对于每个节点i,定义一个变换函数fi(Xi,Wji,θi),i≠j;对于最一般的情况,此函数去fi(∑Wji Xj-θi)形式。

2.2 人工神经网络的结构分类

人工神经网络的结构基本上分为两类,即递归网络和前馈网络。

1)递归网络

此类网络中,多个神经元互连以组织一个互连神经网络。有些神经网络输出被反馈至通同层或前层神经元。因此,信号能从正向和反向流通。Hofield网络、Elmman网络和Jordan网络是递归网络中具有代表性的例子。递归网络又叫反馈网络。

2)前馈网络

前馈网络具有递阶分层结构,由一些同层神经元不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通;神经元从一层连接至下一层,不存在同层神经元间的连接,前馈网络的例子有多层感知其器(MLP),学习矢量化(LVQ)网络、小脑膜型连接控制(CMCA)网络和数据处理(GMDH)网络等。

2.3 人工神经网络的主要学习算法

神经网络主要通过两种学习算法进行训练,即指导式(有师)学习算法和非指导式(无师)学习算法。此外还存在第三种学习算法,即强化学习算法;可把它看作是有师学习的一种特例。

1)有师学习

有师学习算法能够根据期望的和实际的网络输出(对应于给定输入)之间的差来调整神经元连接的强度或权。因此,有师学习需要有老师或导师来提供期望或目标输出信号。有师学习算法的例子包括△规则、广义△规则或反向传播算法及LVQ算法。

2)无师学习

无师学习算法不需要知道期望输出,在训练过程中,只要神经网络提供输入模式,神经网络就能够自动地适应连接权,以便按相似的特征吧输入模式分组聚集。无师学习算法的例子包括Kohonen算法和Carpenter-Grossberg自适应谐振理论(APT)等。

3)强化学习

强化学习是有师学习的特例,它不需要老师给出目标输出,强化学习算法采用一个“评论员”来评价与给定输入项相对应的神经网络输出的优度(质量因数)。强化学习算法的一个例子是遗传算法(GA)

3 人工神经网络的典型模型

迄今为止,已开发和应用了30多种人工神经网络模型,下面是它们之中有代表性的一些模型。

1)自适应谐振理论(ART)此理论由Grossberg提出,是一个根据可选参数对输入数据进行粗略分类的网络。ART-1用于二值输入,而ART-2用于连续值输入,ART的不足之处在于过分敏感,当输入有小的变化时,输出变化很大。

2)双向联想存储器(BAM)有Kosko开发,是一种单状态互联网络,具有学习能力,BAM的缺点为存储密度较低,且易于振荡。

3)Boltzmann机(BM)由Hinton等人体提出,建立在Hopfield网络基础上,具有学习能力,能够通过一个模拟退火过程寻求解决解答。不过其训练时间比BP网络要长。

4)反向传播(BP)网络最初由Werbos开发的反响传播训练算法是一种迭代梯度算法,用于求解前馈网络的实际输出与期望输出间的最小均方差,BP网络是一种反响传递并能够修改的多层映射网络,当参数适当时,此网络能收敛到较小的均方差,是目前应用最广的网络之一,BP网络的不足是训练时间较长,且容易陷入局部较小。

5)对流传播网络(CPN)由Hech-Nielson提出,是一个通常由5层组成的连接网,CPN可以存放联想传播,其缺点是要求较多的处理单元。

6)Hopfield网由Hopfield提出,是一类不具有学习能力的单层自联想网络,Hopfield网模型由一组可使某个能量函数最小的微分方程组成,其不足在于计算代价较高,且要对称连接。

7)Madaline算法,它是Aadaline算法的一种发展,是一组具有最小均方差线性网络的组合,能够调整权值,使期望信号与输出间的误差最小,此算法是自适应信号处理和自适应控制的得力工具,具有较强的学习能力,但输入和输出之间必须满足线性关系。

8)认知机(necognitron0由Fukushima提出,使迄今为止结构最为复杂的多层网络。通过无师学习,认知机具有选择能力,对样品的平移和旋转不敏感,不过认知机所

9)感知器(preceptron)Posenblatt开发,是一组可训练的分类器,为古老的ANN之一,现已很少使用。

10)自组织映射网(SOM)由Konhonen[9]提出,以神经元自行组织以校正各种具体模式的概念为基础。SOM能够形成簇与簇之间的连续映射,起到矢量量化器的作用。

4 结束语

人工神经网络是未来微电子技术应用的新领域。智能计算机的构成,可能就是作为主机的冯?诺依曼计算机与作为智能外围机的人工神经网络的结合。通过对人工神经网络基本构造和基本模型的介绍,使读者对其基本方法有一个基本的掌握,为智能计算机的发展奠定一点基础。

摘要：神经网络具有智能系统的潜力,因此了解神经网络的特性,神经网络的结构等具有重要意义。该文就神经网络以及主要的人工神经网络作了阐述。

关键词：神经网络,人工神经网络

参考文献

[1]王伟.人工神经网络原理——入门与应用[M].北京:北京航空航天大学出版社,1995.

[2]张立明.人工神经网络技术及其应用[M].上海:复旦大学出版社,1993:6-7.

人工神经网络文献综述 篇8

关键词：人工神经网络,分类及发展,应用

一、人工神经网络理论概述

(一) 人工神经网络基本原理

神经网络 (Artificialneuralnet work, ANN) 是由大量的简单神经元组成的非线性系统, 每个神经元的结构和功能都比较简单, 而大量神经元组合产生的系统行为却非常复杂。人工神经元以不同的方式, 通过改变连接方式、神经元的数量和层数, 组成不同的人工神经网络模型 (神经网络模型) 。

人工神经元模型的基本结构如图1所示。图中X= (x1, x2, …xn) T∈Rn表示神经元的输入信号 (也是其他神经元的输出信号) ;wij表示神经元i和神经元j之间的连接强度, 或称之为权值;θj为神经元j的阀值 (即输入信号强度必须达到的最小值才能产生输出响应) ;yi是神经元i的输出。其表达式为式中, f (·) 为传递函数 (或称激活函数) , 表示神经元的输入-输出关系。

(二) 人工神经网络的发展

人工神经网络 (Artificial Neural Network) 是一门崭新的信息处理科学, 是用来模拟人脑结构和智能的一个前沿研究领域, 因其具有独特的结构和处理信息的方法, 使其在许多实际应用中取得了显著成效。人工神经网络系统理论的发展历史是不平衡的, 自1943年心理学家M c Culloch与数学家Pitts提出神经元生物学模型 (简称M P-模型) 以来, 至今已有50多年的历史了。在这50多年的历史中, 它的发展大体上可分为以下几个阶段。

60年代末至70年代, 人工神经网络系统理论的发展处于一个低潮时期。造成这一情况的原因是人工神经网络系统理论的发展出现了本质上的困难, 即电子线路交叉极限的困难。这在当时条件下, 对神经元的数量n的大小受到极大的限制, 因此它不可能去完成高度智能化的计算任务。

80年代中期人工神经网络得到了飞速的发展。这一时期, 多种模型、算法与应用问题被提出, 主要进展如:Boltzmann机理论的研究, 细胞网络的提出, 性能指标的分析等。

90年代以后, 人工神经网络系统理论进入了稳健发展时期。现在人工神经网络系统理论的应用研究主要是在模式识别、经济管理、优化控制等方面:与数学、统计中的多个学科分支发生联系。

(三) 人工神经网络分类

人工神经网络模型发展到今天已有百余种模型, 建造的方法也是多种多样, 有出自热力学的、数学方法的、模糊以及混沌方法的。其中BP网络 (Back Propagation NN) 是当前应用最为广泛的一种人工神经网络。在人工神经网络的实际应用中, 80%~90%的人工神经网络模型是采用BP网络或它的变化形式, 它也是前向网络的核心部分, 体现了人工神经网络最精华的部分。其结构简单, 应用范围主要在模式识别、分类、非线性映射, 复杂系统仿真, 过程控制等方面。

(四) 人工神经网络模型的研究及相关应用

神经网络一直是科学界的研究热点, 无论是理论研究还是应用实践都有大量的成果报道。人工神经网络历史上首先应用于电子科技领域, 如模式识别、信号和图像处理、控制理论等。随着人们对神经网络的认知和了解, 其应用领域将更加广泛。

由于人工神经网络具有任意逼近函数、自学习自适应能力极强的特点, 因此, 在这里, 可以将人工神经网络应用到经济预警问题之中。如王春峰, 万海晖, 张维应用BP网络对股票价格进行预测, 应用BP网络模型对商业银行的信贷风险进行预警, 运用BP网络模型评估借贷方的信用风险等等, 这些应用都取得了比较好的效果。顾海军等人利用BP网络的较高的自组织、自适应和自学能力, 对商业银行风险进行综合评价, 从而为商业银行风险评价走向使用化奠定了基础。为了避免传统参数期权定价模型 (parametricoptionpricingmodels, POPMS) 的缺陷, 马文伟课题的研究, 借助人工神经网络探讨实物期权定价, 这将有利于实物期权定价理论的完善和发展。王洪利等人采用人工神经网络方法, 对最常用于体育场馆建设的网架结构形式进行了选型研究, 结果表明, 该方法能较好的进行网架结构的选型, 从而节约建造成本。吴煜等人通过人工神经网络寻找组合预测权重的方法, 有效的解决预测城市用水需求量这样的复杂性问题。段玉波等人使用的递归神经网络可以满足短期负荷预测的需要, 效果较好对于合理地进行电力系统调度, 计划, 用电与规划具有一定的现实意义。刘历波提到利用改进的BP神经网络算法对建设项目集成管理绩效进行了综合评价, 证明该方法的可行性和有效性, 为我国建设项目集成管理绩效评价提供了一条新的可操作性方法。付辉指出应用Hopfield网络对非定量因素进行科学的分析, 可以消除一些人为因素的影响, 使评选结果更加合理。杨俊琴通过对投标项目风险因素辨识, 建立了基于BP神经网络的风险分析模型, 对项目的风险度进行评估, 为投标人在进行投标决策时提供了一个有效的风险分析工具。

二、总结

人工神经网络在各个领域中的应用, 为工作的顺利进行提供了保障, 克服了以往的常用方法的缺陷, 解决了很多难题。比如在工程造价预测中的应用, 它利用了神经网络具有自学习、自组织、自适应的特点, 建立了具有反馈系统从而不断调节误差的BP算法, 减少了人为主观的参与, 这使得造价预测结果更加贴近实际, 更加精确。在评标过程中的应用亦是如此。但是, 神经网络作为新兴学科, 在理论和实践中, 还有很多不完善和不成熟的地方, 又在一定程度上制约了它的实际应用。总之在利用人工神经网络解决问题时, 需要选定合适的网络模型及网络算法, 同时还要加深人工神经网络基础理论方面的研究。

参考文献

[1]段玉波, 曲薇薇, 周群等.应用递归人工神经网络预测电力短期负荷[J].佳木斯大学学报 (自然科学版) , 2010.

[2]姜绍飞, 张春丽, 钟善桐.BP网络模型的改进方法探讨[J].哈尔滨建筑大学学报, 2000.

[3]冯清海, 袁万城.BP神经网络和RBF神经网络在墩柱抗震性能评估中的比较研究[J].结构工程师, 2007.

[4]李刚.基于人工神经网络的房地产估价研究[D].长安大学, 2006.

[5]刘丹.基于人工神经网络的风险投资项目评估模型[D].中南大学, 2002.

[6]张凌.基于人工神经网络的期权定价模型[D].武汉理工大学, 2007.

人工神经网络技术及其应用 篇9

1 人工神经网络技术

人工神经网络技术也称ANN, 是随着上个世纪八十年代人工智能发展兴起的一个研究热点, 它的主要工作原理对人脑神经网络进行抽象处理, 并仿造人脑神经网络建立简单的模型, 按照不同的连接方式组成一个完整的网络, 因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型, 它是通过大量的节点——神经元连接起来的, 其中不同的节点所代表的输出函数也不同, 也就是所谓的激励函数;当有两个节点连接起来时称之为通过该连接信号的加权值, 也称为权重, 这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统, 这种工作机理与传统的信息处理技术和人工智能技术完全不同, 是一种全新的技术, 它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷, 具有实时学习、自适应性和自组织性等特点。

2 人工神经网络技术应用分析

随着人工神经网络技术的发展, 它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。

2.1 生物信号的检测分析

目前大部分医学检测设备都是通过连续波形得到相关数据, 从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成, 解决了生物医学信号检测方面的难题, 其适应性和独立性强, 分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。

2.2 医学专家系统

传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中, 构建独立的医学知识库, 通过逻辑推理进行诊断的一种方式。进入到二十一世纪, 医院需要存储的医学知识越来越多, 每天产生新的病况和知识, 过去的一些专家系统显然已经无法适应医院的发展需求, 因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向, 通过人工神经网络技术, 系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多, 目前临床上一些还没有确切证据或者尚未发现的关系与现象, 通过人工神经网络便能有效地解决。

2.3 市场价格预测

在经济活动中, 传统统计方法受到一些因素的制约, 无法对价格变动做出准确的预测, 因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据, 并作出有效地预测, 因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平, 从而组建一个完整的预测模型, 准确预测出商品的价格变动情况。

2.4 风险评价

在从事某一项特定的活动时, 由于社会上一些不确定因素, 可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时, 对活动进行有效的预测和评估, 避免风险。人工神经网络技术可以根据风险的实际来源, 构筑一套信用风险模型结构和风险评估系数, 从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足, 从而达到避免风险的目的。

3 人工神经网络技术未来发展

人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷, 因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步, AI的快速发展, AI与遗传算法、模糊系统等方面结合, 形成了计算智能, 很多企业和国家开始大规模研发AI, 人工神经网络正在模拟人类认知的方向发展, 目前市场已经有很多不少人工智能产品面世。

4 结语

通过上述研究分析, 人工神经网络技术已经取得了相应的发展, 但还存在很多不足:应用范围狭窄、预测精度低、通用模型缺乏创新等, 因此需要我们在此基础上不断寻找新的突破点, 加强对生物神经元系统的研究和探索, 进一步挖掘其潜在的价值, 将人工神经网络技术应用在更多领域中, 为社会创造更大的财富。

摘要：随着计算机网络、信息技术、自动化技术的进步, 极大的改变了我们的生活。人工神经网络技术是一种全新的控制技术, 通过互联网进行动态模拟, 从而建立一种新的控制互联网的系统。经过十几年的发展, 人工神经网络技术研究取得了巨大的进步, 已经广泛应用在社会各个领域, 使现代计算机中的难题得到了解决。本文主要从人工神经网络技术的概念出发, 探讨了它在现代社会领域的具体应用。

关键词：人工神经网络,信息技术,发展趋势

参考文献

[1]周文婷, 孟琪.运动员赛前心理调控的新策略——基于人工神经网络技术的比赛场地声景预测 (综述) [J].哈尔滨体育学院学报, 2015, 33 (03) :15-21.

[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信, 2014 (02) :76-76.

关于人工神经网络的应用研究 篇10

人工神经网络,英文名为“Artificial Neural Network”,简称ANN,它充分分析大脑神经突触联接的结构特点,对其进行模拟,然后进行信息处理。简单来说,人工神经网络就是对人脑结构、人脑功能的模仿。它的特点有很多,比如非线性、非局限性、非常定性、非凸性等。这些特点铸就了人工神经网络的各种功能,促进了它的应用。

2 人工神经网络的应用

随着人们对人工神经网络的不断研究,人工神经网络的作用越来越大,给人们提供了更好的服务,下面就以人工神经网络在信息领域、医学、经济领域、控制领域、交通运输、心理学六个方面分别介绍其应用。

2.1 信息领域

人工神经网络在信息领域的应用分为两个方面,一个是信息处理,一个是信息识别。

1)信息处理

由于现代信息的多样化和多变性的特点,信息处理就变得复杂起来,人工神经网络可以对人的一部分思维能力进行模仿甚至代替,解决传统信息处理的困难。在通常情况下,人工神经网络可以自动诊断问题,开启问题求解模式。另外,人工神经网络系统的容错性能高,当其连接线遭到破坏,自身的组织功能还是可以保持它的优化工作状态。因此,军事系统充分利用这一优势,在其电子设备广泛应用人工网络信息系统。

2)模式识别

这项功能的理论基础有两个,一个是贝叶斯的概率论,另一个是申农提出的信息论。模式识别主要是分析和处理存在于目标体上的各种形式的信息,然后在处理和分析的基础上对目标体进行描述、辨认等过程。随着人工神经网络在模式识别中的应用, 传统的模式识别逐渐被取代。随着模式识别的发展,已经逐渐应用到语音识别、人脸识别、文字识别等各个方面。

2.2 医学领域

人体是非常复杂的,在医学中,想要弄清楚疾病的类型、疾病的严重情况等,仅仅依靠传统的望闻问切诊断方法是远远不够的,医学的发展需要运用新技术。人工神经网络应用于医学中,可以分析生物信号,观察信息的表现形式以及研究信息的变化规律,将这三者的结果进行分析和比较,从而掌握病人的病情。

1)生物信号的检测与分析

在医学诊断中,医生基本上都是通过对医学设备中呈现出来的连续波形进行分析。人工神经网络中有一套自适应的动力学系统,该系统由一些数量庞大的简单处理单元互相连接。因此,它具有多种功能,比如Massively Parallelism,即所谓的巨量并行性功能,分布式存贮功能以及强大的自组织自学习功能等。用常规处理法处理生物医学信号分析非常困难,而人工神经网络的功能可以有效解决难题,其在生物医学人脑检测与处理中的应用非常广泛,比如分析电脑信号,对心电信号进行压缩处理,医学图像的识别等,在很大程度上促进了医学的发展。

2)医学专家系统

对于传统的专家系统而言,其工作原理基本上就是先由专家根据自己多年的医学经历,总结自己的经验和所掌握的知识,以某种规则的形式将这些经验和知识存储在电脑中,建立一个专家的知识库,然后借助逻辑推理等方式开展医疗诊断工作。但是, 随着专家知识的不断增长和经验的日益丰富化,数据库的规模会越来越大,极有可能产生知识“爆炸”的现象。同时,专家在获取知识的过程中也会遇到困难,导致工作效率低下。人工神经网络中的非线性并行处理方式解决了传统专家系统中的困难,在知识推理、自组织等方面都有了很大的提高,医学专家系统也开始逐渐采用人工神经网络系统。

在医学领域中,麻醉和危重医学的研究过程中,存在很多的生理方面的分析与检测工作,人工神经网络系统有良好的信号处理能力,排除干扰信号,准确检测临床状况的相关情况,有力促进了医学的发展。

2.3 经济领域

经济的快速有效增长是基于人们对市场规律良好的掌握和运用以及对经济活动中的风险评估,及时应对和解决,这样才能保障经济活动的快速发展。人工神经网络应用于经济领域,主要有预测市场价格和评估经济风险两个方面。

1)预测市场价格的波动情况

商品的价格主要是由市场的供求关系和国家宏观调控来变化的。国家的宏观调控是客观存在的,我们可以在遵循国家宏观调控的前提之下分析市场的供求关系,从而预测商品的市场价格。在传统的统计学方法中,在预测价格波动时因其自身的局限性,难以做出科学的判断。人工神经网络可以有效处理不完整数据和规律性不强的数据,它是传统统计方法所不能达到的。人工神经网络系统基于市场价格的确定机制,综合分析影响商品价格的因素,比如城市化水平、人均工资水平、贷款情况等,将这些复杂的因素综合起来,建立一个模型,通过模型中的数据显示,科学预测商品的市场价格波动情况,有效利用商品的价格优势。

2)评估经济风险

经济风险,即Economic Exposure,它指的是由于经济前景的一些不确定因素,导致经济实体出现重大的经济损失。在处理经济风险的时候,做好的措施就是防患于未然,做好评估和预测,将经济风险扼杀在萌芽时期。人为的主观判断经济风险具有一定的可靠性,但是也存在很多的不足。将人工神经网络系统应用于评估经济风险,可以有效弥补人为判断风险的不足。人工神经网络先提取具体风险来源,然后在此基础上构建出一个模型,这个模型一般要符合实际情况,通过对模型的研究,得出风险评价系数, 最终确定有效的解决方案。

2.4 控制领域

随着人工神经网络的不断发展,人们开始研究其在控制领域的应用。比如现在的机器人的摄像机控制、飞机控制等。它主要是通过控制图像传感器,再结合图像表面的非线性关系,进行计算和分析,另外,它还可以将图像传感器瞄准到处于运动状态中的目标物上。

2.5 交通运输

交通问题具有高度的非线性特点,它的数据处理是非常庞大和复杂的,这与人工神经网络有很大的吻合性。就目前来讲,人工神经网络应用到交通领域有模拟驾驶员的行为、分析交通的模式等等。

2.6 心理学

人工神经网络是对人脑神经元的信息处理能力的模拟,本身就带有一定的抽象性,它可以训练很多的认知过程,比如感觉、记忆、情绪等。人们通过对人工神经系统的不断研究,多个角度分析了其认知功能。就目前来看,人工神经网络可以分析人的认知,同时对认知方面有缺陷的病人进行模拟,取得了很大的进步。当然,人工神经网络应用于心理学领域也存在很多的问题,比如结果精确度不高、模拟算法的速度不够等,这些都需要人们持之以恒的研究。突破这些难题,促使人工神经网络有效应用于心理学领域。

3 结束语