首页 > 文章中心 > 人工神经网络

人工神经网络范文精选

人工神经网络

人工神经网络范文第1篇

原理与方法

神经网络是一个具有高度非线性的超大规模连续时间动力系统。是由大量的处理单元(神经元)广泛互连而形成的网络。它是在现代神经科学研究成果的基础上提出的,反映了脑功能的基本特征。但它并不是人脑的真实描写,而只是它的某种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现;知识与信息的存储表现为网络元件互连间分布式的物理联系;网络的学习和计算决定于各神经元连接权系的动态演化过程。因此神经元构成了网络的基本运算单元。每个神经元具有自己的阈值。每个神经元的输入信号是所有与其相连的神经元的输出信号和加权后的和。而输出信号是其净输入信号的非线性函数。如果输入信号的加权集合高于其阈值,该神经元便被激活而输出相应的值。在人工神经网络中所存储的是单元之间连接的加权值阵列。

神经网络的工作过程主要由两个阶段组成,一个阶段是工作期,此时各连接权值固定,计算单元的状态变化,以求达到稳定状态。另一阶段是学习期(自适应期,或设计期),此时各计算单元状态不变,各连接权值可修改(通过学习样本或其他方法),前一阶段较快,各单元的状态亦称短期记忆(STM),后一阶段慢的多,权及连接方式亦称长期记忆(LTM)〔1〕。

根据网络的拓扑结构和学习规则可将人工神经网络分为多种类型,如不含反馈的前向神经网络、层内有相互结合的前向网络、反馈网络、相互结合型网络等〔2〕。本文的人工神经网络模型是采用BP算法的多层前馈网络。

该模型的特点是信号由输入层单向传递到输出层,同一层神经元之间互不传递信息,每个神经元与邻近层所有神经元相连,连接权用Wij表示。各神经元的作用函数为Sigmoid函数,设神经网络输入层的p个节点,输出层有q个节点,k-1层的任意节点用l表示,k层的任意节点用j表示,k+1层的任意节点用l表示。Wij为k-1层的第i个神经元与k层的第j个神经元相连接的权值。k-1层的节点i输出为O(k-1)i,k层节点j的输出为:

k层节点j的输出为:

Okj=f(netkj)

设训练样本为(X,Ye),X为p维向量,加到输入层;Ye为q维向量,对应于期望输出;网络的实际输出Y也是q维向量。网络在接受样本对的训练过程中,采用BP算法,其权值调整量为:

ΔWij=-ηδkjO(k-1)i

其中,对于输出层为:

δkj=yj(1-yj)(yej-yj)

对于非输出层为:

η为训练步长,取0<η<1。

用样本集合反复训练网络,并不断修改权值,直到使实际输出向量达到要求,训练过程结束〔3〕。

上述人工神经网络可以完成多种信息处理任务,如从二进制数据中提取相关知识,完成最近邻模式分类,实现数据聚集等。而本文要用的是其极强的数学逼近映射能力,即开发合适的函数f:ARn→BRn,以自组织的方式响应以下的样本集合:(x1,y1),(x2,y2)…,(xm,ym),其中yi=f(xi)。这里描述的是一般的数学抽象,像识别与分类这些计算都可以抽象为这样的一种近似数学映射。

所谓诊断,实质上是一个分类问题。即根据候诊者的症状,医学检查结果(如体温、心跳等)等一些情况,它们可以用一向量(e1,e2,…,em)来表示,将其归类为病人或非病人。这也可以转化为寻找一差别函数f使得:

(1)f(e1,e2,…,em)>ε,(e1,e2,…,em)∈T

(2)f(e1,e2,…,em)>ε,(e1,e2,…,em)T

其中集合T表示患病。

因此,病情诊断最终也可作为一类函数的逼近问题。

而许多研究已表明,前向神经网络可作为非线性逼近的标准型。对于实数空间的任一函数,只要它满足一定的条件,一定存在唯一的具有单一隐层的前向网络作为它的最优最佳逼近。而含有两个隐含层的前向网络可在任意的平方误差内逼近某一实函数〔3〕。

诊断步骤

肺癌病例数据选自1981~1994年在某医院住院的病人,共计551例。其中486例(88%)经病理学、细胞学诊断证实为肺癌。每一病例都包括多项数据,其中用于诊断的数据项有:病人的一般情况(如年龄、性别等),家族史、既往史、吸烟史、术后病理、X射线检查、CT检查、纤维支气管镜检查、PAT痰检等多达58项。因此,原则上58项数据应作为神经网络的输入项,而神经网络的输出值就是病人是否患肺癌的结果。

1.网络训练集的确定:在最原始的551例病人数据中存在着各种各样的差别,如性别差异(419例男性,132例女性),诊断结果的差异(486例经证实为肺癌),所患肺癌种类的差异(鳞癌、小细胞癌、大细胞癌等),患病程度上的差异(早、中晚期的不同)等等。显然,训练数据集应最大限度地保证兼顾各种病例情况。经过仔细筛选,选择了含有460个病例的集合作为肺癌诊断用的网络的训练集。

2.神经网络输入和输出数据的预处理

按照人工神经网络的理论,神经网络的输入输出数据都应该属于(0,1)区间的实数,为此我们需对原始数据进行如下的规一化处理:

其中xi为原始数据项,而Max=max{xi∶xi∈X},Min=min{xi∶xi∈X}。这里X为原始数据集。经过(7)式变换后,yi将在(0,1)区间。因此,可作为神经网络的输入输出。

3.应用神经网络进行肺癌诊断

将描述病人各种情况的数据作为前向网络的输入数据加到其输入端,并按(1)~(6)式计算各神经元的输入和输出,同时调整神经元之间的连接权值以使网络的输出和实际的病例情况相符。即当病人确实患肺癌时网络的输出结果也恰好指示为肺癌,反之亦然。如果对所有的训练样本集网络的输出基本上(95%或更高)能保证与实际结果一致,则训练过程结束。我们认为神经网络已建立起病人的各种因素与他是否是肺癌患者之间的函数映射关系。对于一个新的候诊病人来说,只要将他的情况输入到训练好的神经网络中去,根据网络的输出结果就可以知道他是否已患肺癌。

表1基于不同发病因素的诊断网络模型

类型训练集精度测试集精度

基于遗传因素的诊断网53.8%46.3%

基于个人生活习惯的诊断网57.1%44.9%

基于病症的诊断网89.4%83.3%

基于医学检查结果的诊断网98.5%92.6%

上述结果表明不同类型的因素应分开来考虑。于是我们将58项输入数据分成四类,这四类有各自的BP诊断网,依次称为诊断一、诊断二、诊断三、诊断四。它们先单独测定,然后再将它们各自的结果综合起来得出最后的判断。

上述四种诊断网络所得结果的可靠性各不相同。其中,根据医学检查结果所作的诊断准确性最高,因此在最后的综合分析中要重点考虑它的诊断结果,我们给它设一个相对最高的权值。其次,根据病人的症状所作的诊断往往也具有较高的准确性,因此给它的权值也较高,但比医学检查结果的稍低。其他两类因素在有关肺癌的诊断中仅具参考作用,因而所设的权值相对较小。转

最后的结果O为:

O=a1.O1+a2.O2+a3.O3+a4.O4

a1+a2+a3+a4=1

其中Oi,ai,i=1,2,3,4分别为各诊断网的输出及其对应的权值。

当O>0.5时最后的诊断结果为患肺癌,反之则正常。对所有的病例数据经上述方法的诊断结果见表2。

表2神经网络对肺癌诊断结果分析

神经网络

诊断结果训练数据测试数据

肺癌患者非肺癌患者肺癌患者非肺癌患者

+4602253

-038122

其中对于训练集,肺癌病人的正确检出率为100%,非肺癌病人误诊率为5%。对于测试集,肺癌病人的正确检出率为96.2%;非肺癌患者正确检出率为88%,误诊率为12%。

讨论

1.本研究所采用的人工神经网络的肺癌诊断方法的结果较好地符合了已知数据,具有较高的准确性,特别是对于肺癌患者一般都能准确地做出诊断,有利于肺癌的早期发现和治疗。

2.要想进一步提高该方法的准确性,应该注意收集更多更全面的病例数据。人工神经网络主要是利用它能自动从数据集中抽取函数的关系的功能。如果我们所使用的数据越多越全面,则其中所蕴含的事物本身的规律性就越强,利用人工神经网络从中所抽取的函数关系就越具有普遍性,因而就更准确。

3.实现对肺癌的诊断的关键在于准确找到罹患肺癌的判定函数,可利用前向网络的函数逼近功能来实现。但是这里涉及到两个问题。首先,由于差别函数和预测率函数都是利用人工神经网络从已知的病例数据集中抽取出来的,它实际反映的是这些数据集中输入输出对的映射关系。因此要想保证诊断具有较高的准确性,就应该使用来建立函数关系的这些数据集(称训练集)具有充分的代表性,即这些数据应基本蕴含肺癌诊断的医学原理。这就涉及到如何选择网络合理的训练集及关键的输入项。另一个问题涉及到神经网络本身的要求,即网络的输入输出数据值都应在区间(0,1)中。这可以通过数据的编码和归一化来实现。

4.由于某些原因有些病人的病例数据不完整,约占总病例数据的10%左右。显然,如果按照传统的方法来建立肺癌病人的诊断模型〔4〕,这些有缺项的数据是不太好处理的,但是由于人工神经网络有较强的容错性,输入数据在某些项上的错误对网络最终结果的正确性影响不大。

参考文献

1.焦李成.神经网络系统理论.第1版.西安:西安电子科技大学出版社,1995,3

2.WangZhenni,ThamMingT,MorrisA.MultilayerFeedforwardNeuralNetworks:ACanonicalformApproximationofNonlinearity,IntJ.Control,1992,56(3):655~672.

人工神经网络范文第2篇

人工神经网络(AartificialNeuralNetwork,下简称ANN)是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年,已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型,后被冷落了一段时间,80年代又迅猛兴起[1]。ANN之所以受到人们的普遍关注,是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法(BP算法,BackPropagation),它的网络结构及算法直观、简单,在工业领域中应用较多。

经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测,预测某些部件的疲劳寿命[2]。非线形神经网络补偿和鲁棒控制综合方法的应用(其鲁棒控制利用了变结构控制或滑动模控制),在实时工业控制执行程序中较为有效[3]。人工神经网络(ANN)和模糊逻辑(FuzzyLogic)的综合,实现了电动机故障检测的启发式推理。对非线形问题,可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解[4]。

因此,对于电力系统这个存在着大量非线性的复杂大系统来讲,ANN理论在电力系统中的应用具有很大的潜力,目前已涉及到如暂态,动稳分析,负荷预报,机组最优组合,警报处理与故障诊断,配电网线损计算,发电规划,经济运行及电力系统控制等方面[5]。

本文介绍了一种基于人工神经网络(ANN)理论的保护原理。

1、人工神经网络理论概述

BP算法是一种监控学习技巧,它通过比较输出单元的真实输出和希望值之间的差别,调整网络路径的权值,以使下一次在相同的输入下,网络的输出接近于希望值。

在神经网络投运前,就应用大量的数据,包括正常运行的、不正常运行的,作为其训练内容,以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后,还可根据现场的特定情况进行现场学习,以扩充ANN内存知识量。从算法原理看,并行处理能力和非线性功能是BP算法的一大优点。

2、神经网络型继电保护

神经网络理论的保护装置,可判别更复杂的模式,其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络(ANN)与专家系统(ES)融为一体的神经网络专家系统,其中,ANN是数值的、联想的、自组织的、仿生的方式,ES是认知的和启发式的。

文献[1]认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络,因此保护应选用全波数据窗。

ANN保护装置出厂后,还可以在投运单位如网调、省调实验室内进行学习,学习内容针对该省的保护的特别要求进行(如反措)。到现场,还可根据该站的干扰情况进行反误动、反拒动学习,特别是一些常出现波形间断的变电站内的高频保护。

3、结论

本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上,这样,在相同的动作时间下,可以大大提高保护运算次数,以实现在时间上即次数上提高冗余度。超级秘书网

一套完整的ANN保护是需要有很多输入量的,如果对某套保护来说,区内、区外故障时其输入信号几乎相同,则很难以此作为训练样本训练保护,而每套保护都增多输入量,必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法,各套保护通过总线联网,交换信息,充分利用ANN的并行处理功能,每套保护均对其它线路信息进行加工,以此综合得出动作判据。每套保护可把每次录得的数据文件,加上对其动作正确性与否的判断,作为本身的训练内容,因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作,特别是高频模拟量。

神经网络的硬件芯片现在仍很昂贵,但技术成熟时,应利用硬件实现现在的软件功能。另外,神经网络的并行处理和信息分布存储机制还不十分清楚,如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究,以形成完善的理论体系,创造出更适合于实际应用的新型网络及学习算法[5]。

参考文献

1、陈炳华。采用模式识别(智能型)的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议,[会址不详],1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans,1994,10(3)。(1):371~377

3、LeeTH,WangQC,TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans,1993,3(2)。(3):190~197

人工神经网络范文第3篇

决策支持系统经过二十多年的发展,形成了如图l所示公认的体系结构。它把模型并入信息系统软件中,依靠管理信息系统和运筹学这两个基础逐步发展起来。它为解决非结构化决策问题提供了相应的有用信息,给各级管理决策人员的工作带来了便利。从图1可以看出决策支持系统体系结构可划分为三级,即语言系统(LS)级、问题处理系统(PPS)级和知识系统fKS)级。其中问题处理系统级包括推理机系统(RS)、模型库管理系统(MBMS)、知识库管理系统(KBMS)及数据库管理系统(DBMS)。知识系统级包括模型库(MB)、知识库(KB)及数据库(DBo九十年代中期,兴起了三个辅助决策技术:数据仓库(DW)、联机分析处理(0LAP)和数据挖掘(DM)。联机分析处理是以客户,服务器的方式完成多维数据分析。数据仓库是根据决策主题的需要汇集大量的数据库,通过综合和分析得到辅助决策的信息。数据挖掘顾名思义,是为了获得有用的数据,在大量的数据库中进行筛选。人工智能技术建立一个智能的DSS人机界面,可进行图、文、声、像、形等多模式交互,人机交互此时变得更为自然和谐,人们能沉浸其中,进行合作式、目标向导式的交互方法。从目前情况来看,财务决策支持系统的研究还处于初级发展阶段,财务数据的保密性、特殊性决定了财务决策不能全部公开化、透明化,但随着中央及国务院相关部门财务预决算数据的公开,财务决策系统及其支持系统和过程也将随之公开,这就要求决策者充分利用财务知识和决策支持系统的知识“聪明”决策、合理决策、科学决策、规范决策。

2财务管理神经网络智能决策支持系统总体研究框架

2.1神经网络运行机制神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分,来弥补计算机的不足之处,而不是单单用物理的器件去完整地复制。第一,神经网络中的链接的结构和链接权都可以通过学习而得到,具有十分强大的学习功能;第二,神经网络所记忆的信息是一种分布式的储存方式,大多储存在神经元之间的权中;第三,神经网络部分的或局部的神经元被破坏后,仍可以继续进行其他活动,不影响全局的活动,因此说,神经网络的这种特性被称作容错性;第四,神经网络是由大量简单的神经元组成的,每个神经元虽然结构简单,但是它们组合到一起并行活动时,却能爆发出较快较强的速度来。我们可以利用神经网络的上述特点,将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。

2.2财务管理神经网络集成智能财务DSS的必然性在企业经营管理、政府机构财务活动中,人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程,一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中,各种指标之间的关系很难明确,而且还受评价者的效用标准和主观偏好所左右。因此,很难在指标体系和评价目标间建立起准确的定量或定性模型。因此,我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然,利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势圈。

2.3财务管理神经网络集成智能DSS系统框架神经网络智能决策支持系统主要以知识、数据和模型为主体,结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架『2I。研究中有两个重点,即神经网络推理系统和神经网络数据开采系统。

2.3.1神经网络数据开采系统神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务:相关分析、聚类、概念描述、偏差监测、预测。常用的前馈式神经网络,如BP网络,可用于进行概念描述及预测。对向传播(CounterPropagation,简称CP)神经网路可用来进行统计分析和聚类。CP网络是美国神经计算专家RobertHecht—Nielsen提出的一种新型特征映射网络,其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点,又采纳了有教师示教型网络分类精细、准确的好处,使两者有机地结合起来。由竞争层至输出层,网络按基本竞争型网络学习规则得到各输出神经元的实际输出值,并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习,可以将任意输入模式映射为输出模式。

2.3.2财务管理神经网络推理系统财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”,等问题。在神经网络系统中,计算与存储时完全合二为一的,即信息的存储体现在神经元互连的分布上,并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程,这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点,系统最终会流向期望的最小点,计算也就在运动过程中悄悄地完成了。因而,可用双向联想记忆(BAM)网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式,且将之分为x和Y两部分。网络通过提供的样本对进行充分的学习后,就可用来进行模式问的联想推理。

3财务管理神经网络智能DSS研究展望

当前世界上最热门的研究课题,是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术,但由于自身的局限性,它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好,但真遇到解决复杂的问题的时候,它就显得力不从心了,所以,这个时候我们可以将两种技术结合起来解决,除了它们要自身不断发展和完善外,还要注重两者的协调配合,神经网络DSS未来的发展趋势就是依靠这两种技术不断结合,从而能帮助我们解决更多的实际问题。

3.1财务管理神经网络支持专家系统常见的财务管理神经网络支持专家系统主要包括几个方面:知识维护、知识表示、知识获取、推理等,我们针对各个步骤展开讨论。

3.1.1知识维护。如果知识是通过人工神经网络来获取的,我们就可以同样利用人工神经网络,来让维护工作变得更加方便快捷,维护可以通过人工神经网络来自动完成,我们需要做的只是重新运行网络模块,或者重新训练网络模块,又或是增加新的网络模块。

3.1.2推理。一般的专家系统只是求解专门性问题,应用的领域非常狭窄,同时由于控制策略不灵活,推理方法简单,容易出现一些这样或那样的问题,推理效率低、速度慢。人-T-~$经网络可以解决这一问题,从根本上提升工作效率,提高工作速度,它可以拓展知识空间,不只局限在狭窄的领域。

3.1.3知识表示。很多专家知识事实上很难用规则表示出来,但在现实工作中,我们大部分财务管理专家却都采取这种方式,无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题,我们可以采用人工神经网络系统来将知识提供给专家系统,这样做就可以避免这一问题,当专家系统需要相应知识时,就不需要用规则来表示知识,直接调用人工神经网络就可以了。

3.1.4知识获取。人工神经网络可以帮专家系统来获取知识,知识获取是通过人机对话的形式进行的。首先,专家系统向专家提出问题,人工神经网路则负责对这些信息进行收集、处理,在人工神经网络的联结权值中已经具有通用的知识,所以这一步骤会很方便,之后再产生相应的数据结果。接着,专家系统在对这些数据进行进一步的分析。在这一过程中,专家系统只运用很少的规则就可以获得相关的知识,大大提高了工作效率。

3.2财务管理专家系统支持神经网络财务管理专家主要通过三种方式来对神经网络提供必要的支持:第一,提供相应的必要的解释;第二,进行预处理:第三,联合应用。

3.2.1解释。作为专家系统的人工神经网络,它做不到同其他专家系统那样,具体详细地跟踪问题求解的过程,以获得答案的原因,它只能依靠增加一个小型的专家来解决这一问题,以获得答案的原因,这个专家系统可以反向推理,从结果到初始输入,系统提供具体的解决方法。在这种模式中,经过训练的人工神经网络来解决问题。当用户要求解释的时候,就可以通过网络输入一个并行的专家系统。

人工神经网络范文第4篇

关键词:计算机网络模型;神经网络算法

计算机网络在人们日常生活越来越重要,被广泛应用到各个行业。随着社会不断发展,人们需求不断加高,使计算机得到良好改善,目前,计算机网络运用集线式服务器来实现网络互连,促进网络发展。但是也有很大弊端,过多的联想信息虽然满足人们需求,但是对技术的要求也更加苛刻,现有的技术满足不了计算机网络运行,使人们日常操作不方便。为了解决这一问题,研究人员需要全面优化计算机网络,提高运行能力和性能,运用神经网络算法,使计算机更加适合现代社会发展,储存更多信息。

1神经网络算法概论分析

1.1神经网络算法整体概论神经网络算法是按照人体大脑的思维方式进行模拟,根据逻辑思维进行推理,将信息概念化形成人们认知的符号,呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造,使计算机执行。目前,神经网络被广泛使用,使直观性的思维方式分布式存储信息,建立理论模型。优化网络的神经网络主要是Hop?eld神经网络,是1982年由美国物理学家提出的,它能够模拟神经网络的记忆机理,是全连接的神经网络。Hop?eld神经网络中的每个神经元都能够信号输出,还能够将信号通过其他神经元为自己反馈,那么其也称之为反馈性神经网络。

1.2优化神经网络基本基础Hop?eld神经网络是通过能量函数分析系统,结合储存系统和二元系统的神经网络,Hop?eld神经网络能收敛到稳定的平衡状态,并以其认为样本信息,具备联想记忆能力,使某种残缺信息进行回想还原,回忆成完整信息。但是Hop?eld神经网络记忆储存量有限,而且大多数信息是不稳定的,合理优化计算机联想问题,使Hop?eld神经网络能够建设模型。

1.3神经网络算法优化步骤简述人工神经网络是模拟思维,大多是根据逻辑思维进行简化,创造指令使计算机执行。神经网络算法是按照人体思维进行建设,通过反应问题的方法来表述神经思维的解;利用有效条件和能量参数来构造网络系统,使神经网络算法更加可靠;大多数动态信息需要神经网络来根据动态方程计算,得出数据参数来进行储存。

2神经网络算法的特点与应用

2.1神经网络主要特点神经网络是根据不同组件来模拟生物体思维的功能,而神经网络算法是其中一种程序,将信息概念化,按照一定人们认知的符号来编程指令,使计算机执行,应用于不同研究和工程领域。神经网络在结构上是由处理单元组成,模拟人体大脑神经单元,虽然每个单元处理问题比较简单,但是单元进行组合可以对复杂问题进行预知和处理的能力,还可以进行计算,解决问题能力突出,能够运用在计算机上,可以提高计算机运算准确度,从而保障计算机运行能力。而且一般神经网络有较强容错性,不同单元的微小损伤并不阻碍整体网络运行,如果有部分单元受到损伤,只会制约运算速度,并不妨碍准确度,神经网络在整体性能上能够正常工作。同时,神经网络主干部分受到损伤,部分单元会进行独立计算,依然能够正常工作。

2.2神经网络信息记忆能力神经网络信息存储能力非常强,整体单元组合进行分布式存储。目前,神经网络算法是单元互相连接,形成非线性动态系统,每个单元存储信息较少,大量单元互相结合存储信息大量增加。神经网络具备学习能力,通过学习可以得到神经网络连接结构,在进行日常图像识别时,神经网络会根据输入的识别功能进行自主学习,过后在输入相同图像,神经网络会自动识别。自主学习能力给神经网络带来重要意义,能够使神经网络不断成长,对人们未来日常工作能够很好预测,满足人们的需求。

2.3神经网络的突出优点近年来,人工神经网络得到越来越多人重视,使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成,对人脑功能的部分特性进行模仿和简化,人工神经网络具备复杂线性关系,与一般计算机相比,在构成原理和功能特点更加先进,人工神经网络并不是按照程序来进行层次运算,而是能够适应环境,根据人们提供的数据进行模拟和分析,完成某种运算。人工神经系统具备优良容错性,由于大量信息存储在神经单元中,进行分布式存储,当信息受到损害时,人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习,然后进行工作。目前,人工神经网络已经逐步具备自适应和自组织能力,在学习或训练过程中改变突触权重值,以适应周围环境的要求。通过一定学习方式和某些规则,人工神经网络可以自动发现环境特征和规律性,更贴近人脑某些特征。采用并行分布处理方法,使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现,可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构,能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络(如Hop?eld网络)的算法。该算法以SIMD(SingleInstructionMultipleData)为主要计算结构,结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络,能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制,提出了一种基于粒子群优化的并行学习神经网络集成构造方法。

3结束语

全球化的发展,信息交流不断加快,促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势,神经网络研究内容相当广泛,神经网络算法能够与其它算法相互结合,在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下,梯度下降法不准确,所以需要有关人员进行深度研究,探索神经网络算法,使其更加完善,从而保证计算机整体性能的提高。

参考文献:

[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程,2014(19).

人工神经网络范文第5篇

计算智能(ComputationalIntelligenee,简称CI),又称软计算,该词于1992年被美国学者J.C.Bezdekek首次提出,1994年全计算智能大会明确提出了计算智能的概念,标志着计算智能作为一门独立学科的诞生。传统的人工智能问题的处理、结论的得出都需要在建立精确的数字模型的基础上才能实现,但现实中有很多的数据都是模糊的,无法建立精确的模型,使得人工智能的应用范围相对狭窄,而计算智能则突破了人工智能的瓶颈,以模型为基础,模拟人的理论与方法,只需要直接输入数据,系统就可以对数据进行处理,应用范围更加的广泛。计算智能的本质是一类准元算法,主要包括进化计算,人工神经网络、模糊计算、混沌计算、细胞自动机等,其中以进化计算、人工神经网络及模糊系统为典型代表。

1.1进化计算

进化计算是采用简单的编码技术来表示各种复杂的结构,并通过遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向,具有操作简单、通用性强、效率高的优点,其工作原理是通过种群的方式进行计算,借助生物进化的思想来解决问题,分为遗传算法、进化规划及进化策略三大类。

1.2人工神经网络

人工神经网络是一个高度复杂的非线性动力学系统,具有模糊推理、并行处理、自训练学习等优势,其工作原理是仿照生物神经网络处理信息方式,通过不同的算法和结构,将简单的人工神经细胞相互连接,通过大量的人工神经单元来同时进行信息的传播,并将信息储存在改革细胞单元的连接结构中,快速地得到期望的计算结构。生物神经网络的细胞是在不断的生成和更新着的,即部分细胞坏死,整个神经网络仍能维持正常的运转秩序而不会骤然崩溃,同样人工神经网络也有着这样的特性,即使部分神经细胞发生问题,整个网络也能够正常的运转。人工神经网络按照连接方式的不同分为前馈式网络与反馈式网络,前馈式网络结构中的神经元是单层排列的,分为输入层、隐藏层及输出层三层,信息的传播是单向的,每个神经元只与前一层的神经元相连,即信息只能由输出层传向隐藏层再传向输入层,而不能由输出层直接传向输入层;反馈式网络结构中每个人工神经细胞都是一个计算单元,在接受信息输入的同时还在向外界输出着信息。不同的行业和领域可以根据自身的需要将不同的网络结构和学习方法相结合,建立不同的人工神经网络模型,实现不同的研究目的。

1.3模糊系统

客观世界中的事物都具有不同程度的不确定性,如生活中的“穷与富”、美与丑”“、相关与不相关”无法用一个界线划分清楚,对于事物不确定研究的过程中产生了模糊数学,所谓模糊性是指客观事物差异的中间过渡中的“不分明性”。美国专家L.A.Zdahe教授首次运用了数学方法描述模糊概念,自此之后模糊数学形成了一个新的学科,并在世界范围内发展起来,在医学、农业等方面得到了应用。

2计算智能在机械制造中的应用

机械制造业是国民经济的基础产业,机械制造业的发展对于促进工业生产领域的发展,保持经济稳步增长,满足人们日常生活的需求,提高人们的生活质量有着重要意义。一个国家机械制造业水平的高低是衡量该国工业化程度的重要指标。由于研究角度的不同,机械制造业有着不同的分类,如国家统计局将机械制造行业分为通用设备、专用设备、交通运输设备、电气设备、仪器仪表及办公设备五大类,证券市场将机械制造行业分为机械、汽车及配件、电气设备三大子行业。根据调查显示,2013年我国制造业产值规模突破20万亿元,同比增长17.5%,产值占世界比重的19.8%,经济总量位居世界首位,利润4312.6亿元,增长0.33%,增加值累计同比增长10.4%。随着计算智能研究的深入,计算智能在机械制造中得到了应用。伴随着机械行业的飞速发展,各类生产安全事故也时有发生。造成安全事故的原因是多方面的,首先是操作人员安全意识淡薄;其次是企业的安全管理和监督缺失,我国相当多的机械制造企业不重视劳动安全卫生方面的数据统计和资料积累,为了追求最大利润在安全生产方面投入的资金过少,缺乏对员工开展安全教育的培训。建立科学的安全生产评价方式对于防止各类安全事故,提高安全效益有着积极意义。人工智能的安全评价方法以线性函数为基础,而安全生产评价体系是一个复杂的系统,涉及的内容繁杂,需要考虑的因素很多,存在很大的不确定性,导致得到的结论与实际现场常常不能一致,计算智能以选择非线性函数建立安全生产评价模型,实现对非线性函数关系的拟合,解决了这一难题。在机械制造中存在着大量的模糊信息,如机械设备的损耗、零件设计目标等信息都是用比较模糊的术语来表达,传统的人工智能进行新的零件生产制造时,设计人员对零件进行设计,确定零件的尺寸,然后试生产零件应用在设备中,如不符合要求,再进行调整,这就要求设计人员有着丰富的知识和实践经验,能够根据需要设计出适合的零件,而计算智能以系统论作为基础的,对选择的自变量进行适当的优化和控制,只需要设计人员将零件的形状、大小、作用等输入计算机,并对零件制造的程序编排,利用计算机确定零件的制造技术,同时控制零件的质量,使零件设计、制造的过程更加便捷。

3结语