神經(jīng)網(wǎng)絡(luò)方向精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)方向主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)方向范文

關(guān)鍵詞：貝葉斯神經(jīng)網(wǎng)絡(luò)；60Co-γ射線；無防腐劑香腸；網(wǎng)絡(luò)預(yù)測

引言

食品輻照技術(shù)是20世紀(jì)發(fā)展起來的一種新型滅菌保鮮技術(shù)。采用輻射加工技術(shù)手段，運(yùn)用高能射線如x-射線、γ-射線等對食品進(jìn)行加工處理，在能量的傳遞和轉(zhuǎn)移過程中，產(chǎn)生理化效應(yīng)和生物效應(yīng)達(dá)到殺蟲、殺菌的目。因為是冷殺菌手段，所以有效的提高了食品衛(wèi)生質(zhì)量，保持營養(yǎng)品質(zhì)及風(fēng)味和延長貨架期。本文采用無防腐劑的香腸作為對象，排除了化學(xué)防腐劑對保鮮效果影響，同時為了食品加工行業(yè)發(fā)展提供方向，不添加化學(xué)防腐效果成分的同時也可以采用輻照的方法有效提升貨架期，有效提高企業(yè)效益，延伸銷售鏈；對于不同種類的香腸制品，從肉質(zhì)到成分，都會有所差別，通過大量輻照試驗獲得輻照工藝的方法，不僅耗時長，而且檢驗指標(biāo)及檢驗方法也過于繁瑣，因此結(jié)合采用人工智能神經(jīng)網(wǎng)絡(luò)算法，在有限次數(shù)實(shí)驗數(shù)據(jù)的基礎(chǔ)上，建立不同劑量60Co-γ射線對香腸品質(zhì)影響的規(guī)律模型為科學(xué)輻照提供理論依據(jù)。

1 實(shí)驗方法與理化指標(biāo)的檢測

1.1 樣品輻照

本項目采用不含任何防腐效果的特制香腸為對象，在黑龍江省科學(xué)院技術(shù)物理研究所輻照中心進(jìn)行。采用靜態(tài)堆碼式60Co-γ放射源，跟蹤劑量計為Ag2Cr2O7經(jīng)中國劑量科學(xué)研究院丙氨酸劑量計（NDAS）傳遞比對校準(zhǔn)，分別采用不同劑量（2-6）kGy，進(jìn)行靜態(tài)輻照。完成輻照2天內(nèi)進(jìn)行理化指標(biāo)的檢測，在（22.0±1）℃下保存30天后進(jìn)行微生物指標(biāo)的檢測。

1.2 理化指標(biāo)及微生物指標(biāo)測定方法

1.2.1 菌落總數(shù)，參照國家標(biāo)準(zhǔn)GB/T4789.2-2008采取實(shí)驗方法測定菌落總數(shù)。

1.2.2 水分含量，參照國家標(biāo)準(zhǔn)GB/T6965.15可用蒸餾法或直接干燥法。本項目采用直接烘干法。

1.2.3 氯化鈉含量，參照國家標(biāo)準(zhǔn)GB/T9695.8進(jìn)行測定，采用水浸出后用硝酸鹽標(biāo)準(zhǔn)溶液滴定法測定。

1.2.4 蛋白質(zhì)，參照國家標(biāo)準(zhǔn)GB/T9695.11進(jìn)行測定。

1.2.5 菌落總數(shù)，參照GB4789.2-2010進(jìn)行測定。

1.3 檢測結(jié)果與數(shù)據(jù)處理

采用以上檢測方法進(jìn)行檢測，由于實(shí)驗過程產(chǎn)生個別認(rèn)為誤差，利用matlab軟件plot函數(shù)對每組數(shù)據(jù)進(jìn)行擬合，將誤差較大的個別數(shù)據(jù)進(jìn)行剔除，最終得到50組數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表1。

表1 60Co-γ射線輻照保鮮無防腐劑香腸檢測結(jié)果

2 神經(jīng)網(wǎng)絡(luò)算法

2.1 BP神經(jīng)網(wǎng)絡(luò)

通常BP神經(jīng)網(wǎng)絡(luò)具有3層結(jié)構(gòu)，分別為輸入層、隱含層和輸出層。通常來說隱含層采用Sigmoid函數(shù)，輸出層采用Pureline函數(shù)，因為符號函數(shù)標(biāo)準(zhǔn)輸入、輸出現(xiàn)代為[0，1]，因此在學(xué)習(xí)過程中，通過轉(zhuǎn)化層將輻照工藝參數(shù)進(jìn)行轉(zhuǎn)化限定區(qū)間，避開網(wǎng)絡(luò)輸出的飽和區(qū)。五層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

2.2 性能指標(biāo)

性能指數(shù)是衡量網(wǎng)絡(luò)性能的量化標(biāo)準(zhǔn)，BP神經(jīng)網(wǎng)絡(luò)一般采用網(wǎng)絡(luò)軍方誤差作為性能指標(biāo)：

式中：Ed為網(wǎng)絡(luò)的均方誤差；n為學(xué)習(xí)集體樣本總數(shù)，tp為第P組訓(xùn)練的期望輸出值，ap為第P組的實(shí)際輸出值。影響神經(jīng)網(wǎng)絡(luò)泛化能力主要依賴于網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本的特性，因此可以選擇合適的訓(xùn)練策略和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)來提高其泛化能力。本文選取貝葉斯正則化算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行修正，網(wǎng)絡(luò)性能指數(shù)變?yōu)椋?/p>

式中：w為網(wǎng)絡(luò)的權(quán)值向量，EW=m-1■？棕■■為網(wǎng)絡(luò)所有權(quán)值的均方誤差，其中m為網(wǎng)絡(luò)權(quán)值的總數(shù)，Wj為網(wǎng)絡(luò)權(quán)值，a和b為正則化系數(shù)，其大小直接影響訓(xùn)練效果。

2.3 貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟

（1）確定網(wǎng)絡(luò)結(jié)構(gòu)，初始化超參數(shù)α=0和β=1，根據(jù)先驗分布對網(wǎng)絡(luò)參數(shù)賦初值。

（2）用BP算法訓(xùn)練網(wǎng)絡(luò)使總誤差F（W）最小。

（3）利用高斯牛頓逼近法計算出有效參數(shù)個數(shù)。

（4）計算超參數(shù)α和β的新的估計值。

（5）重復(fù)執(zhí)行（2）、（3）、（4）直到達(dá)到所需精度。

貝葉斯方法正則化神經(jīng)網(wǎng)絡(luò)是個迭代過程，每個迭代過程總誤差函數(shù)隨著超參數(shù)的變化而變化，最小點(diǎn)也在變化，網(wǎng)絡(luò)的參數(shù)也在不斷修正，最終達(dá)到總誤差函數(shù)在迭代過程中沒用較大改變。目前在網(wǎng)絡(luò)結(jié)構(gòu)的選擇方面還沒有理想的方法，在實(shí)際工作中常常需要用試驗的方法確定最佳的網(wǎng)絡(luò)結(jié)構(gòu)，因此可采用不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然后比較這些網(wǎng)絡(luò)模型的顯著度，選擇顯著度較大的網(wǎng)絡(luò)作為模型。

3 神經(jīng)網(wǎng)絡(luò)建模及預(yù)測

通過上述實(shí)驗獲得的50組數(shù)據(jù)中，45組數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，另選擇其他5組數(shù)據(jù)作為檢驗樣本，運(yùn)用MATLAB軟件，進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。網(wǎng)絡(luò)輸入劑量、劑量率，輸出為水分、氯化鈉含量，通過應(yīng)用均方差函數(shù)比較目標(biāo)值和預(yù)測值的差異，計算目標(biāo)值與預(yù)測值間的誤差，觀察網(wǎng)絡(luò)模型對訓(xùn)練情況，網(wǎng)絡(luò)擬合圖性能進(jìn)行評價。

網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示，經(jīng)過1500步訓(xùn)練后，網(wǎng)絡(luò)誤差平方和均值為5×10-3，達(dá)到了設(shè)定的最小訓(xùn)練目標(biāo)值。網(wǎng)絡(luò)訓(xùn)練完畢后，得到數(shù)學(xué)模型后，利用剩余5組數(shù)據(jù)進(jìn)行預(yù)測驗證，網(wǎng)絡(luò)訓(xùn)練效果如圖2-5所示。

4 結(jié)束語

采用輻照的方法進(jìn)行無防腐劑香腸保質(zhì)期的時間跟輻照劑量相關(guān)，采用4kGy的劑量進(jìn)行輻照可使香c的保質(zhì)期達(dá)到1個月以上，且香腸的顏色仍在可接受范圍內(nèi)，說明輻照方法有效的提高了香腸的衛(wèi)生質(zhì)量，延長保質(zhì)期。采用神經(jīng)網(wǎng)絡(luò)建立了香腸輻照工藝與理化、微生物指標(biāo)的模型，并通過實(shí)驗驗證了模型的準(zhǔn)確性，為進(jìn)一步確定輻照工藝提供理論支持。

參考文獻(xiàn)

[1]2015-2020年中國肉制品市場現(xiàn)狀及戰(zhàn)略咨詢報告[R].北京：中國產(chǎn)業(yè)信息網(wǎng)，2015.

[2]郭淑珍.輻照保藏五花肉的品質(zhì)特性及影響因素的研究[D].四川農(nóng)業(yè)大學(xué)，2007.

[3]賈巧喚，任石茍.我國輻照食品的研究現(xiàn)狀及發(fā)展前景[J].食品工程，2008（4）：12-14.

[4]陳秀蘭，曹宏.鵝肉制品的輻照保質(zhì)研究[J].核科學(xué)報，2005（4）：371-374.

[5]田 ，梁飛，盧江.人工神經(jīng)網(wǎng)絡(luò)建模結(jié)合遺傳算法優(yōu)化崗松油環(huán)糊精包合物制備工藝參數(shù)[J].中國醫(yī)藥大學(xué)學(xué)報，2011（4）：324-328.

第2篇：神經(jīng)網(wǎng)絡(luò)方向范文

關(guān)鍵詞：電源系統(tǒng) 智能故障診斷 CPN網(wǎng)絡(luò)

隨著大量電力電子設(shè)備在裝甲車輛中的應(yīng)用，車載電源系統(tǒng)的可靠性是其能否運(yùn)行的關(guān)鍵。傳統(tǒng)的依靠簡單檢測儀表進(jìn)行判斷的方法已無法保障系統(tǒng)的可靠性。目前，智能技術(shù)已逐步應(yīng)用在裝備的故障診斷當(dāng)中，利用改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)飛機(jī)電源系統(tǒng)欠壓故障的識別和定位，具有很好的動態(tài)系統(tǒng)故障診斷能力，但不能對未知故障進(jìn)行識別。文獻(xiàn)[1]利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了三相全控橋整流電路故障診斷。但基于BP神經(jīng)網(wǎng)絡(luò)的方法存在著局部最小、收斂速度慢的問題，且隨著診斷系統(tǒng)復(fù)雜程度的增加，較大規(guī)模的BP網(wǎng)絡(luò)結(jié)構(gòu)有可能導(dǎo)致系統(tǒng)泛化能力的下降，從而造成錯誤的診斷決策。本文研究基于對象傳播的自組織神經(jīng)網(wǎng)絡(luò)，并將算法應(yīng)用到裝甲車輛電源系統(tǒng)的智能故障診斷中。該網(wǎng)絡(luò)在競爭層通過無監(jiān)督的競爭學(xué)習(xí)方式對輸入故障進(jìn)行自組織聚類，并將聚類結(jié)果通過線性輸出層輸出，具有很好的故障識別和診斷效果。

一、CPN對象傳播神經(jīng)網(wǎng)絡(luò)算法

CPN對象傳播神經(jīng)網(wǎng)絡(luò)分為輸入層、競爭層和輸出層。由輸入層到競爭層，網(wǎng)絡(luò)按照SOM學(xué)習(xí)規(guī)則產(chǎn)生競爭層獲勝神經(jīng)元，并按照這一規(guī)則調(diào)整相應(yīng)的輸入層到競爭層的連接權(quán)；由競爭層到輸出層，網(wǎng)絡(luò)按照基本競爭型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則，得到各輸出神經(jīng)元的實(shí)際輸出值，并按照有導(dǎo)師型的誤差校正方法，修正由競爭層到輸出層的連接權(quán)。因此，該網(wǎng)絡(luò)既涉及了無導(dǎo)師網(wǎng)絡(luò)分類靈活、算法簡練的優(yōu)點(diǎn)，又采納了有導(dǎo)師型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的長處，使兩種不同類型的網(wǎng)絡(luò)有機(jī)地結(jié)合起來，具體的網(wǎng)絡(luò)學(xué)習(xí)過程參考文獻(xiàn)[2]。

二、實(shí)例應(yīng)用

在裝甲車輛電源系統(tǒng)智能故障診斷中，根據(jù)系統(tǒng)結(jié)構(gòu)和測試性設(shè)計準(zhǔn)則，該系統(tǒng)的檢測對象包括以下LRU（現(xiàn)場可更換單元）模塊：無刷旋轉(zhuǎn)勵磁交流同步發(fā)電機(jī)，電壓調(diào)節(jié)器和不可控三相整流橋。每個模塊中的SRU（內(nèi)場可更換單元）根據(jù)不同的設(shè)計要求進(jìn)行劃分，在此不再列出。通過大量的實(shí)驗數(shù)據(jù)和分析，得到了電源系統(tǒng)的不同的故障模式。本文選取整流橋故障作為CPN診斷算法的研究對象，主要分為：第一類：無故障狀態(tài)（正常工作狀態(tài)）；第二類：一個二極管斷路；第三類：同一相電源的2個二極管斷路；第四類：同一半橋中的2個二極管斷路；第五類：交叉2個二極管斷路5種故障模式。通過MATLAB＼Simulink建模仿真，各種模式下的整流輸出電壓仿真波。

本文利用小波包變換來構(gòu)造診斷系統(tǒng)的特征向量，選用db3小波作為小波基對五類故障狀態(tài)下的電壓信號進(jìn)行小波包分析，構(gòu)造出各自的能量特征向量，建立特征向量與故障狀態(tài)的對應(yīng)關(guān)系，這樣網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為8。實(shí)驗中取每種故障模式的數(shù)據(jù)各10組，對其進(jìn)行處理后的結(jié)果（限于篇幅，表中給出了6組特征向量）。通常故障狀態(tài)需要經(jīng)歷一個暫態(tài)的過渡過程，故將故障后的暫態(tài)過程和穩(wěn)態(tài)過程作為故障狀態(tài)的兩個子類，因此競爭層（即無監(jiān)督聚類層）應(yīng)含有9個節(jié)點(diǎn)。

為了方便計算，對期望輸出編碼為（U1，U2，U3），則第一類故障期望輸出為000，第二類故障期望輸出為100，第三類故障期望輸出為010，第四類故障期望輸出為001，第五類故障期望輸出為110，輸出層的節(jié)點(diǎn)數(shù)為3。從而，整個診斷網(wǎng)絡(luò)的結(jié)構(gòu)為（8，9，3）。

網(wǎng)絡(luò)訓(xùn)練參數(shù)選擇為：學(xué)習(xí)率=0.1，=0.1，偏值因子=0.1，時間因子=0.0001，最大迭代學(xué)習(xí)次數(shù)為1000。將5類模式共50組數(shù)據(jù)依次輸入改進(jìn)的CPN網(wǎng)絡(luò)中，網(wǎng)絡(luò)在監(jiān)督下進(jìn)行自組織學(xué)習(xí)，不斷修正網(wǎng)絡(luò)的權(quán)值。訓(xùn)練結(jié)果與期望輸出如表3所示。

對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試。另取不同的樣本輸入該網(wǎng)絡(luò)，測試樣本，實(shí)際診斷結(jié)果與期望輸出。表中可以看出，實(shí)際的診斷結(jié)果與期望的輸出完全一致。

在裝甲車輛電源系統(tǒng)整流橋故障診斷中，先采用小波包變換提取各種模式下信號的特征能量，構(gòu)造出診斷系統(tǒng)的特征向量，應(yīng)用改進(jìn)的對象傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識，使系統(tǒng)具有無導(dǎo)師聚類，有導(dǎo)師學(xué)習(xí)的能力，取得了較好的診斷效果。然而，網(wǎng)絡(luò)的參數(shù)選擇一般通過經(jīng)驗來確定，需要進(jìn)一步研究參數(shù)的自動調(diào)整，以適應(yīng)不同系統(tǒng)的應(yīng)用。

參考文獻(xiàn)：

[1]鄭連清，王騰，鄒濤.基于神經(jīng)網(wǎng)絡(luò)的三相全控橋整流電路故障診斷[J].重慶大學(xué)學(xué)報.2004，27（9）：72-74

第3篇：神經(jīng)網(wǎng)絡(luò)方向范文

人工神經(jīng)網(wǎng)絡(luò)是由大量的簡單基本元件-神經(jīng)元相互聯(lián)接而成的自適應(yīng)非線性動態(tài)系統(tǒng)。每個神經(jīng)元的結(jié)構(gòu)和功能比較簡單，但大量神經(jīng)元組合產(chǎn)生的系統(tǒng)行為卻非常復(fù)雜。人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應(yīng)環(huán)境、總結(jié)規(guī)律、完成某種運(yùn)算、識別或過程控制。人工神經(jīng)網(wǎng)絡(luò)具有并行處理特征，可以大大提高工作速度。

人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性，主要表現(xiàn)在三個方面：

第一，具有自學(xué)習(xí)功能。

第二，具有聯(lián)想存儲功能。

第三，具有高速尋找優(yōu)化解的能力。

1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也稱為訓(xùn)練，指的是神經(jīng)網(wǎng)絡(luò)在外界環(huán)境的刺激作用下調(diào)整網(wǎng)絡(luò)自由參數(shù)，并以新的方式來響應(yīng)外部環(huán)境的過程。能夠從環(huán)境中學(xué)習(xí)并在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的性質(zhì)。理想情況下，神經(jīng)網(wǎng)絡(luò)在每一次重復(fù)學(xué)習(xí)后，對它的環(huán)境有了更多的了解。

（1） 監(jiān)督學(xué)習(xí)（有教師學(xué)習(xí)）

在學(xué)習(xí)時需要由教師提供期望輸出，通常神經(jīng)網(wǎng)絡(luò)對于周圍的環(huán)境未知而教師具有周圍環(huán)境的知識，輸入學(xué)習(xí)樣本，教師可以根據(jù)自身的知識為訓(xùn)練樣本提供最佳逼近結(jié)果，神經(jīng)網(wǎng)絡(luò)的自由參數(shù)在誤差信號的影響下進(jìn)行調(diào)整，其最終目的是讓神經(jīng)網(wǎng)絡(luò)模擬教師。

（2） 非監(jiān)督學(xué)習(xí)（無教師學(xué)習(xí)）

它也稱為自組織學(xué)習(xí)，系統(tǒng)在學(xué)習(xí)過程中，沒有外部教師信號，而是提供給一個關(guān)于網(wǎng)絡(luò)學(xué)習(xí)性質(zhì)的度量，它獨(dú)立于學(xué)習(xí)任務(wù)，以此尺度來逐步優(yōu)化網(wǎng)絡(luò)，一旦網(wǎng)絡(luò)與輸入數(shù)據(jù)的統(tǒng)計規(guī)律達(dá)成一致，那么它將發(fā)展形成用于輸入數(shù)據(jù)編碼特征的內(nèi)部表示能力，從而自動創(chuàng)造新的類別。

（3）強(qiáng)化學(xué)習(xí)（激勵學(xué)習(xí)）

在強(qiáng)化學(xué)習(xí)系統(tǒng)中，對輸入輸出映射的學(xué)習(xí)是通過與外部環(huán)境的不斷交互作用來完成學(xué)習(xí)，目的是網(wǎng)絡(luò)標(biāo)量函數(shù)值最小，即外部環(huán)境對系統(tǒng)輸出結(jié)果只給出評價信息（獎或罰）而不是給出正確答案，學(xué)習(xí)通過強(qiáng)化那些受獎的動作來改善自身性能。

神經(jīng)網(wǎng)絡(luò)針對學(xué)習(xí)問題修改網(wǎng)絡(luò)自由參數(shù)的過程稱為學(xué)習(xí)規(guī)則（學(xué)習(xí)算法），設(shè)計學(xué)習(xí)規(guī)則的目的是訓(xùn)練網(wǎng)絡(luò)來完成某些任務(wù)，沒有一個獨(dú)特的學(xué)習(xí)規(guī)則可以完成所有的學(xué)習(xí)任務(wù)。神經(jīng)網(wǎng)絡(luò)有5個基本的學(xué)習(xí)規(guī)則：誤差--修正學(xué)習(xí)，基于記憶的學(xué)習(xí)，Hebb學(xué)習(xí)，競爭學(xué)習(xí)，隨機(jī)學(xué)習(xí)。

2 神經(jīng)網(wǎng)絡(luò)的研究趨勢

（1） 利用神經(jīng)生理與認(rèn)知科學(xué)研究大腦思維模式及智能機(jī)理過程

深入研究神經(jīng)網(wǎng)絡(luò)理論神經(jīng)網(wǎng)絡(luò)在一定程度上揭示人類智能和了解人腦的工作方式，由于人類對神經(jīng)系統(tǒng)的了解非常有限，而且對其自身腦結(jié)構(gòu)及其活動機(jī)理的認(rèn)識不完善，故而神經(jīng)網(wǎng)絡(luò)只能是模仿人腦的局部功能，而對人腦作為一個整體的功能解釋，神經(jīng)網(wǎng)絡(luò)起不到任何作用。神經(jīng)科學(xué)，心理學(xué)和認(rèn)識科學(xué)等方面提出的一些重大問題，是向神經(jīng)網(wǎng)絡(luò)理論研究提出的新挑戰(zhàn)，這些問題的解決有助于完善和發(fā)展神經(jīng)網(wǎng)絡(luò)理論，因此利用神經(jīng)生理和認(rèn)知科學(xué)研究大腦思維及智能機(jī)理，如有新的突破將會改變智能和機(jī)器關(guān)系的認(rèn)識。

（2） 神經(jīng)網(wǎng)絡(luò)領(lǐng)域的數(shù)學(xué)研究趨于重要

隨著神經(jīng)科學(xué)基礎(chǔ)理論研究的深入，用數(shù)理方程探索智能水平更高網(wǎng)絡(luò)模型將是研究的趨勢所在，神經(jīng)元以電為主的生物過程在認(rèn)識上一般采用非線性動力學(xué)模型，其動力演變過程往往是非常復(fù)雜的，神經(jīng)網(wǎng)絡(luò)這種強(qiáng)的生物學(xué)特征和數(shù)學(xué)性質(zhì)，要求有更好的數(shù)學(xué)手段，而對于神經(jīng)網(wǎng)絡(luò)這樣非線性模型，需要用數(shù)學(xué)方法研究網(wǎng)絡(luò)新的算法和網(wǎng)絡(luò)性能，如穩(wěn)定性、收斂、容錯性、魯棒性等，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如神經(jīng)動力學(xué)、非線性神經(jīng)場等。研究人員斷言一種更簡潔、更完善和更有效的非線性系統(tǒng)表達(dá)與分析的數(shù)學(xué)方法是這一領(lǐng)域主要目標(biāo)之一。

（3） 神經(jīng)網(wǎng)絡(luò)軟件模擬、硬件實(shí)現(xiàn)的研究以及神經(jīng)網(wǎng)絡(luò)在各個科學(xué)技術(shù)領(lǐng)域應(yīng)用的研究

目前，數(shù)字計算機(jī)在計算方面的能力已遠(yuǎn)遠(yuǎn)超出入的大腦，但在自然語言理解、圖像辨識、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計算機(jī)結(jié)構(gòu)及其運(yùn)算方式與人的大腦有本質(zhì)的區(qū)別，而神經(jīng)計算機(jī)（第六代計算機(jī)）以神經(jīng)網(wǎng)絡(luò)為理論基礎(chǔ)，用于模擬神經(jīng)網(wǎng)絡(luò)，具有自學(xué)習(xí)、自組織和自適應(yīng)能力，能更有效地處理復(fù)雜問題，其實(shí)現(xiàn)過程用光學(xué)、生物芯片的方式，現(xiàn)在光學(xué)神經(jīng)計算機(jī)和分子計算機(jī)的研究是神經(jīng)網(wǎng)絡(luò)的前沿課題。

（4） 神經(jīng)網(wǎng)絡(luò)和其它算法結(jié)合的研究

神經(jīng)網(wǎng)絡(luò)和其它算法的結(jié)合和交叉，研究新型神經(jīng)網(wǎng)絡(luò)模型也是發(fā)展方向之一。如神經(jīng)網(wǎng)絡(luò)和模糊邏輯結(jié)合，建立模糊神經(jīng)網(wǎng)絡(luò)；將混沌理論和神經(jīng)網(wǎng)絡(luò)結(jié)合建立混沌神經(jīng)網(wǎng)絡(luò)；將遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合；利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或權(quán)值；將小波分析和神經(jīng)網(wǎng)絡(luò)結(jié)合建立小波神經(jīng)網(wǎng)絡(luò)；專家系統(tǒng)，貝葉斯學(xué)習(xí)以及粗糙集理論和神經(jīng)網(wǎng)絡(luò)結(jié)合等，這些都是神經(jīng)網(wǎng)絡(luò)研究的熱點(diǎn)。

3 結(jié)束語

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進(jìn)一步研究。比如：神經(jīng)計算的基礎(chǔ)理論框架以及生理層面的研究仍需深入；新的模型和結(jié)構(gòu)的研究；神經(jīng)網(wǎng)絡(luò)的可理解性問題；神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)更好的結(jié)合等。

第4篇：神經(jīng)網(wǎng)絡(luò)方向范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)方法 環(huán)境色譜法 多個節(jié)點(diǎn) 信息模型

中圖分類號：X83 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2017）05（a）-0126-02

從近幾年在國內(nèi)神經(jīng)網(wǎng)絡(luò)的使用來看，在環(huán)境監(jiān)測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環(huán)境的評價都帶來了很多新的成果。該文主要是通過對神經(jīng)網(wǎng)絡(luò)相關(guān)分類的闡述，結(jié)合神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中的應(yīng)用效果，希望能給神經(jīng)網(wǎng)絡(luò)對環(huán)境監(jiān)測中做一些回顧和總結(jié)[1]。

1 網(wǎng)絡(luò)方法類別

由于著重的角度關(guān)系，網(wǎng)絡(luò)法會有多種不同的類別，由于神經(jīng)網(wǎng)絡(luò)是多個節(jié)點(diǎn)的連接，有相當(dāng)多復(fù)雜的算法，基于神經(jīng)網(wǎng)絡(luò)，可以總共闡述兩大類的情況，包括有管理和無管理的網(wǎng)絡(luò)方法。關(guān)于這兩種的不同點(diǎn)就在于它們是否需要對現(xiàn)有的樣本進(jìn)行訓(xùn)練。有管理的網(wǎng)絡(luò)方法是需要訓(xùn)練，而無管理的網(wǎng)絡(luò)方法是無需進(jìn)行訓(xùn)練，它需要與其他的化合物相結(jié)合使用，里面會涉及到網(wǎng)絡(luò)與遺傳法、偏最小二乘法等分析方法來進(jìn)行分析比較。另外根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)不同，也可以把網(wǎng)絡(luò)方法給分成前向和后向的網(wǎng)絡(luò)方法，而如果是從網(wǎng)絡(luò)活動方式的差別，也可以將其分為隨機(jī)和確定兩種網(wǎng)絡(luò)方法。

2 關(guān)于環(huán)境監(jiān)測的化學(xué)方面的應(yīng)用

在化學(xué)方面，國內(nèi)與有很多用于化合物的一些研究，比如一些有機(jī)結(jié)構(gòu)分析，還有化學(xué)反應(yīng)、蛋白質(zhì)結(jié)構(gòu)等等的分析。在進(jìn)行定量的構(gòu)效關(guān)系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關(guān)網(wǎng)絡(luò)模型，然后對生物的毒性進(jìn)行進(jìn)一步預(yù)測，當(dāng)然，在分析過程中還存在著很多的問題，通過比較一些網(wǎng)絡(luò)模型，然后計算它們之間的權(quán)值，再篩選相出相應(yīng)的參數(shù)，學(xué)者們在分析的時候也會對多層前傳網(wǎng)絡(luò)進(jìn)行探討分析，盡量減低誤差，通過多方向的非線性校準(zhǔn)，并且進(jìn)行數(shù)據(jù)解析，然后表明引射能力，通過建立神經(jīng)網(wǎng)絡(luò)來不斷接近規(guī)律的程度，擬定相關(guān)的指標(biāo)數(shù)[2]。

3 分光光度的方法應(yīng)用

在化學(xué)分析進(jìn)程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關(guān)方法的不斷普及，目前大多數(shù)是使網(wǎng)絡(luò)和現(xiàn)有的紫外光譜法相互關(guān)聯(lián)，利用線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等來用于多個分組的報道[3]。鄧勃等[4]學(xué)者在分析的時候，認(rèn)為除了人工神經(jīng)網(wǎng)絡(luò)，迭代目標(biāo)轉(zhuǎn)換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優(yōu)勢，并且產(chǎn)生的網(wǎng)絡(luò)法的誤差一般都不會很大。孫益民等專家在分析時，利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)先后側(cè)出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

4 神經(jīng)網(wǎng)絡(luò)對X射線中的熒光光譜法的應(yīng)用

研究人員通過神經(jīng)網(wǎng)絡(luò)建立與X射線熒光譜譜法的關(guān)系，通過多個不同的神經(jīng)網(wǎng)絡(luò)來應(yīng)用，可以通過他們之間的連接來測定酸溶鋁，通過神經(jīng)網(wǎng)絡(luò)的設(shè)置，可以測定里面的最低的鋁值，通過神經(jīng)網(wǎng)絡(luò)與BP的網(wǎng)絡(luò)模型的設(shè)立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側(cè)出酸溶出來的鋁的數(shù)值。BP模型可以結(jié)合現(xiàn)有的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，充分的在現(xiàn)有的信息模型上應(yīng)用，通過利用網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu)，不僅可以做一些化學(xué)分析，還可以通過神經(jīng)網(wǎng)絡(luò)來檢測環(huán)境監(jiān)測中涉及到的紅外譜圖等的分析，這為環(huán)境分析提供了非常有意義的方向，并且給環(huán)境監(jiān)測提供了新的檢測方法[6]。

5 環(huán)境監(jiān)測中的色譜法的研究

在關(guān)于色譜法的研究中，人工神經(jīng)網(wǎng)絡(luò)也有可以應(yīng)用的方向[7]。色譜法中的小波分析，與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運(yùn)用神經(jīng)網(wǎng)絡(luò)分析之后，可以在其中建立相關(guān)的模型，通過兩者的結(jié)合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復(fù)雜的工程，它們之間需要運(yùn)用大量的元素來分開，效率極低，極其浪費(fèi)時間。因為其內(nèi)里復(fù)雜的重疊組織，而現(xiàn)在，人工神經(jīng)網(wǎng)絡(luò)為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經(jīng)網(wǎng)絡(luò)的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經(jīng)網(wǎng)絡(luò)的時候，會運(yùn)用藥物來優(yōu)化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環(huán)境監(jiān)測中的評價

通過之前提到的BP網(wǎng)絡(luò)，通過介紹與人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)合，來闡述了整個模型應(yīng)用的原理，通過綜合相關(guān)的分析方法可以對環(huán)境監(jiān)測中的適用性進(jìn)行分析評價，這樣表現(xiàn)出來的結(jié)果會更加客觀。研究者可以從有預(yù)測模型中表現(xiàn)的結(jié)果，在水庫里進(jìn)行抽樣，提取水庫中的相關(guān)元素進(jìn)行預(yù)測，確認(rèn)是否與實(shí)際結(jié)果一致，可以通過建立人工神經(jīng)網(wǎng)絡(luò)來對水質(zhì)中的污染指數(shù)進(jìn)行評價，然后得出相應(yīng)的成果。

7 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在整個環(huán)境監(jiān)測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結(jié)為以下3個方面：第一，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)的特性?？梢酝ㄟ^大量的圖像來設(shè)計，進(jìn)行相關(guān)的圖像識別，把不同的幾個圖像進(jìn)行整合分析，并且把與之相互對應(yīng)的結(jié)果嵌入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，系統(tǒng)會根據(jù)自己特有的自學(xué)功能，對以后相關(guān)的圖像進(jìn)行識別操作，它可以給人們提供一些預(yù)測結(jié)果，甚至在未來的無論是經(jīng)濟(jì)還是政治等方面提供一些預(yù)測，預(yù)測經(jīng)濟(jì)和市場，給未來的發(fā)展提供引導(dǎo)。第二，系統(tǒng)具有可存儲的特性。人工神經(jīng)網(wǎng)絡(luò)里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯(lián)系不同元素之間的關(guān)系，得出一些可能的聯(lián)想信息。最后，神經(jīng)網(wǎng)絡(luò)還有一項功能便是優(yōu)化得出答案的能力。

一般問題的因果關(guān)系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優(yōu)化整個系統(tǒng)，是神經(jīng)網(wǎng)絡(luò)的一個主要的功能，它可以通過計算來得到最優(yōu)化的解，即便其中的運(yùn)算量牽連的比較多，但是結(jié)合神經(jīng)網(wǎng)絡(luò)中反饋聯(lián)想的功能，再包括計算機(jī)強(qiáng)大的運(yùn)算效率，那么得到答案有時候也是比較容易的。

人工神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中表現(xiàn)的效果比較好，但是除此之外，在其他領(lǐng)域，運(yùn)用神經(jīng)系統(tǒng)也可以得到一些相關(guān)的數(shù)據(jù)，比如經(jīng)濟(jì)領(lǐng)域，它可以通過建立信息模型，來進(jìn)行市場預(yù)測和風(fēng)險評估，這些都是很好的應(yīng)用方式。在未來的實(shí)踐中，隨著經(jīng)驗的積累，神經(jīng)網(wǎng)絡(luò)的應(yīng)用在環(huán)境監(jiān)測中會不斷地深入，通過在色譜、光度等領(lǐng)域的剖析，為未來的環(huán)境監(jiān)測效果提供了更多的可能性。

參考文獻(xiàn)

[1] 黃勝林.遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形監(jiān)測中的應(yīng)用[D].遼寧工程技術(shù)大學(xué)，2012.

[2] 熊勛.人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價和預(yù)測中的應(yīng)用研究[D].華中科技大學(xué)，2009.

[3] 王學(xué).無線傳感器網(wǎng)絡(luò)在遠(yuǎn)程環(huán)境監(jiān)測中的應(yīng)用[D].山東師范大學(xué)，2011.

[4] 武藝.人工神經(jīng)網(wǎng)絡(luò)在土壤質(zhì)量監(jiān)測中的應(yīng)用[D].浙江海洋學(xué)院，2015.

[5] 黃湘君.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用[J].科技信息：科學(xué)?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經(jīng)網(wǎng)絡(luò)在機(jī)器人視覺中的應(yīng)用[J].制造業(yè)自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經(jīng)網(wǎng)絡(luò)在福利彩票預(yù)測中的應(yīng)用[A].中國智能計算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經(jīng)網(wǎng)絡(luò)在電力需求決策中的應(yīng)用[J].現(xiàn)代經(jīng)濟(jì)信息，2009（22）：325-326.

第5篇：神經(jīng)網(wǎng)絡(luò)方向范文

人工神經(jīng)網(wǎng)絡(luò)是近年來迅猛發(fā)展的前沿課題，它對突破現(xiàn)有科學(xué)技術(shù)的瓶頸起到重大的作用。本文剖析了人工神經(jīng)網(wǎng)絡(luò)的特征、模型結(jié)構(gòu)以及未來的發(fā)展趨勢。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)元 矩陣

1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種用計算機(jī)網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能神經(jīng)系統(tǒng)，它是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的，模擬人腦信息處理機(jī)制的一種網(wǎng)絡(luò)系統(tǒng)，它不但具有處理數(shù)值數(shù)據(jù)的計算能力，而且還具有處理知識的學(xué)習(xí)、聯(lián)想和記憶能力。

人工神經(jīng)網(wǎng)絡(luò)模擬了大腦神經(jīng)元的組織方式，反映了人腦的一些基本功能，為研究人工智能開辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因為人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元排列并不是雜亂無章的，往往是以一種有規(guī)律的序列排列，這種結(jié)構(gòu)非常適合并行計算。同時如果將每一個神經(jīng)元看作是一個基本的處理單元，則整個系統(tǒng)可以是一個分布式處理系統(tǒng)，使得計算快速。

1.2 可學(xué)習(xí)性和自適應(yīng)性

一個相對很小的人工神經(jīng)網(wǎng)絡(luò)可存儲大量的專家知識，并能根據(jù)學(xué)習(xí)算法，或利用指導(dǎo)系統(tǒng)模擬現(xiàn)實(shí)環(huán)境（稱為有教師學(xué)習(xí)），或?qū)斎脒M(jìn)行自適應(yīng)學(xué)習(xí)（稱為無教師學(xué)習(xí)），可以處理不確定或不知道的事情，不斷主動學(xué)習(xí)，不斷完善知識的存儲。

（3）魯棒性和容錯性

由于采用大量的神經(jīng)元及其相互連接，具有聯(lián)想映射與聯(lián)想記憶能力，容錯性保證網(wǎng)絡(luò)將不完整的、畸變的輸入樣本恢復(fù)成完整的原型，魯棒性使得網(wǎng)絡(luò)中的神經(jīng)元或突觸遭到破壞時網(wǎng)絡(luò)仍然具有學(xué)習(xí)和記憶能力，不會對整體系統(tǒng)帶來嚴(yán)重的影響。

1.3 泛化能力

人工神經(jīng)網(wǎng)絡(luò)是大規(guī)模的非線性系統(tǒng)，提供了系統(tǒng)協(xié)同和自組織的潛力，它能充分逼近任意復(fù)雜的非線性關(guān)系。如果輸入發(fā)生較小變化，則輸出能夠保持相當(dāng)小的差距。

1.4 信息綜合能力

任何知識規(guī)則都可以通過對范例的學(xué)習(xí)存儲于同一個神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值中，能同時處理定量和定性的信息，適用于處理復(fù)雜非線性和不確定對象。

2 人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是在對人腦思維方式研究的基礎(chǔ)上，將其抽象模擬反映人腦基本功能的一種并行處理連接網(wǎng)絡(luò)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。

在神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中，從不同角度對神經(jīng)網(wǎng)絡(luò)進(jìn)行了不同層次的描述和模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中最具有代表性的神經(jīng)網(wǎng)絡(luò)模型有：感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)等等。

3 神經(jīng)元矩陣

神經(jīng)元矩陣是神經(jīng)網(wǎng)絡(luò)模型的一種新構(gòu)想，是專門為神經(jīng)網(wǎng)絡(luò)打造的一個矩陣，它符合神經(jīng)元的一切特征。

神經(jīng)元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長，即長度可變，方向可變，信使?？伞坝问帯痹诰仃囍校⒏鞣N聯(lián)系。如圖1即是神經(jīng)元矩陣模型

（1）容器可產(chǎn)生一種無形的約束力，使系統(tǒng)得以形成，容器不是全封閉的，從而保證系統(tǒng)與外界的溝通和交互；各向量間可用相互作用的力來聯(lián)系，而各個信使粒則受控于容器、中空向量以及其它的信使粒。各神經(jīng)元之間自主交互，神經(jīng)元矩陣是一種多層次的管理，即一層管理一層。系統(tǒng)具有明顯的層級制和分塊制，每層每塊均獨(dú)立且協(xié)同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使?？梢酝ㄟ^向量或存儲于向量中，所以又稱為中空向量。向量存儲了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉(zhuǎn)向、伸長，進(jìn)而形成相對穩(wěn)定的信息通路。

（3）當(dāng)兩條或更多的信息通路匯集時，可能伴隨著通路的增強(qiáng)、合并，以及信使粒的聚集、交換，這是神經(jīng)元矩陣運(yùn)算的一種主要形式。通路的形成過程，也就是是神經(jīng)元矩陣分塊、分層、形成聯(lián)接的過程，也為矩陣系統(tǒng)宏觀管理、層級控制的實(shí)現(xiàn)奠定了基礎(chǔ)。

神經(jīng)元矩陣亦是一種具有生物網(wǎng)絡(luò)特征的數(shù)學(xué)模型，綜合了數(shù)學(xué)上矩陣和向量等重要概念，是一種立體的矩陣結(jié)構(gòu)。尤其是將矩陣的分塊特性和向量的指向特征結(jié)合起來，更好的體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的整體性和單元獨(dú)立性，系統(tǒng)的組織和自組織特征也更為凸顯。信使粒以“點(diǎn)”的數(shù)學(xué)概念，增強(qiáng)了系統(tǒng)的信息特征，尤其是增強(qiáng)了矩陣的存儲和運(yùn)算功能。

4 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)是邊緣叉科學(xué)，它涉及計算機(jī)、人工智能、自動化、生理學(xué)等多個學(xué)科領(lǐng)域，研究它的發(fā)展具有非常重要意義。針對神經(jīng)網(wǎng)絡(luò)的社會需求以及存在的問題，今后神經(jīng)網(wǎng)絡(luò)的研究趨勢主要側(cè)重以下幾個方面。

4.1 增強(qiáng)對智能和機(jī)器關(guān)系問題的認(rèn)識

人腦是一個結(jié)構(gòu)異常復(fù)雜的信息系統(tǒng)，我們所知道的唯一智能系統(tǒng)，隨著信息論、控制論、計算機(jī)科學(xué)、生命科學(xué)的發(fā)展，人們越來越驚異于大腦的奇妙。對人腦智能化實(shí)現(xiàn)的研究，是神經(jīng)網(wǎng)絡(luò)研究今后的需要增強(qiáng)的地發(fā)展方向。

4.2 發(fā)展神經(jīng)計算和進(jìn)化計算的理論及應(yīng)用

利用神經(jīng)科學(xué)理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)的算法和性能，使離散符號計算、神經(jīng)計算和進(jìn)化計算相互促進(jìn)，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論。

4.3 擴(kuò)大神經(jīng)元芯片和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的作用

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)體現(xiàn)了結(jié)構(gòu)和算法的統(tǒng)一，是硬件和軟件的混合體，神經(jīng)元矩陣即是如此。人工神經(jīng)網(wǎng)絡(luò)既可以用傳統(tǒng)計算機(jī)來模擬，也可以用集成電路芯片組成神經(jīng)計算機(jī)，甚至還可以生物芯片方式實(shí)現(xiàn)，因此研制電子神經(jīng)網(wǎng)絡(luò)計算機(jī)潛力巨大。如何讓傳統(tǒng)的計算機(jī)、人工智能技術(shù)和神經(jīng)網(wǎng)絡(luò)計算機(jī)相融合也是前沿課題，具有十分誘人的前景。

4.4 促進(jìn)信息科學(xué)和生命科學(xué)的相互融合

信息科學(xué)與生命科學(xué)的相互交叉、相互促進(jìn)、相互滲透是現(xiàn)代科學(xué)的一個顯著特點(diǎn)。神經(jīng)網(wǎng)絡(luò)與各種智能處理方法有機(jī)結(jié)合具有很大的發(fā)展前景，如與專家系統(tǒng)、模糊邏輯、遺傳算法、小波分析等相結(jié)合，取長補(bǔ)短，可以獲得更好的應(yīng)用效果。

參考文獻(xiàn)

[1]鐘珞.饒文碧.鄒承明著.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù).科學(xué)出版社.

第6篇：神經(jīng)網(wǎng)絡(luò)方向范文

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問題主要包括兩個過程，一個是學(xué)習(xí)訓(xùn)練過程，另外一個是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理、圖像處理、智能識別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們在交通運(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個世紀(jì)八十年代人工智能發(fā)展興起的一個研究熱點(diǎn)，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過大量的節(jié)點(diǎn)——神經(jīng)元連接起來的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當(dāng)有兩個節(jié)點(diǎn)連接起來時稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實(shí)時學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1生物信號的檢測分析

目前大部分醫(yī)學(xué)檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號檢測方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學(xué)圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2醫(yī)學(xué)專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗、學(xué)歷、臨床診斷方面取得的成績等存儲在計算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲的醫(yī)學(xué)知識越來越多，每天產(chǎn)生新的病況和知識，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3市場價格預(yù)測

在經(jīng)濟(jì)活動中，傳統(tǒng)統(tǒng)計方法受到一些因素的制約，無法對價格變動做出準(zhǔn)確的預(yù)測，因此難免在預(yù)測的時候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計方法無法比擬的優(yōu)勢。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個完整的預(yù)測模型，準(zhǔn)確預(yù)測出商品的價格變動情況。

2.險評價在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項活動時，對活動進(jìn)行有效的預(yù)測和評估，避免風(fēng)險。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險的實(shí)際來源，構(gòu)筑一套信用風(fēng)險模型結(jié)構(gòu)和風(fēng)險評估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險模型分析彌補(bǔ)主觀預(yù)測方面的不足，從而達(dá)到避免風(fēng)險的目的。

3人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對語言識別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。

4結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會創(chuàng)造更大的財富。

參考文獻(xiàn)

[1]周文婷,孟琪.運(yùn)動員賽前心理調(diào)控的新策略——基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預(yù)測(綜述)[J].哈爾濱體育學(xué)院學(xué)報,2015,33(03):15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信,2014(02):76-76.

第7篇：神經(jīng)網(wǎng)絡(luò)方向范文

隨著科技的不斷進(jìn)步，國內(nèi)外各領(lǐng)域?qū)＜覍W(xué)者相互努力共同打造了智能機(jī)器人。模糊神經(jīng)網(wǎng)絡(luò)理論通過自身所擁有的歸納等能力，有效地幫助了人們更好地控制機(jī)器人。使其具備自我學(xué)習(xí)和聯(lián)想能力，通過蟻群算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)理論能夠更好地控制特種機(jī)器人，有效地應(yīng)對工作中隨機(jī)出現(xiàn)的變化問題。

關(guān)鍵詞：

特種機(jī)器人；蟻群算法；人工智能控制；模糊神經(jīng)網(wǎng)絡(luò)

1創(chuàng)建機(jī)器人的數(shù)學(xué)模型

任何機(jī)械物體的運(yùn)動都需要理論與實(shí)踐的支持，而特種機(jī)器人的研究也是如此，對特種機(jī)器人進(jìn)行操控就需要對它的各個運(yùn)動構(gòu)件的方位、位置、速度等建立一個合理有序的關(guān)系。而機(jī)器人的空間坐標(biāo)、運(yùn)動等可以通過數(shù)學(xué)模型來呈現(xiàn)。

1.1特種機(jī)器人的空間坐標(biāo)

首先，描述特種機(jī)器人的空間坐標(biāo)，可以用X,Y,Z軸方向的向量表示。其次，對于機(jī)器人的運(yùn)動和操作，方位的準(zhǔn)確明了非常關(guān)鍵。而特種機(jī)器人的方位也可用坐標(biāo)系來表示。設(shè)一直角坐標(biāo)系{B}與此剛體固接，坐標(biāo)系{B}的三個主軸方向的單位矢量XB、YB、ZB相對于坐標(biāo)系{A}的方向余弦組成的3×3矩陣稱為ABR旋轉(zhuǎn)矩陣：ABR=[AxBAyBAzB]=r11r12r13r21r22r23r31r32r33333333333333333333（1）式中，R的上標(biāo)A和下標(biāo)B表示R是{B}相對于{A}的關(guān)系；r為矢量矩陣的單位向量。而剛體{A}的位姿可通過上述所說的坐標(biāo)系{B}在坐標(biāo)系{A}中的各個方位和位置來闡述，進(jìn)而{B}的原點(diǎn)根據(jù)其在坐標(biāo)系{B}、{A}中的方位，分別表示了剛體在其中的位置和方向，式（2）表示{B}的位置矢量，用ABR和APBORG來描述坐標(biāo)系{B}，其中APBORG是確定坐標(biāo)系{B}的位置矢量，建立公式（2）：{B}={ABR，APBORG}（2）

1.2機(jī)器人運(yùn)動方程

連桿坐標(biāo)系、動力學(xué)方程、運(yùn)動學(xué)方程都是操控機(jī)器人運(yùn)動所需要的。特種機(jī)器人中的機(jī)械臂系統(tǒng)是一種涉及各桿、各關(guān)節(jié)、機(jī)械臂末端相對于絕對坐標(biāo)的位姿、運(yùn)動等的多剛體系統(tǒng)。其中，連桿坐標(biāo)系的建立則為更好地操控機(jī)器人，使其高效長久地運(yùn)動、工作做出了巨大的貢獻(xiàn)，圖1則為連桿坐標(biāo)圖。雖然建立了連桿坐標(biāo)系，但是其中的桿與桿的關(guān)系則要建立一個齊次變換陣來連接。通過這個矩陣，機(jī)器人末端連桿在笛卡爾坐標(biāo)系里的位置和位姿便可得出。

1.3機(jī)器人動力學(xué)方程

機(jī)械臂系統(tǒng)的運(yùn)動學(xué)模型建立以后，還需建立動力學(xué)模型來控制。而動力學(xué)解決的問題是2種相對問題：若已知關(guān)節(jié)的施加力或力矩，求其速度、位移、加速度等；反之，則求力或矩陣。牛頓的歐拉方程等都是為了更好地操控特種機(jī)器人而建立的動力學(xué)。

2模糊神經(jīng)網(wǎng)絡(luò)理論研究

機(jī)器人系統(tǒng)功能多且復(fù)雜，對于各種生產(chǎn)運(yùn)作過程中出現(xiàn)的一些問題很難控制。對此，模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合而成的模糊神經(jīng)網(wǎng)絡(luò)具備了解決一些問題的特別優(yōu)勢。模糊控制系統(tǒng)主要通過語言的描述控制機(jī)器人的運(yùn)動，而語言描述能夠充分地將專家的經(jīng)驗、知識轉(zhuǎn)化為控制規(guī)則，模糊控制器由以下幾個高功能的部分構(gòu)成。

2.1神經(jīng)網(wǎng)絡(luò)理論

用于控制特種機(jī)器人的神經(jīng)網(wǎng)絡(luò)是根據(jù)人類大腦的思維模式和構(gòu)造而設(shè)計，其中，神經(jīng)元是大腦組織、信息處理的基本單位，而人工制作的神經(jīng)網(wǎng)絡(luò)則會根據(jù)企業(yè)、國家、個人的不同需求進(jìn)行設(shè)計和分類，前饋網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)是其中的兩大類。前饋網(wǎng)絡(luò)不但層次感強(qiáng)，其常用的感知器、BP網(wǎng)絡(luò)也能非常有針對性地解決一些問題；遞歸神經(jīng)網(wǎng)絡(luò)包含積分、反饋等功能，反饋機(jī)制是其在信息傳輸中的一大特點(diǎn)。

2.2模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)系統(tǒng)的輸入及各種運(yùn)作

實(shí)驗證明：模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)之間具有很多相似點(diǎn)，可以相互轉(zhuǎn)化。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)使其對數(shù)據(jù)的計算等更快并且更加正確，通過模糊控制也使其自身的容錯力增強(qiáng)。模糊神經(jīng)網(wǎng)絡(luò)（FNN）模型的設(shè)計經(jīng)過專家利用各種經(jīng)驗和知識的打造，能夠更好地通過BP網(wǎng)絡(luò)、建立樣本等方式控制特種機(jī)器人的運(yùn)作。

3蟻群算法優(yōu)化訓(xùn)練的模糊神經(jīng)網(wǎng)絡(luò)

特種機(jī)器人控制螞蟻算法是模仿生物界中蟻群通過交流、協(xié)作、共同搜尋獲取實(shí)物活動的仿生優(yōu)化算法。在螞蟻工作的過程中，他們通過一種“信息素”交流。

3.1蟻群算法的本質(zhì)

螞蟻算法是通過分析、實(shí)踐、探索螞蟻群體活動得出的，是一種隨機(jī)算法。螞蟻算法分適應(yīng)階段和調(diào)解階段，在這2個階段中他們不斷地優(yōu)化自身的機(jī)構(gòu)、積累需要的信息、尋求最佳解。螞蟻算法中的人工螞蟻不但有自組織性，還有協(xié)作、競爭的關(guān)系，在這過個程中，需要不斷地協(xié)作、改進(jìn)、更新。

3.2蟻群算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)

螞蟻算法具有全局優(yōu)化的特點(diǎn)，可以有效地訓(xùn)練FNN，避免了BP的缺陷。它在模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)合后，不但提高了整體優(yōu)勢，也增加了一些功能和特點(diǎn)。這些優(yōu)化的改變，使某些工作的計算更加便捷。同時BP的缺陷及一些神經(jīng)網(wǎng)絡(luò)系統(tǒng)無法解決的問題，它也能很好地解決。而螞蟻算法通過螞蟻群體機(jī)智有效的協(xié)作，總結(jié)并融合了一些思想，通過這些思想，特種機(jī)器人能夠自我選擇方便、快捷、有效的工作路徑[1]。螞蟻算法為進(jìn)一步控制特種機(jī)器人提供了更加合理有效的措施，也優(yōu)化了各種運(yùn)作系統(tǒng)。

3.3蟻群算法優(yōu)化的結(jié)果

通過各種實(shí)驗結(jié)果表明，螞蟻算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)更加穩(wěn)定，也更加高效快速。通過實(shí)驗比較發(fā)現(xiàn)：在普通的模糊神經(jīng)網(wǎng)絡(luò)中，把基本臂和期望主臂的軌跡長度比較后發(fā)現(xiàn)，被螞蟻算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)運(yùn)行的軌跡更短效果更好更明顯。

4結(jié)語

隨著人類文明的發(fā)展，機(jī)械的運(yùn)用與不斷的創(chuàng)新隨處可見，這個時代對特種機(jī)器人的需求也在不斷增加。而國內(nèi)外對特種機(jī)器人的研發(fā)也在不斷地創(chuàng)新和投入，對此，涌現(xiàn)了大批的類型、功能不一的特種智能機(jī)器人。被螞蟻算法優(yōu)化過的系統(tǒng)很好地解決了一些問題，能夠全面地優(yōu)化各個方面，這種算法，為人類更好地發(fā)展特種機(jī)器人研究機(jī)器人做出了巨大的貢獻(xiàn)。

參考文獻(xiàn)：

第8篇：神經(jīng)網(wǎng)絡(luò)方向范文

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；空調(diào)；應(yīng)用

中圖分類號 TP387 文獻(xiàn)標(biāo)識碼 A 文章編號 1673-9671-(2012)071-0184-02

中央空調(diào)系統(tǒng)是一個龐大復(fù)雜的系統(tǒng)，主要包括：空調(diào)冷熱源系統(tǒng)、水或空氣系統(tǒng)、控制系統(tǒng)等，空調(diào)系統(tǒng)能耗與影響因素之間是一種多變量、強(qiáng)耦合、嚴(yán)重非線性的關(guān)系，具有很強(qiáng)的動態(tài)性。而人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統(tǒng)，具有較強(qiáng)的學(xué)習(xí)能力、自適應(yīng)能力、容錯能力和聯(lián)想能力，已成為復(fù)雜的非線性系統(tǒng)建模、仿真、預(yù)測的新型工具，人工神經(jīng)網(wǎng)絡(luò)自20世紀(jì)40年代初被首度提出來以后，經(jīng)過幾十年的發(fā)展，廣泛運(yùn)用于模式識別和圖像處理、控制與優(yōu)化、人工智能等方面。隨著我國空調(diào)事業(yè)的快速發(fā)展及節(jié)能減排新形下，人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的運(yùn)用越來越受到廣大暖通空調(diào)研究者的關(guān)注。

1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是對人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，具有從環(huán)境學(xué)習(xí)的能力，以類似生物的交互方式適應(yīng)環(huán)境。人工神經(jīng)網(wǎng)絡(luò)是一個由大量簡單的神經(jīng)元廣泛聯(lián)接組成的復(fù)合系統(tǒng)，當(dāng)系統(tǒng)被訓(xùn)練達(dá)到平衡后，由各個神經(jīng)元的權(quán)值組成的整個網(wǎng)絡(luò)的分布狀態(tài)，就是所求的結(jié)果。網(wǎng)絡(luò)學(xué)習(xí)的過程也就是各神經(jīng)元權(quán)值的調(diào)整過程。人工神經(jīng)網(wǎng)絡(luò)根據(jù)連接方式不同可以分為兩大類：無反饋的前向神經(jīng)網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)（包括反饋網(wǎng)絡(luò)），圖1為BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)簡圖，BP網(wǎng)絡(luò)就是一種誤差反向傳播的前向網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法總體來講可分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)的具有強(qiáng)容錯性、冗余性、魯棒性和信息分布式并行處理及快速進(jìn)行大量計算能力特點(diǎn)， 能適應(yīng)復(fù)雜環(huán)境和進(jìn)行多目標(biāo)控制。

圖1 BP網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)

2 人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的應(yīng)用

2.1 空調(diào)風(fēng)系統(tǒng)方面的應(yīng)用

變風(fēng)量系統(tǒng)（VAV系統(tǒng)）的基本思想是：當(dāng)室內(nèi)負(fù)荷發(fā)生變化時，改變送入室內(nèi)風(fēng)量，以滿足室內(nèi)人員的舒適性或工藝性要求，實(shí)現(xiàn)送風(fēng)量的自動調(diào)節(jié)，最大限度地減少風(fēng)機(jī)動力，節(jié)約運(yùn)行能耗。目前對變風(fēng)量空調(diào)控制方法傳統(tǒng)方法主要有：定靜壓控制、變靜壓控制、總風(fēng)量控制等，但多數(shù)局限于的PID控制理論，對變風(fēng)量空調(diào)這種非線性系統(tǒng)的控制精度難以保證。朱為明等人在VAV系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化算法對變風(fēng)量空調(diào)進(jìn)行控制，神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化算法控制過程的節(jié)能范圍為：6％-13.5％，與PID控制方法相比，神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化算法的控制量之和減少6%以上，具有較好的節(jié)能效果。

2.2 空調(diào)水系統(tǒng)方面的應(yīng)用

中央空調(diào)水系統(tǒng)主要包括冷卻水和冷凍水系統(tǒng)，對于大型系統(tǒng)，管道長，系統(tǒng)熱容量大、慣性大，被控系統(tǒng)水溫和流速變化速度較慢，滯后現(xiàn)象嚴(yán)重，是一種典型的大滯后系統(tǒng)，對于過程純滯后非線性特性，目前過程控制傳統(tǒng)算法不具備克服滯后影響的能力，在穩(wěn)定性和響應(yīng)速度上都難以達(dá)到較好的性能指標(biāo)。周洪煜等人利用了神經(jīng)網(wǎng)絡(luò)的非線性逼近特性、自學(xué)習(xí)、自組織的能力以及預(yù)測控制的滾動優(yōu)化和反饋校正的特性，建立起的中央空調(diào)水系統(tǒng)的動態(tài)模型，作為預(yù)測控制器的預(yù)測模型，不需要對被控對象進(jìn)行精確的辨識， 提出的多變量神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)具有優(yōu)良的控制效果，實(shí)現(xiàn)了空調(diào)水系統(tǒng)的自適應(yīng)控制。何厚鍵等人在中央空調(diào)水系統(tǒng)的建模與優(yōu)化研究中，利用前饋型網(wǎng)絡(luò)結(jié)合BP算法建立了冷卻塔和制冷機(jī)的神經(jīng)網(wǎng)絡(luò)模型，解決的具有高度非線性的中央空調(diào)水系統(tǒng)設(shè)備的建模問題。

2.3 制冷系統(tǒng)方面的應(yīng)用

神經(jīng)網(wǎng)絡(luò)在空調(diào)中的制冷系統(tǒng)應(yīng)用，主要體現(xiàn)在制冷機(jī)組優(yōu)化控制和制冷系統(tǒng)的故障診斷兩方面。在中央空調(diào)系統(tǒng)中制冷機(jī)組是能耗最大的設(shè)備，對制冷機(jī)組進(jìn)行優(yōu)化控制，提高其運(yùn)行效率，是空調(diào)系統(tǒng)節(jié)能的重要途徑之一。趙健等人在分析了影響壓縮機(jī)運(yùn)行效率的主要因素基礎(chǔ)上，建立了以壓縮機(jī)入口制冷劑溫度、壓縮機(jī)出口制冷劑溫度和負(fù)荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經(jīng)網(wǎng)絡(luò)模型。通過在線修正制冷機(jī)的吸氣壓力工作點(diǎn)，解決變負(fù)荷下，制冷機(jī)優(yōu)化控制問題，大幅度提高制冷性能參數(shù)COP的值，降低了制冷機(jī)的運(yùn)行能耗，與采用額定工況相比，采用神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法的制冷機(jī)節(jié)能量約為44.8%。

故障診斷是一種了解和掌握設(shè)備在使用過程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報故障發(fā)展趨勢的技術(shù)。在制冷系統(tǒng)的故障診斷方面，神經(jīng)網(wǎng)絡(luò)也發(fā)揮著重要作用，隨著我國空調(diào)制冷事的蓬勃發(fā)展，制冷系統(tǒng)越來越復(fù)雜，故障的潛在發(fā)生點(diǎn)也越來越多，制冷設(shè)備的故障檢測與診斷越來越受到人們的重視。胡正定等人在分析制冷系統(tǒng)常見故障特征的基礎(chǔ)上，建立以壓縮機(jī)進(jìn)口溫度、蒸發(fā)器進(jìn)口溫度、冷媒水進(jìn)口溫度、冷媒水出口溫度、壓縮機(jī)排氣壓力、壓縮機(jī)吸氣壓力、壓縮機(jī)出口溫度、冷凝器出口溫度等8特征征參數(shù)作為輸入量，故障模式作為輸出量的補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)模型。仿真結(jié)果表明，系統(tǒng)的診斷結(jié)果且有較高的準(zhǔn)確率。李中領(lǐng)等人在空調(diào)系統(tǒng)故障診斷中利用神經(jīng)網(wǎng)絡(luò)建立了三層BP網(wǎng)絡(luò)模型，輸入層節(jié)點(diǎn)個數(shù)為4，對應(yīng)于4種故障現(xiàn)象，隱含層單元個數(shù)為4，輸出層節(jié)點(diǎn)個數(shù)為12，對應(yīng)于12種故障原因，輸出節(jié)點(diǎn)值的大小反映了故障出現(xiàn)的可能性。

2.4 負(fù)荷預(yù)測方面的應(yīng)用

空調(diào)系統(tǒng)逐時負(fù)荷的準(zhǔn)確預(yù)測是實(shí)現(xiàn)現(xiàn)代控制的前提之一，準(zhǔn)確預(yù)測空調(diào)負(fù)荷對空調(diào)高效節(jié)能運(yùn)行具有重大意義，影響空調(diào)負(fù)荷的因素有空氣溫度、濕度、太陽輻射強(qiáng)度、人員、設(shè)備運(yùn)行情況等，空調(diào)負(fù)荷與影響因素之間是嚴(yán)重非線性的關(guān)系，具有動態(tài)性。

2.5 空調(diào)制冷系統(tǒng)的仿真設(shè)計方面的應(yīng)用

制冷空調(diào)產(chǎn)品設(shè)計中，大量地依賴樣機(jī)的反復(fù)制作與調(diào)試，使得產(chǎn)品的設(shè)計周期延長，并影響性能優(yōu)化，用計算機(jī)仿真代替樣機(jī)試驗，在計算機(jī)上面實(shí)現(xiàn)優(yōu)化設(shè)計，使得制冷空調(diào)裝置仿真技術(shù)近年來得到了迅速發(fā)展 。

2.6 大型建筑運(yùn)行能耗的評價方面的應(yīng)用

大型公共建筑指非住宅的民用建筑，包括辦公樓、商場、賓館、醫(yī)院、學(xué)校等，大型公共建筑用能特點(diǎn)是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國大型公共建筑能源系統(tǒng)效率較低，浪費(fèi)嚴(yán)重，其電耗超過公共建筑節(jié)能設(shè)計標(biāo)準(zhǔn)規(guī)定指標(biāo)的10倍以上。大型公共建筑中央空調(diào)系統(tǒng)運(yùn)行能耗的科學(xué)評價是對大型公共建筑進(jìn)行用能科學(xué)管理的重要基礎(chǔ)，趙靖等人基于BP人工神經(jīng)網(wǎng)絡(luò)，將冷水機(jī)組、冷凍水泵、冷卻水泵、冷卻塔、其它設(shè)備月平均功率、運(yùn)行時間和氣象特征共七個作為預(yù)測因子，空調(diào)系統(tǒng)總能耗為輸出量，建立了大型公共建筑系統(tǒng)運(yùn)行能耗的預(yù)測評價模型，仿真結(jié)果表明，網(wǎng)絡(luò)的平均預(yù)測誤差輸出值約為3.3E-014，可以滿足實(shí)際應(yīng)用的要求。

3 發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)基于較強(qiáng)的學(xué)習(xí)能力、自適應(yīng)能力、容錯能力和聯(lián)想能力，在暖通空調(diào)領(lǐng)域中的應(yīng)用已經(jīng)取得了突破性的進(jìn)展。今后的發(fā)展方向主要有兩個方面，首先，不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)性能，提高其預(yù)測和控制精確度；另外，逐步使神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)由軟件實(shí)現(xiàn)過渡到硬件實(shí)現(xiàn)，擴(kuò)大其在空調(diào)領(lǐng)域的應(yīng)用范圍，也是今后的研究方向之一。

參考文獻(xiàn)

[1]胡守仁.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:國防科技大學(xué)出版社,1999.

[2]候媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學(xué)出版社,2007.

第9篇：神經(jīng)網(wǎng)絡(luò)方向范文

【關(guān)鍵詞】小波包變換 BP神經(jīng)網(wǎng)絡(luò) EPS轉(zhuǎn)矩傳感器 故障診斷

1 引言

EPS是當(dāng)前世界最發(fā)達(dá)的轉(zhuǎn)向助力系統(tǒng)，它是電子控制單元（ECU）根據(jù)各傳感器輸出信號決定電動機(jī)的轉(zhuǎn)動方向和最佳助力轉(zhuǎn)矩的轉(zhuǎn)向機(jī)構(gòu)。EPS轉(zhuǎn)矩傳感器測定方向盤與轉(zhuǎn)向器輸出軸之間傳遞的轉(zhuǎn)矩，并且將其轉(zhuǎn)矩大小轉(zhuǎn)化為電壓值信號。

目前已形成了多種轉(zhuǎn)矩傳感器故障檢測和診斷的方法，比如：故障樹法、神經(jīng)網(wǎng)絡(luò)觀測器以及基于小波分析的方法等等。小波分析是近年來發(fā)展起來的一個新的數(shù)學(xué)分支,非常適合于分析非平穩(wěn)信號，對于EPS轉(zhuǎn)矩傳感器信號，可方便地剔除系統(tǒng)的噪聲干擾和檢測出故障信號?；谶@一點(diǎn)，將信號進(jìn)行若干次小波包分解，可以得到信號在各個頻段上的分量，這樣就實(shí)現(xiàn)了信號特征的分離。由于這些特征與故障之間是一種非常復(fù)雜的非線性關(guān)系，而BP神經(jīng)網(wǎng)絡(luò)又具有強(qiáng)大的綜合分析能力，用構(gòu)造的傳感器的各種故障樣本特征向量對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練，這樣就能進(jìn)行故障診斷。

2 故障診斷流程

信號獲取信號消躁采樣小波包變換提取各頻帶能量歸一化處理BP神經(jīng)網(wǎng)絡(luò)診斷輸出。

3 基于小波包預(yù)處理的故障特征提取方法

設(shè)EPS轉(zhuǎn)矩傳感器電壓信號為f(x)，令 ψ(x)為小波母函數(shù)，則f(x)的二進(jìn)小波變換為

（1）

其中，離散信號的小波包分解算法為

（2）

其中，ak，bk為小波包分解共軛濾波器系數(shù)。

小波包的重構(gòu)算法為

（3）（4）

當(dāng)能量較大時，可對特征向量進(jìn)行歸一化處理，令

（5）

（6）

有了信號基于小波包的能量特征向量，就可以利用BP神經(jīng)網(wǎng)絡(luò)的非線性和擬合特性進(jìn)行故障的診斷識別了。

4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，圖中的節(jié)點(diǎn)是BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，它的作用函數(shù)為，式中y―神經(jīng)元的輸出，xi―神經(jīng)元的輸入，wi―神經(jīng)元的連接權(quán)值，θ―神經(jīng)元的閾值，f―神經(jīng)元的激活函數(shù)，由于采用IWPT預(yù)處理的小波包分析方法，構(gòu)建的神經(jīng)網(wǎng)絡(luò)為輸入層5個神經(jīng)元，即為故障的能量特征向量維數(shù)，輸出層為5個神經(jīng)元（四種故障和正常狀態(tài)），即為故障的類型數(shù)，隱含層為6個神經(jīng)元，隱層節(jié)點(diǎn)函數(shù)選用sigmoid函數(shù)。

具體的BP網(wǎng)絡(luò)訓(xùn)練算法可以查閱參考文獻(xiàn)。BP網(wǎng)絡(luò)在設(shè)計時，必須規(guī)定隱層的數(shù)目、每層的節(jié)點(diǎn)數(shù)、激活函數(shù)和輸入/輸出樣本對。這些參數(shù)將會影響B(tài)P網(wǎng)絡(luò)的收斂速度和BP網(wǎng)絡(luò)的有效性。

本文提出的基于IWPT預(yù)處理的神經(jīng)網(wǎng)絡(luò)故障診斷方法，預(yù)處理的目的是為了減少神經(jīng)網(wǎng)絡(luò)輸入層和隱層節(jié)點(diǎn)的個數(shù)，從而加快神經(jīng)網(wǎng)絡(luò)訓(xùn)練和收斂速度，提高故障診斷的效率。

5 結(jié)束語

通過小波包算法對傳感器故障信號的分析發(fā)現(xiàn)傳感器故障幾種典型信號在各個頻帶內(nèi)的能量分布是不同的，因此可以提取故障信號的子頻帶能量信號作為特征向量，在提取特征向量的過程中，采用IWPT（不完全小波包變換）預(yù)處理方法，使網(wǎng)絡(luò)的輸入層和隱含層節(jié)點(diǎn)數(shù)目都減少了，能夠顯著的提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和收斂速度。將提取的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入量，結(jié)合樣本數(shù)據(jù)（訓(xùn)練樣本和測試樣本），利用BP算法對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，實(shí)驗表明，訓(xùn)練后的網(wǎng)絡(luò)能對EPS轉(zhuǎn)矩傳感器的典型故障進(jìn)行有效的診斷。

參考文獻(xiàn)

[1] 沈斌,陳敏.電動助力轉(zhuǎn)向傳感器故障研究[J].機(jī)電一體化,2012(5):59-63.

[2]A.Grossmann and J.Morlet, "Decomposition of hardyfunction into square integrable wavelets of constantshape,"SIAM J.Math.,vol.15, pp.723-736.

[3]Haykin S.Neural Networks A Comprehensive Foundation.Prentice Hall,2001

[4]Y.He,Y.Tan and Y.Sun,Wavelet neural network approach for fault diagnosis of analogue circuits.IEEE Proc.-Circuits Devices Syst.Vol 151(4), pp.379-384

[5]S.Mallat,"Multifrequency channel decompositions of images and wavelet models,"IEEE Trans.ASSP,vol.37, no.12,pp.2091-2110,1989.