神經(jīng)網(wǎng)絡(luò)總結(jié)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)總結(jié)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)總結(jié)范文

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；神經(jīng)元；可視化

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神經(jīng)網(wǎng)絡(luò)和可視化方法是數(shù)據(jù)挖掘中的兩個重要的算法模型，兩者都是根據(jù)模擬人腦和人的視覺神經(jīng)與傳統(tǒng)的數(shù)字計算機相比較而抽象出來的數(shù)據(jù)挖掘算法?？梢暬椒ㄊ侨四X神經(jīng)網(wǎng)絡(luò)的一部分，它們之間存在著必然的聯(lián)系，而算法又各有所異。隨著數(shù)據(jù)挖掘技術(shù)的快速發(fā)展，存儲在數(shù)據(jù)庫中的數(shù)據(jù)量也迅速增長，這證明傳統(tǒng)的關(guān)系數(shù)據(jù)庫和存儲圖像、CAD（計算機輔助設(shè)計）圖紙、地理信息和分子生物結(jié)構(gòu)的復(fù)雜2D和3D多媒體數(shù)據(jù)庫是合理的。許多應(yīng)用都要用到大型的數(shù)據(jù)庫，這些數(shù)據(jù)庫有幾百萬種數(shù)據(jù)對象，這些數(shù)據(jù)對象的緯度達到幾十甚至幾百。面對如此復(fù)雜的數(shù)據(jù)時，我們常常面臨著一些棘手的問題：應(yīng)該從哪里開始著手？哪些是有用的數(shù)據(jù)？還有一些其他可用的數(shù)據(jù)嗎？能得出答案的其他方法是什么？人們在尋求突破的同時反復(fù)地思考并詢問復(fù)雜數(shù)據(jù)的專門問題。我們從人工神經(jīng)網(wǎng)絡(luò)和可視化方法的算法、特有屬性進行橫向和縱向的比較來找出他們的共同點和相似點。

2 人工神經(jīng)網(wǎng)絡(luò)算法與可視化方法性能比較

2.1 人工神經(jīng)網(wǎng)絡(luò)提供特有的屬性和能力

1) 人工神經(jīng)網(wǎng)絡(luò)有超強的運算功能――人腦大約有1011個微處理神經(jīng)元，這些神經(jīng)元之間相互連接，連接的數(shù)目大約達到1015數(shù)量級[1]。每個神經(jīng)元都相當(dāng)一個微型計算機，把每個微型計算機鏈接起來就形成了一個超級計算機網(wǎng)絡(luò)。

2) 由于人工神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個超級因特網(wǎng)，每個神經(jīng)元都相當(dāng)于一個微型計算機，對所有的任務(wù)都可并行，并且是分布式處理，其處理能力也是超強的――每個神經(jīng)元節(jié)點都可以看作一個微型計算機，這樣就形成了一個龐大的神經(jīng)元網(wǎng)絡(luò)。

3) 人工神經(jīng)網(wǎng)絡(luò)有歸納總結(jié)和分類的能力。――歸納總結(jié)和分類是人工神經(jīng)網(wǎng)絡(luò)對輸入而產(chǎn)生合理的輸出。

4) 人工神經(jīng)網(wǎng)絡(luò)有離散性。

5) 人工神經(jīng)網(wǎng)絡(luò)通過典型的實例中進行歸納總結(jié)。

6) 對整個網(wǎng)絡(luò)有很強的適應(yīng)性和快速的驗證的能力。

7) 對整個人工神經(jīng)網(wǎng)絡(luò)的包容性。

8 對整個人工神經(jīng)網(wǎng)絡(luò)統(tǒng)籌能力。

2.2 可視化方法特有的屬性和能力

1) 在正常情況下人對圖像的信息比較敏感。而對數(shù)據(jù)的反映比較遲鈍。

2) 人從圖像視覺接受到的信息比從文本或表格上接受更快、更有效。比如“百聞不如一見”。

3) 人從圖像視覺接受到的信息總是有選擇的接受

4) 人的視覺選擇的特征為形狀、顏色、亮度、運動、向量、質(zhì)地等。

這些篩選仍然是通過人龐大的神經(jīng)網(wǎng)絡(luò)中的部分神經(jīng)元來處理的。其中進行的樣本的學(xué)習(xí)能里以及自適應(yīng)性得到了充分的體現(xiàn)。

2.3 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的共同點

1) 對接受到的信息進行歸納處理。

2) 對接受到的信息進行轉(zhuǎn)化，只是轉(zhuǎn)化的方式不同。

3) 對接受到的信息進行篩選，并對接受到的信息產(chǎn)生合理的輸出。

4) 容錯性。

5) 從接受到的信息進行學(xué)習(xí)的能力。

2.4 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的不同點

1) 人工神經(jīng)網(wǎng)絡(luò)是好比因特網(wǎng)，而可視化方法的計算網(wǎng)絡(luò)好比計算機網(wǎng)絡(luò)?？梢暬W(wǎng)絡(luò)的計算能力只是人工神經(jīng)網(wǎng)絡(luò)很小的一部分。

2) 可視化方法雖然也是并行分布式處理的結(jié)構(gòu)，但是它也只是人工神經(jīng)網(wǎng)絡(luò)分布式處理的很小部分。其速度要遠遠低于人工神經(jīng)網(wǎng)絡(luò)

3) 人的視覺和人工神經(jīng)網(wǎng)絡(luò)對信息的篩選的方式各有不同。

3 算法比較

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)元是一個抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號化為：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中輸入和相應(yīng)權(quán)重乘機的累加為xiwki（其中，i=1, ……m），一些輸入xi，i=1, ……m，其中k是ANN中給定的神經(jīng)元的索引，權(quán)重模擬了自然神經(jīng)元中的生物突出強度[2]。

一個神經(jīng)元就是一個微型計算機，它是一個ANN運轉(zhuǎn)的最小單位，就像是整個因特網(wǎng)中的一臺計算機。下例圖1是人工神經(jīng)元的模型。

從這個模型可以看出人工神經(jīng)元是有三個基本元素組成：

第一、一組連接線。X1 、X2 、…、Xm，每個連接線上的Wki為權(quán)重。權(quán)重在一定范圍類可能是正值，也可能是負值。

第二、累加器。將Xi與對應(yīng)的權(quán)重值相乘的積累加。

第三、篩選函數(shù)。通過每個神經(jīng)元經(jīng)過函數(shù)篩選后輸出數(shù)值。

同樣，還可以用矢量符號來將其表示成兩個m維向量的無向乘積：

netk= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可視化方法

可視化技術(shù)在字典中的意思為“心理圖像”，在計算機圖形學(xué)領(lǐng)域。可視化將自身行為聯(lián)系起來，特別是和人眼可以理解的復(fù)雜行為聯(lián)系起來。計算機可視化就是用計算機圖形和其他技術(shù)來考慮更多的樣本、變量和關(guān)系。

可視化技術(shù)其目的是清晰地、恰當(dāng)?shù)?、有見解地思考，以及有著堅定信念的行動?/p>

基于計算機的可視化技術(shù)不僅僅把計算機作為一種工具，也是一種交流媒介，可視化對開發(fā)人類認知方面提出了挑戰(zhàn)，也創(chuàng)造了機遇。挑戰(zhàn)是要避免觀察不出不正確的模式，以免錯誤地做出決策和行動。機遇是在設(shè)計可視化時運用關(guān)于人類認知的知識。

安得魯曲線技術(shù)把每個n維樣本繪制成一條直線。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t為時間域，函數(shù)f(t)把n維點X=(x1, x2, x3, x4, …,xn)

將f(t)進行部分變換：

f(t)= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

這種可視化的一個好處是它可以表示很多維，缺點是要花很多的時間計算，才可以展示每個維點。這種幾何投影技術(shù)也包括探測性統(tǒng)計學(xué)，如主成分分析、因子分析和緯度縮放。平行坐標可視化技術(shù)和放射可視化技術(shù)也屬于這類可視化[3]。

3.3 人工神經(jīng)元模型與可視化化方法中的安得魯曲線技術(shù)分析與比較

人工神經(jīng)元是一個抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號化為：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X?W

安得魯曲線技術(shù)把每個n維樣本繪制成一條曲線。這種方法與數(shù)據(jù)點的傅立葉轉(zhuǎn)換相似。它用時間域T的函數(shù)f(t)來把n維點X=(x1,x2,x3,x4, …,xn)轉(zhuǎn)換為一個連續(xù)的點。這個函數(shù)常被劃分在－∏≤t≤∏區(qū)間。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X?W

人工神經(jīng)網(wǎng)絡(luò)和可視化方法部分算法比較可以近似的計算認為：

netk= f(t) =X?W

通過對人工神經(jīng)網(wǎng)絡(luò)和可視化方法公式的整理可以得出它們有著很多的共同性和相似性[4]，在容錯允許的情況下其算法為：

F(t)= X?W

其中F(t)可表示為人工神經(jīng)網(wǎng)絡(luò)

F(t)= netk

或可視化方法

F(t)= f(t)

4 kohonen神經(jīng)網(wǎng)絡(luò)

Kohonen神經(jīng)網(wǎng)絡(luò)也是基于n維可視化的聚類技術(shù)，聚類是一個非常難的問題，由于在n維的樣本空間數(shù)據(jù)可以以不同的形狀和大小來表示類，n維空間上的n個樣本。

Mk=（1/n）

其中k=1，2，…，k。每個樣本就是一個類，因此∑nk=N。[5]

Kohonen神經(jīng)網(wǎng)絡(luò)可以看作是一種非線性的數(shù)據(jù)投影這種技術(shù)和聚類中的k-平均算法有些相似。

可見，Kohonen神經(jīng)網(wǎng)絡(luò)屬于可視化方法也屬于神經(jīng)網(wǎng)絡(luò)算法。

5 結(jié)束語

現(xiàn)代世界是一個知識大爆炸的世界。我們被大量的數(shù)據(jù)所包圍著，這些數(shù)據(jù)或是整型的、或是數(shù)值型或其他類型，它們都必須經(jīng)過各種方法的分析和處理，把它轉(zhuǎn)換成對我們有用的或可以輔助我們決策和理解的信息。數(shù)據(jù)挖掘是計算機行業(yè)中發(fā)展最快的領(lǐng)域之一，原始數(shù)據(jù)在爆炸式的增長，從原始數(shù)據(jù)中發(fā)現(xiàn)新知識的方法也在爆炸性地增長。人工神經(jīng)網(wǎng)絡(luò)和可視化方法是兩種對海量數(shù)據(jù)進行數(shù)據(jù)挖掘整理的不同算法，通過以上縱向和橫向的對比，我們可以發(fā)現(xiàn)它們的相似性和共同點：對接受到的信息進行歸納處理、轉(zhuǎn)化、篩選、容錯性、并對接受到的信息產(chǎn)生合理的輸出。在應(yīng)用中可以根據(jù)它們不同的屬性和能力選擇不同的算法。

參考文獻：

[1] Tang，Z H.數(shù)據(jù)挖掘原理與應(yīng)用[M].北京.清華大學(xué)出版社,2007:74.

[2] Kantardzic M.數(shù)據(jù)挖掘[M].北京.清華大學(xué)出版社,2002:89.

[3] 李守巨,王吉.基于概率神經(jīng)網(wǎng)絡(luò)的巖土邊坡穩(wěn)定性預(yù)測方法[J].巖土力學(xué),2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

第2篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：圖像復(fù)原 BP神經(jīng)網(wǎng)絡(luò) Hopfield神經(jīng)網(wǎng)絡(luò) 應(yīng)用

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2013）11-0040-02

1 引言

圖像復(fù)原是一項富有現(xiàn)實意義的工作，它涉及到廣泛的技術(shù)領(lǐng)域，是圖像處理領(lǐng)域研究的焦點之一。在得到圖像的過程中，由于各種各樣的原因，包括與觀測對象的相對運動、介質(zhì)散射、成像系統(tǒng)缺陷和環(huán)境噪聲等原因，使得最終的圖像都會有一定程度的退化。圖像復(fù)原就是從退化的圖像中恢復(fù)圖像的本來面目。傳統(tǒng)的圖像復(fù)原處理問題的關(guān)鍵在于建立退化模型，估計退化過程中的參數(shù)，由此通過相應(yīng)的逆過程得到原始圖像。獲得準確的圖像退化模型是比較困難的事情。大多數(shù)圖像復(fù)原的實際問題是點擴展函數(shù)以及原始圖像均未知的盲復(fù)原問題，這類問題具有更嚴重的病態(tài)性因而進一步增加了解決的難度。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）為圖像復(fù)原問題的解決提供了另外一條路徑，這是基于人工神經(jīng)網(wǎng)絡(luò)具有的模擬人類神經(jīng)的非線性、自組織、自學(xué)習(xí)、自適應(yīng)特性。一般而言，人工神經(jīng)網(wǎng)絡(luò)適合于解決無法或很難精確建立數(shù)學(xué)模型、不完全清楚內(nèi)部機理的問題，人工神經(jīng)網(wǎng)絡(luò)的很多特性適合解決圖像復(fù)原問題。近些年來，對人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原的研究越來越多，形成了很多豐富的神經(jīng)網(wǎng)絡(luò)模型和算法。BP（Back Propagation反向傳播）和Hopfield（霍普菲爾德）是典型的人工神經(jīng)網(wǎng)絡(luò)類型，也是在圖像復(fù)原領(lǐng)域應(yīng)用較多的神經(jīng)網(wǎng)絡(luò)類型。

2 BP神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)的特性

BP神經(jīng)網(wǎng)絡(luò)是上世紀80年代美國加州大學(xué)的Rumelhart、McClelland及其團隊研究并行分布信息處理時提出的采用反向傳播算法的多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)具有良好的泛化能力，其隱層的非線性傳遞函數(shù)神經(jīng)元可以學(xué)習(xí)輸入輸出之間的線性或非線性關(guān)系。在1989年，RobertHecht-Nielson證明了對于任何一個在閉區(qū)間內(nèi)連續(xù)的函數(shù)都可以由具有一個隱含層的BP網(wǎng)絡(luò)來逼近，這樣，一個三層（輸入層、隱層和輸出層）的BP神經(jīng)網(wǎng)絡(luò)即能完成對多維度函數(shù)的逼近。這些特性，使得選用BP神經(jīng)網(wǎng)絡(luò)簡單地實現(xiàn)在未知點擴展函數(shù)的情況下，擬合原始圖像與退化圖像之間的關(guān)系，從而得到滿意的圖像復(fù)原結(jié)果成為可能。

2.2 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原

BP神經(jīng)網(wǎng)絡(luò)用退化圖像與相對應(yīng)的原始圖像進行訓(xùn)練，退化圖像為網(wǎng)絡(luò)的輸入，原始圖像為網(wǎng)絡(luò)的輸出。訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)會在退化圖像與原始圖像之間建立非線性的映射關(guān)系，使得利用這種非線性關(guān)系即可實現(xiàn)在只有退化圖像的情況下對齊進行復(fù)原。

利用BP神經(jīng)網(wǎng)絡(luò)進行圖像復(fù)原，一般用輸入圖像的N×N鄰域內(nèi)的N2個像素點對應(yīng)輸出圖像的一個像素點。這樣的對應(yīng)方法會使整個運算量增大，但正由于參與運算的像素點增加，使得網(wǎng)絡(luò)具有更好的泛化和魯棒能力。由于三層BP神經(jīng)網(wǎng)絡(luò)可以任意精度逼近某一多維度函數(shù)，因而其應(yīng)用于圖像復(fù)原時使用三層網(wǎng)絡(luò)結(jié)構(gòu)。輸入層和輸入層節(jié)點數(shù)分別由輸入圖像像素數(shù)量和輸出圖像像素數(shù)量決定，隱層節(jié)點數(shù)量和訓(xùn)練方法在很大程度上決定了網(wǎng)絡(luò)性能。

為了便于網(wǎng)絡(luò)計算，通過神經(jīng)網(wǎng)絡(luò)計算前通常將輸入圖像進行歸一化。以灰度圖像為例，將圖像數(shù)據(jù)[0～255]轉(zhuǎn)換到[-1～1]或[0～1]。圖像經(jīng)過神經(jīng)網(wǎng)絡(luò)復(fù)原后還需進行反歸一化轉(zhuǎn)換，將計算得到的數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，即將[-1～1]或[0～1]轉(zhuǎn)換到[0～255]。

通常，運用BP網(wǎng)絡(luò)進行圖像復(fù)原算法流程包括：（1）圖像的預(yù)處理，得到歸一化的便于神經(jīng)網(wǎng)絡(luò)計算的數(shù)據(jù)；（2）使用退化圖像與對應(yīng)的原始圖像（訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；（3）將待復(fù)原圖像輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進行圖像復(fù)原；（4）數(shù)據(jù)的后處理，將網(wǎng)絡(luò)輸出數(shù)據(jù)進行反歸一化，得到復(fù)原圖像。

3 Hopfield神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原中的應(yīng)用

3.1 Hopfield神經(jīng)網(wǎng)絡(luò)的特性

不同于BP神經(jīng)網(wǎng)絡(luò)，Hopfield神經(jīng)網(wǎng)絡(luò)是一種單層反饋網(wǎng)絡(luò)，信號在網(wǎng)絡(luò)中不僅向前傳遞，還在神經(jīng)元之間傳遞。圖1是有三個神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。Hopfield神經(jīng)網(wǎng)絡(luò)由美國加州理工學(xué)院物理學(xué)家J·J·Hopfield在上世紀80年代提出，并首次在神經(jīng)網(wǎng)絡(luò)研究中引入了計算能量函數(shù)的概念，通過研究網(wǎng)絡(luò)的穩(wěn)定性與計算能量函數(shù)的相關(guān)性給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)。J·J·Hopfield運用Hopfield神經(jīng)網(wǎng)絡(luò)成功地探討了旅行商問題（TSP）的求解方法。HNN神經(jīng)網(wǎng)絡(luò)采用灌輸式學(xué)習(xí)方式，其網(wǎng)絡(luò)權(quán)值是事先按一定規(guī)則計算出來的，確定之后不再改變，各神經(jīng)元的狀態(tài)在運行過程中不斷更新，網(wǎng)絡(luò)穩(wěn)定時各神經(jīng)元的狀態(tài)便是問題的解。Hopfield神經(jīng)網(wǎng)絡(luò)的這些自身特征使其適于應(yīng)用于聯(lián)想記憶和求解最優(yōu)化問題。

3.2 Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原

利用神經(jīng)網(wǎng)絡(luò)進行圖像復(fù)原的方法分為兩類：一種是用原始圖像和模糊圖像構(gòu)成的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練好的網(wǎng)絡(luò)中建立起原始圖像與模糊圖像的非線性映射關(guān)系，然后以帶復(fù)原的模糊圖像作為網(wǎng)絡(luò)的輸入，經(jīng)過網(wǎng)絡(luò)輸出的圖像數(shù)據(jù)就是經(jīng)過復(fù)原的圖像，BP神經(jīng)網(wǎng)絡(luò)就是運用這種方法進行圖像復(fù)原的典型神經(jīng)網(wǎng)絡(luò)。另一種是經(jīng)過神經(jīng)網(wǎng)絡(luò)反復(fù)的數(shù)學(xué)迭代計算復(fù)原，運用Hopfield神經(jīng)網(wǎng)絡(luò)進行圖像復(fù)原屬于這類方法。

其中是神經(jīng)網(wǎng)絡(luò)的狀態(tài)向量，為網(wǎng)絡(luò)的權(quán)值矩陣，為由網(wǎng)絡(luò)中各神經(jīng)元閾值構(gòu)成的向量。Hopfield神經(jīng)網(wǎng)絡(luò)的運行結(jié)果即網(wǎng)絡(luò)達到穩(wěn)定狀態(tài)就是達到最小值時的狀態(tài)。由式（4）和（5）可以看出圖像復(fù)原的目標函數(shù)與Hopfield神經(jīng)網(wǎng)絡(luò)能量函數(shù)具有相似的表達形式，因而可以建立兩者之間的聯(lián)系，從而將圖像復(fù)原問題轉(zhuǎn)變?yōu)樯窠?jīng)網(wǎng)絡(luò)的運算問題，這也就是Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原的基本原理。

運用Hopfield神經(jīng)網(wǎng)絡(luò)解決圖像復(fù)原問題首先要確定網(wǎng)絡(luò)的權(quán)值矩陣?？梢园凑誋ebb學(xué)習(xí)規(guī)則得出[4]。完成網(wǎng)絡(luò)初始化后，將退化圖像輸入網(wǎng)絡(luò)，從網(wǎng)絡(luò)中選取一個神經(jīng)元按照Hopfield神經(jīng)網(wǎng)絡(luò)的運算規(guī)則得出神經(jīng)元的輸出，將所有神經(jīng)元求出輸出后判斷該網(wǎng)絡(luò)是否達到穩(wěn)定狀態(tài)，即計算前后的網(wǎng)絡(luò)能量函數(shù)的誤差是否小于要求的范圍。如果網(wǎng)絡(luò)不穩(wěn)定，需要重復(fù)迭代計算；網(wǎng)絡(luò)達到穩(wěn)定狀態(tài)時，神經(jīng)網(wǎng)絡(luò)的狀態(tài)向量就是要求的原始圖像。經(jīng)過一定的后處理就能得到具有一定精度的原始圖像。

4 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原問題中的應(yīng)用已經(jīng)擴展到了很多方面，包括三維顯微圖像、高能閃光照相等領(lǐng)域[5-6]。神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原中的應(yīng)用機理也不斷得到深入研究。這些得益于神經(jīng)網(wǎng)絡(luò)算法不依賴求解問題本身數(shù)學(xué)模型的特點，以及自身強大的泛化能力。BP和Hopfield神經(jīng)網(wǎng)絡(luò)都能成功地運用在圖像復(fù)原問題中，在選用神經(jīng)網(wǎng)絡(luò)進行圖像復(fù)原研究時要注意到BP神經(jīng)網(wǎng)絡(luò)強烈地依賴退化圖像與原始圖像構(gòu)成的樣本集合對網(wǎng)絡(luò)進行訓(xùn)練，這就要求得到足夠的先驗知識或者通過某種算法得到退化圖像與原始圖像相對應(yīng)的樣本群。Hopfield神經(jīng)網(wǎng)絡(luò)不依賴于退化圖像與原始圖像的先驗知識，可以直接針對退化圖像進行復(fù)原。這就需要根據(jù)不同的實際情況選取合適的網(wǎng)絡(luò)類型來解決問題。

參考文獻

[1]尚鋼，鐘珞，陳立耀.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)選取[J].武漢工業(yè)大學(xué)學(xué)報，1997，19（2）.

[2]王晗.基于Hopfield神經(jīng)網(wǎng)絡(luò)的圖像恢復(fù)[D].武漢：華中科技大學(xué)南京理工大學(xué)，2006年4月.

[3]席旭剛，羅志增.用Hopfield神經(jīng)網(wǎng)絡(luò)實現(xiàn)觸覺圖像恢復(fù)[J].儀器儀表學(xué)報，2008，30（10）.

[4] Bianchini M，F(xiàn)rasconi P.Learning without local minima in radial basis function networks[J].IEEE Transaction on Neural Networks，1995，6（3）：749～756.

第3篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層（hidden layer）和輸出層（output layer）。

二、BP神經(jīng)網(wǎng)絡(luò)在坐標轉(zhuǎn)換中的應(yīng)用

坐標轉(zhuǎn)換基本思路： 首先就是要建立網(wǎng)絡(luò)的模型結(jié)構(gòu)， 即確定層數(shù)、每層的神經(jīng)元數(shù)和功能函數(shù)； 其次， 建立網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則， 利用樣本數(shù)據(jù)（WGS284 橢球大地坐標和北京54 坐標） 對網(wǎng)絡(luò)進行訓(xùn)練， 確定網(wǎng)絡(luò)中的各個權(quán)矩陣和偏差向量， 使得網(wǎng)絡(luò)輸出值與實際值在一定準則之下盡可能吻合， 從而完成坐標的轉(zhuǎn)換。

三、數(shù)據(jù)計算

本次設(shè)計選用MATLAB語言為作為編程語言，BP神經(jīng)網(wǎng)絡(luò)為理論基礎(chǔ)。MATLAB語言是一種解釋性執(zhí)行語言，它靈活、方便，其調(diào)試程序手段豐富，調(diào)式速度快，需要學(xué)習(xí)時間少，而且MATLAB語言與C語言、VB、Java有很多相似之處，可以相互調(diào)用。由于MATLAB軟件里有很多神經(jīng)網(wǎng)絡(luò)函數(shù)，使用MATLAB建立BP神經(jīng)網(wǎng)絡(luò)非常方便。

1、指令格式

四、分析總結(jié)

1、在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換GPS坐標時，網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計非常重要，訓(xùn)練函數(shù)和傳遞函數(shù)選擇、網(wǎng)絡(luò)隱含層數(shù)確定、隱含層節(jié)點數(shù)的確定、網(wǎng)絡(luò)訓(xùn)練次數(shù)的選擇非常重要，在選擇函數(shù)、層數(shù)和節(jié)點數(shù)時，對于大量數(shù)據(jù)的處理應(yīng)該考慮計算機的性能，以選擇合適的函數(shù)使計算機能夠運行且穩(wěn)定，學(xué)習(xí)速率選擇、初始權(quán)值等的選擇可以根據(jù)坐標轉(zhuǎn)換精度要求確定；

2、BP神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換坐標時，由于所選擇的函數(shù)不同，網(wǎng)絡(luò)的性能也不同，本文由于數(shù)據(jù)位數(shù)較大，沒有合適的數(shù)據(jù)壓縮模型，所以采用了線性函數(shù)purelin作為傳遞函數(shù)，對于purelin函數(shù)，網(wǎng)絡(luò)節(jié)點數(shù)和層數(shù)的增加都會增加網(wǎng)絡(luò)的訓(xùn)練時間，這一點與其他函數(shù)不同；

3、本文設(shè)計的利用網(wǎng)絡(luò)誤差作為評價標準選擇神經(jīng)網(wǎng)絡(luò)的節(jié)點數(shù)的選擇效果良好，值得推廣；

4、利用神經(jīng)網(wǎng)絡(luò)進行坐標轉(zhuǎn)換， 其內(nèi)插的精度很高， 外推精度較低；

5、利用神經(jīng)網(wǎng)絡(luò)進行坐標轉(zhuǎn)換是完全可行的，其模擬精度可達到厘米級；

6、神經(jīng)網(wǎng)絡(luò)方法對GPS坐標聯(lián)測點數(shù)目要求較少，可以解決已知點較少的測區(qū)GPS坐標轉(zhuǎn)換問題，且效果較好，這對于充分利用GPS坐標信息，減少坐標測量外業(yè)，有著一定的現(xiàn)實意義。用神經(jīng)網(wǎng)絡(luò)方法轉(zhuǎn)換GPS坐標的優(yōu)點還在于它可以利用地面坐標系或WGS-84坐標系中的數(shù)據(jù)直接獲得所需要的坐標。網(wǎng)絡(luò)通過學(xué)習(xí)形成的是數(shù)據(jù)集之間的映射，不需要先進行坐標類型轉(zhuǎn)換，然后再進行坐標轉(zhuǎn)換。這樣也就不會有中間環(huán)節(jié)的精度損失。總的來說，用神經(jīng)網(wǎng)絡(luò)方法可能解決已知點較少的測區(qū)中GPS坐標轉(zhuǎn)換問題；

第4篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

計算機網(wǎng)絡(luò)技術(shù)已經(jīng)逐漸發(fā)展成為廣泛應(yīng)用于人們?nèi)粘Ｉa(chǎn)生活的重要技術(shù)，而在實際的使用過程中，卻難免要遇到安全隱患，例如黑客的入侵、安全漏洞和病毒傳播等。在計算機網(wǎng)絡(luò)安全的評價體系中，神經(jīng)網(wǎng)絡(luò)的應(yīng)用以其能夠形成非線性自適應(yīng)動態(tài)系統(tǒng)的特點，迅速適應(yīng)網(wǎng)絡(luò)環(huán)境，進而實現(xiàn)對信息的運算、識別和控制功能，提高了計算機的工作效率和安全性。

2計算機網(wǎng)絡(luò)安全的概念

計算機的網(wǎng)絡(luò)安全，主要指的是針對網(wǎng)絡(luò)信息瀏覽和操作等過程中的安全管理，以達到提高網(wǎng)絡(luò)信息保密性、安全性的目的，維護使用者的合法權(quán)益，最終實現(xiàn)整個網(wǎng)絡(luò)的順利運行。我國當(dāng)前的計算機網(wǎng)絡(luò)安全問題通常涉及到信息安全、計算機網(wǎng)絡(luò)技術(shù)等多個方面，而伴隨計算機網(wǎng)絡(luò)的日益普及，其網(wǎng)絡(luò)信息的安全問題更加為人們所重視。例如，對于企業(yè)而言，其日常經(jīng)營活動中往往會運用到計算機網(wǎng)絡(luò)，因此要求網(wǎng)絡(luò)必須具備核心技術(shù)，對企業(yè)信息實施保護和保密，維護重要內(nèi)部信息的安全性，從而維護企業(yè)利益。即便是個人在使用計算機網(wǎng)絡(luò)時，也同樣需要網(wǎng)絡(luò)對個人信息實施控制與保護，防止泄漏或被不法分子盜取，損害人民的權(quán)益和實際利益。

3神經(jīng)網(wǎng)絡(luò)概述

3.1概念

所謂神經(jīng)網(wǎng)絡(luò)，其模型建立的基礎(chǔ)，是人體腦部的信息處理模式作為參考，然后運用數(shù)學(xué)模型，模擬生物的神經(jīng)元、腦細胞結(jié)構(gòu)，以及其生理特征，最終模擬獲得該神經(jīng)網(wǎng)絡(luò)模型。此后，計算機專家則以此模型為基礎(chǔ)，添加入編制好的學(xué)習(xí)機制，然后將其應(yīng)用到實際工程中，最終開發(fā)出了感知器神經(jīng)網(wǎng)絡(luò)模型。該模型具備了聲納波的識別功能，可用于探測潛艇位置等實踐中。經(jīng)過進一步的深入研究，相關(guān)研究人員在其中運用了映射拓撲性質(zhì)，在計算機的基礎(chǔ)之上建立了映射自組織網(wǎng)絡(luò)模型;繼而通過分析研究生物自組織神經(jīng)網(wǎng)絡(luò)，確定神經(jīng)網(wǎng)絡(luò)模的實質(zhì)，獲得一組微分非線性方程，然后將神經(jīng)網(wǎng)絡(luò)應(yīng)用于實際，最終形成了神經(jīng)網(wǎng)絡(luò)的系統(tǒng)性科學(xué)研究，例如具有一定代表性的BP神經(jīng)網(wǎng)絡(luò)。

3.2神經(jīng)網(wǎng)絡(luò)的優(yōu)越性

神經(jīng)網(wǎng)絡(luò)建立的基礎(chǔ)是生物大腦結(jié)構(gòu)和工作原理，因而屬于人工智能系統(tǒng)，該系統(tǒng)基于計算機網(wǎng)絡(luò)內(nèi)部大量節(jié)點的關(guān)系分析，發(fā)揮出方面優(yōu)越的應(yīng)用性能，主要包括以下方面：

3.2.1自學(xué)功能

神經(jīng)網(wǎng)絡(luò)系統(tǒng)能夠進行自我學(xué)習(xí)，通過自動識別正在輸入的信息，自行為操作者總結(jié)相關(guān)的規(guī)律，進而形成聯(lián)想的模式。其優(yōu)勢即在于這種對于信息的識別能力，使系統(tǒng)能夠在之后的工作中，進行獨立自動運作，從而縮短操作人員的工作時間?，F(xiàn)有計算機神經(jīng)網(wǎng)絡(luò)系統(tǒng)，甚至能夠?qū)崿F(xiàn)高于聯(lián)想模式的預(yù)測功能，應(yīng)用于證券市場中，系統(tǒng)可以基于對當(dāng)前股市證券、市場經(jīng)濟和企業(yè)現(xiàn)狀的研究分析，預(yù)測其未來的效益，從而企業(yè)未來的良性發(fā)展，提供了有力的智能支持。

3.2.2優(yōu)化系統(tǒng)

神經(jīng)網(wǎng)絡(luò)同時還具備了自我優(yōu)化的能力，可以自行提高計算機運轉(zhuǎn)能力，同時幫助操作用戶，針對某些問題提出解決方案?；诖耍窠?jīng)網(wǎng)絡(luò)系統(tǒng)被建議應(yīng)用于計算機的網(wǎng)絡(luò)安全評價中，以發(fā)揮其自身的優(yōu)越性能。

4計算機網(wǎng)絡(luò)安全評價中神經(jīng)網(wǎng)絡(luò)的應(yīng)用

4.1計算機網(wǎng)絡(luò)安全評價體系的構(gòu)建

4.1.1構(gòu)建神經(jīng)網(wǎng)絡(luò)體系的必要性

基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價保護是多元化的，由于其對于環(huán)境的適應(yīng)力較強，因而能夠迅速適應(yīng)周圍狀況，并對自身進行調(diào)整，以降低誤差。另外，神經(jīng)網(wǎng)絡(luò)的自我訓(xùn)練使其能夠在計算機網(wǎng)絡(luò)安全評價的體系中，實現(xiàn)自我總結(jié)和完善。此外，神經(jīng)網(wǎng)絡(luò)還具備了良好的容錯性，對于一些不完整信息、噪聲等并不敏感，因而在網(wǎng)絡(luò)節(jié)點出現(xiàn)問題時，不會對神經(jīng)網(wǎng)絡(luò)的整體保護產(chǎn)生影響。且神經(jīng)網(wǎng)絡(luò)在進行自我訓(xùn)練之后，能夠?qū)⒄５墓ぷ餍侍嵘脸Ｒ?guī)的4～5倍。加上神經(jīng)網(wǎng)絡(luò)對于結(jié)果的獲取高效快捷，因此更加便于使用，其各方面的設(shè)置也更加人性化。

4.1.2安全評價體系構(gòu)成指標

計算機網(wǎng)絡(luò)安全的一級評價，其中的指標通常包括：管理安全、物理安全以及邏輯安全，具體如下：①管理安全評價指標時二級指標，分別為安全組織體系、安全管理制度、人員安全培訓(xùn)以及應(yīng)急響應(yīng)機制;②物理安全評價指標為二級指標，包括防電磁泄漏措施、供電線路、網(wǎng)絡(luò)機房、容錯冗余以及設(shè)備安全;③邏輯安全評價指標同樣是二級指標，包括數(shù)據(jù)的備份、恢復(fù)，訪問的控制、軟件安全、防病毒措施、系統(tǒng)審計、數(shù)字簽名、數(shù)據(jù)加密以及入侵防范。

4.2實現(xiàn)評價指標的標準化

不同的評價指標集，對于影響因素的描述也存在差異，因此需要在實施定量、定性評價時有所側(cè)重。此外，應(yīng)當(dāng)合理運用科學(xué)的方法，對計算機的網(wǎng)絡(luò)安全情況作出反應(yīng)，因而一定程度上影響了指標的客觀對比。因此，必須保持客觀的態(tài)度，對評價指標的取值規(guī)則進行調(diào)整，以實現(xiàn)指標的標準化。在定量指標評價時，相關(guān)工作人員應(yīng)當(dāng)結(jié)合計算機網(wǎng)絡(luò)系統(tǒng)的實際運行狀況，對其進行客觀評價與取值，進行科學(xué)的分析。此外，對于不同的評價指標，應(yīng)當(dāng)使用不同的衡量單位，有所側(cè)重地進行標準化處理，將取值固定到一定范圍內(nèi)，通常在0～1之間。而為了實現(xiàn)定性指標評價，則通常會采用打分的方式來客觀評價計算機的網(wǎng)絡(luò)系統(tǒng)機型，定性指標評價標準化。

4.3基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價構(gòu)建

4.3.1服務(wù)器維護機制規(guī)范化構(gòu)建

構(gòu)建計算機網(wǎng)絡(luò)安全評價體系，其首要的任務(wù)和硬件維護的關(guān)鍵，即在于服務(wù)器維護。在構(gòu)建服務(wù)器維護機制規(guī)范化的過程中，應(yīng)當(dāng)注意避免不當(dāng)服務(wù)器所可能造成的傷害，要求操作人員時刻警醒，保證及時清除網(wǎng)卡冗余，調(diào)整服務(wù)器的荷載，以維持服務(wù)器的平衡與穩(wěn)定。

4.3.2云主機的建立

以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立的計算機網(wǎng)絡(luò)安全評價體系，需要快速打造安全云主機，用以集成包括了云鎖服務(wù)安全軟件的所有安全防護體系，從而達到突破傳統(tǒng)服務(wù)器安防理念，實現(xiàn)對于用戶的實時安全服務(wù)效果。因此，構(gòu)建過程中需要在云主機中使用很多快捷自動安裝軟件，如MYSQL、PHP、ASP等。這些軟件的共同點在于均適用于對網(wǎng)站數(shù)據(jù)庫的實時管控、對于站點信息的實時監(jiān)控，以及對于計算機各種軟件溫度進行的調(diào)節(jié)，和WebShell病毒查殺功能。如今的計算機網(wǎng)絡(luò)安全系統(tǒng)已經(jīng)首創(chuàng)了以C/S的神經(jīng)網(wǎng)絡(luò)架構(gòu)為基礎(chǔ)的應(yīng)用體系，實現(xiàn)了計算機端和服務(wù)器之間的遠程訪問與控制功能，從而提升了計算機網(wǎng)絡(luò)對于木馬、病毒和惡意代碼、惡意攻擊等危害的防御能力，起到保護計算機服務(wù)器與網(wǎng)站安全的作用。

4.3.3安全管理和服務(wù)體系的建立

基于神經(jīng)網(wǎng)絡(luò)建立起來的計算機網(wǎng)絡(luò)安全評價體系，其作用即在于在進行安全評價時，管理人員能夠提供與評價標準判定相對應(yīng)的具體內(nèi)容、實施范圍等信息，然后針對計算機安全狀況、信息技術(shù)的關(guān)鍵點，實施研究與分析，運用評價方法測算其安全等級。計算機網(wǎng)絡(luò)的安全級別評價，可以按照以下公式生成評價因子，基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價級別公式如下：f=(x1，x2，x3……，xi……xm)式中：xi-計算機網(wǎng)絡(luò)安全評價中最主要的評價因子;f-計算機網(wǎng)絡(luò)安全評價模型主體。管理人員應(yīng)當(dāng)結(jié)合實際，為計算機系統(tǒng)選取正確的評價模型主體與安全等級，進而依據(jù)系統(tǒng)要求，對神經(jīng)網(wǎng)絡(luò)安全管理體系采取必要的優(yōu)化措施，以做到有備無患。

4.4建立并完善評價結(jié)果評語集

基于計算機網(wǎng)絡(luò)安全評價指標特征，可建立評價結(jié)果評語集，按照網(wǎng)絡(luò)安全等級差異，將該評語集劃分為四個集合：①第一等集合設(shè)置為“安全”;②第二等集合設(shè)置為“較為安全”;③第三等集合設(shè)置為“不安全”;④最后一個等集合則設(shè)置為“很不安全”。此外，還可以對這些集合附以說明，從而有效地位計算機使用者提供便捷的方式，來了解計算機網(wǎng)絡(luò)安全狀況，提供良。

5結(jié)語

神經(jīng)網(wǎng)絡(luò)技術(shù)在計算機網(wǎng)絡(luò)安全評價中的應(yīng)用，實現(xiàn)了評價體系的自動抽提功能，體現(xiàn)出了外推性、容錯性、適應(yīng)性等優(yōu)勢，滿足了計算機網(wǎng)絡(luò)的在線實用性要求，在有效提高計算機網(wǎng)絡(luò)評價客觀性、正確性的同時，為用戶提供了安全的使用環(huán)境，確保用戶能夠通過網(wǎng)絡(luò)獲得可靠、有效的數(shù)據(jù)信息。

參考文獻

[1]王強.基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)故障診斷[J].信息與電腦：理論版，2015(10)：157~158.

第5篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)，訓(xùn)練函數(shù)，學(xué)習(xí)函數(shù)，性能函數(shù)

中圖分類號： TP391 文獻標識碼： A

模糊神經(jīng)網(wǎng)絡(luò)（ fuzzy neural network，F(xiàn)NN） 是模糊邏輯推理與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合，利用誤差信號反向傳播、調(diào)節(jié)權(quán)重，具有良好的自適應(yīng)性、自組織性和很強的自學(xué)習(xí)能力，是數(shù)據(jù)分類和模式識別的有力工具，目前，模糊神經(jīng)網(wǎng)絡(luò)在臨床疾病診斷中的應(yīng)用日益廣泛[1-4] 。消化道系統(tǒng)中的急性胰腺炎、膽囊炎（膽石癥）、急性胃腸炎等疾病之間，由于有很多相似的癥狀體征，從而極容易引起誤診，為了能對這些疾病進行準確的輔助診斷，本文將消化道系統(tǒng)中急性胰腺炎、膽囊炎（膽石癥）、急性胃腸炎等疾病的診斷技術(shù)引入模糊神經(jīng)網(wǎng)絡(luò)，借助模糊神經(jīng)網(wǎng)絡(luò)的模式識別來進行診斷。

1 資料與方法

1.1 一般資料 收集了2011年1月～2012年10月南昌大學(xué)第四附屬醫(yī)院的100例消化道系統(tǒng)疾病患者的各種檢測結(jié)果，100例患者中膽結(jié)石伴膽囊炎患者30例，急性膽囊炎10例，急性胃腸炎32例，急性胰腺炎28例，診斷結(jié)果均得到病理證實。

1.2 數(shù)據(jù)預(yù)處理 提取膽結(jié)石伴膽囊炎患者、急性膽囊炎患者、急性胃腸炎患者、急性胰腺炎患者的血液分析及生化篩查等39項檢測數(shù)據(jù)和7項臨床癥狀為第1層的輸入向量。7個臨床癥狀通過利用模糊數(shù)學(xué)的"降半梯形"結(jié)構(gòu)的錄屬函數(shù)來賦值：

其中， yji為第i 個對象對第j 類癥狀的隸屬函數(shù) ，其定義域為[0 ，λ（2）m （i）] 。

1.3 模糊神經(jīng)網(wǎng)絡(luò)模型的建立： 由3層前向BP神經(jīng)網(wǎng)絡(luò)組成。第1層為數(shù)據(jù)預(yù)處理層，先提取患者的46個特征值再對其進行模糊化處理；第2層為隱含層；第3層為輸出層，輸出層為消化道系統(tǒng)的四種疾病，其結(jié)構(gòu)如下圖（圖1）：

2 模糊神經(jīng)網(wǎng)絡(luò)臨床診斷的實現(xiàn)

2.1 網(wǎng)絡(luò)訓(xùn)練 從全部樣本中隨機抽取70 例（膽結(jié)石伴膽囊炎21例，急性膽囊炎6例，急性胃腸炎23例，急性胰腺炎20例）作為訓(xùn)練組，15例作為驗證組（膽結(jié)石伴膽囊炎6例，急性膽囊炎3例，急性胃腸炎2例，急性胰腺炎4例），15例為測試組（膽結(jié)石伴膽囊炎3例，急性膽囊炎1例，急性胃腸炎7例，急性胰腺炎4例）。用MATLAB 2012a編程，分別對FNN 進行訓(xùn)練，并用完成訓(xùn)練的網(wǎng)絡(luò)模型進行驗證和測試。網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，學(xué)習(xí)函數(shù)為learngdm，誤差性能函數(shù)為mse，各層的傳遞函數(shù)為logsig，訓(xùn)練次數(shù)設(shè)置為1000。

2.2 仿真診斷結(jié)果 通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、驗證和和測試，在訓(xùn)練次數(shù)達到40次時，訓(xùn)練、驗證和和測試誤差同時達到最小，其中驗證誤差稍大一點，但也只有2.99 ，見圖2：

從圖2中可以看出，模糊神經(jīng)網(wǎng)絡(luò)（FNN）具有較快的收斂速度，只用了40次訓(xùn)練，就使訓(xùn)練誤差、驗證誤差、測試誤差都同時達到最小，從而使仿真診斷測試的準確率能大大提高。為了能了解模糊神經(jīng)網(wǎng)絡(luò)臨床診斷的效果，于是把訓(xùn)練組、驗證組和測試組的診斷結(jié)果進行對照，見表1：

3總結(jié)

將神經(jīng)網(wǎng)絡(luò)技術(shù)與模糊理論結(jié)合構(gòu)起來進行醫(yī)學(xué)知識處理是一種很好的方法，這種方法也適用于其他它領(lǐng)域的知識處理，該系統(tǒng)的識別能力與訓(xùn)練集關(guān)系密切，若能搜集更多的典型病例，系統(tǒng)的識別能力將進一步提高。

參考文獻：

[1]黃永鋒， 岑康等. 模糊神經(jīng)網(wǎng)絡(luò)在顱腦磁共振圖像分割中的應(yīng)用研究[N]. 中國生物醫(yī)學(xué)工程學(xué)報， 2003， 22（ 6） ： 508-512.

[2]徐力平，尚丹. 模糊神經(jīng)網(wǎng)絡(luò)在肺癌CT 診斷中的應(yīng)用[N]. 鄭州大學(xué)學(xué)報（醫(yī)學(xué)版），2014，49（2）：191-194.

第6篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

【關(guān)鍵詞】PCA神經(jīng)網(wǎng)絡(luò)算法閾值區(qū)低功耗低面積積分器

一、引言

本文中為實現(xiàn)植入式的腦電信號特征提取，而設(shè)計的一種基于模擬模塊的硬件實現(xiàn)方法，實現(xiàn)對神經(jīng)spike信號的神經(jīng)網(wǎng)絡(luò)算法的特征提取的PCA2-1網(wǎng)絡(luò)，本文的神經(jīng)網(wǎng)絡(luò)算法的硬件完全采用模擬電路來實現(xiàn)，以滿足植入式的芯片，需要具有低功耗，低面積的特點。本文中的特征提取選擇了主成分分析法（PCA），采用基于PCA算法的全模擬電路實現(xiàn)架構(gòu)，由具有足夠線性范圍的模擬乘法器，基于亞閾值區(qū)的積分器，合理的加法器模塊，來實現(xiàn)設(shè)計低功耗，低面積的神經(jīng)信號處理電路。最終驗證通過模擬電路實現(xiàn)的神經(jīng)特征提取電路的權(quán)值變化和MATLAB計算出的權(quán)值變化相一致，以此來證明該系統(tǒng)的正確性。

二、PCA神經(jīng)網(wǎng)絡(luò)

主分量分析的目的在于減少數(shù)據(jù)維數(shù)。其基本思想是提取出空間數(shù)據(jù)中的主要特征（主分量），減少數(shù)據(jù)冗余，去掉數(shù)據(jù)相關(guān)性，使得數(shù)據(jù)能夠在一個低維空間來處理。它確定一個方向向量w，使得輸入向量x在該方向上的投影y=wTx的方差最大。PCA神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)方法的缺點，它通過學(xué)習(xí)自動收斂到主分量方向而不用計算相關(guān)矩陣[2]。本文中的實現(xiàn)PCA的神經(jīng)網(wǎng)絡(luò)為一個單層的前向網(wǎng)絡(luò)。

本文中的基于神經(jīng)網(wǎng)絡(luò)的PCA的算法實現(xiàn)步驟如下：

（1）在t=1時，用小的隨機數(shù)賦給主元神經(jīng)網(wǎng)絡(luò)的權(quán)值，另權(quán)值修正系數(shù)為一小的正數(shù)；

（2）對于在t=1，從訓(xùn)練樣本集中選取樣本輸入網(wǎng)絡(luò)，計算：

由于積分器的輸出是權(quán)值w，所以對輸出幅度有較高要求。本文采用的積分器的OTA為兩個單端輸出的鏡像電流源結(jié)構(gòu)。這樣輸出的幅度是全差分雙端輸出的2倍。而且兩個單端輸出很好的提高了電路的共模抑制比CMRR。OTA的輸出級為共源共柵的結(jié)構(gòu)，這讓OTA的輸出

圖3為對輸入數(shù)據(jù)進行長時間的仿真后數(shù)據(jù)的圖像特性，可以看出w的值有很好的收斂特性。

三、總結(jié)

PCA算法在噪聲比較大的情況下容易聚類失敗，而本文中的系統(tǒng)是作為已經(jīng)實現(xiàn)的低噪聲放大器和NEO信號去噪檢測之后的一級，所以選取PCA作為特征提取的方法是可行的。本文設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)算法的信號特征提取的硬件實現(xiàn)，采用了完全的模擬電路來實現(xiàn)。并根據(jù)算法的特點，合理的選擇和改進積分器電路和乘法器電路的拓撲結(jié)構(gòu)，來實現(xiàn)電路的功能。并實現(xiàn)了系統(tǒng)的低功耗，低面積的特點。有利于集成于植入式系統(tǒng)的實現(xiàn)。通過對輸入一組方波數(shù)據(jù)的仿真，通過短時間來驗證瞬態(tài)輸出的準確性，而長時間的仿真來驗證該系統(tǒng)可有效的讓權(quán)值w收斂。

參考文獻

[1] Hongge Li， Zhao Wei， Zhang Youguang. Micropower fully integrated CMOS readout interface for neural recording application[J]. 2010， 50（2）： 273-281.

[2] Oja E. Principal Components， Minor Components， and Linear Neural Networks[J]. Neural Networks， 1992，5（6）：927-935.

第7篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：負荷預(yù)測 RBF 神經(jīng)網(wǎng)絡(luò) 電力系統(tǒng)

0 引言

負荷預(yù)測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎(chǔ)，對于電力系統(tǒng)的安全性、可靠性和經(jīng)濟性都有著顯著影響。負荷預(yù)測是指從已知的經(jīng)濟、社會發(fā)展和電力系統(tǒng)需求出發(fā)，考慮政治、經(jīng)濟、氣候等相關(guān)因素，通過對歷史數(shù)據(jù)的分析和研究，探索事物之間的內(nèi)在聯(lián)系和發(fā)展規(guī)律，以未來經(jīng)濟和社會發(fā)展情況的預(yù)測結(jié)果為依據(jù)，對未來的電力需求做出估計和預(yù)測[1]。相關(guān)研究工作已在國內(nèi)廣泛開展，其研究成果已經(jīng)廣泛應(yīng)用到電力系統(tǒng)實際運行維護當(dāng)中，并取得了良好的經(jīng)濟效益。

負荷預(yù)測的方法主要分為兩大類，分別是基于參數(shù)模型預(yù)測法和基于非參數(shù)模型預(yù)測方法?；趨?shù)模型的預(yù)測方法主要有單耗法、負荷密度法、電力彈性系數(shù)法、回歸模型預(yù)測法、趨勢外推預(yù)測法、時間序列預(yù)測法等；基于非參數(shù)模型預(yù)測方法主要有專家系統(tǒng)法、模糊預(yù)測法、灰色預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)預(yù)測法、小波分析預(yù)測法等[2]。

RBF神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近功能，在函數(shù)回歸上表現(xiàn)出較好的性能，已被廣泛應(yīng)用到人工智能領(lǐng)域。在負荷預(yù)測方面，RBF也得到了廣泛的應(yīng)用。本文的主要工作是整理了主要的基于RBF的電力負荷研究內(nèi)容，對存在的問題進行了分析，并對未來的發(fā)展進行了展望。

本文接下來的內(nèi)容安排如下，第二章介紹了RBF神經(jīng)網(wǎng)絡(luò)的基本原理，第三章對基于RBF的電力負荷研究進行了綜述，最后給出了總結(jié)。

1 RBF神經(jīng)網(wǎng)絡(luò)基本原理

RBF網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，如圖1所示，它由三層組成：第一層為輸入層，第二層為隱含層，第三層為輸出層[3]。

假設(shè)RBF神經(jīng)網(wǎng)絡(luò)的輸入向量為n維，學(xué)習(xí)樣本為 （X，Y），其中，X=（X1，X2，…XN），為輸入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），為期望輸出；N為訓(xùn)練樣本個數(shù)。當(dāng)神經(jīng)網(wǎng)絡(luò)輸入為Xi時，隱含層第j節(jié)點的輸出如式（1）所示[4]。

對于全體輸入學(xué)習(xí)樣本，RBF神經(jīng)網(wǎng)絡(luò)的輸出如式（2）所示。

2 基于RBF負荷預(yù)測相關(guān)研究

文獻[4]通過建立徑向基（RBF）神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)（ANFIs）相結(jié)合的短期負荷預(yù)測模型來應(yīng)對實時電價對短期負荷的影響。由于固定電價時代的預(yù)測方法在電價敏感環(huán)境下效果不理想，文章根據(jù)近期實時電價的變化應(yīng)用ANns系統(tǒng)對RBF神經(jīng)網(wǎng)絡(luò)的負荷預(yù)測結(jié)果進行修正，提高預(yù)測效果。

文獻[5]研究了基于RBF神經(jīng)網(wǎng)絡(luò)的多變量系統(tǒng)建模。文章將正規(guī)化正交最小二乘算法引入多輸入多輸出系統(tǒng)，進行相關(guān)研究，建立了基于RBF神經(jīng)網(wǎng)絡(luò)的多變量系統(tǒng)的模型。對電廠單元機組負荷系統(tǒng)進行建模仿真研究的結(jié)果表明，用該方法建立的多變量熱工系統(tǒng)的非線性模型是有效的，具有較高的辨識精度和較好的泛化能力。

文獻[6]提出了一種基于交替梯度算法的RBF神經(jīng)網(wǎng)絡(luò)，并將之應(yīng)用到負荷預(yù)測領(lǐng)域，取得較好的效果。通過使用交替梯度算法來優(yōu)化RBF輸出層權(quán)值和中心與偏差值來得到改進的RBF算法。與傳統(tǒng)梯度下降算法相比，改進的RBF算法具有更高的預(yù)測精度和更快的收斂速度。模型綜合考慮了氣象數(shù)據(jù)、日類型等影響負荷變化的多種因素，實驗結(jié)果表明改進的RBF網(wǎng)絡(luò)算法具有更優(yōu)的性能。

文獻[7]將RBF神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合，在深入研究天氣和特殊事件對電力負荷的影響的基礎(chǔ)上，提出了新的負荷預(yù)測模型。利用RBF神經(jīng)網(wǎng)絡(luò)的非線性逼近能力預(yù)測出日負荷曲線，然后利用專家系統(tǒng)根據(jù)天氣因素或特殊事件對負荷曲線進行修正，使其在天氣突變等情況下也能達到較高的預(yù)測精度。表1為文獻[7]的實驗結(jié)果對比表。

文獻[8]將模糊聚類分析中的隸屬度應(yīng)用到負荷預(yù)測應(yīng)，通過隸屬度原理得到一批與預(yù)測日在樣本信息上類似的歷史日。采用模糊聚類分析獲得的樣本作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，并應(yīng)用改進的RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在不需大量訓(xùn)練樣本的前提下實現(xiàn)對短期負荷的預(yù)測。

影響電網(wǎng)負荷預(yù)測的因素很多，而地區(qū)電網(wǎng)負荷易受氣象因素影響，文獻[9]針對電網(wǎng)負荷預(yù)測以上特點，把氣象因素作為影響負荷的主要因素，采用模糊規(guī)則控制的徑向基神經(jīng)網(wǎng)絡(luò)（RBF）算法，對某地區(qū)電網(wǎng)的日負荷數(shù)據(jù)進行預(yù)測，實驗證明采用這種預(yù)測方法可以提高負荷預(yù)測的速度和精度。表2給出了文獻[9]的實驗結(jié)果表。

3 結(jié)束語

本文針對基于RBF神經(jīng)網(wǎng)絡(luò)負荷預(yù)測進行了綜述，但由于文章篇幅的原因，不能將所有的方法列舉出來，只列舉了具有代表性的方法，希望能起到拋磚引玉的作用。

參考文獻：

[1]肖國泉，王春，張福偉.電力負荷預(yù)[M].北京：中國電力出版社，2001.

[2]李昀.電力系統(tǒng)中長期負荷預(yù)測方法研究與應(yīng)用[D].2011.

[3]張師玲.基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負荷預(yù)測[D].江蘇大學(xué)，2010.

[4]雷紹蘭，孫才新，周等.基于徑向基神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊系統(tǒng)的電力短期負荷預(yù)測方法[J].中國電機工程學(xué)報，2005.

[5]劉志遠，呂劍虹，陳來九等.基于RBF神經(jīng)網(wǎng)絡(luò)的單元機組負荷系統(tǒng)建模研究[J].控制與決策，2003.

[6]郭偉偉，劉家學(xué)，馬云龍等.基于改進RBF網(wǎng)絡(luò)算法的電力系統(tǒng)短期負荷預(yù)測[J].電力系統(tǒng)保護與控制，2008.

[7]張濤，趙登福，周琳等.基于RBF神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的短期負荷預(yù)測方法[J].西安交通大學(xué)學(xué)報，2001.

第8篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：矩形混凝土柱；屈服位移；人工神經(jīng)網(wǎng)絡(luò)；預(yù)測模型

中圖分類號：TU375.3 文獻標識碼：A

文章編號：1674-2974（2015）11-0017-08

隨著社會經(jīng)濟的發(fā)展，以及對近些年大地震的不斷反思，基于性能的結(jié)構(gòu)抗震設(shè)計已成為地震工程領(lǐng)域研究的熱點問題和前沿發(fā)展方向，為眾多國家的規(guī)程所提及或者采用（如FEMA273[1]，F(xiàn)EMA356[2]，ASCE41[3]和Eurocode8[4]）.柱子作為實際結(jié)構(gòu)中承受豎向荷載和抵抗水平荷載的關(guān)鍵構(gòu)件，其屈服位移的合理評估對于性能化結(jié)構(gòu)抗震設(shè)計中結(jié)構(gòu)的動力響應(yīng)、結(jié)構(gòu)性能水準的評估和抗震延性設(shè)計有很大影響.綜合以往對柱子屈服位移的研究，其定義不明確，經(jīng)驗理論模型預(yù)測結(jié)果離散度較大的特點，使柱屈服位移的合理取值成為一個亟待解決的問題.

對于柱屈服位移的定義，國內(nèi)外研究者提出了不同的看法，如Park在文獻＼[5＼]中總結(jié)了4種不同的定義方法，并推薦使用割線剛度的方法定義屈服位移.Panagiakos[6]認為判定柱屈服的條件是柱中縱向鋼筋屈服或者混凝土發(fā)生嚴重的非線，并在此基礎(chǔ)上給出了對應(yīng)的經(jīng)驗公式.Montes[7]基于柱中鋼筋屈服，提出了對應(yīng)不同強度等級鋼筋的柱有效屈服曲率計算公式.Berry[8]等模擬了PEER[9]柱性能數(shù)據(jù)庫中255根矩形截面混凝土柱的屈服位移.錢稼茹[10]亦對該數(shù)據(jù)庫中144根剪跨比大于2的矩形柱考慮軸壓比的影響進行回歸分析，提出了修正的柱屈服轉(zhuǎn)角表達式.蔣歡軍[11]綜合Berry[8]關(guān)于屈服位移以及Priestley[12]對于屈服曲率的定義，在計算屈服位移的公式中加入了考慮柱端鋼筋滑移和柱子剪切變形影響的修正項.Peru[13]基于Eurocode8[14]中柱屈服位移的定義，利用CAE方法對PEER柱性能數(shù)據(jù)庫的柱屈服位移進行了預(yù)測.

柱屈服過程中鋼筋和混凝土都發(fā)生了復(fù)雜的非線，加之影響屈服性能的因素也非常多，上述基于經(jīng)驗理論的非線性擬合公式預(yù)測柱屈服性能時存在預(yù)測結(jié)果離散度非常大的問題.人工神經(jīng)網(wǎng)絡(luò)作為一種在數(shù)據(jù)稀少的情況下能夠有效預(yù)測數(shù)據(jù)輸入和輸出關(guān)系的手段而進入研究者的視野.人工神經(jīng)網(wǎng)絡(luò)是以人類神經(jīng)活動為基礎(chǔ)而發(fā)展起來的一項新穎的計算手段，適合處理復(fù)雜線性及非線性映射問題.由于其強大的非線性映射能力，神經(jīng)網(wǎng)絡(luò)在工程領(lǐng)域被用于預(yù)測圓柱形混凝土柱約束狀態(tài)的極限壓應(yīng)力和對應(yīng)的壓應(yīng)變[15]，模擬金屬疲勞裂紋開展速率[16].神經(jīng)網(wǎng)絡(luò)的其它工程應(yīng)用還有如混凝土柱在彎曲失效模式下的極限變形預(yù)測[17]，邊坡穩(wěn)定性分析[18]，修正結(jié)構(gòu)有限元模型[19]等.

本文基于經(jīng)驗理論模型對彎曲型混凝土柱屈服性能影響因素的研究，利用神經(jīng)網(wǎng)絡(luò)預(yù)測PEER柱性能庫210組矩形混凝土柱的屈服性能，并以此來探討神經(jīng)網(wǎng)絡(luò)對柱性能預(yù)測的可行性和有效性.通過對比神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與實驗結(jié)果以及經(jīng)驗理論模型估算結(jié)果，評價神經(jīng)網(wǎng)絡(luò)預(yù)測模型的效果.最后基于Carson敏感性分析方法驗證所選神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的合理性并得到輸入各參數(shù)對混凝土柱屈服位移的貢獻程度.

1 經(jīng)驗?zāi)Ｐ皖A(yù)測實驗數(shù)據(jù)庫柱屈服轉(zhuǎn)角

1.1 實驗數(shù)據(jù)庫

本文對彎曲型失效為主的柱屈服轉(zhuǎn)角進行預(yù)測，在PEER[9]柱性能數(shù)據(jù)庫中通過以下標準：1）柱子截面形狀為矩形；2）柱子受往復(fù)荷載作用直至失效；3）柱子的實驗失效模式為彎曲失效.選擇210組實驗數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)庫.該預(yù)測數(shù)據(jù)庫的主要屬性參數(shù)范圍如圖1所示.

從圖1中可看出本文所選數(shù)據(jù)庫主要參數(shù)分布覆蓋了常規(guī)設(shè)計的參數(shù)取值范圍，具有廣泛的代表性.

從圖2和表1中可以看出，利用4種經(jīng)驗?zāi)Ｐ凸浪銟?gòu)件的屈服轉(zhuǎn)角時，預(yù)測值與實驗值的比值分布相當(dāng)離散，ASCE41模型計算結(jié)果變異系數(shù)相對較小為0.443，而利用ACI318-08（b）變異系數(shù)則達到0.65.針對上述預(yù)測結(jié)果離散的問題，本文采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測PEER數(shù)據(jù)庫柱的屈服轉(zhuǎn)角.

2 神經(jīng)網(wǎng)絡(luò)預(yù)測柱屈服轉(zhuǎn)角方法

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)作為前向型多層神經(jīng)網(wǎng)絡(luò)的一種，其實質(zhì)是利用誤差反向傳播算法（Back-Propagation）對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練.BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層三個部分組成，Hornik[22]已經(jīng)證明單隱層的神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)任意精度的非線性映射關(guān)系.BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分為信息的正向輸入和誤差的反向傳播兩個階段.在信息正向輸入階段，輸入?yún)?shù)通過閥值和權(quán)值的調(diào)節(jié)，再經(jīng)激活函數(shù)傳遞對計算結(jié)果進行輸出；而在誤差反向傳播階段則是通過計算輸出層的結(jié)果和目標值之間的誤差來反向調(diào)節(jié)各神經(jīng)元的權(quán)值和閥值；在實際訓(xùn)練中這兩個階段交替進行，直至達到訓(xùn)練的性能目標為止.

但由于BP學(xué)習(xí)算法其本質(zhì)是梯度下降學(xué)習(xí)算法，權(quán)值的修正是沿性能函數(shù)梯度的反向進行，使普通的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時有以下不足：1）作為一種局部搜索的方法，容易陷入局部極小值而不能得到全局最優(yōu)的結(jié)果；2）由于BP算法本身反向傳播的特點，使其在求解矩陣時耗費大量的計算時間，致使神經(jīng)網(wǎng)絡(luò)收斂速度很慢.針對上述不足，眾多學(xué)者對其進行修正，其中L-M（Levenberg-Marquardt）[23] 算法因其能夠進行快速迭代，又具有全局優(yōu)化的特點而在小型神經(jīng)網(wǎng)絡(luò)中得以廣泛應(yīng)用.L-M算法中迭代項如式（3）所示：

綜合以上討論，可以確定影響柱屈服轉(zhuǎn)角的主要參數(shù)有：混凝土的抗壓強度、軸壓比、剪跨比、縱向鋼筋的屈服強度、配筋率以及縱向鋼筋直徑，并將作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入?yún)?shù).

2.3 構(gòu)建BP網(wǎng)絡(luò)預(yù)測模型

根據(jù)前述從PEER數(shù)據(jù)庫中遴選出的210組數(shù)據(jù)，180組作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，30組作為測試集.將2.2節(jié)討論的6個主要參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，柱的屈服轉(zhuǎn)角為輸出結(jié)果，在MATLAB中建立如圖3所示的3層BP神經(jīng)網(wǎng)絡(luò)N 6-H-1（其中輸入層節(jié)點數(shù)為6，H為隱含層的節(jié)點數(shù)，輸出層節(jié)點數(shù)為1）.

利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立神經(jīng)網(wǎng)絡(luò)模型需要確定以下參數(shù)：學(xué)習(xí)函數(shù)、學(xué)習(xí)速率、激活函數(shù)、訓(xùn)練函數(shù)、學(xué)習(xí)周期、性能目標和隱含層節(jié)點數(shù).神經(jīng)網(wǎng)絡(luò)參數(shù)選擇如下：

利用BP網(wǎng)絡(luò)進行預(yù)測分析，為避免因輸入因子數(shù)量級差別而引起較大的網(wǎng)絡(luò)誤差，一般先將輸入因子進行歸一化處理.為避免激活函數(shù)其極值0和1附近飽和而伴隨出現(xiàn)“麻痹現(xiàn)象”，這里采用如式（12）所示方法將神經(jīng)網(wǎng)絡(luò)的輸入和輸出規(guī)格化：

2.4 BP網(wǎng)絡(luò)預(yù)測結(jié)果

根據(jù)以上討論對圖3中BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練、測試，得到如表2所示的預(yù)測結(jié)果.

從表2中可以看出當(dāng)隱含層節(jié)點數(shù)為13和15時，其測試集和訓(xùn)練集的性能函數(shù)值分別達到最?。欢?dāng)隱含層節(jié)點數(shù)為17和21時，神經(jīng)網(wǎng)絡(luò)訓(xùn)練集和測試集的性能函數(shù)均有相對較好的取值.限于篇幅，本文只以13和15節(jié)點神經(jīng)網(wǎng)絡(luò)為例，討論其對混凝土柱屈服性能預(yù)測的適用性.

圖4和表3列出了對應(yīng)節(jié)點數(shù)目為13和15的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果.為了進一步檢驗神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，將這兩組預(yù)測結(jié)果與實驗結(jié)果進行線性回歸分析，結(jié)果如圖5所示.

根據(jù)表2和圖5給出的預(yù)測結(jié)果以及對應(yīng)的線性回歸結(jié)果，其對應(yīng)較小的性能函數(shù)MSE的值和較高的相關(guān)系數(shù)R的值，可以看出神經(jīng)網(wǎng)絡(luò)能夠準確預(yù)測混凝土柱的屈服轉(zhuǎn)角.

在表3和圖4中可以看出，2種不同節(jié)點數(shù)的神經(jīng)網(wǎng)絡(luò)均能取得較好的預(yù)測結(jié)果，表3中訓(xùn)練集和測試集的最大變異系數(shù)僅為0.164和0.179.從圖4～圖5以及表2～表3分析可以看到，利用BP網(wǎng)絡(luò)預(yù)測柱的屈服位移可以得到相當(dāng)滿意的結(jié)果.

2.5 BP網(wǎng)絡(luò)預(yù)測結(jié)果與經(jīng)驗?zāi)Ｐ捅容^

為了對比說明神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的準確性，本文也將Elwood在文獻＼[20＼]基于理論推導(dǎo)的有效剛度模型帶入式（2），計算結(jié)果列于圖6（a）中.同時對應(yīng)式（1）中屈服位移的定義，計算對比文獻＼[11＼]所提出的經(jīng)驗?zāi)Ｐ颓D(zhuǎn)角：

從圖6和表4中可以看出：在利用Elwood計算模型估算構(gòu)件的屈服轉(zhuǎn)角時，估算精度高于前述4種規(guī)范模型，但是也看出Elwood模型和Jiang經(jīng)驗?zāi)Ｐ凸浪憬Y(jié)果依舊相當(dāng)離散，其中Elwood模型計算結(jié)果變異系數(shù)較小為0.365，而Jiang模型的計算結(jié)果則為0.477.相對于上述6種經(jīng)驗理論模型，本文所提的13和15節(jié)點神經(jīng)網(wǎng)絡(luò)模型，其預(yù)測結(jié)果與實驗值的比值均值為1；變異系數(shù)僅為0.16和0.13.

相對于前述6種經(jīng)驗理論模型中僅考慮其中一部分因素的影響或者用一個數(shù)學(xué)表達式描述輸入?yún)?shù)和柱子屈服位移之間的關(guān)系，神經(jīng)網(wǎng)絡(luò)綜合考慮輸入?yún)?shù)之間的相互影響，通過權(quán)值和閥值矩陣的調(diào)節(jié)得到更為準確的預(yù)測結(jié)果.

2.6 BP網(wǎng)絡(luò)敏感性分析

為得到輸入?yún)?shù)對混凝土柱屈服位移的影響程度以及驗證2.2節(jié)通過經(jīng)驗?zāi)Ｐ瓦x用神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)方法的合理性，本文采用基于Garson算法[28]的神經(jīng)網(wǎng)絡(luò)敏感性分析.作為基于連接權(quán)神經(jīng)網(wǎng)絡(luò)敏感性分析方法的代表，該方法通過連接權(quán)的乘積計算輸入變量對輸出變量的貢獻程度.對于一個N X-H-1的神經(jīng)網(wǎng)絡(luò)，其計算表述如式（14）所示：

3 結(jié) 論

為了能夠準確地預(yù)測混凝土柱構(gòu)件的屈服性能，建立一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測混凝土柱的屈服性能的方法.本文首先利用以往的經(jīng)驗理論模型詳細解構(gòu)了影響混凝土柱屈服性能的因素，并將混凝土強度、軸壓比、剪跨比、縱向鋼筋配筋率、縱向鋼筋直徑及縱向鋼筋屈服強度作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)預(yù)測混凝土柱的屈服性能.通過與已有估算模型結(jié)果的對比，顯示出利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的高效性.最后通過利用Garson敏感性分析方法證明了本文選擇預(yù)測模型輸入?yún)?shù)合理性，并評估了各個輸入因素對混凝土柱屈服位移影響的程度.本文通過利用神經(jīng)網(wǎng)絡(luò)預(yù)測矩形混凝土柱的屈服性能，說明在數(shù)據(jù)不充分的情況下神經(jīng)網(wǎng)絡(luò)對于預(yù)測工程結(jié)果是一種很有潛力的手段.

參考文獻

[1] FEMA 273 Guidelines for the seismic rehabilitation of buildings[S]. Washington： Federal Emergency Management Agency， 1997：13-14.

[2] FEMA 356 Prestandard and commentary for the seismic rehabilitation of buildings ＼[S＼]. Washington： Federal Emergency Management Agency， 2000：218-218.

[3] ASCE/SEI41 Seismic rehabilitation of existing buildings ＼[S＼]. American Society of Civil Engineers， Reston， VA. 2007：354-354.

[4] Eurocode 8：Design of Structures for earthquake resistance Part 1： General rules， seismic actions and rules for buildings＼[S＼]. Brussels European Committee for Standardization，1998：219-219.

[5] PARK R. Ductility evaluation from laboratory and analytical testing ＼[C＼]// Proceedings 9th World Conference on Earthquake Engineering.Tokyo-Kyoto， Japan. 1988：VIII，605-616.

[6] PANAGIOKOS T B， FARDIS M N. Deformations of reinforced concrete members at yielding and ultimate ＼[J＼]. ACI Structural Journal， 2001， 98（2）： 135-148.

[7] MONTES H E， ASCHLEIM M. Estimates of the yield curvature for design of reinforced concrete columns ＼[J＼]. Magazine of Concrete Research， 2003， 55（4）： 373-383.

[8] BERRY M， EBERHARD M O. Performance models for flexural damage in reinforced concrete columns ＼[R＼]. Pacific Earthquake Engineering Research Center， College of Engineering， University of California， 2004：158-158.

[9] PEER. Peer structural performance database ＼[DB/OL＼]. ＼[2003-12-29＼]. http： // nisee. berkeley. edu / spd.

[10]錢稼茹，徐福江.鋼筋混凝土柱基于位移的變形能力設(shè)計方法＼[J＼]. 建筑結(jié)構(gòu)， 2007（12）： 30-32.

QIAN Jia-ru， XU Fu-jiang. Displacement-based deformation capacity design of RC columns ＼[J＼]. Building Structure， 2007（12）： 30-32.（In Chinese）

[11]JIANG Huan-jun， LU Xi-lin， KUBO T. Damage displacement estimation of flexure-dominant RC columns[J]. Advances in Structural Engineering， 2010， 13（2）： 357-368.

[12]PRIESTLEY M. Brief comments on elastic flexibility of reinforced concrete frames and significance to seismic design ＼[J＼]. Bulletin of the New Zealand National Society for Earthquake Engineering， 1998，31（4）： 246-259.

[13]PERU I， FAJFAR P. Prediction of the forceCdrift envelope for RC columns in flexure by the CAE method ＼[J＼]. Earthquake Engineering & Structural Dynamics， 2007，36（15）： 2345-2363.

[14]Eurocode 8： design of structures for earthquake resistance CPart 2： Bridge＼[S＼]. Brussels European Committee for Standardization， 2005：133-133.

[15]ORETA A W， KAWASHIMA K. Neural network modeling of confined compressive strength and strain of circular concrete columns ＼[J＼]. Journal of Structural Engineering， 2003， 129（4）： 554-561.

[16]羅廣恩，崔維成. 金屬疲勞裂紋擴展速率的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測＼[J＼]. 船舶力學(xué)， 2012， 16（4）： 433-441.

LUO Guang-en， CUI Wei-cheng. Prediction of fatigue crack growth rate of metal based on Bayesian regularized BP neural network ＼[J＼]. Journal of Ship Mechanics， 2012， 16（4）： 433-441. （In Chinese）

[17]INEL M. Modeling ultimate deformation capacity of RC columns using artificial neural networks ＼[J＼]. Engineering Structures， 2007， 29（3）： 329-335.

[18]劉思思，趙明華，楊明輝，等. 基于自組織神經(jīng)網(wǎng)絡(luò)與遺傳算法的邊坡穩(wěn)定性分析方法＼[J＼]. 湖南大學(xué)學(xué)報：自然科學(xué)版，2008，35（12）： 7-12.

LIU Si-si， ZHAO Ming-hua， YANG Ming-hui， et al. Slope stability analysis method based on self-organizing neural network and genetic algorithm＼[J＼]. Journal of Hunan University： Natural Sciences， 2008， 35（12）： 7-12. （In Chinese）

[19]王蕾，郁勝，李賓賓，等. 基于徑向基神經(jīng)網(wǎng)絡(luò)的橋梁有限元模型修正＼[J＼]. 土木工程學(xué)報， 2012，45（S2）： 11-15.

WANG Lei， YU Shen， LI Bin-bin， et al. Bridge model updating based on radial basis function neural network ＼[J＼]. China Civil Engineering Journal， 2012，45（S2）： 11-15. （In Chinese）

[20]ELWOOD K J， EBERHARD M O. Effective stiffness of reinforced concrete columns ＼[J＼]. ACI Structural Journal， 2009， 106（4）：483-483.

[21]ACI 318-2008 Building Code requirements for structural concrete and commentary ＼[S＼]. Farmington Hills： 2008， American Concrete Institute， 2008：143-143.

[22]HORNIK K， STINCHCOMBE M， WHITE H. Multilayer feedforward networks are universal approximators ＼[J＼]. Neural Networks， IEEE Transactions on， 1989， 2（5）： 359-366.

[23]HAGAN M T， MENHAJ M B. Training feedforward networks with the Marquardt algorithm ＼[J＼]. Neural Networks， IEEE Transactions on， 1994， 5（6）： 989-993.

[24]鄭罡，李貴乾. 鋼筋混凝土橋墩有效剛度＼[J＼]. 土木工程學(xué)報， 2013，46（6）：44-52.

ZHENG Gang， LI Gui-qian. Effective stiffness of reinforced concrete bridges piers ＼[J＼]. China Civil Engineering Journal， 2013，46（6）：44-52. （In Chinese）

[25]SEZEN H， MOEHLE J P. Bond-slip behavior of reinforced concrete members ＼[C＼]//Proceedings of fib symposium on concrete structures in seismic regions. Athens， Greece. CEB-FIP. 2003.

[26]BERRY M J， LINOFF G. Data mining techniques： for marketing， sales， and customer support ＼[M＼].New York： John Wiley & Sons Inc，1997：444-444.

第9篇：神經(jīng)網(wǎng)絡(luò)總結(jié)范文

80年代初，在美國、日本、接著在我國國內(nèi)都掀起了一股研究神經(jīng)網(wǎng)絡(luò)理論和神經(jīng)計算機的熱潮，并將神經(jīng)網(wǎng)絡(luò)原理應(yīng)用于圖象處理、模式識別、語音綜合及機器人控制等領(lǐng)域。近年來，美國等先進國家又相繼投入巨額資金，制定出強化研究計劃，開展對腦功能和新型智能計算機的研究。

人腦是自生命誕生以來，生物經(jīng)過數(shù)十億年漫長歲月進化的結(jié)果，是具有高度智能的復(fù)雜系統(tǒng)，它不必采用繁復(fù)的數(shù)字計算和邏輯運算，卻能靈活處理各種復(fù)雜的，不精確的和模糊的信息，善于理解語言、圖象并具有直覺感知等功能。

人腦的信息處理機制極其復(fù)雜，從結(jié)構(gòu)上看它是包含有140億神經(jīng)細胞的大規(guī)模網(wǎng)絡(luò)。單個神經(jīng)細胞的工作速度并不高（毫秒級），但它通過超并行處理使得整個系統(tǒng)實現(xiàn)處理的高速性和信息表現(xiàn)的多樣性。

因此，從信息處理的角度對人腦進行研究，并由此研制出一種象人腦一樣能夠“思維”的智能計算機和智能信息處理方法，一直是人工智能追求的目標。

神經(jīng)網(wǎng)絡(luò)就是通過對人腦的基本單元---神經(jīng)元的建模和聯(lián)結(jié)，來探索模擬人腦神經(jīng)系統(tǒng)功能的模型，并研制一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識別等智能信息處理功能的人工系統(tǒng)。本文介紹神經(jīng)網(wǎng)絡(luò)的特點以及近年來有關(guān)神經(jīng)網(wǎng)絡(luò)與混沌理論、模糊計算和遺傳算法等相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)研究的動態(tài)。

一．神經(jīng)網(wǎng)絡(luò)和聯(lián)結(jié)主義

回顧認知科學(xué)的發(fā)展，有所謂符號主義和聯(lián)結(jié)主義兩大流派。符號主義從宏觀層次上，撇開人腦的內(nèi)部結(jié)構(gòu)和機制，僅從人腦外在表現(xiàn)出來的智能現(xiàn)象出發(fā)進行研究。例如，將記憶、判斷、推理、學(xué)習(xí)等心理活動總結(jié)成規(guī)律、甚至編制成規(guī)則，然后用計算機進行模擬，使計算機表現(xiàn)出各種智能。

符號主義認為，認識的基本元素是符號，認知過程是對符號表示的運算。人類的語言，文字的思維均可用符號來描述，而且思維過程只不過是這些符號的存儲、變換和輸入、輸出而已。以這種方法實現(xiàn)的系統(tǒng)具有串行、線性、準確、簡潔、易于表達的特點，體現(xiàn)了邏輯思維的基本特性。七十年代的專家系統(tǒng)和八十年代日本的第五代計算機研究計劃就是其主要代表。

聯(lián)接主義則與其不同，其特點是從微觀出發(fā)。聯(lián)接主義認為符號是不存在的，認知的基本元素就是神經(jīng)細胞（神經(jīng)元），認知過程是大量神經(jīng)元的聯(lián)接，以及這種聯(lián)接所引起的神經(jīng)元的不同興奮狀態(tài)和系統(tǒng)所表現(xiàn)出的總體行為。八十年代再度興起的神經(jīng)網(wǎng)絡(luò)和神經(jīng)計算機就是這種聯(lián)接主義的代表。

神經(jīng)網(wǎng)絡(luò)的主要特征是：大規(guī)模的并行處理和分布式的信息存儲，良好的自適應(yīng)、自組織性，以及很強的學(xué)習(xí)功能、聯(lián)想功能和容錯功能。與當(dāng)今的馮．諾依曼式計算機相比，更加接近人腦的信息處理模式。主要表現(xiàn)如下：

神經(jīng)網(wǎng)絡(luò)能夠處理連續(xù)的模擬信號。例如連續(xù)灰度變化的圖象信號。

能夠處理混沌的、不完全的、模糊的信息。

傳統(tǒng)的計算機能給出精確的解答，神經(jīng)網(wǎng)絡(luò)給出的是次最優(yōu)的逼近解答。

神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時參與運算，單個神經(jīng)元的動作速度不高，但總體的處理速度極快。

神經(jīng)網(wǎng)絡(luò)信息存儲分布于全網(wǎng)絡(luò)各個權(quán)重變換之中，某些單元障礙并不影響信息的完整，具有魯棒性。

傳統(tǒng)計算機要求有準確的輸入條件，才能給出精確解。神經(jīng)網(wǎng)絡(luò)只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，具有容錯性。

神經(jīng)網(wǎng)絡(luò)在處理自然語言理解、圖象模式識別、景物理解、不完整信息的處理、智能機器人控制等方面有優(yōu)勢。

符號主義和聯(lián)接主義兩者各有特色，學(xué)術(shù)界目前有一種看法：認為基于符號主義得傳統(tǒng)人工智能和基于聯(lián)接主義得神經(jīng)網(wǎng)絡(luò)是分別描述人腦左、右半腦的功能，反映了人類智能的兩重性：精確處理和非精確處理，分別面向認識的理性和感性兩個方面，兩者的關(guān)系應(yīng)該是互補而非互相代替。理想的智能系統(tǒng)及其表現(xiàn)的智能行為應(yīng)是兩者相互結(jié)合的結(jié)果。

接下去的問題是，符號AI和聯(lián)接AI具體如何結(jié)合，兩者在智能系統(tǒng)中相互關(guān)系如何？分別扮演什么角色？目前這方面發(fā)表的文獻很多，大致有如下幾種類型：

1．松耦合模型：符號機制的專家系統(tǒng)與聯(lián)接機制的神經(jīng)網(wǎng)絡(luò)通過一個中間媒介（例如數(shù)據(jù)文件）進行通訊。

2．緊耦合模型：與松耦合模型相比較，其通訊不是通過外部數(shù)據(jù)進行，而是直接通過內(nèi)部數(shù)據(jù)完成，具有較高的效率。其主要類型有嵌入式系統(tǒng)和黑板結(jié)構(gòu)等。

3．轉(zhuǎn)換模型：將專家系統(tǒng)的知識轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)，或把神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成專家系統(tǒng)的知識，轉(zhuǎn)換前的系統(tǒng)稱為源系統(tǒng)，轉(zhuǎn)換后的系統(tǒng)稱為目標系統(tǒng)，由一種機制轉(zhuǎn)成另一種機制。如果源系統(tǒng)是專家系統(tǒng)，目標系統(tǒng)是神經(jīng)網(wǎng)絡(luò)，則可獲得學(xué)習(xí)能力及自適應(yīng)性；反之，可獲得單步推理能力、解釋能力及知識的顯式表示。當(dāng)然，轉(zhuǎn)換需要在兩種的機制之間，確定結(jié)構(gòu)上的一致性，目前主要問題是還沒有一種完備而精確的轉(zhuǎn)換方法實現(xiàn)兩者的轉(zhuǎn)換。有待進一步研究。

4．綜合模型：綜合模型共享數(shù)據(jù)結(jié)構(gòu)和知識表示，這時聯(lián)接機制和符號機制不再分開，兩者相互結(jié)合成為一個整體，既具有符號機制的邏輯功能，又有聯(lián)接機制的自適應(yīng)和容錯性的優(yōu)點和特點。例如聯(lián)接主義的專家系統(tǒng)等。

近年來神經(jīng)網(wǎng)絡(luò)研究的另一個趨勢，是將它與模糊邏輯、混沌理論、遺傳進化算法等相結(jié)合，即所謂“混合神經(jīng)網(wǎng)絡(luò)”方法。由于這些理論和算法都是屬于仿效生物體信息處理的方法，人們希望通過她們之間的相互結(jié)合，能夠獲得具有有柔性信息處理功能的系統(tǒng)。下面分別介紹。

二．混沌理論與智能信息處理

混沌理論是對貌似無序而實際有序，表面上看來是雜亂無章的現(xiàn)象中，找出其規(guī)律，并予以處理的一門學(xué)科。早在七十年代，美國和歐洲的一些物理學(xué)家、生物學(xué)家、數(shù)學(xué)家就致力于尋求在許許多多不同種類的不規(guī)則性之間的聯(lián)系。生物學(xué)家發(fā)現(xiàn)在人類的心臟中有混沌現(xiàn)象存在，血管在顯微鏡下交叉纏繞，其中也有驚人的有序性。在生物腦神經(jīng)系統(tǒng)中從微觀的神經(jīng)膜電位到宏觀的腦電波，都可以觀察到混沌的性態(tài)，證明混沌也是神經(jīng)系統(tǒng)的正常特性。

九十年代開始，則更進一步將混沌和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，提出多種混沌神經(jīng)網(wǎng)絡(luò)模型，并探索應(yīng)用混沌理論的各種信息處理方法。例如，在神經(jīng)元模型中，引入神經(jīng)膜的不應(yīng)性，研究神經(jīng)元模型的混沌響應(yīng)，研究在神經(jīng)網(wǎng)絡(luò)的方程中，不應(yīng)性項的定標參數(shù)，不定性時間衰減常數(shù)等參數(shù)的性質(zhì)，以及這些參數(shù)于神經(jīng)網(wǎng)絡(luò)混沌響應(yīng)的關(guān)系，并確定混沌---神經(jīng)網(wǎng)絡(luò)模型具有混沌解的參數(shù)空間。經(jīng)過試驗，由這種混沌神經(jīng)網(wǎng)絡(luò)模型所繪出的輸出圖形和腦電圖極為相似。

現(xiàn)代腦科學(xué)把人腦的工作過程看成為復(fù)雜的多層次的混沌動力學(xué)系統(tǒng)。腦功能的物理基礎(chǔ)是混沌性質(zhì)的過程，腦的工作包含有混沌的性質(zhì)。通過混沌動力學(xué)，研究、分析腦模型的信息處理能力，可進一步探索動態(tài)聯(lián)想記憶、動態(tài)學(xué)習(xí)并應(yīng)用到模式識別等工程領(lǐng)域。例如：

對混沌的隨機不規(guī)則現(xiàn)象，可利用混沌理論進行非線性預(yù)測和決策。

對被噪聲所掩蓋的微弱信號，如果噪聲是一種混沌現(xiàn)象，則可通過非線性辨識，有效進行濾波。

利用混沌現(xiàn)象對初始值的敏銳依賴性，構(gòu)成模式識別系統(tǒng)。

研究基于混沌---神經(jīng)網(wǎng)絡(luò)自適應(yīng)存儲檢索算法。該算法主要包括三個步驟，即：特征提取、自適應(yīng)學(xué)習(xí)和檢索。

模式特征提取采用從簡單的吸引子到混沌的層次分支結(jié)構(gòu)來描述，這種分支結(jié)構(gòu)有可能通過少數(shù)幾個系統(tǒng)參數(shù)的變化來加以控制，使復(fù)雜問題簡單化。自適應(yīng)學(xué)習(xí)采用神經(jīng)網(wǎng)絡(luò)的誤差反傳學(xué)習(xí)法。檢索過程是通過一個具有穩(wěn)定吸引子的動力學(xué)系統(tǒng)來完成，即利用輸入的初始條件與某個吸引子（輸出）之間的存在直接對應(yīng)關(guān)系的方法進行檢索。利用這種方法可應(yīng)用于模式識別。例如黑白圖象的人臉識別。

三．模糊集理論與模糊工程

八十年代以來在模糊集理論和應(yīng)用方面，也有很大進展。1983年美國西海岸AI研究所發(fā)表了稱為REVEAL的模糊輔助決策系統(tǒng)并投入市場，1986年美國將模糊邏輯導(dǎo)入OPS---5，并研究成功模糊專家系統(tǒng)外殼FLOPS，1987年英國發(fā)表采用模糊PROLOG的智能系統(tǒng)FRIL等。除此通用工具的研制以外，各國還開發(fā)一系列用于專用目的的智能信息處理系統(tǒng)并實際應(yīng)用于智能控制、模式識別、醫(yī)療診斷、故障檢測等方面。

模糊集理論和神經(jīng)網(wǎng)絡(luò)雖然都屬于仿效生物體信息處理機制以獲得柔性信息處理功能的理論，但兩者所用的研究方法卻大不相同，神經(jīng)網(wǎng)絡(luò)著眼于腦的微觀網(wǎng)絡(luò)結(jié)構(gòu)，通過學(xué)習(xí)、自組織化和非線性動力學(xué)理論形成的并行分析方法，可處理無法語言化的模式信息。而模糊集理論則著眼于可用語言和概念作為代表的腦的宏觀功能，按照人為引入的隸屬度函數(shù)，邏輯的處理包含有模糊性的語言信息。

神經(jīng)網(wǎng)絡(luò)和模糊集理論目標相近而方法各異。因此如果兩者相互結(jié)合，必能達到取長補短的作用。將模糊和神經(jīng)網(wǎng)絡(luò)相結(jié)合的研究，約在15年前便已在神經(jīng)網(wǎng)絡(luò)領(lǐng)域開始，為了描述神經(jīng)細胞模型，開始采用模糊語言，把模糊集合及其運算用于神經(jīng)元模型和描述神經(jīng)網(wǎng)絡(luò)系統(tǒng)。目前，有關(guān)模糊---神經(jīng)網(wǎng)絡(luò)模型的研究大體上可分為兩類：一類是以神經(jīng)網(wǎng)絡(luò)為主，結(jié)合模糊集理論。例如，將神經(jīng)網(wǎng)絡(luò)參數(shù)模糊化，采用模糊集合進行模糊運算。另一類以模糊集、模糊邏輯為主，結(jié)合神經(jīng)網(wǎng)絡(luò)方法，利用神經(jīng)網(wǎng)絡(luò)的自組織特性，達到柔性信息處理的目的。

與神經(jīng)網(wǎng)絡(luò)相比，模糊集理論和模糊計算是更接近實用化的理論，特別近年來美國和日本的各大公司都紛紛推出各種模糊芯片，研制了型號繁多的模糊推理板，并實際應(yīng)用于智能控制等各個應(yīng)用領(lǐng)域，建立“模糊工程”這樣一個新領(lǐng)域。日本更首先在模糊家電方面打開市場，帶有模糊控制，甚至標以神經(jīng)---模糊智能控制的洗衣機、電冰箱、空調(diào)器、攝象機等已成為新一代家電的時髦產(chǎn)品。我國目前市場上也有許多洗衣機，例如榮事達洗衣機就是采用模糊神經(jīng)網(wǎng)絡(luò)智能控制方式的洗衣機。

四．遺傳算法

遺傳算法（GeneticAlgorithm：GA）是模擬生物的進化現(xiàn)象（自然、淘汰、交叉、突然變異）的一種概率搜索和最優(yōu)化方法。是模擬自然淘汰和遺傳現(xiàn)象的工程模型。

GA的歷史可追溯到1960年，明確提出遺傳算法的是1975年美國Michigan大學(xué)的Holland博士，他根據(jù)生物進化過程的適應(yīng)現(xiàn)象，提出如下的GA模型方案：

1．將多個生物的染色體（Chromosmoe）組成的符號集合，按文字進行編碼，稱為個體。

2．定義評價函數(shù)，表示個體對外部環(huán)境的適應(yīng)性。其數(shù)值大的個體表示對外部環(huán)境的適應(yīng)性高，它的生存（子孫的延續(xù)）的概率也高。

3．每個個體由多個“部分”組合而成，每個部分隨機進行交叉及突然變異等變化，并由此產(chǎn)生子孫（遺傳現(xiàn)象）。

4．個體的集合通過遺傳，由選擇淘汰產(chǎn)生下一代。

遺傳算法提出之后，很快得到人工智能、計算機、生物學(xué)等領(lǐng)域科學(xué)家的高度重視，并在各方面廣泛應(yīng)用。1989年美國Goldberg博士發(fā)表一本專著：“GeneticAlgorithmsinSearch，OptimizationandMachineLearning”。出版后產(chǎn)生較大影響，該書對GA的數(shù)學(xué)基礎(chǔ)理論，GA的基本定理、數(shù)理分析以及在搜索法、最優(yōu)化、機器學(xué)習(xí)等GA應(yīng)用方面進行了深入淺出的介紹，并附有Pascal模擬程序。

1985年7月在美國召開第一屆“遺傳算法國際會議”（ICGA）。以后每隔兩年召開一次。近年來，遺傳算法發(fā)展很快，并廣泛應(yīng)用于信息技術(shù)的各個領(lǐng)域，例如：

智能控制：機器人控制。機器人路徑規(guī)劃。

工程設(shè)計：微電子芯片的布局、布線；通信網(wǎng)絡(luò)設(shè)計、濾波器設(shè)計、噴氣發(fā)動機設(shè)計。

圖象處理：圖象恢復(fù)、圖象識別、特征抽取。

調(diào)度規(guī)劃：生產(chǎn)規(guī)劃、調(diào)度問題、并行機任務(wù)分配。

優(yōu)化理論：TSP問題、背包問題、圖劃分問題。

人工生命：生命的遺傳進化以及自增殖、自適應(yīng)；免疫系統(tǒng)、生態(tài)系統(tǒng)等方面的研究。

神經(jīng)網(wǎng)絡(luò)、模糊集理論和以遺傳算法為代表的進化算法都是仿效生物信息處理模式以獲得智能信息處理功能的理論。三者目標相近而方法各異；將它們相互結(jié)合，必能達到取長補短、各顯優(yōu)勢的效果。例如，遺傳算法與神經(jīng)網(wǎng)絡(luò)和模糊計算相結(jié)合方面就有：

神經(jīng)網(wǎng)絡(luò)連續(xù)權(quán)的進化。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)如BP網(wǎng)絡(luò)是通過學(xué)習(xí)，并按一定規(guī)則來改變數(shù)值分布。這種方法有訓(xùn)練時間過長和容易陷入局部優(yōu)化的問題。采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)可以克服這個缺點。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的進化。

目前神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計全靠設(shè)計者的經(jīng)驗，由人事先確定，還沒有一種系統(tǒng)的方法來確定網(wǎng)絡(luò)結(jié)構(gòu)，采用遺傳算法可用來優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的進化。