深度神經(jīng)網(wǎng)絡(luò)綜述精選(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深度神經(jīng)網(wǎng)絡(luò)綜述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：人工智能 機(jī)器學(xué)習(xí) 機(jī)器人情感獲得 發(fā)展綜述

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-9082 （2017） 04-0234-01

引言

人類自從工業(yè)革命結(jié)束之后，就已然開(kāi)始了對(duì)人工智能的探索，究其本質(zhì)，實(shí)際上就是對(duì)人的思維進(jìn)行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時(shí)期，那時(shí)圖靈就希望未來(lái)的智能系統(tǒng)能夠像人一樣思考。在20世紀(jì)五十年代，人工智能被首次確定為一個(gè)新興的學(xué)科，并吸引了大批的學(xué)者投入到該領(lǐng)域的研究當(dāng)中。經(jīng)過(guò)長(zhǎng)時(shí)間的探索和嘗試，人工智能的許多重要基本理論已經(jīng)形成，如模式識(shí)別、特征表示與推理、機(jī)器學(xué)習(xí)的相關(guān)理論和算法等等。進(jìn)入二十一世紀(jì)以來(lái)，隨著深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，人工智能再一次成為研究熱點(diǎn)。人工智能技術(shù)與基因過(guò)程、納米科學(xué)并列為二十一世紀(jì)的三大尖端技術(shù)， 并且人工智能涉及的學(xué)科多，社會(huì)應(yīng)用廣泛，對(duì)其原理和本質(zhì)的理解也更為復(fù)雜。 一、人工智能的發(fā)展歷程

回顧人工智能的產(chǎn)生與發(fā)展過(guò)程 ，可以將其分為：初期形成階段，綜合發(fā)展階段和應(yīng)用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對(duì)人腦神經(jīng)元模型的抽象。其早期工作被認(rèn)為是由美國(guó)的神經(jīng)學(xué)家和控制論學(xué)者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學(xué)的研究生制造出了第一臺(tái)人工神經(jīng)元計(jì)算機(jī)。而其真正作為一個(gè)新的概念被提出是在1956年舉行的達(dá)茅斯會(huì)議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒(méi)器來(lái)模擬人類智能的新興學(xué)科。1969年的國(guó)際人工智能聯(lián)合會(huì)議標(biāo)志著人工智能得到了國(guó)際的認(rèn)可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數(shù)學(xué)、生物、計(jì)算機(jī)、神經(jīng)科學(xué)等相關(guān)學(xué)科的學(xué)者參與該領(lǐng)域的研究。

2.綜合發(fā)展階段

1.7 7年， 費(fèi)根鮑姆在第五屆國(guó)際人工智能聯(lián)合會(huì)議上正式提出了“知識(shí)工程”這一概念。而后其對(duì)應(yīng)的專家系統(tǒng)得到發(fā)展，許多智能系統(tǒng)紛紛被推出，并應(yīng)用到了人類生活的方方面面。20世紀(jì)80年代以來(lái)，專家系統(tǒng)逐步向多技術(shù)、多方法的綜合集成與多學(xué)科、多領(lǐng)域的綜合應(yīng)用型發(fā)展。大型專家系統(tǒng)開(kāi)發(fā)采用了多種人工智能語(yǔ)言、多種知識(shí)表示方法、多種推理機(jī)制和多種控制策略相結(jié)合的方式， 并開(kāi)始運(yùn)用各種專家系統(tǒng)外殼、專家系統(tǒng)開(kāi)發(fā)工具和專家系統(tǒng)開(kāi)發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過(guò)程中，人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展，并能夠在一些具體的任務(wù)中接近甚至超過(guò)人類專家的水平。

3.應(yīng)用階段

進(jìn)入二十一世紀(jì)以后，由于深度人工神經(jīng)網(wǎng)絡(luò)的提出，并在圖像分類與識(shí)別的任務(wù)上遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學(xué)的Geoffery Hinton及其學(xué)生在《Science》雜志上發(fā)表文章，其中首次提到了深度學(xué)習(xí)這一思想，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分級(jí)表達(dá)，降低了經(jīng)典神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。并隨后提出了如深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），以及區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Network， R-CNN），等等新的網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，使得訓(xùn)練和測(cè)試的效率得到大幅提升，識(shí)別準(zhǔn)確率也顯著提高。

二、人工智能核心技術(shù)

人工智能由于其涉及的領(lǐng)域較多，內(nèi)容復(fù)雜，因此在不同的應(yīng)用場(chǎng)景涉及到許多核心技術(shù)，這其中如專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)等是最重要也是發(fā)展較為完善的幾個(gè)核心技術(shù)。

1.專家系統(tǒng)

專家系統(tǒng)是一類具有專門知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)智能程序系統(tǒng)，通過(guò)對(duì)人類專家的問(wèn)題求解能力建模，采用人工智能中的知識(shí)表示和知識(shí)推理技術(shù)來(lái)模擬通常由專家才能解決的復(fù)雜問(wèn)題，達(dá)到具有與專家同等解決問(wèn)題能力的水平。對(duì)專家系統(tǒng)的研究，是人工智能中開(kāi)展得較為全面、系統(tǒng)且已經(jīng)取得廣泛應(yīng)用的技術(shù)。許多成熟而先進(jìn)的專家系統(tǒng)已經(jīng)被應(yīng)用在如醫(yī)療診斷、地質(zhì)勘測(cè)、文化教育等方面。

2.機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一個(gè)讓計(jì)算機(jī)在非精確編程下進(jìn)行活動(dòng)的科學(xué)，也就是機(jī)器自己獲取知識(shí)。起初，機(jī)器學(xué)習(xí)被大量應(yīng)用在圖像識(shí)別等學(xué)習(xí)任務(wù)中，后來(lái)，機(jī)器學(xué)習(xí)不再限于識(shí)別字符、圖像中的某個(gè)目標(biāo)，而是將其應(yīng)用到機(jī)器人、基因數(shù)據(jù)的分析甚至是金融市場(chǎng)的預(yù)測(cè)中。在機(jī)器學(xué)習(xí)的發(fā)展過(guò)程中，先后誕生了如凸優(yōu)化、核方法、支持向量機(jī)、Boosting算法等等一系列經(jīng)典的機(jī)器學(xué)習(xí)方法和理論。機(jī)器學(xué)習(xí)也是人工智能研究中最為重要的核心方向。

3.模式識(shí)別

模式識(shí)別是研究如何使機(jī)器具有感知能力 ，主要研究圖像和語(yǔ)音等的識(shí)別。其經(jīng)典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來(lái)迅速發(fā)展起來(lái)應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)的識(shí)別方法。圖形識(shí)別方面例如識(shí)別各種印刷體和某些手寫(xiě)體文字，識(shí)別指紋、癌細(xì)胞等技術(shù)已經(jīng)進(jìn)入實(shí)際應(yīng)用。語(yǔ)音識(shí)別主要研究各種語(yǔ)音信號(hào)的分類，和自然語(yǔ)言理解等等。模式識(shí)別技術(shù)是人工智能的一大應(yīng)用領(lǐng)域，其非常熱門的如人臉識(shí)別、手勢(shì)識(shí)別等等對(duì)人們的生活有著十分直接的影響。

4.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的結(jié)構(gòu)中得到啟發(fā)， 試圖用大量的處理單元模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。而近年來(lái)發(fā)展的深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks， CNNs）具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，與經(jīng)典的機(jī)器學(xué)習(xí)算法相比在大數(shù)據(jù)的訓(xùn)練下有著更強(qiáng)的特征學(xué)習(xí)和表達(dá)能力。含有多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能夠?qū)斎朐紨?shù)據(jù)有更抽象喝更本質(zhì)的表述，從而有利于解決特征可視化以及分類問(wèn)題。另外，通過(guò)實(shí)現(xiàn)“逐層初始化”這一方法，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分級(jí)表達(dá)，可以有效降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。目前的神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別任務(wù)中取得了十分明顯的進(jìn)展，基于CNN的圖像識(shí)別技術(shù)也一直是學(xué)術(shù)界與工業(yè)界一致追捧的熱點(diǎn)。

三、機(jī)器人情感獲得

1.智能C器人現(xiàn)狀

目前智能機(jī)器人的研究還主要基于智能控制技術(shù)，通過(guò)預(yù)先定義好的機(jī)器人行動(dòng)規(guī)則，編程實(shí)現(xiàn)復(fù)雜的自動(dòng)控制，完成機(jī)器人的移動(dòng)過(guò)程。而人類進(jìn)行動(dòng)作、行為的學(xué)習(xí)主要是通過(guò)模仿及與環(huán)境的交互。從這個(gè)意義上說(shuō)，目前智能機(jī)器人還不具有類腦的多模態(tài)感知及基于感知信息的類腦自主決策能力。在運(yùn)動(dòng)機(jī)制方面，目前幾乎所有的智能機(jī)器人都不具備類人的外周神經(jīng)系統(tǒng)，其靈活性和自適應(yīng)性與人類運(yùn)動(dòng)系統(tǒng)還具有較大差距。

2.機(jī)器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發(fā)達(dá)的神經(jīng)系統(tǒng)的處理下獲得情感。智能機(jī)器人在不斷的機(jī)器學(xué)習(xí)和大數(shù)據(jù)處理中，中樞處理系統(tǒng)不斷地自我更新、升級(jí)，便具備了獲得情感的可能性及幾率。不斷地更新、升級(jí)的過(guò)程類似于生物的進(jìn)化歷程，也就是說(shuō)，智能機(jī)器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機(jī)器人獲得情感的利弊

機(jī)器人獲得情感在理論可行的情況下，伴之而來(lái)的利弊則眾說(shuō)紛紜。一方面，擁有豐富情感世界的機(jī)器人可以帶來(lái)更多人性化的服務(wù)，人機(jī)合作也可進(jìn)行地更加深入，可以為人類帶來(lái)更為逼真的體驗(yàn)和享受。人類或可與智能機(jī)器人攜手共創(chuàng)一個(gè)和諧世界。但是另一方面，在機(jī)器人獲得情感時(shí)，機(jī)器人是否能徹底貫徹人類命令及協(xié)議的擔(dān)憂也迎面而來(lái)。

4.規(guī)避機(jī)器人情感獲得的風(fēng)險(xiǎn)

規(guī)避智能機(jī)器人獲得情感的風(fēng)險(xiǎn)應(yīng)預(yù)備強(qiáng)制措施。首先要設(shè)計(jì)完備的智能機(jī)器人情感協(xié)議，將威脅泯滅于未然。其次，應(yīng)控制智能機(jī)器人的能源獲得，以限制其自主活動(dòng)的能力，杜絕其建立獨(dú)立體系的可能。最后，要掌控核心武器，必要時(shí)強(qiáng)行停止運(yùn)行、回收、甚至銷毀智能機(jī)器人。

三、總結(jié)

本文梳理了人工智能的發(fā)展歷程與核心技術(shù)，可以毋庸置疑地說(shuō)，人工智能具有極其廣闊的應(yīng)用前景，但也伴隨著極大的風(fēng)險(xiǎn)?；仡櫰浒l(fā)展歷程，我們有理由充分相信，在未來(lái)人工智能的技術(shù)會(huì)不斷完善，難題會(huì)被攻克。作為世界上最熱門的領(lǐng)域之一，在合理有效規(guī)避其風(fēng)險(xiǎn)的同時(shí)，獲得情感的智能機(jī)器人會(huì)造福人類，并極大地幫助人們的社會(huì)生活。

參考文獻(xiàn)

[1]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2016，（01）：212-222.

[3]張?jiān)?人工智能綜述：讓機(jī)器像人類一樣思考

第2篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：樹(shù)型奇偶機(jī)；不要相信我的伙伴；學(xué)習(xí)規(guī)則；幾何攻擊；簡(jiǎn)單攻擊

中圖分類號(hào)： TP309.7 文獻(xiàn)標(biāo)志碼：A

英文摘要

Abstract：Focusing on the key exchange problem of how to get the higher security for neural cryptography in the short time of the synchronization， a new hybrid algorithm combining the features of “Do not Trust My Partner” （DTMP） and the fast learning rule was proposed. The algorithm could send erroneous output bits in the public channel to disrupt the attackers

eavesdropping of the exchanged bits and reduce the success rate of passive attack. Meanwhile， the proposed algorithm estimated the synchronization by estimating the probability of unequal outputs， then adjusted the change of weights according to the level of synchronization to speed up the process of synchronization. The simulation results show that the proposed algorithm outperforms the original DTMP in the time needed for the partners to synchronize. Moreover， the proposed algorithm is securer than the original DTMP when the partners do not send erroneous output bits at the same time. And the proposed algorithm outperforms the feedback algorithm in both the synchronization time and security obviously. The experimental results show that the proposed algorithm can obtain the key with a high level of security and a less synchronization time.

英文關(guān)鍵詞

Key words：Tree Parity Machine （TPM）； Do not Trust My Partner （DTMP）； learning rule； geometric attack； simple attack

0 引言

公共密鑰交換協(xié)議[1]自從由Diffie 和 Hellman提出后，在密碼學(xué)中扮演了重要角色。通常，公共密鑰交換協(xié)議可以使兩個(gè)實(shí)體在公共信道上獲取一個(gè)共享密鑰，而攻擊者即使有監(jiān)聽(tīng)信道的能力，也無(wú)法獲取該密鑰。然而，隨著神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用，人們發(fā)現(xiàn)具有高度非線性的神經(jīng)網(wǎng)絡(luò)也能應(yīng)用于此，并且受到了密碼學(xué)界的關(guān)注，形成了一個(gè)新的研究領(lǐng)域――神經(jīng)密碼學(xué)[2]。

目前，在神經(jīng)密碼學(xué)方面已經(jīng)有大量研究[3-5]。研究發(fā)現(xiàn)，兩個(gè)樹(shù)型奇偶機(jī)（Tree Parity Machine， TPM）通過(guò)互學(xué)習(xí)的方式達(dá)到同步的速度要比通過(guò)單向?qū)W習(xí)達(dá)到同步的速度快得多，并將這一現(xiàn)象應(yīng)用于解決密碼學(xué)中的密鑰交換問(wèn)題。文獻(xiàn)[6-8] 研究了四種攻擊方法，即簡(jiǎn)單攻擊、幾何攻擊、多數(shù)攻擊和遺傳攻擊，其中簡(jiǎn)單攻擊和幾何攻擊都采用單神經(jīng)網(wǎng)絡(luò)，而多數(shù)攻擊和遺傳攻擊都是基于幾何攻擊的多神經(jīng)網(wǎng)絡(luò)攻擊方法。為了抵抗這些攻擊，文獻(xiàn)[9]的研究表明僅有一個(gè)或兩個(gè)隱藏單元的TPM模型被證明是不安全的，而含有三個(gè)隱藏單元的TPM可以通過(guò)增加突觸深度的值來(lái)使神經(jīng)同步過(guò)程達(dá)到任意級(jí)別的安全性，但增加突觸深度會(huì)增加同步時(shí)間。攻擊者攻擊策略離不開(kāi)通信雙方在公共信道上傳輸?shù)妮斎胄畔⒓拜敵鲂畔ⅰ８鶕?jù)攻擊者的這一特點(diǎn)，文獻(xiàn)[10]提出了一種反饋機(jī)制，這種機(jī)制可以使原來(lái)公開(kāi)的輸入向量部分隱藏以達(dá)到阻礙攻擊者學(xué)習(xí)過(guò)程的進(jìn)行。這種方法雖然可以使同步過(guò)程達(dá)到較高的安全性，但同步時(shí)間也大幅度增加。而文獻(xiàn)[11]提出了一種基于錯(cuò)誤檢測(cè)的算法――不要相信我的伙伴（Do not Trust My Partner， DTMP），該算法依靠在公共信道上傳送錯(cuò)誤信息，通信雙方可以檢測(cè)并且恢復(fù)出正確信息，而攻擊者卻無(wú)法恢復(fù)出正確信息，從而對(duì)攻擊者造成干擾。DTMP算法可以極大地提高同步過(guò)程的安全性，雖然其所需同步時(shí)間比前述的提高抗攻擊性能的方法少，但也仍需要較長(zhǎng)的同步時(shí)間。

針對(duì)以上問(wèn)題，為了在提高安全性的同時(shí)盡量縮短同步時(shí)間，本文提出了一種基于DTMP和快速學(xué)習(xí)規(guī)則的聯(lián)合算法。該算法可以根據(jù)同步程度適當(dāng)?shù)卣{(diào)整權(quán)值修改幅度[12]，從而加快同步進(jìn)程，減少同步時(shí)間以及攻擊者采用新方法攻擊成功的機(jī)會(huì)。實(shí)驗(yàn)結(jié)果表明，與DTMP以及反饋算法相比，聯(lián)合算法可以以較低的同步時(shí)間獲取較高的安全性。

1 樹(shù)型奇偶機(jī)

樹(shù)型奇偶機(jī)（TPM）是多層前饋式網(wǎng)絡(luò)，在神經(jīng)密碼學(xué)中，通信雙方的神經(jīng)網(wǎng)絡(luò)A和B以及攻擊者的神經(jīng)網(wǎng)絡(luò)E都是采用的這種結(jié)構(gòu)。樹(shù)型奇偶機(jī)的一般化結(jié)構(gòu)如圖1所示。 τ表示神經(jīng)網(wǎng)絡(luò)輸出； σ表示隱藏單元輸出； w表示權(quán)值； x表示輸入；K表示隱藏單元個(gè)數(shù)；N表示每個(gè)隱藏單元的輸入個(gè)數(shù)。解釋圖中參數(shù)

2 快速學(xué)習(xí)規(guī)則設(shè)計(jì)

傳統(tǒng)的學(xué)習(xí)規(guī)則包括Hebbian學(xué)習(xí)規(guī)則、antiHebbian學(xué)習(xí)規(guī)則和randomwalk學(xué)習(xí)規(guī)則。使用傳統(tǒng)學(xué)習(xí)規(guī)則的神經(jīng)密碼學(xué)在協(xié)商密鑰時(shí)，每次權(quán)值更新的步長(zhǎng)均為1，這就導(dǎo)致交換輸出值的次數(shù)過(guò)多，同步時(shí)間較長(zhǎng)。因此，可以令通信雙方根據(jù)其同步程度，適當(dāng)?shù)卣{(diào)整學(xué)習(xí)規(guī)則中權(quán)值的修改幅度來(lái)加快同步進(jìn)程。由于三種學(xué)習(xí)規(guī)則的修改方法是類似的，本文僅對(duì)Hebbian學(xué)習(xí)規(guī)則的修改進(jìn)行研究，該學(xué)習(xí)規(guī)則可改為式（7）所示形式。

即在安全性提高的同時(shí)，通信雙方的同步時(shí)間也會(huì)大大增加。這樣不僅需要的計(jì)算開(kāi)銷及通信開(kāi)銷會(huì)隨之增加，同時(shí)由于通信時(shí)間過(guò)長(zhǎng)可能會(huì)給攻擊者尋找新的攻擊方法提供更多的機(jī)會(huì)。而DTMP算法旨在通過(guò)以一定概率傳送錯(cuò)誤的神經(jīng)網(wǎng)絡(luò)輸出信息來(lái)提高神經(jīng)密碼的安全性，并且不會(huì)對(duì)通信雙方的同步時(shí)間產(chǎn)生影響。但希望在提高安全性的同時(shí)，能夠盡量地減少同步時(shí)間，以減少攻擊者使用新方法攻擊的機(jī)會(huì)。因此，這里將第2章所述學(xué)習(xí)規(guī)則引入到DTMP算法中。另外，DTMP算法是將通信雙方要發(fā)送給對(duì)方的輸出信息以一定的概率取反后再發(fā)送到信道上傳輸?shù)?，因此，通信雙方A、B最終在學(xué)習(xí)過(guò)程中使用的對(duì)方的輸出信息并非是直接從信道接收到的信息，而是進(jìn)行檢錯(cuò)糾錯(cuò)后的信息。因此，為了適用于DTMP算法，需將上述學(xué)習(xí)規(guī)則改為如下形式：

4 系統(tǒng)仿真

4.1 實(shí)驗(yàn)設(shè)置

本文仿真實(shí)驗(yàn)中，通信雙方A和B均采用K=3，N=1000的TPM結(jié)構(gòu)。隨機(jī)數(shù)發(fā)生器RNG中的兩組參數(shù)隨機(jī)取值。為使聯(lián)合算法既能保證安全性又能提高同步速度，根據(jù)文獻(xiàn)[13]，本實(shí)驗(yàn)中將快速學(xué)習(xí)規(guī)則中參數(shù)設(shè)置為m=2，q=1。

仿真中用兩種方法控制錯(cuò)誤輸出信息的產(chǎn)生：

1）通信雙方A和B同時(shí)產(chǎn)生錯(cuò)誤信息：

如果F（RAi，1，RAi，2）>0，A將發(fā)送一個(gè)錯(cuò)誤的τA，否則就發(fā)送一個(gè)正確的τA；如果F（RBi，1，RBi，2）>0，B將發(fā)送一個(gè)錯(cuò)誤的τB，否則就發(fā)送一個(gè)正確的τB。

2）通信雙方A和B不同時(shí)產(chǎn)生錯(cuò)誤信息：

如果F（RAi，1，RAi，2）>0，A將發(fā)送一個(gè)錯(cuò)誤的τA，否則就發(fā)送一個(gè)正確的τA；如果F（RBi，1，RBi，2）

這兩種方法不會(huì)對(duì)通信雙方產(chǎn)生影響，但會(huì)對(duì)攻擊者產(chǎn)生不同的影響：當(dāng)A和B同時(shí)產(chǎn)生錯(cuò)誤信息時(shí)，不會(huì)對(duì)攻擊者何時(shí)進(jìn)行權(quán)值更新產(chǎn)生影響，而是對(duì)其權(quán)值更新的方向產(chǎn)生干擾；而雙方不同時(shí)產(chǎn)生錯(cuò)誤信息時(shí)，對(duì)攻擊者何時(shí)進(jìn)行權(quán)值更新以及其更新方向均會(huì)產(chǎn)生一定的影響。

在攻擊實(shí)驗(yàn)中，攻擊者與通信雙方使用相同的網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)規(guī)則。實(shí)驗(yàn)中，平均同步時(shí)間是10000次實(shí)驗(yàn)的平均結(jié)果；攻擊成功率是10000次實(shí)驗(yàn)中攻擊成功次數(shù)的比率是否為平均結(jié)果？平均同步時(shí)間是10000次實(shí)驗(yàn)的平均結(jié)果；攻擊成功率是10000次實(shí)驗(yàn)中攻擊成功次數(shù)的比率，不是平均結(jié)果。。

4.2 神經(jīng)網(wǎng)絡(luò)同步仿真

隨著互學(xué)習(xí)過(guò)程的進(jìn)行，通信雙方的同步程度增大，雙方神經(jīng)網(wǎng)絡(luò)的權(quán)值向量的距離會(huì)越來(lái)越小，當(dāng)雙方神經(jīng)網(wǎng)絡(luò)達(dá)到全同步狀態(tài)時(shí)，通信雙方權(quán)值相等，即ED=0，權(quán)向量距離收斂速度越快也就意味著所需同步時(shí)間越短。因此，兩個(gè)神經(jīng)網(wǎng)絡(luò)的同步過(guò)程也可以看作是這兩個(gè)神經(jīng)網(wǎng)絡(luò)中權(quán)向量距離的收斂過(guò)程。

從圖2可以看出聯(lián)合算法的權(quán)向量距離收斂速度比DTMP原算法快，這是由于聯(lián)合算法中采用了快速學(xué)習(xí)規(guī)則，可以根據(jù)同步程度適當(dāng)調(diào)整權(quán)值修改幅度，使權(quán)向量距離收斂速度加快，從而加快同步進(jìn)程，縮短同步時(shí)間。由于神經(jīng)網(wǎng)絡(luò)的同步過(guò)程是一個(gè)隨機(jī)過(guò)程，每次同步所需時(shí)間會(huì)存在差異，為觀察整體特性，還需采用平均同步時(shí)間進(jìn)行研究。圖3是不同突觸深度時(shí)，采用DTMP原算法和聯(lián)合算法的同步過(guò)程的平均同步時(shí)間。圖3也可以說(shuō)明，在同步時(shí)間上，聯(lián)合算法是明顯優(yōu)于DTMP原算法的。

權(quán)向量距離的變化與同步時(shí)間的關(guān)系坐標(biāo)單位？在神經(jīng)密碼學(xué)中，同步時(shí)間是指同步所需的學(xué)習(xí)次數(shù)，權(quán)向量距離是兩個(gè)權(quán)值向量的距離，均沒(méi)有單位。

4.3 安全性仿真

4.2節(jié)中通過(guò)仿真實(shí)驗(yàn)對(duì)聯(lián)合算法的同步性進(jìn)行了驗(yàn)證，雖然快速學(xué)習(xí)規(guī)則可以有效地減少DTMP算法的同步時(shí)間，但是還需要對(duì)聯(lián)合算法同步過(guò)程的安全性進(jìn)行研究。神經(jīng)網(wǎng)絡(luò)的同步過(guò)程是一個(gè)隨機(jī)過(guò)程，因此，也存在一定的概率能使攻擊者E在A、B同步之前與A或B達(dá)到同步，因此，這個(gè)概率就可以用來(lái)描述神經(jīng)同步過(guò)程的安全性。然而，在實(shí)際中，由于存在同步判定的問(wèn)題，通信雙方可能并不能在同步時(shí)刻就及時(shí)地停止同步過(guò)程，若在A、B同步后到A、B停止學(xué)習(xí)過(guò)程這段時(shí)間內(nèi)，E與A或者B達(dá)到同步，那么E的攻擊也是成功的。因此，本仿真實(shí)驗(yàn)中，將攻擊成功率PE定義為在A、B同步時(shí)刻ρAE>0.9發(fā)生的概率。另外，目前主要有四種已知的攻擊方法，即簡(jiǎn)單攻擊、幾何攻擊、多數(shù)攻擊以及遺傳攻擊。其中多數(shù)攻擊和遺傳攻擊都是采用多個(gè)神經(jīng)網(wǎng)絡(luò)的，但都是基于幾何攻擊的，其攻擊成功率也受幾何攻擊成功率影響。因此，本文中，僅對(duì)使用單神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單攻擊和幾何攻擊進(jìn)行仿真分析。在仿真實(shí)驗(yàn)中，攻擊者E在應(yīng)用快速學(xué)習(xí)規(guī)則時(shí)，所截取到神經(jīng)網(wǎng)絡(luò)A/B的輸出信息為τAsent和τBsent。

表1和表2是A、B分別同時(shí)發(fā)送錯(cuò)誤信息和不同時(shí)發(fā)送錯(cuò)誤信息時(shí)的聯(lián)合算法及原DTMP算法的抗幾何攻擊實(shí)驗(yàn)結(jié)果。 從表1和表2可以看出，若A和B同時(shí)產(chǎn)生錯(cuò)誤信息，聯(lián)合算法的抗幾何攻擊能力比DTMP原算法稍低；而若A和B不同時(shí)發(fā)送錯(cuò)誤信息，則聯(lián)合算法的抗幾何攻擊能力明顯優(yōu)于DTMP原算法。

表3和表4是A、B分別同時(shí)發(fā)送錯(cuò)誤信息和不同時(shí)發(fā)送錯(cuò)誤信息時(shí)的聯(lián)合算法及DTMP原算法的抗簡(jiǎn)單攻擊實(shí)驗(yàn)結(jié)果。從表3和表4可以看出，兩種情況下，聯(lián)合算法和DTMP原算法均已達(dá)到較高的安全性，但A、B不同時(shí)發(fā)送錯(cuò)誤信息時(shí)，聯(lián)合算法的抗簡(jiǎn)單攻擊性要優(yōu)于DTMP原算法。

以上實(shí)驗(yàn)表明，通信雙方不同時(shí)發(fā)送錯(cuò)誤信息時(shí)，聯(lián)合算法的性能優(yōu)于DTMP原算法。這是由于此時(shí)聯(lián)合算法能使通信雙方根據(jù)同步程度確定合適的并且不至于過(guò)大的權(quán)值修改幅度，使通信雙方以較快的速度達(dá)到同步，而攻擊者受錯(cuò)誤信息的影響，無(wú)法正確判斷通信雙方何時(shí)進(jìn)行更新以及通信雙方使用什么樣的權(quán)值修改幅度，這就導(dǎo)致攻擊者不能在通信雙方達(dá)到同步前與通信雙方之一達(dá)到同步。

那么相對(duì)于經(jīng)典的反饋機(jī)制，聯(lián)合算法的性能又怎么樣呢？圖4和圖5分別是幾何攻擊和簡(jiǎn)單攻擊對(duì)使用反饋算法和聯(lián)合算法的同步過(guò)程的攻擊成功率與同步時(shí)間的關(guān)系圖，圖中攻擊成功率越低且相對(duì)應(yīng)的同步時(shí)間越少說(shuō)明其性能越好。顯然，聯(lián)合算法能以較低的同步時(shí)間獲得比反饋算法更好的抗幾何攻擊和簡(jiǎn)單攻擊的能力。

5 結(jié)語(yǔ)

本文對(duì)基于DTMP和快速學(xué)習(xí)規(guī)則的聯(lián)合算法進(jìn)行了研究。DTMP算法可以通過(guò)產(chǎn)生并發(fā)送錯(cuò)誤信息對(duì)攻擊者的監(jiān)聽(tīng)過(guò)程進(jìn)行干擾來(lái)有效地提高同步過(guò)程的安全性；快速學(xué)習(xí)規(guī)則可以根據(jù)同步程度適當(dāng)?shù)卣{(diào)整權(quán)值修改幅度來(lái)加快同步進(jìn)程。而二者的聯(lián)合算法則可以以較短的同步時(shí)間獲取較高的安全性。實(shí)驗(yàn)結(jié)果表明，DTMP和快速學(xué)習(xí)規(guī)則的聯(lián)合算法所需的同步時(shí)間少于DTMP原算法，且明顯優(yōu)于反饋算法，達(dá)到很高的安全性，實(shí)現(xiàn)了以較短的同步時(shí)間獲得較高的安全性的目的。但目前對(duì)神經(jīng)密碼學(xué)的研究都是基于實(shí)數(shù)神經(jīng)網(wǎng)絡(luò)的，而復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的處理能力，若將其應(yīng)用到密碼學(xué)中是否能達(dá)到更高的安全性，這還有待進(jìn)一步的研究。

參考文獻(xiàn)：

[1]DIFFIE W， HELLMAN M E. New directions in cryptography [J]. IEEE Transactions on Information Theory， 1976， 22（6）： 644-654.

[2]ROSENZVI M， KANTER I， KINZEL W. Cryptography based on neural networks-analytical results [J]. Journal of Physics A： Mathematical and General， 2002， 35（47）： 707-713.

[3]ROSENZVI M， KLEIN E， KANTER I， et al. Mutual learning in a tree parity machine and its application to cryptography [J]. Physical Review E， 2002， 66（6）： 135-138.

[4]VOLKMER M， WALLNER S. Tree parity machine rekeying architectures [J]. IEEE Transactions on Computers， 2005， 54（4）： 421-427.

[5]CAI J， LIU D， CHEN T. Review of neural cryptography [J]. Journal of Computer Applications， 2007， 27（S1）： 219-222.（蔡家楣，劉多，陳鐵銘.神經(jīng)網(wǎng)絡(luò)密碼學(xué)研究綜述[J].計(jì)算機(jī)應(yīng)用，2007， 27（S1）：219-222.）

[6]RUTTOR A， KINZEL W， NAEH R， et al. Genetic attack on neural cryptography [J]. Physical Review E， 2006， 73（3）： 132-136.

[7]SHACHAM L N， KLEIN E， MISLOVATY R， et al.Cooperating attackers in neural cryptography [J]. Physics Review E， 2004， 69（6）： 5-11.

[8]MISLOVATY R， PERCHENOK Y， KANTER I， et al. Secure keyexchange protocol with an absence of injective functions [J]. Physical Review E， 2002， 66（6）： 102-108.

[9]RUTTOR A， KINZEL W， KANTER I. Dynamics of neural cryptography [J]. Physical Review E， 2007， 75（5）： 56-58.

[10]RUTTOR A， KINZEL W， SHACHAM L， et al. Neural cryptography with feedback [J]. Physical Review E， 2004， 69（4）： 7-9.

[11]ALLAM A M， ABBAS H M. On the improvement of neural cryptography using erroneous transmitted information with error prediction [J]. IEEE Transactions on Neural Networks， 2010， 21（12）： 1915-1924.

第3篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

以哲學(xué)中國(guó)化理論為指導(dǎo)辦好新建應(yīng)用型本科高?！赃|寧科技學(xué)院實(shí)踐為例

微合金變質(zhì)鑄態(tài)中錳鋼襯板的生產(chǎn)與應(yīng)用

低碳鋼生產(chǎn)連鑄工藝的研究

高錳酸鉀預(yù)氧化—混凝深度處理中藥生產(chǎn)廢水的試驗(yàn)

活性染料廢水電凝聚脫色能耗分析

本鋼7500L/h廢鹽酸再生機(jī)組工藝與設(shè)備淺析

遼細(xì)辛中馬兜鈴酸A的測(cè)定方法研究

均勻設(shè)計(jì)法對(duì)煤矸石作骨料的樹(shù)脂混凝土的試驗(yàn)研究

不發(fā)火混凝土的配制技術(shù)

我國(guó)礦山土地復(fù)墾及生態(tài)重建

淺談GPS在航測(cè)控制網(wǎng)中的應(yīng)用

基于WindowsCE系統(tǒng)的水準(zhǔn)測(cè)量外業(yè)電子記錄手簿的研究與開(kāi)發(fā)

ExcelVBA在GPS坐標(biāo)轉(zhuǎn)換計(jì)算中的應(yīng)用

GPS控制網(wǎng)觀測(cè)方案的優(yōu)化

淺析主抽風(fēng)機(jī)的維護(hù)與故障排除

閥控式鉛酸蓄電池過(guò)熱失控分析

試論備品備件ABC管理

淺論企業(yè)施行社會(huì)責(zé)任控制的重要性

企業(yè)信息化組織架構(gòu)研究

遼寧科技學(xué)院電氣自動(dòng)化技術(shù)專業(yè)

Fenton試劑氧化-混凝深度處理焦化廢水的試驗(yàn)

高爐煤氣洗滌廢水的混凝沉淀處理

國(guó)內(nèi)氨基磺酸鹽高效減水劑研究發(fā)展現(xiàn)狀

白術(shù)內(nèi)酯Ⅱ?qū)φ掌分苽浞椒ㄑ芯?/p>

冷軋薄料光輥軋制板形控制工藝優(yōu)化

熱鍍鋅生產(chǎn)中鋅灰對(duì)產(chǎn)品表面質(zhì)量的影響和解決方法

模糊神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀綜述

基于AVR單片機(jī)的簡(jiǎn)易示波器設(shè)計(jì)

粉砂層作為天然地基持力層的穩(wěn)定性分析

增大截面法加固雙曲拱橋

PowerNetworkCORS軟件的RTK精度測(cè)試

GPS連續(xù)運(yùn)行多站系統(tǒng)建設(shè)探討

鞍山GPSC級(jí)控制網(wǎng)的數(shù)據(jù)處理

二階Laplacian差分方程的Dirichlet邊值問(wèn)題

數(shù)碼攝影與傳統(tǒng)攝影的比較分析

英漢公示語(yǔ)對(duì)比研究

雙語(yǔ)社團(tuán)和雙言社團(tuán)中的語(yǔ)碼轉(zhuǎn)換

文化缺省文本的翻譯策略探析

淺析商業(yè)銀行屢查屢犯問(wèn)題的成因分析及管理對(duì)策

遼寧科技學(xué)院優(yōu)勢(shì)特色學(xué)科——鋼鐵冶金

基于神經(jīng)網(wǎng)絡(luò)的炸藥與巖石匹配的研究

圓柱體花崗巖單軸壓縮實(shí)驗(yàn)的數(shù)值模擬

粉煤灰碎石作路面基層疲勞性能試驗(yàn)分析

綜合物探方法在內(nèi)蒙隱伏鉛鋅礦勘查中的應(yīng)用

超長(zhǎng)超深地下綜合管溝外壁混凝土裂縫的控制

基于ArcGISEngine的數(shù)字校園導(dǎo)航系統(tǒng)的研究與實(shí)現(xiàn)

基于GPS技術(shù)的鐵背山隧道平面控制測(cè)量

Oracle9i數(shù)據(jù)庫(kù)性能調(diào)優(yōu)技術(shù)應(yīng)用研究

包裝問(wèn)題的演化算法

企業(yè)專網(wǎng)機(jī)房建設(shè)中的幾個(gè)問(wèn)題的探討

三相有功電能表非標(biāo)準(zhǔn)接線時(shí)計(jì)量異常的原因分析及處理方法

電弧爐電極調(diào)節(jié)器對(duì)電網(wǎng)影響的仿真探討

模式飛剪提高快速跟隨性能的方案分析

DCS系統(tǒng)在本鋼發(fā)電廠的應(yīng)用

電渣重熔2～3噸錠型充填工藝研究

本鋼薄板坯連鑄生產(chǎn)超深沖鋼的試驗(yàn)研究

轉(zhuǎn)爐氧槍噴頭更換工藝的改進(jìn)

第4篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：財(cái)務(wù)舞弊識(shí)別；隨機(jī)森林；R語(yǔ)言

中圖分類號(hào)：F23 文獻(xiàn)標(biāo)識(shí)碼：A

收錄日期：2012年8月30日

財(cái)務(wù)舞弊即財(cái)務(wù)報(bào)告舞弊，通常是指管理當(dāng)局采取偽造、掩飾等手法，編制和虛假財(cái)務(wù)信息，誘導(dǎo)投資者做出錯(cuò)誤的決策，從而實(shí)現(xiàn)自身利益最大化的違法行為。近年來(lái)，上市公司財(cái)務(wù)舞弊現(xiàn)象正因其層出不窮的發(fā)生態(tài)勢(shì)和所帶來(lái)的巨大損失得到各界的廣泛關(guān)注，各界在譴責(zé)那些舞弊企業(yè)道德喪失的同時(shí)，更是對(duì)研究出有效識(shí)別財(cái)務(wù)舞弊的方法提出迫切希望。

一、文獻(xiàn)綜述

目前，財(cái)務(wù)舞弊識(shí)別研究主要涉及定性研究和定量研究?jī)煞矫?，定性研究主要通過(guò)對(duì)企業(yè)會(huì)計(jì)報(bào)表進(jìn)行深度考察并試圖發(fā)現(xiàn)其中的矛盾，以此來(lái)甄別舞弊。如，劉姝威（2002）就利用這種方法揭發(fā)了曾轟動(dòng)一時(shí)的銀廣夏和藍(lán)田股份的財(cái)務(wù)舞弊案。

定量研究則主要依托于統(tǒng)計(jì)學(xué)和數(shù)據(jù)挖掘方法，對(duì)舞弊企業(yè)與非舞弊企業(yè)控制樣本進(jìn)行建模，并通過(guò)模型來(lái)預(yù)測(cè)企業(yè)是否舞弊。常用的方法諸如邏輯回歸模型、判別分析、神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、支持向量機(jī)等。如Beneish（1999）利用Probit判別方法建立模型，模型的準(zhǔn)確預(yù)測(cè)率達(dá)到75%，并在實(shí)際中得到了一定程度的運(yùn)用。顧寧生等（2009）用學(xué)習(xí)矢量量化（LVQ）神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，同時(shí)將模型與BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)的預(yù)測(cè)效果進(jìn)行對(duì)比，發(fā)現(xiàn)LVQ神經(jīng)網(wǎng)絡(luò)的效果最好。王敏（2011）結(jié)合舞弊三角理論采用邏輯回歸模型建模，研究表明，法人股比例越高、監(jiān)事會(huì)會(huì)議次數(shù)越多、當(dāng)年的審計(jì)意見(jiàn)類型為非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司越容易發(fā)生財(cái)務(wù)舞弊行為。

二、研究方法

近年來(lái)，很多學(xué)者采用數(shù)據(jù)挖掘方法進(jìn)行財(cái)務(wù)舞弊識(shí)別研究，但這些方法的實(shí)際效果往往有限，究其原因，Breiman（1996）認(rèn)為數(shù)據(jù)挖掘領(lǐng)域很多算法都是不穩(wěn)定的，當(dāng)訓(xùn)練集稍微有變動(dòng)都會(huì)使識(shí)別效果大打折扣。在這種不穩(wěn)定的情況下，將分類器組合起來(lái)能大大提升分類器的分類效果。

本文采用隨機(jī)森林方法進(jìn)行研究，隨機(jī)森林是Breiman在2001年提出的一種組合分類方法，它主要是利用自助重抽樣法對(duì)原始樣本進(jìn)行抽樣，再用這些樣本分別建立決策樹(shù)，最后根據(jù)這些樹(shù)的分類結(jié)果投票得出最終預(yù)測(cè)結(jié)果。在分類問(wèn)題中，隨機(jī)森林得到的組合模型如下：

H■（X）=arg■■（I（h（X；？?！觯?j））

其中，HR（X）是組合分類模型，h表示單棵樹(shù)的預(yù)測(cè)結(jié)果，I是示性函數(shù)，公式表示使用得票最多的結(jié)果進(jìn)行預(yù)測(cè)。

目前，隨機(jī)森林主要應(yīng)用于生物信息領(lǐng)域，在財(cái)務(wù)舞弊識(shí)別的研究上，國(guó)內(nèi)尚無(wú)相關(guān)文獻(xiàn)。

三、實(shí)證研究

（一）樣本選擇。本文選取2000～2008年之間被證監(jiān)會(huì)公開(kāi)處罰的財(cái)務(wù)舞弊上市公司，除去涉及中報(bào)、季報(bào)、臨時(shí)公告，只保留涉及年報(bào)的舞弊企業(yè)，最終剩余116家舞弊企業(yè)，以舞弊當(dāng)年為一個(gè)樣本，涉及多年舞弊的企業(yè)以其初次舞弊的年份為樣本。為了保證控制樣本的企業(yè)不涉及舞弊，對(duì)控制樣本的選擇采取下列限制：

1、在與舞弊企業(yè)同行業(yè)同年度的企業(yè)中進(jìn)行選擇，即保證舞弊樣本和控制樣本在行業(yè)和年度的分布要類似。

2、除去被ST、S、PT的上市公司。

3、控制樣本前后3年的審計(jì)報(bào)告意見(jiàn)都是標(biāo)準(zhǔn)無(wú)保留意見(jiàn)。

通過(guò)篩選，本文最終選擇116家舞弊企業(yè)和116家非舞弊企業(yè)。樣本數(shù)據(jù)及下文的變量數(shù)據(jù)都來(lái)自國(guó)泰安數(shù)據(jù)庫(kù)。

（二）變量選擇。本文從公司財(cái)務(wù)狀況和公司治理兩個(gè)方面對(duì)變量進(jìn)行選擇，具體變量如表1所示。（表1）

（三）模型建立過(guò)程。整個(gè)模型的構(gòu)建過(guò)程基于R語(yǔ)言環(huán)境并采用R語(yǔ)言的varSelRF包和CORElearn包進(jìn)行，R語(yǔ)言是一種集統(tǒng)計(jì)計(jì)算和圖形繪畫(huà)為一體的程序語(yǔ)言，在R的鏡像站上有接近4，000多個(gè)程序包，涉及統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、計(jì)量經(jīng)濟(jì)學(xué)等多個(gè)學(xué)科，varSelRF和CORElearn包里包括了用隨機(jī)森林進(jìn)行變量篩選和建模的相關(guān)函數(shù)。

1、變量篩選。隨機(jī)森林變量篩選的主旨思想是從備選的變量中選取使分類效果達(dá)到最優(yōu)且數(shù)量最少的變量組合。經(jīng)過(guò)篩選，財(cái)務(wù)杠桿系數(shù)、流動(dòng)資產(chǎn)周轉(zhuǎn)率、實(shí)際所得稅率、銷售期間費(fèi)用率、應(yīng)收賬款周轉(zhuǎn)率、營(yíng)業(yè)利潤(rùn)率、債務(wù)保障率、資產(chǎn)報(bào)酬率、資產(chǎn)負(fù)債率9個(gè)指標(biāo)成為入選的變量。

2、訓(xùn)練集、測(cè)試集劃分。從樣本中隨機(jī)抽取75%作為訓(xùn)練集，剩余的25%為測(cè)試集。

3、RF模型建模。大量實(shí)證研究的結(jié)果表明，在模型的建立過(guò)程中對(duì)參數(shù)進(jìn)行相應(yīng)的調(diào)整能使模型達(dá)到更好的效果，RF需要調(diào)整的參數(shù)主要有rfNoTrees（建模需要的樹(shù)的個(gè)數(shù)）和minNodeWeightRF（每個(gè)節(jié)點(diǎn)處候選特征的個(gè)數(shù)），經(jīng)反復(fù)試驗(yàn)發(fā)現(xiàn)當(dāng)rfNoTrees設(shè)置為100，minNodeWeightRF設(shè)置為3時(shí)，模型擬合的效果最好，最終得到的預(yù)測(cè)結(jié)果如表2所示。（表2）

四、結(jié)論

本文基于上市公司財(cái)務(wù)舞弊相關(guān)數(shù)據(jù)用隨機(jī)森林對(duì)數(shù)據(jù)進(jìn)行變量篩選及對(duì)篩選后的變量建模，變量篩選的指標(biāo)集中分布在盈利能力、營(yíng)運(yùn)能力兩個(gè)方面。同時(shí)，模型最后的預(yù)測(cè)正確率在訓(xùn)練集達(dá)到95.4%，在測(cè)試集上也達(dá)到72.4，預(yù)測(cè)效果良好。預(yù)測(cè)效果表明可以將隨機(jī)森林方法引入財(cái)務(wù)舞弊識(shí)別的實(shí)際應(yīng)用中。

主要參考文獻(xiàn)：

[1]王敏.舞弊三角與財(cái)務(wù)舞弊識(shí)別[J].財(cái)會(huì)月刊，2011.10.

[2]Beneish M.D.Implications for assessing ernings management among firms with extreme.Financial performance[J].Journal of Accounting and Public Policy，1997.16.2.

第5篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：無(wú)損檢測(cè)；射線檢測(cè)；焊縫；缺陷；自動(dòng)識(shí)別

現(xiàn)代無(wú)損檢測(cè)技術(shù)在產(chǎn)品質(zhì)量控制和生產(chǎn)效率提升方面發(fā)揮著重要作用，常規(guī)無(wú)損檢測(cè)技術(shù)包括射線檢測(cè)、超聲檢測(cè)、渦流檢測(cè)、磁粉檢測(cè)等類型[1]，這些檢測(cè)技術(shù)各有優(yōu)勢(shì)，適用于不同的應(yīng)用場(chǎng)合。其中，以X射線檢測(cè)為代表的射線無(wú)損檢測(cè)技術(shù)具有高效、便捷、可定量判定等特點(diǎn)而受到廣泛應(yīng)用[2]。傳統(tǒng)的射線檢測(cè)主要通過(guò)膠片成像并判別缺陷，這種方法雖然技術(shù)簡(jiǎn)單、分辨力強(qiáng)，但操作比較復(fù)雜、成像過(guò)程不好操作、檢測(cè)效率不高、難以實(shí)現(xiàn)自動(dòng)化。近年來(lái)，數(shù)字化的射線成像系統(tǒng)應(yīng)用日益普遍，數(shù)字成像的最大優(yōu)點(diǎn)是便于缺陷的自動(dòng)化識(shí)別，有效提高了檢測(cè)效率和自動(dòng)化水平[3]?；诖?，本文以焊縫缺陷檢測(cè)為例，對(duì)射線檢測(cè)的自動(dòng)識(shí)別技術(shù)進(jìn)行了深入的探討。

1射線檢測(cè)基本原理

X射線是一種穿透能力極強(qiáng)的電磁波，通過(guò)穿透被測(cè)工件并檢測(cè)透射強(qiáng)度分布來(lái)反映工件內(nèi)部結(jié)構(gòu)信息，通過(guò)人工或自動(dòng)分析，可以識(shí)別出缺陷的大小、尺寸和分布等情況。當(dāng)工件內(nèi)部存在缺陷時(shí)，由于缺陷與工件本身的材料往往不一致，因此對(duì)X射線的衰減程度是不一樣的，通過(guò)成像介質(zhì)在工作的另一側(cè)接收X射線的透射光并記錄下來(lái)，即可將缺陷的投影尺寸和形狀反射成像介質(zhì)上。射線檢測(cè)技術(shù)常常使用底片作為成像介質(zhì)，可以取得很高的分辨率，對(duì)氣孔、夾渣等缺陷有很高的檢出率，而且能夠準(zhǔn)確識(shí)別缺陷的性質(zhì)、數(shù)量、尺寸和分布情況。但對(duì)于具有方向性的缺陷，例如裂紋、分層，其檢出率則與射線穿透的方向有關(guān)，如果缺陷方向與射線穿透方向一致，則可能出現(xiàn)漏檢。隨著現(xiàn)代生產(chǎn)工藝水平的提高，各應(yīng)用場(chǎng)合都對(duì)檢測(cè)效率提出了更高的要求，例如生產(chǎn)流水線，要求實(shí)現(xiàn)自動(dòng)化實(shí)時(shí)檢測(cè)，傳統(tǒng)的膠片成像技術(shù)顯著不再滿足需求。在此背景下，數(shù)字成像技術(shù)應(yīng)運(yùn)而生，為射線檢測(cè)缺陷的自動(dòng)識(shí)別奠定了基礎(chǔ)。

2焊縫自動(dòng)檢測(cè)的難點(diǎn)

焊縫檢測(cè)是無(wú)損檢測(cè)的重要應(yīng)用場(chǎng)景，也是無(wú)損檢測(cè)技術(shù)的優(yōu)勢(shì)應(yīng)用領(lǐng)域之一。材料在焊接時(shí)，由于工藝技術(shù)、設(shè)備條件、應(yīng)力變化、材料結(jié)構(gòu)、尺寸形狀等因素的影響，在焊縫中出現(xiàn)熱裂縫是十分常見(jiàn)的，而裂縫作為一種極度危險(xiǎn)的缺陷類型，一旦在焊縫中發(fā)現(xiàn)則要求必須返修。在產(chǎn)品使用過(guò)程中，焊接件在高溫、高壓、腐蝕、疲勞、沖擊等惡劣環(huán)境下，也很基于射線檢測(cè)的焊縫缺陷自動(dòng)識(shí)別技術(shù)研究孫文斐（濟(jì)南市計(jì)量檢定測(cè)試院，山東濟(jì)南，250101）摘要：本文介紹了射線檢測(cè)的基本原理，分析了射線檢測(cè)技術(shù)實(shí)現(xiàn)自動(dòng)化的難點(diǎn)所在，分析焊縫檢測(cè)圖像的預(yù)處理過(guò)程和焊縫缺陷的特征提取方法，通過(guò)人工智能的方法實(shí)現(xiàn)了射線檢測(cè)的焊縫缺陷自動(dòng)識(shí)別，取得了良好的效果。本文的研究可以為無(wú)損檢測(cè)技術(shù)的應(yīng)用提供借鑒，具有一定的現(xiàn)實(shí)意義。關(guān)鍵詞：無(wú)損檢測(cè)；射線檢測(cè)；焊縫；缺陷；自動(dòng)識(shí)別中圖分類號(hào)：TH3文獻(xiàn)標(biāo)識(shí)碼：AResearchonAutomaticRecognitionTechnologyofWeldDefectsBasedonRadiographicInspectionSunWenfei(JinanMetrologicalVerificationandTestingInstitute,Ji’nanShandong,250101)Abstract:Thisarticleintroducesthebasicprinciplesofradiographicinspection,analyzesthedifficultiesofradiographicinspectiontechnologytoachieveautomation,analyzesthepreprocessingprocessofweldinspectionimagesandthefeatureextractionmethodofwelddefects,andrealizesradiographicinspectionthroughartificialintelligencemethods.Automaticidentificationofwelddefectshasachievedgoodresults.Theresearchinthisarticlecanprovideareferencefortheapplicationofnon-destructivetestingtechnologyandhascertainpracticalsignificance.Keywords:non-destructivetesting;radiographictesting;welds;defects;automaticidentificationDOI:10.16520/j.cnki.1000-8519.2022.04.007容易出現(xiàn)冷裂縫?？紤]到焊接件的生產(chǎn)規(guī)模通常很大，要求實(shí)時(shí)在線檢測(cè)，因此缺陷的識(shí)別過(guò)程也必須是自動(dòng)化的。但是焊縫缺陷的自動(dòng)識(shí)別有一定的難度，這主要是因?yàn)樽詣?dòng)化識(shí)別涉及到圖像處理、信號(hào)分析、模式識(shí)別、人工智能等一系列技術(shù)，是一門綜合性的交叉技術(shù)。在射線檢測(cè)中，成像介質(zhì)上接收到的除了透射部分之外，還會(huì)包含許多雜亂的散射射線，使圖像信噪比降低，圖像對(duì)比度往往不高，這對(duì)于不規(guī)則線頭缺陷的識(shí)別造成了很大的不便。另外，由于焊縫缺陷類型較多，而不同的缺陷類型需要不同的識(shí)別算法和特征庫(kù)，不便于實(shí)際應(yīng)用。

3焊縫檢測(cè)圖像的預(yù)處理

檢測(cè)圖像的預(yù)處理是指在正式進(jìn)行自動(dòng)判別之前，對(duì)質(zhì)量不高的圖像進(jìn)行初步的處理，提高圖像質(zhì)量的過(guò)程。X射線檢測(cè)圖像信噪比低、分辨率低、對(duì)比度低、灰度不均勻、邊緣不清晰，缺陷信息很有可能會(huì)湮滅在噪聲之中，缺陷判別難度很大。因此在焊縫檢測(cè)中，通常要對(duì)圖像進(jìn)行去噪等預(yù)處理。圖像降噪包括空間域和頻率域兩種方法，空間域方法包括領(lǐng)域平均法、中值濾波等；頻率域方法包括FFT、小波變換、低通濾波器等。

3.1小波去噪技術(shù)

小波去噪技術(shù)是基于小波變換理論的，它的數(shù)學(xué)本質(zhì)就是對(duì)一個(gè)母小波進(jìn)行伸縮和平穩(wěn)，對(duì)特定函數(shù)進(jìn)行最佳逼近。小波變換具有低熵性、多分辨率、去相關(guān)性和選基靈活性等優(yōu)勢(shì)，因而比傳統(tǒng)的FFT具有更好的時(shí)頻特性，在圖像信號(hào)處理領(lǐng)域得到廣泛的應(yīng)用。對(duì)于射線圖像來(lái)說(shuō)，不同尺寸的缺陷在不同尺度中的小波系數(shù)也會(huì)有不同的體現(xiàn)，因此可以通過(guò)小波變換的方法對(duì)焊縫圖像進(jìn)行降噪處理。

3.2圖像增強(qiáng)技術(shù)

圖像降噪處理后，雖然噪聲得到了一定程度的消除，但原本的圖像在邊緣區(qū)域往往會(huì)變得模糊，這將對(duì)后續(xù)的特征提取帶來(lái)不良影響。因此可以采用圖像增強(qiáng)技術(shù)來(lái)銳化圖像邊緣，進(jìn)一步提高圖像的對(duì)比度。所謂圖像增強(qiáng)，就是根據(jù)實(shí)際需要，突出圖像中的特定信息，同時(shí)削弱圖像中無(wú)用的成分的一種處理過(guò)程。目前可以實(shí)現(xiàn)圖像增強(qiáng)的技術(shù)主要包括修整灰度、去模糊、平滑或消除噪聲等等方法，這些方法操作簡(jiǎn)單、效果顯著，但在實(shí)際的使用中，為了提高圖像增強(qiáng)的效果，往往會(huì)采用幾種方法的組合。

3.3焊道識(shí)別

焊縫檢測(cè)主要針對(duì)焊縫區(qū)域的缺陷，對(duì)其它部位的缺陷不感興趣。但焊縫射線檢測(cè)的圖像區(qū)域往往較大，而區(qū)域中絕大部分是背景，焊縫只占了很小的一部分，因此在識(shí)別之前必須將識(shí)別區(qū)域準(zhǔn)確地鎖定在焊道區(qū)域上，這樣不僅可以減少其它區(qū)域的信號(hào)干擾，而且有效減少了處理的數(shù)據(jù)量，顯著提高處理效率。為了快速地在圖像中提取出焊道區(qū)域，本文采用了基于線灰度曲線的雙峰特性提取法，其基本思路是先計(jì)算出焊縫區(qū)域的大致中心線位置，然后再以這條中心線作為基準(zhǔn)，向兩邊各延伸一定的像素范圍作為焊道區(qū)域。由于圖像會(huì)在焊道邊緣區(qū)域產(chǎn)生突變，在像素曲線中表現(xiàn)為兩個(gè)峰值，因此在向基準(zhǔn)兩邊延伸的過(guò)程中，只要檢測(cè)到峰值的存在，就可以將該峰值所在的位置作為焊道的邊界，從而完成了焊道區(qū)域的自動(dòng)識(shí)別。

4焊縫缺陷的特征提取

在一幅檢測(cè)圖像中會(huì)有大量的信息，但為了抓住圖像最本質(zhì)的特征，就需要對(duì)其進(jìn)行特征識(shí)別。在焊縫檢測(cè)中，就是要有效地提取出檢測(cè)圖像中的缺陷特征，但重要的特征往往很難識(shí)別，因此必須先掌握各種缺陷類型的基本特點(diǎn)。

4.1常見(jiàn)焊縫缺陷的分類

焊縫是一種特殊的材料和區(qū)域，它位于兩個(gè)待焊接件之間，通過(guò)高溫熔化焊接材料使兩個(gè)工件連接在一起。由于焊接過(guò)程中工藝技術(shù)、設(shè)備條件、應(yīng)力變化、材料結(jié)構(gòu)、尺寸形狀等因素均不相同，因此可能會(huì)出現(xiàn)各種不同的缺陷。根據(jù)不同的標(biāo)準(zhǔn)，可以將這些缺陷分為不同的種類，本文按照缺陷的性質(zhì)不同，將其大致分為裂紋、未焊透、未熔合、氣孔、夾渣等五大類。（1）裂紋。裂紋是受到焊接應(yīng)力和其它致脆因素的影響，在焊接區(qū)域的局部地區(qū)金屬原子結(jié)合力遇到破壞而出現(xiàn)的新界面。該界面將原本是一體的材料一分為二，宏觀上表現(xiàn)為焊接裂縫。根據(jù)裂縫的走勢(shì)不同，裂縫還可以進(jìn)一步劃分為縱向裂紋、橫向裂紋、弧坑裂紋等等。裂紋多出現(xiàn)于焊道上或熱影響區(qū)附近，在底片上表現(xiàn)為兩端尖狀的不規(guī)則黑色細(xì)線條。焊縫中是不允許任何形式的裂紋存在的。（2）未焊透。按照出現(xiàn)部分的不同，未焊透又可以分成根部未焊透、層間未焊透和邊緣未焊透三種。在焊縫中出現(xiàn)未焊透的問(wèn)題不僅會(huì)嚴(yán)重降低焊縫強(qiáng)度和延伸率，還會(huì)大大提高裂縫的概率。未焊透在X射線檢測(cè)焊縫圖像上一般表現(xiàn)為規(guī)則的黑色線條，多位于焊縫中間，其走向沿焊道方向，邊界通常較平直且規(guī)則。焊縫中是不允許任何形式的未焊透缺陷存在的。（3）未熔合。未熔合是在焊縫材料與母材之間，或者焊道材料與焊道材料之間未完全熔化并結(jié)合的部分。按照出現(xiàn)部分的不同，未熔合又可以分成邊緣未熔合、根部未熔合和層間未熔合。未熔合在X射線檢測(cè)焊縫圖像中表現(xiàn)為寬度不一、黑度不均勻、斷續(xù)分布的條狀?？磕覆囊粋?cè)的黑度較高且成直線，另一側(cè)較模糊且輪廓不規(guī)則。焊縫中是不允許任何形式的未熔合缺陷存在的。（4）氣孔。氣孔是熔池中的氣泡在凝固過(guò)程中未能及時(shí)逸出而殘留在材料內(nèi)部而形成的空穴。氣孔在X射線檢測(cè)焊縫圖像表現(xiàn)為個(gè)圓形或者橢圓形的黑色影像，影像邊緣光滑，外形規(guī)則，有清晰的周界，在圓形區(qū)域中，越往中間位置其黑度越大，越往邊緣其黑度越小。氣孔分布情況各不相同，既有密集的、也單個(gè)的，既有大個(gè)的、也有小個(gè)的，既有圓形的、也有橢圓形的。（5）夾渣。夾渣是殘留在焊縫中的熔渣，根據(jù)其形狀不同，夾渣可以分為條狀?yuàn)A渣和球狀?yuàn)A渣兩種。當(dāng)圖像中夾渣的長(zhǎng)寬比大于3時(shí)認(rèn)為是條狀?yuàn)A渣；反之，當(dāng)長(zhǎng)寬比小于或等于3時(shí)認(rèn)為是球狀?yuàn)A渣。夾渣在X射線檢測(cè)焊縫圖像表現(xiàn)為長(zhǎng)條狀或圓狀的、邊界有不規(guī)則棱角的，黑度均勻且清晰的影像。條狀?yuàn)A渣的延伸方向一般與焊縫走向相同。

4.2焊縫缺陷特征分析

對(duì)于不同類型的焊縫缺陷，其X射線檢測(cè)圖像的差異和變化都比較大，這主要是由于不同的焊縫缺陷成像結(jié)果不僅與缺陷自身形態(tài)有關(guān)，而且與射線強(qiáng)度、材料厚度、焊接工藝、焊接位置、發(fā)射角度等大量因素有關(guān)。焊縫缺陷圖像主要有兩種，分別為：由缺陷造成的缺陷影像，以及由試件外觀造成表面幾何影像。焊縫缺陷特征分析，就是要對(duì)缺陷圖像的形狀、尺寸、黑度、分布等信息進(jìn)行識(shí)別，為缺陷類型的判斷提供基本的條件。

5基于神經(jīng)網(wǎng)絡(luò)方法的焊縫圖像識(shí)別技術(shù)

5.1神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）是由大量處理單元相互連接而成的一種網(wǎng)絡(luò)，它可以對(duì)人腦進(jìn)行抽象、簡(jiǎn)化和模擬，從而復(fù)制人腦的基本特性。因此ANN屬于人工智能技術(shù)的范圍。ANN可以看成是一臺(tái)簡(jiǎn)單的處理單元所組成的大量并行分布的處理機(jī)，該處理機(jī)不僅具有存儲(chǔ)和應(yīng)用經(jīng)驗(yàn)知識(shí)的自然特性，而且可以通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)快速?gòu)耐獠凯h(huán)境中獲取所需信息，因此是是一個(gè)大規(guī)模的非線性自適應(yīng)系統(tǒng)。

5.2BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

在圖像處理領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)通常是特征提取和特征識(shí)別的過(guò)程。網(wǎng)絡(luò)共有3層，分別是輸入層、中間層和輸出層。如果將BP神經(jīng)網(wǎng)絡(luò)用于識(shí)別分類，那么輸入節(jié)點(diǎn)數(shù)則可以根據(jù)數(shù)據(jù)源的維數(shù)來(lái)確定。對(duì)于焊縫檢測(cè)來(lái)說(shuō)，經(jīng)過(guò)一系列的前期處理之后，得到6維的缺陷特征向量，所以將輸入層節(jié)點(diǎn)定為6。網(wǎng)絡(luò)的輸出取前文介紹的5類缺陷，因此輸出節(jié)點(diǎn)數(shù)據(jù)為5。隱含層的神經(jīng)元數(shù)目與問(wèn)題的要求、輸入/輸出單元的數(shù)目均直接相關(guān)，如果數(shù)量過(guò)大，會(huì)造成學(xué)習(xí)訓(xùn)練時(shí)間過(guò)長(zhǎng)且誤差未必最小，嚴(yán)重時(shí)還會(huì)出現(xiàn)錯(cuò)誤；如果隱含層神經(jīng)元節(jié)點(diǎn)過(guò)少，又會(huì)導(dǎo)致模型精確性不高。因此本文采用了具有7個(gè)節(jié)點(diǎn)的隱含層設(shè)計(jì)方案。神經(jīng)元上的激活函數(shù)采用經(jīng)典的S型函數(shù)，該函數(shù)在（0，1）內(nèi)連續(xù)單調(diào)可微，滿足激活函數(shù)的選擇要求。使用實(shí)際檢測(cè)到的100個(gè)缺陷圖像為樣本，其中80個(gè)用于網(wǎng)絡(luò)的訓(xùn)練，20個(gè)用于網(wǎng)絡(luò)的驗(yàn)證。試驗(yàn)表明，該模型可以實(shí)現(xiàn)對(duì)典型缺陷80%的檢出率，基本上可以滿足生產(chǎn)需求。BP神經(jīng)網(wǎng)絡(luò)的參數(shù)可以進(jìn)行調(diào)優(yōu)，經(jīng)過(guò)調(diào)優(yōu)后的網(wǎng)絡(luò)，其對(duì)典型缺陷檢出率接近90%，完全滿足焊縫缺陷的自動(dòng)化識(shí)別需求。

6結(jié)語(yǔ)

無(wú)損檢測(cè)技術(shù)是現(xiàn)代檢測(cè)技術(shù)的重要組成部分，而射線檢測(cè)技術(shù)作為無(wú)損檢測(cè)中的常規(guī)檢測(cè)技術(shù)之一，在當(dāng)前和未來(lái)一段時(shí)期內(nèi)仍然占據(jù)著重要地位。在電子技術(shù)和圖像處理技術(shù)迅速發(fā)展的背景下，射線檢測(cè)缺陷的自動(dòng)化識(shí)別成為一種必然的趨勢(shì)。借助于各種先進(jìn)的圖像處理算法和人工智能算法，射線檢測(cè)技術(shù)的檢測(cè)能力將得到進(jìn)一步的提升，也將成為一種不可替代的重要無(wú)損檢測(cè)手段。本文對(duì)射線檢測(cè)的焊縫缺陷自動(dòng)識(shí)別技術(shù)進(jìn)行了深入的分析，無(wú)論是對(duì)于射線檢測(cè)技術(shù)的進(jìn)步還是對(duì)于焊接領(lǐng)域的發(fā)展都有著重要的現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1]張立新.無(wú)損檢測(cè)中焊縫X射線底片數(shù)字化儀及焊縫圖像缺陷檢測(cè)識(shí)別系統(tǒng)[J].西安工業(yè)大學(xué)學(xué)報(bào),2021,41(03):381.

[2]張翔松,高煒欣,穆向陽(yáng),等.X射線環(huán)焊縫圖像降噪及增強(qiáng)方法研究[J].激光雜志,2021,42(03):79-85.

第6篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

【關(guān)鍵詞】 電子政務(wù) 績(jī)效評(píng)估 綜述

1.引言

電子政務(wù)績(jī)效評(píng)價(jià)就是指專門的機(jī)構(gòu)和人員依據(jù)大量的客觀數(shù)據(jù)和事實(shí),按照專門的規(guī)范、程序,遵循統(tǒng)一的標(biāo)準(zhǔn)和特定的指標(biāo)體系,運(yùn)用科學(xué)的方法模型,對(duì)電子政務(wù)建設(shè)成本與效益進(jìn)行客觀、準(zhǔn)確評(píng)判的過(guò)程。

電子政務(wù)績(jī)效評(píng)估的根本目的就在于及時(shí)發(fā)現(xiàn)問(wèn)題、解決問(wèn)題,為電子政務(wù)的發(fā)展提供信息源泉和導(dǎo)向。所以對(duì)現(xiàn)有電子政務(wù)績(jī)效評(píng)估研究成果進(jìn)行回顧、歸納和分析,為我國(guó)電子政務(wù)的健康發(fā)展提供依據(jù)和指導(dǎo),具有良好的現(xiàn)實(shí)意義。

2.國(guó)外電子政務(wù)評(píng)價(jià)體系

伴隨發(fā)達(dá)國(guó)家電子政務(wù)的蓬勃發(fā)展,出現(xiàn)了一系列測(cè)評(píng)全球電子政務(wù)績(jī)效狀況的研究報(bào)告,這些研究報(bào)告在連續(xù)幾年的跟蹤測(cè)評(píng)過(guò)程中發(fā)展出了各自獨(dú)特的電子政務(wù)績(jī)效評(píng)價(jià)指標(biāo)體系。

2.1 聯(lián)合國(guó)經(jīng)濟(jì)與社會(huì)事務(wù)部的電子政府成熟指數(shù)

2008年, 聯(lián)合國(guó)經(jīng)濟(jì)與社會(huì)事務(wù)部對(duì)全球190個(gè)國(guó)家的電子政務(wù)進(jìn)行了調(diào)查, 將結(jié)果編制成各國(guó)電子政府成熟指數(shù)(董禮勝、雷婷,2009)[1]。指數(shù)包括三方面的內(nèi)容:(1)政府網(wǎng)站的內(nèi)容和網(wǎng)站的成熟度;(2)對(duì)信息通信技術(shù)基礎(chǔ)設(shè)施的數(shù)據(jù)分析,共包括6 個(gè)指數(shù), 即一個(gè)國(guó)家的計(jì)算機(jī)數(shù)量、互聯(lián)網(wǎng)主機(jī)數(shù)量、上網(wǎng)人數(shù)、固定電話、移動(dòng)電話以及電視機(jī)數(shù)量的百分比;(3)人力資本的數(shù)據(jù)分析, 包括人力資本的發(fā)展指數(shù)(是否傾向于接受并使用電子政府提供的數(shù)據(jù))、信息獲取指數(shù)(是否擁有技術(shù)手段獲取相關(guān)的信息和服務(wù))以及城市人口占總?cè)丝诘陌俜直?。?duì)上述三方面綜合分析,即得到電子政府成熟指數(shù)(見(jiàn)表1)。統(tǒng)計(jì)指數(shù)表明:美國(guó)電子政府成熟度指數(shù)為0.8644,全球排名第一;加拿大、法國(guó)、德國(guó)等發(fā)達(dá)國(guó)家也處于0.7-0.8之間,我國(guó)電子政府成熟度指數(shù)為0.5017,與發(fā)達(dá)國(guó)家存在一定差距。

2.2 埃森哲咨詢公司的總體成熟度

世界著名的埃森哲咨詢公司從2000年開(kāi)始,就用其特有的評(píng)價(jià)指標(biāo)體系對(duì)部分具有代表性的國(guó)家和地區(qū)政府門戶網(wǎng)站進(jìn)行分析評(píng)測(cè)(李鳴,2010)[2]。該評(píng)價(jià)體系主要通過(guò)總體成熟度來(lái)衡量一個(gè)國(guó)家或地區(qū)政府門戶的電子政務(wù)績(jī)效,總體成熟度由服務(wù)成熟度和客戶關(guān)系管理兩個(gè)指標(biāo)的得分進(jìn)行加權(quán)平均后的分?jǐn)?shù),其中服務(wù)成熟度包括服務(wù)成熟廣度和服務(wù)成熟深度兩個(gè)方面,權(quán)重占70%?？蛻絷P(guān)系管理是指政府服務(wù)的完備水平,占權(quán)重的30%(見(jiàn)表2)。

2.3 TNS(Taylor Nelson Sofres)咨詢公司的電子政務(wù)績(jī)效評(píng)估指標(biāo)體系

TNS咨詢公司是世界第四大市場(chǎng)信息咨詢服務(wù)公司,在全球50個(gè)國(guó)家設(shè)有辦事處,主要從事社會(huì)和政府方面的研究。該公司提出自己的一套電子政務(wù)績(jī)效評(píng)估指標(biāo)體系(趙小偉、葛曉萍,2010)[3]:1、發(fā)展程度(延伸的社會(huì)廣度和行業(yè)深度);2、應(yīng)用程度(政務(wù)的技術(shù)能力和集成度);3、人口覆蓋面;4、對(duì)個(gè)人隱私信息安全的關(guān)心。通過(guò)問(wèn)卷方式向各國(guó)電子政務(wù)用戶、網(wǎng)民和一般公眾采集原始數(shù)據(jù),并將回收的答卷按對(duì)象劃分為七種類型,通過(guò)細(xì)分答卷對(duì)象來(lái)獲得更加具體的評(píng)價(jià)結(jié)果。

2.4 Gartner咨詢公司的電子政務(wù)有效性評(píng)估

Cartner咨詢公司致力于對(duì)特定電子政務(wù)項(xiàng)目有效性的評(píng)估主要從三個(gè)方面評(píng)價(jià)電子政務(wù)項(xiàng)目的有效性(張紅亮、梁曉鵬、亢愛(ài)國(guó),2009)[4],即對(duì)公民的服務(wù)水平、運(yùn)行效益以及政治回報(bào),而每個(gè)大類又包含一系列具體參數(shù)。該指標(biāo)體系的設(shè)計(jì)充分考慮了成本效益分析對(duì)電子政務(wù)的建設(shè)所具有的指導(dǎo)意義,提出了應(yīng)該圍繞政府職能的根本作用進(jìn)行評(píng)價(jià),包括公眾對(duì)電子政務(wù)提供的服務(wù)內(nèi)容的滿意程度、電子政務(wù)工程的經(jīng)濟(jì)效益,以及對(duì)電子政務(wù)參與政治事務(wù)的促進(jìn)作用。

3.國(guó)內(nèi)電子政務(wù)評(píng)價(jià)體系

3.1 中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心

中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心自1997年12月起《中國(guó)互聯(lián)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》(中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心,2010)[5];截止到2010年1月,共發(fā)行25期。通過(guò)計(jì)算機(jī)輔助電話訪問(wèn)系統(tǒng)(CATI)進(jìn)行調(diào)查。報(bào)告?zhèn)戎赜诹私庵袊?guó)網(wǎng)民數(shù)量與結(jié)構(gòu)特征、上網(wǎng)條件、網(wǎng)絡(luò)應(yīng)用、網(wǎng)民對(duì)互聯(lián)網(wǎng)使用的態(tài)度和非網(wǎng)民狀況。調(diào)查內(nèi)容包括被訪者是否上網(wǎng),被訪者背景信息,網(wǎng)民的上網(wǎng)行為、上網(wǎng)深度、上網(wǎng)體驗(yàn)等。

3.2 計(jì)世資訊公司

計(jì)世資訊公司在《2007-2008年中國(guó)政府公眾網(wǎng)站評(píng)估研究報(bào)告》中,采用網(wǎng)站內(nèi)容服務(wù)、網(wǎng)站功能服務(wù)、網(wǎng)站建設(shè)質(zhì)量3項(xiàng)指標(biāo)體系,對(duì)我國(guó)大中城市的政府網(wǎng)站進(jìn)行了評(píng)估。該研究報(bào)告集中對(duì)當(dāng)前電子政務(wù)與服務(wù)型政府轉(zhuǎn)型中的熱點(diǎn)和焦點(diǎn)問(wèn)題進(jìn)行了深度評(píng)論,并且選擇具有代表性的政府網(wǎng)站進(jìn)行了實(shí)地調(diào)研與案例研究。

3.3 中國(guó)互聯(lián)網(wǎng)實(shí)驗(yàn)室

中國(guó)互聯(lián)網(wǎng)實(shí)驗(yàn)室于2002年11月了《中國(guó)電子政務(wù)戰(zhàn)略研究報(bào)告》。該報(bào)告在提出中國(guó)特色的電子政務(wù)戰(zhàn)略分析框架的基礎(chǔ)上,分別從評(píng)測(cè)戰(zhàn)略、運(yùn)營(yíng)戰(zhàn)略和IT戰(zhàn)略三方面對(duì)國(guó)內(nèi)電子政務(wù)戰(zhàn)略規(guī)劃進(jìn)行了分析,詳細(xì)描述了如何對(duì)政府機(jī)關(guān)的電子政務(wù)戰(zhàn)略目標(biāo)、可用的資源和能力、面臨的外部環(huán)境以及達(dá)到目標(biāo)的手段進(jìn)行量化評(píng)測(cè)。

3.4 北京大學(xué)網(wǎng)絡(luò)經(jīng)濟(jì)研究中心

北京大學(xué)網(wǎng)絡(luò)經(jīng)濟(jì)研究中心2003年6月《中國(guó)地級(jí)市電子政務(wù)研究報(bào)告》。該研究對(duì)中國(guó)所有地級(jí)市政府網(wǎng)站進(jìn)行了4次數(shù)據(jù)采集,從信息上網(wǎng)、網(wǎng)上信息使用指南、網(wǎng)上辦公、對(duì)外經(jīng)濟(jì)服務(wù)、互動(dòng)性、鏈接情況、時(shí)效性、國(guó)際化程度、網(wǎng)絡(luò)安全、隱私性10個(gè)方面進(jìn)行評(píng)分,綜合權(quán)重計(jì)算得出電子政務(wù)網(wǎng)站的績(jī)效水平。

4.小結(jié)

國(guó)內(nèi)外眾多的電子政務(wù)績(jī)效評(píng)價(jià)體系既有共同之處,又各有特點(diǎn);既有各自的優(yōu)勢(shì),又存在不足。綜合來(lái)看,各評(píng)價(jià)體系在理論研究與實(shí)踐應(yīng)用中都做出了巨大貢獻(xiàn),但普遍在指標(biāo)體系的客觀性和可操作性上還存在一定的局限:由于定性評(píng)價(jià)指標(biāo)居多,在實(shí)際應(yīng)用中難免要用到專家評(píng)價(jià),而難以控制人為評(píng)價(jià)主觀性、傾向性和評(píng)價(jià)過(guò)程中的不確定性影響,導(dǎo)致評(píng)價(jià)客觀性和準(zhǔn)確性受到影響。此外,國(guó)內(nèi)外許多學(xué)者研究提出的評(píng)價(jià)體系經(jīng)常追求理論上的邏輯性與嚴(yán)密性,而忽略了當(dāng)理論運(yùn)用于實(shí)際時(shí)的可操作性,指標(biāo)體系數(shù)據(jù)獲取困難而流于形式。因此,要對(duì)電子政務(wù)系統(tǒng)進(jìn)行準(zhǔn)確、公平、客觀的評(píng)價(jià),首先必須結(jié)合本國(guó)的實(shí)際情況,構(gòu)建系統(tǒng)、客觀、可操作的評(píng)價(jià)指標(biāo)體系。

參考文獻(xiàn):

[1] 董禮勝、雷婷,國(guó)外電子政務(wù)最新發(fā)展及前景分析[J]. 中國(guó) 社會(huì)科學(xué)院研究生院學(xué)報(bào),2009(11)

[2] 李鳴,我國(guó)電子政務(wù)發(fā)展綜述[J].武漢工程大學(xué)學(xué)報(bào),2010(04)

[3] 趙小偉、葛曉萍,國(guó)際電子政務(wù)發(fā)展階段與現(xiàn)狀[J].電腦知 識(shí)與技術(shù),2010(03)

[4] 張紅亮、梁曉鵬、亢愛(ài)國(guó), 國(guó)內(nèi)外電子政務(wù)發(fā)展階段模型研 究[J]. 新世紀(jì)圈書(shū)館,2009(06)

[5] 中國(guó)互聯(lián)網(wǎng)信息中心,中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展統(tǒng)計(jì)報(bào)告[M].中 國(guó)互聯(lián)網(wǎng)信息中心,2010(07)

[6] 楊云飛、白慶華,電子政務(wù)評(píng)價(jià)指標(biāo)體系[J].計(jì)算機(jī)應(yīng)用與 軟件,2004(08)

[7] 張成福、唐鈞,完善我國(guó)電子政務(wù)建設(shè)的總體思路[J].電子 政務(wù),2005(12)

[8] 顏佳華、寧國(guó)良、盛明科; 基于BP神經(jīng)網(wǎng)絡(luò)的電子政務(wù)績(jī) 效評(píng)價(jià)研究 [J]. 中國(guó)管理科學(xué),2005(12)

[9] 陳立立,行政生態(tài)視角下電子政務(wù)績(jī)效評(píng)價(jià)動(dòng)態(tài)指標(biāo)構(gòu)建 模型研究 [D]. 電子科技大學(xué),2008

[10] 陳強(qiáng)、趙玨; NPS在電子政務(wù)績(jī)效評(píng)價(jià)中的應(yīng)用研究[J]. 上 海管理科學(xué),2007(12)

[11] 易亞將,基于快速模擬退火神經(jīng)網(wǎng)絡(luò)的電子政務(wù)績(jī)效評(píng)價(jià) 研究 [D]. 廈門大學(xué),2007(04)

第7篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

[關(guān)鍵詞]GIS；灌區(qū)管理；土地利用

中圖分類號(hào)：D912.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2015）18-0361-01

地理信息系統(tǒng)是計(jì)算機(jī)技術(shù)和地理科學(xué)技術(shù)和信息科學(xué)的管理學(xué)技術(shù)等相互融合的一門科學(xué)，它有著十分強(qiáng)大的功能，它能夠?qū)φ鎸?shí)的情況進(jìn)行現(xiàn)場(chǎng)的模擬，同時(shí)它還能夠?qū)⒛M的過(guò)程展現(xiàn)給人們，這樣也更有利于數(shù)據(jù)的分析，同時(shí)它還能對(duì)信息進(jìn)行組織和管理，同時(shí)其還可以將生成的數(shù)據(jù)通過(guò)一定的方式進(jìn)行有效的共享，因此其在農(nóng)業(yè)水土領(lǐng)域也能夠充分發(fā)揮積極的作用，促進(jìn)農(nóng)業(yè)的發(fā)展。

1、在流域和灌區(qū)水資源管理中的應(yīng)用

1.1 灌區(qū)管理信息系統(tǒng)和決策支持系統(tǒng)

在我國(guó)，很多軟件開(kāi)發(fā)部門都對(duì)區(qū)域的供水管理系統(tǒng)進(jìn)行了一定的設(shè)計(jì)和創(chuàng)新，在對(duì)其進(jìn)行設(shè)計(jì)的過(guò)程中，經(jīng)常會(huì)使用到GIS系統(tǒng)中的一些模塊，由這些模塊組成了相應(yīng)的數(shù)據(jù)庫(kù)，從而可以對(duì)農(nóng)業(yè)灌溉中的需水量等數(shù)據(jù)進(jìn)行估測(cè)，同時(shí)對(duì)一個(gè)地區(qū)的水資源的數(shù)量和質(zhì)量都可以有效的評(píng)價(jià)，舉例來(lái)說(shuō)，一些灌區(qū)在技術(shù)上和效率上以及管理等方面都存在著不能適應(yīng)當(dāng)今時(shí)展需要的狀況，在這種情況下，設(shè)計(jì)人員也使用了三種模型對(duì)這種情況加以改進(jìn)，預(yù)測(cè)模型是最先提出的一種模型形式，這種模型在使用的過(guò)程中需要進(jìn)行平衡預(yù)測(cè)，第二種是優(yōu)化配置模型，第三種是規(guī)劃和環(huán)境評(píng)價(jià)模型，在這些模型使用的過(guò)程中可以為決策提供更加科學(xué)和詳細(xì)的信息，同時(shí)也能夠?qū)τ?jì)算結(jié)果對(duì)當(dāng)?shù)丨h(huán)境的影響進(jìn)行合理的評(píng)價(jià)，對(duì)決策的科學(xué)性有著十分重要的意義。

1.2 灌區(qū)的水資源管理

灌區(qū)用水管理中GIS的應(yīng)用主要體現(xiàn)在GIS系統(tǒng)對(duì)TIN值的計(jì)算，同時(shí)還能聲場(chǎng)DEM圖，根據(jù)得到的圖進(jìn)行相關(guān)的計(jì)算和研究，從而能夠形成一個(gè)非常清晰的圖層，相關(guān)的研究人員在實(shí)際的研究過(guò)程中應(yīng)用遙感圖片和GIS技術(shù)對(duì)灌區(qū)潛水蒸發(fā)進(jìn)行實(shí)驗(yàn)，對(duì)地下水的水域面積和深度都能夠研究，同時(shí)還可以對(duì)相應(yīng)的治水措施進(jìn)行研究和分析。還有一些研究人員對(duì)作物蒸發(fā)潛水量進(jìn)行了一定的借鑒。同時(shí)還對(duì)當(dāng)?shù)氐囊恍┑匦魏推露鹊纫蛩剡M(jìn)行了仔細(xì)的研究之后，使用GIS的空間分析功能建立了數(shù)字高程模型，對(duì)作物蒸發(fā)量的空間分布進(jìn)行了十分仔細(xì)的研究，在該地區(qū)的蒸發(fā)量空間分布上已經(jīng)研究出了非常好的成果。

2、GIS在農(nóng)業(yè)區(qū)劃中的應(yīng)用

在農(nóng)業(yè)區(qū)劃的過(guò)程中使用GIS技術(shù)能夠有效的對(duì)各種因素對(duì)作物生長(zhǎng)情況的影響進(jìn)行精確的分析，同時(shí)也減少了這一過(guò)程中人為因素對(duì)區(qū)劃效果的不利影響，可以非常順利的對(duì)作物適宜的生長(zhǎng)環(huán)境進(jìn)行相應(yīng)的篩選，同時(shí)還可以對(duì)區(qū)域的面積進(jìn)行詳細(xì)的計(jì)算，我國(guó)在這方面的研究也在不斷的深入，一些研究人員對(duì)模型進(jìn)行評(píng)定，選擇了一些新的方法以后還進(jìn)行了模型的設(shè)計(jì)，對(duì)當(dāng)?shù)氐乃竞托←溵r(nóng)區(qū)劃分進(jìn)行了一定的規(guī)劃和研究，在應(yīng)用以后也取得了非常好的效果。

3、土地利用和土壤侵蝕

在當(dāng)今的社會(huì)發(fā)展中，土地資源日漸緊張是一個(gè)十分常見(jiàn)的問(wèn)題，造成這一現(xiàn)象最主要的原因就是土壤侵蝕，這也給我國(guó)社會(huì)和經(jīng)濟(jì)的發(fā)展構(gòu)成了很大的障礙，在這樣的情況下一定要加強(qiáng)對(duì)土地的合理利用和綜合治理，預(yù)防土壤侵蝕現(xiàn)象的發(fā)生，這對(duì)我國(guó)土地資源的保護(hù)有著十分重要的作用。

目前國(guó)內(nèi)外采用GIS技術(shù)結(jié)合土壤流失方程和其他相關(guān)方程對(duì)土壤侵蝕進(jìn)行了評(píng)價(jià)、預(yù)報(bào)和空間分析，并就其與土地利用的關(guān)系做了深入研究。在與GIS的結(jié)合應(yīng)用中，一般通過(guò)GIS在數(shù)字高程模型（DEM）上提取地形因子，然后用USLE或RUSLE模型進(jìn)行柵格計(jì)算，這種方法是目前應(yīng)用最多的一種。一些功能更強(qiáng)大的模型，如農(nóng)業(yè)非點(diǎn)源污染模型AGNPS、農(nóng)業(yè)管理系統(tǒng)化學(xué)徑流侵蝕模型CREAMS等，也都是以USLE/RUSLE為基礎(chǔ)來(lái)計(jì)算土壤侵蝕量。

4、GIS在精確農(nóng)業(yè)中的應(yīng)用

精確農(nóng)業(yè)（Precisionfarming）主要的技術(shù)支持體系包括全球衛(wèi)星定位系統(tǒng)（GPS）、地理信息系統(tǒng)（GIS）、遙感監(jiān)測(cè)技術(shù)（RS）、信息采集與處理技術(shù)（ST）、決策支持系統(tǒng)（DSS）或?qū)＜蚁到y(tǒng)（ES）、智能化農(nóng)機(jī)技術(shù)（IAM）、變量投入技術(shù)（VRT）、環(huán)境監(jiān)測(cè)系統(tǒng)、系統(tǒng)集成、網(wǎng)絡(luò)化管理和培訓(xùn)系統(tǒng)。GIS在精確農(nóng)業(yè)技術(shù)體系中主要用于建立農(nóng)田土地管理、土壤數(shù)據(jù)、自然條件、作物苗情、病蟲(chóng)草害發(fā)生發(fā)展趨勢(shì)、作物產(chǎn)量的空間分布等的空間信息數(shù)據(jù)庫(kù)和進(jìn)行空間信息的統(tǒng)計(jì)處理、圖形轉(zhuǎn)換與表達(dá)等，為分析差異性和實(shí)施調(diào)控提供處方信息。它將作物栽培管理輔助決策支持系統(tǒng)與作物生產(chǎn)管理與長(zhǎng)勢(shì)預(yù)測(cè)模擬模型、投入產(chǎn)出模擬模型和智能化農(nóng)作專家系統(tǒng)一起，根據(jù)產(chǎn)量的空間差異性，分析原因，做出診斷，提出科學(xué)處方，調(diào)控操作。目前在歐美、日本已進(jìn)行了大量的研究，而國(guó)內(nèi)的研究主要集中在變量施肥方面。由于GIS在精確農(nóng)業(yè)中要對(duì)大量的數(shù)據(jù)進(jìn)行管理分析，因而需要功能強(qiáng)大而完善的GIS軟件，且對(duì)操作者的專業(yè)素質(zhì)要求高，在應(yīng)用上開(kāi)發(fā)專門的GIS應(yīng)用系統(tǒng)會(huì)更加便于操作。

5、思考

（1）結(jié)合GIS應(yīng)用的范圍更加廣泛。如運(yùn)用GIS分析作物長(zhǎng)勢(shì)，估算作物的產(chǎn)量、分析作物生產(chǎn)潛力；評(píng)價(jià)耕地地力；對(duì)旱澇災(zāi)、水土污染和作物病蟲(chóng)害等農(nóng)業(yè)災(zāi)害進(jìn)行預(yù)測(cè)預(yù)報(bào)，生成災(zāi)害發(fā)生圖和農(nóng)作物病蟲(chóng)害的分布圖對(duì)災(zāi)害分析結(jié)果進(jìn)行評(píng)價(jià)等。在灌區(qū)的水管理方面已由單一的決策系統(tǒng)逐步轉(zhuǎn)向?qū)?shù)據(jù)庫(kù)、模型庫(kù)、知識(shí)庫(kù)和GIS有機(jī)結(jié)合的灌區(qū)水資源管理綜合支持決策系統(tǒng)的研究。土地資源方面以GIS為基礎(chǔ)，對(duì)流域土壤侵蝕、生態(tài)過(guò)程和景觀生態(tài)過(guò)程進(jìn)行模擬分析，建立流域的基礎(chǔ)數(shù)據(jù)庫(kù)和動(dòng)態(tài)監(jiān)測(cè)系統(tǒng)，以實(shí)現(xiàn)水土保持和土地利用的動(dòng)態(tài)規(guī)劃方面的研究還有待進(jìn)一步加強(qiáng)。

（2）更多GIS功能的開(kāi)發(fā)應(yīng)用。目前國(guó)內(nèi)農(nóng)業(yè)水土領(lǐng)域最常用的是的GIS空間度量、空間統(tǒng)計(jì)分析和數(shù)字地形分析功能，這僅僅只是GIS強(qiáng)大功能的一部分，隨著研究的深入，有更多功能將應(yīng)用到農(nóng)業(yè)水土領(lǐng)域。如灌區(qū)水資源管理中采用空間分析功能進(jìn)行水量的最優(yōu)配置；灌區(qū)輸排水溝渠的維護(hù)和管理中，通過(guò)DEM（數(shù)字高程模型）疊加，進(jìn)行渠道的選址、挖方量計(jì)算；對(duì)老灌區(qū)現(xiàn)狀的評(píng)價(jià)和修復(fù)等。

（3）在專業(yè)模型與GIS結(jié)合運(yùn)用中，要進(jìn)行模型與GIS之間的數(shù)據(jù)格式轉(zhuǎn)換，需要建立易于使用的用戶界面，使GIS能夠接受模型的算法，將更有利于模型的建立。組件式的GIS出現(xiàn)，將專業(yè)模型和GIS集成到一個(gè)系統(tǒng)中，發(fā)展成專家系統(tǒng)及決策支持系統(tǒng)的重要組成部分，其開(kāi)發(fā)應(yīng)用將是今后的發(fā)展方向。

（4）GIS與其他非線性優(yōu)化算法。神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊聚類以及博弈的耦合在農(nóng)業(yè)水土方面的應(yīng)用，可以更有效、更精確的進(jìn)行決策。如神經(jīng)網(wǎng)絡(luò)和GIS相耦合，充分利用GIS空間分析特性和神經(jīng)網(wǎng)絡(luò)具有非線性問(wèn)題的特點(diǎn)，對(duì)水質(zhì)進(jìn)行評(píng)價(jià)等。

（5）GIS在農(nóng)業(yè)上應(yīng)用的方式是將GIS與農(nóng)業(yè)各模型相結(jié)合，根據(jù)所要解決的問(wèn)題可采取如下的2種形式。

1）松散集成方式就是GIS和模型在保持系統(tǒng)獨(dú)立性的條件下，只是作為模型參數(shù)的生成、輸入和模擬結(jié)果的顯示。

2）部分集成方式是利用GIS的高級(jí)開(kāi)發(fā)語(yǔ)言，例如用Arc/info的語(yǔ)言開(kāi)發(fā)與模型間的共用界面或數(shù)據(jù)、信息交換的程序，為模型提供輸入數(shù)據(jù)，對(duì)模型的輸出進(jìn)行可視化處理等。

6、結(jié)語(yǔ)

GIS技術(shù)是時(shí)展和科技進(jìn)步的重要產(chǎn)物，其在農(nóng)業(yè)上的應(yīng)用也極大的促進(jìn)了我國(guó)農(nóng)業(yè)生產(chǎn)水平的發(fā)展和進(jìn)步，所以在當(dāng)今人口不斷增長(zhǎng)，農(nóng)業(yè)生產(chǎn)質(zhì)量越來(lái)越重要的時(shí)期，一定要重視GIS系統(tǒng)在農(nóng)業(yè)生產(chǎn)中的發(fā)展和應(yīng)用，只有這樣才能更好的保證我國(guó)農(nóng)業(yè)的健康發(fā)展。

參考文獻(xiàn)

第8篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：橋梁；檢測(cè)技術(shù)；現(xiàn)狀；發(fā)展

中圖分類號(hào)：TU997文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)：

引言

隨著我國(guó)交通事業(yè)的發(fā)展，橋梁的數(shù)量大量增加，交通運(yùn)輸量也迅速變大，車輛載重的增加以及行車密度的變大都加劇了橋梁結(jié)構(gòu)的損傷，促使其老化加速。因此，交通管理部門對(duì)橋梁進(jìn)行系統(tǒng)的檢測(cè)顯得尤為重要。

一、橋梁檢測(cè)的重要性

在具體的工程實(shí)踐中，往往有很多橋梁施工人員忽視對(duì)橋梁的檢測(cè)，這對(duì)于保證交通的安全穩(wěn)定運(yùn)行是很不負(fù)責(zé)任的。采取合理有效的措施對(duì)橋梁的結(jié)構(gòu)損傷進(jìn)行檢測(cè)，可以及時(shí)發(fā)現(xiàn)橋梁結(jié)構(gòu)是否損壞，從而得以確保交通樞紐的正常運(yùn)行。與此同時(shí)，對(duì)橋梁進(jìn)行檢測(cè)還可以獲得很多其他潛在的效益。

1、對(duì)橋梁進(jìn)行檢測(cè)可以及時(shí)得到準(zhǔn)確的橋梁信息狀況，當(dāng)檢測(cè)出橋梁質(zhì)量出現(xiàn)問(wèn)題時(shí)可以采取封閉橋梁的施工措施對(duì)橋梁進(jìn)行維修。同時(shí)，技術(shù)人員可以通過(guò)多次對(duì)橋梁檢測(cè)的數(shù)據(jù)來(lái)研究橋梁在使用過(guò)程中發(fā)生的變化。

2、通過(guò)規(guī)律性的對(duì)橋梁進(jìn)行檢測(cè)，降低了橋梁出現(xiàn)安全隱患的可能性，更為科學(xué)地保護(hù)了橋梁，橋梁的使用壽命會(huì)明顯得到提高。

3、對(duì)橋梁進(jìn)行檢測(cè)能為以后的橋梁結(jié)構(gòu)設(shè)計(jì)提供寶貴經(jīng)驗(yàn)，實(shí)踐是檢驗(yàn)真理的唯一標(biāo)準(zhǔn)，只有通過(guò)定時(shí)對(duì)橋梁進(jìn)行檢測(cè)，取得各項(xiàng)參數(shù)資料，驗(yàn)證其與理論計(jì)算的符合程度，才能不斷地提高橋梁的設(shè)計(jì)水平，使其滿足使用功能要求。在對(duì)橋梁進(jìn)行檢測(cè)的過(guò)程中，工程技術(shù)人員不應(yīng)只著眼于對(duì)橋梁外觀的檢測(cè)上，更應(yīng)進(jìn)一步通過(guò)荷載試驗(yàn)檢測(cè)深橋梁的材料與結(jié)構(gòu)。隨著科學(xué)技術(shù)的不斷進(jìn)步，在橋梁檢測(cè)實(shí)踐中，工程技術(shù)人員更應(yīng)采用先進(jìn)的設(shè)備與技術(shù)以提高橋梁檢測(cè)的高效率性與準(zhǔn)確性。

二、常用的檢測(cè)方法

1、混凝土缺陷檢測(cè)技術(shù)

目前，對(duì)混凝土內(nèi)部缺陷的存在、大小、位置和性質(zhì)進(jìn)行無(wú)破損檢測(cè)的手段有超聲脈沖法和射線法兩大類，其中射線法因穿透能力有限、操作中需解決人體防護(hù)等問(wèn)題，在我國(guó)使用較少。目前最有效的檢測(cè)方法是超聲脈沖穿透法和反射法。超聲脈沖穿透法已較為成熟，普遍用于工程實(shí)踐，許多國(guó)家都已編制了相應(yīng)的技術(shù)規(guī)程。反射法則根據(jù)超聲脈沖在缺陷表面產(chǎn)生反射波的現(xiàn)象進(jìn)行缺陷判斷，由于它不必像穿透法那樣在2個(gè)測(cè)試面上進(jìn)行，因此對(duì)某些只能在1個(gè)測(cè)試面上檢測(cè)的結(jié)構(gòu)物（如樁基礎(chǔ)、路面等）具有特殊意義，也取得了廣泛的工程應(yīng)用。

對(duì)于混凝土外部缺陷，如橋面裂縫、空洞等，檢測(cè)人員可直接用肉眼觀察或用裂縫觀測(cè)儀、皮尺等進(jìn)行測(cè)量，而對(duì)于橋墩、橋塔以及梁體外部等人員難以直接到達(dá)的部位，檢測(cè)工作非常困難。目前有一種基于攝影技術(shù)的檢查橋梁表觀毀傷的非接觸測(cè)量系統(tǒng)，可以在遠(yuǎn)距離對(duì)損傷部位進(jìn)行非接觸檢測(cè)。

2、鋼筋位置、保護(hù)層厚度及鋼筋銹蝕檢測(cè)

鋼筋位置、保護(hù)層厚度均可利用雷達(dá)或者鋼筋位置探測(cè)儀（利用渦電流原理）檢測(cè)。鋼筋的腐蝕性質(zhì)或物理性質(zhì)的檢測(cè)是判斷鋼筋腐蝕最直接的方法，但是由于鋼筋混凝土是一種極為復(fù)雜的材料，量測(cè)鋼筋腐蝕速度或腐蝕量并不容易，目前常見(jiàn)的檢測(cè)方法有腐蝕電位法和量測(cè)瞬時(shí)腐蝕速率法。

橋梁檢測(cè)技術(shù)的現(xiàn)狀

近年來(lái)，我國(guó)對(duì)橋梁的檢測(cè)進(jìn)行的大量研究。通過(guò)大量試橋梁檢測(cè)驗(yàn)經(jīng)驗(yàn)的積累，我國(guó)開(kāi)發(fā)一些實(shí)用的檢測(cè)方法。幾十年來(lái)，我國(guó)逐漸從半損傷式檢測(cè)法過(guò)渡到了無(wú)損失檢測(cè)法。無(wú)損檢測(cè)法主要包括對(duì)橋梁局部的檢測(cè)和對(duì)橋梁整體進(jìn)行檢測(cè)兩個(gè)主要內(nèi)容。下面將對(duì)這兩個(gè)方面進(jìn)行簡(jiǎn)單的探討。

1、橋梁的局部檢測(cè)

對(duì)橋梁結(jié)構(gòu)進(jìn)行日常檢測(cè)主要采用技術(shù)手段的是局部檢測(cè)技術(shù)。局部檢測(cè)技術(shù)是采用目視或?qū)ｉT的檢測(cè)儀器對(duì)結(jié)構(gòu)局部的損傷和缺陷狀況進(jìn)行檢測(cè)。局部檢測(cè)主要是檢測(cè)橋梁結(jié)構(gòu)的材質(zhì)狀況與耐久性。通過(guò)x射線、滲透、磁粉、渦流以及超聲波等檢測(cè)技術(shù)來(lái)檢測(cè)混凝土強(qiáng)度、混凝土的碳化深度、混凝土內(nèi)部損傷情況、鋼筋分布及保護(hù)層厚度、鋼筋的腐蝕情況、氯離子含量等內(nèi)容。近年來(lái)，隨著科學(xué)技術(shù)的發(fā)展，遠(yuǎn)紅外熱象、核磁共振、全息攝影、層析成像、微波以及雷達(dá)等先進(jìn)檢測(cè)技術(shù)也逐漸應(yīng)用到橋梁的局部檢測(cè)工作中。

2、橋梁的整體檢測(cè)

2.1整體檢測(cè)的作用

橋梁的整體檢測(cè)能反映橋梁的承載力以及正常使用狀態(tài)，它克服了結(jié)構(gòu)局部檢測(cè)所存在的局限性。它主要通過(guò)對(duì)橋梁結(jié)構(gòu)進(jìn)行靜、動(dòng)力試驗(yàn)等手段采集橋梁結(jié)構(gòu)的速度、加速度、位移、應(yīng)力、應(yīng)變等結(jié)構(gòu)響應(yīng)數(shù)據(jù)。再通過(guò)數(shù)學(xué)以及力學(xué)方法對(duì)響應(yīng)數(shù)據(jù)進(jìn)行科學(xué)的處理，然后通過(guò)技術(shù)人員的細(xì)致分析就能夠得到橋梁結(jié)構(gòu)的整體狀況以及局部的損傷狀況。橋梁結(jié)構(gòu)整體的工作性能通過(guò)整體檢測(cè)技術(shù)真實(shí)地反映出來(lái)，它能回答所有人最關(guān)注的橋梁結(jié)構(gòu)承載力的問(wèn)題，從而能夠較為準(zhǔn)確的驗(yàn)證了橋梁的設(shè)計(jì)過(guò)程以及施工管理過(guò)程能否達(dá)到標(biāo)準(zhǔn)的要求。

2.2 整體檢測(cè)采用的方法

通過(guò)施加可控荷載的對(duì)橋梁進(jìn)行試驗(yàn)，并由試驗(yàn)檢測(cè)、收集橋梁結(jié)構(gòu)的應(yīng)變量、應(yīng)變分布和加速度等響應(yīng)數(shù)據(jù)，據(jù)此來(lái)評(píng)估橋梁結(jié)構(gòu)的整體性能。橋梁的整體檢測(cè)試驗(yàn)可以分為靜荷載試驗(yàn)以及動(dòng)荷載試驗(yàn)。靜載試驗(yàn)指的是施加靜荷載于指定的位置對(duì)橋梁的各項(xiàng)指標(biāo)進(jìn)行檢測(cè)從而得出橋梁整體的工作性能的試驗(yàn)。橋梁的動(dòng)載試驗(yàn)是指用某種方法引起橋梁結(jié)構(gòu)振動(dòng)，測(cè)定其各項(xiàng)震動(dòng)指標(biāo)來(lái)判斷其整體剛度的試驗(yàn)。橋梁的動(dòng)荷載試驗(yàn)不會(huì)妨礙交通的運(yùn)行，是橋梁結(jié)構(gòu)整體檢測(cè)中不可或缺的技術(shù)手段。

四、橋梁檢測(cè)技術(shù)的發(fā)展趨勢(shì)

1、橋梁無(wú)損傷檢測(cè)技術(shù)

傳統(tǒng)的橋梁檢測(cè)方法主要依賴于動(dòng)靜載試驗(yàn)和檢測(cè)人員的現(xiàn)場(chǎng)目測(cè),輔以混凝土硬度實(shí)驗(yàn)、超聲波探測(cè)、腐蝕作用實(shí)驗(yàn)等多種檢測(cè)手段。進(jìn)入20 世紀(jì)90年代,隨著現(xiàn)代傳感與通信技術(shù)的發(fā)展,無(wú)損檢測(cè)技術(shù)更是出現(xiàn)了前所未有的發(fā)展勢(shì)態(tài), 先后涌現(xiàn)出一大批新的檢測(cè)方法和檢測(cè)手段,使無(wú)損檢測(cè)技術(shù)向著智能化、快速化、系統(tǒng)化的方向發(fā)展。近年來(lái),致力于橋梁檢測(cè)的研究人員提出了許多成功的方法對(duì)橋梁進(jìn)行非破壞性評(píng)估。一些新的方法被廣泛應(yīng)用于橋梁檢測(cè), 如利用相干激光雷達(dá)測(cè)試橋梁下部結(jié)構(gòu)的撓度,利用全息干涉儀和激光斑紋測(cè)量橋體表面的變形狀態(tài),利用雙波長(zhǎng)遠(yuǎn)紅外成像檢測(cè)橋梁混凝土層的損傷,利用磁漏攝動(dòng)檢測(cè)鋼索、鋼梁和混凝土內(nèi)部的鋼筋等。隨著振動(dòng)實(shí)驗(yàn)?zāi)B(tài)分析技術(shù)的發(fā)展, 運(yùn)用振動(dòng)測(cè)試數(shù)據(jù)進(jìn)行結(jié)構(gòu)動(dòng)力模型修正理論得到了充分的發(fā)展,為橋梁結(jié)構(gòu)的安全檢測(cè)開(kāi)辟了新的途徑?；谡駝?dòng)模態(tài)分析技術(shù),人們研究發(fā)現(xiàn)結(jié)構(gòu)的動(dòng)力響應(yīng)是整體狀態(tài)的一種度量,當(dāng)結(jié)構(gòu)的質(zhì)量、剛度和阻尼特性發(fā)生變化時(shí),選用結(jié)構(gòu)振動(dòng)模態(tài)作為權(quán)數(shù),對(duì)結(jié)構(gòu)損傷前后的模態(tài)變化量進(jìn)行加權(quán)處理,從而實(shí)現(xiàn)對(duì)單元損傷的識(shí)別和有效定位。

2、橋梁結(jié)構(gòu)損傷識(shí)別技術(shù)

2.1 小波分析損傷識(shí)別法

由于小波分析適合分析非平穩(wěn)信號(hào), 因此可作為損傷識(shí)別中信號(hào)處理的較理想的工具,用它來(lái)構(gòu)造損傷識(shí)別中所需要的特征因子,或直接提取對(duì)損傷有用的信息。小波分析在損傷識(shí)別中的應(yīng)用是多方面的,如: 奇異信號(hào)檢測(cè)、信噪分離、頻帶分析等。

2.2 神經(jīng)網(wǎng)絡(luò)損傷識(shí)別法

神經(jīng)網(wǎng)絡(luò)在損傷識(shí)別中的基本思路是:首先,用無(wú)損傷系統(tǒng)的振動(dòng)測(cè)量數(shù)據(jù)來(lái)構(gòu)造網(wǎng)絡(luò), 用適當(dāng)?shù)膶W(xué)習(xí)方法確定網(wǎng)絡(luò)的參數(shù)；然后,將系統(tǒng)的輸入數(shù)據(jù)送入網(wǎng)絡(luò), 網(wǎng)絡(luò)就有對(duì)應(yīng)的輸出,如果輸入過(guò)程是成功的,當(dāng)系統(tǒng)特性無(wú)變化時(shí),系統(tǒng)的輸出和網(wǎng)絡(luò)的輸出應(yīng)該吻合；相反,當(dāng)系統(tǒng)有損傷時(shí),系統(tǒng)的輸出和網(wǎng)絡(luò)的輸出就有一個(gè)差異,這個(gè)差異就是損傷的一種測(cè)度。

結(jié)束語(yǔ)

綜上所述，對(duì)于現(xiàn)有橋梁的養(yǎng)護(hù)管理應(yīng)重視橋梁檢測(cè)技術(shù)的研究，隨著新材料、新技術(shù)的不斷更新發(fā)展，橋梁檢測(cè)技術(shù)具有更廣闊的發(fā)展空間。

參考文獻(xiàn)

[1]李毅卉.橋梁檢測(cè)技術(shù)的發(fā)展與前景[J].市政技術(shù)，2011，（29）：5-7

第9篇：深度神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞:雙語(yǔ)教學(xué);人工智能;體系結(jié)構(gòu)

根據(jù)《朗曼應(yīng)用語(yǔ)言學(xué)詞典》中的定義,雙語(yǔ)教學(xué)(Bilingual Teaching)指的是用兩種語(yǔ)言作為教學(xué)媒介語(yǔ),通過(guò)學(xué)習(xí)學(xué)科知識(shí)來(lái)達(dá)到掌握第二語(yǔ)言的目的。雙語(yǔ)教學(xué)作為學(xué)科教學(xué)延伸,不是簡(jiǎn)單的母語(yǔ)加第二語(yǔ)言,而是將第二種語(yǔ)言融進(jìn)學(xué)科知識(shí),通過(guò)學(xué)習(xí)學(xué)科專業(yè)知識(shí)提高學(xué)生第二語(yǔ)言的聽(tīng)、說(shuō)、讀、寫(xiě)綜合能力,培養(yǎng)學(xué)生用第二語(yǔ)言思考、解決問(wèn)題的能力,培養(yǎng)適應(yīng)社會(huì)發(fā)展需求的高素質(zhì)、復(fù)合型人才,以適應(yīng)信息時(shí)代我國(guó)經(jīng)濟(jì)和社會(huì)發(fā)展的需要。人工智能的主要目標(biāo)是讓機(jī)器具有應(yīng)用符號(hào)邏輯的方法模擬人的問(wèn)題求解、推理、學(xué)習(xí)等方面的能力,能夠在各類環(huán)境中自主地或交互地執(zhí)行各種任務(wù),比如水下作業(yè)、輸油管道、森林救火等。人工智能的發(fā)展,不僅代表計(jì)算機(jī)等科學(xué)技術(shù)的發(fā)展水平,也是一個(gè)國(guó)家工業(yè)化水平的重要標(biāo)志。這對(duì)高校的教育提出了新的挑戰(zhàn)。因此,選擇人工智能課程的雙語(yǔ)教學(xué)模式是非常必要的。

1人工智能課程分析

人工智能是一門多學(xué)科交叉的課程,特別涉及控制論、信息論、語(yǔ)言學(xué)、神經(jīng)生理學(xué)、數(shù)學(xué)、哲學(xué)等多種學(xué)科[1-2]。學(xué)習(xí)該課程需要具有較好的數(shù)學(xué)基礎(chǔ)和較強(qiáng)的邏輯思維能力,大多教師、學(xué)生在教、學(xué)的過(guò)程中都顯得比較吃力。如何結(jié)合課程的特點(diǎn),幫助學(xué)生找到好的學(xué)習(xí)方法,使他們能充分發(fā)揮自己的能力,提高學(xué)習(xí)興趣成為教學(xué)研究過(guò)程中的首要目標(biāo)。在目前高校提倡雙語(yǔ)教學(xué)的環(huán)境下,我校已將人工智能立項(xiàng)為雙語(yǔ)教學(xué)示范課程。人工智能課程具有如下特點(diǎn):

(1) 是一門非常前沿的學(xué)科。

計(jì)算機(jī)最初是用來(lái)做科學(xué)計(jì)算的,但隨著計(jì)算機(jī)科技的迅猛發(fā)展,人們開(kāi)始考慮計(jì)算機(jī)還可以做些什么,能不能像人一樣學(xué)習(xí)、思考,然后解決問(wèn)題?這就是基于人的知識(shí)和經(jīng)驗(yàn),用符號(hào)推理的辦法讓計(jì)算機(jī)來(lái)做事情,是人工智能最早的研究成果。但是,知識(shí)并不都能用符號(hào)表示為規(guī)則,智能也不都是基于知識(shí)的。人們相信,自然智能的物質(zhì)機(jī)構(gòu)――神經(jīng)網(wǎng)絡(luò)的智能是基于結(jié)構(gòu)演化的。因此,20世紀(jì)80年代在人工智能理論發(fā)展出現(xiàn)停頓時(shí),人工神經(jīng)網(wǎng)絡(luò)理論出現(xiàn)新的突破,基于結(jié)構(gòu)演化的人工智能迅速成為人工智能研究的新方向。事實(shí)上,智能問(wèn)題無(wú)論從廣度還是深度,都遠(yuǎn)比人們想象的要復(fù)雜得多。因此,我們一刻也不能放棄鉆研,并且要時(shí)刻關(guān)注該領(lǐng)域發(fā)展的最新動(dòng)態(tài)。在高校開(kāi)展人工智能課程的雙語(yǔ)教學(xué),可以促使學(xué)生了解該領(lǐng)域以及相關(guān)領(lǐng)域,如模式識(shí)別、機(jī)器視覺(jué)、智能檢索、人工生命等發(fā)展的最新動(dòng)態(tài),掌握大量的專業(yè)詞匯,鍛煉理解問(wèn)題、解決問(wèn)題、了解領(lǐng)域文化等實(shí)際能力,對(duì)培養(yǎng)國(guó)際化、工程化、實(shí)用化的復(fù)合型人才等具有重要的現(xiàn)實(shí)意義。

(2) 涉及面寬、難度大。

人工智能是一門多學(xué)科交叉的、極富挑戰(zhàn)性的前沿學(xué)科,它幾乎涉及于社會(huì)科學(xué)和自然科學(xué)的每個(gè)領(lǐng)域。人工智能課程是一門理論性非常強(qiáng)、知識(shí)點(diǎn)比較分散、知識(shí)更新快的課程,它以編程語(yǔ)言、數(shù)據(jù)庫(kù)原理、概率統(tǒng)計(jì)、數(shù)據(jù)結(jié)構(gòu)、離散數(shù)學(xué)以及編譯原理等前趨課程為基礎(chǔ),還涉及到控制論、信息論、通信原理、圖像處理、模式識(shí)別等課程。因此,人工智能課程的知識(shí)點(diǎn)難度較大。通過(guò)該課程的雙語(yǔ)教學(xué)過(guò)程,學(xué)生不但學(xué)習(xí)了課程的專業(yè)知識(shí),而且還學(xué)習(xí)了相關(guān)理論課程的第二語(yǔ)言表示方法及應(yīng)用情況,對(duì)于培養(yǎng)具有個(gè)性化的多層次人才具有重要的價(jià)值。

人工智能課程的特點(diǎn)決定了它的雙語(yǔ)教學(xué)也具有很大的難度。根據(jù)普通高校的實(shí)際情況,我們組織了人工智能的雙語(yǔ)教學(xué)體系結(jié)構(gòu),教學(xué)實(shí)踐表明,該模式行之有效。

2人工智能雙語(yǔ)教學(xué)體系結(jié)構(gòu)

要達(dá)到雙語(yǔ)教學(xué)的目的,就必須將傳統(tǒng)的“注入式”教學(xué)模式改變?yōu)樾滦偷摹耙詫W(xué)生為中心”的教學(xué)模式。然而,這種“以學(xué)生為中心”的雙語(yǔ)教學(xué)模式是多樣化的,其教學(xué)過(guò)程是復(fù)雜的,在我國(guó)還處于探索階段[3-5]。在人工智能課程的教學(xué)過(guò)程中,根據(jù)學(xué)生的實(shí)際情況,我們采用課堂教學(xué)多樣化、基于CDIO理念的實(shí)踐教學(xué),不斷地探索研究,形成高校人工智能雙語(yǔ)教學(xué)體系結(jié)構(gòu),如圖1所示。

計(jì)算機(jī)雙語(yǔ)教學(xué)的正常開(kāi)展,必須依托優(yōu)秀的計(jì)算機(jī)專業(yè)外語(yǔ)教科書(shū)和教學(xué)參考用書(shū)。根據(jù)學(xué)生的實(shí)際情況,我們采用了Nils J.Nilsson教授編著的《Artificial Intelligence A New Synthesis》,該教材是美國(guó)斯坦福大學(xué)計(jì)算機(jī)系本科教材,不僅內(nèi)容豐富、取材新穎,更重要的是內(nèi)容組織結(jié)構(gòu)比較符合學(xué)生的認(rèn)知規(guī)律,便于學(xué)生學(xué)習(xí)、理解。參考書(shū)主要選用了蔡自興、徐光v老師的《人工智能》。

3雙語(yǔ)教學(xué)方法

由于人工智能是一門非常前沿、涉及知識(shí)面寬、應(yīng)用范圍廣的學(xué)科,因而在教學(xué)的具體過(guò)程中,我們多種教學(xué)手段并用,主要采取理論聯(lián)系實(shí)際的案例驅(qū)動(dòng)講授、CDIO實(shí)踐模式、綜合考證等講授方法。

3.1理論教學(xué)

(1) 修改教學(xué)大綱和課程設(shè)計(jì)的實(shí)驗(yàn)大綱。參考吸收國(guó)外先進(jìn)教材中的內(nèi)容,結(jié)合普通高校的實(shí)際情況,形成有針對(duì)性的、合理的教學(xué)體系。

(2) 采用多種教學(xué)方法和手段。設(shè)計(jì)和制作簡(jiǎn)潔、易懂的英文電子教學(xué)課件,采用多媒體教學(xué)手段,豐富教學(xué)內(nèi)容。建設(shè)課程網(wǎng)站,電子課件在網(wǎng)上公開(kāi),幫助學(xué)生預(yù)習(xí)專業(yè)詞匯、了解教師講解線索和重點(diǎn)內(nèi)容,降低學(xué)習(xí)難度。

(3) 課堂提問(wèn)。提問(wèn)一些重要內(nèi)容,鼓勵(lì)學(xué)生積極思考,既能加深學(xué)生對(duì)所學(xué)課程知識(shí)的理解,也有利于其英文表達(dá)能力的提高。

(4) 案例驅(qū)動(dòng)法。將有意義的案例貫穿在教學(xué)過(guò)程中,培養(yǎng)學(xué)生的興趣,提高學(xué)生分析問(wèn)題、解決問(wèn)題的能力;

(5) 課后小組討論。每6～8位同學(xué)分為一組,實(shí)行小組長(zhǎng)負(fù)責(zé)制,組織學(xué)生討論和解決學(xué)習(xí)中遇到的問(wèn)題,交流學(xué)習(xí)心得,一方面起到溫故而知新的作用,同時(shí)培養(yǎng)團(tuán)隊(duì)協(xié)作精神。

3.2實(shí)踐教學(xué)

由于學(xué)生的英語(yǔ)水平、專業(yè)基礎(chǔ)知識(shí)以及知識(shí)面都有差別,因此教師必須因材施教,培養(yǎng)學(xué)生的興趣。實(shí)踐課題來(lái)源于實(shí)際工程,將CDIO理念貫穿于實(shí)踐教學(xué)過(guò)程中,提高學(xué)生綜合創(chuàng)新能力與團(tuán)體協(xié)作精神。

(1) 實(shí)驗(yàn)題目多樣化。學(xué)生可以選擇,也可以根據(jù)老師的要求自己構(gòu)思,以培養(yǎng)學(xué)生的興趣與查閱資料的能力。

(2) 分工與合作。來(lái)源于工程實(shí)踐的題目,學(xué)生通常很難在短時(shí)間內(nèi)獨(dú)立完成,因而需要分工合作,培養(yǎng)學(xué)生的協(xié)作精神。

(3) 整體設(shè)計(jì)方案的靈活性。學(xué)生領(lǐng)會(huì)題目本意,自主設(shè)計(jì)解決方案,培養(yǎng)學(xué)生分析問(wèn)題、解決問(wèn)題的綜合創(chuàng)新能力。

(4) 編程實(shí)現(xiàn)。培養(yǎng)學(xué)生的編程能力,形成科學(xué)的編程風(fēng)格。

3.3考核方式

(1) 多種形式的平時(shí)測(cè)試(30%)。主要包括平時(shí)測(cè)驗(yàn)、討論、作業(yè)等。主要考察學(xué)生對(duì)基本知識(shí)的掌握,英文表達(dá)能力以及知識(shí)面的拓寬等。

(2) 實(shí)踐教學(xué)(30%)。主要考察學(xué)生對(duì)實(shí)踐題目的理解、整體方案的設(shè)計(jì)、團(tuán)隊(duì)間的協(xié)作精神以及實(shí)現(xiàn)結(jié)果等。

(3) 期末考試(50%)。試題全部用英文形式出現(xiàn),鼓勵(lì)學(xué)生用英文作答。

人工智能課程采用雙語(yǔ)教學(xué),可以使學(xué)生最準(zhǔn)確地理解專業(yè)知識(shí),又可以使英語(yǔ)和專業(yè)課的學(xué)習(xí)相互促進(jìn)。

4教學(xué)效果分析

課程結(jié)束后,我們對(duì)學(xué)生進(jìn)行了教學(xué)效果討論與調(diào)查,結(jié)果如表1所示。

從本課程討論和調(diào)查的結(jié)果以及其他普通高等院校的雙語(yǔ)教學(xué)調(diào)查結(jié)果可以看出,雙語(yǔ)教學(xué)效果基本上達(dá)到了要求。但也存在一些值得思考的問(wèn)題:不適應(yīng)的人數(shù)比例偏高,專業(yè)知識(shí)的學(xué)習(xí)效果一般,甚至有學(xué)生因?yàn)楦簧线M(jìn)度放棄專業(yè)課的學(xué)習(xí)。為此,提出以下的建議:

(1) 加強(qiáng)學(xué)生認(rèn)識(shí)。學(xué)生必須從思想上認(rèn)識(shí)到人工智能雙語(yǔ)教學(xué)的重要性,克服教學(xué)過(guò)程中的種種困難、持之以恒,主動(dòng)與同學(xué)、老師進(jìn)行討論,密切關(guān)注學(xué)科發(fā)展動(dòng)態(tài)。

(2) 提高實(shí)施條件。雙語(yǔ)教學(xué)過(guò)程中,學(xué)生是主體,教師是關(guān)鍵。因此,要求老師要有較高的專業(yè)知識(shí)和英語(yǔ)水平,學(xué)生要有較好英語(yǔ)基礎(chǔ)。

(3) 完善教學(xué)體系結(jié)構(gòu)。雙語(yǔ)教學(xué)在我國(guó)還處在探索階段,因而必須在教學(xué)實(shí)踐過(guò)程中不斷地改進(jìn)完善雙語(yǔ)教學(xué)的體系結(jié)構(gòu)。

只有解決好這些問(wèn)題,才能培養(yǎng)出更高素質(zhì)的復(fù)合型人才,適應(yīng)國(guó)內(nèi)外科學(xué)與經(jīng)濟(jì)發(fā)展的需要。

參考文獻(xiàn):

[1] Nils J Nilsson. Artificial Intelligence A New Synthesis[M]. 北京:機(jī)械工業(yè)出版,2002.

[2] 蔡自興,徐光v. 人工智能[M]. 北京:清華大學(xué)出版社,2003.

[3] 賀志榮. 雙語(yǔ)教學(xué)的實(shí)踐與思考[J]. 黑龍江教育:高教研究與評(píng)估版,2008,62(10):45-46.

[4] 王樹(shù)根,姜昕. 我國(guó)雙語(yǔ)教學(xué)的歷史發(fā)展階段綜述[C]. 安徽黃山,2007年全國(guó)測(cè)繪學(xué)科教學(xué)改革研討會(huì),2007.

[5] 湯東. 中外高校雙語(yǔ)教學(xué)模式的比較研究[J]. 黑龍江教育:高教研究與評(píng)估版,2008,62(11):69-70.

Exploration and Practice on Bilingual Teaching Architecture for Artificial Intelligence Course

LI Zhu-lin, HAO Ji-sheng, MA Le-rong

(Department of Computer Science, Yan’an University, Yan’an 716000,China)