神經(jīng)網(wǎng)絡(luò)的發(fā)展精選(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)的發(fā)展主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

關(guān)鍵詞:商業(yè)流通;指標(biāo)體系;智能決策支持系統(tǒng);數(shù)據(jù)挖掘;神經(jīng)網(wǎng)絡(luò)

中圖分類號:F49　文獻標(biāo)識碼:A　文章編號:1009-8631(2010)02-0081-02

引　言

隨著現(xiàn)代計算機技術(shù)與信息處理技術(shù)和通訊技術(shù)的快速發(fā)展,服務(wù)于國民經(jīng)濟各行業(yè)的各類信息管理系統(tǒng)應(yīng)運而生。這些系統(tǒng)提高了工作效率、及時準確地進行各類信息服務(wù),成為政府部門及企業(yè)決策者的有效工具。為此,在綜合考慮了商業(yè)流通經(jīng)濟現(xiàn)代化發(fā)展的特點后。建立了商業(yè)經(jīng)濟發(fā)展規(guī)劃智能決策支持系統(tǒng)(CEIDSS)。

該系統(tǒng)設(shè)計成一個由問題驅(qū)動的智能決策支持系統(tǒng),具有良好的人機交互功能,通過定量計算方法、定性推理與定量相結(jié)合的方法進行問題求解,實現(xiàn)智能決策支持。該系統(tǒng)按照“問題導(dǎo)向、用戶第一”的開發(fā)原則進行開發(fā),即完全按照商業(yè)部門的工作需求確定決策支持的目標(biāo)、問題和方法,并充分考慮了決策技術(shù)和方法的先進性。

一、商業(yè)經(jīng)濟發(fā)展規(guī)劃智能決策支持系統(tǒng)的目標(biāo)和功能

1.系統(tǒng)的目標(biāo)

商業(yè)經(jīng)濟是國民經(jīng)濟的一個重要組成部分。它有一個戰(zhàn)略目標(biāo),流通企業(yè)經(jīng)營活動總是為這個戰(zhàn)略目標(biāo)服務(wù)的。商業(yè)流通是一個比較復(fù)雜的系統(tǒng),必須有一套綜合指標(biāo)體系深入地、科學(xué)地評價。商業(yè)經(jīng)濟評價指標(biāo)體系是反映流通系統(tǒng)宏觀和微觀活動成果的各種指標(biāo)的數(shù)字形式,這些數(shù)字在計劃任務(wù)、統(tǒng)計分析、效果評價活動中構(gòu)成一系列相互聯(lián)系的整體。考慮到國家對流通經(jīng)濟現(xiàn)代化的要求和信息分析處理的特點,其構(gòu)成的基本內(nèi)容如圖1所示:

商業(yè)經(jīng)濟發(fā)展規(guī)劃智能決策支持系統(tǒng)(CEIDSS)的總目標(biāo)是:建立一個較實用的決策支持系統(tǒng)直接供省級商業(yè)部門進行戰(zhàn)略研究,制定中長期規(guī)劃和模擬仿真。由于它服務(wù)的對象是高層領(lǐng)導(dǎo),決策環(huán)境復(fù)雜多變,涉及國民經(jīng)濟各部門、流通、企業(yè)經(jīng)營和工業(yè)生產(chǎn)諸多因素,能夠獲取的信息有的是精確的、定量的,有的卻帶有不確定性因素或只能定性描述,牽扯到的利益主體也是多方面的,價值觀和評價準則也各不相同。為了建立一個實用的決策支持工具,就必須把系統(tǒng)分析思想和計算機信息處理技術(shù)以及知識工程、專家系統(tǒng)工具結(jié)合起來,構(gòu)成集成化的決策支持系統(tǒng),以靈活、方便的形式向決策者和決策分析人員提供支持。

2.系統(tǒng)的功能

本系統(tǒng)的主要功能大體包含幾個方面:

國民經(jīng)濟及商業(yè)經(jīng)濟發(fā)展綜合信息查詢

系統(tǒng)能以數(shù)字、表格、圖形和圖像等形式,向決策者、決策分析人員和系統(tǒng)操作人員提供綜合的商業(yè)經(jīng)濟各方面的信息。本系統(tǒng)不象一般MIS那樣采集比較全面而詳盡的數(shù)據(jù),而是采集經(jīng)過加工的綜合信息。

商業(yè)流通經(jīng)濟發(fā)展現(xiàn)狀的比較分析

在綜合信息查詢的基礎(chǔ)上,系統(tǒng)增加了比較分析的功能,這是當(dāng)前決策者經(jīng)常使用的一種方法。通過對某些信息的直接或綜合比較,認識現(xiàn)狀,發(fā)現(xiàn)差距,從數(shù)量上和結(jié)構(gòu)上明確問題所在,選擇主攻方向。根據(jù)目前國內(nèi)開發(fā)的類似系統(tǒng)試用經(jīng)驗來看,比較分析是一種有效的研究方法。它可以在“同中求異”,在可能條件下找出事物間的差別,給決策者以啟示。

商業(yè)經(jīng)濟系統(tǒng)模擬仿真

系統(tǒng)可根據(jù)設(shè)定的經(jīng)濟、社會情景,利用已有的信息與有關(guān)的模型和由專家經(jīng)驗形成的事實和規(guī)則,對不同的政策措施下的發(fā)展前景、結(jié)果和影響進行模擬仿真。這里的模型有定量、半定量和定性的各種類型。由于商業(yè)經(jīng)濟系統(tǒng)無法進行大規(guī)模、全局性現(xiàn)場實驗,利用模擬仿真可對后果與產(chǎn)生的影響進行預(yù)測、分析和研究。

實施方案的評價與優(yōu)選

系統(tǒng)對于不同發(fā)展方案、規(guī)則、政策措施,可從不同側(cè)面、角度、準則行比較評價和優(yōu)化選擇,以供決策參考?，F(xiàn)代的評價與優(yōu)選法帶有綜合特點,因此系統(tǒng)具有綜合評價與多準則優(yōu)化的功能。

商業(yè)經(jīng)濟發(fā)展預(yù)測分析

本系統(tǒng)提供了功能較全的預(yù)測軟件,可幫助用戶進行反復(fù)運算分析,建立經(jīng)濟計量模型,大體勾畫出商業(yè)流通經(jīng)濟發(fā)展的前景趨勢,揭示未來發(fā)展的可能和潛在的各種危險、問題,采取相應(yīng)對策,降低計劃與決策的風(fēng)險和減少不確定性。

二、系統(tǒng)的框架結(jié)構(gòu)、關(guān)鍵技術(shù)與開發(fā)

1.商業(yè)經(jīng)濟發(fā)展規(guī)劃智能決策支持系統(tǒng)的結(jié)構(gòu)

在經(jīng)濟活動中。很多決策問題是圍繞著如何對某些事物進行綜合評價、并根據(jù)評價結(jié)果制定相應(yīng)策略,采取進一步的行動。針對這類決策問題,人們往往需要根據(jù)有關(guān)理論及經(jīng)驗制定一系列的衡量標(biāo)準,即建立一套多級指標(biāo)體系,從不同角度、不同層次對事物進行綜合評判。這種評價是一個非常復(fù)雜的非結(jié)構(gòu)化決策過程,一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級指標(biāo)體系,運用多種專業(yè)知識,集成各類專家意見和建議,統(tǒng)籌決策。但在這種多級指標(biāo)體系中,各種指標(biāo)之間的關(guān)系很難明確,而且還受評價者效用標(biāo)準和主觀偏好所左右,受環(huán)境條件和個人認識能力的局限。

因此,很難在指標(biāo)體系和評價目標(biāo)間建立起準確的定量或定性模型,而通常的規(guī)則推理也難以描述這一過程。因此,鑒于商業(yè)環(huán)境的復(fù)雜性和不確定性,本文所提出的系統(tǒng)需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模型來支持這類評價決策問題是目前智能決策支持系統(tǒng)的一種發(fā)展趨勢。我們所確定的系統(tǒng)總體技術(shù)結(jié)構(gòu)如圖2所示:

2.系統(tǒng)的關(guān)鍵技術(shù)

本系統(tǒng)主要是以知識、數(shù)據(jù)和模型為主體,結(jié)合神經(jīng)網(wǎng)絡(luò)進行推理與數(shù)據(jù)挖掘。圖中有兩個重點,即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘

神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘是利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)挖掘有如下基本任務(wù):分類、關(guān)聯(lián)分析、聚類、概念描述、偏差檢測、預(yù)測等。常用的前饋式神經(jīng)網(wǎng)絡(luò),例如BP網(wǎng)絡(luò)?？捎糜谶M行概念描述及預(yù)測。對向傳播(CounterPropagation,簡稱CP)神經(jīng)網(wǎng)絡(luò)可用來進行統(tǒng)計分析和聚類。CP網(wǎng)絡(luò)是美國神經(jīng)計算專家Robert Hecht-Nielsen提出的一種新型特征映射網(wǎng)絡(luò),其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競爭、輸出三層。輸入層與競爭層構(gòu)成自組織特征映射神經(jīng)網(wǎng)絡(luò)。競爭層與輸出層構(gòu)成基本競爭型網(wǎng)絡(luò)。網(wǎng)絡(luò)從整體上看屬于有教師示教型網(wǎng)絡(luò),而由輸入層與競爭層構(gòu)成的自組織特征映射神經(jīng)網(wǎng)絡(luò)又屬于一種典型的無教師示教型網(wǎng)絡(luò)。因此,該網(wǎng)絡(luò)既吸取了無教師示教型網(wǎng)絡(luò)分類靈活、算法簡練的優(yōu)點,又采納了有教師示教型網(wǎng)絡(luò)分類精細、準確的好處,使兩者有機地結(jié)合起來。由輸入層至競爭層,網(wǎng)絡(luò)按自組織特征映射學(xué)習(xí)規(guī)則產(chǎn)生競爭層的獲勝神經(jīng)元,并按這一規(guī)則調(diào)整相應(yīng)的輸人層至競爭層的連接權(quán)。由競爭層至輸出層,網(wǎng)絡(luò)按基本競爭型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實際輸出值,并按有教師示教的誤差校正方法調(diào)整由競爭層至輸出層的連接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí),可以將任意輸入模

式映射為輸出模式。由CP網(wǎng)絡(luò)的這一基本思想,可發(fā)現(xiàn)處于網(wǎng)絡(luò)中間的位置的競爭層獲勝神經(jīng)元及與其相關(guān)的連接權(quán)向量,既反映了輸入模式的統(tǒng)計特征,又反映了輸出模式的統(tǒng)計特征。因而,可認為輸入、輸出模式通過競爭層實現(xiàn)了相互映射。

神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)

神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中,計算與存儲是完全合二為一的,即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上,并以大規(guī)模并行方式處理。這種并行決不是簡單地以空間復(fù)雜性代替時間復(fù)雜性,而是反映了完全不同的計算原理。從數(shù)學(xué)觀點來看,可以把神經(jīng)網(wǎng)絡(luò)看作是由大量子系統(tǒng)組成的大系統(tǒng),系統(tǒng)的最終行為完全由它的吸引子決定。如果視動力系統(tǒng)的穩(wěn)定吸引子為記憶的話,那么初態(tài)向穩(wěn)定吸引子流動的過程就是尋找記憶的過程。初態(tài)可以認為是給定有關(guān)記憶的部分信息。

換言之,流動的過程就是從部分信息找到全部信息的過程,這就是聯(lián)想記憶的基本原理。進一步,若視動力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計算能量函數(shù)的極小點,系統(tǒng)最終會流向期望的最小點,計算也就在運動過程中悄悄地完成了,運動的時間就是計算時間。因而,可用雙向聯(lián)想記憶(BAM)網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式。且將之分為x和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對進行充分的學(xué)習(xí)后,就可用來進行模式間的聯(lián)想推理。

3.系統(tǒng)開發(fā)

系統(tǒng)的總體開發(fā)工作采用速成原型法,因為決策支持系統(tǒng)不象管理信息系統(tǒng)那樣執(zhí)行的是例行性任務(wù),特別是為高層決策服務(wù)的系統(tǒng),處理的多半是半結(jié)構(gòu)化或非結(jié)構(gòu)化的系統(tǒng),系統(tǒng)建立之前,用戶不可能明確完整地提出系統(tǒng)的功能要求。開發(fā)者一開始也不能完全了解決策環(huán)境、決策任務(wù)和決策程序。只有建立一個原型系統(tǒng),通過演示使用戶通過自己的親眼所見,知道系統(tǒng)能夠做什么和不能夠做什么,才能提出恰如其分的要求,從中得到啟示,改進自己的決策方式。這樣通過原型試用進行用戶與開發(fā)者的溝通,對于促進系統(tǒng)的使用針對性和用戶友好性有很大的作用,也是用戶逐步接受和掌握系統(tǒng)的必經(jīng)步驟。

系統(tǒng)開發(fā)分三個步驟完成,第一步是建立硬件和軟件環(huán)境,包括3s多庫結(jié)構(gòu)智能決策支持系統(tǒng)平臺,生成一個能加載數(shù)據(jù)、模型等資源的專用決策支持系統(tǒng);第二步是根據(jù)數(shù)據(jù)字典編碼加載數(shù)據(jù),同時把有關(guān)部門模型和方法編人系統(tǒng),進行調(diào)試和試運行;第三步是用戶試運行,提出修改意見,從而進一步完善。

第2篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

[關(guān)鍵詞] 網(wǎng)絡(luò)； Web2.0； 兒童； 兒童發(fā)展

[中圖分類號] G434 [文獻標(biāo)志碼] A

[作者簡介] 李少梅（1968—），女，陜西延安人。副教授，碩士生導(dǎo)師，主要從事學(xué)前教育基本理論研究。E-mail： 。

一、引 言

網(wǎng)絡(luò)時代的到來，標(biāo)志著人類社會已經(jīng)全面進入了信息化時代?？萍嫉母咚侔l(fā)展，使得信息技術(shù)正在以前所未有的速度影響著人們的生產(chǎn)、生活和學(xué)習(xí)方式。作為“.com”的一代，我們幾乎每時每刻都在不自覺地接觸著大量的信息，學(xué)前兒童也不例外，而這些信息在給兒童帶來新鮮感的同時，也將很大程度地影響著他們的身心發(fā)展和行為習(xí)慣。[1]置身于信息海洋的新一代兒童，與以往任何時代都不同，他們的生活正接受著來自于Web2.0時代信息技術(shù)的全面滲透。

信息技術(shù)的高速發(fā)展帶領(lǐng)人類社會從互聯(lián)網(wǎng)Web1.0時代進入了Web2.0時代。如果說Web1.0 的主要特點在于用戶通過瀏覽器獲取信息，那么Web2.0 則更注重用戶的交互作用。換言之，互聯(lián)網(wǎng)上的每一個用戶不再僅僅是互聯(lián)網(wǎng)的讀者，同時也成為互聯(lián)網(wǎng)的作者，由被動地接收互聯(lián)網(wǎng)信息向主動創(chuàng)造互聯(lián)網(wǎng)信息發(fā)展，從而更加人性化。

Web2.0被認為是互聯(lián)網(wǎng)發(fā)展的第二階段，它的核心概念是互動與分享，其技術(shù)主要包括博客（Blog）、RSS、百科全書（Wiki）、網(wǎng)摘、社會網(wǎng)絡(luò)（SNS）、P2P、即時信息（IM）等。信息環(huán)境中的Web2.0技術(shù)正在改變著傳統(tǒng)的教育傳播模式和應(yīng)用方式，改變著傳統(tǒng)意義上對“學(xué)習(xí)”的定義，這意味著學(xué)習(xí)者不僅能夠在時間上、空間上擁有更大的靈活性和便利性，而且學(xué)習(xí)模式、信息獲取途徑、學(xué)習(xí)方法等都會有普適性的革新。學(xué)習(xí)不再是只充當(dāng)教學(xué)計劃內(nèi)的角色，也可以是隨時隨處發(fā)生的非正式學(xué)習(xí)。[2]在Web2.0所提供的學(xué)習(xí)平臺中，不僅學(xué)習(xí)者之間可以在社會化的網(wǎng)絡(luò)中進行廣泛的交互協(xié)作，學(xué)習(xí)內(nèi)容也變得更加多元化。學(xué)習(xí)無處不在，這在極大程度上滿足了學(xué)習(xí)者個體個性化的需求，也為終身教育的發(fā)展奠定了基礎(chǔ)。

二、互聯(lián)網(wǎng)對兒童發(fā)展的滲透方式

在以Web2.0為代表的新一代互聯(lián)網(wǎng)技術(shù)的推動下，網(wǎng)絡(luò)對教育的影響已不再只是作為一種工具或手段，它對社會各領(lǐng)域的影響、對教育的影響、對學(xué)前兒童發(fā)展的影響都是廣闊而深遠的。也許學(xué)齡前階段的社會關(guān)系、生活環(huán)境相對來說并不復(fù)雜，但是他們所接觸的環(huán)境無處不帶有社會文化色彩。因而，網(wǎng)絡(luò)也會以其勢不可擋的沖擊力，像進入成人世界那般進入兒童的天地。對于學(xué)前兒童而言，因其個體的特殊性使信息技術(shù)不會過于直接地作用于個體，而是通過與兒童接觸的撫養(yǎng)者、居住環(huán)境、玩具用品，特別是幼兒園的教育內(nèi)容與形式，以一種強烈而深刻的滲透方式影響著兒童身體、智能和社會性的發(fā)展。[3]

（一）幼兒園教育

在兒童的綜合發(fā)展中，幼兒園教育是其最主要的受教育方式。從投影、電視到計算機，再從多媒體技術(shù)到更加開放互動的網(wǎng)絡(luò)環(huán)境，不少幼兒園已經(jīng)投入了極大的人力、物力、財力和熱情。當(dāng)然，硬件環(huán)境的創(chuàng)設(shè)并不意味著已經(jīng)達到了現(xiàn)代化環(huán)境的要求。究其本質(zhì)，新技術(shù)引入學(xué)前教育的最終目的乃是實現(xiàn)信息技術(shù)和學(xué)前教育的充分整合，實現(xiàn)教育效果的最優(yōu)化。[4]

隨著Web2.0技術(shù)的發(fā)展，兒童的學(xué)習(xí)環(huán)境將真正體現(xiàn)出開放、共享、交互、協(xié)作等特點，而技術(shù)手段的日益網(wǎng)絡(luò)化、智能化、虛擬化，也將對幼兒園教學(xué)產(chǎn)生深遠影響。[5]這些影響集中表現(xiàn)在以下三個方面。

1. 教學(xué)資源

以互動分享為核心的Web2.0技術(shù)拓展了獲取信息的途徑，在加快知識更新速度的同時，加強了課堂與現(xiàn)實世界的資源互動。而網(wǎng)絡(luò)信息的不斷聚合也會將教學(xué)資源以集約化、模塊化的方式在網(wǎng)絡(luò)中形成數(shù)據(jù)庫，實現(xiàn)優(yōu)質(zhì)教學(xué)資源多元化、形象化、知識化的共建共享，大大拓展了學(xué)前兒童教育的資源共享，打破了幼兒園教學(xué)資源之間畫地為牢的時空界限，實現(xiàn)了學(xué)前兒童信息化教育零距離、最大化的資源共享，這對于未來的幼兒園發(fā)展和園所之間的學(xué)習(xí)共建都有重要意義。[6]

2. 教學(xué)方法

由于學(xué)齡前兒童身心發(fā)展的局限性，幼兒往往對抽象的知識難以吸收、消化。而幼兒園教學(xué)可以利用新興的媒體、技術(shù)，將其融入更為生動活潑的視頻、動畫、音樂、圖像、游戲、動漫等，使抽象難懂的內(nèi)容可視化、立體化，以更多趣味性、互動性、豐富性、形象性、實用性的方式呈現(xiàn)。在網(wǎng)絡(luò)環(huán)境中，孩子們還可以探究無法用肉眼看到的微觀世界，走進美麗神秘的大自然深處，甚至興趣盎然地與卡通人物對話。這種方式在很大程度上能夠滿足學(xué)前兒童的求知欲望，在積極的情感體驗中激發(fā)他們的興趣并帶來愉悅感，同時也能使他們迅速掌握學(xué)習(xí)內(nèi)容，促進教學(xué)活動的有效性。

3. 教學(xué)模式

由于學(xué)齡前兒童個體身心發(fā)展尚未成熟，他們往往更習(xí)慣于選擇服從，其知識源也主要來自老師和家長。然而信息技術(shù)的發(fā)展正在悄然改變這種單一的教學(xué)模式，尤其是網(wǎng)絡(luò)環(huán)境的開放、互動以及人性化的發(fā)展，為兒童的發(fā)展創(chuàng)設(shè)了一種適應(yīng)性、觸發(fā)性、沉浸性和誘導(dǎo)性的學(xué)習(xí)氛圍，[7]使兒童有機會進行主動探究和自主學(xué)習(xí)。同時，信息時代的到來也呼喚著教師角色的轉(zhuǎn)換，教師不再是唯一的知識來源，他們必須走出傳統(tǒng)的角色，隨時掌握新資料、汲取新知識、利用新教材，從注重自己的“教”走向?qū)W生的“學(xué)”，解決教學(xué)內(nèi)容滯后于時展的矛盾，完成作為兒童學(xué)習(xí)活動的支持者、合作者、引導(dǎo)者這一角色的轉(zhuǎn)換。[8]

（二）家庭環(huán)境

家庭作為人生的第一站，是兒童成長的搖籃，家庭環(huán)境將直接影響著幼兒個體的綜合發(fā)展。

隨著網(wǎng)絡(luò)觸角在生活中的逐漸擴展，互聯(lián)網(wǎng)因其龐大的信息、快捷的傳遞和人性化的交互等特點，拓展了傳統(tǒng)意義下的社會圈，也縮短了人們之間的距離。越來越多的家長開始參與到分享互動的群體中，成為互聯(lián)網(wǎng)資源共建共享者中的一員。通過網(wǎng)絡(luò)，他們可以登錄豐富多樣的兒童資源網(wǎng)站、收聽有關(guān)幼兒保教知識的微博、關(guān)注載有幼兒教師心路歷程的網(wǎng)絡(luò)博客、參與同城論壇家長互動的分享討論。他們能夠通過最先進快捷的信息獲取方式，汲取新鮮的教育理念，獲得有助于孩子智力開發(fā)、學(xué)習(xí)成長的優(yōu)質(zhì)教育資源，找到一個可以和孩子共同參與的娛樂教育平臺。他們逐漸認識到學(xué)前兒童身體、心理、情感、人格等方面全面發(fā)展的重要性，并希望通過多種途徑來拓展孩子的興趣，促進個體個性的積極發(fā)展。

與此同時，那些開始或已經(jīng)涉足網(wǎng)絡(luò)世界的兒童，也在模仿著成人，好奇地睜著雙眼窺探這個五彩繽紛的虛擬世界。作為父母，在網(wǎng)絡(luò)不斷普及和深入的今天，也應(yīng)及時調(diào)整改變自己的角色，更多地參與到兒童的活動中來。尤其在兒童接觸網(wǎng)絡(luò)并對其進行主動探究的過程中，父母應(yīng)成為他們學(xué)習(xí)的指導(dǎo)者和設(shè)計者，不僅要合理引導(dǎo)兒童對新事物的接觸，解答他們的好奇，還應(yīng)引導(dǎo)兒童進行自主性、探索型的學(xué)習(xí)活動，進而培養(yǎng)他們寬闊的視野和創(chuàng)新意識。通過互聯(lián)網(wǎng)，兒童不僅能夠?qū)W到知識，還能夠?qū)W習(xí)到信息的獲取、處理方法，這在一定程度上有利于兒童信息素養(yǎng)的啟蒙和問題解決能力的培養(yǎng)。

（三）網(wǎng)絡(luò)虛擬社區(qū)

陳鶴琴曾說：“幼稚教育是一種很復(fù)雜的事情，不是家庭一方面可以單獨勝任的，也不是幼稚園一方面可以單獨勝任的，必定要兩方面共同合作才能得到充分的功效?！盵9]Web2.0時代的到來，不但影響著家庭環(huán)境中父母對于孩子的培養(yǎng)教育方式，也改變著父母了解有關(guān)孩子信息的方式，這一點在“家園共育”中尤為突出。

1. QQ班級群

作為即時通信的網(wǎng)絡(luò)工具，QQ班級群具有較強的互動性。參與者可以針對任何話題進行實時討論，實現(xiàn)“幼兒園—家庭”的交流協(xié)作和共同教育。教師既可以通過與孩子學(xué)習(xí)成長有關(guān)的話題，和家長們實現(xiàn)一對多的共同討論，也可以就單個兒童情況，在教師和家長之間進行一對一的對話。此外，通過即時通信軟件的附屬功能，如電子郵件、群相冊、群共享、群公告、微博、空間等，可以建立起更加便捷化、立體化、個性化的交互模式，加強家長和教師、家長與家長之間的交流和分享，幫助彼此更充分地了解兒童的表現(xiàn)。

2. 班級Blog

在家園共育中，一些幼兒園組建了Blog圈，主要涉及教學(xué)心得、活動札記、教學(xué)設(shè)計、育兒日記、生活雜感等內(nèi)容。[10]家長可以分享教師的教學(xué)心得，也可以汲取其他家長優(yōu)秀的教育方法和經(jīng)驗；教師也可以通過家長日志，了解孩子在家中的表現(xiàn)，并對一些家長在教育中的難題困惑進行解答指點，給予正確的建議和合理的幫助。

3. 校園網(wǎng)站

校園網(wǎng)站的搭建可以提供給家園雙方一個更為平等、互動、透明的平臺。通過園所新聞、專家講壇、活動動態(tài)、教學(xué)研究、站內(nèi)調(diào)查等板塊，家長可以第一時間了解幼兒園教學(xué)管理活動的相關(guān)動態(tài)。同時在家園互動方面，一些網(wǎng)站還設(shè)立了網(wǎng)站留言板、熱點話題討論區(qū)等模塊，[11]希望通過不同的網(wǎng)絡(luò)交互模式擴展交流空間，為家長和教師提供雙向互動的便捷渠道，更好地促進學(xué)前兒童的健康成長和全面發(fā)展。

（四）教育電子產(chǎn)品

信息技術(shù)的迅猛發(fā)展和人們需求的不斷提高，在加快市場電子產(chǎn)品更新?lián)Q代的同時，也刺激了教育類電子產(chǎn)品的興起和快速發(fā)展。教育電子產(chǎn)品，即利用電子和多媒體等技術(shù)手段，變被動教育為主動學(xué)習(xí)的電子學(xué)習(xí)工具，從錄音機、復(fù)讀機到電子詞典、視頻學(xué)習(xí)機，每一次更迭都深深打上了科技發(fā)展的烙印。而當(dāng)下最令孩子們愛不釋手的是以平板電腦為代表的新一代電子產(chǎn)品，它以強大的人機互動模式、多媒體化的學(xué)習(xí)方式，集便攜性與實用性于一身，開創(chuàng)了現(xiàn)代電教產(chǎn)品的新時代。

對于正在成長中的學(xué)齡前兒童，平板電腦在開發(fā)兒童學(xué)習(xí)興趣、滿足兒童發(fā)展需求等方面也挖掘甚深。

1. 人機交互

在外觀上，平板電腦輕巧簡約，便于兒童拿在手中進行操作，而內(nèi)容界面也會隨著兒童的持握方式橫豎變換，這種人性化的設(shè)計也深受兒童喜歡。在人機交互方面，平板電腦不再局限于鍵盤和鼠標(biāo)的固定輸入方式，以手寫和全屏觸摸的方式進行操作。這對于充滿好奇喜歡探索的兒童來說，只需手指的輕輕點觸、撥弄、滑動等，就可以完成和平板電腦的親密接觸。這樣的操作不僅簡單易行，還能在一定程度上促進兒童小肌肉的發(fā)展，鍛煉手指的精細動作，提高手指的靈活性。此外，進入虛擬世界的兒童，在多媒體網(wǎng)絡(luò)技術(shù)營造的學(xué)習(xí)氛圍里，接受著來自于文字、圖像、聲音、顏色、線條、視頻等多重感覺刺激。這些刺激提供了一種兒童自身內(nèi)在產(chǎn)生興趣的學(xué)習(xí)環(huán)境，不僅使其全神貫注于手頭的任務(wù)，減少了其他環(huán)境刺激所引起的分心，又如同電視一樣毫不費力地維持了兒童的注意力，并把兒童引導(dǎo)到值得他們加以關(guān)注的電腦教學(xué)內(nèi)容之中。[12]

2. 兒童早期教育軟件

眾所周知，游戲是兒童最好的學(xué)習(xí)方式。根據(jù)學(xué)齡前兒童這一學(xué)習(xí)特點，互聯(lián)網(wǎng)也為此搭建起一個更為廣闊的娛樂、教育平臺，提供了豐富多樣可供下載的兒童早期教育軟件。借助于平板觸屏電腦開發(fā)的早教軟件中，也多以教育游戲為主。這些軟件綜合了游戲的教育性與娛樂性等特點，以加德納多元智能理論為基礎(chǔ)，依據(jù)兒童的年齡特點及其認知方式、發(fā)展規(guī)律，將內(nèi)容劃分為健康、語言、社會、科學(xué)、藝術(shù)等五大領(lǐng)域。而每個領(lǐng)域，不僅收容了與人類生存與發(fā)展相關(guān)的諸多環(huán)境，通過生活化場景的介入和在游戲間的不停切換，將與兒童生活息息相關(guān)的經(jīng)驗一點一滴呈現(xiàn)，同時又針對兒童潛能發(fā)展的需要，提出了更為詳細的可評估目標(biāo)，以期從不同的角度促進他們知識、能力、技能、態(tài)度、情感等方面的發(fā)展。對于兒童來說，他們可以根據(jù)自己的興趣、愛好、經(jīng)驗、需求來選擇學(xué)習(xí)資源和學(xué)習(xí)方式，通過彈琴、畫畫、學(xué)拼音、玩游戲等活動，在特定的內(nèi)容領(lǐng)域里以主動探索的方式發(fā)現(xiàn)問題、獲取信息，發(fā)展解決問題的技能。而對于家長來說，在多樣化的智能活動中，他們也可以按己所需，有針對性地拓展兒童興趣、啟蒙學(xué)習(xí)、開發(fā)智力，以達到促進兒童個性成長和協(xié)調(diào)發(fā)展的目的。

三、互聯(lián)網(wǎng)：良師益友？洪水猛獸？

隨著兒童對網(wǎng)絡(luò)癡迷程度的加深，以及以互聯(lián)網(wǎng)為載體的電子產(chǎn)品逐漸趨于低齡化，反對學(xué)前兒童接觸網(wǎng)絡(luò)的聲音也越來越多。面對互聯(lián)網(wǎng)這把雙刃劍，許多家長顯得無所適從?；ヂ?lián)網(wǎng)雖然可以被視為一個寓教于樂的大課堂，但也是一個包羅萬象的大雜燴。筆者認為，我們既應(yīng)看到它作為良師益友的積極影響，也應(yīng)看到它作為洪水猛獸的潛在威脅。再者，我們可以借鑒古代“大禹治水”的道理，他沒有選擇不治大水或筑高堤治大水，而是采用了開鑿水道、疏導(dǎo)大水的辦法。[13]這正如網(wǎng)絡(luò)時代我們對孩子的教育辦法，不應(yīng)過度輕視網(wǎng)絡(luò)的負面影響，自信于孩子的自控力而忽視放縱，也不應(yīng)夸大網(wǎng)絡(luò)的負面影響，以過度的保護主義避免孩子和網(wǎng)絡(luò)接觸。面對問題，尋找合理有效的途徑進行疏導(dǎo)，才是解決問題的辦法。

（一）家長合理引導(dǎo)是關(guān)鍵

學(xué)前期兒童雖然年齡小、判斷能力差，但這個時期他們的接受能力卻極強，所以兒童應(yīng)該在父母的陪伴和監(jiān)護下上網(wǎng)，尤其在鑒別網(wǎng)絡(luò)良莠信息的時候，父母一定要進行有效屏蔽和合理引導(dǎo)，為其建立正確的示范。對于三歲前的孩子，筆者是不贊成他們過早地進行人機接觸的，這個年齡段的孩子更需要的是和父母的親子互動、和大自然的接觸、語言能力的發(fā)展等，學(xué)會在真實的世界中交流對于他們而言更為重要。[14]三到六歲的孩子，隨著身心發(fā)展過渡到一個更高的階段，在其好奇探索的天性和網(wǎng)絡(luò)時代環(huán)境的共同作用下，他們內(nèi)心也容易產(chǎn)生接觸網(wǎng)絡(luò)的需求。如果父母也希望讓孩子提前接觸電腦，那么使用頻率最好控制在每周一至兩次為宜，每次使用時間也不宜超過半個小時。因為學(xué)前階段正是孩子身心發(fā)育的關(guān)鍵期，長時間的接觸電腦，可能會造成視力下降、骨骼發(fā)育不良等問題。一旦在情感上過分依賴，也會對兒童個體社會化發(fā)展產(chǎn)生不良影響。因此，為避免或減少網(wǎng)絡(luò)的負面影響，在兒童接觸網(wǎng)絡(luò)之初，家長就有責(zé)任對孩子進行正確引導(dǎo)，盡可能地和孩子共同參與到網(wǎng)絡(luò)中，一起學(xué)習(xí)成長，一起互動游戲，加強兒童對網(wǎng)絡(luò)的正確認識，提高其自制力和判斷力。

（二）幼兒園混合教學(xué)促變革

網(wǎng)絡(luò)時代的到來推進著學(xué)前教育改革的深化，讓學(xué)前兒童接觸信息技術(shù)、使信息技術(shù)和學(xué)前教育充分整合將會成為學(xué)前教育發(fā)展的一種新的趨勢。然而倡導(dǎo)信息技術(shù)并不意味著排斥傳統(tǒng)教育媒體，那些真實形象的實物演示、樂趣盎然的集體活動以及教師無微不至的溫暖關(guān)愛，都彰顯著彌足珍貴的價值。我們不應(yīng)完全否定傳統(tǒng)幼兒教育課堂教學(xué)的優(yōu)勢，那些與自然的親近、情感的培養(yǎng)、身體的活動、團體的交流等都是信息化教育所無法替代的。在信息技術(shù)和傳統(tǒng)教育逐漸整合的過程中，最終將走向“混合式教學(xué)”，即把傳統(tǒng)學(xué)習(xí)方式的優(yōu)勢和信息技術(shù)的優(yōu)勢結(jié)合起來，既要發(fā)揮教師引導(dǎo)、啟發(fā)、監(jiān)控教學(xué)過程的主導(dǎo)作用，又要充分體現(xiàn)兒童作為學(xué)習(xí)過程主體的主動性、積極性和創(chuàng)造性。兩者將相輔相成地推動學(xué)前教育的變革，促進兒童的綜合發(fā)展，優(yōu)質(zhì)而高效地培養(yǎng)能夠適應(yīng)信息時代要求的創(chuàng)新型人才。

（三）家園互動共享借鑒經(jīng)驗

互聯(lián)網(wǎng)為家園互動搭建了非常便捷的平臺，教師和家長、家長和家長之間都可以就學(xué)前兒童發(fā)展教育中的問題進行交流溝通，尋求幫助解答。對于困擾著家長們的兒童上網(wǎng)問題，集思廣益，有不少可行的辦法可供借鑒。例如上網(wǎng)之前，父母和孩子一起制定一個上網(wǎng)的時間并嚴格遵守，最好讓孩子在節(jié)假日的時間內(nèi)集中上網(wǎng)；選擇一些優(yōu)秀的、健康的、適合孩子的網(wǎng)站，可以考慮使用過濾軟件，為孩子選擇安全的信息和服務(wù)；設(shè)立兒童專用的瀏覽器；通過網(wǎng)絡(luò)監(jiān)管功能，為孩子上網(wǎng)進行“限時”，并對部分網(wǎng)站進行限制訪問。此外，孩子迷戀網(wǎng)絡(luò)，往往與他們課外生活貧乏有關(guān)，父母應(yīng)培養(yǎng)孩子廣泛的興趣，多與孩子一起參加戶外活動。孩子正常成長也離不開同齡群體的密切交往，讓孩子體驗從小生活在伙伴的友誼之中，鼓勵孩子與朋友交往，也是減少網(wǎng)絡(luò)誘惑的好辦法。[15]

（四）企業(yè)責(zé)任意識不可少

隨著平板電腦受寵于消費市場，作為朝陽行業(yè)的教育電子行業(yè)吸引了社會各界的關(guān)注，不少企業(yè)也做好了跨入電教產(chǎn)品領(lǐng)域的準備，預(yù)期分享這塊市場蛋糕。作為軟件的開發(fā)商，尤其在兒童教育軟件開發(fā)方面，企業(yè)應(yīng)該和消費群體的教師與家長在監(jiān)督和指導(dǎo)兒童發(fā)展方面形成一股合力，聚合專業(yè)人士的指導(dǎo)建議，建立消費群體的意見反饋機制。在考慮信息技術(shù)產(chǎn)品應(yīng)用于學(xué)前教育問題上，企業(yè)應(yīng)將重心回歸到本源的產(chǎn)品價值上，也應(yīng)更好地思考如何將社會責(zé)任與企業(yè)發(fā)展有效統(tǒng)一起來的問題，杜絕功利的商業(yè)行為，有力地維護兒童權(quán)利，打造出高質(zhì)量的學(xué)前教育產(chǎn)品。[16]

總之，學(xué)前教育階段作為一生中發(fā)展最快、可塑性最強的時期，其發(fā)展?fàn)顩r對個體未來的社會性和人

格發(fā)展產(chǎn)生著持續(xù)性影響。當(dāng)我們從未來社會的發(fā)展來思考今天的學(xué)前教育，以未來社會的發(fā)展需要重新審視學(xué)前兒童的發(fā)展，可以推測，在學(xué)前期進行科學(xué)的、適宜的信息素養(yǎng)啟蒙，可以為個體日后具備良好的信息素養(yǎng)奠定基礎(chǔ)，促進兒童在后期成長中對信息技術(shù)的理性使用，對提升全面素質(zhì)、培養(yǎng)未來社會的人才具有重要價值。因而，辯證地看待互聯(lián)網(wǎng)這把雙刃劍，在合理有效的疏導(dǎo)中減少或避免洪水猛獸的威脅，發(fā)揮其良師益友的積極影響，在激發(fā)兒童學(xué)習(xí)興趣、幫助兒童立體感知這個世界的過程中，真正促進兒童的身心和諧發(fā)展。

[參考文獻]

[1] 高爽.信息技術(shù)對學(xué)前教育的影響[D].上海：華東師范大學(xué)，2006.

[2] 張學(xué)波，林秀瑜.信息化環(huán)境中的教育傳播實踐應(yīng)用模式研究[J].電化教育研究，2011，（9）：37～40.

[3] 林崇德.發(fā)展心理學(xué)[M].杭州：浙江教育出版社，2002.

[4] [10] 何磊，黃艷霞，金曉曉.信息技術(shù)與幼兒教育的整合[J].學(xué)前教育研究，2009，（1）：56～59.

[5] [8] 楊九民，李書明.現(xiàn)代教育技術(shù)[M].武漢：華中師范大學(xué)出版社，2005.

[6] 陳鶴婷.幼兒信息化教育探賾[J].科教文匯，2011，（8）：72～74.

[7] 鐘志賢.多元智能理論與教育技術(shù)[J].電化教育研究，2004，（3）：7～11.

[9] 李玉蓮，張文芳.用陳鶴琴幼兒教育思想指導(dǎo)家園共育[J].學(xué)前教育研究，2006，（3）：38～40.

[11] 俞白.家園網(wǎng)絡(luò)互動模式的探索實踐[J].中國信息技術(shù)教育，2008，（3）：106～107.

[12] [美]喬治.S.莫里森（George S. Morrison）.當(dāng)今美國兒童早期教育[M].王全志，等譯.北京：北京大學(xué)出版社，2004.

[13] [14] 李萍，沈浩，涂雄悅.網(wǎng)絡(luò)與孩子教育[M].上海：上海教育出版社，2006.

第3篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

隨著計算機網(wǎng)絡(luò)、信息技術(shù)、自動化技術(shù)的進步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過互聯(lián)網(wǎng)進行動態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進步，已經(jīng)廣泛應(yīng)用在社會各個領(lǐng)域，使現(xiàn)代計算機中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會領(lǐng)域的具體應(yīng)用。

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

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

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個世紀八十年代人工智能發(fā)展興起的一個研究熱點，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實就是一種運算模型，它是通過大量的節(jié)點――神經(jīng)元連接起來的，其中不同的節(jié)點所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當(dāng)有兩個節(jié)點連接起來時稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實時學(xué)習(xí)、自適應(yīng)性和自組織性等特點。

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

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

2.1 生物信號的檢測分析

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

2.2 醫(yī)學(xué)專家系統(tǒng)

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

2.3 市場價格預(yù)測

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

2.4 風(fēng)險評價

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

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

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

4 結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎(chǔ)上不斷尋找新的突破點，加強對生物神經(jīng)元系統(tǒng)的研究和探索，進一步挖掘其潛在的價值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會創(chuàng)造更大的財富。

參考文獻

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

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

[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報，2001，27（05）：564-568.

第4篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

關(guān)鍵詞：時間序列 神經(jīng)網(wǎng)絡(luò) 房地產(chǎn)價格預(yù)測 MATLAB

中圖分類號：F293.3 文獻標(biāo)識碼：A

文章編號：1004-4914（2015）09-284-02

隨著MathWorks公司對MATLAB軟件中的神經(jīng)網(wǎng)絡(luò)工具箱的功能加強，時間序列預(yù)測方法可以應(yīng)用于諸多方面，房地產(chǎn)價格預(yù)測便是其一。時間序列預(yù)測分為三類：NARX網(wǎng)絡(luò)類型，NAR網(wǎng)絡(luò)類型和只有輸入數(shù)據(jù)無輸出數(shù)據(jù)類型（此類型不常用）。

人工神經(jīng)網(wǎng)絡(luò)，或神經(jīng)網(wǎng)絡(luò)，它是一種神經(jīng)網(wǎng)絡(luò)來模仿動物的行為特征，并制定分布式并行信息處理的算法數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)分為靜態(tài)神經(jīng)網(wǎng)絡(luò)和動態(tài)神經(jīng)網(wǎng)絡(luò)，靜態(tài)神經(jīng)網(wǎng)絡(luò)無反饋無記憶功能，與此相反，動態(tài)神經(jīng)網(wǎng)絡(luò)是一種有記憶功能并且網(wǎng)絡(luò)不僅與當(dāng)前輸入也與之前輸入有關(guān)。動態(tài)神經(jīng)網(wǎng)絡(luò)分為有反饋與無反饋兩類。有反饋指該時間輸出不僅依賴于當(dāng)前輸入，有可能依靠于前一個輸入，同時也依賴于前一個輸出;無反饋指該時間輸出不僅依賴于當(dāng)前輸入，同時也依賴于之前的輸入，即通過昨天和前天的房價，就可以預(yù)測出今天的價格。由此可知，動態(tài)神經(jīng)網(wǎng)絡(luò)適合時間序列預(yù)測，因為時間序列預(yù)測是一種有記憶功能，即不僅依賴于當(dāng)前輸入而且依賴于之前的輸出的預(yù)測。

一、數(shù)據(jù)來源及處理

選取全國近18年房地產(chǎn)平均價格為基礎(chǔ)樣本做簡單預(yù)測。為保證預(yù)測結(jié)果的真實性，1997-2011年數(shù)據(jù)全部采用。2012-2014年價格作為預(yù)測分析對象，不涉及在內(nèi)，僅用于判斷研究方法的可行性。

二、神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

將原始數(shù)據(jù)導(dǎo)入MATLAB中，將需要訓(xùn)練的數(shù)據(jù)設(shè)置變量，便于之后訓(xùn)練。使用nnstart命令進入工具箱進行訓(xùn)練。數(shù)據(jù)采用動態(tài)神經(jīng)網(wǎng)絡(luò)無反饋模型，訓(xùn)練網(wǎng)絡(luò)時把數(shù)據(jù)分為三類，即數(shù)據(jù)分割為訓(xùn)練數(shù)據(jù)、數(shù)據(jù)驗證和數(shù)據(jù)檢測。訓(xùn)練數(shù)據(jù)和數(shù)據(jù)驗證決定神經(jīng)網(wǎng)絡(luò)測試的結(jié)果，數(shù)據(jù)檢測只判斷結(jié)果好不好。在此次訓(xùn)練中，三者比例為：70%、15%、15%，之后設(shè)置神經(jīng)元個數(shù)和時間距離相關(guān)個數(shù)。在訓(xùn)練結(jié)束后要關(guān)注error圖，結(jié)合error圖進行有效的分析，如果不滿意訓(xùn)練結(jié)果可以更改比例或神經(jīng)元和時間距離相關(guān)個數(shù)，直到訓(xùn)練完成。

三、預(yù)測結(jié)果分析

利用訓(xùn)練成功后的預(yù)測模型，預(yù)測2012-2014年的平均房地產(chǎn)價格。再與實際價格進行比較，計算出相對誤差并取平均值。

通過對基于動態(tài)神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)預(yù)測模型預(yù)測的平均房地產(chǎn)價格比較實際價格可以看出：預(yù)測模型預(yù)測結(jié)果與實際價格相比，平均相對誤差為1.72%;結(jié)合房價指數(shù)進行分析比較，發(fā)現(xiàn)二者之間差別不大，所以說明該預(yù)測模型具有很強的可操作性和實用性。同時，對2015年后的平均房地產(chǎn)價格通過時間序列預(yù)測方法和指數(shù)平滑預(yù)測方法比較后發(fā)現(xiàn)后幾年內(nèi)平均房地產(chǎn)價格增長穩(wěn)定，增長趨勢維持在8%左右。在動態(tài)神經(jīng)網(wǎng)絡(luò)中，時間序列預(yù)測法是基于時間數(shù)列所能反映的社會經(jīng)濟現(xiàn)象的發(fā)展過程和規(guī)律性，進行引申外推，預(yù)測其發(fā)展趨勢的方法。當(dāng)有一定時間的房地產(chǎn)價格后，可以結(jié)合之前的價格對之后的價格進行預(yù)測。另外，預(yù)測模型根據(jù)訓(xùn)練樣本自動映射房地產(chǎn)價格的非線性關(guān)系。此外，由于神經(jīng)網(wǎng)絡(luò)具有去噪能力，有偏差的樣本價格對模型的結(jié)果影響不大。

四、總結(jié)

隨著經(jīng)濟的快速發(fā)展，以及國家對房地產(chǎn)事業(yè)的政策調(diào)控，即使在市場相對低迷的2015年，房地產(chǎn)作為國家的支柱性產(chǎn)業(yè)仍然對國家的經(jīng)濟建設(shè)有很大的影響。房地產(chǎn)價格預(yù)測是結(jié)合多方調(diào)研，查詢相關(guān)資料，掌握充分信息進行分析預(yù)算，從而進行投資。對于廣大人民來說他們格外關(guān)注房地產(chǎn)價格，利用動態(tài)神經(jīng)網(wǎng)絡(luò)進行時間序列預(yù)測房地產(chǎn)價格，得到的神經(jīng)網(wǎng)絡(luò)模型能夠反映房地產(chǎn)價格的動態(tài)特性。雖然通過建模不能預(yù)測到其精確的發(fā)展趨勢，但是當(dāng)前房地產(chǎn)價格需要一個合理的預(yù)測模型來滿足我國房地產(chǎn)事業(yè)的發(fā)展態(tài)勢，因此時間序列預(yù)測房地產(chǎn)價格不失為一個好的可以提高各方面綜合效益的模型，對房地產(chǎn)價格預(yù)測的發(fā)展具有極大的促進作用。

參考文獻：

[1] 張曉平，周芳芳，謝朝.基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價模型研究及其Matlab實現(xiàn).技術(shù)經(jīng)濟與管理研究，2009（1）

[2] 龔卿，陳碧瓊.中國房地產(chǎn)業(yè)發(fā)展與經(jīng)濟增長的動態(tài)關(guān)系分析.經(jīng)濟師，2006（11）

[3] 胡曉龍，郜振華，馬光紅.基于Elman神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價格預(yù)測.統(tǒng)計與決策，2008（7）

第5篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

關(guān)鍵詞：經(jīng)濟預(yù)測，RBF理論，BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：F12 文獻標(biāo)識碼：A 文章編號：1001-828X（2013）12-0-01

一、引言

隨著經(jīng)濟全球化的快速發(fā)展，各個國家和政府為了了解本國市場經(jīng)濟發(fā)展走勢，推動國與國之間的經(jīng)濟貿(mào)易協(xié)作，越來越重視對未來經(jīng)濟發(fā)展前景的預(yù)測，通過經(jīng)濟預(yù)測可以了解本國經(jīng)濟情況，為制定中長期經(jīng)濟發(fā)展規(guī)劃、政策措施和經(jīng)濟指導(dǎo)方針提供理論基礎(chǔ)[1]。然而經(jīng)濟預(yù)測涉及的諸多變量間存在模糊性及非線性的特點[2]，其他方法均存在自身的缺陷。

本文引入徑向基函數(shù)理論構(gòu)建經(jīng)濟預(yù)測模型，通過實例分析檢驗RBF模型的可行性和可靠性，并與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)作對比，期望為日后經(jīng)濟決策的制定提供理論方法。

二、RBF基礎(chǔ)理論

徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)是一種局部逼近的前饋式神經(jīng)網(wǎng)絡(luò)[3]。

常選用高斯函數(shù)作為RBF網(wǎng)絡(luò)的徑向基函數(shù)，它的基本表達形式如下：

式中：為隱含層第個節(jié)點的輸出，；為隱含層第個節(jié)點的方差，它決定基函數(shù)圍繞中心點的寬度。

圖1 高斯函數(shù)

徑向基函數(shù)將徑向基層的每個神經(jīng)元（）的權(quán)值向量與第個輸入向量之間的向量距離與偏差的乘積作為輸入值，輸入表達式：

則徑向基層神經(jīng)元 的輸出為[4]，如圖2。

圖2 RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的輸入與輸出示意圖

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

隱含層神經(jīng)元數(shù)的確定是RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的關(guān)鍵問題，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無關(guān)[5]。

三、實例分析

（一）數(shù)據(jù)來源

本文以松原市前郭縣區(qū)域經(jīng)濟的GDP為數(shù)據(jù)源，通過比較分擔(dān)率的大小得出區(qū)域內(nèi)生產(chǎn)總值有著顯著影響的因素：

其中：為某因素i項所占的分擔(dān)率；為單影響指數(shù)；是各單因子指數(shù)之和。通過計算得出就業(yè)數(shù)量、固定資產(chǎn)投資、銀行貸款、財政支出及研究與開發(fā)費用對區(qū)域經(jīng)濟有顯著影響作為經(jīng)濟預(yù)測變量。

（二）RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用

RBF神經(jīng)網(wǎng)絡(luò)模型將經(jīng)濟預(yù)測問題轉(zhuǎn)化為影響因子和GDP的非線性問題。通過訓(xùn)練，RBF神經(jīng)網(wǎng)絡(luò)模型能夠達到對經(jīng)濟預(yù)測的目的。然后同樣的數(shù)據(jù)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，對比分析兩種預(yù)測方法的可行性，預(yù)測結(jié)果見表1.

表1 兩種預(yù)測模型的輸出值與實測值擬合結(jié)果對比

通過比較，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型比BP神經(jīng)網(wǎng)絡(luò)模型得到的輸出結(jié)果預(yù)測精度更高，是一種適用于經(jīng)濟預(yù)測的方法。

四、結(jié)論

由于經(jīng)濟預(yù)測的復(fù)雜性及變量的未知性及非線性，本文將RBF神經(jīng)網(wǎng)絡(luò)理論應(yīng)用到經(jīng)濟預(yù)測模型中，結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)的泛化能力較強，預(yù)測精度更高，經(jīng)濟預(yù)測效果可行可靠，是一種具有實用價值值得推廣的經(jīng)濟預(yù)測模型。基于RBF理論構(gòu)建的經(jīng)濟預(yù)測模型能夠為科學(xué)的經(jīng)濟決策提供參考價值。但是每一種方法都不是完美的，RBF理論也有許多需要進一步完善改進的地方，因此它的理論和學(xué)習(xí)算法還有待于進一步完善和提高。

參考文獻：

[1]陳健，游瑋，田金信.應(yīng)用神經(jīng)網(wǎng)絡(luò)進行經(jīng)濟預(yù)測方法的改進[J].哈爾濱工業(yè)大學(xué)學(xué)報，2006，38（6）：897-898，916.

[2]葉正波.基于人工神經(jīng)網(wǎng)絡(luò)的區(qū)域經(jīng)濟子系統(tǒng)可持續(xù)發(fā)展指標(biāo)預(yù)測研究[J].浙江大學(xué)學(xué)報（理學(xué)版），2003，30（1）：109-114.

第6篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

關(guān)鍵詞：人工智能；深度學(xué)習(xí)；教學(xué)建議

0 引言

傳統(tǒng)的人工智能課程主要包括人工智能導(dǎo)論、模式分析、機器學(xué)習(xí)、數(shù)據(jù)挖掘等。這些課程由各個院校根據(jù)專業(yè)情況不同而選擇，課程的內(nèi)容也有較大差別，但是，基本上都涉及人工神經(jīng)網(wǎng)絡(luò)的內(nèi)容。然而在人工神經(jīng)網(wǎng)絡(luò)的教學(xué)內(nèi)容上，一般只講解經(jīng)典的多層感知器和反向傳播算法，或再加入一些反饋網(wǎng)絡(luò)的內(nèi)容，這種教學(xué)內(nèi)容設(shè)計的一個不足是忽視了人工智能領(lǐng)域的最新發(fā)展——深度學(xué)習(xí)，它是近幾年人工智能領(lǐng)域最具影響力的研究主題，并在大規(guī)模語音識別、大規(guī)模圖像檢索等領(lǐng)域取得突破。

北京郵電大學(xué)計算機學(xué)院開設(shè)人工智能科學(xué)與技術(shù)的本科專業(yè)，筆者從事深度學(xué)習(xí)的研究工作，同時承擔(dān)了本科生和研究生人工智能類課程的教學(xué)工作，因此產(chǎn)生了將深度學(xué)習(xí)內(nèi)容引人人工智能類課程的想法。本文先介紹深度學(xué)習(xí)的背景，說明深度學(xué)習(xí)在人工智能發(fā)展中的地位，之后分析了將深度學(xué)習(xí)基本內(nèi)容引入人工智能類課程的必要性和可行性，最后給出了一些實施建議供探討。

1 深度學(xué)習(xí)背景

2006年，加拿大多倫多大學(xué)的GeoffreyHinton教授與Salakhutdinov博士在美國《科學(xué)》雜志發(fā)表了題為“Reducing the Dimensionality ofDatawith Neural Networks”的論文，該文提出一種學(xué)習(xí)多層神經(jīng)網(wǎng)絡(luò)的方法，并將這種具有多層結(jié)構(gòu)的學(xué)習(xí)方法命名為深度學(xué)習(xí)（Deep Learning），而這成為深度學(xué)習(xí)研究的一個導(dǎo)火索，從此深度學(xué)習(xí)的研究與應(yīng)用蓬勃發(fā)展起來。

深度學(xué)習(xí)在語音識別與生成、計算機視覺等應(yīng)用領(lǐng)域取得了突出進展。近幾年的國際機器學(xué)會（International Conference on MachineLearning，ICML）、神經(jīng)信息處理大會（AnnualConference On Neural Information Processing Systems，NIPS）、計算機視覺大會（InternationalConference on Computer Vision，ICCV）、

聲學(xué)語音與信號處理大會（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、計算語言學(xué)大會（Annual Meeting of the Association for Computational Linguistics.ACL）、計算機視覺與模式識別（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相關(guān)的研究論文、會議教程和小組研討會（Workshop）。美國國防高級研究計劃（DARPA）也提出了關(guān)于深層學(xué)習(xí)的研究項目。此外，2013年6月《程序員雜志》的封面故事，采訪了周志華、李航、朱軍3位國內(nèi)的機器學(xué)習(xí)專家對于深度學(xué)習(xí)的看法，他們一致肯定了深度學(xué)習(xí)在機器學(xué)習(xí)領(lǐng)域的貢獻。

工業(yè)界對深度學(xué)習(xí)也寄予了很高期望。2012年6月，《紐約時報》報道了斯坦福大學(xué)計算機科學(xué)家AndrewNg和谷歌公司的系統(tǒng)專家JeffDean共同研究深度神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)模型在語音識別和圖像識別等領(lǐng)域獲得的巨大成功。2012年11月，微軟公司在天津公開演示了一個全自動的同聲傳譯系統(tǒng)，其關(guān)鍵技術(shù)也是深度學(xué)習(xí)。2013年1月，百度公司首席執(zhí)行官李彥宏先生宣布建立深度學(xué)習(xí)研究院（Institute of Deep Learning）。2013年3月，谷歌公司收購了由深度學(xué)習(xí)創(chuàng)始人Geoffrey Hinton創(chuàng)立的公司。

從學(xué)術(shù)界與工業(yè)界的研究態(tài)勢看，深度學(xué)習(xí)已經(jīng)成為機器學(xué)習(xí)與模式識別，乃至人工智能領(lǐng)域的研究熱點。正是在這樣一個背景下，人工神經(jīng)網(wǎng)絡(luò)重新回到人們的視野。此前人工神經(jīng)網(wǎng)絡(luò)的發(fā)展大致可以分為兩個時期，1943年，McCulloch和Pitts提出了最早的人工神經(jīng)元，這種神經(jīng)元具有學(xué)習(xí)能力，這是人工神經(jīng)網(wǎng)絡(luò)的發(fā)端，也可以被認為是人工智能的發(fā)端（當(dāng)時還沒有人工智能這個術(shù)語）。1949年，Hebb提出了Hebbian學(xué)習(xí)算法。1957年，Rosenblatt提出了感知器的神經(jīng)網(wǎng)絡(luò)模型。1969年，Minsky和Papert分析了這種感知器神經(jīng)網(wǎng)絡(luò)模型的局限性。然而，很多研究者認為，感知器的這種局限性對于所有的神經(jīng)網(wǎng)絡(luò)模型都適用，這使人工神經(jīng)網(wǎng)絡(luò)的研究很快暗淡下來。1980年代中期，諾貝爾獎得主John Hopfield提出了Hopfield神經(jīng)網(wǎng)絡(luò)模型，這種Recurrent神經(jīng)網(wǎng)絡(luò)具有的動態(tài)性有可能用于解決復(fù)雜的問題。同時，多層前向神經(jīng)網(wǎng)絡(luò)的后傳算法也被重新發(fā)現(xiàn)，這兩個工作使人工神經(jīng)網(wǎng)絡(luò)得到重生。這時，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能的一個重要組成部分。但是，在隨后的研究中，人們發(fā)現(xiàn)，當(dāng)學(xué)習(xí)多層神經(jīng)網(wǎng)絡(luò)包含更多的隱藏層時，后傳算法并不能學(xué)到有效的網(wǎng)絡(luò)權(quán)值，這使得神經(jīng)網(wǎng)絡(luò)的研究再次陷入低潮。此次以深層神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)重新回到研究的舞臺，其中一個重要因素是Hinton提出的逐層預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)方法治愈了多層神經(jīng)網(wǎng)絡(luò)的一個致命傷。

2 必要性與可行性

深度學(xué)習(xí)的發(fā)展使得從事教學(xué)一線的教師也無法忽視這個頗具影響力的研究主題。為此，我們提出將深度學(xué)習(xí)這個主題引入到人工智能類課程中，將它作為課題教學(xué)的一部分。

2.1 必要性

將深度學(xué)習(xí)這個主題引入到人工智能類課程中的必要性主要包括如下4點。

1）深度學(xué)習(xí)是人工智能的前沿。

2006年以來，深度學(xué)習(xí)的研究席卷了整個人工智能，從機器學(xué)習(xí)、機器視覺、語音識別到語言處理，都不斷涌現(xiàn)出新的研究工作和突破性進展。深度學(xué)習(xí)不僅在機器學(xué)習(xí)領(lǐng)域成為研究熱點，同時在多個應(yīng)用領(lǐng)域也成為有力工具，而且，在工業(yè)界的系統(tǒng)應(yīng)用中，深度學(xué)習(xí)成為其中的關(guān)鍵解決技術(shù)。

2）深度學(xué)習(xí)是人工智能的突破。

深度學(xué)習(xí)的發(fā)端是神經(jīng)網(wǎng)絡(luò)。關(guān)于神經(jīng)網(wǎng)絡(luò)的論述，在人工智能類常見教科書中還停留在多層神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)的第二階段，它們大部分描述多層結(jié)構(gòu)無法訓(xùn)練的現(xiàn)象。但是，從深度學(xué)習(xí)的角度看，深層神經(jīng)網(wǎng)絡(luò)不僅可學(xué)習(xí)，而且有必要，這與第二代神經(jīng)網(wǎng)絡(luò)的觀點是完全不同的。深度學(xué)習(xí)突破了原有人工神經(jīng)網(wǎng)絡(luò)的認識，超越了人工智能神經(jīng)網(wǎng)絡(luò)教科書中的原有內(nèi)容，因此，有必要將多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的可學(xué)習(xí)性告知學(xué)生，從新的視角糾正原有的觀點。

3）深度學(xué)習(xí)是人工智能的延伸。

深度學(xué)習(xí)不僅提供了一種可以在深層神經(jīng)結(jié)構(gòu)下訓(xùn)練網(wǎng)絡(luò)的方法，也包含了不少新的內(nèi)容，是人工智能的新發(fā)展，為人工智能補充了新的內(nèi)容。到目前為止，深度學(xué)習(xí)至少包括：從生物神經(jīng)網(wǎng)絡(luò)與人類認知的角度認識深層神經(jīng)網(wǎng)絡(luò)的必要性；如何構(gòu)建和學(xué)習(xí)深層學(xué)習(xí)網(wǎng)絡(luò)；如何將深層結(jié)構(gòu)用于解決視覺、語音、語言的應(yīng)用問題；如何看待深度學(xué)習(xí)與原有的機器學(xué)習(xí)方法，如流形學(xué)習(xí)、概率圖模型、能量模型的直接關(guān)系；深度學(xué)習(xí)與其他學(xué)科的關(guān)系等。

4）深度學(xué)習(xí)是學(xué)生的潛在興趣點。

大學(xué)生對知識有著強烈的好奇心，加之當(dāng)前信息技術(shù)的發(fā)達，部分對智能感興趣的學(xué)生可以從其他途徑了解到這個學(xué)科發(fā)展的前沿。因此，順勢而為，將深度學(xué)習(xí)這個主題做具體講解，滿足學(xué)生的好奇心，培養(yǎng)他們對學(xué)科前沿與發(fā)展的認識，是十分必要的。對高年級的學(xué)生而言，了解深度學(xué)習(xí)的基本知識，是他們?nèi)嬲J識人工智能與發(fā)展前沿的一個途徑，而對于研究生，較多地了解和掌握深度學(xué)習(xí)的基本知識有助于他們研究工作的開展。

基于以上幾點，筆者認為，將深度學(xué)習(xí)這個主題引入到人工智能類課程中非常有必要。深度學(xué)習(xí)作為人工智能的前沿，既是對人工智能原有理論和技術(shù)的一個突破和補充。

2.2 可行性

將深度學(xué)習(xí)引入到人工智能類課程中的可行性主要包括如下3點。

1）深度學(xué)習(xí)與現(xiàn)有人工智能聯(lián)系密切。

深度學(xué)習(xí)并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理論與技術(shù)。深度學(xué)習(xí)是以神經(jīng)網(wǎng)絡(luò)為出發(fā)點，這正是深度學(xué)習(xí)教與學(xué)的切入點。比如，可以通過對多層感知器隱藏層的增加和后傳算法的失效來講解深度學(xué)習(xí)是如何解決這個問題的。再者，深度學(xué)習(xí)的一個核心構(gòu)建“受限波爾茲曼機（Restricted Boltzmann Machine）”，可以被認為是一種能量模型，而這種模型與Hopfield網(wǎng)絡(luò)都可以從物理學(xué)的能量模型角度分析，RBM可以認為是Hopfield網(wǎng)絡(luò)的隨機擴展?？傊?，深度學(xué)習(xí)與現(xiàn)有人工智能的聯(lián)系，使學(xué)習(xí)深度學(xué)習(xí)變得容易。

2）深度學(xué)習(xí)的基本內(nèi)容并不深。

深度學(xué)習(xí)有個很好的名字，這個名字恰當(dāng)?shù)孛枋隽颂囟ǖ膶W(xué)習(xí)結(jié)構(gòu)。比如，深度學(xué)習(xí)的核心部件受限于波爾茲曼機RBM，其結(jié)構(gòu)非常簡單。從神經(jīng)網(wǎng)絡(luò)的角度，受限波爾茲曼機是一種隨機的雙向連接神經(jīng)網(wǎng)絡(luò)，信號可以從可見層傳遞到隱藏層，也可以從隱藏層傳遞到可見層。網(wǎng)絡(luò)中每個節(jié)點是具有特定結(jié)構(gòu)的神經(jīng)元，其中的神經(jīng)元具有典型的包含自身偏置的Logistic函數(shù)的隨機單元，能夠依Logistic函數(shù)計算得到的概率輸出0狀態(tài)或1狀態(tài)。概括地說，深度學(xué)習(xí)的基本內(nèi)容在高年級階段較易掌握。

3）深度學(xué)習(xí)的資料容易獲得。

當(dāng)前的信息資訊非常發(fā)達，有相當(dāng)多的資料可以通過互聯(lián)網(wǎng)等多種途徑獲得，這使學(xué)習(xí)深度學(xué)習(xí)成為可能。近期，中國計算機學(xué)會主辦了多個技術(shù)講座均涉及深度學(xué)習(xí)的部分；深度學(xué)習(xí)的創(chuàng)始人Hinton教授的主頁也有很多資料；Coursera網(wǎng)站有免費的Hinton教授的神經(jīng)網(wǎng)絡(luò)課程；斯坦福大學(xué)的Ng教授提供了很多的在線教程；蒙特利爾大學(xué)Bengio教授發(fā)表的題為“Learning Deep Architectures for AI”的論文也是這領(lǐng)域的優(yōu)質(zhì)資料。

3 實施建議

在具體的教學(xué)過程中，筆者建議適當(dāng)安排深度學(xué)習(xí)的最基本內(nèi)容，內(nèi)容不宜過多，也不宜占用過多的學(xué)時，可以根據(jù)教學(xué)對象的不同進行調(diào)整。比如，本科生的高年級專業(yè)課可以安排1學(xué)時的教學(xué)量，介紹層次訓(xùn)練的基本算法；也可以在高年級前沿講座中安排2學(xué)時，內(nèi)容覆蓋面盡可能廣泛。在研究生的教學(xué)中，可以根據(jù)教學(xué)的課程主題安排內(nèi)容與學(xué)時。比如，神經(jīng)網(wǎng)絡(luò)主題的課程可以安排4-6學(xué)時的教學(xué)內(nèi)容，包括波爾茲曼機及學(xué)習(xí)算法、深層信念網(wǎng)絡(luò)與學(xué)習(xí)算法、深層波爾茲曼機與學(xué)習(xí)算法卷、積神經(jīng)網(wǎng)絡(luò)、自動編碼器等。結(jié)合應(yīng)用，課程還可以包含MNIST數(shù)字識別的應(yīng)用、人臉識別的應(yīng)用、圖像檢索的應(yīng)用、語音識別中的應(yīng)用等。另外，深度學(xué)習(xí)是一個實踐性很強的研究，隨機性：大規(guī)模（意味著數(shù)據(jù)不宜可視化，程序運行時間長）等多種因素混合，使深度學(xué)習(xí)在學(xué)習(xí)中不容易理解。為此，可以在條件允許的前提下，增加小規(guī)模的實驗，輔助理解。最后，課件可以通過對優(yōu)質(zhì)資料做修改得到。

第7篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

【關(guān)鍵詞】建筑經(jīng)濟管理；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TU198文獻標(biāo)識碼： A

一、前言

建筑經(jīng)濟管理在我國是一個非常重要的行業(yè)，為社會的進步提供了夯實的基礎(chǔ)，但是在神經(jīng)網(wǎng)絡(luò)的應(yīng)用這方面還是存在一定的問題，所以，科學(xué)技術(shù)人員在這個方面還是很努力的研究，并且促使這個技術(shù)發(fā)展更為全面。

二、神經(jīng)網(wǎng)絡(luò)的特征及其信息處理特點

人工神經(jīng)網(wǎng)絡(luò)(Application of Neural Network，即:ANN)是一種對人腦中樞神經(jīng)系統(tǒng)的生物神經(jīng)結(jié)構(gòu)進行的功能性抽象，在模式識別和分類領(lǐng)域顯示了強大的能力，它們以“黑箱”模式工作，不需要先驗?zāi)Ｐ?，具有自適應(yīng)能力，可以從數(shù)據(jù)中捕捉和學(xué)習(xí)規(guī)律，其計算能力在預(yù)測和評估、模式識別和優(yōu)化等領(lǐng)域得到了廣泛驗證。神經(jīng)網(wǎng)絡(luò)尤其適合解決那些采用傳統(tǒng)的數(shù)學(xué)方法和手段建模困難的復(fù)雜問題，并已被證明是解決復(fù)雜非線性問題的一種有效工具。

1、神經(jīng)網(wǎng)絡(luò)的基本特征

（1）內(nèi)在并行性。神經(jīng)網(wǎng)絡(luò)是一個高度并行的非線性系統(tǒng)，其并行性不僅體現(xiàn)在結(jié)構(gòu)上，它的處理運行過程也是并行的。神經(jīng)網(wǎng)絡(luò)從單個處理單元到整個系統(tǒng)，在理論和實踐上都反映了并行性，計算是分布在多個處理單元上同時進行的。

（2）分布式存儲。與傳統(tǒng)計算機不同，神經(jīng)網(wǎng)絡(luò)中信息并非存儲在一個特定的存儲區(qū)域，而是分布存儲在整個系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)的每一個神經(jīng)元都只是整體概念的一個部分，每一個單元都包含著對整體的貢獻，而每一個單元都無法決定整體的狀態(tài)。

（3）容錯性。因為信息是分布存儲在整個系統(tǒng)中，而不是駐留在某一個特定的存儲區(qū)域內(nèi)，因此，網(wǎng)絡(luò)中部分神經(jīng)元的誤差不會在很大程度上影響改變整個系統(tǒng)的行為。

（4）學(xué)習(xí)與自適應(yīng)性。神經(jīng)網(wǎng)絡(luò)的一個重要特點是具有很強的學(xué)習(xí)能力，它可以通過對數(shù)據(jù)的監(jiān)督或非監(jiān)督學(xué)習(xí)，實現(xiàn)任意復(fù)雜的函數(shù)關(guān)系，而且整個網(wǎng)絡(luò)具有自適應(yīng)性，即進行自我調(diào)節(jié)的能力。

2、神經(jīng)網(wǎng)絡(luò)的信息處理特點

神經(jīng)網(wǎng)絡(luò)的基本特征使其在信息處理上具有與傳統(tǒng)信息處理技術(shù)不同的特點。

（1）數(shù)據(jù)驅(qū)動、“黑箱”建模方式。神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練能夠直接從數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征，實現(xiàn)任意復(fù)雜的函數(shù)映射。這種學(xué)習(xí)能力使得神經(jīng)網(wǎng)絡(luò)分析和建模過程相當(dāng)于一個“黑箱”，既無需模型結(jié)構(gòu)設(shè)計和參數(shù)估計過程，而且在沒有輸入模式先驗信息的情況下，通過數(shù)據(jù)驅(qū)動取得優(yōu)良的結(jié)果。

（2）非編程、自適應(yīng)的工作方式。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是便利而且可塑的，在網(wǎng)絡(luò)整體結(jié)構(gòu)不變的情況下，只需調(diào)整權(quán)值即可完成任意關(guān)系的學(xué)習(xí)，通過遞進補充訓(xùn)練樣本即可跟蹤和適應(yīng)外界環(huán)境的不斷變化。因此，神經(jīng)網(wǎng)絡(luò)的工作方式可以是實時的和自適應(yīng)的。

（3）信息處理與存儲合二為一。神經(jīng)網(wǎng)絡(luò)在運行時信息處理與存儲同時完成，信息的隱含特征和規(guī)則分布于神經(jīng)元狀態(tài)和權(quán)值之上，通常具有冗余性。這樣，當(dāng)不完全信息或含噪信號輸入時，神經(jīng)網(wǎng)絡(luò)就可以根據(jù)這些分布記憶進行聯(lián)想以恢復(fù)全部信息。同時，這種合二為一的方式從本質(zhì)上消除了軟件和算法的“瓶頸效應(yīng)，”提供了實現(xiàn)高速信息處理的手段。

（4）實時信息處理。神經(jīng)網(wǎng)絡(luò)是一個大規(guī)模非線性動力學(xué)系統(tǒng)，具有高維、高密度的并行計算結(jié)構(gòu)。大量神經(jīng)元的微觀活動構(gòu)成了神經(jīng)網(wǎng)絡(luò)的整體宏觀效應(yīng)。這種集體運算能力使得神經(jīng)網(wǎng)絡(luò)可以完成高維數(shù)據(jù)的在線實時處理。

三、建筑經(jīng)濟管理研究面臨的問題

1、對系統(tǒng)的非線性認識不足

(1)忽視了系統(tǒng)內(nèi)各變量之間復(fù)雜的非線性關(guān)系，過分強調(diào)先驗假設(shè)。建筑活動在理論和實踐中有明顯的非線性和復(fù)雜性。建筑經(jīng)濟管理問題的本質(zhì)上是因為現(xiàn)實的復(fù)雜性導(dǎo)致的非線性。建筑活動隨時代和環(huán)境的變遷表現(xiàn)出其非線性特征。一方面，建筑經(jīng)濟管理問題的線性假沒體現(xiàn)了系統(tǒng)特殊性。但另一方面，系統(tǒng)建模時所使用的理論總是落后于現(xiàn)實，這是因為其相關(guān)理論發(fā)展的滯后性，而這又是由于其非線性和復(fù)雜性引起的。

(2)忽視數(shù)據(jù)本身效用，過分依賴理論指導(dǎo)。模型的函數(shù)形式很難僅僅通過理論考慮獲得。在實踐中選擇理論框架既是十分重要又是十分困難的。

2、對系統(tǒng)變量自身特征的認識不足

(1)變量(數(shù)據(jù))的高噪聲。采集、編制建筑經(jīng)濟管理數(shù)據(jù)時會有很多誤差，再加上諸多外在因素的沖擊造成了波動強烈變形，所以數(shù)據(jù)是包含有許多“奇異點”而且是高噪聲。

(2)變量的高度不確定性。目前經(jīng)濟學(xué)界對不確定性沒有一個統(tǒng)一的定義，一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機變量的方差來定義，通常稱為概率型不確定性，也可稱為“風(fēng)險”。另一種定義是一種沒有穩(wěn)定概率的隨機事件，稱為非概率型不確定性。

(3)變量不同程度的模糊性。一定的模糊性是大多數(shù)建筑管理問題變量的特點?，F(xiàn)實中的不分明現(xiàn)象就是模糊性。而從一種狀態(tài)過度到另一種有差異的狀態(tài)的過程中，中間發(fā)生了量變到質(zhì)變的連續(xù)過程?？傊３Ｐ枰鉀Q建筑管理中的決策、優(yōu)化等非線性問題，由于它們的一次性、高度動態(tài)性和復(fù)雜性的特點，建筑管理的信息是隨機的，具有非線性和時變性，相應(yīng)的變量也有不確定性、高噪聲和模糊性的特點，因此搜集數(shù)據(jù)、分析因素等方面有相當(dāng)大的難度。

四、ANN在建筑工程項目管理中的應(yīng)用研究

1、ANN在造價預(yù)測方面的應(yīng)用

汪應(yīng)洛，楊耀紅(2004年)總結(jié)了ANN在費用估計方面的應(yīng)用。采用BP網(wǎng)絡(luò)，用40個公路工程樣例訓(xùn)練網(wǎng)絡(luò)，并用工程實例進行驗證，發(fā)現(xiàn)效果比傳統(tǒng)方法好。Tarek Hegazy(1998年)等用MS-Excel表格進行ANN模擬，并在輸入層和隱含層加入了偏置神經(jīng)元來促進網(wǎng)絡(luò)學(xué)習(xí)。其缺點是由于網(wǎng)絡(luò)學(xué)習(xí)時的訓(xùn)練樣本數(shù)據(jù)中有噪聲，會造成過度學(xué)習(xí)現(xiàn)象，運用規(guī)范化網(wǎng)絡(luò)可以解決這個問題。周麗萍，胡振鋒(2005年)在研究BP神經(jīng)網(wǎng)絡(luò)在建筑工程估價中的應(yīng)用時指出，可以利用神經(jīng)網(wǎng)絡(luò)“特征提取器”的作用，從大量過去的工程資料中自動提取工程特征與預(yù)算資料的規(guī)律關(guān)系；由于神經(jīng)網(wǎng)絡(luò)具有高度的容錯性，因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能；此外由于神經(jīng)網(wǎng)絡(luò)是并行處理數(shù)據(jù)的，因而其處理速度相當(dāng)快，這點滿足了快速估算要求，實踐證明是有效的。

2、ANN在工程項目管理績效評價中的應(yīng)用

閆文周(2005年)等運用ANN中的BP網(wǎng)絡(luò)對工程項目管理績效評價問題進行研究，建立了一個綜合考慮項目工期、質(zhì)量、費用、安全四大控制指標(biāo)的工程項目管理績效評價模型。實例分析表明，其評價結(jié)果更加全面、更加符合實際情況，從而有助于促進工程項目管理水平的提高?；贐P神經(jīng)網(wǎng)絡(luò)的工程項目管理績效評估模型，將影響工程項目管理績效的主要因素進行整合，通過神經(jīng)網(wǎng)絡(luò)反映了工程項目工期、質(zhì)量、成本、安全與項目績效之間復(fù)雜的非線性關(guān)系，從而使項目管理績效的評價更客觀。

3、Hop field網(wǎng)絡(luò)模型在建設(shè)工程評標(biāo)中的應(yīng)用

建設(shè)工程評標(biāo)是一個多目標(biāo)決策過程，評標(biāo)過程中存在著大量的定性和模糊的因素，評標(biāo)人很難快速做出準確客觀的評判。朱玉濤(2006年)等用ANN作為新型信息處理工具，在建設(shè)工程評標(biāo)中可應(yīng)用于優(yōu)選中標(biāo)企業(yè)。介紹了Hop field網(wǎng)絡(luò)模型構(gòu)造及算法設(shè)計，包括進行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構(gòu)造、神經(jīng)元之間連接和輸出，并用實例說明了該方法的優(yōu)越性和實用性。應(yīng)用Hop field網(wǎng)絡(luò)對非定量因素進行科學(xué)的分析，可以消除一些人為因素的影響，使評選結(jié)果更加合理。

4、BP網(wǎng)絡(luò)模型在建設(shè)工程招投標(biāo)管理中的應(yīng)用

BP網(wǎng)絡(luò)以其自學(xué)習(xí)、自聯(lián)想功能的優(yōu)點在建設(shè)工程招投標(biāo)中得到廣泛應(yīng)用。楊中宣(2006年)結(jié)合人工神經(jīng)網(wǎng)絡(luò)基本理論，介紹了它在工程招投標(biāo)的招標(biāo)價格、風(fēng)險因素分析以及競標(biāo)單位資格審查等方面的應(yīng)用，指出利用人工神經(jīng)網(wǎng)絡(luò)具有的高度并行處理和可完成復(fù)雜輸入輸出的非線性映射能力，不僅可以保證高的中標(biāo)率，且可避免招標(biāo)過程中不確定性因素的影響。

五、人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)在建筑管理中的應(yīng)用與研究，解決了不少該領(lǐng)域中的難題，顯現(xiàn)出廣闊的應(yīng)用前景。但是，神經(jīng)網(wǎng)絡(luò)作為新興學(xué)科，在理論和實踐中，還有很多不完善和不成熟的地方，又在一定程度上制約了它的實際應(yīng)用。因此在利用人工神經(jīng)網(wǎng)絡(luò)解決問題時，需要選定合適的網(wǎng)絡(luò)模型及網(wǎng)絡(luò)算法，同時還要加深人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論方面的研究。

六、結(jié)束語

總而言之，就建筑經(jīng)濟管理中神經(jīng)網(wǎng)絡(luò)的應(yīng)用這方面而言，這項技術(shù)的發(fā)展不僅使建筑經(jīng)濟管理體系更加的完善，更加使人們的生活帶來了許多的便利條件，通過科學(xué)技術(shù)人員的不斷努力，會使為社會發(fā)展做出巨大的貢獻。

參考文獻

[1]王其文，劉廣靈.人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較 決策與決策支持系統(tǒng)，2008（4）:22-26.

第8篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

旅游市場趨勢預(yù)測是旅游業(yè)發(fā)展戰(zhàn)略和旅游規(guī)劃與開發(fā)工作的重要基礎(chǔ)依據(jù)，一直是旅游市場研究中最重要的內(nèi)容之一。根據(jù)市場趨勢預(yù)測的結(jié)果，旅游相關(guān)部門才可以制定合理的旅游規(guī)劃，進行旅游資源的優(yōu)化配置。旅游市場趨勢預(yù)測是在對影響市場的諸因素進行系統(tǒng)調(diào)查和研究的基礎(chǔ)上，運用科學(xué)的方法，對未來旅游市場的發(fā)展趨勢以及有關(guān)的各種因素的變化，進行分析、預(yù)見、估計和判斷。

近年來，旅游研究者對旅游市場趨勢預(yù)測的方法進行了探索。目前主要有時間序列法、回歸分析法、指數(shù)預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)法。由于旅游市場的變化受到諸多因素的影響，導(dǎo)致旅游市場的趨勢預(yù)測難度較大，但我們對預(yù)測精度的要求卻越來越高。

本文是基于人工神經(jīng)網(wǎng)絡(luò)方法，提出使用遺傳算法對人工神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，探索更精確、更適用于旅游市場預(yù)測現(xiàn)實狀況的預(yù)測方法。

1 方法概述

人工神經(jīng)網(wǎng)絡(luò)是近年來的熱點研究領(lǐng)域，是人類智能研究的重要組成部分，已經(jīng)成為神經(jīng)科學(xué)、計算機科學(xué)、認知科學(xué)、數(shù)學(xué)和物理學(xué)等多學(xué)科關(guān)注的熱點。其應(yīng)用領(lǐng)域包括：分類、預(yù)測、模式識別、信號處理和圖像處理等，并繼續(xù)向其他領(lǐng)域延伸。

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。

圖中，X1，X2，…，Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，Y1，Y2，…，Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，wij和wjk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值。從圖可以看出，BP神經(jīng)網(wǎng)絡(luò)可以看成一個非線性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點數(shù)為n，輸出節(jié)點數(shù)為m時，BP神經(jīng)網(wǎng)絡(luò)就表達了從n個自變量到m個因變量的函數(shù)映射關(guān)系。

1.2 遺傳算法

遺傳算法（Genetic Algorithms）是1962年由美國Michigan大學(xué)Holland教授提出的模擬自然界遺傳機制和重托進貨論而成的一種并行隨機搜索最優(yōu)化方法。它把自然界“優(yōu)勝劣汰，適者生存”的生物進化原理引入優(yōu)化參數(shù)形成的編碼串聯(lián)群體中，按照所選擇的適應(yīng)度函數(shù)并通過遺傳中的選擇、交叉和變異對個體進行篩選，使適應(yīng)度值好的個體被保留，適應(yīng)度差的個體被淘汰，新的群體既繼承了上一代的信息，又優(yōu)于上一代。這樣反復(fù)循環(huán)，直至滿足條件。

1.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測3個部分。其中，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定部分根據(jù)按擬合函數(shù)輸入輸出參數(shù)個數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進而確定遺傳算法個體的長度。遺傳算法優(yōu)化使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，種群中的每個個體都包含了一個網(wǎng)絡(luò)所有權(quán)值和閾值，個體通過適應(yīng)度函數(shù)計算個體適應(yīng)度。遺傳算法通過選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對應(yīng)個體。BP神經(jīng)網(wǎng)絡(luò)預(yù)測用遺傳算法得到最優(yōu)個體對網(wǎng)絡(luò)初始權(quán)值和閾值賦值，網(wǎng)絡(luò)經(jīng)訓(xùn)練后預(yù)測函數(shù)輸出。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測函數(shù)輸出。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作。

1）種群初始化

個體編碼方法為實數(shù)編碼，每個個體均為一個實數(shù)串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值4部分組成。個體包含了神經(jīng)網(wǎng)絡(luò)全部權(quán)值和閾值，在網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下，就可以構(gòu)成一個結(jié)構(gòu)、權(quán)值、閾值確定的神經(jīng)網(wǎng)絡(luò)。

2）適應(yīng)度函數(shù)

2 實證分析

旅游客流量與當(dāng)?shù)芈糜斡布败浖O(shè)施建設(shè)、各種交通設(shè)備的完善程度有著密切的關(guān)系。一個旅游地的交通設(shè)施完善程度決定了該景區(qū)的可進入性以及客源地到旅游地的時間距離，直接影響該景區(qū)游客量。此外，景區(qū)建設(shè)情況及旅游接待設(shè)施的建設(shè)情況決定著景區(qū)的吸引力。需要指出的是，由于信息傳達的特性，游客數(shù)量對景區(qū)旅游相關(guān)條件改善的反應(yīng)具有延遲性的特點。本文中，采用2000 年以來北京旅客周轉(zhuǎn)量、人均GDP、全國交通、A級及以上景區(qū)個數(shù)、北京公共交通運營線路長度、北京市基礎(chǔ)投資，預(yù)測北京市旅游人數(shù)。

通過查詢中國國家統(tǒng)計局及北京市統(tǒng)計局相關(guān)資料，得到全國人均GDP、全國交通、北京市旅客周轉(zhuǎn)量、北京市A級及以上景區(qū)個數(shù)、北京市公共交通運營線路長度、北京市基礎(chǔ)投資數(shù)據(jù)，如表1所示。

根據(jù)遺傳算法和BP 神經(jīng)網(wǎng)絡(luò)理論，在MATLAB 軟件中編程實現(xiàn)基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測。預(yù)測誤差及真實值與預(yù)測值對比如圖2、圖3所示。

3 模型的評價

第9篇：神經(jīng)網(wǎng)絡(luò)的發(fā)展范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)算法；貨運量；預(yù)測模型；實證分析

中圖分類號：F252 文獻標(biāo)識碼：A

交通運輸系統(tǒng)是國民經(jīng)濟大系統(tǒng)中的一個子系統(tǒng)，運輸需求同時受到來自系統(tǒng)內(nèi)部和系統(tǒng)外部因素的影響，同時又反作用于國民經(jīng)濟系統(tǒng)[1]。其中，貨運量是反映運輸生產(chǎn)成果，體現(xiàn)運輸系統(tǒng)為國民經(jīng)濟服務(wù)數(shù)量的重要指標(biāo)[2]，它作為衡量一個國家或地區(qū)經(jīng)濟發(fā)展的重要經(jīng)濟指標(biāo)，愈加受到人們的重視，如何正確、有效地根據(jù)相關(guān)影響因素做出貨運量預(yù)測，對于物流產(chǎn)業(yè)的發(fā)展具有至關(guān)重要的作用。

貨運量預(yù)測具有較大的復(fù)雜性和非線性等特點[3]，進行貨運量預(yù)測的方法很多，常用的方法包括時間序列法、回歸分析法和灰色系統(tǒng)法等，這些方法都集中在對其因果關(guān)系回歸模型和時間序列模型的分析上，所建立的模型不能全面和本質(zhì)地反映所預(yù)測動態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性，從而丟失了信息[4]。人工神經(jīng)網(wǎng)絡(luò)具有良好的曲線擬合能力、學(xué)習(xí)能力、抗干擾能力[4-5]，采用BP神經(jīng)網(wǎng)絡(luò)方法，建立貨運量預(yù)測模型，具有更好的說服力。

近幾年來，在國家政策的大力扶持和傾斜下，整個新疆的經(jīng)濟社會發(fā)展都步入了快車道。經(jīng)濟社會的快速發(fā)展，對相應(yīng)的物流能力提出了更高的要求?，F(xiàn)有的南疆兵團物流企業(yè)已經(jīng)難以滿足其經(jīng)濟快速高效發(fā)展的需要，日益成為制約南疆兵團經(jīng)濟快速發(fā)展的瓶頸?？茖W(xué)合理地預(yù)測南疆兵團物流企業(yè)的貨運量以對其物流能力進行客觀評價，對于優(yōu)化配置南疆兵團有限的物流資源，實現(xiàn)南疆兵團物流企業(yè)的可持續(xù)發(fā)展，具有重要的現(xiàn)實意義和實踐價值。

1 BP神經(jīng)網(wǎng)絡(luò)算法與模型

近年來，全球性的神經(jīng)網(wǎng)絡(luò)研究熱潮再度興起，不僅僅是因為神經(jīng)科學(xué)本身取得了巨大的進展，更主要的原因在于發(fā)展新型計算機和人工智能新途徑的迫切需要。迄今為止在需要人工智能解決的許多問題中，人腦遠比計算機聰明的多，要開創(chuàng)具有智能的新一代計算機，就必須了解人腦，研究人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)信息處理的機制。另一方面，基于神經(jīng)科學(xué)研究成果基礎(chǔ)上發(fā)展出來的人工神經(jīng)網(wǎng)絡(luò)模型，反映了人腦功能的若干基本特性，開拓了神經(jīng)網(wǎng)絡(luò)用于計算機的新途徑[6]，它對傳統(tǒng)的計算機結(jié)構(gòu)和人工智能是一個有力的挑戰(zhàn)，引起了各方面專家的極大關(guān)注。

目前，已發(fā)展了幾十種神經(jīng)網(wǎng)絡(luò)， 例如Hopficld模型、Feldmann等的連接型網(wǎng)絡(luò)模型、Hinton等的玻爾茨曼機模型，以及Rumelhart等的多層感知機模型和Kohonen的自組織網(wǎng)絡(luò)模型，等等[6]。神經(jīng)網(wǎng)絡(luò)模型中，應(yīng)用最廣泛的是多層感知機神經(jīng)網(wǎng)絡(luò)。多層感知機神經(jīng)網(wǎng)絡(luò)的研究始于20世紀50年代，但一直進展不大。直到1985年，Rumelhart等人提出了誤差反向傳遞學(xué)習(xí)，即BP算法[7]，實現(xiàn)了Minsky的多層網(wǎng)絡(luò)設(shè)想，如圖1所示。

BP算法不僅有輸入層節(jié)點、輸出層節(jié)點，還可有一個或多個隱含層節(jié)點。對于輸入信號，要先向前傳播到隱含層節(jié)點，經(jīng)作用函數(shù)激勵后，再把隱含層節(jié)點的輸出信號傳播到輸出節(jié)點，最后給出輸出結(jié)果。節(jié)點的作用激勵函數(shù)通常選取S型函數(shù)，如：

式中Q為調(diào)整激勵函數(shù)形式的Sigmoid參數(shù)。該算法的學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小。

從上述BP算法可以看出，BP模型把一組樣本的I/O問題變?yōu)橐粋€非線性優(yōu)化[8]，是優(yōu)化中最普通的梯度下降法。如果把神經(jīng)網(wǎng)絡(luò)的看成輸入到輸出的映射，則這個映射是一個高度非線性映射。

設(shè)計一個神經(jīng)網(wǎng)絡(luò)專家模型的構(gòu)成和學(xué)習(xí)算法的選擇，一般來說，是根據(jù)所研究領(lǐng)域及要解決的問題確定的[6]。通過對所研究問題的大量歷史資料數(shù)據(jù)的分析及目前的神經(jīng)網(wǎng)絡(luò)理論發(fā)展水平，建立合適的模型，并針對所選的模型采用相應(yīng)的學(xué)習(xí)算法，在網(wǎng)絡(luò)學(xué)習(xí)過程中，不斷地調(diào)整網(wǎng)絡(luò)參數(shù)，直到輸出結(jié)果滿足要求為止。

2 貨運量預(yù)測模型與實證分析

基于上述BP神經(jīng)網(wǎng)絡(luò)算法與模型，結(jié)合新疆兵團各師物流實際，構(gòu)建南疆兵團各師貨運量的預(yù)測模型，采用Matlab軟件編制程序（見附錄），將2006～2010年間的各師貨運量數(shù)據(jù)[9]代入Matlab程序中，以對南疆兵團各師貨運量加以預(yù)測。下面對Matlab中神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的訓(xùn)練步數(shù)、收斂精度及誤差加以比較，通過反復(fù)訓(xùn)練來確定最佳的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)[8]，以此來確定最優(yōu)的貨運量BP神經(jīng)網(wǎng)絡(luò)模型。

通過運行程序，得到訓(xùn)練均方誤差曲線圖如圖2：

由圖2可看出，誤差訓(xùn)練值接近10e-2，而目標(biāo)訓(xùn)練值為10e-7，說明經(jīng)過2 000次步長訓(xùn)練，均方誤差逐漸趨于目標(biāo)值，訓(xùn)練結(jié)果非常小，結(jié)果較滿意。同時，得到訓(xùn)練梯度及有效性檢查曲線圖如圖3：

由圖3可得出，訓(xùn)練梯度為0.00021324，檢查錯誤幾乎為0，說明經(jīng)過2 000次步長訓(xùn)練，在這期間訓(xùn)練梯度變化不大，且錯誤趨于0，進一步說明預(yù)測結(jié)果較好。與此同時，得到訓(xùn)練回歸曲線圖如圖4。

由圖4可得到，目標(biāo)訓(xùn)練值R=0.99983，趨于1，說明回歸訓(xùn)練效果較好，預(yù)測精度較高，而同時回歸曲線近似趨于一線性函數(shù)，其訓(xùn)練起點和終點（圖中黑點）與源數(shù)據(jù)（白圓點）都很好的分布在曲線兩側(cè)，由此可見，運用BP神經(jīng)網(wǎng)絡(luò)仿真的效果十分理想，訓(xùn)練后的BP網(wǎng)絡(luò)能很好地逼近給定的目標(biāo)函數(shù)，據(jù)此表明訓(xùn)練效果很好。由此可見，所建模型與實際吻合度較高，模型結(jié)果具有可信度和說服力。

3 結(jié)果分析

通過運行BP神經(jīng)網(wǎng)絡(luò)程序，求得2006～2010年南疆兵團各師貨運量的的預(yù)測值，將之與實際值放在一起進行比較，匯編結(jié)果如表1。

由表1可以看出，南疆兵團各師貨運量持續(xù)上升，而且增加幅度逐年加快。事實上，近年來隨著新疆經(jīng)濟社會的快速發(fā)展，南疆兵團各師的貨運量呈現(xiàn)一個較大程度的逐年遞增，這一點是符合客觀事實的。

通過南疆兵團各師貨運量的預(yù)測值和實際值的比較分析，發(fā)現(xiàn)預(yù)測值與實際值之間相對誤差較小，位于0.8%～7.8%之間，平均相對誤差約為4.45%，誤差達到通常的精度要求10e-2，計算精度較高。由此可見，通過BP神經(jīng)網(wǎng)絡(luò)算法建立的南疆兵團各師貨運量預(yù)測模型，所得結(jié)果符合計算精度要求，而且泛化能力較好，模擬結(jié)果比較可靠，與實際吻合度較高。

4 結(jié) 論

本文通過對近幾年南疆兵團各師貨運量的分析，合理地設(shè)計了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；同時，通過比較Matlab中神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的訓(xùn)練步數(shù)、收斂精度及誤差，反復(fù)訓(xùn)練并確定了最佳的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)；并以2006～2010年南疆兵團各師貨運量數(shù)據(jù)為基準，建立南疆兵團各師貨運量的預(yù)測模型，采用Matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱編程求解，得到相應(yīng)的南疆兵團各師貨運量的預(yù)測值，通過實際值與預(yù)測值的比較，發(fā)現(xiàn)二者之間的相對誤差較小，所得結(jié)果具有較好的說服力和可信度。

本文的研究結(jié)果，對于南疆兵團地區(qū)優(yōu)化配置物流資源，引導(dǎo)地方政府決策提供理論依據(jù)，具有重要的現(xiàn)實意義和實踐價值。人工神經(jīng)網(wǎng)絡(luò)具有良好的曲線擬合能力、學(xué)習(xí)能力、抗干擾能力，采用BP神經(jīng)網(wǎng)絡(luò)算法，建立相應(yīng)的預(yù)測模型，所得結(jié)果因與實際吻合度較高，而具有較好的可信度。BP神經(jīng)網(wǎng)絡(luò)算法，可以廣泛地應(yīng)用于復(fù)雜經(jīng)濟系統(tǒng)的評價與預(yù)測工作。文中所采用的建模思想方法，還可以廣泛地應(yīng)用于其他復(fù)雜經(jīng)濟系統(tǒng)的建模工作，具有一定的普遍性，有著良好的應(yīng)用推廣價值。

參考文獻：

[1] 王振軍. 交通運輸系統(tǒng)工程[M]. 南京：東南大學(xué)出版社，2008：13-17.

[2] 張艷云，艾力·斯木吐拉. BP神經(jīng)網(wǎng)在新疆貨運量預(yù)測中的應(yīng)用[J]. 運輸與物流，2011（17）：144-147.

[3] 許銀甲. 公路貨運量預(yù)測的系統(tǒng)動力學(xué)模型構(gòu)建[J]. 交通科技與經(jīng)濟，2007，9（6）：95-97.

[4] 趙闖，劉凱. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的貨運量預(yù)測[J]. 鐵道學(xué)報，2004，26（1）：12-15.

[5] 徐優(yōu)麗. 基于神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測[J]. 浙江樹人大學(xué)學(xué)報，2008（1）：56-58.

[6] 飛思科技產(chǎn)品研發(fā)中心. MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計[M]. 北京：中國統(tǒng)計出版社，2003：64-69.

[7] 高寧，邵陸壽. 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)在農(nóng)作物預(yù)報中的應(yīng)用[J]. 計算機與農(nóng)業(yè)，2003（7）：16-18.