神經(jīng)網(wǎng)絡(luò)的認(rèn)識精選(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)的認(rèn)識主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；人臉識別；奇異值

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A文章編號：1007-9599 (2011) 13-0000-01

Face Recognition Based on the BP Neural Network

Liu Weiwei

(Chinese People's Public Security University,Beijing100872,China)

Abstract:In order to achieve the purpose of face recognition by classifying the feature vector of face image,a new methods for face recognition on neural networks is presented in this paper.Singular values features of face image matrix are used as features,Back-Propagation(BP)networks are used as recognition.Through the experiments,it show that the method of face recognition is reliable and have a ability of high maneuverability.

Kewwords:BP neural network;Face recognition;Singular values

一、引言

人臉識別的發(fā)展應(yīng)用廣泛，利用人臉圖像進(jìn)行識別身份容易被接受，具有非打擾性、直接性、唯一性。人臉識別主要是對人臉特征向量分類識別。神經(jīng)網(wǎng)絡(luò)可以用做人臉特征的分類器。它是一種模擬人類大腦的思維方式和組織形式而建立的數(shù)學(xué)模型。具有強(qiáng)大的自適應(yīng)、自學(xué)習(xí)、高度容錯(cuò)能力，因此成功運(yùn)用在模式識別和預(yù)測等領(lǐng)域。BP網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中最完美的，采用BP神經(jīng)網(wǎng)絡(luò)可以進(jìn)行人臉特征向量識別分類。

二、BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，它包括一個(gè)輸入層、若干隱含層和一個(gè)輸出層，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。利用BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)輸入向量 到輸出向量 的非線性映射。該網(wǎng)絡(luò)的前層和后層都有連接權(quán)值 ，每一層有閾值 ，這些值在初始時(shí)刻是隨機(jī)生成的。在具體的應(yīng)用中，將特征值向量作為輸入向量，特征值所對應(yīng)的結(jié)果作為輸出向量，BP網(wǎng)絡(luò)載入這些數(shù)據(jù)訓(xùn)練和學(xué)習(xí)，從而對連接權(quán)值和閾值不斷進(jìn)行修正，使網(wǎng)絡(luò)達(dá)到的最優(yōu)狀態(tài)，完成網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練過程，為后續(xù)的數(shù)據(jù)分類做準(zhǔn)備。因此可以將BP神經(jīng)網(wǎng)絡(luò)作為人臉特征向量的分類器，以達(dá)到人臉識別的目的。

三、基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別

人臉識別是基于人臉的唯一性進(jìn)行識別，這里采用奇異值分解的方法提取人臉特征向量。本實(shí)驗(yàn)的數(shù)據(jù)取自O(shè)RL人臉數(shù)據(jù)庫，該庫由40人、每人10幅、共400幅人臉圖像組成。這些照片包含測試者的不同面部表情。本實(shí)驗(yàn)選擇兩個(gè)測試者進(jìn)行識別，每個(gè)測試者的十幅圖像作為一個(gè)類，每個(gè)類的前九幅圖像的特征向量作為網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練樣本，第十幅圖像的特征向量作為測試數(shù)據(jù)。

（一）樣本數(shù)據(jù)的獲取

采用奇異值分解的方法提取人臉圖像的特征向量，這些特征向量作為BP網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練樣本數(shù)據(jù)，對樣本數(shù)據(jù)進(jìn)行歸一化后得到。例如 =（0.55650.53230.36750.40620.35990.38540.37030.3062）表示第一個(gè)測試者的第一副圖像的特征向量，在BP網(wǎng)絡(luò)中對應(yīng)的輸出向量為（1，0）。

（二）BP神經(jīng)網(wǎng)絡(luò)的建立

第一，確定隱含層的層數(shù)。對于一般的模式識別問題，三層網(wǎng)絡(luò)可以有效的解決此問題。本試驗(yàn)采用三層網(wǎng)絡(luò)，輸入層的神經(jīng)元個(gè)數(shù)為特征向量的維數(shù)n=8，隱含層的神經(jīng)元個(gè)數(shù)為p=2n+1=17，輸出層的神經(jīng)元個(gè)數(shù)為輸出向量的維數(shù)為m=2。隱含層神經(jīng)元傳遞函數(shù)選用tansig，輸出層神經(jīng)元傳遞函數(shù)選用logsig。輸出向量為（1，0）和（0，1）表示為第一個(gè)和第二個(gè)測試者。

第二，載入樣本數(shù)據(jù)學(xué)習(xí)和訓(xùn)練。樣本數(shù)據(jù)包括輸入向量和輸出向量，通過學(xué)習(xí)和訓(xùn)練不斷的修正網(wǎng)絡(luò)中的權(quán)值和閾值。訓(xùn)練曲線的收斂情況如圖2.

在matlab環(huán)境下運(yùn)行，采用測試樣本進(jìn)行測試，實(shí)驗(yàn)結(jié)果輸出為（0.98490.0027）；（0.00270.9547），試驗(yàn)結(jié)果接近（1，0）和（0，1），分別為一號和二號測試者，實(shí)驗(yàn)達(dá)到預(yù)期結(jié)果。

圖1.訓(xùn)練曲線

四、結(jié)語

運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)建立了人臉識別模型，解決了對人臉特征向量進(jìn)行分類識別的問題，從而達(dá)到對人臉識別這一最終目的。識別結(jié)果表明，在小樣本空間下，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的人臉識別運(yùn)算速度快、操作簡單、識別率高，BP神經(jīng)網(wǎng)絡(luò)可以用于人臉識別系統(tǒng)中的識別部分，并且可以擴(kuò)展到其他模式識別問題。

參考文獻(xiàn)：

[1]郝文化.MATLAB圖像圖像應(yīng)用教程[M].中國水利水電出版社,2004

[2]邵擁軍等.基于BP神經(jīng)網(wǎng)絡(luò)的湘西金礦成礦預(yù)測[J].中南大學(xué)學(xué)報(bào),2007

[3]高全學(xué)等.SVD用于人臉識別存在的問題及解決方法[J].中國圖象圖形學(xué)報(bào),2006

[4]楊天軍,張曉春等.基于BP神經(jīng)網(wǎng)絡(luò)的城市道路交通安全評價(jià)研究[J].中國礦業(yè)大學(xué)學(xué)報(bào),2005

第2篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

關(guān)鍵詞:極線幾何;農(nóng)業(yè)機(jī)器人;視覺誤差;標(biāo)定;匹配

中圖分類號:TP242 文獻(xiàn)標(biāo)識碼:A 文章編號:1009-3044(2009)15-3987-02

Research on Visual Error of Agricultural Robot Based on Neural Network Correction

ZHEN Mu-hua

(Shunde Secondary Vocational School, Shunde 528200, China)

Abstract: The operation of agricultural robot is a nondestructive picking process, in which the complexity of environment and particularity of location target make it very long in picking visual identity, as well as having big error. By improving calibration model and matching model respectively, traditional solution corrects those errors, without considering the internal relations of calibration and matching. This paper presents a polar geometry transform method for total visual error correction, and analyzes its application in the process of camera calibration which is based on BP neural network and image matching which is based on feature.Experimental results show that the method of total visual error correction which is based on polar geometry transform has higher precision and real-time than separated error correction in tradition.

Key words: polar geometry; agricultural robot; visual error; calibration; matching

1 引言

農(nóng)業(yè)環(huán)境信息的未知性和不確定性,加上采摘對象是一種不能在采摘作業(yè)時(shí)碰傷的生物柔性體,要求采摘機(jī)器人每次采摘都要用視覺系統(tǒng)對變量目標(biāo)進(jìn)行重新定位,以獲取實(shí)時(shí)、準(zhǔn)確的數(shù)據(jù),傳遞給決策、底層控制系統(tǒng),來控制機(jī)械系統(tǒng)的末端執(zhí)行機(jī)構(gòu)進(jìn)行夾持操作,采摘的過程具有無損性。相對于工業(yè)機(jī)器人視覺應(yīng)用來說,農(nóng)業(yè)采摘機(jī)器人對視覺系統(tǒng)的誤差要求更加嚴(yán)格。

采摘機(jī)器人視覺系統(tǒng)誤差主要包括:圖像匹配誤差和攝像機(jī)標(biāo)定誤差。在這些對視覺相關(guān)的研究中[2-5],存在目標(biāo)匹配率低和運(yùn)行時(shí)間長等問題,這將在很大程度上制約自然環(huán)境下作業(yè)的蘋果采摘機(jī)器人的實(shí)時(shí)性和多任務(wù)性[6]。

本文在文獻(xiàn)[1]關(guān)于立體視覺中的極線幾何的研究基礎(chǔ)上,提出一種基于立體視覺的極限幾何變換,并引入了神經(jīng)網(wǎng)絡(luò),從標(biāo)定與匹配的相結(jié)合的高度來減少采摘機(jī)器人視覺系統(tǒng)總體誤差。

2 匹配

2.1 誤差來源

在農(nóng)業(yè)采摘機(jī)器人進(jìn)行采摘行為前,必須對左右視覺圖像進(jìn)行匹配,以獲取目標(biāo)點(diǎn)深度值信息。假設(shè)在雙目立體視覺模型中,f為攝像機(jī)焦距,d為兩攝像機(jī)的中心距離,ml和mr分別是目標(biāo)點(diǎn)在匹配后的左右圖中位置。根據(jù)三角測量原理,深度值

在ml已知的情況下,根據(jù)匹配基元的不同,立體視覺匹配mr算法分為三大類:區(qū)域匹配、特征匹配和相位匹配。匹配過程中,對于非完全漫反射的物體表面、紋理缺乏的圖像區(qū)域、物體邊緣深度不連續(xù)和遮擋等現(xiàn)象,這三類匹配算法都難以取得準(zhǔn)確的視差|ml-mr|,因而在一定程度上會(huì)造成較大的視覺誤差。在采摘機(jī)器人對生物體進(jìn)行特征匹配的過程中,可以通過極線幾何視覺校正的方式來濾除部分虛假匹配,來改善匹配效果。

2.2 極線幾何變換與匹配校正

在雙目立體視覺系統(tǒng)中,存在著重要的極線幾何關(guān)系,如圖1所示,其中:OL、OR分別為左右攝像機(jī)中心,Il 、Ir 分別為左右圖像平面,M和M/為被觀察的場景點(diǎn)。點(diǎn)OL 、OR 和M構(gòu)成的平面稱為極面,極面與圖像平面Il 、Ir分別相交的兩條直線稱為極線。

3 標(biāo)定

3.1 誤差來源

雙攝像機(jī)標(biāo)定就是指通過建立攝像機(jī)成像的幾何模型,并利用給定物體的世界坐標(biāo)(x,y,z)和它的兩個(gè)圖像坐標(biāo)(u,v),來求解單個(gè)攝像機(jī)內(nèi)部的幾何和光學(xué)參數(shù)以及兩個(gè)攝像機(jī)在三維世界中的坐標(biāo)關(guān)系的過程?，F(xiàn)有的攝像機(jī)標(biāo)定技術(shù)大體可以歸結(jié)為兩類:傳統(tǒng)的攝像機(jī)標(biāo)定方法和攝像機(jī)自標(biāo)定方法[8]。由于攝像機(jī)光學(xué)系統(tǒng)并不是精確地按理想化的小孔成像原理工作,存在有非線性透鏡畸變,物體點(diǎn)在攝像機(jī)成像面上實(shí)際所成的像與理想成像之間存在有光學(xué)畸變誤差。主要的畸變誤差分為三類:徑向畸變、偏心畸變和薄棱鏡畸變。按照求解非線性畸變校正參數(shù)的過程,傳統(tǒng)的攝像機(jī)標(biāo)定方法可以分成四類,即利用最優(yōu)化算法的標(biāo)定方法,利用攝像機(jī)變換矩陣的標(biāo)定方法,進(jìn)一步考慮畸變補(bǔ)償?shù)膬刹椒ê筒捎酶鼮楹侠淼臄z像機(jī)成像模型的雙平面標(biāo)定方法。

農(nóng)業(yè)機(jī)器人的作業(yè)是無損采摘的過程,對攝像機(jī)參數(shù)的標(biāo)定要求比較嚴(yán)格。傳統(tǒng)的攝像機(jī)畸變畸變模型,都是通過線性或非線性的畸變補(bǔ)償進(jìn)行標(biāo)定誤差修正,在標(biāo)定的過程中沒有很好的考慮到匹配過程中一些因素。為了更準(zhǔn)確快速的進(jìn)行匹配和盡可能減少標(biāo)定誤差,本系統(tǒng)在傳統(tǒng)的攝像機(jī)標(biāo)定方法基礎(chǔ)上,采用極線幾何修正和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來對攝像機(jī)進(jìn)行隱式標(biāo)定。

3.2 基于極線幾何變換的BP神經(jīng)網(wǎng)絡(luò)標(biāo)定

在攝像機(jī)線性標(biāo)定模型中,點(diǎn)M的世界坐標(biāo)(Xw, Yw, Zw)與其圖像幀存坐標(biāo)(u,v)存在如下關(guān)系:

第3篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；人臉識別；MATLAB

中圖分類號：TP391

隨著科技的發(fā)展，對人臉識別技術(shù)的發(fā)展要求越來越迫切，如（1）在企業(yè)、住宅安全和管理方面，要求實(shí)現(xiàn)人臉識別門禁考勤系統(tǒng)，人臉識別防盜門等。（2）在公安、司法和刑偵方面，利用人臉識別，在全國范圍內(nèi)搜捕逃犯。（3）在銀行的自動(dòng)提款機(jī)中，如果應(yīng)用人臉識別就會(huì)避免由于用戶卡片和密碼被盜。（4）在電子商務(wù)交易過程中，如果使用人臉識別實(shí)現(xiàn)當(dāng)事人在網(wǎng)上的數(shù)字身份和真實(shí)身份統(tǒng)一，便增加了電子商務(wù)的可靠性。而人臉識別的軟件系統(tǒng)開發(fā)，是聯(lián)系理論和實(shí)踐的最重要的環(huán)節(jié)，因此實(shí)現(xiàn)人臉識別系統(tǒng)的開發(fā)應(yīng)用越來越重要。

1 BP網(wǎng)絡(luò)的概述

1.1 BP神經(jīng)網(wǎng)絡(luò)的定義。前饋多層神經(jīng)網(wǎng)絡(luò)廣泛的應(yīng)用于模式識別與分類、控制、預(yù)測、圖像處理等問題，是當(dāng)今社會(huì)應(yīng)用最廣、發(fā)展最快的人工神經(jīng)網(wǎng)絡(luò)之一。由于此神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值閾值的確定常采用誤差反向傳播算法（Back Propagation，簡稱作BP算法），所以通常稱這種前饋網(wǎng)絡(luò)為BP網(wǎng)絡(luò)。典型的BP網(wǎng)絡(luò)是三層網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。各層之間實(shí)行全連接，而其中隱含層可以是一層，也可以是多層（如圖1）。

圖1 單隱含層的BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)的學(xué)習(xí)由四個(gè)過程組成，即：（1）輸入模式：輸入層經(jīng)隱含層向輸出層的“模式順傳播”過程；（2）網(wǎng)絡(luò)的理論輸出與網(wǎng)絡(luò)實(shí)際輸出之差的誤差信號：由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程；（3）由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程；（4）網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過程。簡言之，就是由“模式順傳播”“誤差逆?zhèn)鞑ァ薄坝洃浻?xùn)練”“學(xué)習(xí)收斂”的過程。傳遞函數(shù)一般為（0，1）S型函數(shù) 。BP網(wǎng)絡(luò)隱層中的神經(jīng)元均采用S型交換函數(shù)，輸出層則采用純線性變換函數(shù)。

1.2 BP網(wǎng)絡(luò)的算法。BP算法可描述為大致五步：（1）初始化各權(quán)值為較小的隨機(jī)值；（2）選取訓(xùn)練集；（3）根據(jù)輸入計(jì)算理論輸出；（4）調(diào)節(jié)輸出層和隱含層的連接權(quán)值；（5）返回第二步反復(fù)訓(xùn)練網(wǎng)絡(luò)直至誤差理想為止。

其流程圖如圖2：

圖2 神經(jīng)網(wǎng)絡(luò)算法流程圖

2 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉識別

2.1 設(shè)計(jì)思路。本設(shè)計(jì)采用50幅圖像（10個(gè)人每人5幅）作為訓(xùn)練圖像，應(yīng)用主成分分析對訓(xùn)練圖像進(jìn)行二階相關(guān)和降維，提取訓(xùn)練圖像的獨(dú)立基成分構(gòu)造人臉子空間，并將訓(xùn)練集中的人臉圖像向獨(dú)立基上投影得到的系數(shù)輸入改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后將待識別的人臉圖像向獨(dú)立基上投影得到投影系數(shù)，再將其輸入已訓(xùn)練過的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識別。設(shè)計(jì)結(jié)構(gòu)如圖3。

圖3 人臉識別系統(tǒng)結(jié)構(gòu)

2.2 BP網(wǎng)絡(luò)的創(chuàng)建和初始化。因網(wǎng)絡(luò)的輸入矢量與輸出矢量相差較大，為了減少網(wǎng)絡(luò)的訓(xùn)練誤差，在建立網(wǎng)絡(luò)之前要對輸入矢量進(jìn)行歸一化。這里我們利用premnmx函數(shù)把輸入初始化在[-1，1]之間。程序代碼如下：

p=premnmx（p'）'；

t=[1000；1000；1000；1000；1000；0100；0100；0100；0100；0100；

0010；0010；0010；0010；0010；0001；0001；0001；0001；0001]'

2.3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)。本設(shè)計(jì)的方法如下：

%設(shè)計(jì)神經(jīng)網(wǎng)路

[prow pcol]=size（p）；

num=prow*pcol；%提取p中元素個(gè)數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)

net=newff（minmax（p），[num，10，4]，{'tansig'，'tansig'，'purelin'}，'traingda'）；%隱層神經(jīng)元個(gè)數(shù)為10，輸出層神經(jīng)元個(gè)數(shù)為4，4表示識別出人

net.trainParam.show=200；%顯示速率為200

net.trainParam.lr=0.01；%學(xué)習(xí)率為0.01

net.trainParam.epochs=5000；%迭代次數(shù)不超5000

net.trainParam.goal=0.001；%訓(xùn)練誤差為0.001

[net，tr]=train（net，p，t）；

網(wǎng)絡(luò)的訓(xùn)練函數(shù)有很多種，如trainlm，其中traingd學(xué)習(xí)算法是一般的剃度下降法；traingdx學(xué)習(xí)算法是剃度下降動(dòng)量法，學(xué)習(xí)速率是自適應(yīng)的。Trainlm的學(xué)習(xí)算法為Levenberg-Marquadt反傳算法，該訓(xùn)練函數(shù)的優(yōu)點(diǎn)在于收斂速度很快。本設(shè)計(jì)選用的訓(xùn)練函數(shù)為traingdx，在網(wǎng)絡(luò)達(dá)到起訓(xùn)練誤差要求時(shí)會(huì)自動(dòng)停止，節(jié)省訓(xùn)練時(shí)間。訓(xùn)練過程中為了得到較小的誤差，可以增加訓(xùn)練次數(shù)。

2.4 系統(tǒng)的性能評估。為了測試設(shè)計(jì)的網(wǎng)絡(luò)模式識別系統(tǒng)的可靠性，這里用50幅圖像輸入樣本，來觀察其輸出結(jié)果。通過程序演示，基本可以識別出不同的人臉特征。如果要提高精度，可以延長網(wǎng)絡(luò)的訓(xùn)練時(shí)間，或者是將網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)目增多。為了測試系統(tǒng)，可提取幾取幾幅人臉圖片數(shù)據(jù)，然后把它們輸入到網(wǎng)絡(luò)中，觀察其得到的輸出，并進(jìn)行誤差分析。

3 結(jié)束語

本設(shè)計(jì)是利用BP算法，以MATLAB軟件作為工具手段，建立人臉識別的BP神經(jīng)網(wǎng)絡(luò)，且利用50副人臉圖像數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)能辨別出人臉信息。結(jié)果說明，本設(shè)計(jì)在人臉識別方面有比較好的優(yōu)勢。

在本設(shè)計(jì)中，使用了不人臉圖像數(shù)據(jù)作為輸入來訓(xùn)練網(wǎng)絡(luò)，提高了整個(gè)網(wǎng)絡(luò)容錯(cuò)的能力，這樣更適合在實(shí)際環(huán)境中使用。

參考文獻(xiàn)：

[1]藺廣逢，繁引娣，張媛.主成分分析與BP神經(jīng)網(wǎng)絡(luò)的人臉識別方法研究[J].現(xiàn)代電子技術(shù)，2007（02）.

[2]MartinT.Hag，Howard B.Demuth. Neural Network Design Original[M].PSW publishing company.

[3]張威.MATLAB基礎(chǔ)與編程入門[M].西安：西安電子科技大學(xué)出版社，2004.

[4]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，2003.

第4篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

【摘要】 目的：應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計(jì)一種類風(fēng)濕關(guān)節(jié)炎疾病診斷的方法。方法：選用對類風(fēng)濕關(guān)節(jié)炎敏感的8個(gè)指標(biāo)，作為BP人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，對樣本進(jìn)行訓(xùn)練和預(yù)測。結(jié)果：BP人工神經(jīng)網(wǎng)絡(luò)經(jīng)通過對150例樣本的運(yùn)算，訓(xùn)練集的113例樣本，訓(xùn)練正確率為97.4%;預(yù)測集的37例樣本，預(yù)測正確率為91.9%。結(jié)論：BP人工神經(jīng)網(wǎng)絡(luò)能為類風(fēng)濕關(guān)節(jié)炎作出較準(zhǔn)確的診斷，能提高診斷的客觀性。

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò); 類風(fēng)濕關(guān)節(jié)炎; 預(yù)測

類風(fēng)濕關(guān)節(jié)炎(Rheumatoid arthritis ，RA)是一種以關(guān)節(jié)滑膜發(fā)生慢性炎性病變的自身免疫性疾病，其病程多呈進(jìn)行性進(jìn)展，致殘率高，治愈率低下[1]，早期臨床表現(xiàn)不典型，單項(xiàng)自身抗體檢測的靈敏度和特異性均有不足，類風(fēng)濕因子的檢出率也偏低，容易造成誤診[2，3]。因此醫(yī)務(wù)人員主要是通過敏感性互補(bǔ)的幾個(gè)檢驗(yàn)指標(biāo)和臨床表現(xiàn)對類風(fēng)濕關(guān)節(jié)炎作出診斷[4]，但在疾病的診斷中往往帶有很多的主觀因素。近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)是種理論化的數(shù)學(xué)模型，是模仿人腦神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)及其功能而建立起來的一種信息處理系統(tǒng)，具有自行學(xué)習(xí)、聯(lián)想記憶、錯(cuò)誤容納和強(qiáng)大的非線性處理能力[5]。因此人工神經(jīng)網(wǎng)絡(luò)常常被應(yīng)用到臨床醫(yī)學(xué)疾病的診斷上。本研究結(jié)合類風(fēng)濕關(guān)節(jié)炎診斷的8個(gè)主要指標(biāo)，設(shè)計(jì)一種基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過對150例樣本的網(wǎng)絡(luò)運(yùn)算，探討了人工神經(jīng)網(wǎng)絡(luò)對類風(fēng)濕關(guān)節(jié)炎診斷的可行性。

1 人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)可以通過對外界信息的學(xué)習(xí)，以特定的方式對這些信息進(jìn)行處理和概括，從而具備了對這些信息的識別功能，并產(chǎn)生了一個(gè)相對應(yīng)的結(jié)論。因此，再次給人工神經(jīng)網(wǎng)絡(luò)這樣一個(gè)相似的條件時(shí)，神經(jīng)網(wǎng)絡(luò)就會(huì)根據(jù)已學(xué)到的知識，自行推理判斷，得到一個(gè)我們需要的結(jié)果。

1.1 人工神經(jīng)元

人工神經(jīng)元是組成人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，簡稱為神經(jīng)元。如圖1顯示了一個(gè)具有r個(gè)輸入分量的人工神經(jīng)元模型[6]。

圖1中p(r=1，2，…，r) 為該神經(jīng)元的輸入數(shù)據(jù);Wr 為該神經(jīng)元分別與各輸入數(shù)據(jù)間的連接強(qiáng)度，稱為連接權(quán)重，權(quán)重值的大小代表上一級神經(jīng)元對下一級神經(jīng)元的影響程度。b為該神經(jīng)元的閾值，f(x)為作用于神經(jīng)元的激勵(lì)函數(shù)，通常采用的是S 型函數(shù)，其數(shù)學(xué)表達(dá)式見式(1)[7]：

f(x)=(1+e-Qx)-1(1)

a為神經(jīng)元的輸出數(shù)據(jù)。神經(jīng)元將接收信息pi與連接權(quán)重wi 的點(diǎn)乘積求和構(gòu)成其總輸入， 在神經(jīng)元閾值b的作用下經(jīng)函數(shù)f(x)的作用，產(chǎn)生信號輸出a。

圖1 人工神經(jīng)元模型

1.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由多個(gè)不同的神經(jīng)元連接而成，一般含有多個(gè)層次，每個(gè)層次又包含了多個(gè)神經(jīng)元，上一層次的神經(jīng)元只能對下一層的神經(jīng)元產(chǎn)生作用，同層神經(jīng)元間無相互作用[7]。根據(jù)神經(jīng)元的不同連接方式，就形成了不同功能的連接網(wǎng)絡(luò)模型。比如BP神經(jīng)網(wǎng)絡(luò)，Kohonen神經(jīng)網(wǎng)絡(luò)，Hopfield神經(jīng)網(wǎng)絡(luò)等等，多達(dá)數(shù)十種。在醫(yī)學(xué)中應(yīng)用比較廣泛的是BP神經(jīng)(Back Propagation)，也就是誤差逆向傳遞網(wǎng)絡(luò)[8]，本研究中采用的也是BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)一般由輸入層，隱含層和輸出層構(gòu)成，其結(jié)構(gòu)模型如圖2所示。

神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元是接受外界信息的端口，不包括數(shù)據(jù)運(yùn)算功能，他將外界的輸入數(shù)據(jù)通過一個(gè)連接權(quán)重傳遞給下一隱含層的神經(jīng)元。隱含層是神經(jīng)網(wǎng)絡(luò)的核心部分，數(shù)量上可以有一個(gè)或多個(gè)層次，隨著層次的增多，網(wǎng)絡(luò)結(jié)構(gòu)變得更復(fù)雜，網(wǎng)絡(luò)數(shù)據(jù)處理功能也增強(qiáng)。網(wǎng)絡(luò)的最后一層是輸出層，輸出層接收到隱含層的各項(xiàng)信息，然后經(jīng)過轉(zhuǎn)換把信息傳給外界。

輸入層 隱含層 輸出層

圖2 BP人工神經(jīng)網(wǎng)絡(luò)模型

1.3 人工神經(jīng)網(wǎng)絡(luò)工作原理

為了解決臨床上對疾病的預(yù)測或識別等問題，神經(jīng)網(wǎng)絡(luò)主要是通過學(xué)習(xí)來獲取"知識"或"經(jīng)驗(yàn)"的，這一過程總體上可分為訓(xùn)練和預(yù)測兩個(gè)階段。所謂訓(xùn)練就是形成一種病因與疾病之間的函數(shù)映射關(guān)系，即給定一個(gè)實(shí)際輸出與期望輸出的目標(biāo)誤差值，將病人的各種病因、實(shí)驗(yàn)室檢查、影像超聲檢查、臨床表現(xiàn)等作為網(wǎng)絡(luò)的輸入信息加到其輸入端，輸入信息經(jīng)過隱含層神經(jīng)元的處理后，傳遞給輸出層。如果輸出層得到的結(jié)果大于預(yù)先給定的誤差目標(biāo)值時(shí)，神經(jīng)網(wǎng)絡(luò)將這種誤差信號沿原來的傳遞路線逐層返回，并調(diào)節(jié)各個(gè)層次間神經(jīng)元連接的權(quán)重值，這種過程不斷交替進(jìn)行，直到誤差達(dá)到目標(biāo)值時(shí)，訓(xùn)練過程結(jié)束。經(jīng)過訓(xùn)練可使疾病的各種情況分布到連接權(quán)上， 使學(xué)習(xí)后的網(wǎng)絡(luò)權(quán)重值存儲(chǔ)了臨床癥狀和疾病類型等相關(guān)的知識，此時(shí)可以認(rèn)為神經(jīng)網(wǎng)絡(luò)建立起了病人的各種因素與該病人是否患有某種疾病的映射關(guān)系，這種映射關(guān)系就是一個(gè)預(yù)測疾病的判別函數(shù)。預(yù)測就是檢驗(yàn)判別函數(shù)的可靠程度，利用一些未包括在訓(xùn)練集中的樣本構(gòu)成預(yù)測集，將預(yù)測集中與疾病相關(guān)的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中去，在訓(xùn)練階段所得到的判別函數(shù)的作用下，就可以得到一個(gè)測試結(jié)果，從網(wǎng)絡(luò)的輸出端就可以診斷病人是否為疾病患者。

2 人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎實(shí)例

2.1 病例選取及變量確定

實(shí)驗(yàn)數(shù)據(jù)來源于哈爾濱醫(yī)科大學(xué)附屬醫(yī)院，總共有150例。其中類風(fēng)濕關(guān)節(jié)炎患者83例，女71例，占85.5%;男12例，占14.5%。年齡范圍為20～79歲，平均年齡為48.92歲。所有患者均符合1987年美國風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)。用來作正常對照的有67例，其中女62例，占92.5%;男5例，占%7.5，年齡范圍為18～79歲，平均年齡為43.63歲。病人資料主要包括臨床癥狀與體征，相關(guān)實(shí)驗(yàn)室檢查，相應(yīng)影像學(xué)檢查。

根據(jù)中華醫(yī)學(xué)會(huì)風(fēng)濕病學(xué)分會(huì)制定的類風(fēng)濕關(guān)節(jié)炎診斷指南，典型的類風(fēng)濕關(guān)節(jié)炎按照1987年美國風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)來診斷并不困難，但某些不典型、早期類風(fēng)濕關(guān)節(jié)炎，常常被誤診或漏診。2008年，胡勇等[9]通過研究發(fā)現(xiàn)，抗CCP抗體對類風(fēng)濕關(guān)節(jié)炎的敏感性和特異性分別為80.0%和93.7 %，聯(lián)合抗CCP抗體和RF可以提高診斷的準(zhǔn)確性，對類風(fēng)濕關(guān)節(jié)炎的早期診斷有重要意義。因此為了提高神經(jīng)網(wǎng)絡(luò)診斷各種類型類風(fēng)濕關(guān)節(jié)炎的準(zhǔn)確率，我們選取了x1(關(guān)節(jié)晨僵)、x2(對稱性關(guān)節(jié)炎)、x3(腕、掌指或者近端指間關(guān)節(jié)至少有一個(gè)關(guān)節(jié)腫)、x4(3個(gè)或者3個(gè)以上關(guān)節(jié)部位腫)、x5(關(guān)節(jié)X線改變)、x6(皮下結(jié)節(jié))、x7(RF )和x8(抗CCP抗體)這8個(gè)指標(biāo)來作為神經(jīng)網(wǎng)絡(luò)運(yùn)算的輸入數(shù)據(jù)。其中x1、x2、x3、x4、x5、x6和x7這幾個(gè)輸入數(shù)據(jù)是1987年美國風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)所包含的內(nèi)容，x8是為了提高對不典型、早期類風(fēng)濕關(guān)節(jié)炎的診斷所采用的輸入數(shù)據(jù)。上述x1、x2、x3、x4、x5、x6是定性變量(離散變量)，臨床上常用陽性和陰性來描述，實(shí)驗(yàn)中用1和0對這些變量進(jìn)行賦值，當(dāng)變量值為1時(shí)表示陽性，為0時(shí)表示陰性;而變量x7、x8是定量變量(連續(xù)變量)，用原始數(shù)據(jù)來描述。

2.2 確定訓(xùn)練樣本及預(yù)測樣本

在以上150例樣本中(83例類風(fēng)濕關(guān)節(jié)炎和67例正常對照)中分別選取63例類風(fēng)濕關(guān)節(jié)炎和50例正常對照的樣本，用來組成訓(xùn)練集，并用1～113的數(shù)字對其進(jìn)行順序編號，1～63號代表是類風(fēng)濕關(guān)節(jié)炎，64～113號代表的是正常對照組的樣本。剩余的樣本用來組成預(yù)測集，集中樣本總數(shù)為37例，其中類風(fēng)濕關(guān)節(jié)炎患者有20例，正常對照組有17例，也用同樣的方法進(jìn)行編號。訓(xùn)練集與預(yù)測集樣本比例大約為4:1。

2.3 網(wǎng)絡(luò)參數(shù)的設(shè)定及算法程序

首先對神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定如下：輸入神經(jīng)元個(gè)數(shù)為8，輸出神經(jīng)元個(gè)數(shù)為1，期望目標(biāo)輸出值用0表示正常，用1表示類風(fēng)濕關(guān)節(jié)炎，隱含層采用tansig函數(shù)。訓(xùn)練次數(shù)為6000次，訓(xùn)練目標(biāo)為0.06，學(xué)習(xí)速度為0.05，網(wǎng)絡(luò)連接權(quán)重初始值是[-1，1]之間的隨機(jī)數(shù)，其次網(wǎng)絡(luò)進(jìn)行運(yùn)算所采用的是批動(dòng)量梯度下降算法，應(yīng)用MATLAB6.5來編寫該程序算法。

2.4 訓(xùn)練及預(yù)測結(jié)果

將訓(xùn)練集樣本的8個(gè)指標(biāo)輸入到BP網(wǎng)絡(luò)的算法程序中，網(wǎng)絡(luò)經(jīng)過500次的訓(xùn)練后，達(dá)到了訓(xùn)練目標(biāo)的要求，訓(xùn)練結(jié)果如圖3所示，預(yù)測輸出以0.5為閾值，>0.5者為類風(fēng)濕關(guān)節(jié)炎患者，

圖3 113例樣本訓(xùn)練結(jié)果從訓(xùn)練得到的圖形可以看出，63例類風(fēng)濕關(guān)節(jié)炎患者中有54例訓(xùn)練結(jié)果都在目標(biāo)輸出值1附近，而且非?？拷?。只有9例稍微偏離了目標(biāo)輸出值1，由于輸出結(jié)果均在0.5～1.5的范圍內(nèi)，可以認(rèn)為訓(xùn)練結(jié)果與實(shí)際相吻合。類似的在50例正常對照組中，有47例輸出結(jié)果都在目標(biāo)值0的附近，輸出值都在0～0.5之間，訓(xùn)練結(jié)果與實(shí)際也相吻合。而編號為64、75、92的3例樣本，其輸出值大于0.5，明顯大于目標(biāo)輸出值0，樣本訓(xùn)練結(jié)果有錯(cuò)誤。綜上所述，訓(xùn)練集中113例樣本有110訓(xùn)練正確，訓(xùn)練正確率達(dá)到97.4%。

經(jīng)過訓(xùn)練可以得到一個(gè)能反映類風(fēng)濕關(guān)節(jié)炎疾病情況的神經(jīng)網(wǎng)絡(luò)模型。把預(yù)測集樣本的數(shù)據(jù)導(dǎo)入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，進(jìn)行預(yù)測，預(yù)測的結(jié)果如圖4。

圖4 37例樣本預(yù)測結(jié)果從上圖的輸出結(jié)果可以看出，在20例類風(fēng)濕關(guān)節(jié)炎樣本的預(yù)測中，19例樣本的輸出結(jié)果主要集中在目標(biāo)輸出值1附近，沒有超出0.5～1.5的范圍，可以視為預(yù)測結(jié)果與實(shí)際相符合，而編號為1的樣本，其輸出值小于0.5，偏離了目標(biāo)輸出值1，預(yù)測結(jié)果錯(cuò)誤。另外17例正常對照組中，15例預(yù)測結(jié)果與實(shí)際相符合，而編號為27、33號的樣本其輸出值大于0.5，明顯偏離目標(biāo)輸出值0，預(yù)測不正確。所以對于預(yù)測的總體樣本來說，34例預(yù)測正確，準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%。

訓(xùn)練集和預(yù)測集的樣本，經(jīng)BP神經(jīng)網(wǎng)絡(luò)運(yùn)算，其結(jié)果如表1所示。表1 BP神經(jīng)網(wǎng)絡(luò)測試樣本的計(jì)算結(jié)果

3 討論

由表1可知，2例預(yù)測有誤的樣本，它們來源于預(yù)測集的正常對照組中。同樣在訓(xùn)練階段，運(yùn)算有誤的3例樣本也全都來源于訓(xùn)練集的正常對照組中。由此可見，運(yùn)算有誤的樣本在訓(xùn)練集和預(yù)測集之間存在一種對應(yīng)關(guān)系，即神經(jīng)網(wǎng)絡(luò)對樣本訓(xùn)練的錯(cuò)誤率越高，其預(yù)測的準(zhǔn)確率就越低。同時(shí)，一些樣本的訓(xùn)練和預(yù)測結(jié)果也出現(xiàn)了較大范圍的波動(dòng)，沒有集中在目標(biāo)值為1和0的這兩條直線上。出現(xiàn)這種結(jié)果的原因可能是：有些樣本數(shù)據(jù)偏倚，訓(xùn)練樣本總數(shù)又不是很多，從而導(dǎo)致這些數(shù)據(jù)偏倚的樣本所占的比例較大，在總體中表現(xiàn)出來的作用也就較強(qiáng)。因此加大訓(xùn)練樣本的數(shù)量，選擇數(shù)據(jù)偏倚較少或者更有代表性的樣本來學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就能更準(zhǔn)確的反映疾病自身情況，同時(shí)網(wǎng)絡(luò)所包含的病因與疾病間相映射的函數(shù)關(guān)系也就更具有普遍性。

對疾病診斷過程而言，人工神經(jīng)網(wǎng)絡(luò)能夠模擬專家級醫(yī)師診斷疾病的思維過程和獲得診斷疾病的相關(guān)知識。此后對疾病進(jìn)行預(yù)測時(shí)就可以避免醫(yī)師對疾病診斷的主觀性及思維定勢，因此能提高疾病診斷的客觀性。盡管臨床上也存在一些疾病患者，往往因?yàn)樵\斷數(shù)據(jù)的缺失，給醫(yī)師診斷帶來了很多的困難或是誤診，然而神經(jīng)網(wǎng)絡(luò)具有的容錯(cuò)性質(zhì)以及能根據(jù)訓(xùn)練得來的知識和處理問題的經(jīng)驗(yàn)，對上述缺失的數(shù)據(jù)等這種復(fù)雜的問題，做出合理的判斷與推理，從而為病人做出較正確的診斷。

在疾病診斷方面， 按照1987年美國風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)，對一些不典型，早期的類風(fēng)濕關(guān)節(jié)炎常常不能作出正確的診斷，特異性也低，往往造成誤診。然而基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過對37例樣本的預(yù)測，預(yù)測結(jié)果表明：本方法對類風(fēng)濕關(guān)節(jié)炎的診斷，其準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%，可作為疾病診斷的一種新方法。當(dāng)然，實(shí)驗(yàn)中也存在一些問題有待于進(jìn)一步研究，如輸入變量的選擇及其數(shù)據(jù)處理，網(wǎng)絡(luò)初始權(quán)重的計(jì)算，網(wǎng)絡(luò)訓(xùn)練的最佳原則，隱含層數(shù)的設(shè)計(jì)等等。隨著研究的進(jìn)一步深入，人工神經(jīng)網(wǎng)絡(luò)必將得到臨床工作者的認(rèn)同并為疾病研究帶來諸多的便利。

【參考文獻(xiàn)】

1 顧福榮，張義東，施錦杰.抗CCP抗體、抗RA33抗體、抗Sa 抗體和RF聯(lián)合檢測對類風(fēng)濕性關(guān)節(jié)炎診斷的意義.江西醫(yī)學(xué)檢驗(yàn)，2007，25(1):24～25.

2 Matsuo K，Xiang Y，Nakamura H，et al.Identification of novel eitrullinated autoantigens of synovium in rheumatoid arthritis using a proteomie approach.Arthritis Res Ther，2006，8(6):1～3.

3 Harrison MJ，Paget SA. Anti2CCP antibody testing as a diagnostic and prognostic tool in rheumatoid arthritis.QJM，2007，100(4):193～201.

4 王青青.類風(fēng)濕性關(guān)節(jié)炎的診斷與治療.全科醫(yī)學(xué)臨床與教育.2008，6(2):92～94.

5 孫文恒，王煒，周文策.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在胰腺癌診斷中的應(yīng)用.蘭州大學(xué)學(xué)報(bào)，2008，44(7)：224～227.

6 宋燁，楊本付，人工神經(jīng)網(wǎng)絡(luò)及其在疾病診斷中的應(yīng)用，中華醫(yī)學(xué)實(shí)踐雜志，2006，5(3):275～277.

7 王俊杰，陳景武.BP神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測中的應(yīng)用.理理醫(yī)藥學(xué)雜志，2005，21(3):259～262.

第5篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

關(guān)鍵詞：水動(dòng)力模型，ANN神經(jīng)網(wǎng)絡(luò)系統(tǒng)，模型數(shù)據(jù)，缺失數(shù)據(jù)模擬

中圖分類號：G250.72 文獻(xiàn)標(biāo)識碼：A

我國大多數(shù)的城市管網(wǎng)建設(shè)滯后于水廠建設(shè),給水管網(wǎng)的鋪設(shè)會(huì)隨城市的發(fā)展不斷地鋪設(shè)延長，與之相對應(yīng)的是用水量的急劇增長，與老管線的協(xié)調(diào)規(guī)劃問題等等，這一切的問題都使地下管線的管理成為一個(gè)極其復(fù)雜的問題。構(gòu)建水動(dòng)力模型，可以實(shí)時(shí)的看到管網(wǎng)的薄弱環(huán)節(jié)，并且通過分析得知造成管網(wǎng)問題的原因。水動(dòng)力模型可以應(yīng)用于并的給水系統(tǒng)的規(guī)劃，設(shè)計(jì)及改擴(kuò)建；管網(wǎng)改造優(yōu)先性評估；管網(wǎng)改造并行方案的的成本分析，運(yùn)行情況；指導(dǎo)和幫助安排管網(wǎng)檢漏工作等。

建立水動(dòng)力模型是一項(xiàng)復(fù)雜并且富有難度的工程，需要將給水管道的的信息，包括管道的管徑、材質(zhì)、管齡，粗糙系數(shù)等如實(shí)的反應(yīng)到模型中，運(yùn)行模型后要選擇管網(wǎng)中具有典型代表性的節(jié)點(diǎn)，得到這些節(jié)點(diǎn)的節(jié)點(diǎn)流量與節(jié)點(diǎn)壓力模擬值，將這些曲線與實(shí)際中該節(jié)點(diǎn)的流量與壓力曲線進(jìn)行對比。通過調(diào)整管網(wǎng)的粗糙系數(shù)，節(jié)點(diǎn)流量分配等核心數(shù)據(jù)使模擬曲線與實(shí)測曲線相吻合，這個(gè)過程稱之為模型校核。校核后的模型才能應(yīng)用于實(shí)際的工程工作中。

模型搭建和校核的過程中需要許多數(shù)據(jù)，而在現(xiàn)有國內(nèi)的自來水公司，極少有完備的數(shù)據(jù)，而這些數(shù)據(jù)的檢測和整理是一項(xiàng)復(fù)雜并且耗費(fèi)財(cái)力的工程。當(dāng)有所需的數(shù)據(jù)缺失時(shí)，根據(jù)現(xiàn)有的數(shù)據(jù)搭建ANN（人工神經(jīng)網(wǎng)絡(luò)）模型，模擬出缺失的數(shù)據(jù)曲線，從而用于水動(dòng)力模型的校核工作中。譬如，節(jié)點(diǎn)流量曲線、節(jié)點(diǎn)壓力曲線、節(jié)點(diǎn)的化學(xué)物質(zhì)殘留量曲線等等。

1 人工神經(jīng)網(wǎng)絡(luò)的概念

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activation function）。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達(dá)。人工神經(jīng)網(wǎng)絡(luò)是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用,通過統(tǒng)計(jì)學(xué)的標(biāo)準(zhǔn)數(shù)學(xué)方法我們能夠得到大量的可以用函數(shù)來表達(dá)的局部結(jié)構(gòu)空間,通過統(tǒng)計(jì)學(xué)的方法,人工神經(jīng)網(wǎng)絡(luò)能夠類似人 一樣具有簡單的決定能力和簡單的判斷能力,這種方法比起正式的邏輯學(xué)推理演算更具有優(yōu)勢。因?yàn)樗恍枰娴臄?shù)據(jù)。實(shí)踐證明只要中間的隱含層個(gè)數(shù)足夠多，ANN神經(jīng)網(wǎng)絡(luò)無限逼近任何連續(xù)函數(shù)。

圖1 3層ANN（BP）網(wǎng)絡(luò)結(jié)構(gòu)

Fig. 1 Three level ANN model’s structure

2基于ANN人工神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)壓力模型的建立

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)能夠?qū)W習(xí),能夠總結(jié)歸納的系統(tǒng),也就是說它能夠通過已知數(shù)據(jù)的實(shí)驗(yàn)運(yùn)用來學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對局部情況的對照比較,它能夠推理產(chǎn)生一個(gè)可以自動(dòng)識別的系統(tǒng)。人工網(wǎng)絡(luò)系統(tǒng)之所以能夠推理,基礎(chǔ)是需要有一個(gè)推理算法則的集合。在本次的實(shí)例檢驗(yàn)過程中使用相關(guān)系數(shù)和確定性系數(shù)來衡量模型的準(zhǔn)確性，如果確定性系數(shù)越大，預(yù)測值和實(shí)測值的相關(guān)系數(shù)越大，誤差就越小，模型的計(jì)算結(jié)果就越好。通過對模型精度的分析，判斷節(jié)點(diǎn)壓力曲線是否可以用于水動(dòng)力模型的，模型校核工作中。

其實(shí)人工神經(jīng)網(wǎng)絡(luò)就是一個(gè)黑箱子，它所建立的模型不是基于實(shí)際的物理聯(lián)系，而是基于我們所記錄數(shù)據(jù)和所得值之間的函數(shù)關(guān)系（這種函數(shù)關(guān)系在運(yùn)算的過程中不得而知），對于人工神經(jīng)網(wǎng)絡(luò)的計(jì)算過程我們不關(guān)心也不必去了解它計(jì)算過程的細(xì)節(jié)。人工神經(jīng)網(wǎng)絡(luò)在做出預(yù)測之前是使用記錄數(shù)據(jù)的學(xué)習(xí)過程，之后的使用就是在上面的學(xué)習(xí)過程之后，人工神經(jīng)網(wǎng)絡(luò)會(huì)擬合出一個(gè)比較準(zhǔn)確的函數(shù)關(guān)系從而會(huì)根據(jù)所給數(shù)據(jù)預(yù)測出我們所關(guān)心變量的結(jié)果。

本文以節(jié)點(diǎn)壓力曲線的模擬為例子，闡述ANN模型的搭建，以及模擬結(jié)果的精確性。

已有的數(shù)據(jù)為給水管網(wǎng)中8個(gè)節(jié)點(diǎn)的壓力曲線，靠近泵站的一個(gè)節(jié)點(diǎn)的壓力缺失某幾個(gè)小時(shí)的數(shù)據(jù)，現(xiàn)利用已知數(shù)據(jù)搭建ANN模型，模擬出此時(shí)，一個(gè)小時(shí)后，兩個(gè)小時(shí)后，4個(gè)小時(shí)后的模擬壓力曲線。通過對模型結(jié)果的分析，得出其結(jié)果是否能用于水動(dòng)力模型校核工作。

2.1 訓(xùn)練模式對的準(zhǔn)備工作

對于管網(wǎng)中的節(jié)點(diǎn)壓力來講，他們之間具有相關(guān)性，因?yàn)樵陬A(yù)測未知點(diǎn)的壓力曲線時(shí)，其他管網(wǎng)中的節(jié)點(diǎn)都是未知節(jié)點(diǎn)的重要影響因子。因此在搭建模型時(shí)要在輸入層配置相應(yīng)的單元用來模擬未知節(jié)點(diǎn)的壓力曲線。

目標(biāo)節(jié)點(diǎn)預(yù)見期壓力=F{（某時(shí)間點(diǎn)NODE1水位）,（某時(shí)間點(diǎn)NODE2水位）,（某時(shí)間點(diǎn)NODE3水位）…(某時(shí)間點(diǎn)NODE8水位)}某時(shí)間點(diǎn)指的是預(yù)見期之前某個(gè)相應(yīng)的時(shí)間點(diǎn)。

整個(gè)模型從數(shù)據(jù)輸入到結(jié)果分析的過程可以用流程圖表示出來。數(shù)據(jù)輸入->數(shù)據(jù)編輯->模型參數(shù)確立->運(yùn)行模型->模型結(jié)果分析。

2.2 目標(biāo)函數(shù)（確定性系數(shù)）的確立

R= 式-1

式中 R為確定性系數(shù)

為該城市實(shí)測河流水位

為實(shí)測河流水位的平均值

為模型預(yù)測水

為模型預(yù)測水位的平均值

R越接近于1，說明模擬結(jié)果與實(shí)際測量結(jié)果越一致，也即模型越精確。

2.3 模型的結(jié)構(gòu)參數(shù)的確立

人工神經(jīng)網(wǎng)絡(luò)模型中關(guān)鍵的參數(shù)有學(xué)習(xí)率，中間層的神經(jīng)元數(shù)，動(dòng)量因子，終止學(xué)習(xí)條件，本文利用設(shè)定最大平均誤差來終止模型運(yùn)行。其中的學(xué)習(xí)率和動(dòng)量因子會(huì)影響到模型的收斂速度。學(xué)習(xí)率和動(dòng)量因子的取值范圍都在[0,1]之間。學(xué)習(xí)率越大運(yùn)算速度越大但是如果取過大的值會(huì)導(dǎo)致模型不收斂，由于模型的運(yùn)算速度比較快為了得到更加精確的結(jié)果取學(xué)習(xí)率為0.02.動(dòng)量因子根據(jù)經(jīng)驗(yàn)取0.1，中間層的神經(jīng)元數(shù)取30。

3 實(shí)例分析

我們擁有管網(wǎng)中9個(gè)節(jié)點(diǎn)的壓力曲線值，但是某個(gè)時(shí)間段節(jié)點(diǎn)9的壓力曲線缺失，管網(wǎng)中9個(gè)節(jié)點(diǎn)的具置見圖2.

圖2 管網(wǎng)中的9個(gè)節(jié)點(diǎn)

Fig. 2 The 9 nodes in the network

示意圖中觀測站一為模型下游目標(biāo)站的位置，本文所討論的預(yù)測站也就是目標(biāo)站。

建立模型之后對該城市城市管網(wǎng)中的節(jié)點(diǎn)9，此時(shí)以及未來1-4小時(shí)的節(jié)點(diǎn)壓力進(jìn)行預(yù)測。根據(jù)該中的8個(gè)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的的壓力曲線數(shù)據(jù)為基礎(chǔ)進(jìn)行訓(xùn)練，并且對預(yù)測的結(jié)果進(jìn)行分析。來判斷時(shí)候可以將模擬的數(shù)據(jù)直接用于模型校核。

表1 預(yù)見期分別為0-4h的模型精確度參數(shù)

Table 1 Model’s forecast precision in 0-4hours

圖3 同時(shí)刻節(jié)點(diǎn)壓力的模擬值與實(shí)測值

Fig. 4 Forecast water level the same time with measured data

圖4 預(yù)見期為1h時(shí)的節(jié)點(diǎn)壓力曲線

Fig. 5 Forecast water level 1 hour later

圖5 預(yù)見期為4h時(shí)的節(jié)點(diǎn)壓力曲線

Fig. 5 Forecast water level 4 hour later

圖6 預(yù)測同時(shí)刻的各個(gè)節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的相關(guān)貢獻(xiàn)系數(shù)

Fig. 6 Relative contribution coefficient between observation station and objective node on the same

time

圖7 預(yù)測4h之后的各個(gè)觀測節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的相關(guān)貢獻(xiàn)系數(shù)

Fig. 7 Relative contribution coefficient between and objective station when the forecast stage 4 hours

表2不同預(yù)見期的絕對誤差

通過研究神經(jīng)網(wǎng)絡(luò)模型的結(jié)果可見：

（1）通過圖6、圖7可以得知使用人工神經(jīng)網(wǎng)絡(luò)模型，各個(gè)節(jié)點(diǎn)的實(shí)測數(shù)據(jù)對于最后的目標(biāo)節(jié)點(diǎn)影響是不同的。節(jié)點(diǎn)3的對與目標(biāo)站的相關(guān)系數(shù)性較小，在實(shí)際工作中可以舍棄此地?cái)?shù)據(jù)的采集，從而減少人力物力的投入。隨著預(yù)測時(shí)間的不同其相關(guān)系數(shù)亦會(huì)發(fā)生變化。

（2）預(yù)見期越長，其最后結(jié)果的可靠性越差。確定性系數(shù)，和絕對誤差可以反映之，預(yù)見期為0h、1h時(shí)，其誤差很小，當(dāng)延長其預(yù)見期時(shí)，其誤差會(huì)相應(yīng)變大。當(dāng)模擬結(jié)果用于水動(dòng)力模型校核時(shí)，目標(biāo)節(jié)點(diǎn)的模擬結(jié)果與輸入節(jié)點(diǎn)為同時(shí)刻時(shí)，模擬數(shù)據(jù)與實(shí)測數(shù)據(jù)高度吻合，說明該結(jié)果可以輸入水動(dòng)力模型，進(jìn)行校核。隨著預(yù)見期變長，其模擬結(jié)果也越來越不準(zhǔn)確。預(yù)見期為4小時(shí)時(shí)，其結(jié)果不能作為水動(dòng)力模型的輸入數(shù)據(jù)進(jìn)行模型校核。

（3）在水動(dòng)力模型校核過程中，可以將ANN的預(yù)測結(jié)果也就是預(yù)見期的目標(biāo)節(jié)點(diǎn)壓力曲線用于在水動(dòng)力模型中。從而解決了原始數(shù)據(jù)缺失的問題。

4 結(jié)論

本文采用ANN（人工神經(jīng)網(wǎng)絡(luò)）建立了節(jié)點(diǎn)壓力的預(yù)測模型，其預(yù)測結(jié)果可以應(yīng)用于水動(dòng)力模型中，用模型校核的原始輸入值。從而為搭建城市的給水管網(wǎng)水動(dòng)力模型提供科學(xué)的依據(jù)。也節(jié)約了大量人力，物力和財(cái)力的消耗。

參考文獻(xiàn)

嚴(yán)熙世, 趙洪賓. 給水管網(wǎng)系統(tǒng)理論與分析. 中國建筑工業(yè)出版社, 2003.9

陶建科, 劉遂慶, 建立微觀動(dòng)態(tài)水力模型標(biāo)準(zhǔn)方法研究.給水排水, 2000, 26（5）：4~8

Maier H R, Dandy G C. The use of artificial neural networks for the prediction of water quality parameters. Water Resources, 1996 ,32 (4) :1013 - 1022.

第6篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 油氣層識別 進(jìn)展

油氣勘探具有高投入、高風(fēng)險(xiǎn)的特點(diǎn)，如何利用現(xiàn)有勘探資料，采取切實(shí)可行的技術(shù)方法，增強(qiáng)測試層位的可靠性和準(zhǔn)確性，對于擴(kuò)大油氣儲(chǔ)量及提高已發(fā)現(xiàn)油氣藏的勘探價(jià)值具有重要意義。首先精確地判識油氣層位，可以大大減少試油成本及減少投資損失。其次對于新的勘探區(qū)域，如能準(zhǔn)確地判識出油氣層，則有助于新的油氣藏的發(fā)現(xiàn)。因此，對儲(chǔ)層進(jìn)行識別和預(yù)測，有著巨大的社會(huì)效益和經(jīng)濟(jì)效益。

油氣層綜合解釋的任務(wù)是要判斷儲(chǔ)層中所含流體的性質(zhì)，從而為準(zhǔn)確地發(fā)現(xiàn)油氣層和確定試油層位提供依據(jù)。目前油田常用的解釋方法主要有定性解釋法和交匯圖法，其前者不足是受人為因素影響較大，自動(dòng)化、系統(tǒng)化程度較低；而后者在解釋時(shí)只能對參數(shù)成對考慮，無法同時(shí)綜合多個(gè)有效參數(shù)。鑒于上述方法的諸多不足，近年來用人工神經(jīng)網(wǎng)絡(luò)對儲(chǔ)層進(jìn)行識別與評價(jià)成為研究及應(yīng)用的較為廣泛的方法。

1、概述

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力。它模擬人腦的結(jié)構(gòu)，通過對外界事物的感知及認(rèn)識實(shí)現(xiàn)其判別過程，如加利福尼亞技術(shù)學(xué)院J．J．Hopfield提出的Hopfield網(wǎng)絡(luò)用于地震模式識別油氣層系統(tǒng)。

用從有噪聲干擾的模擬地震記錄中檢測亮點(diǎn)模式，識別能力是十分驚人的。Poultion M．M等人在給定油氣層的電磁橢圓圖像情況下，用神經(jīng)網(wǎng)絡(luò)方法來估算良導(dǎo)體的位置、深度和導(dǎo)電率與面積乘積，效果也是很好的。

模糊識別的優(yōu)點(diǎn)： ①利用測井多參數(shù)模糊識別儲(chǔ)層時(shí)，各測井參數(shù)反映儲(chǔ)層類型所包含的信息不同，因此綜合儲(chǔ)層模糊隸屬度中各參數(shù)所加權(quán)值應(yīng)根據(jù)曲線對模式識別貢獻(xiàn)的大小來確定。②模糊識別方法是一種多參數(shù)的模式識別方法，具有思想簡單、計(jì)算速度快、模式識別符合率較高等優(yōu)點(diǎn)。缺點(diǎn)：建模過程中需要較多的建模樣本，對于井資料較少的井不容易識別。目前在油氣層識別中的應(yīng)用比較普遍的神經(jīng)網(wǎng)絡(luò)方法有以下幾種：

2、結(jié)構(gòu)風(fēng)險(xiǎn)最小神經(jīng)網(wǎng)絡(luò)油氣識別理論

中國科學(xué)院地質(zhì)與地球物理研究所張向君在深入研究了神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理信息的能力之后，針對神經(jīng)網(wǎng)絡(luò)油氣識別中網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、提高識別結(jié)果準(zhǔn)確性等問題，提出了結(jié)構(gòu)風(fēng)險(xiǎn)最小神經(jīng)元網(wǎng)絡(luò)方法，在理論上提出了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法即網(wǎng)絡(luò)“修剪"方法，該方法要求首先訓(xùn)練一個(gè)大的網(wǎng)絡(luò)，然后逐漸去掉隱層中多余的節(jié)點(diǎn)：Waug和Massimo等的研究結(jié)果表示：含有一個(gè)隱層的位置、深度和導(dǎo)電率與面積乘積，效果也是很好的。

Hashem和Schmeiser為提高網(wǎng)絡(luò)訓(xùn)練精度，提出一優(yōu)化組合方法，即對一訓(xùn)練樣本分別獨(dú)立地用若干網(wǎng)絡(luò)訓(xùn)練，然后通過對已訓(xùn)練網(wǎng)絡(luò)的輸出加權(quán)合并，將各個(gè)獨(dú)立的部分網(wǎng)絡(luò)組合在一起；Jacobs和Jordan發(fā)展了一種分級混合結(jié)構(gòu)網(wǎng)絡(luò)，它首先將一個(gè)復(fù)雜問題分解成各種簡單問題，再對每一個(gè)簡單的問題分別由一個(gè)網(wǎng)絡(luò)單獨(dú)處理，最后再將各個(gè)網(wǎng)絡(luò)組合在一起解決整體復(fù)雜問題。結(jié)構(gòu)風(fēng)險(xiǎn)最小神經(jīng)元網(wǎng)絡(luò)運(yùn)用串行訓(xùn)練算法能自適應(yīng)地?cái)U(kuò)展網(wǎng)絡(luò)容量并使網(wǎng)絡(luò)的結(jié)構(gòu)風(fēng)險(xiǎn)達(dá)到最小，提高了儲(chǔ)層識別結(jié)果的準(zhǔn)確性。研究表明，訓(xùn)練樣本一定時(shí)，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越簡單，其風(fēng)險(xiǎn)越小，識別結(jié)果愈可靠，并且使神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)風(fēng)險(xiǎn)達(dá)到最小。

3、時(shí)間延遲神經(jīng)網(wǎng)絡(luò)地震油氣識別方法

江漢石油學(xué)院劉瑞林等人在研究了目前已發(fā)展的幾種地震資料油氣識別技術(shù)后認(rèn)為通常采用孤立模式分類方法一般先根據(jù)目的層的位置選取一個(gè)包含目的層的時(shí)窗，接著對這個(gè)時(shí)窗內(nèi)的地震信號進(jìn)行特征提取，然后對這些特征信息用相應(yīng)的分類方法進(jìn)行分類。特征信息與地層含油氣情況的關(guān)系是靜態(tài)的映射關(guān)系，方法本身沒有考慮特征信息隨時(shí)間的變化與地層油氣聚集的聯(lián)系，容易產(chǎn)生誤識問題。針對以上現(xiàn)象提出了時(shí)間延遲神經(jīng)網(wǎng)絡(luò)地震油氣識別方法即采用滑動(dòng)時(shí)窗的辦法進(jìn)行多時(shí)窗特征提取，以表達(dá)特征信息隨時(shí)間的變化，亦即地層層序等因素的變化。時(shí)間延遲神經(jīng)網(wǎng)絡(luò)模型通過井旁道的標(biāo)定，對于每一道就有一個(gè)多維特征串，這些特征串與地層含油氣與否的關(guān)系通過一個(gè)時(shí)間延遲神經(jīng)網(wǎng)絡(luò)(TDNN)模型聯(lián)系起來，用于表達(dá)相應(yīng)時(shí)窗特征信息與地層含油氣性的關(guān)系。時(shí)間延遲網(wǎng)絡(luò)進(jìn)行油氣識別時(shí)增加了層序的約束，對于地震油氣識別來說是一種合理的方法。

4、前饋式(Back Propagation)神經(jīng)網(wǎng)絡(luò)

簡稱BP神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用最廣泛、研究最深入的一種多層前饋神經(jīng)網(wǎng)絡(luò)。該種網(wǎng)絡(luò)采用有導(dǎo)師監(jiān)督的學(xué)習(xí)方式和廣義的Delta學(xué)習(xí)規(guī)則，即誤差反傳播算法，對非線性可微分函數(shù)進(jìn)行網(wǎng)絡(luò)權(quán)值訓(xùn)練。它經(jīng)常使用的激活函數(shù)是S型對數(shù)或正切函數(shù)以及線性函數(shù)。BP算法是一種監(jiān)督式的學(xué)習(xí)算法，它是通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的。它由信息的正向傳遞和誤差的反向傳播兩部分組成。在第一階段，即信息的正向傳遞階段，給出輸入信息，通過神經(jīng)網(wǎng)絡(luò)處理并計(jì)算每個(gè)神經(jīng)元的實(shí)際輸出值；在第二階段，即誤差反向傳播階段，網(wǎng)絡(luò)在輸出層比較網(wǎng)絡(luò)輸出與目標(biāo)值，若未能得到期望的輸出值，則逐層遞歸計(jì)算目標(biāo)值與期望輸出之差(即誤差)，以此為根據(jù)調(diào)節(jié)權(quán)值。上述兩個(gè)過程反復(fù)進(jìn)行，直到網(wǎng)絡(luò)輸出與目標(biāo)匹配或誤差達(dá)到人們所希望的要求為止。

5、自組織特征映射(seIf-organiZingfeaturemap)SOM神經(jīng)網(wǎng)絡(luò)

自組織特征映射網(wǎng)絡(luò)是一種競爭式學(xué)習(xí)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)采用無導(dǎo)師監(jiān)督的學(xué)習(xí)方式，以基本競爭網(wǎng)絡(luò)算法為基礎(chǔ)，通過網(wǎng)絡(luò)中鄰近神經(jīng)元陽J的側(cè)向交互作用和相互競爭。在一維或二維輸出空間中形成輸入信號的特征分布拓?fù)鋱D，自適應(yīng)的形成對輸入模式的不同響應(yīng)，以完成對輸入信號的特征提取功能。SOM模型是由輸入層和輸出層(競爭層)組成的兩層網(wǎng)絡(luò)。網(wǎng)絡(luò)中的權(quán)分為兩類：一類是層與層之間的權(quán)；另一類是層內(nèi)互相抑制的權(quán)。一般來講，它們是固定的，如果滿足一定的分布關(guān)系，距離近的抑制強(qiáng)，距離遠(yuǎn)的抑制弱，它是一種對稱權(quán)。SOM網(wǎng)絡(luò)將學(xué)習(xí)過程分成兩部分來進(jìn)行：一是選擇最佳匹配神經(jīng)元，二是權(quán)向量的自適應(yīng)更新過程。SOM模擬了大腦信息處理的自組織、自學(xué)習(xí)和聚類功能，并以其高強(qiáng)度的特征判別優(yōu)點(diǎn)在許多領(lǐng)域得到了廣泛應(yīng)用。

6、改進(jìn)的組合進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)

成都理工大學(xué)張學(xué)慶等針對使用神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算的過程中，神經(jīng)網(wǎng)絡(luò)的收斂速度慢、容錯(cuò)能力差、算法不完備等缺點(diǎn)。在充分分析了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)的全局搜索能力，基于進(jìn)化規(guī)劃的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)的局部尋優(yōu)能力的特點(diǎn)后，將組合進(jìn)化算法應(yīng)用于油水層測井解釋中，降低了誤判率。

組合進(jìn)化算法的過程如下：設(shè)立一個(gè)競爭池，將所有父代個(gè)體放入池中，然后進(jìn)行雜交和變異操作，并用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將產(chǎn)生的個(gè)體也放入競爭池，對競爭池中的個(gè)體按適應(yīng)值進(jìn)行排序，進(jìn)行確定性選擇，保留最好的前n個(gè)個(gè)體。這樣就完成了一次種群進(jìn)化，重復(fù)這一過程，直到滿足條件為止。改進(jìn)的組合進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)具有遺傳算法的較強(qiáng)的全局搜索能力和進(jìn)化規(guī)劃的較強(qiáng)的局部尋優(yōu)能力，應(yīng)用于油氣水層測井解釋中，效果好。

第7篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

經(jīng)過長期不懈努力，科學(xué)家認(rèn)為可以從仿制人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能出發(fā)，研究人類智能活動(dòng)和認(rèn)識現(xiàn)象。然而，客觀現(xiàn)實(shí)世界是紛繁復(fù)雜的，非線性情況隨處可見，人腦神經(jīng)系統(tǒng)更是如此。為了更好地認(rèn)識客觀世界，我們必須對非線性科學(xué)進(jìn)行研究。人工神經(jīng)網(wǎng)絡(luò)作為一種非線性的、與大腦智能相似的網(wǎng)絡(luò)模型，就這樣應(yīng)運(yùn)而生了。因此，首先對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了概述；而后重點(diǎn)描述BP網(wǎng)絡(luò)模型，對其基于彈性BP算法的BP網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)；最后，對網(wǎng)絡(luò)的訓(xùn)練和測試進(jìn)行了簡單的分析。

關(guān)鍵詞：

人工神經(jīng)網(wǎng)絡(luò)；數(shù)學(xué)模型；策略

神經(jīng)系統(tǒng)，是人體器官的一種較為復(fù)雜的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是對人腦的神經(jīng)結(jié)構(gòu)與機(jī)制進(jìn)行模擬，是一種區(qū)別于符號推理以及邏輯思維的人工智能技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是基于現(xiàn)代神經(jīng)生物學(xué)和認(rèn)知科學(xué)對人類信息處理研究成果的基礎(chǔ)上研發(fā)的，用來模擬生物神經(jīng)系統(tǒng)對真實(shí)世界的物體來做出反應(yīng)。除此之外，它還屬于一種大規(guī)模自適應(yīng)的非線性動(dòng)力學(xué)系統(tǒng)，具備非常強(qiáng)的聯(lián)想記憶和自主學(xué)習(xí)能力。人工神經(jīng)網(wǎng)絡(luò)具有非線性映射、模式識別、函數(shù)逼近、聚類分析、數(shù)據(jù)壓縮以及優(yōu)化設(shè)計(jì)的功能，并且在穩(wěn)定性、收斂性等方面都有良好的性質(zhì)，被廣泛應(yīng)用于信息處理、模式識別、計(jì)算機(jī)視覺、優(yōu)化計(jì)算、智能控制等各個(gè)領(lǐng)域中。

一、人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，可以稱之為神經(jīng)網(wǎng)絡(luò)或者鏈接模型，是屬于一種對人腦或者自然神經(jīng)網(wǎng)絡(luò)的若干個(gè)基本特性進(jìn)行抽象和模擬的網(wǎng)絡(luò)?，F(xiàn)階段人工神經(jīng)網(wǎng)絡(luò)的研究成果基礎(chǔ)是對大腦的模擬研究，是為了模擬大腦當(dāng)中的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某個(gè)方面的功能而進(jìn)行專項(xiàng)研究的。人工神經(jīng)網(wǎng)絡(luò)具有可以充分逼近任意復(fù)雜的非線性關(guān)系，對于定量或者定性的信息會(huì)采用并行分布的處理方式，使其可以大量并且快速進(jìn)行運(yùn)算、適應(yīng)不確定的系統(tǒng)和對定量以及定性信息進(jìn)行同一時(shí)間的處理。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)越性表現(xiàn)在三方面，具有自主學(xué)習(xí)的能力，具有聯(lián)想存儲(chǔ)的能力，具有高速尋找并且尋找優(yōu)化方式的能力。對人工神經(jīng)網(wǎng)絡(luò)的研究，可以分為理論研究和應(yīng)用研究兩個(gè)方面的研究。在理論研究中，可以利用神經(jīng)生理與認(rèn)知科學(xué)對人類的思維以及智能機(jī)理進(jìn)行相關(guān)研究，還可以利用人腦神經(jīng)的基礎(chǔ)理論研究成果，用數(shù)理方法對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更加完善、更加優(yōu)越的探索。在應(yīng)用研究方面，神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對軟件的模擬和對硬件的科學(xué)研究。而且，神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中也都得到了廣泛的研究，例如模式識別、信號處理、知識工程、專家系統(tǒng)、優(yōu)化組合以及機(jī)器人控制等領(lǐng)域。

現(xiàn)行的數(shù)理知識是建立在集合論的基礎(chǔ)上的，隨著數(shù)學(xué)階段的發(fā)展，對于人類系統(tǒng)的行為，或者對于人類復(fù)雜系統(tǒng)，比如航天系統(tǒng)、人腦系統(tǒng)以及社會(huì)系統(tǒng)等方面，其中的參數(shù)和變量有很多，各種因素也是相互交錯(cuò)的，因此，系統(tǒng)是相當(dāng)復(fù)雜的，相對的模糊性也會(huì)顯得非常明顯。就認(rèn)識方面來講，可以用模糊性這個(gè)詞語來概括概念外延的不確定性。因此，模糊數(shù)學(xué)的概念應(yīng)運(yùn)而生，主要的研究內(nèi)容包括三個(gè)方面。首先，可以對模糊數(shù)學(xué)的理論進(jìn)行精確研究，其中包含著與精確數(shù)學(xué)以及隨機(jī)數(shù)學(xué)的關(guān)系；其次，還需要研究模糊語言學(xué)和模糊邏輯，人類的自然語言都是具有模糊性的，人們經(jīng)常會(huì)接收到迷糊語言和模糊的信息，并且可以對其做出正確的判斷和辨別。因此，為了可以使得自然語言和計(jì)算機(jī)語言的直接對話，就必須把人類的自然語言和思維的過程提煉成為數(shù)學(xué)模型來對計(jì)算機(jī)進(jìn)行指令，這樣就可以建立模糊數(shù)學(xué)的模型樣本，通過運(yùn)用此種方式，建立的就是模糊數(shù)學(xué)的模型，也是運(yùn)用數(shù)學(xué)方法的關(guān)鍵之所在。最后，研究模糊數(shù)學(xué)的應(yīng)用，模糊數(shù)學(xué)的研究對象通常是以不確定的事物為主的。模糊的集合通常都是通過數(shù)學(xué)來適用描述的復(fù)雜的事物，將研究的對象數(shù)學(xué)化，將其中的不確定性很好地和抽象的數(shù)學(xué)溝通起來，達(dá)到形象生動(dòng)直觀的效果。

二、BP網(wǎng)絡(luò)模型

1.BP網(wǎng)概述BP算法，是由PallWerbas博士在1974年首次提出的，即為誤差逆?zhèn)鞑W(xué)習(xí)算法，而對于此算法完整的提出是在1986年由Rumelhart和McCelland為首的科學(xué)家小組提出來的。后來，人們把BP算法在進(jìn)行訓(xùn)練之前的前饋型的神經(jīng)網(wǎng)絡(luò)稱之為BP網(wǎng)絡(luò)，逐漸以其簡潔、實(shí)用和高度的非線性映射能力成為流行的網(wǎng)絡(luò)模型，在信號處理、模式識別、系統(tǒng)辨識以及數(shù)據(jù)壓縮中都有廣泛的應(yīng)用。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用過程當(dāng)中，大部分的模型會(huì)采用BP網(wǎng)絡(luò)或者它所擁有的變化形式，屬于前向網(wǎng)絡(luò)中的基礎(chǔ)核心部分，屬于人工神經(jīng)網(wǎng)絡(luò)中的精華部分。2.BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)BP網(wǎng)絡(luò)屬于一種前向型神經(jīng)網(wǎng)絡(luò)，其中的神經(jīng)網(wǎng)絡(luò)具有三層或者三層以上，可以對上下層之間的神經(jīng)元進(jìn)行全部的連接，也就是說下層的每一個(gè)神經(jīng)元可以和上層的每一個(gè)神經(jīng)元實(shí)現(xiàn)連接，但是在同層之間的神經(jīng)元是沒有辦法相連的。3.BP網(wǎng)絡(luò)的工作原理以及過程對于BP網(wǎng)絡(luò)的學(xué)習(xí)可以有兩個(gè)階段。首先，需要學(xué)習(xí)信號的正向傳播過程。當(dāng)一對學(xué)習(xí)的模式進(jìn)行網(wǎng)絡(luò)提供之后，神經(jīng)元的激活值就會(huì)從輸入層當(dāng)中的各隱含層向輸出層中進(jìn)行傳播，并且在輸出層的各個(gè)神經(jīng)元內(nèi)會(huì)相應(yīng)地輸入響應(yīng)值。其次，是對正方向的傳播過程進(jìn)行誤差的修正，如果在輸出層中的輸出值和預(yù)期的有偏差，就會(huì)對實(shí)際輸入與期望輸出之間的誤差進(jìn)行逐層遞歸的計(jì)算，計(jì)算方向會(huì)按照減小期望輸出和實(shí)際輸出之間的誤差方向。對輸出層之間的各個(gè)隱含層進(jìn)行每一層的連接權(quán)進(jìn)行逐層的修正，最后再回到輸入層，這個(gè)循環(huán)的過程就稱之為“誤差逆?zhèn)鞑W(xué)習(xí)算法”?，F(xiàn)階段，這種誤差傳播的修正方式在不斷地進(jìn)行創(chuàng)新修正，網(wǎng)絡(luò)對應(yīng)的輸入模式相應(yīng)的正確率也會(huì)隨著算法的不斷發(fā)展得到相對應(yīng)地提高。4.算法流程BP的算法流程如圖2。

三、基于彈性BP算法的BP網(wǎng)設(shè)計(jì)與實(shí)現(xiàn)

1.BP網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)在1989年，RobertHecht-Nielson證明了在任何一個(gè)閉區(qū)間當(dāng)中的一個(gè)連續(xù)的函數(shù)都可以用一個(gè)隱含層的BP網(wǎng)絡(luò)來進(jìn)行逼近，這就導(dǎo)致了用一個(gè)3層的BP網(wǎng)絡(luò)可以完成任意的從N到M維的映射。輸入層節(jié)點(diǎn)的點(diǎn)數(shù)是根據(jù)樣本的輸入特征項(xiàng)來決定的，而輸出的節(jié)點(diǎn)數(shù)是根據(jù)樣本的期望輸出項(xiàng)來決定的。在隱層節(jié)點(diǎn)當(dāng)中，由于隱層節(jié)點(diǎn)的數(shù)目過多，平均的收斂速度就會(huì)變慢并且速度是極其不穩(wěn)定的，這樣就會(huì)增加初始權(quán)值的敏感度，網(wǎng)絡(luò)的泛化能力也會(huì)隨之降低，在對隱層節(jié)點(diǎn)數(shù)進(jìn)行計(jì)算的時(shí)候。其中，h代表的是隱層節(jié)點(diǎn)數(shù)，nin代表的是輸入層的節(jié)點(diǎn)數(shù)，則nout則代表的是輸出層的節(jié)點(diǎn)數(shù)。當(dāng)因?yàn)榫W(wǎng)絡(luò)發(fā)生誤差產(chǎn)生下降的時(shí)候，也就是E（網(wǎng)絡(luò)誤差）下降的速度非常緩慢的時(shí)候，這個(gè)時(shí)候網(wǎng)絡(luò)的收斂水平還需要進(jìn)一步提高的時(shí)候，就會(huì)增加一個(gè)隱層節(jié)點(diǎn)。如果遇到相反的情況，則就會(huì)減少一個(gè)相應(yīng)的節(jié)點(diǎn)。對于BP網(wǎng)絡(luò)的優(yōu)化，主要包括以下幾個(gè)步驟。首先，利用彈性BP算法來對網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行修正，利用此種算法，在很大程度上避免了使得學(xué)習(xí)（是學(xué)習(xí)）陷入局部狹小的現(xiàn)象，這樣可以加快學(xué)習(xí)收斂的速度；其次，對于隱含的節(jié)點(diǎn)數(shù)可以進(jìn)行隨意的設(shè)定；而后，在對隱含層和輸出層的激活函數(shù)之間可以在給定的5種暢通的函數(shù)當(dāng)中進(jìn)行隨意的選擇，最后就需要對輸入向量的歸一化了。

四、網(wǎng)絡(luò)的訓(xùn)練與測試

1.訓(xùn)練樣本的聲場以及網(wǎng)絡(luò)的構(gòu)造如果采用100個(gè)樣本對來進(jìn)行聲場訓(xùn)練樣本對，這里的樣本數(shù)據(jù)采用LINSPACE（X1，X2，N）的函數(shù)生成。在本文當(dāng)中，BP網(wǎng)絡(luò)有三層構(gòu)造。在這三層構(gòu)造當(dāng)中，第一層采用tansig激活函數(shù)；第二層采用logsig激活函數(shù)，在第三層則需要采用purline激活函數(shù)來進(jìn)行。在網(wǎng)絡(luò)訓(xùn)練當(dāng)中需要用Matlab神經(jīng)網(wǎng)絡(luò)工具箱當(dāng)中的L-M法的trainlm這個(gè)函數(shù)來進(jìn)行計(jì)算。2.網(wǎng)絡(luò)學(xué)習(xí)以及等級的評價(jià)通過MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱上建立的模型，需要將學(xué)3.網(wǎng)絡(luò)測試成效從評價(jià)的結(jié)果上來看，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)的評價(jià)方法最大限度地減少了人為因素的影響，在這其中可以在很大程度上減少因?yàn)閭鹘y(tǒng)方式而在設(shè)計(jì)權(quán)重過程當(dāng)中的不確定性，通過這種方式來對評價(jià)的對象進(jìn)行自動(dòng)評價(jià)。同時(shí)，BP的神經(jīng)網(wǎng)絡(luò)這種評估方式本身也具有一定的局限性，例如對網(wǎng)絡(luò)當(dāng)中的隱層節(jié)點(diǎn)個(gè)數(shù)難以確定，在學(xué)習(xí)訓(xùn)練的過程當(dāng)中最容易陷入局部最優(yōu)的問題，在很大程度上會(huì)影響評價(jià)結(jié)果的精準(zhǔn)性。

五、結(jié)束語

運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方式有效解決多源、多類型以及多屬性地址處理和分析問題，在很大程度上突破了統(tǒng)計(jì)數(shù)學(xué)模型對預(yù)測的約束力和限制力。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行復(fù)雜的地址信息的非線性整合處理，可以精準(zhǔn)的對各類資料進(jìn)行綜合分析和歸類。

參考文獻(xiàn)：

[1]李傳杰.基于模糊數(shù)學(xué)及神經(jīng)網(wǎng)絡(luò)的心理評估模型[D].山東大學(xué)，2008

[2]徐振東.人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型建立及成礦預(yù)測BP網(wǎng)絡(luò)的實(shí)現(xiàn)[D].吉林大學(xué)，2004

[3]鄧麗瓊，朱俊.基于BP神經(jīng)網(wǎng)絡(luò)的教師課堂教學(xué)評價(jià)模型[J].國土資源高等職業(yè)教育研究，2013

第8篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

關(guān)鍵詞：ZISC78；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）；實(shí)時(shí)；預(yù)報(bào)

1引言

神經(jīng)網(wǎng)絡(luò)是近年來得到廣泛關(guān)注的一種非線性建模預(yù)報(bào)技術(shù)。它具有自組織、自學(xué)習(xí)、自適應(yīng)和非線性處理、并行處理、信息分布存儲(chǔ)、容錯(cuò)能力強(qiáng)等特性，對傳統(tǒng)方法效果欠佳的預(yù)報(bào)領(lǐng)域有很強(qiáng)的吸引力?；谏窠?jīng)網(wǎng)絡(luò)的非線性信息處理方法已應(yīng)用于軍事信息處理及現(xiàn)代武器裝備系統(tǒng)的各個(gè)方面，并有可能成為未來集成智能化的軍事電子信息處理系統(tǒng)的支撐技術(shù)。該技術(shù)在一些先進(jìn)國家已部分形成了現(xiàn)實(shí)的戰(zhàn)斗力。

船舶在波浪中航行，會(huì)受到風(fēng)、浪和流的影響，因而將不可避免地發(fā)生搖蕩運(yùn)動(dòng)。嚴(yán)重的搖蕩會(huì)使船員工作效率下降、物品損壞、軍艦的戰(zhàn)斗力下降。如果能夠預(yù)知未來一段時(shí)間船舶的運(yùn)動(dòng)情況，不僅有利于盡早采用先進(jìn)控制算法控制艦載武器平臺(tái)隔離船舶運(yùn)動(dòng)的影響，使其始終穩(wěn)定瞄準(zhǔn)目標(biāo)，而且還可獲得未來一個(gè)海浪周期內(nèi)的船舶運(yùn)動(dòng)情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運(yùn)動(dòng)的短期預(yù)報(bào)。此外，如能有效準(zhǔn)確地預(yù)報(bào)船舶的橫搖運(yùn)動(dòng)，對于提高船舶的耐波性和適航性也有重要意義。

國內(nèi)外學(xué)者也將神經(jīng)網(wǎng)絡(luò)用于船舶運(yùn)動(dòng)預(yù)報(bào)研究，但往往沒有考慮實(shí)時(shí)性等實(shí)現(xiàn)問題，因而不能實(shí)用化。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)是神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要方面。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)可分為全硬件實(shí)現(xiàn)和軟件實(shí)現(xiàn)兩種。目前神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)還主要以軟件模擬為主，由于現(xiàn)行的馮諾曼計(jì)算機(jī)體系結(jié)構(gòu)不能實(shí)現(xiàn)并行計(jì)算，因而神經(jīng)網(wǎng)絡(luò)軟件的實(shí)時(shí)應(yīng)用還受到一定限制。

目前，一些著名集成電路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模擬或數(shù)字神經(jīng)網(wǎng)絡(luò)芯片，這些芯片無論在網(wǎng)絡(luò)規(guī)模還是運(yùn)行速度上都已接近實(shí)用化的程度，因而給神經(jīng)網(wǎng)絡(luò)應(yīng)用的發(fā)展以極大的推動(dòng)。由于艦載武器系統(tǒng)，需選用具有在片學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)芯片，即將網(wǎng)絡(luò)訓(xùn)練所需的反饋電路及權(quán)值存儲(chǔ)、計(jì)算和修正電路都集成在了一個(gè)芯片，因而可實(shí)現(xiàn)全硬件的、具有自學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，也可以說，這是一種具有自適應(yīng)能力的神經(jīng)網(wǎng)絡(luò)。

2ZISC78的功能及工作原理

ZISC78是由IBM公司和Sillicon聯(lián)合研制的一種低成本、在線學(xué)習(xí)、33MHz主頻、CMOS型100腳LQFP封裝的VLSI芯片，圖1所示是ZISC78的引腳排列圖。ZISC78的特點(diǎn)如下：

內(nèi)含78個(gè)神經(jīng)元；

采用并行結(jié)構(gòu)，運(yùn)行速度與神經(jīng)元數(shù)量無關(guān)；

支持RBF／KNN算法；

內(nèi)部可分為若干獨(dú)立子網(wǎng)絡(luò)；

采用鏈連接，擴(kuò)展不受限制；

具有64字節(jié)寬度向量；

L1或LSUP范數(shù)可用于距離計(jì)算；

具有同步／異步工作模式。

2．1ZISC78神經(jīng)元結(jié)構(gòu)

ZISC78采用的神經(jīng)元結(jié)構(gòu)如圖2所示，該神經(jīng)元有以下幾種狀態(tài)：

(1)休眠狀態(tài)：神經(jīng)網(wǎng)絡(luò)初始化時(shí)，通常處于這種狀態(tài)。

(2)準(zhǔn)備學(xué)習(xí)狀態(tài)：任何時(shí)侯，神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元都處于這種狀態(tài)。

(3)委托狀態(tài)：一個(gè)包含有原型和類型的神經(jīng)元處于委托狀態(tài)。

(4)激活狀態(tài)：一個(gè)處于委托狀態(tài)的神經(jīng)元，通過評估，其輸入矢量處于其影響域時(shí)，神經(jīng)元就被激活而處于激活狀態(tài)。

(5)退化狀態(tài)：當(dāng)一個(gè)神經(jīng)元的原型處于其它神經(jīng)元類型空間內(nèi)，而大部分被其他神經(jīng)元類型空間重疊時(shí)，這個(gè)神經(jīng)元被宣布處于退化狀態(tài)。

2．2ZISC78神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

從圖3所示的ZISC78神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以看出，所有神經(jīng)元均通過“片內(nèi)通信總線”進(jìn)行通信，以實(shí)現(xiàn)網(wǎng)絡(luò)內(nèi)所有神經(jīng)元的“真正”并行操作。“片內(nèi)通信總線”允許若干個(gè)ZISC78芯片進(jìn)行連接以擴(kuò)大神經(jīng)網(wǎng)絡(luò)的規(guī)模，而這種操作不影響網(wǎng)絡(luò)性能。

ZISC78片內(nèi)有6bit地址總線和16bit數(shù)據(jù)總線，其中數(shù)據(jù)總線用于傳輸矢量數(shù)據(jù)、矢量類型、距離值和其它數(shù)據(jù)。

2．3ZISC78的寄存器組

ZISC78使用兩種寄存器：全局寄存器和神經(jīng)元寄存器。全局寄存器用于存儲(chǔ)與所有神經(jīng)元有關(guān)的信息，每片僅有一組全局寄存器。全局寄存器組中的信息可被傳送到所有處于準(zhǔn)備學(xué)習(xí)狀態(tài)和委托狀態(tài)的神經(jīng)元。神經(jīng)元寄存器用于存儲(chǔ)所屬神經(jīng)元的信息，該信息在訓(xùn)練學(xué)習(xí)操作中寫入，在識別操作中讀出。

2．4ZISC78的操作

ZISC78的操作包括初始化、矢量數(shù)據(jù)傳播、識別和分類等三部分。

初始化包括復(fù)位過程和清除過程。

矢量數(shù)據(jù)傳播包括矢量數(shù)據(jù)輸入過程和神經(jīng)元距離計(jì)算過程。神經(jīng)元距離就是輸入矢量和神經(jīng)元中存儲(chǔ)的原型之間的范數(shù)。通?？蛇xL1范數(shù)或Lsup范數(shù)：

其中，Xi為輸入矢量數(shù)據(jù)，Xs為存貯的原型數(shù)據(jù)。

對于識別和分類，ZISC78提供有兩種可選擇的學(xué)習(xí)算法RBF和KNN。其中RBF是典型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。在該RBF模式下，可輸出識別、不確定或不認(rèn)識的狀態(tài)；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影響域總被設(shè)為1，輸出的是輸入向量和存儲(chǔ)原型之間的距離。需要指出的是，ZISC78具有自動(dòng)增加或減小神經(jīng)元個(gè)數(shù)以適應(yīng)輸入信號的分類和識別功能，神經(jīng)元個(gè)數(shù)的最大值和最小值在全局寄存器組中設(shè)定。

2．5ZISC78的組網(wǎng)

一個(gè)ZISC78芯片內(nèi)可以通過寄存器操作定義若干個(gè)獨(dú)立的網(wǎng)絡(luò)。若干個(gè)ZISC78芯片通過層疊可以組成一個(gè)更大的神經(jīng)網(wǎng)絡(luò)，組網(wǎng)芯片數(shù)量沒有限制，小于10個(gè)ZISC78組網(wǎng)時(shí)，甚至連電源中繼器件也不需要。所以，ZISC78具有最大的靈活性，能夠滿足不同的需要。

3仿真實(shí)例

為了驗(yàn)證ZISC78用于船舶運(yùn)動(dòng)實(shí)時(shí)預(yù)報(bào)的精度，本文對徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)進(jìn)行了仿真，圖4給出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和船舶運(yùn)動(dòng)慣導(dǎo)實(shí)測信號預(yù)報(bào)的0．3秒（15步）誤差曲線圖。

通過以慣導(dǎo)實(shí)測數(shù)據(jù)ZHX＿lg．dat為例預(yù)報(bào)0．3秒（15步）以后的船舶運(yùn)動(dòng)，作者運(yùn)用相空間重構(gòu)理論已經(jīng)判斷出本數(shù)據(jù)為非線性信號。

該仿真的最大預(yù)報(bào)誤差方差為6．4666e－004，該數(shù)據(jù)可以滿足戰(zhàn)技指標(biāo)。

第9篇：神經(jīng)網(wǎng)絡(luò)的認(rèn)識范文

 

計(jì)算機(jī)網(wǎng)絡(luò)的快速發(fā)展和技術(shù)的廣泛應(yīng)用給人們的生產(chǎn)生活提供了便利，但同時(shí)，也帶來了一些不容忽視的安全隱患。近年來，影響計(jì)算機(jī)安全的因素很多，例如犯罪團(tuán)伙利用網(wǎng)絡(luò)等高科技進(jìn)行犯罪的案例屢見不鮮。對此進(jìn)行嚴(yán)格防范，更好地促進(jìn)計(jì)算機(jī)和互聯(lián)網(wǎng)的發(fā)展，需要對計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行評價(jià)，建立安全、有效的計(jì)算機(jī)網(wǎng)絡(luò)評價(jià)系統(tǒng)，網(wǎng)絡(luò)安全評價(jià)體系可以對整個(gè)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行評估和分析，完善評價(jià)體系，使系統(tǒng)更準(zhǔn)確、可靠，其中使用率最高的則是神經(jīng)網(wǎng)絡(luò)。

 

1 神經(jīng)網(wǎng)絡(luò)的概述

 

1.1 神經(jīng)網(wǎng)絡(luò)的簡介

 

神經(jīng)網(wǎng)絡(luò)又被稱為鏈接模型，它效仿了生物神經(jīng)網(wǎng)絡(luò)而建立，它以人腦的信息處理方式為基礎(chǔ)，采用建立數(shù)學(xué)模型的方式研究大腦行為結(jié)構(gòu)和生物神經(jīng)元基本特征，世界上第一個(gè)神經(jīng)網(wǎng)絡(luò)模型是由數(shù)學(xué)家和生物學(xué)家共同提出。神經(jīng)網(wǎng)絡(luò)復(fù)雜多變，它是由神經(jīng)元內(nèi)部通過大量節(jié)點(diǎn)進(jìn)行相互連接形成的一種網(wǎng)絡(luò)結(jié)構(gòu)，其中每個(gè)神經(jīng)元都可處理信息，從而達(dá)到處理海量信息的規(guī)模。隨后，計(jì)算機(jī)學(xué)家在原有的神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上增加了學(xué)習(xí)機(jī)制，將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在工程中，設(shè)計(jì)出了感知器神經(jīng)網(wǎng)絡(luò)模型，我國的計(jì)算機(jī)學(xué)家和數(shù)學(xué)家通過對神經(jīng)網(wǎng)絡(luò)的分析，展開長期的研究工作，掌握了模型的實(shí)質(zhì)，研究表明，神經(jīng)網(wǎng)絡(luò)模型適合應(yīng)用在不同的研究領(lǐng)域。

 

1.2 神經(jīng)網(wǎng)絡(luò)的功能

 

神經(jīng)網(wǎng)絡(luò)是一項(xiàng)人工智能系統(tǒng)，是通過生物神經(jīng)網(wǎng)絡(luò)的工作原理建立而來，它的應(yīng)用具有全方位的優(yōu)越性能。計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)系統(tǒng)還可實(shí)現(xiàn)預(yù)測功能，此功能為聯(lián)想模式的升級版，主要運(yùn)用于市場和企業(yè)中，例如股票等證券市場，預(yù)測功能可對股市證券和企業(yè)的未來效益進(jìn)行預(yù)測分析，基于計(jì)算機(jī)的神經(jīng)網(wǎng)絡(luò)為市場和企業(yè)的發(fā)展提供了強(qiáng)有力的支持。正是有這些優(yōu)越性能，神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)過程中，才能發(fā)揮出最大的價(jià)值。

 

2 計(jì)算機(jī)網(wǎng)絡(luò)安全概述

 

2.1 計(jì)算機(jī)網(wǎng)絡(luò)安全的簡介

 

計(jì)算機(jī)網(wǎng)絡(luò)安全是指在網(wǎng)絡(luò)環(huán)境中，采用先進(jìn)的科學(xué)技術(shù)和網(wǎng)絡(luò)管理控制措施來保證計(jì)算機(jī)資料能得以安全及完整的保護(hù)。計(jì)算機(jī)網(wǎng)絡(luò)安全由邏輯安全和物理安全兩大重要部分組成：第一，計(jì)算機(jī)的邏輯安全是指其中信息數(shù)據(jù)的保密性、完整性及可用性方面的內(nèi)容;第二，物理安全包括了系統(tǒng)中的組網(wǎng)硬件和相關(guān)軟件等方面內(nèi)容，其具有可控性及可審查性等特點(diǎn)。在當(dāng)今的計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境中，安全問題是關(guān)鍵，由于網(wǎng)絡(luò)的開放自由性導(dǎo)致信息在傳播過程中會(huì)受到硬件漏洞或者通訊協(xié)議方面的攻擊，這不僅給本地用戶帶來威脅，對國際網(wǎng)絡(luò)市場也是一種挑戰(zhàn)。

 

2.2 計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系的建立

 

計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系的建立是對網(wǎng)絡(luò)安全評價(jià)的一個(gè)強(qiáng)有力保障，該體系能全面、科學(xué)、客觀的體現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)中存在的不安全因素并且給出相對應(yīng)的解決措施，所以應(yīng)該根據(jù)多種綜合因素設(shè)立評價(jià)體系中的評價(jià)指標(biāo)，從而準(zhǔn)確地反映評價(jià)信息，計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)系統(tǒng)的構(gòu)建原則是：第一，可行性。在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系構(gòu)建過程中，結(jié)合實(shí)際的測評條件，因地制宜，才能有效的進(jìn)行測評和操作。第二，準(zhǔn)確性。在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系的構(gòu)建過程中，應(yīng)當(dāng)對網(wǎng)絡(luò)安全的技術(shù)水平進(jìn)行真實(shí)的體現(xiàn)，及時(shí)且準(zhǔn)確的對安全信息進(jìn)行監(jiān)測分析再反饋到計(jì)算機(jī)網(wǎng)絡(luò)中，使技術(shù)人員及時(shí)有效的解決產(chǎn)生的問題。第三，完備性。建立的安全評價(jià)體系，需確保所選指標(biāo)對網(wǎng)絡(luò)安全基本特征有全面的反映，進(jìn)而提高評價(jià)結(jié)果的真實(shí)可靠性。第四，簡要性。在選取評價(jià)指標(biāo)的過程中，要選取具有代表性的，保證結(jié)果準(zhǔn)確可靠從而降低工作量。第五，獨(dú)立性。計(jì)算機(jī)網(wǎng)絡(luò)是一個(gè)復(fù)雜多變的系統(tǒng)，在選取各項(xiàng)評價(jià)指標(biāo)時(shí)，要避免出現(xiàn)重復(fù)選擇的情況，減少指標(biāo)間的關(guān)聯(lián)度，從而客觀準(zhǔn)確的將計(jì)算機(jī)網(wǎng)絡(luò)安全運(yùn)行狀態(tài)展現(xiàn)出來。計(jì)算機(jī)安全網(wǎng)絡(luò)存在一定風(fēng)險(xiǎn)性，在安全保護(hù)上也存在難度，遵守以上原則，在實(shí)際工作應(yīng)用中，提高計(jì)算機(jī)網(wǎng)絡(luò)的工作質(zhì)量和效率。

 

3 基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)系統(tǒng)

 

在神經(jīng)網(wǎng)絡(luò)模型中，使用最為廣泛的是BP神經(jīng)網(wǎng)絡(luò)模型，它采用最速下降法進(jìn)行反向傳播，調(diào)整相關(guān)數(shù)值，將誤差降至最低。BP神經(jīng)網(wǎng)絡(luò)模型還通過誤差逆?zhèn)鞑ニ惴?，?xùn)練前饋多層網(wǎng)絡(luò)。其算法簡單，容易實(shí)現(xiàn)，具有非線性逼近能力。本文以BP神經(jīng)網(wǎng)絡(luò)為研究對象，對計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)進(jìn)行分析。

 

3.1 神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型設(shè)計(jì)

 

基于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型，由3個(gè)部分組成，分別是輸入層、隱含層和輸出層：(1)輸入層。BP神經(jīng)網(wǎng)絡(luò)在設(shè)計(jì)的過程中規(guī)定輸入層神經(jīng)元節(jié)點(diǎn)的數(shù)量，與計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)指標(biāo)數(shù)量必須一致，所以對模型輸入層中神經(jīng)元節(jié)點(diǎn)的數(shù)量確定需由二級指標(biāo)的數(shù)量完成。例如，在安全評價(jià)體系中設(shè)計(jì)了10個(gè)二級指標(biāo)，在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型中輸入層神經(jīng)元節(jié)點(diǎn)數(shù)量也必須是10個(gè)。(2)BP神經(jīng)網(wǎng)絡(luò)模型在設(shè)計(jì)的過程中，采用單向隱含層，如果隱含層中的節(jié)點(diǎn)數(shù)過多會(huì)延長神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間，如果隱含層節(jié)點(diǎn)數(shù)的數(shù)量過少則會(huì)降低神經(jīng)網(wǎng)絡(luò)的容錯(cuò)能力。所以隱含層中的節(jié)點(diǎn)數(shù)量對網(wǎng)絡(luò)性能有較大的影響。(3)輸出層。BP神經(jīng)網(wǎng)絡(luò)在輸出層的設(shè)計(jì)工作即反映網(wǎng)絡(luò)安全評價(jià)結(jié)果，依據(jù)輸入層的評價(jià)設(shè)計(jì)，將輸出層的節(jié)點(diǎn)數(shù)設(shè)為2個(gè)，則(1，1)的輸出結(jié)果表示非常安全，(1，0)的輸出結(jié)果基本安全，(0，1)的輸出結(jié)果表示不安全，(0，0)的輸出結(jié)果表示非常不安全。

 

3.2 神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型學(xué)習(xí)

 

BP神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型中需完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，也就表示其在模型構(gòu)建前需進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練工作，這使BP神經(jīng)網(wǎng)絡(luò)具有初始連接權(quán)，在完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后，減少誤差值，保證安全評價(jià)結(jié)果和使用者期望值達(dá)成一致。

 

3.3 神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型驗(yàn)證

 

為確保計(jì)算機(jī)網(wǎng)絡(luò)安全模型的應(yīng)用效能，在完成設(shè)計(jì)與學(xué)習(xí)工作后，對其進(jìn)行驗(yàn)證，首先選取樣本數(shù)據(jù)，再將樣本數(shù)據(jù)輸入到模型中，通過模型內(nèi)部檢驗(yàn)分析，完成評價(jià)功能的應(yīng)用，如果輸出的安全評價(jià)結(jié)果與期望值達(dá)成一致，則說明基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型具有準(zhǔn)確性，可以使用。

 

4 結(jié)語

 

隨著社會(huì)的發(fā)展，科學(xué)的進(jìn)步，越來越多的先進(jìn)信息技術(shù)和網(wǎng)絡(luò)技術(shù)得以應(yīng)用，計(jì)算機(jī)網(wǎng)絡(luò)是一個(gè)復(fù)雜的系統(tǒng)，其中存在一定的風(fēng)險(xiǎn)性，計(jì)算機(jī)網(wǎng)絡(luò)的安全問題是目前亟待解決的關(guān)鍵問題。在當(dāng)前社會(huì)，神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應(yīng)用于各大領(lǐng)域，將神經(jīng)網(wǎng)絡(luò)模型與計(jì)算機(jī)網(wǎng)絡(luò)安全相結(jié)合，遵守可行性、準(zhǔn)確性、完備性、簡要性、獨(dú)立性原則，構(gòu)建一個(gè)網(wǎng)絡(luò)安全評價(jià)體系。有利于對計(jì)算機(jī)安全管理奠定基礎(chǔ)，基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系能使評價(jià)結(jié)果更具真實(shí)性和可靠性，但目前的神經(jīng)網(wǎng)絡(luò)技術(shù)并不十分成熟，根據(jù)其應(yīng)用特點(diǎn)，將神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)相融合的發(fā)展問題，仍值得廣大學(xué)者深入研究。通過本文的分析與研究，認(rèn)識到神經(jīng)網(wǎng)絡(luò)的發(fā)展及特點(diǎn)，針對其功能的優(yōu)越性，加大對神經(jīng)網(wǎng)絡(luò)的重視，提高安全評價(jià)體系對環(huán)境的適應(yīng)力，提升體系的容錯(cuò)性，實(shí)現(xiàn)在線應(yīng)用模式，促進(jìn)其在計(jì)算機(jī)網(wǎng)絡(luò)安全中的進(jìn)一步完善和發(fā)展，為計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)提供保障，使神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)中發(fā)揮更大的作用。