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

第1篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

關(guān)鍵詞:功率放大器; 預(yù)失真技術(shù); 神經(jīng)網(wǎng)絡(luò); 單入雙出; 互調(diào)失真

中圖分類號:TP18 文獻標(biāo)識碼:A

文章編號:1004-373X(2010)09-0107-05

Research of Self-adaptive Digital Predistortion Technology Based on SIDO-neural Network

QIU Wei, LIU Yu-peng, ZHANG Lei-lei

(The base of China Ocean Measure, Jiangyin 214431, China)

Abstract: Because of inherent nonlinearity of high-power amplifier, which may cause bad influence on communication systems, it is necessary to make a linearization processing to overcome or weaken it. The math analysis of nonlinear distortion for the high-power amplifier(HPA) is performed. The basic principle of digital predistortion and the foundamental knowledge of neural network are described. A self-adaptive digital predistortion technology based on SIDO-neural network is proposed according to the amplifying amplitude and the distortion characteristic of phase, which can be improved by the technology. Taking a double-sound signal and 16QAM signal as an example, the Matlab simulation is carried out, The result proves that this technology is superior.

Keywords: power amplifier; predistortion technology; neural network; SIDO; intermodulation distortion

0 引 言

無線通信技術(shù)迅猛發(fā)展,人們對通信系統(tǒng)的容量要求也越來越大。為了追求更高的數(shù)據(jù)速率和頻譜效率,現(xiàn)代通信系統(tǒng)都普遍采用線性調(diào)制方式,如16QAM和QPSK方式,以及多載波配置[1]。

但這些技術(shù)產(chǎn)生的信號峰均比都較大,均要求功率放大器具有良好的線性特性,否則就會出現(xiàn)較大的互調(diào)失真,同時會導(dǎo)致頻譜擴展,造成臨道干擾,使誤碼率惡化,從而降低系統(tǒng)性能。

預(yù)失真技術(shù)是一項簡單易行的功放線性化技術(shù),具有電路形式簡單,調(diào)整方便,效率高,造價低等優(yōu)點[2]。其中,基帶預(yù)失真還能采用現(xiàn)代的數(shù)字信號處理技術(shù),是最為看好的一項功放線性化技術(shù)。這里利用一種簡單的單入雙出三層前向神經(jīng)網(wǎng)絡(luò)來進行自適應(yīng)預(yù)失真處理,同時補償由高功率放大器非線性特性引起的幅度失真和相位失真,從而實現(xiàn)其線性化。

文中分析了基于這種結(jié)構(gòu)的自適應(yīng)算法,并做了相應(yīng)的仿真。仿真結(jié)果表明,該方法能有效克服功放的非線性失真,且收斂速度比一般多項式預(yù)失真更快,具有一定的優(yōu)勢。

1 高功率放大器非線性分析

高功率放大器一般都是非線性器件,特別是當(dāng)輸入信號幅度變化較大時,放大器的工作區(qū)將在飽和區(qū)、截止區(qū)、放大區(qū)之間來回轉(zhuǎn)換,非線性失真嚴(yán)重,會產(chǎn)生高次諧波和互調(diào)失真分量。由于理論上任何函數(shù)都可以分解為多項式的形式,故放大器的輸入和輸出關(guān)系表示為:

Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)

假設(shè)輸入的雙音信號為:

Vi=V1cos(ω1t)+V2cos(ω2t)(2)

把式(2)代入式(1),得到輸出電壓為:

Vo=a22(V21+V22)+a1V1+a334V31+32V1V22+…cos(ω1t)+a2V2+a334V32+32V2V21+…cos(ω2t)+12a2V21+…cos(2ω1t)+12a2V22+…cos(2ω2t)+14a3V31+…cos(3ω1t)+14a3V32+…cos(3ω2t)+a2V1V2[cos(ω1+ω2)t+cos(ω1-ω2)t]+34a3V21V2[cos(2ω1+ω2)t+cos(2ω1-ω2)t]+

34a3V22V1[cos(2ω2+ω1)t+cos(2ω2-ω1)t]+58a5V31V22cos(3ω2-2ω1)t+58a5V21V32cos(3ω1-2ω2)t+…

從上式可以看出,輸出信號中不僅包含了2個基頻ω1,ω2,還產(chǎn)生了零頻,2次及高次諧波以及互調(diào)分量。通常2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2會落在通頻帶內(nèi),一般無法濾除,是對通信影響最大的非線性失真分量,即所謂的三階互調(diào)和五階互調(diào)。放大器線性化的目標(biāo)就是在保證一定效率的前提下最大地減小┤階和┪褰諄サ鞣至俊

2 預(yù)失真基本原理及其自適應(yīng)

預(yù)失真就是在信號通過放大器之前通過預(yù)失真器對信號做一個與放大器失真特性相反的失真,然后與放大器級聯(lián),從而保證輸出信號相對輸入信號是線性變化。預(yù)失真器產(chǎn)生一個非線性的轉(zhuǎn)移特性,這個轉(zhuǎn)移特性在相位上與放大器轉(zhuǎn)移特性相反,實質(zhì)上就是一個非線性發(fā)生器。其原理圖如圖1所示。

圖1 預(yù)失真基本原理

預(yù)失真器的實現(xiàn)通常有查詢表法和非線性函數(shù)兩種方式[2]。由于查表法結(jié)構(gòu)簡單,易于實現(xiàn),早期的預(yù)失真多采用此方法,但它對性能的改善程度取決于表項的大小,性能改善越大,需要的表項越大,所需要的存儲空間也越大,每次查找遍歷表項的每個數(shù)據(jù)和更新表項所需要的時間和計算時間也越長,因此在高速信息傳輸?shù)慕裉煲呀?jīng)不可取。非線性函數(shù)法是用一個非線性工作函數(shù)來擬合放大器輸出信號采樣值及其輸入信號的工作曲線,然后根據(jù)預(yù)失真器特性與放大器特性相反,求出預(yù)失真器的非線性特性函數(shù),從而對發(fā)送信號進行預(yù)失真處理。這種方法只需要更新非線性函數(shù)的幾個系數(shù),而不需要大的存儲空間,因此是近年來研究的熱點。

假設(shè)預(yù)失真器傳輸函數(shù)為F(x),放大器傳輸函數(shù)為G(x),F和G均為復(fù)函數(shù)。若輸入信號為x(t),則經(jīng)過預(yù)失真器之后的信號為u(t)=F[x(t)],放大器輸出函數(shù)為y(t)=G[u(t)]=G{F[x(t)]},預(yù)失真的目的就是使x(t)通過預(yù)失真器和放大器級聯(lián)后輸出y(t)=ax(t),a為放大器增益。通過一定的方法可以找到合適的F,使實際輸出和期望輸出的誤差最小。

由于溫度、電器特性、使用環(huán)境等因素的不斷變化,放大器的傳輸特性也會發(fā)生變化,從而預(yù)失真器傳輸函數(shù)F(x)的各參數(shù)也會隨之而變化,因此現(xiàn)代數(shù)字預(yù)失真技術(shù)一般都要采用自適應(yīng)技術(shù)以跟蹤調(diào)整參數(shù)的變化。目前常用的兩種自適應(yīng)預(yù)失真結(jié)構(gòu)如圖2、圖3所示。

圖2 自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖

圖3 復(fù)制粘帖式自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖

圖2是一般的通用自適應(yīng)結(jié)構(gòu),結(jié)構(gòu)簡單,思路明確,但一些經(jīng)典的自適應(yīng)算法由于多了放大器求導(dǎo)項而不能直接應(yīng)用,且需要辨識放大器的傳輸特性,而圖3的復(fù)制粘帖式結(jié)構(gòu)(非直接學(xué)習(xí))則不存在這些問題,關(guān)于這種結(jié)構(gòu)的優(yōu)缺點比較和具體性能分析見文獻[3]。本文將采用后一種自適應(yīng)結(jié)構(gòu)。

3 基于一種單入雙出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真技術(shù)

3.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是基于生物學(xué)神經(jīng)元網(wǎng)絡(luò)的基本原理而建立的。它是由許多稱為神經(jīng)元的簡單處理單元組成的一類自適應(yīng)系統(tǒng),所有神經(jīng)元通過前向或回饋的方式相互關(guān)聯(lián)、相互作用。由Minsky和Papert提出的多層前向神經(jīng)元網(wǎng)絡(luò)是目前最為常用的網(wǎng)絡(luò)結(jié)構(gòu),已廣泛應(yīng)用到模式分類和函數(shù)逼近中,且已證明含有任意多個隱層神經(jīng)元的多層前向神經(jīng)元網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù)[4]。本文利用神經(jīng)網(wǎng)絡(luò)的這種功能來擬合預(yù)失真器的特性曲線,并且用改進的反向傳播算法來自適應(yīng)更新系數(shù)。

多層前向神經(jīng)元網(wǎng)絡(luò)由輸入層、一個或多個隱層和輸出層并以前向方式連接而成,其每一層又由許多人工神經(jīng)元組成,前一層的輸出作為下一層神經(jīng)元的輸入數(shù)據(jù)。三層前向神經(jīng)元網(wǎng)絡(luò)示意圖如圖4所示,其中輸入層有M個人工神經(jīng)元,隱層有K個神經(jīng)元,輸出層有N個神經(jīng)元。關(guān)于人工神經(jīng)元的具體介紹參考文獻[5-6]。

圖4 三層前向神經(jīng)元網(wǎng)絡(luò)

3.2 基于單入雙出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真系統(tǒng)模型

對于圖5所示的單入雙出式三層前向神經(jīng)網(wǎng)絡(luò),假設(shè)隱層包含K個神經(jīng)元。輸入數(shù)據(jù)經(jīng)過一系列權(quán)系數(shù){w11,w12,…w1K}加權(quán)后到達隱層的各個神經(jīng)元。隱層中的神經(jīng)元將輸入進來的數(shù)據(jù)通過一個激勵函數(shù)(核函數(shù)),將其各神經(jīng)元的輸出經(jīng)過一系列權(quán)系數(shù){w21,w22,…,w2K}和{w31,w32,…,w3K}加權(quán)并求和后分別作為輸入層第一個神經(jīng)元和第二個神經(jīng)元的輸入,然后各神經(jīng)元的輸入通過激勵函數(shù)得到兩個輸出。

將圖5代替圖3中的函數(shù)發(fā)生器,即得到本文中所提到的基于單入雙出式前向神經(jīng)網(wǎng)絡(luò)的預(yù)失真器結(jié)構(gòu)圖,如圖6所示。

神經(jīng)網(wǎng)絡(luò)的三組系數(shù)向量開始都隨機初始化。設(shè)輸入序列為xi(i=1,2,…),通過幅度提取和相位提取后得到信號的幅度序列和相位序列。若神經(jīng)網(wǎng)絡(luò)的輸入為原始輸入序列的幅度序列ri(i=1,2,…),則隱層各單元輸入I1k=w1kri-θ1k。經(jīng)過核函數(shù)后,隱層各單元的輸出為J1k=f(I1k),其中f(x)=11+e-x為核函數(shù),輸出層的靜輸入為z1=∑Kk=1w2k*J1k-θ1,z2=∑Kk=1w3k*J1k-θ2,輸出層神經(jīng)元1的輸出,即預(yù)失真器幅度預(yù)失真分量為U1=f(z1)。

圖5 單入雙出三層前向神經(jīng)元網(wǎng)絡(luò)

圖6 單入雙出式前向神經(jīng)網(wǎng)絡(luò)預(yù)失真器結(jié)構(gòu)圖

由于相位失真分量的輸出范圍沒有限制在0和1之間,因此不能用核函數(shù)加以限制,這里設(shè)定輸出層神經(jīng)元2的輸出等于其輸入,即預(yù)失真器相位預(yù)失真分量為U2=z2,最后預(yù)失真后的幅度和相位和的指數(shù)相乘得到送入功放的復(fù)信號。功率放大器的輸出信號設(shè)為yi(i=1,2,…),其幅度和相偏分別為yai(i=1,2,…)和ypi(i=1,2,…)。最后整個系統(tǒng)的幅度絕對誤差為ea(i)=Gri-ya(i),相位絕對誤差為ep(i)=U2(i)+yp(i),整個系統(tǒng)的絕對誤差和為e(i)=ea(i)+ep(i),然而直接把此誤差運用到反向傳播算法(BP算法)中會導(dǎo)致算法出現(xiàn)局部收斂且收斂速度極慢。因此本文對誤差信號做了改進,即把誤差信號改為:

e(i)=12[λ(ea(i)]2+(1-λ)φ[ea(i)]+

λ[ep(i)]2+(1-λ)φ[ep(i)]

其中:φ(x)=In[cos(βx)]/β,加入的調(diào)整因子λ和輔助項φ,能把算法從局部收斂點拉出來,且收斂速度得到一定的提高。最后根據(jù)反向傳播算法,得到訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)更新式如下(下標(biāo)2為隱層到輸出層權(quán)系數(shù),下標(biāo)1為輸入層到隱層權(quán)系數(shù)):

δ2a(i)=ca(i)*[1+U1(i)]*[1-U1(i)](3)

δ2p(i)=cp(i)(4)

w2(i)=α*δ2a(i)*J1+η*w2(i-1)(5)

θ2(i)=α*δ2a(i)+η*θ2(i-1)(6)

w3(i)=-α*δ2p(i)*J1+η*w3(i-1)(7)

θ3(i)=-α*δ2p(i)+η*θ2(i-1)(8)

δ1(i)=(δ2a(i)*w2-δ2p(i)*w3)*

J1(i)*[1-J1(i)](9)

w1(i)=β*δ1(i)*ri+η*w1(i-1)(10)

θ1(i)=β*δ1(i)+η*θ1(i)(11)

式中:ca(i)=λea(i)-1-λ2tan[β*ea(i)];cp(i)=λ*ep(i)-1-λ2tan[β*ep(i)]。

預(yù)失真權(quán)系數(shù)可分為訓(xùn)練和跟蹤兩個階段。根據(jù)上面的迭代公式,得到一組訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù),用當(dāng)前的權(quán)系數(shù)替代預(yù)失真器神經(jīng)網(wǎng)絡(luò)中原來的權(quán)系數(shù),得到一組新的預(yù)失真系數(shù),之后重新計算誤差,繼續(xù)上面的過程循環(huán)迭代運算,直到誤差小于規(guī)定的范圍,即整個系統(tǒng)收斂,則預(yù)失真器訓(xùn)練完成,此時為訓(xùn)練階段。之后隨著溫度、輸入的調(diào)制信號不同,以及環(huán)境等變化可能引起功放特性的變化,可以設(shè)置一個誤差門限值,一旦發(fā)現(xiàn)誤差超過此門限,立即重新啟動上面的循環(huán)迭代,重新訓(xùn)練,直到滿足條件,此時為跟蹤階段。這種改進型BP算法的收斂速度快,能滿足實時運算的要求。同時在硬件實現(xiàn)上,只要做一個核函數(shù)發(fā)生器,其他都是乘累加運算,硬件實現(xiàn)要簡單得多,因此具有一定的實用性。

4 性能仿真

文中使用雙音信號進行了仿真分析,雙音信號為:

xs=0.5[sin(2π×10×t)+sin(2π×8×t)]

放大器模型采用經(jīng)典salef[9]模型,神經(jīng)網(wǎng)絡(luò)的隱層數(shù)設(shè)為15。圖7為雙音信號原始頻譜。

圖8是為雙音信號直接通過放大器和通過文中所提的預(yù)失真網(wǎng)絡(luò)后再通過放大器的頻譜圖對比。由此可見,雙音信號直接通過放大器后產(chǎn)生了較大的失真,其中的三階互調(diào)達到了-16 dB,五階互調(diào)也有-29 dB。通過對文中所提神經(jīng)網(wǎng)絡(luò)預(yù)失真系統(tǒng)進行處理后,即信號通過預(yù)失真器再通過放大器后,三階互調(diào)被抑制到-42 dB,五階互調(diào)也被抑制到-48 dB以下,此時三階互調(diào)改善26 dB,五階互調(diào)改善19 dB,使放大器的非線性失真得到較大的抑制。

圖7 原始信號歸一化頻譜圖

圖8 預(yù)失真前后信號歸一化頻譜圖

下面以16QAM信號為例,說明這種預(yù)失真技術(shù)對功放非線性特性的改善,如圖9所示。

圖9(a)為16QAM信號規(guī)則星座圖,調(diào)制信號均勻地分布在正方形的16個點上;圖9(b)為16QAM信號經(jīng)過功率放大器后解調(diào)的星座圖。由圖可見,信號經(jīng)過放大器后,幅度受到壓縮,相位發(fā)生偏移,并且輸入信號幅度越大,輸出信號幅度壓縮越大,相位偏移越嚴(yán)重,最后出現(xiàn)嚴(yán)重的“云團效應(yīng)”,使得接收端不能正確解調(diào)信號。圖9(c)是經(jīng)過本節(jié)所提出的單入雙出式神經(jīng)網(wǎng)絡(luò)預(yù)失真器處理后解調(diào)信號的星座圖。由圖可見,經(jīng)過預(yù)失真處理后,由于放大器非線性引起的幅度壓縮和相位旋轉(zhuǎn)都得到較好的糾正,“云團效應(yīng)”明顯減弱,最后各個點基本都在理想點上,與┩9(a)對比,基本消除了失真。

5 結(jié) 語

針對放大器固有的非線性特性問題,從數(shù)學(xué)上分析了放大器的非線性失真,介紹了基于預(yù)失真基本原理和神經(jīng)網(wǎng)絡(luò)基本概念,提出了一種單入雙出式神經(jīng)網(wǎng)絡(luò)自適應(yīng)預(yù)失真技術(shù)。仿真結(jié)果表明,該技術(shù)能對三階互調(diào)能抑制29 dB左右,對五階互調(diào)能抑制19 dB左右,對QAM調(diào)制信號由于放大器非線性引起的幅度壓縮和相位旋轉(zhuǎn)都得到較好的糾正,在很大程度上克服了放大器非線性特性,改善了通信系統(tǒng)的性能。

圖9 16QAM信號星座圖失真及改善對比

參考文獻

[1]趙慧,漆蘭芬.射頻放大器的工作函數(shù)預(yù)失真線性化[J].無線電工程,2001,31(12):58-61.

[2]賈建華,劉戰(zhàn)勝.關(guān)于自適應(yīng)預(yù)失真射頻功率放大器線性化研究[J].微波學(xué)報,2005,21(3):48-50.

[3]錢業(yè)青.一種高效的用于RF功率放大器線性化的自適應(yīng)預(yù)失真結(jié)構(gòu)[J].通信學(xué)報,2006,27(5):35-40,46.

[4]CYBENKO G. Approximations by superpositions of a sigmoidal function[J]. Mathematics of Control, Signals and Systems, 1989(2): 183-192.

[5]劉寶碇,趙瑞清,王綱.不確定規(guī)劃及應(yīng)用[M].北京:清華大學(xué)出版社,2003.

[6]朱劍英.只能系統(tǒng)非經(jīng)典數(shù)學(xué)方法[M].武漢:華中科技大學(xué)出版社,2001.

[7]WU Shan-yin, SIMON H S F, WONG Y M. The use of nonlinear curvefitting in digital predistortion for linearizing RF power amplifiers[J]. IEEE ICICS, 2005, 3: 960-963.

[8]GLENTIS G O, BERBERDIS K, THEODORIDID S. Efficient least sqares adaptive algorithms for FIR transversal filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.

第2篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

關(guān)鍵詞：繼電保護；供電系統(tǒng)；原理

在電力系統(tǒng)中，各種類型的、大量的電氣設(shè)備通過電氣線路緊密地聯(lián)結(jié)在一起。由于其覆蓋的地域廣闊、運行環(huán)境又很復(fù)雜以及各種人為因素的影響，電氣故障的發(fā)生是不可避免的。在電力系統(tǒng)中任何一處發(fā)生事故，都有可能對電力系統(tǒng)的運行產(chǎn)重大影響，因此繼電保護系統(tǒng)就是電力系統(tǒng)中的一個重要環(huán)節(jié)。

1 繼電保護裝置類型

1.1 距離保護

所謂距離保護是指相同故障、接地故障時采取的保護措施。當(dāng)故障發(fā)生后，如相同短路、單相接地、缺相運行籌故障，CPU首先會接到相應(yīng)回路點發(fā)來的中斷信號，然后根據(jù)其中所包含的故障信息作出相應(yīng)的判斷，并向執(zhí)行部件發(fā)出動作指令。

1.2 零序保護邏輯

當(dāng)系統(tǒng)出現(xiàn)某相接地發(fā)生零序保護元件發(fā)出開口三角電壓UO，而軟件可根據(jù)三相電壓信號自產(chǎn)出U=Ua+Uh+Uc 若Ua+Uh+Uc=U不成立，而U≠0，則故障仍采用U：若UO=O則采用UO。

1.3 負(fù)荷控制通常

此邏輯中，根據(jù)各回路中的負(fù)荷情況，將數(shù)據(jù)進行匯總向上級電業(yè)部門進行報送，當(dāng)出現(xiàn)電力負(fù)荷不均衡時，電力部門按照有關(guān)規(guī)定，根據(jù)負(fù)荷等級向用電部門發(fā)出指令進行統(tǒng)一調(diào)配，單片機在此進行數(shù)據(jù)匯總，并與上級電業(yè)管理部門進行通訊郵遞聯(lián)絡(luò)。三相重合閘該邏輯用于同路中突發(fā)性短時故障時，故障發(fā)能在發(fā)生后自動消除情況下，若再次送電不會發(fā)生故障時能及時恢復(fù)電網(wǎng)供電，此類故障，如相間因細(xì)小的金屬線等雜物短路，當(dāng)金屬線燒短后，再次送電并不影響系統(tǒng)正常運行。

2 繼電器保護裝置的功能

在供電系統(tǒng)中運行正常時，它應(yīng)能完善地、安全地監(jiān)視各種設(shè)備的運行狀況，為值班人員提供可靠的運行依據(jù)；如供電系統(tǒng)中發(fā)生故障時，它應(yīng)能自動地、迅速地、有選擇性地切除故障部分，保證非故障部分繼續(xù)運行；當(dāng)供電系統(tǒng)中出現(xiàn)異常運行工作狀況時，它應(yīng)能及時地、準(zhǔn)確地發(fā)出信號或警報，通知值班人員盡快做出處理；對繼電保護裝置的基本要求。對繼電保護裝置的基本要求主要有四點：即選擇性、靈敏性、速動性和可靠性。

2.1 選擇性

當(dāng)供電系統(tǒng)中發(fā)生故障時，繼電保護裝置應(yīng)能有選擇性地將故障部分切除。也就是它應(yīng)該首先斷開距離故障點最近的斷路器，以保證系統(tǒng)中其它非故障部分能繼續(xù)正常運行。系統(tǒng)中的繼電保護裝置能滿足上述要求的，就稱為有選擇性否則就稱為沒有選擇性。

2.2 速動性

速動性是指保護裝置應(yīng)能盡快地切除短路故障縮短切除故障的時間，就可以減輕短電流對電氣設(shè)備的損壞程度，加快系統(tǒng)電壓的恢復(fù)，從而為電氣設(shè)備的自啟動創(chuàng)造了有利條件，同時還提高了發(fā)電機并列運行的穩(wěn)定性。所謂故障的切除時間是指保護裝置的動作時間與斷路器的跳閘時間之和。由于斷路器一經(jīng)選定，其跳閘時間就已確定，目前我國生產(chǎn)的斷路器跳閘時間均在O.02S以下。所以實現(xiàn)速動性的關(guān)鍵是選用保護裝置應(yīng)能快速動作。保護裝置應(yīng)能正確的動作，并隨時處于準(zhǔn)備狀態(tài)。如不滿足可靠性的要求，保護裝置反而成為了擴大事故或直接造成故障的根源。為確保保護裝置動作的可靠性，則要求保護裝置的設(shè)計原理、整定計算、安裝調(diào)試要正確無誤；同時要求組成保護裝置的各元件的質(zhì)量要可靠、運行維護要得當(dāng)、系統(tǒng)應(yīng)盡可能的簡化有效，以提高保護的可靠性。

3 繼電器保護的應(yīng)用分析

3.1 繼電保護的網(wǎng)絡(luò)自動化

隨著計算機硬件的迅猛發(fā)展，微機保護硬件也在不斷發(fā)展。電力系統(tǒng)對微機保護的要求不斷提高，除了保護的基本功能外，還應(yīng)具有大容量的故障信息和數(shù)據(jù)的長期存放空間，快速的數(shù)據(jù)處理功能，強大的通信能力，與其它保護、控制裝置和調(diào)度聯(lián)網(wǎng)以共享全系統(tǒng)數(shù)據(jù)，信息和網(wǎng)絡(luò)資源的能力，高級語言編程。計算機網(wǎng)絡(luò)作為信息和數(shù)據(jù)通信工程已成為信息時代的技術(shù)支柱，使人類生產(chǎn)和社會生活的面貌發(fā)生了重大變化，微機保護裝置網(wǎng)絡(luò)化可大大提高保護性能和可靠性，這是微機保護發(fā)展的必然趨勢。在實現(xiàn)繼電保護的計算機化和網(wǎng)絡(luò)化的條件下，保護裝置實際上就是一臺高性能、多功能的計算機，是整個電力系統(tǒng)計算機網(wǎng)絡(luò)上的一個智能終端。它可從網(wǎng)上獲取電力系統(tǒng)運行和故障的任何信息和數(shù)據(jù)，也可將它所獲得的被保護元件的任何信息和數(shù)據(jù)傳送給網(wǎng)絡(luò)控制中心或任一終端。因此，每個微機保護裝置不但可完成繼電保護功能，而且在無故障正常運行隋況下還可完成測量、控制、數(shù)據(jù)通信功能亦即實現(xiàn)保護、控制、測量、數(shù)據(jù)通信一體化。

3.2 繼電保護的智能化

近年來，人工智能技術(shù)如神經(jīng)網(wǎng)絡(luò)、遺傳算法、進化規(guī)劃、模糊邏輯等在電力系統(tǒng)各個領(lǐng)域得到了廣泛的應(yīng)用，在繼電保護領(lǐng)域應(yīng)用的研究也已開始。神經(jīng)網(wǎng)絡(luò)是一種非線性映射的方法，很多難以列出方程式或難以求解的復(fù)雜的非線性問題，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法則可迎刃而解。

4 如何提高繼電保護技術(shù)

掌握相關(guān)技術(shù)知識，電子技術(shù)知識，由于電網(wǎng)中微機保護的使用越來越多，作為一名繼電保護工作者，學(xué)好電子技術(shù)及微機保護知識是當(dāng)務(wù)之急。微機保護的原理和組成，為了根據(jù)保護及自動裝置產(chǎn)生的現(xiàn)象分析故障或事故發(fā)生的原因，迅速確定故障部位，工作人員必須具備微機保護的基本知識，必須全面掌握和了解保護的基本原理和性能，熟記微機保護的邏輯框圖，熟悉電路原理和元件功能。具備相關(guān)技術(shù)資料，要順利進行繼電保護事故處理，離不開諸如檢修規(guī)程、裝置使用與技術(shù)說明書、調(diào)試大綱和調(diào)試記錄、定值通知單、整組調(diào)試記錄，二次回路接線圖等資料。運用正確的檢查方法。一般繼電保護事故往往經(jīng)過簡單的檢查就能夠被查出，如果繹過一些常規(guī)的檢查仍未發(fā)現(xiàn)故障元件，說明該故障較為隱蔽，應(yīng)當(dāng)引起充分重視，對此可采用逐級逆向檢查法，即從故障現(xiàn)象的暴露點入手去分析原因，由故障原因判斷故障范圍。如果仍不能確定故障原因，就采用順序檢查法，對裝置進行全面檢查。掌握微機保護事故處理技巧，在微機保護的事故處理中，以往的經(jīng)驗是非常寶貴的，它能幫助工作人員快速消除重復(fù)發(fā)生的故障，但技能更為重要。

5 結(jié)束語

這里從微機保護自身特點和現(xiàn)場實際經(jīng)驗出發(fā)，結(jié)合長期處理繼電保護事故的故障的經(jīng)驗和方法，對微機保護發(fā)生事故或故障的共性原因進行了一般性分類，并在一定范圍內(nèi)總結(jié)了處理事故的思路及方法，介紹了提高處理事故和故障能力的基本途徑。

參考文獻：

第3篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

關(guān)鍵詞： 語音識別； 識別原理； 聲學(xué)建模方法； 多維模式識別系統(tǒng)

中圖分類號： TN912.3?34 文獻標(biāo)識碼： A 文章編號： 1004?373X（2013）13?0043?03

Summary of speech recognition technology and its application

YU Lin?lin

（Naval Aviation Military Representative Office Stationed in Beijing， Beijing 100041， China）

Abstract： As a key technology of human?computer interface in information technology， speech recognition has great research significance and broad application value. the development history of speech recognition technology is introduced， the basic knowledge of speech recognition is expounded， such as concept， basic principle， the acoustic modeling approach. The application of speech recognition technology in various fields are briefly introduced.

Keywords： speech recognition； recognition principle； acoustic modeling approach； multi?dimension pattern recognition system

0 引 言

語言是人類相互交流最常用、最有效、最重要和最方便的通信形式，語音是語言的聲學(xué)表現(xiàn)，與機器進行語音交流是人類一直以來的夢想。隨著計算機技術(shù)的飛速發(fā)展，語音識別技術(shù)也取得突破性的成就，人與機器用自然語言進行對話的夢想逐步接近實現(xiàn)。語音識別技術(shù)的應(yīng)用范圍極為廣泛，不僅涉及到日常生活的方方面面，在軍事領(lǐng)域也發(fā)揮著極其重要的作用。它是信息社會朝著智能化和自動化發(fā)展的關(guān)鍵技術(shù)，使人們對信息的處理和獲取更加便捷，從而提高人們的工作效率。

1 語音識別技術(shù)的發(fā)展

語音識別技術(shù)起始于20世紀(jì)50年代。這一時期，語音識別的研究主要集中在對元音、輔音、數(shù)字以及孤立詞的識別。

20世紀(jì)60年代，語音識別研究取得實質(zhì)性進展。線性預(yù)測分析和動態(tài)規(guī)劃的提出較好地解決了語音信號模型的產(chǎn)生和語音信號不等長兩個問題，并通過語音信號的線性預(yù)測編碼，有效地解決了語音信號的特征提取。

20世紀(jì)70年代，語音識別技術(shù)取得突破性進展?；趧討B(tài)規(guī)劃的動態(tài)時間規(guī)整（Dynamic Time Warping， DTW）技術(shù)基本成熟，特別提出了矢量量化（Vector Quantization，VQ）和隱馬爾可夫模型（Hidden Markov Model，HMM）理論[1]。

20世紀(jì)80年代，語音識別任務(wù)開始從孤立詞、連接詞的識別轉(zhuǎn)向大詞匯量、非特定人、連續(xù)語音的識別，識別算法也從傳統(tǒng)的基于標(biāo)準(zhǔn)模板匹配的方法轉(zhuǎn)向基于統(tǒng)計模型的方法。在聲學(xué)模型方面，由于HMM能夠很好的描述語音時變性和平穩(wěn)性，開始被廣泛應(yīng)用于大詞匯量連續(xù)語音識別（Large Vocabulary Continous Speech Recognition， LVCSR）的聲學(xué)建模[2?3]；在語言模型方面，以N元文法為代表的統(tǒng)計語言模型開始廣泛應(yīng)用于語音識別系統(tǒng)[4]。在這一階段，基于HMM/VQ、HMM/高斯混合模型、HMM/人工神經(jīng)網(wǎng)絡(luò)的語音建模方法開始廣泛應(yīng)用于LVCSR系統(tǒng)，語音識別技術(shù)取得新突破。

20世紀(jì)90年代以后，伴隨著語音識別系統(tǒng)走向?qū)嵱没?，語音識別在細(xì)化模型的設(shè)計、參數(shù)提取和優(yōu)化、系統(tǒng)的自適應(yīng)方面取得較大進展[5]。同時，人們更多地關(guān)注話者自適應(yīng)、聽覺模型、快速搜索識別算法以及進一步的語言模型的研究等課題[6]。此外，語音識別技術(shù)開始與其他領(lǐng)域相關(guān)技術(shù)進行結(jié)合，以提高識別的準(zhǔn)確率，便于實現(xiàn)語音識別技術(shù)的產(chǎn)品化。

2 語音識別基礎(chǔ)

2.1 語音識別概念

語音識別是將人類的聲音信號轉(zhuǎn)化為文字或者指令的過程[7]。語音識別以語音為研究對象，它是語音信號處理的一個重要研究方向，是模式識別的一個分支。語音識別的研究涉及微機技術(shù)、人工智能、數(shù)字信號處理、模式識別、聲學(xué)、語言學(xué)和認(rèn)知科學(xué)等許多學(xué)科領(lǐng)域，是一個多學(xué)科綜合性研究領(lǐng)域[8]。

根據(jù)在不同限制條件下的研究任務(wù)，產(chǎn)生了不同的研究領(lǐng)域。這些領(lǐng)域包括：根據(jù)對說話人說話方式的要求，可分為孤立字（詞）、連接詞和連續(xù)語音識別系統(tǒng)；根據(jù)對說話人的依賴程度，可分為特定人和非特定人語音識別系統(tǒng)；根據(jù)詞匯量的大小，可分為小詞匯量、中等詞匯量、大詞匯量以及無限詞匯量語音識別系統(tǒng)。

2.2 語音識別基本原理

從語音識別模型的角度講，主流的語音識別系統(tǒng)理論是建立在統(tǒng)計模式識別基礎(chǔ)之上的。語音識別的目標(biāo)是利用語音學(xué)與語言學(xué)信息，把輸入的語音特征向量序列[X=x1，x2，…，xT]轉(zhuǎn)化成詞序列[W=w1，w2，…，wN]并輸出?；谧畲蠛篁灨怕实恼Z音識別模型如下式所示：

[W=argmaxW{P（W|X）}=argmaxWP（W|X）P（W）P（X）=argmaxW{P（X|W）P（W）}=argmaxW{logP（X|W）+λlogP（W）}]

上式表明，要尋找的最可能的詞序列[W]，應(yīng)該使[P（X|W）]與[P（W）]的乘積達到最大。其中，[P（X|W）]是特征矢量序列[X]在給定[W]條件下的條件概率，由聲學(xué)模型決定。[P（W）]是[W]獨立于語音特征矢量的先驗概率，由語言模型決定。由于將概率取對數(shù)不影響[W]的選取，第四個等式成立。[logP（X|W）]與[logP（W）]分別表示聲學(xué)得分與語言得分，且分別通過聲學(xué)模型與語言模型計算得到。[λ]是平衡聲學(xué)模型與語言模型的權(quán)重。從語音識別系統(tǒng)構(gòu)成的角度講，一個完整的語音識別系統(tǒng)包括特征提取、聲學(xué)模型、語言模型、搜索算法等模塊。語音識別系統(tǒng)本質(zhì)上是一種多維模式識別系統(tǒng)，對于不同的語音識別系統(tǒng)，人們所采用的具體識別方法及技術(shù)不同，但其基本原理都是相同的，即將采集到的語音信號送到特征提取模塊處理，將所得到的語音特征參數(shù)送入模型庫模塊，由聲音模式匹配模塊根據(jù)模型庫對該段語音進行識別，最后得出識別結(jié)果[9]。

語音識別系統(tǒng)基本原理框圖如圖1所示，其中：預(yù)處理模塊濾除原始語音信號中的次要信息及背景噪音等，包括抗混疊濾波、預(yù)加重、模/數(shù)轉(zhuǎn)換、自動增益控制等處理過程，將語音信號數(shù)字化；特征提取模塊對語音的聲學(xué)參數(shù)進行分析后提取出語音特征參數(shù)，形成特征矢量序列。語音識別系統(tǒng)常用的特征參數(shù)有短時平均幅度、短時平均能量、線性預(yù)測編碼系數(shù)、短時頻譜等。特征提取和選擇是構(gòu)建系統(tǒng)的關(guān)鍵，對識別效果極為重要。

圖1 語音識別基本原理框圖

由于語音信號本質(zhì)上屬于非平穩(wěn)信號，目前對語音信號的分析是建立在短時平穩(wěn)性假設(shè)之上的。在對語音信號作短時平穩(wěn)假設(shè)后，通過對語音信號進行加窗，實現(xiàn)短時語音片段上的特征提取。這些短時片段被稱為幀，以幀為單位的特征序列構(gòu)成語音識別系統(tǒng)的輸入。由于梅爾倒譜系數(shù)及感知線性預(yù)測系數(shù)能夠從人耳聽覺特性的角度準(zhǔn)確刻畫語音信號，已經(jīng)成為目前主流的語音特征。為補償幀間獨立性假設(shè)，人們在使用梅爾倒譜系數(shù)及感知線性預(yù)測系數(shù)時，通常加上它們的一階、二階差分，以引入信號特征的動態(tài)特征。

聲學(xué)模型是語音識別系統(tǒng)中最為重要的部分之一。聲學(xué)建模涉及建模單元選取、模型狀態(tài)聚類、模型參數(shù)估計等很多方面。在目前的LVCSR系統(tǒng)中，普遍采用上下文相關(guān)的模型作為基本建模單元，以刻畫連續(xù)語音的協(xié)同發(fā)音現(xiàn)象。在考慮了語境的影響后，聲學(xué)模型的數(shù)量急劇增加，LVCSR系統(tǒng)通常采用狀態(tài)聚類的方法壓縮聲學(xué)參數(shù)的數(shù)量，以簡化模型的訓(xùn)練。在訓(xùn)練過程中，系統(tǒng)對若干次訓(xùn)練語音進行預(yù)處理，并通過特征提取得到特征矢量序列，然后由特征建模模塊建立訓(xùn)練語音的參考模式庫。

搜索是在指定的空間當(dāng)中，按照一定的優(yōu)化準(zhǔn)則，尋找最優(yōu)詞序列的過程。搜索的本質(zhì)是問題求解，廣泛應(yīng)用于語音識別、機器翻譯等人工智能和模式識別的各個領(lǐng)域。它通過利用已掌握的知識（聲學(xué)知識、語音學(xué)知識、詞典知識、語言模型知識等），在狀態(tài)（從高層至底層依次為詞、聲學(xué)模型、HMM狀態(tài)）空間中找到最優(yōu)的狀態(tài)序列。最終的詞序列是對輸入的語音信號在一定準(zhǔn)則下的一個最優(yōu)描述。在識別階段，將輸入語音的特征矢量參數(shù)同訓(xùn)練得到的參考模板庫中的模式進行相似性度量比較，將相似度最高的模式所屬的類別作為識別中間候選結(jié)果輸出。為了提高識別的正確率，在后處理模塊中對上述得到的候選識別結(jié)果繼續(xù)處理，包括通過Lattice重打分融合更高元的語言模型、通過置信度度量得到識別結(jié)果的可靠程度等。最終通過增加約束，得到更可靠的識別結(jié)果。

2.3 聲學(xué)建模方法

常用的聲學(xué)建模方法包含以下三種：基于模式匹配的動態(tài)時間規(guī)整法（DTW）；隱馬爾可夫模型法（HMM）；基于人工神經(jīng)網(wǎng)絡(luò)識別法（ANN）等。

DTW 是較早的一種模式匹配的方法。它基于動態(tài)規(guī)劃的思想，解決孤立詞語音識別中的語音信號特征參數(shù)序列比較時長度不一的模板匹配問題。在實際應(yīng)用中，DTW通過計算已預(yù)處理和分幀的語音信號與參考模板之間的相似度，再按照某種距離測度計算出模板間的相似度并選擇最佳路徑。

HMM是對語音信號的時間序列結(jié)構(gòu)所建立的統(tǒng)計模型，是在馬爾可夫鏈的基礎(chǔ)上發(fā)展起來的，它是一種基于參數(shù)模型的統(tǒng)計識別方法。HMM可模仿人的言語過程，可視作一個雙重隨機過程：一個是用具有有限狀態(tài)數(shù)的馬爾可夫鏈來模擬語音信號統(tǒng)計特性變化的隱含的隨機過程，另一個是與馬爾可夫鏈的每一個狀態(tài)相關(guān)聯(lián)的觀測序列的隨機過程[10]。

ANN以數(shù)學(xué)模型模擬神經(jīng)元活動，將人工神經(jīng)網(wǎng)絡(luò)中大量神經(jīng)元并行分布運算的原理、高效的學(xué)習(xí)算法以及對人的認(rèn)知系統(tǒng)的模仿能力充分運用到語音識別領(lǐng)域，并結(jié)合神經(jīng)網(wǎng)絡(luò)和隱含馬爾可夫模型的識別算法，克服了ANN在描述語音信號時間動態(tài)特性方面的缺點，進一步提高了語音識別的魯棒性和準(zhǔn)確率。其中成功的方法就是在混合模型中用ANN替代高斯混合模型估計音素或狀態(tài)的后驗概率。2011年，微軟以深度神經(jīng)網(wǎng)絡(luò)替代多層感知機形成的混合模型系統(tǒng)大大提高了語音識別的準(zhǔn)確率。

3 語音識別的應(yīng)用

語音識別技術(shù)有著非常廣泛的應(yīng)用領(lǐng)域和市場前景。在語音輸入控制系統(tǒng)中，它使得人們可以甩掉鍵盤，通過識別語音中的要求、請求、命令或詢問來作出正確的響應(yīng)，這樣既可以克服人工鍵盤輸入速度慢，極易出差錯的缺點，又有利于縮短系統(tǒng)的反應(yīng)時間，使人機交流變得簡便易行，比如用于聲控語音撥號系統(tǒng)、聲控智能玩具、智能家電等領(lǐng)域。在智能對話查詢系統(tǒng)中，人們通過語音命令，可以方便地從遠端的數(shù)據(jù)庫系統(tǒng)中查詢與提取有關(guān)信息，享受自然、友好的數(shù)據(jù)庫檢索服務(wù)，例如信息網(wǎng)絡(luò)查詢、醫(yī)療服務(wù)、銀行服務(wù)等。語音識別技術(shù)還可以應(yīng)用于自動口語翻譯，即通過將口語識別技術(shù)、機器翻譯技術(shù)、語音合成技術(shù)等相結(jié)合，可將一種語言的語音輸入翻譯為另一種語言的語音輸出，實現(xiàn)跨語言交流[11]。

語音識別技術(shù)在軍事斗爭領(lǐng)域里也有著極為重要的應(yīng)用價值和極其廣闊的應(yīng)用空間。一些語音識別技術(shù)就是著眼于軍事活動而研發(fā)，并在軍事領(lǐng)域首先應(yīng)用、首獲成效的，軍事應(yīng)用對語音識別系統(tǒng)的識別精度、響應(yīng)時間、惡劣環(huán)境下的頑健性都提出了更高的要求。目前，語音識別技術(shù)已在軍事指揮和控制自動化方面得以應(yīng)用。比如，將語音識別技術(shù)應(yīng)用于航空飛行控制，可快速提高作戰(zhàn)效率和減輕飛行員的工作負(fù)擔(dān)，飛行員利用語音輸入來代替?zhèn)鹘y(tǒng)的手動操作和控制各種開關(guān)和設(shè)備，以及重新改編或排列顯示器上的顯示信息等，可使飛行員把時間和精力集中于對攻擊目標(biāo)的判斷和完成其他操作上來，以便更快獲得信息來發(fā)揮戰(zhàn)術(shù)優(yōu)勢。

4 結(jié) 語

語音識別的研究工作對于信息化社會的發(fā)展，人們生活水平的提高等方面有著深遠的意義。隨著計算機信息技術(shù)的不斷發(fā)展，語音識別技術(shù)將取得更多重大突破，語音識別系統(tǒng)的研究將會更加深入，有著更加廣闊的發(fā)展空間。

參考文獻

[1] 馬志欣，王宏，李鑫.語音識別技術(shù)綜述[J].昌吉學(xué)院學(xué)報，2006（3）：93?97.

[2] RABINER L R， JUANG B H. An introduction to hidden Markov models [J]. IEEE ASSP Magazine， 1986， 3（1）： 4?16.

[3] GALES M， YOUNG S. The application of hidden Markov models in speech recognition [J]. Foundations and Trends in Signal Processing， 2008， 1（3）： 195?304.

[4] JELINEK F. Continuous speech recognition by statistical methods [J]. Proceedings of the IEEE， 1976， 64（4）： 532?556.

[5] 倪崇嘉，劉文舉，徐波.漢語大詞匯量連續(xù)語音識別系統(tǒng)研究進展[J].中文信息學(xué)報，2009，23（1）：112?123.

[6] 顧亞強.非特定人語音識別關(guān)鍵技術(shù)研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2009.

[7] 中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局.GB/T21023?2007 中文語音識別系統(tǒng)通用技術(shù)規(guī)范[S].北京：中國標(biāo)準(zhǔn)出版社，2007.

[8] 王文慧.基于ARM的嵌入式語音識別系統(tǒng)研究[D].天津：天津大學(xué)，2008.

[9] 何湘智.語音識別的研究與發(fā)展[J].計算機與現(xiàn)代化，2002（3）：3?6.

第4篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

[關(guān)鍵詞]專家系統(tǒng)；實踐能力評價；大學(xué)生

專家系統(tǒng)是一個具有大量的專門知識與經(jīng)驗的程序系統(tǒng)，它應(yīng)用人工智能和計算機技術(shù)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗，模擬人類專家解決一些復(fù)雜問題。

一、學(xué)生實踐能力

1.一般實踐能力：包括獨立生活能力、動手能力、環(huán)境適應(yīng)能力、交往合作能力、語言表達能力、計算機應(yīng)用能力和外語應(yīng)用能力等。

2.專業(yè)實踐能力：主要指大學(xué)生在專業(yè)領(lǐng)域中運用專業(yè)知識解決實際問題的能力。

3.綜合實踐能力：指完成復(fù)雜任務(wù)和解決新問題所具備的實踐能力，常常涉及技術(shù)、經(jīng)濟、社會、環(huán)境、心理等各種因素，不僅要綜合運用一般實踐能力和本專業(yè)實踐能力，還要學(xué)會運用跨學(xué)科跨專業(yè)的知識和技能。

二、評價系統(tǒng)的結(jié)構(gòu)與功能

1.系統(tǒng)結(jié)構(gòu)?；趯＜蚁到y(tǒng)的學(xué)生實踐能力評價系統(tǒng)（如圖1），是以個人基本信息模塊提供的信息作為基礎(chǔ)，結(jié)合實踐課程成績進行綜合分析，最后評價出學(xué)生的實踐能力。系統(tǒng)主要由知識庫、綜合數(shù)據(jù)庫、推理機、解釋器、知識獲取機構(gòu)和人機接口組成。

（1）知識庫與知識的表示。知識庫是專家系統(tǒng)包含領(lǐng)域知識的部分，包括各種學(xué)生實踐能力培養(yǎng)方面的知識和學(xué)生實踐能力評價規(guī)則。知識庫可以隨時查詢、修改、刪除、更新和擴充。本系統(tǒng)的基本知識不僅包括學(xué)生的國家、民族、籍貫、學(xué)歷、英語水平、計算機水平、證件類型及號碼、獎罰情況等基本信息，還包括學(xué)生不同學(xué)習(xí)階段參與實踐活動的地點、時間、單位、部門及實踐成績等信息。

為便于計算機進行處理，必須通過知識表示方法將知識描述成計算機可以識別的形式。知識表示方法主要有一階謂詞邏輯表示法、產(chǎn)生式規(guī)則表示法、框架表示法、語義網(wǎng)絡(luò)表示法、面向?qū)ο蟊硎痉?、過程表示法和基于神經(jīng)網(wǎng)絡(luò)表示法等等。本評價系統(tǒng)選用產(chǎn)生式規(guī)則來表示知識。產(chǎn)生式規(guī)則表示法主要表示具有因果關(guān)系的知識，其基本形式為：PQ 或 IF P THEN Q。

其中P是產(chǎn)生式的前提條件，用于指出該產(chǎn)生式是否可用的條件；Q是產(chǎn)生式的后件，是一組結(jié)論或操作，用于指出當(dāng)前件P被滿足時，可以得出的結(jié)論或應(yīng)該執(zhí)行的操作。例如：IF動手能力很好，獨立生活能力強，合作交往能力優(yōu)良，表達能力非常好；THEN 一般實踐能力水平高

（2）推理機制。推理機制是專家系統(tǒng)的知識處理器，將工作內(nèi)存中的事實與知識庫中的領(lǐng)域知識相匹配，以得出問題的結(jié)論。推理方法主要有四種：正向推理、反向推理、混合推理和雙向推理。正向推理屬于事實驅(qū)動推理，在一般基于產(chǎn)生式規(guī)則的專家系統(tǒng)中，多數(shù)采用此種推理方式。本文研究的基于專家系統(tǒng)的學(xué)生實踐能力評價系統(tǒng)即采用基于模糊理論的正向推理。

(3)解釋機制。專家系統(tǒng)能夠解釋本身的推理過程和回答用戶提出的問題，以便讓用戶能夠了解推理過程和專家知識。推理機制根據(jù)知識庫中的知識對學(xué)生實踐能力進行推理，得出測評結(jié)論。同時，系統(tǒng)啟動解釋機制向用戶顯示該結(jié)論的依據(jù)和推理過程。

2.系統(tǒng)功能。學(xué)生實踐能力評價系統(tǒng)通過用戶提供的一些基本信息，產(chǎn)生出不同類別的能力測試體系，被測試者只需要簡單的回答一定數(shù)量的問題，系統(tǒng)推理機根據(jù)用戶提交的答案結(jié)果進行計算與推理，再結(jié)合其實踐環(huán)節(jié)所取得的成績，最終得出被測試者實踐能力所處的水平，并給出相應(yīng)解釋。通過評價系統(tǒng)，學(xué)校、用人單位、學(xué)生都可以了解學(xué)生的整體實踐能力，從而隨時對教學(xué)結(jié)構(gòu)與模式做出調(diào)整與改進。

三、結(jié)語

專家系統(tǒng)已經(jīng)歷了幾十年的發(fā)展與應(yīng)用，其理論和實踐都已經(jīng)相當(dāng)成熟，在控制和推理方面的優(yōu)勢也非常突出。利用專家系統(tǒng)的優(yōu)勢和特點，將其合理地運用到學(xué)生實踐能力評價系統(tǒng)中，使得測評時間大大縮減，同時提高了學(xué)生實踐能力評價的客觀性與全面性，降低了人才評價的費用。若學(xué)生實踐能力評價系統(tǒng)能與學(xué)校學(xué)生資源管理系統(tǒng)集成，對提高學(xué)生的實踐能力培養(yǎng)具有很高的實際意義。

參考文獻：

第5篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

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

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

1人工智能課程分析

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

(1) 是一門非常前沿的學(xué)科。

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

(2) 涉及面寬、難度大。

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

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

2人工智能雙語教學(xué)體系結(jié)構(gòu)

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

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

3雙語教學(xué)方法

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

3.1理論教學(xué)

(1) 修改教學(xué)大綱和課程設(shè)計的實驗大綱。參考吸收國外先進教材中的內(nèi)容,結(jié)合普通高校的實際情況,形成有針對性的、合理的教學(xué)體系。

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

(3) 課堂提問。提問一些重要內(nèi)容,鼓勵學(xué)生積極思考,既能加深學(xué)生對所學(xué)課程知識的理解,也有利于其英文表達能力的提高。

(4) 案例驅(qū)動法。將有意義的案例貫穿在教學(xué)過程中,培養(yǎng)學(xué)生的興趣,提高學(xué)生分析問題、解決問題的能力;

(5) 課后小組討論。每6～8位同學(xué)分為一組,實行小組長負(fù)責(zé)制,組織學(xué)生討論和解決學(xué)習(xí)中遇到的問題,交流學(xué)習(xí)心得,一方面起到溫故而知新的作用,同時培養(yǎng)團隊協(xié)作精神。

3.2實踐教學(xué)

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

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

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

(3) 整體設(shè)計方案的靈活性。學(xué)生領(lǐng)會題目本意,自主設(shè)計解決方案,培養(yǎng)學(xué)生分析問題、解決問題的綜合創(chuàng)新能力。

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

3.3考核方式

(1) 多種形式的平時測試(30%)。主要包括平時測驗、討論、作業(yè)等。主要考察學(xué)生對基本知識的掌握,英文表達能力以及知識面的拓寬等。

(2) 實踐教學(xué)(30%)。主要考察學(xué)生對實踐題目的理解、整體方案的設(shè)計、團隊間的協(xié)作精神以及實現(xiàn)結(jié)果等。

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

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

4教學(xué)效果分析

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

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

(1) 加強學(xué)生認(rèn)識。學(xué)生必須從思想上認(rèn)識到人工智能雙語教學(xué)的重要性,克服教學(xué)過程中的種種困難、持之以恒,主動與同學(xué)、老師進行討論,密切關(guān)注學(xué)科發(fā)展動態(tài)。

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

(3) 完善教學(xué)體系結(jié)構(gòu)。雙語教學(xué)在我國還處在探索階段,因而必須在教學(xué)實踐過程中不斷地改進完善雙語教學(xué)的體系結(jié)構(gòu)。

只有解決好這些問題,才能培養(yǎng)出更高素質(zhì)的復(fù)合型人才,適應(yīng)國內(nèi)外科學(xué)與經(jīng)濟發(fā)展的需要。

參考文獻:

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

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

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

[4] 王樹根,姜昕. 我國雙語教學(xué)的歷史發(fā)展階段綜述[C]. 安徽黃山,2007年全國測繪學(xué)科教學(xué)改革研討會,2007.

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

Exploration and Practice on Bilingual Teaching Architecture for Artificial Intelligence Course

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

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

第6篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

關(guān)鍵詞：PLC技術(shù)；計算機控制技術(shù)；機電專業(yè)

作者簡介：李啟光（1970-），男，江蘇贛榆人，北京信息科技大學(xué)機電工程學(xué)院，副教授。（北京 100192）

中圖分類號：G642.0 文獻標(biāo)識碼：A 文章編號：1007-0079（2013）07-0105-02

計算機控制系統(tǒng)是以計算機為核心實現(xiàn)生產(chǎn)過程自動控制的系統(tǒng)。隨著工業(yè)技術(shù)的發(fā)展和生產(chǎn)自動化程度的不斷提高，計算機控制技術(shù)得到了越來越廣泛的應(yīng)用?！坝嬎銠C控制技術(shù)”融合了計算機技術(shù)、自動控制理論和計算機通信技術(shù)，是新發(fā)展起來的理論性和實踐性很強的一門交叉學(xué)科。它實際上包含著兩部分內(nèi)容：一是計算機控制理論基礎(chǔ)，主要涉及離散控制基礎(chǔ)理論；二是實現(xiàn)技術(shù)，主要包括通道接口技術(shù)、現(xiàn)場總線、人機界面等系統(tǒng)實現(xiàn)技術(shù)。課程涉及面很廣、知識集成度高，是高等學(xué)校自動化、電氣工程和機械電子工程等專業(yè)的一門重要的專業(yè)主干課程。[1-3]

一、“計算機控制技術(shù)”課程現(xiàn)狀

“計算機控制技術(shù)”是一門跨學(xué)科專業(yè)課程，涵蓋內(nèi)容豐富，但由于各專業(yè)的要求不同，課程針對不同專業(yè)的側(cè)重內(nèi)容應(yīng)有區(qū)別，這樣才能達到各專業(yè)的培養(yǎng)目的。

目前多數(shù)高校選用課程教材內(nèi)容主要是數(shù)字濾波、數(shù)字 PID、最少拍無差系統(tǒng)、Simth算法和達林算法、模糊控制、神經(jīng)網(wǎng)絡(luò)等內(nèi)容，這部分是建立在一整套完整控制理論基礎(chǔ)上的。[4]此外還包括接口技術(shù)、現(xiàn)場總線、人機界面等偏重于應(yīng)用的內(nèi)容。自動控制等專業(yè)培養(yǎng)目標(biāo)側(cè)重于設(shè)計計算機實現(xiàn)控制算法、編制適用于工業(yè)控制系統(tǒng)的硬件及接口設(shè)計、控制軟件，選用此類編排內(nèi)容的教材比較適用。而機械電子專業(yè)方向，機電專業(yè)以裝備及其控制系統(tǒng)為主要研究對象，課程以了解與掌握計算機控制系統(tǒng)在裝備控制中應(yīng)用為其主要目的，選用此類教材不能體現(xiàn)專業(yè)側(cè)重點。同時機電專業(yè)有自己的專業(yè)設(shè)置要求以及本專業(yè)特有的先修基礎(chǔ)課程，與自控類專業(yè)有極大的不同，因此如何根據(jù)機電專業(yè)自身的專業(yè)特點確定理論教學(xué)內(nèi)容及其深度，調(diào)整好計算機控制系統(tǒng)的理論及應(yīng)用技術(shù)的關(guān)系，是目前機電專業(yè)“計算機控制技術(shù)”課程教學(xué)要解決的首要問題。

因此，在教學(xué)實踐過程中，應(yīng)以控制系統(tǒng)應(yīng)用技術(shù)為基礎(chǔ)，理論教學(xué)的內(nèi)容和深度以應(yīng)用內(nèi)容的需求為標(biāo)尺，使理論教學(xué)內(nèi)容能夠支撐且覆蓋該課程涉及的主要技術(shù)，使理論教學(xué)的深度能與機電專業(yè)學(xué)生的實際水平及今后的就業(yè)需求相符合，同時還要與當(dāng)前的技術(shù)發(fā)展水平和趨勢相適應(yīng)，具有一定的前瞻性。

二、機電專業(yè)“計算機控制技術(shù)”教學(xué)內(nèi)容改革

1.機電特色的控制類課程教學(xué)體系調(diào)整

面向機電專業(yè)的“計算機控制技術(shù)”課程應(yīng)從裝備控制應(yīng)用角度出發(fā)，密切結(jié)合裝備自動化需求組織教學(xué)內(nèi)容。

根據(jù)以上原則，在教學(xué)中提出將運動控制卡和工業(yè)PLC作為計算機控制技術(shù)理論與運用結(jié)合的載體。一方面在課程開始之前，需要保障學(xué)生已掌握先修部分專業(yè)應(yīng)用技術(shù)知識，尤其考慮到工業(yè)PLC、運動控制器是機電專業(yè)常用、最典型控制應(yīng)用系統(tǒng)，課程內(nèi)容可與此結(jié)合，將工業(yè)PLC、運動控制器的應(yīng)用作為教學(xué)案例使用。先修課程包括“電工電子學(xué)”、“機械控制工程”、“單片機原理”、“數(shù)控技術(shù)”、“PLC 原理與應(yīng)用”等專業(yè)課程，其中鑒于“數(shù)控技術(shù)”課程目前涉及均為封閉式數(shù)控系統(tǒng)，因此在課堂上需要補充介紹機電控制中使用面廣、開放式的運動控制器（卡）。

另一方面，課程以先修課程中所涉及的、與計算機相關(guān)的數(shù)字處理與控制技術(shù)為主要授課內(nèi)容，重點介紹數(shù)字化后信號處理、數(shù)字控制理論及其實現(xiàn)，并通過各個理論教學(xué)環(huán)節(jié)與先修機電控制運用技術(shù)緊密結(jié)合，實現(xiàn)硬件和軟件結(jié)合、控制原理和典型應(yīng)用控制器結(jié)合，貫徹理論聯(lián)系實際的方針，并將先修課程有關(guān)方面的知識有機集成在一個完整的機電控制系統(tǒng)內(nèi)，使學(xué)生從整體上系統(tǒng)地掌握數(shù)字控制器的機電應(yīng)用技術(shù)。

“計算機控制技術(shù)”強調(diào)理論、技術(shù)與實際應(yīng)用相結(jié)合，理論與實踐并重，綜合性較強、強調(diào)應(yīng)用，因此在課堂教學(xué)與課程實驗的基礎(chǔ)上，應(yīng)增加機電綜合實踐環(huán)節(jié)，并鼓勵學(xué)生參加其他開放實驗以及科研項目，綜合應(yīng)用所學(xué)知識，鞏固教學(xué)效果。項目選題從工程應(yīng)用角度出發(fā)密切結(jié)合裝備自動化實踐。

2.機電專業(yè)特色的課程內(nèi)容設(shè)定

在原有教學(xué)內(nèi)容體系基礎(chǔ)上，針對機電專業(yè)控制理論基礎(chǔ)薄弱、專業(yè)需求有別的狀況，對教學(xué)內(nèi)容作一系列的重新規(guī)劃及調(diào)整。強調(diào)教學(xué)內(nèi)容緊密聯(lián)系機電傳動控制實際需求，優(yōu)化知識結(jié)構(gòu)、充實機電控制的實例，做到理論和實踐運用的對應(yīng)與相互關(guān)聯(lián)。

對于機械電子專業(yè)，擬定的主要教學(xué)內(nèi)容大致如下：

（1）輸入/輸出通道接口技術(shù)。這部分內(nèi)容在“電工電子學(xué)”和“單片機原理”課程軟硬件基礎(chǔ)知識上，以單片機、PLC、運動控制卡上典型常用的接口硬件，如A/D、D/A、通訊口、觸摸屏、開關(guān)量輸入輸出接口等為例子介紹工作原理、使用方法和技術(shù)細(xì)節(jié)問題。

通過與實際應(yīng)用系統(tǒng)關(guān)聯(lián)認(rèn)知，學(xué)生對輸入/輸出通道接口設(shè)計及技術(shù)參數(shù)選取建立感性了解，使用中就可以通過查閱樣本資料掌握其他類似通用硬件的使用。

第7篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

關(guān)鍵詞： 教育神經(jīng)科學(xué) 初中歷史課堂 啟示展望

隨著認(rèn)知神經(jīng)科學(xué)的發(fā)展及其與教育科學(xué)的結(jié)合程度不斷提高，構(gòu)建以教育神經(jīng)科學(xué)為背景的中學(xué)歷史課堂教學(xué)理論正成為教育研究領(lǐng)域一種新的必然趨向。有學(xué)者將這種實踐取向的“基于腦的教育”形容為“教室里的神經(jīng)科學(xué)”，這并不指將教室作為開展神經(jīng)科學(xué)實驗的場所，而是希望采用神經(jīng)科學(xué)的技術(shù)與方法研究并解決某些真正來自教學(xué)實踐中的問題[1]。

一、教育神經(jīng)科學(xué)的概念

教育神經(jīng)科學(xué)是將生物科學(xué)、發(fā)展科學(xué)和教育科學(xué)等學(xué)科的知識技能進行深度整合，提出科學(xué)的教育理論、踐行科學(xué)的教育實踐的、具有獨特話語體系的一門新興學(xué)科[2]?！敖逃窠?jīng)科學(xué)”這一術(shù)語最早由肖爾和莫茨基于1978年提出。姜永志認(rèn)為，教育神經(jīng)科學(xué)以2003年哈佛大學(xué)“國際心理、腦與教育學(xué)會”（International Mind Brain and Education Society）成立為標(biāo)志，成為一門基于實證的新興學(xué)科[3]。教育神經(jīng)科學(xué)凝聚著跨學(xué)科專業(yè)研究者的共同智慧，汲取多門相關(guān)學(xué)科中的知識精華與哲學(xué)理念，形成獨特的概念結(jié)構(gòu)。教育神經(jīng)科學(xué)的誕生改變了長期以來教育學(xué)缺乏實證依據(jù)的狀況，為教育奠定了堅實的科學(xué)基礎(chǔ)。

與教育神經(jīng)科學(xué)類似的概念有神經(jīng)教育科學(xué)、教育生物學(xué)等?！敖逃飳W(xué)”的含義與“教育神經(jīng)科學(xué)”的含義部分重合，因為神經(jīng)科學(xué)是生物科學(xué)的一個分支。一些研究者將神經(jīng)教育學(xué)定義為“一門整合了心理學(xué)、腦科學(xué)和教育學(xué)研究而形成的新科學(xué)，匯集了包括認(rèn)知神經(jīng)科學(xué)、發(fā)展認(rèn)知神經(jīng)科學(xué)、教育心理學(xué)、教育技術(shù)學(xué)、學(xué)習(xí)理論和其他相關(guān)學(xué)科的研究者，致力于探索學(xué)習(xí)的生理機制”[4]。由此看來，“教育神經(jīng)科學(xué)”和“神經(jīng)教育科學(xué)”的內(nèi)涵相近，但是周加仙認(rèn)為，兩者分別代表了不同的研究取向，前者強調(diào)以教育為核心的跨學(xué)科整合，后者的核心是整合教育學(xué)的神經(jīng)科學(xué)，更重視這一新興領(lǐng)域的知識創(chuàng)造[5]。

二、教育神經(jīng)科學(xué)視角下的中學(xué)課堂教學(xué)研究

教育神經(jīng)科學(xué)研究者認(rèn)為，教育神經(jīng)科學(xué)不僅注重學(xué)生在課堂上的心理與行為變化等宏觀層次的研究，而且強調(diào)在不同教育環(huán)境下，學(xué)生大腦內(nèi)部神經(jīng)聯(lián)結(jié)和突觸結(jié)構(gòu)的改變等微觀層次的研究。研究者借助先進的腦成像技術(shù)手段（ERP、fMRI）與多種研究方法，從基因-分子-突觸-神經(jīng)元-神經(jīng)網(wǎng)絡(luò)-神經(jīng)系統(tǒng)-課堂行為-社會等不同層面，全面揭示了學(xué)生在不同教育環(huán)境下學(xué)習(xí)心理和行為的變化過程，對學(xué)生的學(xué)習(xí)行為提供了因果解釋，從而發(fā)展出了學(xué)生學(xué)習(xí)改變的完整的、有用的和確定性知識。

三、教育神經(jīng)科學(xué)研究成果對初中歷史課堂教學(xué)的啟示

梁啟超說：“史者何？記述人類社會賡續(xù)之體相，校其總成績，求得其因果關(guān)系，以為現(xiàn)代一般人活動之資鑒者也?！盵6]歷史有兩層概念：一是指過去發(fā)生過的事情，二是指記錄過去發(fā)生過的事情的資料等。歷史學(xué)科具有其他學(xué)科無法代替的功能，它是所有人文學(xué)科的基礎(chǔ)學(xué)科;它能夠提升整個民族的科學(xué)文化水平，是經(jīng)濟順利發(fā)展的必要條件;歷史學(xué)科還具有促進學(xué)生身心多方面協(xié)調(diào)發(fā)展的功能[7]。課堂教學(xué)是實施素質(zhì)教育的主渠道，誰抓住了課堂，誰就抓住了教學(xué)工作的關(guān)鍵。隨著基礎(chǔ)教育課程改革的不斷深入，教師的教學(xué)方式和學(xué)生的學(xué)習(xí)方式發(fā)生了積極的變化。但是不容否認(rèn)，在初中歷史課堂教學(xué)實踐中，出現(xiàn)了從一個極端到另一個極端的現(xiàn)象。由“滿堂灌”變成“滿堂問”;學(xué)生面對著浮光掠影般的多媒體信息不知所云;教師仍然難以跳出“教書匠”的窠臼。教育神經(jīng)科學(xué)的研究成果能給初中歷史課堂教學(xué)帶來如下啟迪：

（一）腦發(fā)育的不同步對初中生歷史學(xué)習(xí)的影響

青少年的性格不穩(wěn)定，行為易偏激，以往的觀點是荷爾蒙分泌過剩的結(jié)果。但是，近來研究者使用神經(jīng)影像技術(shù)對腦發(fā)育進行的縱向研究表明，與情緒有關(guān)的腦區(qū)在10到15歲時得到充分的發(fā)展，但與理性思維和情緒控制有關(guān)的腦區(qū)的成熟則發(fā)生在22至24歲。有學(xué)者將這種沖動稱為“短暫的瘋狂”[8]。這一發(fā)現(xiàn)解釋了初中生的思維具有不成熟和片面性的特點，屆于初中生對形象的、生動的、具體的歷史知識感興趣，歷史教師應(yīng)該根據(jù)學(xué)生認(rèn)知特點選擇最佳的課堂教學(xué)策略。另外，初中生的額葉尚不具備全面控制過激情緒的能力，容易引發(fā)一些不可預(yù)測而且危險的行為，包括情緒爆發(fā)和身體攻擊等，教師在課堂上要努力做到公平對待學(xué)生，妥善處理課堂突發(fā)事件。

（二）情緒影響歷史課堂

相比小學(xué)教師比較習(xí)慣處理學(xué)生的情緒表現(xiàn)，初中教師所受到的訓(xùn)練則是向?qū)W生傳授大量課程內(nèi)容。尤其是初中歷史課程這樣的非重點科目，一周只有兩節(jié)課時，教師的課堂教學(xué)任務(wù)繁重，導(dǎo)致歷史教師幾乎沒有時間關(guān)注學(xué)生的情緒發(fā)展，并常常假設(shè)初中生應(yīng)該“像成人一樣行動”。張元認(rèn)為：“認(rèn)為本世紀(jì)以來，由于腦神經(jīng)科學(xué)的飛躍發(fā)展，讓我們在過去談及認(rèn)知時，十分忽視的部分，重新受到關(guān)注。我們非但知道感性在認(rèn)知上應(yīng)有不讓于理性的重要地位，并且知道就是‘潛意識’也是我們在教課時應(yīng)該注地方，不論老師的講述，抑或?qū)W生的聽課，潛意識很可能扮演著支配的角色。老師在課堂中，談及看似無關(guān)緊要的三言兩語，或是輕輕地一聲嘆息，甚至一舉一動，一顰一笑，都是個人感情的流露與品味的展現(xiàn)，都會在學(xué)生的腦中留下印痕，對學(xué)生產(chǎn)生潛移默化的作用?！盵9]其實教師應(yīng)該理解情緒的生物學(xué)特征，特別是壓力的生物學(xué)特征，只有當(dāng)學(xué)生在生理上和情感上都感到安全時，他們才能將注意力集中在課程上。

（三）學(xué)校的文化氛圍影響學(xué)生的歷史學(xué)習(xí)

人類是社會性動物，學(xué)生、同伴和教師間會產(chǎn)生相互影響。學(xué)校通常注重學(xué)業(yè)和測驗，往往忽視了社會和文化力量對學(xué)生的巨大影響。神經(jīng)影像研究已經(jīng)發(fā)現(xiàn)了負(fù)責(zé)評價事件意義的腦區(qū)，這一領(lǐng)域的研究發(fā)現(xiàn)形成了一個新的研究領(lǐng)域，稱為社會認(rèn)知神經(jīng)科學(xué)。學(xué)校的文化特征體現(xiàn)在開放性、期望、對努力的認(rèn)識與賞識程度、參與決策和關(guān)愛的程度，這些影響著學(xué)生個體的自尊。教育者需要更多地關(guān)注學(xué)校積極的社會和文化氛圍的營造。當(dāng)學(xué)生感到自己受到學(xué)校排斥時，會產(chǎn)生情緒上的不滿。我們不能再將學(xué)習(xí)和情緒分開來考慮，或者認(rèn)為情緒干擾了學(xué)習(xí)，我們不能僅僅從單個學(xué)生的角度分析課堂教學(xué)中教學(xué)策略的有效性。初中歷史課堂教學(xué)中，歷史教師應(yīng)該發(fā)揮歷史學(xué)科易于激發(fā)學(xué)生情緒的特點，利用豐富的史實、濃郁的情感，讓學(xué)生理解歷史，在歷史的回憶中探究歷史發(fā)展的規(guī)律。

（四）飲食和睡眠對記憶的重要性

大腦的運轉(zhuǎn)需要能量支持，充足的水分和葡萄糖是大腦高效運行的生理保障。因此，教師要提醒學(xué)生按時攝取水分和營養(yǎng)。高效的睡眠可以讓一個人醒來后精神煥發(fā)地處理新一天的事務(wù)。研究發(fā)現(xiàn)，腦在睡眠時非常活躍，仍然進行加工，幫助腦進行學(xué)習(xí)、建立聯(lián)結(jié)、記憶和清除混亂，睡眠剝奪會使人腦難以獲得任何形式的記憶。研究表明，睡眠被剝奪的學(xué)生比睡眠時間長的學(xué)生成績差，也更有可能變得抑郁。很多中學(xué)生和教師睡眠不足，他們每天的睡眠時間只有5-6小時。教師了解睡眠研究的結(jié)果，就可以向?qū)W生強調(diào)保證充足睡眠的重要性。大多數(shù)青少年大約需要9個小時的睡眠。

四、展望

事實上，目前教育神經(jīng)科學(xué)所積累的確定性的知識只是一部分，更重要的是，教育神經(jīng)科學(xué)的目的不是發(fā)現(xiàn)學(xué)習(xí)規(guī)律，而是用已經(jīng)發(fā)現(xiàn)的知識解決教育問題，它與所有的教育學(xué)一樣是一門應(yīng)用科學(xué)[10]?，F(xiàn)階段，教育神經(jīng)科學(xué)研究進展成果在我國一線教師隊伍中的普及力度不夠，很多教師的理論水平還停留在皮亞杰、奧蘇貝爾等人的教育理論上。對教育神經(jīng)科學(xué)的誤解或盲從容易造成“神經(jīng)神化”的訛傳，對學(xué)生的學(xué)習(xí)和發(fā)展產(chǎn)生危害。教師學(xué)習(xí)教育神經(jīng)科學(xué)的基本知識，能夠初步從神經(jīng)功能分辨教學(xué)中教師和學(xué)生存在的問題，從而采取恰當(dāng)?shù)牟呗愿倪M教學(xué)，這樣的優(yōu)勢顯而易見。

參考文獻：

[1]陳巍，丁峻.教室里的神經(jīng)科學(xué)：一種從理論到實踐的取向.外國教育研究，2010，37（9）：2.

[2]周加仙.教育神經(jīng)科學(xué)的領(lǐng)域建構(gòu).華東師范大學(xué)學(xué)報（教育科學(xué)版），2009，27（3）：69.

[3]姜永志.教育神經(jīng)科學(xué)的理論與實踐―――從“實驗室”到“教室”的學(xué)習(xí)科學(xué).開放教育研究，2013，19（3）：72.

[4]楊娟，等.基于神經(jīng)教育學(xué)的個體化教育研究及實踐.現(xiàn)代教育技術(shù)，2016（5）：50.

[5]周加仙.教育神經(jīng)科學(xué)：創(chuàng)建心智、腦與教育的聯(lián)結(jié).華東師范大學(xué)學(xué)報（教育科學(xué)版），2013，31（2）：42.

[6]梁啟超，著.中國歷史研究法.商務(wù)印書館，1933：1.

[7]參見于友西，主編.中學(xué)歷史教學(xué)法.北京：高等教育出版社，2013：60.

[8][美]格力?格雷戈里，等著.趙麗琴，譯.差異化教學(xué).上海：華東師范大學(xué)出版社，2015：177.

[9]張元.教出歷史課的美感與品位.清華歷史教學(xué)，2014，6

第8篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

我國加入WTO后，越來越多的跨國公司看到我國市場巨大的發(fā)展?jié)摿?，加大對華投資，紛紛在我國設(shè)廠并建立分銷、配送網(wǎng)絡(luò)，使其產(chǎn)品、服務(wù)得以打開我國市場。隨之而來的是國際物流大公司進軍中國，并且在剛剛起步的我國物流業(yè)中搶占了有利地位。與其相比，我國物流企業(yè)雖然擁有先天的市場優(yōu)勢并取得一些進展，但由于我國物流業(yè)起步晚并且運營模式不完善以及體制障礙造成了我國物流信息化的標(biāo)準(zhǔn)不規(guī)范、信息技術(shù)和設(shè)備不夠先進、信息平臺建設(shè)滯后、專業(yè)型人才緊缺等問題，這些問題將嚴(yán)重制約物流信息化的進一步發(fā)展。

（一）大中型企業(yè)信息化意識普遍提高。隨著社會信息化程度的不斷加深，物流企業(yè)信息化建設(shè)已經(jīng)受到普遍關(guān)注，并且企業(yè)的信息化意識也在不斷提高，重視并加大了對物流信息化的建設(shè)。據(jù)調(diào)查顯示，在大中型企業(yè)中，建立了信息管理系統(tǒng)和企業(yè)網(wǎng)站的比例較高。大約74%的企業(yè)已經(jīng)建立了信息管理系統(tǒng)，大約77%的企業(yè)已有自己專業(yè)的網(wǎng)站。已建管理信息系統(tǒng)的企業(yè)，系統(tǒng)是內(nèi)部局域網(wǎng)的和廣域網(wǎng)的各占一半左右。

（二）信息化發(fā)展仍處在初級階段。進入21世紀(jì)以來，我國經(jīng)濟和物流業(yè)發(fā)展較為迅速，物流信息化建設(shè)也取得了一些成績，但物流信息化仍處在初級發(fā)展階段。根據(jù)調(diào)查，公司網(wǎng)站的主要功能多是用于企業(yè)宣傳（40%），其次是信息服務(wù)（36%），用于內(nèi)部通訊的占30%，作為電子商務(wù)平臺的比例相對較少，大約占21%；另一方面從物流成本占GDP（國內(nèi)生產(chǎn)總值）的比例來看，歐美、日本等發(fā)達國家比例在10%左右，而我國已接近20%，物流成本的差距反映我國物流信息化落后于發(fā)展成熟的發(fā)達國家。

二、我國物流企業(yè)信息化存在的問題

（一）物流信息化標(biāo)準(zhǔn)混亂，一體化水平低。物流行業(yè)發(fā)展至今，國家相關(guān)部門雖然也出臺了一些相關(guān)的政策法規(guī)，但是缺乏一定的物流信息化管理標(biāo)準(zhǔn)和行業(yè)規(guī)范，從而導(dǎo)致物流行業(yè)在不同層面存在標(biāo)準(zhǔn)不一的現(xiàn)象。由于受到當(dāng)前市場經(jīng)濟體制的影響，很多政策法規(guī)未能真正實施，使得物流活動的信息時效性和專業(yè)性都達不到相應(yīng)的統(tǒng)一標(biāo)準(zhǔn)。由于企業(yè)管理不規(guī)范，信息傳遞及工作效率比較低，導(dǎo)致客戶投訴日益增多。由于缺乏標(biāo)準(zhǔn)的規(guī)范體系，一體化水平低，沒有形成優(yōu)勢互補共同發(fā)展的局面，而且管理方法不能滿足一體化的物流需求，以致大部分物流企業(yè)規(guī)模較小、管理水平差、效率低下和運營成本高，這些都將嚴(yán)重制約物流信息化的發(fā)展建設(shè)。

（二）信息化技術(shù)不夠先進。信息化知識在不斷的發(fā)展，一些先進的技術(shù)用在物流企業(yè)中，能夠很大程度的發(fā)揮其優(yōu)勢，降低企業(yè)經(jīng)營風(fēng)險，提高企業(yè)效益。比如，車輛管理系統(tǒng)可以科學(xué)地調(diào)派車輛，管理車輛的各項變動；GPS車輛定位系統(tǒng)可以加強自有車輛的監(jiān)督管理和貨物的安全到達等。根據(jù)中國倉儲協(xié)會調(diào)查，絕大多數(shù)中小物流企業(yè)中，其信息系統(tǒng)的業(yè)務(wù)功能和系統(tǒng)功能還有待完善，缺乏必要的訂單管理、貨物跟蹤、倉庫管理和運輸管理等物流服務(wù)系統(tǒng)，物流信息資源的整合能力尚未形成。企業(yè)物流系統(tǒng)應(yīng)當(dāng)體現(xiàn)出專業(yè)化以及科學(xué)化，特別是使用先進的信息化技術(shù)對企業(yè)的物流進行相應(yīng)的管理，比如說衛(wèi)星定位、條形碼以及自動分揀等技術(shù)。但是，當(dāng)前我國很多企業(yè)在對物流進行管理的時候，還沒有真正將信息技術(shù)應(yīng)用到物流的信息化過程中，依舊處于一種人工化或者半人工化的狀態(tài)。

（三）物流信息平臺建設(shè)滯后，信息資源缺乏有效整合。物流信息平臺是物流領(lǐng)域的神經(jīng)網(wǎng)絡(luò)，是支撐物流發(fā)展的關(guān)鍵基礎(chǔ)平臺。雖然我國的物流信息平臺已取得一定程度發(fā)展，但在發(fā)展中也存在著一些問題。一方面物流信息平臺建設(shè)運營主體均發(fā)展不完善。物流信息平臺建設(shè)運營主體主要有兩種：一種是以政府為主的模式，一種是以企業(yè)為主的模式。以政府為主的運營模式雖公益性較強但存在很多弊端，如后期資金的投入不能得到有效的保證，且容易造成對市場需求把握不足；以企業(yè)為主的運營模式雖然企業(yè)可以自主經(jīng)營，積極把握市場需求，但也有一定的局限性，例如整合資源的能力不強，缺乏長遠規(guī)劃，資金投入壓力大等；另一方面物流信息平臺的盈利能力不強。由于物流信息平臺缺乏良好的商業(yè)運營模式，缺乏完善的市場調(diào)查和雄厚的資金支持，導(dǎo)致盈利能力不足，這樣，平臺的發(fā)展就受到很大限制，難以高效地為物流信息化提供更為優(yōu)質(zhì)的服務(wù)。

（四）專業(yè)的物流信息人才緊缺?，F(xiàn)代物流作業(yè)過程具有信息量大，環(huán)節(jié)復(fù)雜，物流信息不確定，需要專業(yè)的知識及技術(shù)經(jīng)驗等特點。因此，企業(yè)在實施信息化的進程中應(yīng)當(dāng)有專業(yè)性的人才作為保障和支撐。他們不但要掌握大量的物流專業(yè)基礎(chǔ)知識，而且還需要熟練的操作本領(lǐng)和實踐技術(shù)。由于我國物流業(yè)起步晚，具有理論知識、技術(shù)操作以及創(chuàng)新能力等的綜合型物流人才十分匱乏，這已成為制約我國物流企業(yè)信息化發(fā)展的又一重要因素。另外，當(dāng)前很多物流企業(yè)所聘用的人才受教育程度比較低，缺乏專業(yè)的理論知識，綜合素質(zhì)不高，難以推動信息化的發(fā)展進程；而學(xué)校培養(yǎng)的人才雖有理論知識但缺乏信息技術(shù)的處理能力、運營能力和創(chuàng)新能力，不能滿足信息化的現(xiàn)實發(fā)展需求。這樣就在很大程度上影響企業(yè)的物流信息化發(fā)展。

（五）缺乏統(tǒng)一的宏觀調(diào)控和長遠發(fā)展規(guī)劃。目前與物流相關(guān)的部門有公路、鐵路、航空和郵政等多個部門。各部門出于各自不同的目的，必然會有各自的政策和物流工作計劃，但由于缺乏統(tǒng)一的宏觀調(diào)控，必然導(dǎo)致物流業(yè)管理分散、混亂，物流信息化標(biāo)準(zhǔn)難以落到實處。其次，信息系統(tǒng)與企業(yè)的業(yè)務(wù)流程和戰(zhàn)略目標(biāo)不匹配，缺乏長遠的發(fā)展規(guī)劃。多數(shù)企業(yè)往往采用頭痛醫(yī)頭，腳痛醫(yī)腳的方法來處理企業(yè)的信息化需求，不是從整個物流系統(tǒng)的角度來尋找解決問題的方法，對信息系統(tǒng)在企業(yè)整體戰(zhàn)略上的定位比較模糊。

三、促進我國物流企業(yè)信息化對策建議

（一）進一步健全物流信息化標(biāo)準(zhǔn)規(guī)范。物流信息化發(fā)展需要有一定的標(biāo)準(zhǔn)和規(guī)范作為支撐。因此，可以從以下幾方面完善信息化標(biāo)準(zhǔn)：一是通過法律規(guī)定使整個物流業(yè)的運行和發(fā)展標(biāo)準(zhǔn)化，研究和制定標(biāo)準(zhǔn)化的物流業(yè)政策法規(guī)。改進對物流相關(guān)領(lǐng)域的管理方式，對不適應(yīng)物流業(yè)發(fā)展的各類規(guī)定和政策進行清理、修改和完善，規(guī)范物流企業(yè)扶持標(biāo)準(zhǔn)；二是通過建立一體化的物流信息系統(tǒng)，做到持續(xù)、簡便并準(zhǔn)確地移動數(shù)據(jù)，及時自動地更新數(shù)據(jù)，提高物流作業(yè)過程的透明性和時效性；三是企業(yè)應(yīng)加大資金投入，建立具有廣泛兼容性的數(shù)據(jù)庫并選擇良好的數(shù)據(jù)交換工具，充分利用最新的互聯(lián)網(wǎng)技術(shù)平臺，使物流信息化再上一個新臺階。

（二）開發(fā)引入先進的物流信息技術(shù)和設(shè)備。信息技術(shù)的提高主要依賴于信息應(yīng)用軟件和物流設(shè)備的開發(fā)和利用，國家應(yīng)當(dāng)重視并支持信息化應(yīng)用軟件以及技術(shù)設(shè)備的研發(fā)和使用。首先，國家應(yīng)鼓勵企業(yè)信息技術(shù)的推廣和應(yīng)用，并在科研項目中增加對信息技術(shù)優(yōu)化物流管理和運行方式的研究，增加研究經(jīng)費，以便開發(fā)新型便捷高效的信息化物流作業(yè)技術(shù)和設(shè)備。其次，我們要借鑒國外先進的經(jīng)驗與技術(shù)，不斷提高我國的研發(fā)能力，進一步完善物流信息化標(biāo)準(zhǔn)，開發(fā)具有自主知識產(chǎn)權(quán)且先進的物流信息技術(shù)。使我國物流運營的效率得到進一步的提升和完善，加快物流信息化的進程。

（三）重視物流公共信息平臺建設(shè)。物流信息公共平臺是物流業(yè)實現(xiàn)信息化的必經(jīng)之路，因此各方要共同努力做好信息化服務(wù)平臺的建設(shè)。作為國家，要重視信息化平臺的建設(shè)，在信息公共平臺建成之后，要對其進行持久的關(guān)注，加大資金投入，充分了解市場動向，完善公共平臺的質(zhì)量，提高其公益價值。作為企業(yè)，應(yīng)認(rèn)識到開發(fā)信息平臺對企業(yè)盈利的重要性，對公共平臺的系統(tǒng)進行合理優(yōu)化，加大資源整合力度，通過不斷實踐，提高平臺的服務(wù)質(zhì)量。公共物流信息平臺能較好地整合現(xiàn)有資源，發(fā)揮行業(yè)整體優(yōu)勢，實現(xiàn)互利共贏，從根本上改善行業(yè)現(xiàn)狀，促進信息化的發(fā)展。

（四）培養(yǎng)高素質(zhì)的專業(yè)性物流人才。隨著信息技術(shù)在物流業(yè)中的廣泛應(yīng)用以及物流信息化的發(fā)展，物流企業(yè)對工作人員的知識水平和技能有了更高的要求。為了建設(shè)高素質(zhì)的擁有物流專業(yè)知識和技能的隊伍，實現(xiàn)對專業(yè)人才的培養(yǎng)，一方面鼓勵和允許院校按照市場需求開辦和設(shè)置物流專業(yè)及課程，為現(xiàn)代物流培養(yǎng)高級管理人才和專業(yè)人才，以滿足對物流人才多樣化的需求；另一方面要加強現(xiàn)有在職人員的培訓(xùn)，通過全方面、多層次的培訓(xùn)盡快使他們掌握物流基本知識和運作技術(shù)，成為專業(yè)人才。同時，也要積極引進國內(nèi)外優(yōu)秀的物流管理人才，讓他們先進的物流理念和運作方式及管理規(guī)范融入到物流信息化的建設(shè)中，從而提升服務(wù)水平，實現(xiàn)我國物流信息化的高速發(fā)展。

第9篇：神經(jīng)網(wǎng)絡(luò)基本知識范文

關(guān)鍵詞：聚類 聚類分析

中圖分類號：TP391 文獻標(biāo)識碼：A 文章編號：1007-9416(2012)05-0204-02

1、引言

在對世界的分析和描述中，類或在概念上有意義的具有公共特性的對象組，扮演著重要的角色。的確，人類擅長將對象劃分成組（聚類），并將特定的對象指派到這些組（分類）。利用聚類操作可以對數(shù)據(jù)進行分組和深入分析，獲得其他方法不可能獲得的信息。就理解數(shù)據(jù)而言，簇是潛在的類，而聚類分析是研究自動發(fā)現(xiàn)這些類的技術(shù)。

2、相關(guān)概念

聚類[1]:可以看作一種分類，是將物理或抽象對象的集合分成由類似的對象組成的多個類的過程。由聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象與同一個簇中的對象彼此相似，與其他簇中的對象相異。顧名思義是將一組對象劃分為若干類，每個類中的對象相似度較高，類與類之間的對象相似度較差。

聚類分析[2]：根據(jù)在數(shù)據(jù)中發(fā)現(xiàn)的描述對象及其關(guān)系的信息，將數(shù)據(jù)對象分組。其目標(biāo)是在相似的基礎(chǔ)上收集數(shù)據(jù)來分類。它以相似性為基礎(chǔ)，因此組內(nèi)的相似性（同質(zhì)性）越大，組間差別越大，聚類就越好，所分的類就越成功。

聚類分析的基本思想[3]：聚類分析是依據(jù)實驗數(shù)據(jù)本身所具有的定性或定量的特征來對大量數(shù)據(jù)進行分組歸類，以便了解數(shù)據(jù)集的內(nèi)在結(jié)構(gòu)，并且對每一個數(shù)據(jù)集進行描述的過程。其主要依據(jù)是用數(shù)學(xué)的方法研究和處理給定對象的分類，把一個沒有類別標(biāo)記的樣本按照某種準(zhǔn)則劃分子類，使相似的樣本盡可能歸為一類。

3、聚類應(yīng)用的四個基本方向[3]

減少數(shù)據(jù)：許多時候數(shù)據(jù)量n很大，會使處理變得很復(fù)雜費力，因此可將數(shù)據(jù)分成幾組可判斷的聚類m（m

假說生成：聚類算法依賴于猜測和假設(shè)，在這種情況下，為了推導(dǎo)出數(shù)據(jù)性質(zhì)的一些假說，我們可對數(shù)據(jù)集進行聚類分析。這里使用聚類作為建立假說的方法，可使用其他數(shù)據(jù)集驗證這些假說。

假說檢驗:在這種情況下，使用聚類分析來驗證指定假說的有效性。例如，考慮下面的假說：“國內(nèi)大公司都投資房地產(chǎn)”，驗證這個假說是否正確的一種方法是對國內(nèi)的大公司和有代表性的公司進行聚類分析。假定每個公司用它的規(guī)模、在房地產(chǎn)行業(yè)的活躍度以及應(yīng)用研究上成功完成項目的能力來表示，在進行聚類分析后，如果相應(yīng)于規(guī)模大并且能在房地產(chǎn)上投資的公司形成聚類，則聚類分析支持這個假說。

基于分組的預(yù)測：在這種情況下，我們對現(xiàn)有數(shù)據(jù)集進行聚類分析，形成模式的特征，并用特征表示聚類。如果給出一個未知模式，我們可以判定它最可能屬于哪類，并用相應(yīng)聚類的特征表示。

4、為了完成一個聚類任務(wù)，必須遵循下列步驟[3]

特征選擇(feature selection)：必須選擇合適的特征，盡可能多地包含任務(wù)關(guān)心的信息。在特征中，使信息冗長減少和最小化是主要目標(biāo)。因為在有監(jiān)督分類中，使用之前特征的預(yù)處理是必要的。

近鄰測度(proximity measure)：用于定量測量兩個特征向量如何“相似”或“不相似”。保證所有選中的特征具有相同的近鄰行，并且沒有占支配地位的特征，這是預(yù)處理期間必須要注意的一點。

聚類準(zhǔn)則(clustering criterion)：聚類準(zhǔn)則以蘊涵在數(shù)據(jù)集中的類型為基礎(chǔ)。例如,L維空間的致密類特征向量可以根據(jù)一個準(zhǔn)則判斷，但是拉長類卻需要另一個準(zhǔn)則判斷。聚類準(zhǔn)則可以用代價函數(shù)或其他規(guī)則表示。

聚類算法(clustering algorithm)：已經(jīng)采用近鄰測度和聚類準(zhǔn)則，這一步涉及到選擇特定的算法，用于揭示數(shù)據(jù)集的聚類結(jié)構(gòu)。

驗證結(jié)果(validation of the results)：一旦用聚類算法得到結(jié)果，就必須驗證其正確性。通常使用逼近檢驗。

結(jié)果判定（interpretation of the results）：在許多情況下，應(yīng)用領(lǐng)域的專家必須用其他實驗證據(jù)和分析判定聚類結(jié)果，最后做出正確的結(jié)論。

5、聚類分析計算方法主要有如下幾種

劃分法(partitioning methods)：給定一個有N個對象的數(shù)據(jù)集，利用分裂法構(gòu)造K個分組，每個分組就代表一個聚類（K

層次法(hierarchical methods)：這種方法對給定的數(shù)據(jù)集進行層次似的分解，直到某種條件滿足為止。根據(jù)層次分解的形成方式，該方法可分為“分解”和“合并”兩種方案，并且經(jīng)常與其他方法結(jié)合使用進行優(yōu)化。代表算法有：BIRCH算法[7]、CURE算法等；

基于密度的方法(density-based methods)：基于密度的方法是根據(jù)密度完成對象的聚類。它是根據(jù)鄰域?qū)ο蟮拿芏然蛘吒鶕?jù)某種密度函數(shù)生成簇。與其它方法的一個根本區(qū)別是：它不是基于各種各樣的距離的，而是基于密度的。這個方法的指導(dǎo)思想是，只要一個區(qū)域中的點的密度大過某個閥值，就把它加到與之相近的聚類中去。代表算法有：DBSCAN算法[9]、OPTICS算法[10]、ST-DBSCAN算法[11]等。

基于網(wǎng)格的方法(grid-based methods)：這種方法首先將數(shù)據(jù)空間量化為有限個單元的網(wǎng)格結(jié)構(gòu)，然后利用網(wǎng)格結(jié)構(gòu)完成聚類，所有的處理都是以單個的單元為對象的。它突出的優(yōu)點就是處理速度很快，通常這與目標(biāo)數(shù)據(jù)庫中記錄的個數(shù)無關(guān)，它只與把數(shù)據(jù)空間分為多少個單元有關(guān)。代表算法有：STING算法[12]、CLIQUE算法、WAVE-CLUSTER算法等。

基于模型的方法(model-based methods)：基于模型的方法給每一個聚類假定一個模型，并找出一個能適應(yīng)相應(yīng)模型的數(shù)據(jù)集。該方法試圖優(yōu)化給定的數(shù)據(jù)和某數(shù)學(xué)模型的擬合，這樣一個模型可能是數(shù)據(jù)點在空間中的密度分布函數(shù)或者其它。它的一個潛在的假定就是：目標(biāo)數(shù)據(jù)集是由一系列的概率分布所決定的。通常有兩種嘗試方向：統(tǒng)計的方案和神經(jīng)網(wǎng)絡(luò)的方案。

6、聚類算法的現(xiàn)況

數(shù)據(jù)挖掘是近年來信息產(chǎn)業(yè)界非常熱門的研究方向，聚類的用途很廣泛，而聚類分析是數(shù)據(jù)挖掘中的核心技術(shù)。在商業(yè)上，聚類分析是細(xì)分市場的有效工具。雖然傳統(tǒng)的聚類算法已經(jīng)能比較成功的解決了低維數(shù)據(jù)的聚類問題，但是隨著技術(shù)的進步使得數(shù)據(jù)庫規(guī)模越來越大、復(fù)雜性越來越高，處理數(shù)據(jù)的工作越來越復(fù)雜，因此在處理許多問題時，現(xiàn)有的算法已無法處理和滿足要求，特別是對于高維數(shù)據(jù)和大型數(shù)據(jù)的情況。高維數(shù)據(jù)聚類分析是聚類分析中一個非?；钴S的領(lǐng)域，同時它也是一個具有挑戰(zhàn)性的工作。目前，高維數(shù)據(jù)聚類分析在各個領(lǐng)域都有很廣泛的應(yīng)用，很多應(yīng)用需要對包含大量特征項或者維數(shù)的對象進行分析，例如市場調(diào)查分析、信息安全、金融、娛樂、反恐等。

7、結(jié)語

本文介紹了一些聚類的基本知識，作為工具的聚類對數(shù)據(jù)的分組，從理論上學(xué)習(xí)掌握這部分知識，為下一步利用聚類知識作學(xué)習(xí)研究打下了基礎(chǔ)。

參考文獻

[1]Michalski R,Stepp R. Learning from Observation:Conceptual Clustering. Machine Learing.Spring-Verlag,1984.

[2]張明衛(wèi),劉瑩,張斌,朱志良.一種基于概念的數(shù)據(jù)聚類模型.軟件學(xué)報,Vol.20, No.9,September 2009：2387—2396.

[3]李晶皎,王愛俠等譯.（希）西奧多里德斯 等著.電子工業(yè)出版社,2006.

[4]Han JW, Kamber M, Wrote; Fan M, Meng XF, Trans. Data Mining Concepts and Techniques. Beijing: China Machine Press, 2001.232-236 (in Chinese)

[5]N g, R. , Han, J. Efficient and effective cluster method fo r spatial data m ining. In: Bocca, J. , J arke, M. , Zanio lo, C. ,eds. P roceedings of the 20th International Conference of V ery L arge Data Bases. San F rancisco, CA: Mo rgan Kaufmann Publisher, 1994. 144～ 155.