前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文第1篇

【關(guān)鍵詞】人工智能 醫(yī)學(xué)領(lǐng)域

1 引言

人工智能（AI）是上世紀(jì)50年展起來的新興學(xué)科，主要內(nèi)容包括：知識表示、自然語言理解、機(jī)器學(xué)習(xí)和知識獲取、知識處理系統(tǒng)、計算機(jī)視覺、自動推理和搜索方法、智能機(jī)器人、自動程序設(shè)計等方面。在過去的幾十年里人工智能涌現(xiàn)出了大量的方法，大致可分為兩大類：第一類是基于Newell和Simon的物理符號系統(tǒng)假說的符號處理方法。這種方法大多采用從知識階段向下到符號和實施階段的自上而下的設(shè)計方法，第二類是采用自下而上設(shè)計的“字符號”方法。

2 人工智能的發(fā)展

全球?qū)θ斯ぶ悄艿难邪l(fā)經(jīng)歷了已經(jīng)有70年的發(fā)展，從上個世紀(jì)的50年代開始一直到今天，歷經(jīng)了兩次大起大落，但伴隨著深度學(xué)習(xí)的重燃、龐大的大數(shù)據(jù)支撐以及計算能力的不斷提升和成本的不斷下降這些因素的出現(xiàn)，尤其是在摩爾定律、大數(shù)據(jù)、互聯(lián)網(wǎng)和云計算、新方法這些人工智能進(jìn)步的催化劑作用下，將迎來人工智能新的春天。

3 人工智能在醫(yī)學(xué)領(lǐng)域上的應(yīng)用

3.1 在神經(jīng)網(wǎng)絡(luò)中人工智能的應(yīng)用

在醫(yī)學(xué)診斷中人工智能的應(yīng)用會出現(xiàn)一些難題，例如知識獲取比較難、推理速度慢、自主學(xué)習(xí)以及自適應(yīng)變化能力弱。研究人腦連接發(fā)現(xiàn)了以人工神經(jīng)為特點可以解決在獲取知識中所出現(xiàn)的瓶頸和知識種類繁瑣問題，能夠提高對知識的推理能力，包括自主學(xué)習(xí)，自組織等方面的能力，促進(jìn)了神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的快速發(fā)展。

人工智能領(lǐng)域ANN，有不同于其他人工智能的方法，在傳統(tǒng)的結(jié)構(gòu)上，它只是AI分支中的一個，只能通過邏輯符號來模擬人腦的思維方式，進(jìn)一步來實現(xiàn)人工智能，與之相比，不同的ANN是學(xué)習(xí)和訓(xùn)練為一體來達(dá)到智能的。ANN具有學(xué)習(xí)的能力及特殊方法，用戶不用編寫復(fù)雜的程序來解決所遇到的問題，只用提供有效的數(shù)據(jù)就可以完成。迄今為止，醫(yī)學(xué)領(lǐng)域中對大部分的病理原因無法解釋，無法確定病理原因，加上各種疾病的表現(xiàn)種類復(fù)雜多變。在醫(yī)學(xué)的日常實踐中，疾病相應(yīng)的治療只能以經(jīng)驗為基礎(chǔ)來判斷。所以，ANN有著記憶，學(xué)習(xí)和歸納總結(jié)為一體的人工智能服務(wù)，在醫(yī)學(xué)領(lǐng)域有很好的應(yīng)用發(fā)展趨勢。

3.2 在中醫(yī)學(xué)中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

在中醫(yī)學(xué)中，所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點，主觀性比較強(qiáng)，因此中醫(yī)的診斷方法和治療手段與醫(yī)師的經(jīng)驗水平有很大聯(lián)系。數(shù)年來在實驗研究，臨床觀察，文章整理，經(jīng)驗總結(jié)上，都有著對“證”的研究思想的深入調(diào)查。一部分“辨證”的過程可以用人工神經(jīng)網(wǎng)絡(luò)來替換使用。恰當(dāng)?shù)闹嗅t(yī)癥狀可以作為基本輸入和適當(dāng)人工神經(jīng)網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)能夠根據(jù)以往的學(xué)習(xí)“經(jīng)驗”來進(jìn)行綜合分析，從而提出中醫(yī)診斷方法。

由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型、網(wǎng)絡(luò)學(xué)習(xí)算法等幾個要素組成了人工神經(jīng)網(wǎng)絡(luò)。具有某些智能系統(tǒng)的功能。 按照網(wǎng)絡(luò)結(jié)構(gòu)來劃分，人工神經(jīng)網(wǎng)絡(luò)有很多不同的種類，例如感知器、BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等，目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)就是其中的BP網(wǎng)絡(luò)。這種前沿網(wǎng)絡(luò)非 BP網(wǎng)絡(luò)所屬，網(wǎng)絡(luò)的結(jié)構(gòu)與權(quán)值能夠表達(dá)復(fù)雜的非線性 I/0映射關(guān)系。憑借 BP網(wǎng)絡(luò)優(yōu)良的自主學(xué)習(xí)功能，既可以通過誤差的反向傳播方法，對照已知樣本反復(fù)進(jìn)行訓(xùn)練，也可以調(diào)整網(wǎng)絡(luò)的權(quán)值，直到網(wǎng)絡(luò)的 I/0關(guān)系在某一塊訓(xùn)練指標(biāo)下最接近樣本為止。

3.3 人工智能在臨床醫(yī)療診斷中的應(yīng)用

計算機(jī)編寫的程序主要根據(jù)專家系統(tǒng)的設(shè)計原理和方法來模擬醫(yī)生的醫(yī)學(xué)診斷，以及通常治療手段的思維過程來進(jìn)行。醫(yī)療專家系統(tǒng)是臨床醫(yī)療診斷中人工智能的很好體現(xiàn)，不僅能夠處理較為復(fù)雜的醫(yī)學(xué)治療問題，還能當(dāng)做醫(yī)生診斷疾病的重要工具，更重要的是傳承了專家們的寶貴醫(yī)學(xué)治療經(jīng)驗。

3.4 人工智能技術(shù)在醫(yī)學(xué)影像診斷中的應(yīng)用

目前，在醫(yī)學(xué)影像中存在著的問題，比如：誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫(yī)學(xué)影像技術(shù)領(lǐng)域人工智能的應(yīng)用包括主要的兩個方面，分別是：第一個方面為圖像識別，第二個方面為深度學(xué)習(xí)，其中人工智能應(yīng)用最核心的部分實深度學(xué)習(xí)。這兩個部分都是基于醫(yī)學(xué)影像大數(shù)據(jù)所進(jìn)行的數(shù)據(jù)上的挖掘和應(yīng)用。這兩個方面所進(jìn)行的數(shù)據(jù)挖掘及其應(yīng)用都是依據(jù)醫(yī)學(xué)影像大數(shù)據(jù)來完成的。

Geoffrey Hinton教授是神經(jīng)網(wǎng)絡(luò)領(lǐng)域的大師，2006年，他與其博士生在《Science》和相關(guān)的期刊上發(fā)表了論文，第一次提出了“深度信念網(wǎng)絡(luò)”的概念。2012年，由斯坦福大學(xué)Fei-Fei Li教授舉辦的ImageNet ILSVRC大規(guī)模圖像識別評測任務(wù)是由Hinton教授的研究團(tuán)隊參加的。這個任務(wù)包括了120萬張高分辨率圖片，1000個類比。Hinton教授團(tuán)隊使用了全新的黑科技多層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將圖像識別錯誤率突破性地從26.2%降低到了15.3%。 這個革命性的技術(shù)，讓神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)以迅速的速度進(jìn)入了醫(yī)療和工業(yè)的領(lǐng)域范圍，隨后這一技術(shù)被陸續(xù)出現(xiàn)的醫(yī)療影像公司使用。例如：國際知名的醫(yī)學(xué)影像公司Enlitic和國內(nèi)剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數(shù)據(jù)和診斷數(shù)據(jù)，繼續(xù)對神經(jīng)元網(wǎng)絡(luò)進(jìn)行深度的學(xué)習(xí)訓(xùn)練，從而有效的提高了醫(yī)生診斷的準(zhǔn)確率。

人工智能不僅能使患者的健康檢查快速進(jìn)行，包括X光、B超、核磁共振等。另外還能大量減少醫(yī)生的讀片時間，提升了醫(yī)生的工作效率，降低誤診率。

4 總結(jié)

人工智能軟件工作效率遠(yuǎn)遠(yuǎn)超過了人類大腦，不僅能夠更快速的找到數(shù)據(jù)的模式和相似性，還能有效幫助醫(yī)生和科學(xué)家提取重要的信息。隨著人工智能的發(fā)展及其在醫(yī)學(xué)領(lǐng)域的逐漸普及和應(yīng)用，兩者的互相融合在未來必定成為醫(yī)學(xué)發(fā)展的重要方向。

參考文獻(xiàn)

[1]馮伍，張俊蘭.人工智能在醫(yī)學(xué)上的應(yīng)用[J].電子設(shè)計工程，2010（01）.

[2]楊琴，陳家榮.人工智能在醫(yī)學(xué)領(lǐng)域中的應(yīng)用[J].科技風(fēng)，2012（12），100-101.

[3]王宇飛，孫欣.人工智能的研究與應(yīng)用[J].信息與電腦，2016（05）.

[4]鉛筆道.人工智能與影像診斷相結(jié)合的醫(yī)生界阿爾法狗，2016（03）.

神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文第2篇

Abstract: Cognitive radio technology provides new opportunities and challenges for the development of wireless communication. Intelligence is an important characteristic for cognitive radio, and application of artificial intelligence techniques is key to implement this characteristic. This paper will first provide our own research framework on cognitive radio, second give an overview of application of artificial intelligence to cognitive radio, and last introduce and simulate the application of neural network to cognitive radio.

關(guān)鍵詞： 人工智能；認(rèn)知無線電；神經(jīng)網(wǎng)絡(luò)

基金項目：國家重點基礎(chǔ)研究發(fā)展規(guī)劃（“973”計劃）項目（2009CB320403）；國家自然科學(xué)基金資助項目（60832008，60832006）；國家科技重大專項課題（2009ZX03007-004）。

作者簡介：柴新代（1964-），男，北京人，本科，高級工程師，研究方向為通信系統(tǒng)工程；董旭（1979-），男，河北景縣人，博士研究生，講師，研究方向為認(rèn)知無線電。

1 概述

無線通信技術(shù)的飛速發(fā)展，正在越來越深刻地影響著人們的生活。與此同時，無線通信技術(shù)的發(fā)展也面臨著嚴(yán)峻的考驗，一方面頻譜資源的固定分配模式和利用率不均衡制約著無線通信寬帶化的發(fā)展，另一方面多種空中接口和網(wǎng)絡(luò)協(xié)議并存的局面為無線網(wǎng)絡(luò)的融合提出了挑戰(zhàn)。1999年Mitola博士提出的“認(rèn)知無線電（Cognitive Radio）”[1]為解決無線通信所面臨的問題提供了新的機(jī)遇。因此，認(rèn)知無線電技術(shù)迅速成為業(yè)界研究的熱點。

認(rèn)知是人類獲取運用知識解決問題的一種抽象，將認(rèn)知運用到無線電技術(shù)，會提高無線電系統(tǒng)的智能性，這也是認(rèn)知無線電技術(shù)區(qū)別于普通軟件無線電的最大特點。認(rèn)知無線電技術(shù)通過實時的獲取外部環(huán)境信息，并對這些信息進(jìn)行分析、學(xué)習(xí)和判斷，得到無線電知識，然后根據(jù)這些知識智能地調(diào)整各種通信參數(shù)，從而最終實現(xiàn)可靠的通信，并達(dá)到最佳的頻譜利用效率。人工智能技術(shù)為實現(xiàn)認(rèn)知無線電的智能性提供了可能，本文將主要圍繞多種人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用進(jìn)行論述，下面將首先介紹認(rèn)知無線電智能化的基礎(chǔ)框架――認(rèn)知環(huán)路和認(rèn)知引擎，然后對幾種人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用進(jìn)行簡要介紹，最后將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)在人工智能中的應(yīng)用，并通過仿真給出一個具體的示例。

2 相關(guān)工作

2.1 認(rèn)知環(huán)路 Mitola博士在提出認(rèn)知無線電概念的同時提出了OOPDAL（觀察-判斷-計劃-決策-行動-學(xué)習(xí)）認(rèn)知環(huán)路[1]，用以支持其認(rèn)知無線電架構(gòu)。此外，學(xué)術(shù)界還提出了多種認(rèn)知環(huán)路模型[2,3]，比較著名的有軍事戰(zhàn)略家Boyd提出的OODA（觀察-判斷-決策-行動）環(huán)路、IBM為自主計算提出的MAPE（監(jiān)測-分析-計劃-執(zhí)行）環(huán)路、Motorola為自主網(wǎng)絡(luò)提出的FOCALE（基礎(chǔ)-觀察-比較-行動-學(xué)習(xí)-擦除）環(huán)路等等。OOPDAL環(huán)路具有完整認(rèn)知功能和清晰的認(rèn)知過程，是設(shè)計認(rèn)知無線電最為理想的環(huán)路模型。本文對OOPDAL環(huán)路各環(huán)節(jié)進(jìn)行了重新定義，豐富了環(huán)路模型的內(nèi)涵與外延，并在原環(huán)路模型基礎(chǔ)上增加“知識庫”，明確表達(dá)了知識獲取與運用的過程。

如圖1所示，經(jīng)改進(jìn)的OOPDAL認(rèn)知環(huán)路由外環(huán)和內(nèi)環(huán)組成，外環(huán)也稱決策環(huán)。認(rèn)知無線電首先“感知”無線域、網(wǎng)絡(luò)域、用戶域、政策域中的數(shù)據(jù)，并對其建模以明確自身所處態(tài)勢；“判斷”是對數(shù)據(jù)的精煉，也即對感知數(shù)據(jù)進(jìn)行清理、集成和選擇，提取出其中對決策有貢獻(xiàn)的信息；“計劃”根據(jù)用戶需求與當(dāng)前環(huán)境生成優(yōu)化目標(biāo)；“決策”根據(jù)優(yōu)化目標(biāo)執(zhí)行優(yōu)化；“行動”將決策結(jié)果付諸實施，使內(nèi)部狀態(tài)和外界環(huán)境發(fā)生變化，這些變化又被重新“感知”，進(jìn)入下一輪循環(huán)。內(nèi)環(huán)又稱學(xué)習(xí)環(huán)，用于從外環(huán)運行的歷史經(jīng)驗中提取知識，并存放入知識庫以指導(dǎo)決策環(huán)運行。

OOPDAL環(huán)路對知識的運用過程充分體現(xiàn)了認(rèn)知無線電的智能性，其中計劃、學(xué)習(xí)、決策等環(huán)節(jié)更是智能性得以實現(xiàn)的關(guān)鍵所在，具體的實現(xiàn)方法則需要借助于人工智能技術(shù)。

2.2 認(rèn)知引擎 認(rèn)知引擎是實現(xiàn)認(rèn)知環(huán)路功能的技術(shù)手段。但很多認(rèn)知引擎的設(shè)計是針對特定方法實現(xiàn)特定任務(wù)的，本文希望設(shè)計一種通用的認(rèn)知引擎架構(gòu)，以適應(yīng)認(rèn)知無線電所面臨的各種應(yīng)用。通用認(rèn)知引擎結(jié)構(gòu)由認(rèn)知核與接口部分組成。認(rèn)知核提供各種豐富的工具，包括知識表示工具、各種推理機(jī)、學(xué)習(xí)機(jī)、優(yōu)化算法庫等，為完成認(rèn)知循環(huán)的各環(huán)節(jié)功能提供支持。接口部分包括感知器接口與用戶接口。感知器接口收集各種感知數(shù)據(jù)，并通過建模系統(tǒng)以機(jī)器可理解的方式表示；用戶接口部分允許用戶調(diào)用認(rèn)知核中各種工具并對其進(jìn)行流程編排和建模完成專用認(rèn)知引擎的構(gòu)建。另外，可配置無線網(wǎng)絡(luò)具備動態(tài)可配置波形與協(xié)議，以執(zhí)行認(rèn)知引擎的決策。

認(rèn)知核是認(rèn)知引擎的核心，包括多種人工智能工具，如專家系統(tǒng)，案例推理，神經(jīng)網(wǎng)絡(luò)，遺傳算法等，每種人工智能的工具不但可以實現(xiàn)相應(yīng)的認(rèn)知功能，還可通過多種不同工具的編排組合實現(xiàn)認(rèn)知無線電的各種應(yīng)用，即實現(xiàn)認(rèn)知引擎的通用性。

3 人工智能技術(shù)概述

如果說認(rèn)知核是認(rèn)知引擎的核心，那么人工智能技術(shù)就是認(rèn)知核的核心。人工智能技術(shù)已有比較成熟的理論體系[4]，但將其應(yīng)用到認(rèn)知無線電還處于探索階段。下面先簡要介紹幾種人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用。

3.1 專家系統(tǒng) 專家系統(tǒng)在人工智能技術(shù)領(lǐng)域有著非常成功的應(yīng)用[5]，并能夠很好的與其他人工智能技術(shù)結(jié)合使用，如遺傳算法，人工神經(jīng)網(wǎng)絡(luò)等。專家系統(tǒng)是運用知識和推理過程來解決只有專家才能解決的復(fù)雜問題，也就是說專家系統(tǒng)是一種模擬專家決策能力的計算機(jī)系統(tǒng)。專家系統(tǒng)主要包括兩個部分：知識庫和推理機(jī)。知識庫用來存儲專家知識，推理機(jī)則依據(jù)專家知識對已有事實進(jìn)行推理和決策。認(rèn)知無線電可以借助專家系統(tǒng)完成推理決策功能。認(rèn)知無線電可以通過主動學(xué)習(xí)或“人在環(huán)中”的方式獲取無線電知識并存儲到知識庫中，然后根據(jù)外部無線環(huán)境和用戶需求的變化，到知識庫中查詢相應(yīng)的先驗知識，并通過推理機(jī)進(jìn)行決策，從而調(diào)整無線電的工作參數(shù)以適應(yīng)環(huán)境和需求的變化。CLIPS是目前比較成熟的專家系統(tǒng)工具，已有學(xué)者將基于CLIPS的專家系統(tǒng)應(yīng)用到認(rèn)知無線電的研究中[6]。

3.2 案例推理 案例推理作為一種人工智能技術(shù)致力于從以往的經(jīng)歷或者案例當(dāng)中得到新問題的解決方案?；诎咐南到y(tǒng)通過在案例庫查找與需要解決的問題相似度最大的案例來找到問題的解決的方法，并將找到的案例與當(dāng)前的場景進(jìn)行匹配，這種匹配實際上就是一種最優(yōu)化的過程。而最初找到的案例是為了節(jié)省優(yōu)化的時間，通過優(yōu)化的新的解決方案，將被作為新的案例存儲到案例庫中。認(rèn)知無線電可以根據(jù)無線環(huán)境的變化調(diào)整工作參數(shù)，不同的環(huán)境和工作參數(shù)可以作為案例存儲到案例庫中[7]。當(dāng)環(huán)境發(fā)生變化，認(rèn)知無線電可以在案例庫中查找與當(dāng)前環(huán)境最為相似的一個案例，然后用該案例與當(dāng)前環(huán)境進(jìn)行匹配，優(yōu)化工作的參數(shù)，并把當(dāng)前環(huán)境和優(yōu)化的參數(shù)作為新的案例存儲到案例庫中。Soar作為一種人工智能系統(tǒng)的開發(fā)工具，可以實現(xiàn)案例推理功能，并可以基于案例進(jìn)行學(xué)習(xí)，國內(nèi)已有學(xué)者基于Soar和GUN Radio軟件無線電平臺開發(fā)出認(rèn)知無線電原型系統(tǒng)。

3.3 遺傳算法 遺傳算法借鑒生物進(jìn)化和遺傳的生物學(xué)原理，可用于解決目標(biāo)優(yōu)化問題，即找到一組參數(shù)（基因）使得目標(biāo)函數(shù)最大化。其基本原理是根據(jù)求解問題的目標(biāo)構(gòu)造適值函數(shù)，使初始種群通過雜交和變異不斷選擇好的適值進(jìn)行繁殖，并最終得到最優(yōu)解。遺傳算法同樣可以作為認(rèn)知無線電的決策方法[6,8]：可以把無線電類比為一個生物系統(tǒng)，將無線電的特征定義為一個染色體，染色體的每個基因?qū)?yīng)無線電一個可變的參量，比如發(fā)射功率、頻率、帶寬、糾錯編碼方法、調(diào)制算法和幀結(jié)構(gòu)等等，這樣就可以通過遺傳算法的進(jìn)化來得到滿足用戶需求和適應(yīng)環(huán)境變化的系統(tǒng)配置參數(shù)。

4 神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中的應(yīng)用

對于人工神經(jīng)網(wǎng)絡(luò)的研究源于對人類大腦思維過程的模擬，在很多領(lǐng)域，神經(jīng)網(wǎng)絡(luò)已經(jīng)有了廣泛的應(yīng)用。下面將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中的應(yīng)用。

4.1 神經(jīng)網(wǎng)絡(luò)簡介 1943年神經(jīng)物理學(xué)家W.McCulloch和邏輯學(xué)家W.Pits在對人腦的研究中提出了人工神經(jīng)網(wǎng)絡(luò)。目前人工神經(jīng)網(wǎng)絡(luò)作為一種人工智能技術(shù)主要基于統(tǒng)計評估、優(yōu)化和控制理論。人工神經(jīng)網(wǎng)絡(luò)由用以模擬生物神經(jīng)元的大量相連的人工神經(jīng)元組成，主要用于解決人工智能領(lǐng)域的一些復(fù)雜問題，比如機(jī)器學(xué)習(xí)。根據(jù)網(wǎng)絡(luò)結(jié)果和訓(xùn)練方法的不同，人工神經(jīng)網(wǎng)絡(luò)可以分為多種類型，以適應(yīng)多種的應(yīng)用需求[7]。多層線性感知器網(wǎng)絡(luò)（MLPN）：MLPN由多層神經(jīng)元構(gòu)成，每一個神經(jīng)元都是上一層神經(jīng)元輸出的線性組合。一般這種線性組合的權(quán)值在訓(xùn)練前是隨機(jī)生成的，并且可以隨著訓(xùn)練不斷的更新。更新的方法有多種，如后向傳播（BP）、遺傳算法等。其訓(xùn)練方法的性能將由其網(wǎng)絡(luò)規(guī)模和應(yīng)用場景決定。非線性感知器網(wǎng)絡(luò)（NPN）：NPN是利用對每個神經(jīng)元的輸入平方或兩兩相乘的方法將非線性引入神經(jīng)網(wǎng)絡(luò)使其可以對動態(tài)變化的訓(xùn)練數(shù)據(jù)進(jìn)行更好的擬合。但NPN的網(wǎng)絡(luò)結(jié)構(gòu)需要根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行調(diào)整，另外如果采用BP方法進(jìn)行訓(xùn)練會使網(wǎng)絡(luò)收斂緩慢而導(dǎo)致處理時間過長。徑向基函數(shù)網(wǎng)絡(luò)（RBFN）：RBFN和NPN類似，不同的只是其非線性的引入是在隱含層利用徑向基函數(shù)實現(xiàn)非線性映射，這可以防止網(wǎng)絡(luò)收斂到局部最小值。

4.2 應(yīng)用舉例 由于神經(jīng)網(wǎng)絡(luò)可以動態(tài)的自適應(yīng)和實時的訓(xùn)練，因此可以對系統(tǒng)的各種模式、參數(shù)、屬性等進(jìn)行“學(xué)習(xí)”，并“記住”這些事實，當(dāng)系統(tǒng)有了新的輸入和輸出時，可以進(jìn)行實時的訓(xùn)練來記憶新的事實。這正符合了認(rèn)知無線電認(rèn)知功能的需求，因此神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中有著廣泛的應(yīng)用前景。下面就列舉一些神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中的應(yīng)用[9-12]。神經(jīng)網(wǎng)絡(luò)可以用于認(rèn)知無線電的頻譜感知，例如利用基于神經(jīng)網(wǎng)絡(luò)的分類器可以根據(jù)信號的循環(huán)平穩(wěn)特性或者頻譜特性等對信號進(jìn)行分類。神經(jīng)網(wǎng)絡(luò)還可用于無線電參數(shù)的自適應(yīng)決策和調(diào)整，神經(jīng)網(wǎng)絡(luò)可以根據(jù)當(dāng)前信道質(zhì)量和用戶需求等所確定的優(yōu)化目標(biāo)選擇無線電參數(shù)。另外神經(jīng)網(wǎng)絡(luò)還可以對無線電系統(tǒng)的各種性能進(jìn)行預(yù)測，神經(jīng)網(wǎng)絡(luò)可以記憶不同無線環(huán)境不同無線參數(shù)所達(dá)到的系統(tǒng)性能，比如誤碼率、吞吐量、時延等等，從而對未來可能產(chǎn)生的系統(tǒng)性能進(jìn)行預(yù)測，進(jìn)而對各種無線參數(shù)進(jìn)行優(yōu)化。

5 仿真及分析

由于無線環(huán)境的開放性，無線系統(tǒng)大都是非線性系統(tǒng)，因此神經(jīng)網(wǎng)絡(luò)用于認(rèn)知無線電也應(yīng)采用非線性模型。非線性感知器網(wǎng)絡(luò)（NPN）可以完成認(rèn)知無線電的學(xué)習(xí)功能，從而對各種系統(tǒng)性能進(jìn)行預(yù)測，下面就通過一個具體例子來仿真基于NPN的誤碼率性能預(yù)測。

5.1 仿真模型 NPN由三層節(jié)點構(gòu)成：輸入層、隱含層和輸出層。隱含層通常只有一層神經(jīng)元，本文在此基礎(chǔ)上擴(kuò)展了隱含層的層數(shù)，從而擴(kuò)大了神經(jīng)網(wǎng)絡(luò)的規(guī)模，使其具有更好的學(xué)習(xí)效果。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，每個節(jié)點都與下一層的所有節(jié)點唯一相連，除了輸入層節(jié)點，其他各層節(jié)點稱為神經(jīng)元，具有一個非線性的激活函數(shù)，以實現(xiàn)對非線性系統(tǒng)的擬合。本文將采用最為常用的非線性激活函數(shù)――S函數(shù)，即：f

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練將采用BP方法，具體算法如下：

③根據(jù)RMS誤差決定是否調(diào)整權(quán)值，直到RMS誤差或者迭代次數(shù)達(dá)到停止要求。

5.2 仿真場景 仿真場景的設(shè)置將根據(jù)上面提出通用認(rèn)知引擎架構(gòu)進(jìn)行編排。首先認(rèn)知引擎要收集各種數(shù)據(jù)。WiMax可以根據(jù)信道質(zhì)量調(diào)整其調(diào)制編碼模式等無線電參數(shù)，因此將作為通用認(rèn)知引擎架構(gòu)中的可重配置的無線電平臺將系統(tǒng)的誤碼率性能實時上報給認(rèn)知引擎；信噪比作為無線環(huán)境的表征可通過感知器進(jìn)行收集；編碼速率作為用戶對業(yè)務(wù)的需求可通過用戶接口上報給認(rèn)知引擎。然后認(rèn)知引擎內(nèi)基于NPN的學(xué)習(xí)機(jī)就可以對這些數(shù)據(jù)進(jìn)行訓(xùn)練了，訓(xùn)練的方法如上節(jié)所述。最后訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以根據(jù)無線環(huán)境和用戶需求對系統(tǒng)的誤碼率進(jìn)行實時的預(yù)測，從而調(diào)整認(rèn)知無線電的各種操作參數(shù)。

5.3 仿真結(jié)果及分析 由于對神經(jīng)網(wǎng)絡(luò)模型的隱含層進(jìn)行了擴(kuò)展，首先驗證一下改進(jìn)的模型性能是否有所提升。仿真結(jié)果如圖3所示，分別仿真了具有2層、3層和4層神經(jīng)元的NPN的收斂性能。其中2層模型是沒有經(jīng)過改進(jìn)的，其收斂速度最快，但RMS誤差較三層模型差；3層模型雖然收斂速度稍慢，但收斂的RMS誤差最低；4層模型的網(wǎng)絡(luò)規(guī)模最大，因此收斂速度最慢，但其RMS誤差收斂的并不是最低，這是由于神經(jīng)網(wǎng)絡(luò)的規(guī)模應(yīng)該與訓(xùn)練數(shù)據(jù)的規(guī)模相適應(yīng)，過大的網(wǎng)絡(luò)規(guī)模反而不會得到很好的收斂性能。折中考慮，在后續(xù)誤碼率預(yù)測仿真中，將采用3層神經(jīng)元模型的NPN對數(shù)據(jù)進(jìn)行訓(xùn)練。

如圖4所示，利用3層神經(jīng)元模型分別對WiMax場景下的64QAM、16QAM、QPSK和BPSK的誤碼率性能進(jìn)行了預(yù)測。從預(yù)測結(jié)果和實際的仿真結(jié)果的比較可以顯示，隨著調(diào)制模式的升高，預(yù)測的性能將越來越好。

6 結(jié)束語

本文主要介紹了人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用，并通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行舉例，從仿真的結(jié)果可以看出神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中應(yīng)用的可能性。人工智能技術(shù)在認(rèn)知無線電領(lǐng)域的應(yīng)用還有著廣闊的研究前景，應(yīng)該積極探索更多的人工智能技術(shù)在認(rèn)知無線電中應(yīng)用。但也并非所有的人工智能技術(shù)都適用于認(rèn)知無線電的開發(fā)和應(yīng)用，應(yīng)在研究中有所選擇把握方向。不同的應(yīng)用場景也對人工智能技術(shù)提出了不同的需求，找到適用于相應(yīng)場景的人工智能技術(shù)也很重要。未來的工作應(yīng)更多的考慮一些實際的應(yīng)用，讓無線通信系統(tǒng)可以真正的像人一樣思考。

參考文獻(xiàn)：

[1]J.Mitola Ⅲ."Cognitive radio: Making software radios more personal"，IEEE Personal Communications，vol.6，no.4，pp.13-18，1999.

[2]S.Haykin."Cognitive radio：Brain-empowered wireless communications"，IEEE Journal on Selected Areas in Communications，vol.23，no.2，pp.201-220，2005.

[3]T.W.Rondeau，C.W.Bostian，D.Maldonado，A.Ferguson，S.Ball，B.Le，and S.Midki，“Cognitive radios in public safety and spectrum management”，Telecommunications Policy and Research Conference，vol.33，2005.

[4]George F.Luger，“Artificial Intelligence Structures and Strategies for Complex Problem Solving Fifth Edition”，Pearson Education Limited，2005.

[5]Joseph C.Giarratano, Gary D.Riley，“Expert System Principles and Programming Fourth Edition”，Thomson learning，2006.

[6]Timothy R.Newman，“Multiple Objective Fitness Functions for Cognitive Radio Adaptation”，Doctor Thesis，2008.

[7]A.He，K.K.Bae，T.R.Newman，J.Gaeddert，K.Kim，R.Menon，L.M.Tirado，J.Neel，Y.Zhao，J.H.Reed，and W.H.Tranter，“A survey of artificial intelligence for cognitive radios”，IEEE Transactiongs on Vehicular Technology，vol.59，no.4，pp.1578-1592，2010.

[8]Thomas W.Rondeau，“Application of Artificial Intelligence to Wireless Communication”，Doctor Thesis，2007.

[9]N.Baldo，B.R.Tamma，B.S.Manoj，R.Rao，and M.Zorzi，“A neural network based cognitive controller for dynamic channel selection”，in Proceedings of IEEE International Conference on Communications（ICC），pp.1-5，2009.

[10]X.Zhu，Y.Liu，W.Weng，and D.Yuan，“Channel sensing algorithm based on neural network for cognitive wireless mesh network”，in Proceedings of IEEE International Conference on Wireless Communications（WiCom），pp.1-4，2008.

神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文第3篇

當(dāng)你用谷歌搜索東西、使用地圖軟件、在亞馬遜上購物，或者對智能手機(jī)中的語音識別軟件說話，其實都在使用人工智能。當(dāng)你登錄到Facebook，欣賞那些可愛的嬰兒照片，人工智能都在塑造你的體驗。

所有這些應(yīng)用的背后都使用了算法，算法本質(zhì)上是形成分析過程的一組規(guī)則，能夠?qū)ψ兞枯斎胱龀鲰憫?yīng)。如今的算法，尤其是來自亞馬遜和Facebook等巨頭的算法，響應(yīng)速度快，還不斷學(xué)習(xí)。它們事先經(jīng)過編程，可采集來自用戶的更準(zhǔn)確的響應(yīng)；也就是說，結(jié)果是為控制算法的那些廠商服務(wù)的。

了解和響應(yīng)

當(dāng)你在亞馬遜上購物時，算法在后臺基于一個包含眾多購買模式的龐大數(shù)據(jù)庫，執(zhí)行異常高級的運算，之后決定將什么產(chǎn)品展示在你面前。它實時響應(yīng)你的點擊軌跡。

你可能覺得，有一個活生生的私人購物助手是最好不過的選擇；她了解潮流，對你本人很了解?？墒侨斯ぶ悄芗夹g(shù)廠商Ayasdi的首席營銷官丹尼爾?德魯克（Daniel Druker）表示，這樣的私人購物助手與亞馬遜沒法比。亞馬遜“利用人工智能，結(jié)合你之前的購買活動，從100萬件商品中推測眼下哪些商品最能吸引你的眼球。沒有哪個人能做到這一點。”

在Facebook上，出現(xiàn)在你個人動態(tài)（feed）中的朋友不多，那是因為Facebook的人工智能算法知道：你受不了個人動態(tài)內(nèi)容太多的情況。于是，F(xiàn)acebook使用人工智能，對你關(guān)于私人關(guān)系圈的訊號做出敏感的反應(yīng)，打造你的個人動態(tài)，建立起一種更有效的情感聯(lián)系。要是你以為人工智能冷若冰霜、缺乏人情味，F(xiàn)acebook用它來窺視你的內(nèi)心（以及Facebook另外12.3億日常用戶的內(nèi)心）。它威力強(qiáng)大，說Facebook人工智能影響了美國總統(tǒng)大選毫不為過。

盡管人工智能目前具有巨大的影響力，但它仍被看作是太過遙遠(yuǎn)的一項神奇技術(shù)。人工智能技術(shù)廠商Sentient Technologies的創(chuàng)始人兼首席科學(xué)家巴巴克?霍加特 （Babak Hodjat）說：“算法或應(yīng)用有多誘人、多新潮、多強(qiáng)大，并不重要。我常常出去介紹這些系統(tǒng)時，人們總是會說‘是的，那很智能、那很酷，但這不是人工智能?！?/p>

人們之所以會有這種懷疑，是因為“普通公眾而非從業(yè)人士常常誤以為人工智能是包含情感智能、創(chuàng)造力、自主性等一系列能力的人類級一般智能?！被艏犹卣f，因而，人工智能“總是被認(rèn)為是我們會發(fā)明的下一大技術(shù)。我認(rèn)為，今后10年至15年還會是這種情況。”

他表示，在許多當(dāng)前的應(yīng)用中，人工智能比人類更強(qiáng)大。“你只要說一個方面，我可以告訴你這個方面是如何實施的、如何比人類更強(qiáng)大。起碼，人工智能運行起來更快，所以當(dāng)下人工智能的決策和行動周期要比人類響應(yīng)世界的速度快得多?！?/p>

人工智能在過去幾年得到了突飛猛進(jìn)的發(fā)展。百度硅谷人工智能實驗室主任亞當(dāng)?科茨（Adam Coates）說：“這在10年前是很難實現(xiàn)的。當(dāng)然，未來幾年，我們認(rèn)為在人類非常擅長處理、但計算機(jī)向來不擅長的許多問題上，人工智能會取得巨大進(jìn)展。比如說，識別圖像中的實體，或者理解語音、對口語做出響應(yīng)，那些是深度學(xué)習(xí)和人工智能技術(shù)在未來幾年會持續(xù)改進(jìn)的問題?！?/p>

推動與向前

什么功能在推動這些進(jìn)展？人工智能必須獲得什么樣的功能才能向前發(fā)展？

皮特?阿貝爾（Pieter Abbeel）是加州大學(xué)伯克利分校的計算機(jī)科學(xué)系教授，也是人工智能教育初創(chuàng)公司Gradescope的聯(lián)合創(chuàng)始人。他表示，首先，人工智能系統(tǒng)需要能夠在沒有人類干預(yù)的情況下自主學(xué)習(xí)。此外，它還在被告知諸如“你從這個角度堆方塊，也許效果會更好”之類的信息時，應(yīng)該有溝通和理解能力?！耙撬鼰o法領(lǐng)會這樣的信息，我們不會認(rèn)為它具有真正的智能?！?/p>

人類（至少理論上）能夠利用過去的經(jīng)驗來推斷和處理新環(huán)境，在這方面機(jī)器人則差的很遠(yuǎn)。為機(jī)器人編程、以便它在有限的環(huán)境下提供輔助要容易得多。人工智能科學(xué)家們想為機(jī)器人編程，以便處理相關(guān)的變化。

阿貝爾說：“它們需要運用過去獲得的經(jīng)驗，推廣到不一樣但相類似的新場景，了解這種關(guān)聯(lián)性。我對于機(jī)器人如何能真正從頭開始學(xué)會做事很感興趣?！睆念^開始學(xué)起是人類特有的能力；如果機(jī)器人能夠真正做到填補其空白，它有望成為獨立的個體。

但人工智能機(jī)器人的“學(xué)習(xí)能力”可能有許多不同的方式來定義，一些是很普通的“嘗試和獎勵”方式，類似于教狗學(xué)新花招。比如說，人工智能強(qiáng)化學(xué)習(xí)可編寫機(jī)器人的軟件，從試錯過程中學(xué)習(xí)。加州大學(xué)伯克利分校的BRETT機(jī)器人基于行動后獎勵的多少來使用強(qiáng)化學(xué)習(xí)技術(shù)。阿貝爾說：“獎勵的變化讓該機(jī)器人得以分辨什么是好的，什么是不好的，進(jìn)而重點采用獲得獎勵多的策略。”

與之相仿，人工智能科學(xué)家使用監(jiān)督式學(xué)習(xí)，為計算機(jī)饋送標(biāo)記輸入（這些是貓，這些是狗）的許多實例，并給出明確的目標(biāo)輸出（這是貓還是狗？）。非監(jiān)督式學(xué)習(xí)給計算機(jī)饋送非標(biāo)記數(shù)據(jù)（比如說許多動物的照片），計算機(jī)進(jìn)行分類，或者以其他方式為該數(shù)據(jù)定義結(jié)構(gòu)模型（這些動物身上的毛比其他這些動物多得多）。科茨表示，非監(jiān)督式學(xué)習(xí)是“非常重要的研究熱點，因為我們知道人類所做的在很大程度上是非監(jiān)督式學(xué)習(xí)?！?/p>

人工智能“學(xué)習(xí)”的核心是神經(jīng)網(wǎng)絡(luò)，它類似人類大腦。跟大腦一樣，面對更多的輸入，神經(jīng)網(wǎng)絡(luò)會自我調(diào)整。阿貝爾說：“你展示足夠多的那些實例，神經(jīng)網(wǎng)絡(luò)就會自我調(diào)整，說‘針對那個輸入，我需要那個輸出’；所以，要做到這一點，唯一的途徑是，我需要調(diào)整聯(lián)系的部分強(qiáng)度，那樣我才能搞好那種對應(yīng)。所以，在某種意義上，你在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，是讓計算機(jī)學(xué)習(xí)它的計算機(jī)程序，而不是將計算程序編入到里面?！?/p>

科茨解釋，不過打造神經(jīng)網(wǎng)絡(luò)并非易事。“一大挑戰(zhàn)在于，我們不是非常清楚如何僅憑一些非標(biāo)記、非結(jié)構(gòu)化的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。我們不知道如何量化神經(jīng)網(wǎng)絡(luò)在處理這些種類的任務(wù)中的好壞。等到我們在這方面有了發(fā)現(xiàn)，那將是一大進(jìn)步。但我們還沒有到那一步。所以，這離人類智能相差甚遠(yuǎn)?！?/p>

神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文第4篇

關(guān)鍵詞：無人機(jī) 神經(jīng)網(wǎng)絡(luò) 控制技術(shù)

中圖分類號:TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416(2012)07-0010-01

無人機(jī)的核心部分是飛行控制系統(tǒng)。無人機(jī)進(jìn)行自主飛行時,控制系統(tǒng)需要有效地對姿態(tài)回路部分和水平位置、高度回路部分進(jìn)行重點控制，才能保持良好的自主飛行適應(yīng)性。研究表明，智能技術(shù)的發(fā)展水平在相當(dāng)大的程度上決定了自主控制技術(shù)的發(fā)展水平，人工智能系統(tǒng)若要提高對形勢的感應(yīng)能力和外部環(huán)境的理解能力，并作出準(zhǔn)確、快速反應(yīng)，需要以獲取信息的完整性和準(zhǔn)確性為前提支撐。

研究表明，現(xiàn)代絕大多數(shù)控制理論在飛行控制系統(tǒng)設(shè)計的應(yīng)用方面，均表現(xiàn)出一定的優(yōu)勢和劣勢。

反步控制的優(yōu)勢在于收斂性方面表現(xiàn)較好，可對具有不確定性的未知擾動進(jìn)行有效處理，缺點是魯棒性表現(xiàn)較差。反饋線性化的優(yōu)勢在于設(shè)計靈活，缺點是對數(shù)學(xué)模型建立的精確性要求較高，且不能處理具有不確定性的未知擾動。采用變結(jié)構(gòu)的滑?？刂萍夹g(shù)優(yōu)勢在于響應(yīng)快捷，且所建數(shù)學(xué)模型的精確性要求不高，對外部不確定性擾動反應(yīng)不敏感，缺點是需要進(jìn)一步提高抖振現(xiàn)象的解決能力。在計算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展帶動下，人工智能應(yīng)用于無人機(jī)控制系統(tǒng)已具備一定的技術(shù)基礎(chǔ)，特別是神經(jīng)網(wǎng)絡(luò)技術(shù)，因其具有良好的學(xué)習(xí)和推理能力，所以應(yīng)用最為廣泛。本文以無人機(jī)的飛行控制應(yīng)用為中心,重點分析了神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于智能控制的最新成果，為今后的深入研究提供一定的基礎(chǔ)支撐。

1、神經(jīng)網(wǎng)絡(luò)PID控制技術(shù)

PID控制器魯棒性表現(xiàn)較好，結(jié)構(gòu)相對簡單，廣泛應(yīng)用于典型無人機(jī)控制系統(tǒng)設(shè)計中。但是經(jīng)典PID對于具有非線性特性的多變量系統(tǒng)，其處理能力較差，不能有效提升系統(tǒng)的抗外擾能力，特別是系統(tǒng)參數(shù)變化攝動時，其魯棒性表現(xiàn)較差，致使系統(tǒng)的飛行動態(tài)控制能力較差。近年來，以神經(jīng)網(wǎng)絡(luò)智能控制技術(shù)的快速發(fā)展為支撐，神經(jīng)網(wǎng)絡(luò)智能控制技術(shù)開始和常規(guī)PID控制相融合，優(yōu)化形成了兩種類型的神經(jīng)網(wǎng)絡(luò)PID控制器。一種為神經(jīng)元網(wǎng)絡(luò)PID控制器，該控制器在傳統(tǒng)PID控制器的基礎(chǔ)上，融合加入了一個神經(jīng)元網(wǎng)絡(luò)控制器，對PID參數(shù)進(jìn)行優(yōu)化確定;另一種是單神經(jīng)元PID控制器，它用神經(jīng)元輸入權(quán)值跟PID參數(shù)進(jìn)行一一對應(yīng)，該輸入值為經(jīng)比例、積分、微分處理后的偏差值。

1.1 采用神經(jīng)元網(wǎng)絡(luò)確定PID控制器參數(shù)

神經(jīng)網(wǎng)絡(luò)控制器通過對被控對象建立反向模型，構(gòu)成前饋控制器。神經(jīng)網(wǎng)絡(luò)控制器首先學(xué)習(xí)PID控制器的輸出，而后在線進(jìn)行調(diào)整，盡量使反饋誤差趨零化，逐步提升自身在系統(tǒng)控制中的主導(dǎo)作用，最終替換反饋控制器的相應(yīng)作用，但PID反饋控制器繼續(xù)存在，沒有消失。當(dāng)系統(tǒng)受到外部干擾擾動時，PID反饋控制器可繼續(xù)發(fā)揮作用。采用神經(jīng)元網(wǎng)絡(luò)確定PID控制器參數(shù)的技術(shù)實際上是一種前饋加反饋的特殊控制技術(shù)，該技術(shù)在提高了系統(tǒng)精度的情況下，同時提高了系統(tǒng)的自適應(yīng)能力，增強(qiáng)了系統(tǒng)的控制穩(wěn)定性，改善了控制系統(tǒng)的魯棒性能。其典型控制原理如圖1所示

1.2 單神經(jīng)元PID控制

該種類型的自適應(yīng)控制器依靠調(diào)整加權(quán)系數(shù)完成自適應(yīng)和自組織，采用有監(jiān)督Hebb學(xué)習(xí)規(guī)則對加權(quán)系數(shù)進(jìn)行調(diào)整。單神經(jīng)元PID控制器采用具有明確物理意義的算法組織學(xué)習(xí)，結(jié)構(gòu)也較簡單，在環(huán)境變化適應(yīng)性方面，呈現(xiàn)出較好的魯棒性。其劣勢在于由于該種類型控制器為單神經(jīng)元結(jié)構(gòu)，因此不具備任意函數(shù)逼近的能力。

2、自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制技術(shù)

針對任意一個非線性連續(xù)函數(shù)，人工神經(jīng)網(wǎng)絡(luò)因具有較強(qiáng)的自學(xué)習(xí)能力，所以能以任意精度要求逼近，且能夠完成并行處理，實現(xiàn)萬能函數(shù)逼近功能。與傳統(tǒng)查表法對比,人工神經(jīng)網(wǎng)絡(luò)進(jìn)行計算時間較短，且不需要大內(nèi)存容量，在對相鄰兩個訓(xùn)練點之間的點進(jìn)行插值計算時，不需要額外的計算消耗。相比典型的自適應(yīng)線性控制器，研究表明，人工神經(jīng)網(wǎng)絡(luò)能夠獲得較好的期望性能，表現(xiàn)出相對較高的自適應(yīng)非線性控制能力。人工神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對非線性對象的有效控制，對不確定對象的有效控制，且抗環(huán)境干擾能力較強(qiáng)，因此特別適合于實現(xiàn)自適應(yīng)自主飛行控制。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于自適應(yīng)飛行控制的基本原理為:對飛行器模型進(jìn)行近似線性化處理，爾后對該控制器添加人工神經(jīng)元網(wǎng)絡(luò),通過逆轉(zhuǎn)換完成非線性控制功能，對飛行中的動態(tài)誤差，自適應(yīng)消除其影響，有效提升系統(tǒng)響應(yīng)。該種類型的神經(jīng)網(wǎng)絡(luò)控制器通過在線提升自適應(yīng)能力,在一定程度上改善了風(fēng)洞數(shù)據(jù)依賴度，對動態(tài)先驗知識的需求也進(jìn)一步降低,從而減少了飛行控制系統(tǒng)的研發(fā)費用。

3、結(jié)語

研究表明，常規(guī)PID控制器雖然結(jié)構(gòu)較簡單，可靠性能表現(xiàn)較好，呈現(xiàn)出良好的魯棒性，但其缺少自學(xué)習(xí)、自組織、自適應(yīng)的能力，這些能力恰恰是神經(jīng)網(wǎng)絡(luò)控制器的智能優(yōu)勢。但神經(jīng)網(wǎng)絡(luò)也具有一定的缺點，表現(xiàn)為收斂速度較慢，個別情況下不能搜索到全局最優(yōu)解等。神經(jīng)網(wǎng)絡(luò)利用自身較強(qiáng)的并行處理能力和自然容錯特性，對非線性飛行系統(tǒng)能夠進(jìn)行較好的智能處理，有效降低了逆誤差，可以精確獲取無人機(jī)控制模型，魯棒性表現(xiàn)優(yōu)異。

目前，已在無人機(jī)上進(jìn)行應(yīng)用的神經(jīng)網(wǎng)絡(luò)算法主要是與PID算相融合的智能算法。今后，將自適應(yīng)控制和神經(jīng)網(wǎng)絡(luò)智能控制相結(jié)合的控制算法將逐步進(jìn)入飛行控制實踐技術(shù)行列,從而大副提升無人機(jī)應(yīng)對不確定環(huán)境和復(fù)雜問題的能力,真正實現(xiàn)自主飛行。

參考文獻(xiàn)

神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文第5篇

關(guān)鍵詞：人工智能；傳統(tǒng)繪畫藝術(shù)；藝術(shù)審美；大數(shù)據(jù)

傳統(tǒng)繪畫藝術(shù)從地域上來說可以簡單的分為中國傳統(tǒng)繪畫藝術(shù)以及西方傳統(tǒng)繪畫藝術(shù)。中國傳統(tǒng)繪畫多講究神韻，躍然紙上的色彩和線條都頗具象征性，畫家所呈現(xiàn)出的往往是一種意境。傳統(tǒng)的西方繪畫在文藝復(fù)興時期達(dá)到了鼎盛的狀態(tài)，從畫面結(jié)構(gòu)來說比中國傳統(tǒng)繪畫更注重科學(xué)與現(xiàn)實的結(jié)合。透視，幾何，材料等概念的靈活運用使畫作在畫家筆下達(dá)到了一種均衡的美。無論是中西哪種繪畫都需要借用筆，刀等工具，通過墨，顏料等繪畫材料，在紙，木板，織物等平面工具上，通過構(gòu)圖、造型和顏色等表現(xiàn)手法，創(chuàng)造出可視的形象。

人工智能（Artificial Intelligence AI）是一門技術(shù)科學(xué)，主要研究用機(jī)器模仿人類的思維、感知等智能活動，用理論、方法、技術(shù)及應(yīng)用系統(tǒng)使機(jī)器能夠代替人類做復(fù)雜的智力勞動。

傳統(tǒng)繪畫與人工智能作為人類智慧活動的兩個方向有著各自不同的特性，但隨著科學(xué)技術(shù)的大力發(fā)展，藝術(shù)家與科學(xué)家在各自不同的領(lǐng)域越來越意識到兩者的共同性。人工智能技術(shù)在傳統(tǒng)繪畫上的應(yīng)用，把科學(xué)技術(shù)與傳統(tǒng)繪畫有機(jī)地結(jié)合在了一起，為創(chuàng)造和傳播傳統(tǒng)繪畫藝術(shù)提供了先進(jìn)的方式，大數(shù)據(jù)的支持，為傳統(tǒng)繪畫領(lǐng)域帶來了新變革。

一、人工智能下傳統(tǒng)繪畫藝術(shù)的發(fā)展與創(chuàng)作

早期用來表現(xiàn)傳統(tǒng)繪畫的新媒體方式多采用了數(shù)字化復(fù)刻繪畫，或者通過動漫、電影、攝影等方式來表F。融入人工智能技術(shù)后，傳統(tǒng)繪畫藝術(shù)就范圍來說仍然屬于新媒體藝術(shù)的一個組成部分，但卻呈現(xiàn)出了多樣的變化。

自1973年始，Harold Cohen（畫家，San Diego加州大學(xué)教授）所編譯的電腦程序“AARON”就開始了自動繪畫的過程。

2013年，電腦程序“The Painting Fool”，在巴黎舉辦了展覽會，新聞媒體競相報道，其中部分作品花了多年時間創(chuàng)作。從形式上來說這就是一場傳統(tǒng)意義上的藝術(shù)作品展。

年初Google旗下的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)研究小組通過算法教會計算機(jī)自主創(chuàng)作繪畫的能力。Google稱其為Deep Dream。本次繪畫作品展引來了大批對科技與現(xiàn)代藝術(shù)感興趣的觀眾。最終，由人工智能創(chuàng)作的繪畫被一位專業(yè)的拍賣商拍下，最高單幅的價格甚至達(dá)到了八千美元。在Deep Dream的創(chuàng)作中主體內(nèi)容包括了各種天馬行空的海景，漩渦；風(fēng)格奇幻的城堡以及各種擁有三頭六臂的動物。從風(fēng)格上看接近法國的后期印象派，有輪廓但不具體，有繽紛的色彩，但卻不是客觀物體原來的色彩，然而整幅畫面的躍動感卻似乎能表達(dá)出作者的主觀情感。

此外，受眾們可以利用公開的代碼，編譯出屬于自己的Deep Dream圖像，藝術(shù)家的靈感有時來源于對某一物體的想象。Deep Dream正是從這個方面折射出了人類的創(chuàng)造力和想象力。

人工智能創(chuàng)作傳統(tǒng)繪畫不得不提到兩個概念，即深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)。2006年，杰弗里?希爾頓等人提出了深度學(xué)習(xí)的概念。深度學(xué)習(xí)是人工智能學(xué)科下的一個分支，通過編譯教導(dǎo)計算機(jī)進(jìn)行無監(jiān)督學(xué)習(xí)，以此來解決深層優(yōu)化的問題。深度學(xué)習(xí)概念是目前人工智能像人腦一樣處理數(shù)據(jù)的關(guān)鍵算法。

人工神經(jīng)網(wǎng)絡(luò)，它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。（百度百科）

Deep Dream中的畫作即是由人工神經(jīng)網(wǎng)絡(luò)創(chuàng)作，也就是用軟件模擬大腦神經(jīng)元處理信息的方式。軟件先要接受大數(shù)據(jù)訓(xùn)練，通過分析數(shù)百萬個大數(shù)據(jù)后才能識別圖像中的物體。在Deep Dream創(chuàng)作繪畫的過程中，程序先向神經(jīng)網(wǎng)絡(luò)輸入一張圖片，然后由神經(jīng)網(wǎng)絡(luò)進(jìn)行自我調(diào)整，軟件之前已經(jīng)有了數(shù)據(jù)庫，神經(jīng)網(wǎng)絡(luò)要從中尋找出與數(shù)據(jù)庫中物體相似的地方再進(jìn)行編譯，于是一幅人工智能畫作就完成了。

二、人工智能下的傳統(tǒng)繪畫藝術(shù)傳播的文化價值

人工智能創(chuàng)作的繪畫在傳播時呈現(xiàn)了兩級分化的局面，一方面有人高價收購人工智能繪畫，而另一方面，有人卻對這樣的迷幻風(fēng)格難以接受。暫不論人工智能繪畫的畫作質(zhì)量，在文化價值上，人工智能繪畫是否能算是創(chuàng)作并且富有感染力嗎？

繪畫創(chuàng)作就其動機(jī)來說存在多種類別，有的是有感于情境而創(chuàng)作，作者將情感上的匯集融入繪畫作品；有的是為特定目的而創(chuàng)作，比如早期石刻的農(nóng)耕漁織狩獵圖等；還有的畫作則是為了宣揚宗教觀念，教育宗教信徒而創(chuàng)作。由此可見，在這些創(chuàng)作動機(jī)中，既存在單純表達(dá)情感思想的藝術(shù)，也有為傳播特定信息的藝術(shù)，還有為將宗教觀念具象化，通過繪畫創(chuàng)作更直觀的進(jìn)行表達(dá)的藝術(shù)。在評論藝術(shù)的本質(zhì)時，有感于情境而作的繪畫創(chuàng)作更接近繪畫藝術(shù)的本質(zhì)，在這種繪畫藝術(shù)作品中可能包含了普遍的對人類情感及相關(guān)價值觀的探索?；蛟S，人工智能下的繪畫藝術(shù)應(yīng)該獨立成為一個門類，畢竟相較于人工智能的邏輯化、程序化。繪畫藝術(shù)應(yīng)是屬于人類展現(xiàn)天賦，表達(dá)情感的領(lǐng)域。

傳統(tǒng)繪畫藝術(shù)誕生至今，文化價值的體現(xiàn)皆是因為畫作中的主體性、不確定性、奇思妙想，抽象感知展現(xiàn)了人類靈魂深處的情感。

三、人工智能下傳統(tǒng)繪畫藝術(shù)的傳播

繪畫作品具有其獨特的傳播的功能，首先繪畫是一種是具備信息承載能力和傳播能力的傳播介質(zhì)。其次，繪畫作品中的內(nèi)在感染力以及受眾欣賞過程中能動的二次創(chuàng)作也為傳統(tǒng)繪畫作品的傳播提供了動因。此外，經(jīng)濟(jì)基礎(chǔ)決定上層建筑，隨著人們物質(zhì)水平的逐年提高，越來越多的人們走進(jìn)博物館，美術(shù)館，藝術(shù)長廊等多種藝術(shù)場所，借由這些渠道了解藝術(shù)，欣賞藝術(shù)，以此來滿足精神需求的增長，由此可見，當(dāng)下藝術(shù)產(chǎn)業(yè)領(lǐng)域正受到各方的重視。然而現(xiàn)代社會，藝術(shù)生產(chǎn)與藝術(shù)消費市場分離的局面，也使傳統(tǒng)繪畫作品的傳播成為必然趨勢。

對藝術(shù)信息產(chǎn)生情感反饋是人類獨有的思維和能力，通過人工智能的神經(jīng)網(wǎng)絡(luò)以及大數(shù)據(jù)分析不僅能創(chuàng)作繪畫，還能對傳統(tǒng)的繪畫藝術(shù)作品進(jìn)行分析判斷，繼而整理出一套基于大數(shù)據(jù)分析的傳播方案。這樣的方案是否可行呢，在當(dāng)今這個信息爆炸以及媒介去中心化的時代下，越來越多的受眾通過各種方式接觸到傳統(tǒng)繪畫藝術(shù)，因此當(dāng)受眾面臨繪畫藝術(shù)鑒賞時，便產(chǎn)生了選擇障礙。

傳統(tǒng)的繪畫藝術(shù)傳播是指在藝術(shù)創(chuàng)作和鑒賞階段所形成的人內(nèi)信息交流。它的傳播模式分為人際傳播，把關(guān)人推薦和群體傳播等。這些傳統(tǒng)的傳播方式經(jīng)過多年來的驗證確實具有一定的實際意義的，但在針對個體差異上的分類推薦卻不是很明顯，面對龐大的信息量以及高度差異化的傳播需求，如今傳統(tǒng)的藝術(shù)傳播方式，其可行性正在逐漸下降。而人工智能應(yīng)用于藝術(shù)傳播，通過云計算可以精確而高效地分析和處理藝術(shù)信息。并且通過龐大的大數(shù)據(jù)資源加強(qiáng)索引優(yōu)勢，速度與精度的大幅度提升正是傳統(tǒng)的藝術(shù)傳播過程中所缺失的。

τ諢婊藝術(shù)來說，千人千面，每個人都有自己獨到的理解，同一件作品可能有的人喜愛，而有的人無感，在海量繪畫作品中篩選出針對目標(biāo)受眾的藝術(shù)作品，尤其是不具備繪畫專業(yè)知識的受眾在面對諸多繪畫作品時，往往會沒有頭緒，不知如何進(jìn)行選擇和鑒賞。

四、結(jié)語

在人工智能傳播傳統(tǒng)繪畫作品時，受眾并不純粹只是受者，而是具備了雙重身份，由被動的欣賞者轉(zhuǎn)變?yōu)榱酥鲃拥膭?chuàng)作者。借助神經(jīng)網(wǎng)絡(luò)，每個人都具備通過繪畫表達(dá)內(nèi)心情感的能力。雖然當(dāng)前的人工智能下傳統(tǒng)繪畫藝術(shù)的發(fā)展還存在這一定的不確定性，但是相信隨著人工智能技術(shù)的高速發(fā)展，今后人工智能創(chuàng)作的繪畫一定會在現(xiàn)今的繪畫領(lǐng)域獨樹一幟。此外人工智能的神經(jīng)網(wǎng)絡(luò)尚不能對所有繪作品充分理解，但是在速度和精度方面卻得到了很大的提升，如果再結(jié)合當(dāng)下其他一些完善的學(xué)科，比如結(jié)合個體信息，設(shè)計心理學(xué)，消費學(xué)，歷史學(xué)，哲學(xué)等多方位的研究。人工智能系統(tǒng)就能根據(jù)受眾的個人信息等預(yù)測處其的欣賞層次以及需求推薦給受眾相應(yīng)的作品。

人工智能使傳統(tǒng)的繪畫藝術(shù)具備了無限延伸的維度空間和各種難以預(yù)料的不確定性，顛覆了傳統(tǒng)的繪畫傳播體系，實現(xiàn)了傳統(tǒng)繪畫藝術(shù)最本質(zhì)的創(chuàng)作與傳播。

【參考文獻(xiàn)】

[1]陳端端.藝術(shù)傳播的人工智能應(yīng)用需求研究[D].東南大學(xué)，2014.

[2]劉峰.傳統(tǒng)繪畫藝術(shù)的新媒體傳播研究[D].山東大學(xué)，2012.

[3]李連德.一本書讀懂人工智能（圖解版）[M].北京：人民郵電出版社，2016.

[4]李同娟.人工智能能否創(chuàng)造藝術(shù)[D].中國傳媒大學(xué)，2015.

[5]郭全中.大數(shù)據(jù)時代下的智能傳播及其盈利模式，2015（01）：15-19.