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篇人工神經(jīng)網(wǎng)絡(luò)綜述范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

人工神經(jīng)網(wǎng)絡(luò)綜述范文第1篇

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

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

1人工神經(jīng)網(wǎng)絡(luò)技術(shù)

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

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

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

2.1生物信號(hào)的檢測(cè)分析

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

2.2醫(yī)學(xué)專家系統(tǒng)

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

2.3市場(chǎng)價(jià)格預(yù)測(cè)

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

2.險(xiǎn)評(píng)價(jià)在從事某一項(xiàng)特定的活動(dòng)時(shí)，由于社會(huì)上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動(dòng)時(shí)，對(duì)活動(dòng)進(jìn)行有效的預(yù)測(cè)和評(píng)估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評(píng)估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測(cè)方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

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

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

4結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測(cè)精度低、通用模型缺乏創(chuàng)新等，因此需要我們?cè)诖嘶A(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對(duì)生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會(huì)創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

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

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

人工神經(jīng)網(wǎng)絡(luò)綜述范文第2篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：

引言

BP人工神經(jīng)網(wǎng)絡(luò)算法是現(xiàn)今應(yīng)用較為廣泛的多層前向反饋式神經(jīng)網(wǎng)絡(luò)算法，BP人工神經(jīng)網(wǎng)絡(luò)有較好的容錯(cuò)能力、魯棒性、并行協(xié)同處理能力和自適應(yīng)能力，受到了國內(nèi)外眾多領(lǐng)域?qū)W者的關(guān)注。由于神經(jīng)網(wǎng)絡(luò)高效率的集體計(jì)算能力和較強(qiáng)的魯棒性，它在圖像分割方面的應(yīng)用已經(jīng)很廣泛，Jain和Karu采用了多通道濾波與前向神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法實(shí)現(xiàn)圖像紋理分割算法。神經(jīng)網(wǎng)絡(luò)算法在特征提取階段，壓縮特征數(shù)量，以提高分類速度和精度。在圖像識(shí)別領(lǐng)域中神經(jīng)網(wǎng)絡(luò)作為分類器的研究也得到了很大的進(jìn)展，尤其是其學(xué)習(xí)能力和容錯(cuò)性對(duì)于模式識(shí)別是非常有利的，在一定程度上提高了訓(xùn)練速度和識(shí)別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識(shí)別，每一層神經(jīng)網(wǎng)絡(luò)處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)的研究起源于對(duì)生物神經(jīng)系統(tǒng)的研究，它將若干處理單元（即神經(jīng)元）通過一定的互連模型連結(jié)成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)通過一定的機(jī)制可以模仿人的神經(jīng)系統(tǒng)的動(dòng)作過程，以達(dá)到識(shí)別分類的目的。人工神經(jīng)網(wǎng)絡(luò)區(qū)別于其他識(shí)別方法的最大特點(diǎn)是它對(duì)待識(shí)別的對(duì)象不要求有太多的分析與了解，具有一定的智能化處理的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程實(shí)際上就是不斷地調(diào)整權(quán)值和閾值的過程。根據(jù)有無訓(xùn)練樣本的指導(dǎo)可以將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式分為兩種：監(jiān)督學(xué)習(xí)方式和非監(jiān)督學(xué)習(xí)方式，也稱為有導(dǎo)師指導(dǎo)學(xué)習(xí)方式和無導(dǎo)師指導(dǎo)學(xué)習(xí)方式。監(jiān)督學(xué)習(xí)方式，是在給定固定的輸入輸出樣本集的情況下，由網(wǎng)絡(luò)根據(jù)一定的學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練學(xué)習(xí)，每一次學(xué)習(xí)完成后，通過對(duì)比實(shí)際的輸出和期望的輸出，以此決定網(wǎng)絡(luò)是否需要再學(xué)習(xí)，如果還沒有達(dá)到期望的誤差，則將實(shí)際誤差反饋到網(wǎng)絡(luò)，進(jìn)行權(quán)值和閾值的調(diào)整，使實(shí)際的誤差隨著學(xué)習(xí)的反復(fù)進(jìn)行而逐步減小，直至達(dá)到所要求的性能指標(biāo)為止。非監(jiān)督學(xué)習(xí)方式，是在沒有外界的指導(dǎo)下進(jìn)行的學(xué)習(xí)方式，在學(xué)習(xí)過程中，調(diào)整網(wǎng)絡(luò)的權(quán)重不受外來教師的影響，但在網(wǎng)絡(luò)內(nèi)部會(huì)對(duì)其性能進(jìn)行自適應(yīng)調(diào)節(jié)。

BP神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層、一個(gè)或多個(gè)隱含層所組成。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定之后，通過對(duì)輸出和輸入樣本集進(jìn)行訓(xùn)練，反復(fù)修正網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到學(xué)習(xí)訓(xùn)練的期望誤差，以使網(wǎng)絡(luò)能夠?qū)崿F(xiàn)給定的輸入輸出映射關(guān)系。BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)階段，第一階段是輸入己知的學(xué)習(xí)樣本數(shù)據(jù)，給定網(wǎng)絡(luò)的結(jié)構(gòu)和初始連接權(quán)值和閾值，從輸入層逐層向后計(jì)算各神經(jīng)元的輸出；第二階段是對(duì)權(quán)值和閾值進(jìn)行修改，即根據(jù)網(wǎng)絡(luò)誤差從最后一層向前反饋計(jì)算各層權(quán)值和閾值的增減量，來逐層修正各層權(quán)值和閾值。以上正反兩個(gè)階段反復(fù)交替，直到網(wǎng)絡(luò)收斂。具體實(shí)現(xiàn)步驟如下：

(1) 網(wǎng)絡(luò)的初始化：首先對(duì)輸入的學(xué)習(xí)訓(xùn)練樣本進(jìn)行歸一化處理，對(duì)權(quán)值矩陣W和閾值向量賦初值，將網(wǎng)絡(luò)計(jì)數(shù)器和訓(xùn)練次數(shù)計(jì)數(shù)器置為1，網(wǎng)絡(luò)誤差置為0。

(2) 輸入訓(xùn)練樣本，計(jì)算輸入層，隱含層以及輸出層的實(shí)際輸出。

(3) 計(jì)算網(wǎng)絡(luò)輸出誤差。將實(shí)際的輸出和期望的輸出值進(jìn)行對(duì)比，采用均方根誤差指標(biāo)作為網(wǎng)絡(luò)的誤差性能函數(shù)。

(4) 若誤差還沒達(dá)到期望標(biāo)準(zhǔn)，則根據(jù)誤差信號(hào)，逐層調(diào)整權(quán)值矩陣和閾值向量。

(5) 若最終調(diào)整之后的網(wǎng)絡(luò)輸出達(dá)到了誤差范圍之內(nèi)，則進(jìn)行下一組訓(xùn)練樣本繼續(xù)訓(xùn)練網(wǎng)絡(luò)。

(6) 若全部的訓(xùn)練樣本訓(xùn)練完畢，并且達(dá)到了期望的誤差，則訓(xùn)練結(jié)束，輸出最終的網(wǎng)絡(luò)聯(lián)接權(quán)值和閾值。

BP神經(jīng)網(wǎng)絡(luò)可以逼近任意連續(xù)函數(shù)，具有很強(qiáng)的非線性映射能力，而且BP神經(jīng)網(wǎng)絡(luò)中間層數(shù)、各層神經(jīng)元數(shù)及網(wǎng)絡(luò)學(xué)習(xí)速率等參數(shù)均可以根據(jù)具體情況設(shè)定，靈活性較強(qiáng)，所以BP神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域中廣泛應(yīng)用。一般來說，神經(jīng)網(wǎng)絡(luò)方法應(yīng)同傳統(tǒng)的人工智能方法相聯(lián)系的。神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)及性能上的特點(diǎn)使其對(duì)問題的處理更富有彈性，更加穩(wěn)健。神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)是采用自下而上的設(shè)計(jì)思路，使其容易確定具體的目標(biāo)分割或識(shí)別算法，在增加了不確定因素的同時(shí)也產(chǎn)生了網(wǎng)絡(luò)最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實(shí)踐中并非所有的偽狀態(tài)對(duì)應(yīng)完全失敗的結(jié)果，但是畢竟這不符合對(duì)之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經(jīng)網(wǎng)絡(luò)同人工智能結(jié)合起來，相當(dāng)于賦予神經(jīng)網(wǎng)絡(luò)高層指導(dǎo)的知識(shí)及邏輯推理的能力，具有潛在的優(yōu)勢(shì)。

輸入層中間層 輸出層

圖1 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括兩方面內(nèi)容：一是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定，特別是隱含層層數(shù)及隱含層單元數(shù)目的確定；二是高精度收斂問題，隱含層和隱含層單元數(shù)過多，將導(dǎo)致訓(xùn)練時(shí)間過長并出現(xiàn)過度擬和的問題，隱含層單元數(shù)過少又導(dǎo)致網(wǎng)絡(luò)收斂速度慢甚至不收斂，達(dá)不到誤差精度要求。在確定隱含層層數(shù)以及隱含層單元數(shù)目時(shí)，沒有一個(gè)嚴(yán)格的理論依據(jù)指導(dǎo)，需要根據(jù)特定的問題，結(jié)合經(jīng)驗(yàn)公式確定大致范圍來進(jìn)行逐步試算比較得到。

4.2 數(shù)據(jù)預(yù)處理

為了加快網(wǎng)絡(luò)的訓(xùn)練速度，通常在網(wǎng)絡(luò)訓(xùn)練前進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)預(yù)處理，即將每組數(shù)據(jù)都?xì)w一化變?yōu)閇-1,1]之間的數(shù)值的處理過程。

4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

%當(dāng)前輸入層權(quán)值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show = 1000;%限時(shí)訓(xùn)練迭代過程

net.trainParam.lr = 0.1; %學(xué)習(xí)率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓(xùn)練次數(shù)，缺省為100

net.trainParam.goal = 0.001; %訓(xùn)練要求精度，缺省為0

[net,tr]=train(net,P,T);%調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)

A = sim(net,P) %對(duì) BP 網(wǎng)絡(luò)進(jìn)行仿真

E = T - A;%計(jì)算仿真誤差

MSE=mse(E)

結(jié)束語

BP網(wǎng)絡(luò)因?yàn)榫哂休^強(qiáng)的學(xué)習(xí)性、自適應(yīng)型和容錯(cuò)性，在很多領(lǐng)域均已經(jīng)大量運(yùn)用。本文將BP人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于圖像的識(shí)別，探索人工神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域中的重要的現(xiàn)實(shí)意義。研究表明，BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別在一定程度上提高了識(shí)別的效率和準(zhǔn)確率。但是，BP神經(jīng)網(wǎng)絡(luò)算法還存在以下幾點(diǎn)不足之處：（1）權(quán)的調(diào)整方法存在局限性，容易陷入局部最優(yōu)；（2）網(wǎng)絡(luò)的結(jié)構(gòu)需要提前指定或者在訓(xùn)練過程中不斷的修正；（3）過分依賴學(xué)習(xí)樣本，由于學(xué)習(xí)樣本是有限的或者學(xué)習(xí)樣本質(zhì)量不高，那么會(huì)導(dǎo)致訓(xùn)練達(dá)不到效果；（4）對(duì)于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點(diǎn)、判斷不準(zhǔn)確等缺陷?？傊?，如何解決以上問題，如何進(jìn)一步提高識(shí)別精度，擴(kuò)大識(shí)別范圍，使之更具有更好的工程實(shí)用性，是有待進(jìn)一步研究的內(nèi)容。

參考文獻(xiàn)：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學(xué)工．模式識(shí)別（第二版）[M]．清華大學(xué)出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實(shí)用數(shù)字圖像處理[M]．科學(xué)出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別研究[J]．武漢科技大學(xué)學(xué)報(bào)（自然科學(xué)版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第2版）[M]．北京：中國科學(xué)技術(shù)出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計(jì)算機(jī)工程與科學(xué)．2005．27（12）．68-71．

[9] 賈花萍．基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法研究[J]．網(wǎng)絡(luò)安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．?dāng)?shù)字圖像處理與分析[M]．清華大學(xué)出版社，北京．2006．7．

人工神經(jīng)網(wǎng)絡(luò)綜述范文第3篇

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

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

引言

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

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

1.初期形成階段

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

2.綜合發(fā)展階段

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

3.應(yīng)用階段

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

二、人工智能核心技術(shù)

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

1.專家系統(tǒng)

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

2.機(jī)器學(xué)習(xí)

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

3.模式識(shí)別

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

4.人工神經(jīng)網(wǎng)絡(luò)

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

三、機(jī)器人情感獲得

1.智能C器人現(xiàn)狀

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

2.機(jī)器人情感獲得的可能性

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

3.機(jī)器人獲得情感的利弊

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

4.規(guī)避機(jī)器人情感獲得的風(fēng)險(xiǎn)

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

三、總結(jié)

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

參考文獻(xiàn)

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

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

[3]張?jiān)?人工智能綜述：讓機(jī)器像人類一樣思考

人工神經(jīng)網(wǎng)絡(luò)綜述范文第4篇

摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對(duì)基于小渡分析理論和神經(jīng)網(wǎng)絡(luò)理論的模擬電路故障診斷方法進(jìn)行了綜述．指出了小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷存在的問題和未來的應(yīng)用前景。

    模擬電路故障診斷在理論上可概括為:在已知網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、輸人激勵(lì)和故障響應(yīng)或可能已知部分元件參數(shù)的情況下，求故障元件的參數(shù)和位置。

    盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數(shù)識(shí)別法、故障驗(yàn)證法等。但是由于模擬電路測(cè)試和診斷有其自身困難，進(jìn)展比較緩慢。其主要困難有:模擬電路中的故障模型比較復(fù)雜，難以作簡單的量化;模擬電路中元件參數(shù)具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個(gè)實(shí)用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時(shí)需要大量的復(fù)雜計(jì)算;實(shí)際的模擬電路中可測(cè)電壓的節(jié)點(diǎn)數(shù)非常有限.導(dǎo)致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。

    因此，以往對(duì)模擬電路故障診斷的研究主要停留在中小規(guī)模線性無容差或小容差的情況，有些方法也已成功地應(yīng)用于工程實(shí)際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經(jīng)網(wǎng)絡(luò)則因其利于模擬人類處理問題的過程、容易顧及人的經(jīng)驗(yàn)且具有一定的學(xué)習(xí)能力等特點(diǎn)，所以在這一領(lǐng)域得到了廣泛應(yīng)用。

1小波分析理論在模擬電路故障診斷中的應(yīng)用現(xiàn)狀分析

    簡單地講，小波就是一個(gè)有始有終的小的“波浪”小波分析源于信號(hào)分析，源于函數(shù)的伸縮和平移，是fourier分析、gabor分析和短時(shí)fourier分析發(fā)展的直接結(jié)果。小波分析的基木原理是通過小波母函數(shù)在尺度上的伸縮和時(shí)域上的平移來分析信號(hào)，適當(dāng)選擇母函數(shù).可以使擴(kuò)張函數(shù)具有較好的局部性，小波分析是對(duì)信號(hào)在低頻段進(jìn)行有效的逐層分解，而小波包分析是對(duì)小波分析的一種改進(jìn)，它為信號(hào)提供了一種更加精細(xì)的分析方法，對(duì)信號(hào)在全頻段進(jìn)行逐層有效的分解，更有利于提取信號(hào)的特征。因此，它是一種時(shí)頻分析方法。在時(shí)頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩(wěn)信號(hào)的奇異性分析。如:利用連續(xù)小波變換可以檢測(cè)信號(hào)的奇異性，區(qū)分信號(hào)突變和噪聲，利用離散小波變換可以檢測(cè)隨機(jī)信號(hào)頻率結(jié)構(gòu)的突變。

    小波變換故障診斷機(jī)理包括:利用觀測(cè)器信號(hào)的奇異性進(jìn)行故障診斷以及利用觀測(cè)器信號(hào)頻率結(jié)構(gòu)的變化進(jìn)行故障診斷。小波變換具有不需要系統(tǒng)的數(shù)學(xué)模型、故障檢測(cè)靈敏準(zhǔn)確、運(yùn)算量小、對(duì)噪聲的抑制能力強(qiáng)和對(duì)輸入信號(hào)要求低的優(yōu)點(diǎn)。但在大尺度下由于濾波器的時(shí)域?qū)挾容^大，檢測(cè)時(shí)會(huì)產(chǎn)生時(shí)間延遲，且不同小波基的選取對(duì)診斷結(jié)果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預(yù)處理器之后，再將這些故障特征信息送人故障分類處理器進(jìn)行故障診斷。小波分析理論的應(yīng)用一般被限制在小規(guī)模的范圍內(nèi)，其主要原因是大規(guī)模的應(yīng)用對(duì)小波基的構(gòu)造和存儲(chǔ)需要的花費(fèi)較大。

2神經(jīng)網(wǎng)絡(luò)理論在模擬電路故障診斷中的應(yīng)用分析

    人工神經(jīng)網(wǎng)絡(luò)(ann)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來的，是一種抽象的數(shù)學(xué)模型，是對(duì)人腦功能的模擬。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)已形成了數(shù)十種網(wǎng)絡(luò)，包括多層感知器kohomen自組織特征映射、hopfield網(wǎng)絡(luò)、自適應(yīng)共振理論、art網(wǎng)絡(luò)、rbf網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同，應(yīng)用范圍也各不相同。由于人工神經(jīng)網(wǎng)絡(luò)本身不僅具有非線性、自適應(yīng)性、并行性、容錯(cuò)性等優(yōu)點(diǎn)以及分辨故障原因、故障類型的能力外，而且訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能儲(chǔ)存有關(guān)過程的知識(shí)，能直接從定量的、歷史故障信息中學(xué)習(xí)。所以在20世紀(jì)80年代末期，它已開始應(yīng)用于模擬電路故障診斷。隨著人工神經(jīng)網(wǎng)絡(luò)的不斷成熟及大量應(yīng)用，將神經(jīng)網(wǎng)絡(luò)廣泛用于模擬電路的故障診斷已是發(fā)展趨勢(shì)。by神經(jīng)網(wǎng)絡(luò)由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領(lǐng)域，因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應(yīng)用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經(jīng)網(wǎng)絡(luò)。

3小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)展分析

3,1小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的必要性

    在神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于模擬電路故障診斷的過程中，神經(jīng)網(wǎng)路對(duì)于隱層神經(jīng)元節(jié)點(diǎn)數(shù)的確定、各種參數(shù)的初始化和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造等缺乏更有效的理論性指導(dǎo)方法，而這些都將直接影響神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用效果。小波分析在時(shí)域和頻域同時(shí)具有良好的局部化特性，而神經(jīng)網(wǎng)絡(luò)則具有自學(xué)習(xí)、并行處理、自適應(yīng)、容錯(cuò)性和推廣能力二因此把小波分析和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)結(jié)合起來應(yīng)用于故障診斷是客觀實(shí)際的需要。

    目前小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合有兩種形式，一種是先利用小波變換對(duì)信號(hào)進(jìn)行預(yù)處理，提取信號(hào)的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸人，另一種則是采用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合第一種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，第二種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合。

3.2小波分析理論與神經(jīng)網(wǎng)絡(luò)理論的結(jié)合形式

    小波與神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，即:用小波分析或小波包分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段，為神經(jīng)網(wǎng)絡(luò)提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號(hào)分解到相互獨(dú)立的頻帶之內(nèi)，各頻帶內(nèi)的能童值形成一個(gè)向覺，該向童對(duì)不同的故障對(duì)應(yīng)不同的值，從而可作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量一旦確定神經(jīng)網(wǎng)絡(luò)的輸入特征向童，再根據(jù)經(jīng)驗(yàn)確定采用哪種神經(jīng)網(wǎng)絡(luò)及隱層數(shù)和隱層單元數(shù)等，就可以利用試驗(yàn)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)整權(quán)值，從而建立起所需的小波神經(jīng)網(wǎng)絡(luò)模型。

    小波與神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合，即:用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合，稱為狹義上的小波神經(jīng)網(wǎng)絡(luò)，這也是常說的小波神經(jīng)網(wǎng)絡(luò)。它是以小波函數(shù)或尺度函數(shù)作為激勵(lì)函數(shù)，其作用機(jī)理和采用sigmoid函數(shù)的多層感知器基本相同。故障診斷的實(shí)質(zhì)是要實(shí)現(xiàn)癥狀空間到故障空間的映射，這種映射也可以用函數(shù)逼近來表示。小波神經(jīng)網(wǎng)絡(luò)的形成也可以從函數(shù)逼近的角度加以說明。常見的小波神經(jīng)網(wǎng)絡(luò)有:利用尺度函數(shù)作為神經(jīng)網(wǎng)絡(luò)中神經(jīng)元激勵(lì)函數(shù)的正交基小波網(wǎng)絡(luò)、自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)、多分辨率小波網(wǎng)絡(luò)、區(qū)間小波網(wǎng)絡(luò)等。

3.3小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的優(yōu)點(diǎn)

    小波神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn):一是可以避免m ly等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的育目性;二是具有逼近能力強(qiáng)、網(wǎng)絡(luò)學(xué)習(xí)收斂速度快、參數(shù)的選取有理論指導(dǎo)、有效避免局部最小值問題等優(yōu)點(diǎn)。

    在模擬電路故障診斷領(lǐng)域，小波神經(jīng)網(wǎng)絡(luò)還是一個(gè)嶄新的、很有前途的應(yīng)用研究方向。隨著小波分析理論和神經(jīng)網(wǎng)絡(luò)理論的不斷發(fā)展，小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷領(lǐng)域?qū)⑷找娉墒臁?/p>

人工神經(jīng)網(wǎng)絡(luò)綜述范文第5篇

關(guān)鍵詞：負(fù)荷預(yù)y；電力市場(chǎng)；時(shí)間序列法；回歸分析法；人工神經(jīng)網(wǎng)絡(luò)法

中圖分類號(hào)：TM715

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-2374(2011)22-0005-03

一、負(fù)荷預(yù)y的含義及意義

在社會(huì)發(fā)展過程中，電力工業(yè)是國民經(jīng)濟(jì)發(fā)展的基礎(chǔ)產(chǎn)業(yè)，對(duì)整個(gè)國民經(jīng)濟(jì)的發(fā)展起著舉足輕重的作用，電力市場(chǎng)需求、電力系統(tǒng)規(guī)劃建設(shè)的基礎(chǔ)、依據(jù)是負(fù)荷預(yù)y，其準(zhǔn)確度直接影響到電力的投資、布局和網(wǎng)絡(luò)運(yùn)行的合理性和穩(wěn)定性，因此。負(fù)荷預(yù)y在國民發(fā)展的規(guī)劃中顯得尤為重要。

在電力系統(tǒng)中，負(fù)荷指電力需求量或用電量。需求量是指能量隨時(shí)問的變化率，即指功率。負(fù)荷預(yù)y包括兩個(gè)方面的含義：對(duì)未來需求量的預(yù)y和用電量的預(yù)y。電力負(fù)荷的準(zhǔn)確預(yù)y是不僅是電力系統(tǒng)安全運(yùn)行的前提，還是電力市場(chǎng)分析的基礎(chǔ)，對(duì)電力生產(chǎn)和國民經(jīng)濟(jì)都有重要意義，隨著我國電力事業(yè)的不斷發(fā)展，高質(zhì)量、高效率的電網(wǎng)管理已經(jīng)受到國家和電力部門的高度重視，高質(zhì)量的電力負(fù)荷預(yù)y問題研究已經(jīng)成為現(xiàn)代電力系統(tǒng)運(yùn)行研究的重要課題之一。

二、電力負(fù)荷預(yù)y

(一)負(fù)荷預(yù)y的分類

電力負(fù)荷預(yù)y按期限不同可以分為年度預(yù)y、月度預(yù)y和日度預(yù)y，從大的方面來分類，也可以分為長期、中期、短期和超短期負(fù)荷預(yù)y。長期預(yù)y大概為30年；中期預(yù)y為5-6年；短期預(yù)y是指幾個(gè)月、幾周、幾天、幾小時(shí)甚至更短；超短期預(yù)y一般指小時(shí)級(jí)或分鐘級(jí)的預(yù)y。

(二)負(fù)荷預(yù)y的模型

電力系統(tǒng)總負(fù)荷預(yù)y模型一般可以按四個(gè)分量模型描述為L(t)=B(t)+W(t)+s(t)+V(t)．L為時(shí)刻t的系統(tǒng)總負(fù)荷；B為時(shí)刻t的基本正常負(fù)荷分量；w為時(shí)刻t的天氣敏感負(fù)荷分量；s為時(shí)刻t的特別時(shí)間負(fù)荷分量；V為時(shí)刻t的隨機(jī)負(fù)荷分量。對(duì)于中長期負(fù)荷預(yù)y來說，E呈明顯增長趨勢(shì)的周期性變化，對(duì)于短期來說，B一般呈周期性變化；對(duì)于超短期負(fù)荷預(yù)y，B近似線性變化。

由以上可見不同的預(yù)y周期，B的內(nèi)涵有不同的內(nèi)涵，而對(duì)于基本正常負(fù)荷分量，可以用線性變化模型和周期變化模型描述。線性變化模型是將前面時(shí)刻的負(fù)荷描述成一條直線，其延長線即可預(yù)y下一時(shí)刻的負(fù)荷；周期變化模型，是用來反應(yīng)負(fù)荷有按日、月、年得周期變化特性。

(三)負(fù)荷預(yù)y方法

電力負(fù)荷預(yù)y按預(yù)y方法可以分為經(jīng)典預(yù)y方法和現(xiàn)代預(yù)y方法。

1．經(jīng)典預(yù)y方法分為趨勢(shì)分析法，時(shí)間序列法，回歸分析法。

趨勢(shì)分析法是指根據(jù)若干歷史資料來擬合一條能反映負(fù)荷本身的增長趨勢(shì)曲線，之后再根據(jù)這個(gè)增長趨勢(shì)曲線，根據(jù)未來某一點(diǎn)估計(jì)出該時(shí)刻的負(fù)荷預(yù)y值。主要有有線性趨勢(shì)模型、線性趨勢(shì)模型、多項(xiàng)式趨勢(shì)模型、對(duì)數(shù)趨勢(shì)模型、指數(shù)趨勢(shì)模型、冪函數(shù)趨勢(shì)模型、邏輯斯蒂(Logistic)模型、龔伯茨(Gompertz)模型等模型。但是，只有符合以下兩個(gè)條件時(shí)才能正確應(yīng)用趨勢(shì)分析法：一是負(fù)荷并未呈現(xiàn)跳躍式變化趨勢(shì)，二是負(fù)荷發(fā)展因素不變或變化較小。對(duì)于趨勢(shì)分析法的應(yīng)用來說，選擇合適趨勢(shì)模型至關(guān)重要，選擇趨勢(shì)模型的方法有兩種，一是圖形識(shí)別法，二是差分法。大多數(shù)情況下，能夠選擇好適當(dāng)?shù)内厔?shì)曲線，能夠預(yù)y出較好的結(jié)果。其中的關(guān)鍵在于，人們要根據(jù)地區(qū)發(fā)展的不同情況，來選擇合適的模型。

時(shí)間序列法是目前電力系統(tǒng)短期負(fù)荷預(yù)y中發(fā)展較為成熟的算法，是根據(jù)負(fù)荷的歷史數(shù)據(jù)的一個(gè)時(shí)間系列，建立描述電力負(fù)荷隨時(shí)問變化的數(shù)學(xué)模型，在該模型的摹礎(chǔ)上確立負(fù)荷預(yù)y的表達(dá)式，并對(duì)未來負(fù)荷進(jìn)行預(yù)y。時(shí)間序列方法優(yōu)點(diǎn)是所需數(shù)據(jù)少，工作量小；計(jì)算速度較快；反映了負(fù)荷近期變化的連續(xù)性。時(shí)間序列方法存在的不足是建模過程比較復(fù)雜，需要較高的理論知識(shí)；該模型對(duì)原始時(shí)間序列的平穩(wěn)性要求較高，只適用于負(fù)荷變化比較均勻的短期預(yù)y；沒有考慮影響負(fù)荷變化的因素，對(duì)不確定性因素(如天氣、節(jié)假日等)考慮不足，當(dāng)天氣變化較大或遇到節(jié)假日時(shí)，該模型預(yù)y誤差較大。

回歸分析法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律和影響負(fù)荷變化的因素，尋找自變量與因變量之間的相關(guān)關(guān)系及其回歸方程式，確定模型參數(shù)，據(jù)此推斷將來時(shí)刻的負(fù)荷值?；貧w分析法的優(yōu)點(diǎn)是計(jì)算原理和結(jié)構(gòu)形式簡單，預(yù)y速度快，外推性能好，對(duì)于歷史上沒有出現(xiàn)的情況有較好的預(yù)y。存在的不足是對(duì)歷史數(shù)據(jù)要求較高，采用線性方法描述比較復(fù)雜的問題，結(jié)構(gòu)形式過于簡單，精度較低；該模型無法詳細(xì)描述各種影響負(fù)荷的因素，模型初始化難度較大，需要豐富的經(jīng)驗(yàn)和較高的技巧。

2．現(xiàn)代預(yù)y方法是基于非參數(shù)模型的，主要采用專家系統(tǒng)、灰色系統(tǒng)、模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)理論建立的方法。

專家系統(tǒng)預(yù)y法是一個(gè)用基于專家知識(shí)的程序設(shè)計(jì)方法建立起來的計(jì)算機(jī)系統(tǒng)(在現(xiàn)階段主要表現(xiàn)為計(jì)算機(jī)軟件系統(tǒng))，它擁有某個(gè)特殊領(lǐng)域內(nèi)專家的知識(shí)和經(jīng)驗(yàn)，并能像專家那樣運(yùn)用這些知識(shí)，通過推理在某個(gè)領(lǐng)域內(nèi)作出智能決策，所以，一個(gè)完整的專家系統(tǒng)由4個(gè)部分組成：知識(shí)庫、推理機(jī)、知識(shí)獲取部分和解釋界面。專家系統(tǒng)技術(shù)應(yīng)用到負(fù)荷預(yù)y上，可以克服單一算法的片面性；同時(shí)全過程的程序化，使本方法還具有快速?zèng)Q斷的優(yōu)點(diǎn)。此方法雖然有較廣泛的使用前景，但由于預(yù)y專家比較缺乏，預(yù)y過程容易出現(xiàn)人為差錯(cuò)，在建數(shù)據(jù)庫及將專家經(jīng)驗(yàn)轉(zhuǎn)化為數(shù)學(xué)規(guī)則時(shí)存在一系列的困難。目前，此方法在實(shí)踐中應(yīng)用不廣泛。

灰色系統(tǒng)預(yù)y法是利用部分明確信息，通過形成必要的有限數(shù)列和微分方程，尋求各參數(shù)間的規(guī)律，從而推出不明確信息發(fā)展趨勢(shì)的分析方法。灰色預(yù)y又稱GM模型。GM(1，N)表示一階的N變量的微分方程模型，GM(1，1)則是一階一個(gè)變量的微分方程模型，灰色預(yù)y模型的優(yōu)點(diǎn)是，建模時(shí)不需要計(jì)算統(tǒng)計(jì)特性量，從理論上講，可以適用于任何非線性變化的負(fù)荷指標(biāo)預(yù)y；不足之處是，其微分方程指數(shù)解比較適合于具有指數(shù)增長趨勢(shì)的負(fù)荷指標(biāo)，對(duì)于具有其它趨勢(shì)的指標(biāo)則擬合灰度較大，精度難以提高。

模糊邏輯預(yù)y法是以模糊集合論、模糊語言變量及模糊邏輯推理為基礎(chǔ)的非線性智能控制，它基于模糊推理，模仿人的思維方式，對(duì)難以建立精確數(shù)學(xué)模型的對(duì)象實(shí)施的一種控制。它是模糊數(shù)學(xué)同控制理論相結(jié)合的產(chǎn)物，模糊控制器的設(shè)計(jì)依賴于實(shí)踐經(jīng)驗(yàn)。但是，有時(shí)人們對(duì)過程認(rèn)識(shí)不足，或者總結(jié)不出完整經(jīng)驗(yàn)，這樣模糊邏輯勢(shì)必粗糙，不完善用于負(fù)荷預(yù)y，難以滿足對(duì)精度的要求。

負(fù)荷預(yù)y技術(shù)經(jīng)過幾十年的發(fā)展，人們提出了許多預(yù)y方法?，F(xiàn)在的預(yù)y方法大體可以分為兩大類：數(shù)學(xué)方法統(tǒng)計(jì)和人工智能方法。人工智能方法是在20世紀(jì)90年代中期開始運(yùn)用，其中人工神經(jīng)網(wǎng)絡(luò)方法屬于運(yùn)用較成功的方法。

(四)人工神經(jīng)網(wǎng)絡(luò)法

傳統(tǒng)意義上的電力負(fù)荷預(yù)y都是通過人工完成的，工作人員通過整理收集歷史負(fù)荷數(shù)據(jù)，采用一定的預(yù)y方法，對(duì)歷史數(shù)據(jù)加以計(jì)算，得到預(yù)y結(jié)果后，再結(jié)合自己的經(jīng)驗(yàn)加以修正，便得出了最后的預(yù)y數(shù)據(jù)。在整個(gè)過程中，整理以前的數(shù)據(jù)，預(yù)y算法的選用和預(yù)y工作人員的經(jīng)驗(yàn)，都是制約預(yù)y結(jié)果的因素，而這些因素是不可避免的會(huì)存在問題，會(huì)對(duì)預(yù)y結(jié)果產(chǎn)生很大的影響，使預(yù)y的精度難以保證。

如果負(fù)荷預(yù)y出現(xiàn)問題，電網(wǎng)的發(fā)展便不能適應(yīng)實(shí)際發(fā)展的需要，就無法滿足用戶正常用電需求。因此，電力企業(yè)迫切需要建立適合自己本企業(yè)的電力負(fù)荷預(yù)y系統(tǒng)，這種系統(tǒng)必須保證企業(yè)在現(xiàn)有的資源條件下，能夠克服人工預(yù)y的各種弊端，這就要求預(yù)y系統(tǒng)不僅達(dá)到較高的預(yù)y精度，還要具備自動(dòng)化和智能化的特征。

人工神經(jīng)網(wǎng)絡(luò)法是以人類大腦神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，模擬人類神經(jīng)活動(dòng)的仿生系統(tǒng)。具有以下很多優(yōu)于傳統(tǒng)人工計(jì)算負(fù)荷量的特點(diǎn)：

1．高度的非線性。不是單純的數(shù)學(xué)計(jì)算，會(huì)綜合考慮到經(jīng)濟(jì)、時(shí)間、天氣、地域等影響負(fù)荷的因素，可以連續(xù)多日進(jìn)行負(fù)荷預(yù)y電力系統(tǒng)，這樣就保證了負(fù)荷預(yù)y的精準(zhǔn)度。

2．良好的自學(xué)習(xí)和自適應(yīng)性。從真正意義上來說，不只是一個(gè)單板的計(jì)算機(jī)，可以對(duì)大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，可以根據(jù)自己的學(xué)習(xí)要求，來適應(yīng)各方面的發(fā)展和變化，其自學(xué)習(xí)和自適應(yīng)功能是常規(guī)算法和傳統(tǒng)技術(shù)所不具備的。

3．良好的容錯(cuò)性和聯(lián)想記憶能力。新增的這一能力就保證了計(jì)算機(jī)的智能化和自動(dòng)化，可以把歷史預(yù)y數(shù)據(jù)記錄下來，降低再出現(xiàn)的出錯(cuò)率，并且可以根據(jù)這些歷史數(shù)據(jù)，預(yù)y出可能出現(xiàn)的問題，這就大大提高了預(yù)y的準(zhǔn)確性。

4．人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單。它是由許多的簡單處理單元組合而成，是理論化的人腦神經(jīng)網(wǎng)絡(luò)的模型，它的工作工程是通過模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能，建立信息處理系統(tǒng)，將收集和記錄的負(fù)荷數(shù)據(jù)，預(yù)y未來的用電量。

因此，負(fù)荷預(yù)y被當(dāng)作人工神經(jīng)網(wǎng)絡(luò)具有最有潛力的應(yīng)用領(lǐng)域之一。

三、人工神經(jīng)網(wǎng)絡(luò)的發(fā)展

人工神經(jīng)網(wǎng)絡(luò)技術(shù)由于自身的優(yōu)點(diǎn)并且經(jīng)過不斷發(fā)展已逐漸成熟，并成功的應(yīng)用于模式識(shí)別基于人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)y系統(tǒng)?；谲浖缑婕軜?gòu)來保證系統(tǒng)與其他應(yīng)用的良好集成，避免過去人工預(yù)y的盲目與隨意，保證了負(fù)荷預(yù)y更準(zhǔn)確，更高效。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)y手段的先進(jìn)性。包含兩層意思：一是預(yù)y工具的先進(jìn)性，由于數(shù)據(jù)量很大，人工神經(jīng)網(wǎng)絡(luò)是通過計(jì)算機(jī)進(jìn)行各種統(tǒng)計(jì)分析及預(yù)y工作，預(yù)y人員可以從繁雜的大量計(jì)算中解脫出來；二是預(yù)y理論的先進(jìn)性，由于人工神經(jīng)網(wǎng)絡(luò)可以不斷發(fā)展和應(yīng)用新的預(yù)y理論，借鑒其他領(lǐng)域預(yù)y工作中的成功經(jīng)驗(yàn)，這樣就使電力系統(tǒng)負(fù)荷預(yù)y達(dá)到一個(gè)較高的水平。以現(xiàn)代化的地理信息系統(tǒng)為基礎(chǔ)，與市場(chǎng)營銷系統(tǒng)、調(diào)度自動(dòng)化系統(tǒng)、負(fù)荷控制系統(tǒng)等系統(tǒng)聯(lián)網(wǎng)，建立現(xiàn)代化的市場(chǎng)營銷地理信息系統(tǒng)，所以說通過人工神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)y可以是準(zhǔn)確把握市場(chǎng)脈搏，高速快效的分析未來電力需求的走勢(shì)。四、電力市場(chǎng)環(huán)境下對(duì)負(fù)荷預(yù)y的要求

負(fù)荷預(yù)y是電力系統(tǒng)安全并且經(jīng)濟(jì)運(yùn)行的一個(gè)重要手段，是電力交易的主要數(shù)據(jù)源，在電力市場(chǎng)環(huán)境里，存在著大量的不確定性因素，并且各個(gè)因素之問有著比較復(fù)雜的影響關(guān)系，本文上述方法均有一定的適用場(chǎng)合，各有各的優(yōu)勢(shì)和缺陷，在實(shí)際運(yùn)行中，工作人員應(yīng)結(jié)合當(dāng)?shù)仉娋W(wǎng)的實(shí)際負(fù)荷情況及特點(diǎn)，考慮各種環(huán)境因素的影響，以需求預(yù)y管理為基礎(chǔ)，以計(jì)算機(jī)技術(shù)為支撐，建立負(fù)荷預(yù)y軟件與電力市場(chǎng)的軟件的有效接口，靈活地選用預(yù)y模型，積極探索預(yù)y模型的新思路和新方法。不斷提高負(fù)荷預(yù)y的準(zhǔn)確性，促進(jìn)電力企業(yè)整體經(jīng)濟(jì)效益的提高，推動(dòng)整個(gè)國民經(jīng)濟(jì)的發(fā)展。

為了做好負(fù)荷預(yù)y工作，必須對(duì)電力系統(tǒng)負(fù)荷的現(xiàn)狀及歷史統(tǒng)計(jì)資料進(jìn)行認(rèn)真調(diào)查，搜集規(guī)劃期各行業(yè)用戶的發(fā)展資料，要不斷研究那些電力負(fù)荷所代表的國民經(jīng)濟(jì)各行各業(yè)的發(fā)展規(guī)律，認(rèn)清行業(yè)實(shí)際發(fā)展的可能性和未來性，更好的把握電力市場(chǎng)環(huán)境的發(fā)展方向。

參考文獻(xiàn)

[1]鐘慶，吳捷，鐘丹虹．基于系統(tǒng)論的負(fù)荷預(yù)y集成化方法

[J]．電力自動(dòng)化設(shè)備,2002，(10)．

[2]王天華，王平洋，袁欽成．空間負(fù)荷預(yù)y中不確定性因素

的處理方法[J]電網(wǎng)技術(shù),2001，(1)．

[3]李歷波．城市配網(wǎng)空間負(fù)荷預(yù)y方法及應(yīng)用研究[D]，重

慶大學(xué)，2002．

[4]王天華，王平洋，袁欽成．空間負(fù)荷預(yù)y中不確定性因素