人工神經(jīng)網(wǎng)絡(luò)的特征精選(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人工神經(jīng)網(wǎng)絡(luò)的特征主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；金屬切削刀具；磨損檢測

1.前言：

隨著我國的工業(yè)飛速發(fā)展，對于工件的要求也愈發(fā)嚴(yán)格，但是從工廠中制造出的工件或多或少都有些不盡人意，所以必須依靠金屬切削技術(shù)對工件進(jìn)行二次加工。但隨著時間流逝，金屬刀具的磨損逐漸成為了一個問題。而且隨著機(jī)器的柔性化與機(jī)械化愈發(fā)提高，人工觀測刀具磨損狀況的方法也愈發(fā)得不可取。無數(shù)科學(xué)家為此進(jìn)行了大量研究，討論出了是數(shù)種方法，而人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于金屬切削機(jī)的技術(shù)也應(yīng)運(yùn)而生。人工神經(jīng)網(wǎng)絡(luò)是一種以模擬動物神經(jīng)網(wǎng)絡(luò)而創(chuàng)造的數(shù)學(xué)模型，人工神經(jīng)網(wǎng)絡(luò)有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學(xué)習(xí)和記憶、歸納的能力。目前，人工神經(jīng)網(wǎng)絡(luò)在智能控制、優(yōu)化計(jì)算與信息處理中都有很大的進(jìn)展，人工神經(jīng)網(wǎng)絡(luò)的前景不可估量。

2.人工神經(jīng)網(wǎng)絡(luò)在金屬切削刀具中的應(yīng)用

2.1人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識

人工神經(jīng)網(wǎng)絡(luò)是一種建立在現(xiàn)代醫(yī)學(xué)對于人腦的研究上的一種模擬人腦的數(shù)學(xué)模型。它是由大量簡單的處理單元組成的復(fù)雜網(wǎng)絡(luò)，用以模仿人類大腦的神經(jīng)活動與規(guī)律。所以，人工神經(jīng)網(wǎng)絡(luò)擁有人類大腦的基本特征，即：學(xué)習(xí)、記憶與歸納功能。雖然人工神經(jīng)網(wǎng)絡(luò)與人類大腦相比略有不足，但是由于其獨(dú)特的結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡(luò)可以對己輸入信息進(jìn)行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經(jīng)網(wǎng)絡(luò)在邏輯學(xué)推理演算中，比起人類大腦更加有優(yōu)勢。故，人工神經(jīng)網(wǎng)絡(luò)在一些比較簡單同時需要大量計(jì)算的工作上比起人腦更有優(yōu)勢。于是，人工神經(jīng)網(wǎng)絡(luò)被廣泛用于金屬切削技術(shù)，并獲得了大量的好評。

2.2人工神經(jīng)網(wǎng)絡(luò)使金屬切削的過程更加智能化

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、聯(lián)想存儲與優(yōu)化計(jì)算的能力，在金屬切削中被大量運(yùn)用。人工神經(jīng)網(wǎng)絡(luò)在金屬切削中起著多傳感器多信息融合與模式聯(lián)想器的作用。在對選定的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與記錄作用，將人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練為模型，并將這個模型運(yùn)用于金屬切削中，使金屬切削過程智能化。1992年王衛(wèi)平博士使用人工神經(jīng)網(wǎng)絡(luò)令金屬切削機(jī)在金屬切削的過程中智能化。李旭東利用BP網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性，實(shí)現(xiàn)了金屬切削加工的智能化選擇。實(shí)際上，國內(nèi)有許許多多的人用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊(duì)伍中來。

并且隨著我國技術(shù)的逐漸加強(qiáng)，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的逐漸完善，金屬切削智能化的程度只會越來越強(qiáng)。

2.3人工神經(jīng)網(wǎng)絡(luò)對于刀具磨損的檢測

人工神經(jīng)系統(tǒng)被運(yùn)用于金屬切削領(lǐng)域的初衷，就是希望借助它的智能化與信息處理的優(yōu)越性，代替人工來檢驗(yàn)刀具的磨損程度。

通過人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性，可以輕易在網(wǎng)絡(luò)中建模，使人工神經(jīng)網(wǎng)絡(luò)可以輕易地檢測出刀具的正常狀態(tài)與非正常狀態(tài)――即刀具是否磨損。當(dāng)?shù)毒咛幱谀p狀態(tài)時，人工神經(jīng)網(wǎng)絡(luò)可以發(fā)出警告。實(shí)際上，在刀具磨損狀態(tài)下發(fā)出警報(bào)已經(jīng)不再是現(xiàn)在的研究重點(diǎn)了，在無人參與定情況下，對整個金屬切削過程進(jìn)行識別，當(dāng)?shù)毒甙l(fā)生磨損，人工神經(jīng)網(wǎng)絡(luò)可以進(jìn)行自主替換，這，才是理想中的智能刀具檢驗(yàn)系統(tǒng)，同時也是研究熱點(diǎn)。如果要實(shí)現(xiàn)上述內(nèi)容，應(yīng)該具備這些特點(diǎn)：對于來自多個傳感器的信息可以快速處理；在擁有樣本數(shù)據(jù)的情況下可以快速學(xué)習(xí)；可以根據(jù)外界數(shù)據(jù)的變化，快速調(diào)整自身，以適應(yīng)周遭環(huán)境。

2.4通過人工神經(jīng)網(wǎng)絡(luò)的計(jì)算，預(yù)測金屬切削加工中的狀態(tài).

在人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于金屬切削中的一個重要研究，便是通過人工神經(jīng)網(wǎng)絡(luò)的計(jì)算來預(yù)測金屬切削加工中的狀態(tài)?？上н@項(xiàng)技術(shù)現(xiàn)在還只是處于理論研究與建模模擬的狀態(tài)下，跟可以正式使用還有一定的距離。如果這項(xiàng)技術(shù)可以得到突破，那么，毋庸置疑得，不止在金屬切削領(lǐng)域是一大進(jìn)步，更加可以推動工廠全智能化、C械化，這無疑是一場重工業(yè)的一場大地震與大革命。

第2篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；故障診斷；模式識別；Matlab軟件

一、人工神經(jīng)網(wǎng)絡(luò)綜述

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是由一個輸入層，一個或多個隱層以及一個輸出層組成，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。網(wǎng)絡(luò)的學(xué)習(xí)過程包括信號正向傳播和誤差反向傳播。在正向傳播進(jìn)程中，輸入信息從輸入層經(jīng)隱層加權(quán)處理傳向輸出層，經(jīng)功能函數(shù)運(yùn)算后得到的輸出值與期望值進(jìn)行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權(quán)重系數(shù)，減小誤差。隨著這種誤差逆向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。

二、人工神經(jīng)網(wǎng)絡(luò)的識別、診斷過程

滾動軸承在設(shè)備中是比較典型的，本文以滾動軸承的故障識別、診斷為例。進(jìn)行模式識別的大體步驟為：首先對經(jīng)過零均值化后的振動信號數(shù)據(jù)進(jìn)行時域、頻域分析，將篩選后的有效時域、頻域特征值作為人工神經(jīng)網(wǎng)絡(luò)輸入層的輸入，經(jīng)Matlab軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后可得出一個可以識別軸承工作狀態(tài)的神經(jīng)網(wǎng)絡(luò)，進(jìn)而可以對滾動軸承進(jìn)行模式識別?？梢姴捎谜駝有盘枡z測法對機(jī)器設(shè)備進(jìn)行故障診斷的過程包含信號采集、特征提取、狀態(tài)識別、故障分析和決策干預(yù)等五個基本環(huán)節(jié)，在滾動軸承故障診斷中，振動信號的采集是關(guān)鍵，保證信號采集的準(zhǔn)確性、合理性和實(shí)時性是正確實(shí)現(xiàn)故障診斷的前提。（1）信號采集。每臺機(jī)器設(shè)備都有自身的固有頻率，若設(shè)備發(fā)生故障，其頻率變化，其振動信號也會發(fā)生變化。因此，振動信號可以作為故障診斷的一個重要標(biāo)準(zhǔn)。在信號采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉(zhuǎn)換器。先通過壓電式加速度傳感器對振動信號進(jìn)行拾取，然后經(jīng)過電荷放大器及通過帶濾波的A/D轉(zhuǎn)換電路得到微機(jī)可以識別的數(shù)字信號，從而實(shí)現(xiàn)振動信號的采集。（2）特征值提取。為了便于觀察，要把采樣點(diǎn)的值分布在0附近，故先對采集的采樣點(diǎn)值進(jìn)行零均值化。用matlab對零均值化后的的采樣點(diǎn)進(jìn)行時域、頻域分析。時域分析是計(jì)算振動信號的在時域范圍內(nèi)的特征參數(shù)，包括：平均值、方差、均方根、峰值峰值因子、峭度系數(shù)等參數(shù)。頻域分析是對零均值化后數(shù)據(jù)進(jìn)行傅里葉變換，繪制頻譜圖，對不同樣本故障軸承和正常軸承的頻譜圖進(jìn)行對比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對所有有效特征值進(jìn)行歸一化，歸一化后的結(jié)果可以作為神經(jīng)網(wǎng)絡(luò)的輸入值。（3）模式識別和故障分析。在狀態(tài)檢測過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值，這些有效的特征值作為神經(jīng)網(wǎng)絡(luò)的輸入。神經(jīng)網(wǎng)絡(luò)的輸出為軸承狀態(tài)，分為正常軸承和故障軸承（也可以把故障具體分，比如內(nèi)圈、外圈、滾動體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網(wǎng)絡(luò)中設(shè)計(jì)2個輸出神經(jīng)元表示這2個狀態(tài)。對軸承的不同狀態(tài)進(jìn)行識別，建立神經(jīng)網(wǎng)絡(luò)對它進(jìn)行訓(xùn)練，可以用公式（其中是輸入層神經(jīng)元數(shù)，是隱層神經(jīng)元數(shù)）大體的計(jì)算出隱層神經(jīng)元層數(shù)。我們設(shè)計(jì)一個隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對比確定隱層數(shù)目。設(shè)定神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。由以上設(shè)計(jì)寫出網(wǎng)絡(luò)訓(xùn)練代碼，經(jīng)Matlab運(yùn)行，找出網(wǎng)絡(luò)誤差最小所對應(yīng)層數(shù)，該層數(shù)作為神經(jīng)網(wǎng)絡(luò)的隱層。

確定神經(jīng)網(wǎng)絡(luò)的隱層后便可確定神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)，下一步就要對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使人工神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的網(wǎng)絡(luò)誤差小于目標(biāo)誤差，對神經(jīng)網(wǎng)絡(luò)訓(xùn)練好以后，接下來就是對軸承的測試，神經(jīng)網(wǎng)絡(luò)測試代碼為：y=sim（net，測試數(shù)據(jù)）。把正常軸承和故障軸承的測試數(shù)據(jù)導(dǎo)入Matlab程序中，結(jié)果整理后可得（以實(shí)驗(yàn)室中的一組實(shí)驗(yàn)數(shù)據(jù)為例）：

用均值表示結(jié)果為：

把預(yù)先設(shè)定好的狀態(tài)值和測試后的結(jié)果進(jìn)行比較，很清楚的可以辨別出正常軸承和故障軸承?？梢姡瑢C(jī)器設(shè)備或者系統(tǒng)的故障診斷實(shí)質(zhì)是一個模式識別過程。利用神經(jīng)網(wǎng)絡(luò)的模式識別能力，直接識別系統(tǒng)的當(dāng)前模式，實(shí)現(xiàn)正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區(qū)分。

參 考 文 獻(xiàn)

第3篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 地下水質(zhì)量評價 應(yīng)用

中圖分類號：X824 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2016）08（b）-0000-00

1 前言

為解決包蟲病影響百姓健康和經(jīng)濟(jì)發(fā)展問題，石渠縣實(shí)施了大量打井取水工程。為了客觀評價地下水質(zhì)量，本文采取了人工神經(jīng)網(wǎng)絡(luò)算法模型，取得了理想效果。

2人工神經(jīng)網(wǎng)絡(luò)概述

近年來，人工神經(jīng)網(wǎng)絡(luò)取得快速發(fā)展，越來越多的應(yīng)用于地質(zhì)礦產(chǎn)、能源等領(lǐng)域。韓國人機(jī)圍棋大賽，“AlphaGo”完勝李世石，讓人工神經(jīng)網(wǎng)絡(luò)倍受眾人關(guān)注。人工神經(jīng)網(wǎng)絡(luò)是一種模仿人腦神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行處理信息的數(shù)學(xué)算法模型，通過調(diào)整模型內(nèi)部節(jié)點(diǎn)間連接關(guān)系，達(dá)到處理信息的目的。

人工神經(jīng)網(wǎng)絡(luò)可以分為模型構(gòu)建、訓(xùn)練和仿真三個階段。模型構(gòu)建就是根據(jù)數(shù)據(jù)的特征，有針對性的構(gòu)建適于數(shù)據(jù)仿真的網(wǎng)絡(luò)模型結(jié)構(gòu)。模型結(jié)構(gòu)包括輸入層、隱含層和輸出層，每一層由神經(jīng)元組成。神經(jīng)元是模型的基本單元，通過閾值和激活函數(shù)把上層信息傳遞給下層。模型訓(xùn)練是已知輸入―輸出數(shù)據(jù)樣本，把輸入數(shù)據(jù)代入模型計(jì)算，通過不斷調(diào)整模型內(nèi)部參數(shù)，使輸出結(jié)果與已知輸出數(shù)據(jù)誤差減小至允許范圍內(nèi)，從而確定模型參數(shù)。訓(xùn)練樣本越多、越有規(guī)律性，仿真結(jié)果就越真實(shí)。模型仿真即使用訓(xùn)練好的網(wǎng)絡(luò)模型，用新的輸入數(shù)據(jù)代入模型，得到輸出結(jié)果的過程。仿真可以實(shí)現(xiàn)模擬人腦神經(jīng)進(jìn)行識別、判斷、歸類等功能。

3 地下水質(zhì)量評價模型建立

本文采用Matlab建立一個三層的BP人工神經(jīng)網(wǎng)絡(luò)模型，包含輸入層、隱含層和輸出層。輸入層為地下水評價因子，本文選取總硬度、溶解性總固體、硫酸鹽、氯化物等21項(xiàng)主要指標(biāo)作為評價因子，因此輸入層有21個神經(jīng)元。地下水質(zhì)量分為5類，輸入期望值為Ⅰ類（1，0，0，0，0）、Ⅱ類（0，1，0，0，0）、Ⅲ類（0，0，1，0，0）、Ⅳ類（0，0，0，1，0）、Ⅴ類（0，0，0，0，1），因此輸出層神經(jīng)元有5個。隱含層可設(shè)為5個神經(jīng)元，則網(wǎng)絡(luò)結(jié)構(gòu)為2155（圖1）。采用Matlab工具箱premnmx函數(shù)對數(shù)據(jù)進(jìn)行歸一化處理，newff函數(shù)建立BP模型，sim函數(shù)進(jìn)行仿真。

4 樣本數(shù)據(jù)準(zhǔn)備及訓(xùn)練

模型訓(xùn)練階段需要對足夠量的樣本進(jìn)行訓(xùn)練，以賦予模型結(jié)構(gòu)較為準(zhǔn)確的內(nèi)部參數(shù)。本文根據(jù)《地下水質(zhì)量評價標(biāo)準(zhǔn)》隨機(jī)生成足量樣本數(shù)據(jù)。例如：總硬度、溶解性總固體、硫酸鹽、氯化物四個因子，按地下水質(zhì)量分類指標(biāo)，在每一類區(qū)間隨機(jī)生成3個樣本，則5類共隨機(jī)得到如表2所示15個樣本。生成的樣本數(shù)量應(yīng)足夠多才能提高仿真準(zhǔn)確性和減少訓(xùn)練步數(shù)，但過多樣本則影響計(jì)算速度。本文對評價的21個因子，按分類指標(biāo)每類隨機(jī)生成40個樣本，共200個樣本，輸出允許誤差設(shè)為0.01，訓(xùn)練到540步時就達(dá)到了目標(biāo)。

5 模型仿真

本文的模型仿真對象為石渠縣東區(qū)50口井地下水的化學(xué)分析數(shù)據(jù)，每口井1組樣品，選取總硬度、溶解性總固體、硫酸鹽、氯化物等21個主要評價因子。采用matlab的sim函數(shù)，把50組樣品作為輸入數(shù)據(jù)，得到輸出結(jié)果。

以上輸出數(shù)據(jù)顯示5口井水質(zhì)均為Ⅰ類。通過模型仿真，50口井水質(zhì)均達(dá)到Ⅰ類水質(zhì)標(biāo)準(zhǔn)，與《地下水質(zhì)量標(biāo)準(zhǔn)》的綜合評價評分法結(jié)果基本一致。

6 結(jié)論

人工神經(jīng)網(wǎng)絡(luò)運(yùn)用的準(zhǔn)確度，在于模型構(gòu)建的合理性、輸入―輸出數(shù)據(jù)的相關(guān)性、訓(xùn)練樣本的普適性。如果樣本采集數(shù)據(jù)較窄，不能反映大部分背景特征，那么仿真時可能出現(xiàn)偏差。本文選取BP神經(jīng)網(wǎng)絡(luò)，按標(biāo)準(zhǔn)分類隨機(jī)生成大量訓(xùn)練樣本，保證了樣本的普適性，使模型更可靠，運(yùn)用范圍更廣。在石渠縣包蟲病區(qū)打井工程中的成功運(yùn)用，說明了模型的可靠性和通用性，可進(jìn)一步運(yùn)用于其它工程和問題。

參考文獻(xiàn)

[1] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1990：6～16.

第4篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；智能設(shè)計(jì)；特征編碼；智能推理；基于知識的工程(KBE)

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)16-3917-03

Research and Implementation of Intelligent Design System Based on Artificial Neural Network

WU Zheng

(The CAD Research Center of Tongji University, Shanghai 200092)

Abstract：Axisymmetric part of the design for the introduction of the concept of the feature encoded file, its characteristic features in a coded form to be expressed. In order to achieve intelligent process state model output, the use of artificial neural networks for automatic reasoning capabilities. Through the intelligent reasoning system to remove the experience of design continued exploration and improvement, will be part of the feature modeling input, the system can automatically determine the parts of the process, then automate production. The intelligent system can help developers and designers to quickly produce design example, so developers can focus more on product innovation activities of enterprises to improve product design and R & D has important practical significance.

Key words: neural network; intelligent design; feature coding; intelligent reasoning; KBE

產(chǎn)品工藝設(shè)計(jì)是產(chǎn)品開發(fā)的首要環(huán)節(jié)，也是關(guān)系到產(chǎn)品設(shè)計(jì)成功與否的核心問題。提高工藝設(shè)計(jì)集成化、系統(tǒng)化和智能化程度，實(shí)現(xiàn)經(jīng)驗(yàn)設(shè)計(jì)向科學(xué)設(shè)計(jì)的飛躍是研究人員多年追求的目標(biāo)。而智能設(shè)計(jì)作為現(xiàn)階段的熱點(diǎn)技術(shù)，吸引了越來越多的專家和學(xué)者的目光。[1]伴隨著計(jì)算機(jī)軟硬件的成熟，以及圖形圖像學(xué)、CAD、人工智能設(shè)計(jì)技術(shù)和工藝模式理論的發(fā)展，顯著的提高了設(shè)計(jì)的質(zhì)量和效率，大大縮短了設(shè)計(jì)周期和工時，形成了工藝設(shè)計(jì)的的新領(lǐng)域，對我國智能設(shè)計(jì)和計(jì)算機(jī)輔助設(shè)計(jì)的發(fā)展起到了極其重要的推動作用。[2]

1 人工神經(jīng)網(wǎng)絡(luò)智能設(shè)計(jì)系統(tǒng)模型的表達(dá)

1.1 智能設(shè)計(jì)系統(tǒng)的體系結(jié)構(gòu)

該智能設(shè)計(jì)系統(tǒng)主要的結(jié)構(gòu)模塊如圖1所示。本文將該智能設(shè)計(jì)系統(tǒng)主要劃分為以下幾個模塊，特征造型器主要將零件的特征進(jìn)行錄入，數(shù)據(jù)會同用戶的輸入數(shù)據(jù)共同進(jìn)入特征編碼器；特征編碼器相當(dāng)于一個接口，將形式數(shù)據(jù)轉(zhuǎn)化為模式映射器能夠識別的規(guī)范化數(shù)據(jù)（即特征編碼文件），在模式映射器內(nèi)部，通過神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的處理，同時結(jié)合已有的經(jīng)驗(yàn)知識庫、材料庫、規(guī)則設(shè)計(jì)庫、工藝特征庫、映射規(guī)則和標(biāo)準(zhǔn)庫的數(shù)據(jù)交互，將數(shù)據(jù)輸出到數(shù)值公式計(jì)算模塊。數(shù)值公式計(jì)算模塊主要是在具體的場景中將約束條件進(jìn)行量化，結(jié)合具體的設(shè)計(jì)要求將工藝設(shè)計(jì)順序進(jìn)行調(diào)整。最后將結(jié)果反饋到用戶界面，實(shí)現(xiàn)智能設(shè)計(jì)。

1.2 KBE思想和本系統(tǒng)的有機(jī)結(jié)合

在工程實(shí)踐中，人們發(fā)現(xiàn)專家知識一般來源于該領(lǐng)域內(nèi)專家的經(jīng)驗(yàn)和積累，具有很大程度的不確定性和模糊性，這對于知識的交流和繼承帶來了很大的困難。歐洲面向KBE應(yīng)用的方法和軟件工具研究聯(lián)盟提出了KBE的概念，KBE是計(jì)算機(jī)輔助工程領(lǐng)域的一個進(jìn)步，它是一種將面向?qū)ο蠓椒?Object Oriented Methods)、AI和CAD技術(shù)三者集成的工程方法，能夠提供設(shè)計(jì)過程客戶化、變量化和自動化的解決方案[3-4]。，我們認(rèn)為：KBE是通過知識驅(qū)動和繁衍，對工程問題和任務(wù)提供最佳解決方案的計(jì)算機(jī)集成處理技術(shù)，是AI和CAx技術(shù)的有機(jī)融合。[5-6]

KBE系統(tǒng)的要點(diǎn)主要是知識的表示、知識建模、知識推理和知識的繁衍。本系統(tǒng)主要通過特征造型器進(jìn)行知識的表示，進(jìn)而在特征編碼器中對所得知識建模，形成了特征編碼文件。模式映射器利用人工神經(jīng)網(wǎng)絡(luò)對于特征編碼文件進(jìn)行不斷的映射，實(shí)現(xiàn)了知識推理；同時模式映射器將學(xué)習(xí)所得的知識存儲在相應(yīng)的知識庫中，進(jìn)行知識繁衍。將經(jīng)驗(yàn)知識和隱形知識轉(zhuǎn)化為顯式知識，實(shí)現(xiàn)了智能系統(tǒng)的關(guān)鍵一步。我們將KBE的思想結(jié)合到本文所開發(fā)的系統(tǒng)中來。

2 零件的工藝特征及特征的編碼

2.1 特征的確定和數(shù)字化表達(dá)

首先我們需要確定零件的特征，進(jìn)而將零件的特征數(shù)字化。本文根據(jù)以下原則確立零件的特征：

1）現(xiàn)實(shí)性。零件的特征是客觀存在的，不因人的主觀意志的轉(zhuǎn)移而改變該特征。2）可測量性。相比于傳統(tǒng)的經(jīng)驗(yàn)化設(shè)計(jì)模式，能夠準(zhǔn)確的測量和量化零件特征是智能設(shè)計(jì)的重要要求。3）唯一性。作為零件信息的重要載體，特征的無歧義性是需要重點(diǎn)考慮的原則，不能同時將一個特征收錄到兩個屬性中，進(jìn)而造成建模中零件屬性的混亂。

本文主要針對軸對稱的零件工藝模式，我們將主要研究零件的以下特征：沖孔、翻邊、正向拉深、反向拉深、帶孔小階梯成形法等。

考慮到神經(jīng)網(wǎng)絡(luò)我們采用的是S型參數(shù)，所以我們將特征編碼確定為0到1之間的數(shù)，本文共確定了10種特征形狀。如表1所示。

通過確定特征參數(shù)，進(jìn)而可以構(gòu)建特征造型器，特征造型器以零件的實(shí)體特征為基礎(chǔ)，結(jié)合零件的幾何信息和拓?fù)湫畔?，將參?shù)化設(shè)計(jì)思想和特征編碼思想統(tǒng)一，用尺寸驅(qū)動的方法來定義特征，便于計(jì)算機(jī)對于零件特征的識別和處理。

2.2 面向?qū)ο蟮奶卣鹘ＵZ言

由于在實(shí)際設(shè)計(jì)征的復(fù)雜性和多樣性，而面向?qū)ο蟮恼Z言具有數(shù)據(jù)的封裝性、數(shù)據(jù)與操作的集成性、對象重載、現(xiàn)實(shí)世界對象的數(shù)據(jù)和行為的全面抽象、對象數(shù)據(jù)的繼承性等等許多的優(yōu)點(diǎn)，目前已成為設(shè)計(jì)領(lǐng)域廣泛采用的設(shè)計(jì)手段，應(yīng)用在特征設(shè)計(jì)領(lǐng)域，可將特征的對象數(shù)據(jù)類型抽象出來。

特征對象首先具有本身的特征尺寸和屬性，考慮到具體的應(yīng)用，這些尺寸要能夠?qū)崿F(xiàn)參數(shù)化，除此之外，還具有公差、材料、技術(shù)設(shè)計(jì)要求等信息；特征的操作類型主要分為兩種：一種是成型過程，即所謂的造型映射，另一種操作是特征在零件上的形成位置即有關(guān)位置的變動操作。在這兩種操作中，造型映射與工藝設(shè)計(jì)的過程聯(lián)系緊密，而特征位置操作則與產(chǎn)品的設(shè)計(jì)過程相關(guān)。下面主要是該特征對象的基類型的原型定義。

class Feature

{Stringfeature ;//零件對象的三維實(shí)體名。

StringName;//零件特征名。

Stringmaterial;//特征的材料。

intfeature_parametre; //特征尺寸的參數(shù)。

intfeature_num.;// 特征類型的編號。

intfeature_code;// 特征的編碼。

intpt1,pt2,pt3;//特征基點(diǎn)的坐標(biāo)。

int angle1,angle2,angle3;//特征在三維空間中與X, Y, Z軸的夾角。

Public:

virtualvoidmodel();//構(gòu)造三維實(shí)體特征。

virtualvoidlocate();//確定特征的空間位置。

voidmove (ap_solid *sol, ap_real tx, ap_real ty, ap_real tz);//將特征移動{tx,ty,tz}。

voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//將特征旋轉(zhuǎn)。

void chang_feature_para (int class_name, ap_solid *sol, ads_point pt, ap_direc ang, feature_parametre, void model); //該特征的幾何尺寸的參數(shù)化修改操作。

voidcal_area(); // 特征面積的計(jì)算。

voidcal_circl();//特征周長的計(jì)算。

}

通過實(shí)例化語言，我們能夠?qū)α慵奶卣鬟M(jìn)行描述，進(jìn)而便于計(jì)算機(jī)識別和處理。特征編碼的構(gòu)造加入到零件基類中，具體零件的定義將繼承特征編碼的操作，并能夠進(jìn)行適當(dāng)?shù)闹剌d。

3 特征編碼器和特征編碼文件

將特征數(shù)字化表示后，本系統(tǒng)主要通過特征編碼器將特征組成特征編碼文件，使后續(xù)的人工神經(jīng)網(wǎng)絡(luò)能夠?qū)ξ募M(jìn)行處理。有了特征編碼，我們能夠讓機(jī)器識別特征；但是為了保存特征的其他信息，如沖孔工藝中孔的直徑，翻邊的高度等等，我們引入了特征參數(shù)的概念。特征參數(shù)即為了更明確的定義特征的幾何、物理屬性，跟隨在特征編碼后面的一系列數(shù)值。圖3表示了部分特征編碼所對應(yīng)的特征參數(shù)。

我們將特征編碼和特征參數(shù)組成特征編碼文件，輸入到模式映射器中。特征編碼文件的格式為：每一行表示切僅表示一個特征，其中第一個數(shù)字為特征編碼，特征參數(shù)在特征編碼之后給出。圖4顯示了一個特征編碼文件的實(shí)例。

4 智能設(shè)計(jì)系統(tǒng)中工藝模式的生成、映射以及神經(jīng)網(wǎng)絡(luò)的構(gòu)造

4.1 工藝模式映射的過程

我們將零件的特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)后，人工神經(jīng)網(wǎng)絡(luò)進(jìn)行反向推理，將零件的成型信息反向輸出，同時結(jié)合知識庫、材料庫等已有的信息，輸出結(jié)果。

工藝模式用于指導(dǎo)工藝計(jì)算模塊的工作，而經(jīng)過特征造型之后的零件信息只有特征編碼文件。因此，人工神經(jīng)網(wǎng)絡(luò)的任務(wù)就是根據(jù)零件的特征編碼組信息，推導(dǎo)出生成零件的各個中間成形形狀的特征編碼組，以及各個中間形狀在零件成形過程中的排列順序。

因?yàn)閷τ谏窠?jīng)網(wǎng)絡(luò)來講，得到的是設(shè)計(jì)者輸入的零件模式信息，輸出是零件成形的各個中間狀態(tài)（特征編碼表示），這就決定了工藝模式在神經(jīng)網(wǎng)絡(luò)中的映射過程是一個“逆順序”的過程，這一過程又可以描述為“反推導(dǎo)”過程，即：將零件的特征編碼組（零件模式）輸入到經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中，由其輸出該零件成形的各個過程的中間形狀的特征編碼（中間形狀模式）。我們以計(jì)算機(jī)的視角來看待零件的分解，即：零件->特征->特征編碼文件->人工神經(jīng)網(wǎng)絡(luò)。在人工神經(jīng)網(wǎng)絡(luò)中，特征編碼文件被反編譯，特征結(jié)構(gòu)后得出特征形成的順序，進(jìn)而輸出，即：人工神經(jīng)網(wǎng)絡(luò)->特征反編譯->特征工藝序列->特征編碼組->特征->零件。由此可見，人工神經(jīng)網(wǎng)絡(luò)是用于處理工藝模式的主要工具，在前面的特征造型器、特征編碼器中生成的零件的工藝模式，以及特征編碼組等概念，都是為了便于神經(jīng)網(wǎng)絡(luò)的處理而建立的。

最后，由這些“中間形狀模式”、“零件模式”等特征編碼組信息及其排列順序，組成該零件成形的“工藝模式”信息文件。這一過程，就是以零件模式作為輸入、以經(jīng)過訓(xùn)練。

4.2 神經(jīng)網(wǎng)絡(luò)的比較及選擇

人工神經(jīng)網(wǎng)絡(luò)用于工藝模式映射的工作主要是以下幾個：1）是針對輸入的零件模式經(jīng)過映射后輸出該零件成形的中間形狀；2）生成按照工藝成形的過程而排列的零件成形中間形狀的排列順序；3）進(jìn)行反向?qū)W習(xí)，從輸入的特征編碼文件中提取零件成型順序，存儲到知識庫中。[7]

神經(jīng)網(wǎng)絡(luò)主要由以下幾類：1）分解映射結(jié)構(gòu)；2）集中映射結(jié)構(gòu)；3）前向網(wǎng)絡(luò)；4）集中反饋式網(wǎng)絡(luò)。[8]

我們選擇的是集中反饋式的神經(jīng)網(wǎng)絡(luò)，相比于其他類型的網(wǎng)絡(luò)，反饋式結(jié)構(gòu)的優(yōu)點(diǎn)是：統(tǒng)一的網(wǎng)絡(luò)便于訓(xùn)練模式的組織和映射工作的開展；輸入單元和輸出單元的數(shù)目相同，可以形成對稱的網(wǎng)絡(luò)結(jié)構(gòu)，使得網(wǎng)絡(luò)的穩(wěn)定性和收斂性有了保障；工藝模式的成形順序性問題不占用網(wǎng)絡(luò)的實(shí)際結(jié)構(gòu)形式，順序性問題轉(zhuǎn)化為反饋映射的順序問題，映射的順序代表成形的順序；網(wǎng)絡(luò)在結(jié)構(gòu)上將保證各個單步成形映射的準(zhǔn)確性，從而提高網(wǎng)絡(luò)的訓(xùn)練質(zhì)量。[9]

表2給出了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的相關(guān)內(nèi)容，由于神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)和隱層數(shù)目的不同會極大的影響神經(jīng)網(wǎng)絡(luò)的性能，本文主要對各個不同的網(wǎng)絡(luò)進(jìn)行了比較，得出了一個最優(yōu)的網(wǎng)絡(luò)（即網(wǎng)絡(luò)7）。

5 實(shí)例模型

本文在研究的基礎(chǔ)上開發(fā)了一個應(yīng)用實(shí)例，該實(shí)例主要是設(shè)計(jì)者將零件的特征編碼和特征參數(shù)輸入系統(tǒng)后，經(jīng)過神經(jīng)網(wǎng)絡(luò)的智能推理，將輸出反饋到設(shè)計(jì)平臺上。

系統(tǒng)首先進(jìn)行特征編碼的輸入，以確定零件的特征造型；然后輸入每一個特征編碼對應(yīng)的特征參數(shù)，圖5顯示了拉深工序?qū)?yīng)的特征參數(shù)的錄入。特征參數(shù)錄入完成后可以選擇繼續(xù)添加特征或者生成特征編碼文件。圖6為一個以記事本方式打開的特征編碼文件。將特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)，對應(yīng)的輸出為特征造型順序文件（Y.SFM），數(shù)值公式計(jì)算模塊處理該文件，最后給出智能設(shè)計(jì)工藝流程（圖7）。

圖5特征參數(shù)錄入 圖6特征編碼文件圖7 智能設(shè)計(jì)系統(tǒng)給出的零件成型順序及計(jì)算結(jié)果

6 結(jié)論

本文提出了軸對稱零件成型工藝的產(chǎn)品建模方法，然后給出了面向?qū)ο蟮慕ＵZ言，能夠量化表示零件的特征，在將零件的特征編碼文件通過神經(jīng)網(wǎng)絡(luò)映射和輸出的同時，運(yùn)用KBE系統(tǒng)的自學(xué)習(xí)理念，將習(xí)得的知識存儲。實(shí)踐表明，通過人工神經(jīng)網(wǎng)絡(luò)和工藝智能設(shè)計(jì)系統(tǒng)的應(yīng)用，能夠解決實(shí)際的零件設(shè)計(jì)成型問題。

參考文獻(xiàn)：

[1] 高偉.工藝設(shè)計(jì)信息系統(tǒng)中的知識發(fā)現(xiàn)技術(shù)研究[D].成都:四川大學(xué),2005:22-23.

[2] 羅小賓.機(jī)械產(chǎn)品圖像識別技術(shù)及其在反求設(shè)計(jì)中的應(yīng)用研究[D].成都:四川大學(xué),2004:15-16.

[3] The Knowledge Engineering and Management Centre at Coventry University,UK,[EB/OL].kbe.cov.ar.uk.

[4] MOKA-Methodology & soft-ware tools-- Knowledge based engineering Applications[M].ESPRIT proposal EP25418,1997.

[5] Peng Ying-hong,Zhao Zhen,Ruen Xue-yu.Application of KBE technology in Die & Mold Design[J].International Conference on Die end Mold Technology, Beijing,2000,90-86.

[6] Peng Ying-hong,Zhao Zhen,Ruen Xue.KBE technology in Engineering Design[J].International Conference on Engineering end Technological Sciences 2000, Beijing,2000:94-100

[7] 劉振凱.智能CAD人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的模型和結(jié)構(gòu)[J].中國機(jī)械工程,1997(2).

[8] 肖人彬.智能設(shè)計(jì):概念、發(fā)展與實(shí)踐[J].中國機(jī)械工程,1997,8(2):61-64.

第5篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機(jī)器進(jìn)行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動?？刂疲?，在實(shí)時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實(shí)現(xiàn)了電動機(jī)故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場的特定情況進(jìn)行現(xiàn)場學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進(jìn)行反誤動、反拒動學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時間上即次數(shù)上提高冗余度。超級秘書網(wǎng)

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對某套保護(hù)來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會使保護(hù)、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護(hù)通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對其它線路信息進(jìn)行加工，以此綜合得出動作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識別（智能型）的保護(hù)裝置的設(shè)想。中國電機(jī)工程學(xué)會第五屆全國繼電保護(hù)學(xué)術(shù)會議，［會址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

第6篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

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

關(guān)鍵詞：

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

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

一、人工神經(jīng)網(wǎng)絡(luò)

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

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

二、BP網(wǎng)絡(luò)模型

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

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

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

四、網(wǎng)絡(luò)的訓(xùn)練與測試

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

五、結(jié)束語

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

參考文獻(xiàn)：

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

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

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

第7篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

關(guān)鍵詞 徑向基神經(jīng)網(wǎng)絡(luò)；大壩變形；監(jiān)控模型；預(yù)測預(yù)報(bào)；白石水庫

中圖分類號 TV135.3 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-5739（2013）06-0191-01

變形監(jiān)控是了解大壩工作狀態(tài)，實(shí)施安全管理的重要內(nèi)容之一。變形觀測方法簡便易行，其成果直觀可靠，能夠真實(shí)反映大壩的工作性態(tài)，既是大壩安全監(jiān)測的主要監(jiān)測量，又是大壩安全監(jiān)控的重要指標(biāo)。

早期人們通過繪制過程線、相關(guān)圖，直觀地了解大壩變形測值的變化大小和規(guī)律，并運(yùn)用比較法、特征值統(tǒng)計(jì)法，檢查變形在數(shù)量變化大小、規(guī)律、趨勢等方面是否具有一致性和合理性，對大壩變形進(jìn)行定性分析。隨著各種分析理論的產(chǎn)生，模糊數(shù)學(xué)、突變理論、灰色系統(tǒng)理論、神經(jīng)網(wǎng)絡(luò)等理論方法被相繼引入大壩變形監(jiān)控領(lǐng)域。

1 徑向基神經(jīng)網(wǎng)絡(luò)

1.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是人工智能控制技術(shù)的主要分支之一，具有自適應(yīng)、自組織和實(shí)時學(xué)習(xí)等智能特點(diǎn)，能夠?qū)崿F(xiàn)聯(lián)想記憶、非線性映射、分類識別等功能[1]。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力，構(gòu)建大壩監(jiān)控模型，能夠?qū)崿F(xiàn)對大壩變形的實(shí)時、有效監(jiān)控，其預(yù)報(bào)效果和精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型[2]。

基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)應(yīng)用較為廣泛，但是存在建模難度較大，訓(xùn)練時間較長，容易陷入局部極小點(diǎn)，不易找到理想模型等固有的缺陷。徑向基神經(jīng)網(wǎng)絡(luò)解決非線性影射（曲線擬合）問題，是通過網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，在高維空間中尋找一個統(tǒng)計(jì)意義上能夠最佳擬合樣本數(shù)據(jù)的曲面，泛化（預(yù)測預(yù)報(bào)）等價于利用這個多維曲面對樣本進(jìn)行插值[3]。它采用局部逼近的方法，學(xué)習(xí)速度快，能夠更好地解決有實(shí)時性要求的在線分析問題。

1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)一般由3層組成，輸入層只傳遞輸入信號到隱層，隱層節(jié)點(diǎn)由類高斯函數(shù)的輻射狀基函數(shù)構(gòu)成，輸出層節(jié)點(diǎn)通常是簡單的線性函數(shù)。

基函數(shù)對輸入信號在局部產(chǎn)生響應(yīng)，當(dāng)輸入信號靠近基函數(shù)中央位置，即歐幾里得距離（歐氏距離）較近時，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出。神經(jīng)元根據(jù)各輸入向量與每個神經(jīng)元權(quán)值的距離產(chǎn)生輸出，只有那些與神經(jīng)元權(quán)值相差較小，距離較近的輸入向量才能激活，產(chǎn)生響應(yīng)。這種局部響應(yīng)，使得徑向基網(wǎng)絡(luò)具有良好局部逼近能力。

一般對于一個n維輸入、m維隱層節(jié)點(diǎn)的徑向基網(wǎng)絡(luò)，其輸入向量表示為：

X=（x1，x2，…，xi，…，xn）T（1）

那么，網(wǎng)絡(luò)輸出Y為：

Y=■wiφi（||X-vi||）（2）

式中，φi（||X-vi||）為徑向基函數(shù)；||X-vi||為歐氏距離（范數(shù)）；vi為第i個徑向基函數(shù)中心，一個與X同維數(shù)的向量；wi為閾值。

1.3 徑向基神經(jīng)網(wǎng)絡(luò)和基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)比較

徑向基網(wǎng)絡(luò)和基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)一樣，都屬于有導(dǎo)師學(xué)習(xí)方式的前饋型反向傳播網(wǎng)絡(luò)，都能解決非線性函數(shù)的擬合、逼近問題，但是他們之間也存在差異。

（1）網(wǎng)絡(luò)結(jié)構(gòu)不同。徑向基網(wǎng)絡(luò)只有一個隱層，而多層前饋神經(jīng)網(wǎng)絡(luò)的隱層可以是多層的，也可以是單層的。

（2）神經(jīng)元模型不同。徑向基網(wǎng)絡(luò)的隱層和輸出層激勵函數(shù)，分別是基函數(shù)和線性函數(shù)。而多層前饋神經(jīng)網(wǎng)絡(luò)的隱層激勵函數(shù)一般為非線性函數(shù)，輸出層激勵函數(shù)可以是非線性函數(shù)，也可以是線性函數(shù)。

（3）隱層激勵函數(shù)計(jì)算方法不同。徑向基網(wǎng)絡(luò)基函數(shù)計(jì)算的是輸入向量與函數(shù)中心的歐氏距離，而多層前饋神經(jīng)網(wǎng)絡(luò)隱層激勵函數(shù)計(jì)算的是輸入向量與其連接權(quán)值向量的內(nèi)積。

（4）非線性映射的特性不同。由于它們所采用的隱層激勵函數(shù)以及激勵函數(shù)的計(jì)算方法不同，使得這2種網(wǎng)絡(luò)的權(quán)值、閾值修正方式也不同。在徑向基網(wǎng)絡(luò)訓(xùn)練過程中，只有被激活的神經(jīng)元才能修正權(quán)值和閾值，這種以指數(shù)衰減形式映射的局部特性被稱為函數(shù)的局部逼近。多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，也是所有權(quán)值和閾值的調(diào)整過程，屬于全局尋優(yōu)模式。

2 白石水庫大壩變形徑向基神經(jīng)網(wǎng)絡(luò)模型

2.1 白石水庫工程概況

白石水庫位于遼寧省北票市上園鎮(zhèn)附近的大凌河干流上，總庫容16.45億m3，是干流上唯一的大（I）型控制性骨干工程。大壩為混凝土重力壩，部分采用RCD碾壓混凝土技術(shù)。最大壩高49.3 m，壩頂長513 m，分為32個壩段。水庫1996年9月正式開工，1999年9月下閘蓄水。

2.2 大壩變形徑向基神經(jīng)網(wǎng)絡(luò)模型

一般情況下，大壩變形數(shù)學(xué)模型分為3個分量，即水壓變形分量（δH）、溫度變形分量（δT）和時效變形分量（δt），模型可以表示為[4]：

δ=δH+δT+δt（3）

該文水壓變形分量采用壩前水深（H）的一次冪、二次冪、三次冪呈線性關(guān)系；溫度變形分量采用1、15、30、60、90 d的庫區(qū)日常平均氣溫；時效變形分量選用對數(shù)函數(shù)和線性函數(shù)2種。根據(jù)公式（3），設(shè)計(jì)網(wǎng)絡(luò)輸入為11個節(jié)點(diǎn)，輸出為1個節(jié)點(diǎn)的3層大壩變形徑向基神經(jīng)網(wǎng)絡(luò)。

2.3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測、預(yù)報(bào)效果分析

為比較徑向基神經(jīng)網(wǎng)絡(luò)的擬合和預(yù)報(bào)效果，以白石水庫6#壩段壩頂變形為例，分別建立傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型、BP神經(jīng)網(wǎng)絡(luò)與徑向基神經(jīng)網(wǎng)絡(luò)模型3種模型，特征值見表1，預(yù)報(bào)曲線見圖1?？梢钥闯觯孩購较蚧窠?jīng)網(wǎng)絡(luò)模型、BP神經(jīng)網(wǎng)絡(luò)模型、統(tǒng)計(jì)回歸模型的復(fù)相關(guān)系數(shù)均高于0.9，說明3種模型擬合程度良好，3種模型均可以作為變形監(jiān)控模型；②從殘差平方和、平均相對誤差、殘差變幅等方面比較，廣義回歸徑向基神經(jīng)網(wǎng)絡(luò)監(jiān)控模型的擬合效果最佳，其次是BP神經(jīng)網(wǎng)絡(luò)模型，統(tǒng)計(jì)回歸模型最差；③基于LM算法的BP神經(jīng)網(wǎng)絡(luò)監(jiān)控模型的殘差平方和、殘差最小值，分別為10.15和-0.90 mm，相比之下預(yù)報(bào)精度最高；廣義回歸徑向基神經(jīng)網(wǎng)絡(luò)監(jiān)控模型次之，殘差平方和、殘差最小值分別為50.22和-2.38 mm；統(tǒng)計(jì)回歸模型最差，殘差平方和、殘差最小值分別為110.89和-2.70 mm。

3 結(jié)論

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，建立大壩變形的人工智能監(jiān)控模型，能夠?qū)崿F(xiàn)對大壩變形的實(shí)時、有效監(jiān)控，其預(yù)報(bào)效果和精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型。BP網(wǎng)絡(luò)的預(yù)報(bào)精度最高，但它存在建模難度較大，訓(xùn)練時間較長，容易陷入局部極小點(diǎn)，不易找到理想模型等缺點(diǎn)。徑向基神經(jīng)網(wǎng)絡(luò)模型，雖然在預(yù)報(bào)精度上略遜于BP神經(jīng)網(wǎng)絡(luò)，但是在不過于苛求預(yù)報(bào)精度的前提下，從建模容易程度、訓(xùn)練速度和預(yù)報(bào)精度等方面綜合考慮，遠(yuǎn)遠(yuǎn)好于BP神經(jīng)網(wǎng)絡(luò)。

4 參考文獻(xiàn)

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2] 韓衛(wèi).基于神經(jīng)網(wǎng)絡(luò)的大壩變形智能監(jiān)控模型研究[D].大連：大連理工大學(xué)，2009.

第8篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 車輛跟馳 智能系統(tǒng)

中圖分類號：U491 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2016）12-0081-01

引言

微觀模型越來越多的被應(yīng)用于評估新的智能運(yùn)輸系統(tǒng)。車輛跟馳模型就是其中之一[3]。車輛跟馳模型基于這樣的假設(shè)：后車司機(jī)受到一系列變量的影響，車輛的行駛受到人的影響最大，所以建立模型實(shí)際上就是將人的駕駛技巧轉(zhuǎn)化成智能系統(tǒng)。為了得到高保真度的微型仿真，人們主要是研究戰(zhàn)術(shù)層面的行為。

1 神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANN），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[1]。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(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入-輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。

2 車輛跟馳行為分析

人的駕駛行為可以分為三個層次：分別是：戰(zhàn)略、戰(zhàn)術(shù)和具體操作。戰(zhàn)略的駕駛行為主要是路線的規(guī)劃，戰(zhàn)術(shù)的駕駛行為就是實(shí)現(xiàn)短期的目標(biāo)，比如：超車，換道等，操作層面的駕駛行為就是具體的動作如：方向盤旋轉(zhuǎn)，剎車行為等。車輛跟馳行為具有很強(qiáng)的非線性特性[2]。

ANN（artificial neural networks）可以用來解決復(fù)雜和不明確的問題。

基于數(shù)據(jù)的學(xué)習(xí)可以提取出數(shù)據(jù)中輸出與輸入之間的關(guān)系，它們之間的關(guān)系是復(fù)雜的、非線性的、難以精確獲得的。而神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)提取出數(shù)據(jù)之間蘊(yùn)藏的規(guī)律，以較高的精度來預(yù)測將來的數(shù)據(jù)。

對車輛跟馳行為更加精確的模擬應(yīng)該考慮到人反應(yīng)的非線性和人感知的局限性。也就是說，駕駛員不能精確地感知相對速度和距離，做出決定的過程是非線性的。人工神經(jīng)網(wǎng)絡(luò)可以找到駕駛員感知到的變量和駕駛員控制動作變量之間的映射關(guān)系。這使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以模擬和預(yù)測駕駛員的行為。

3 數(shù)值仿真

訓(xùn)練時，實(shí)驗(yàn)選取了27組輸入變量（每組輸入變量有三個元素），每組輸入變量會有一個理想輸出。也就是說，一共有27個輸出值構(gòu)成了一個行向量。用來檢測的輸入向量輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，同樣輸出27個元素的行向量。在MATLAB中畫出這兩個向量，進(jìn)行比較，得出訓(xùn)練效果。圖1表示訓(xùn)練值與理想值的偏差，誤差絕對值可控制在30個單位之齲圖2表示預(yù)測值與實(shí)際值的位置坐標(biāo)。

4 結(jié)語

本文針對傳統(tǒng)車輛跟馳模型存在的預(yù)測不準(zhǔn)確，計(jì)算繁雜，實(shí)用性不高等缺點(diǎn)，提出了基于神經(jīng)網(wǎng)絡(luò)的車輛跟馳模型，首先分析了神經(jīng)網(wǎng)絡(luò)的應(yīng)用原理和領(lǐng)域，其次分析了神經(jīng)網(wǎng)絡(luò)在車輛跟馳模型上應(yīng)用的可行性，最后通過MATLAB數(shù)值仿真驗(yàn)證理論的正確性，證明了神經(jīng)網(wǎng)絡(luò)的方法可以提高模型預(yù)測的準(zhǔn)確性。

參考文獻(xiàn)

[1]韓立群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006：20-25，87.

第9篇：人工神經(jīng)網(wǎng)絡(luò)的特征范文

關(guān)鍵詞：圖像復(fù)原 BP神經(jīng)網(wǎng)絡(luò) Hopfield神經(jīng)網(wǎng)絡(luò) 應(yīng)用

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2013）11-0040-02

1 引言

圖像復(fù)原是一項(xiàng)富有現(xiàn)實(shí)意義的工作，它涉及到廣泛的技術(shù)領(lǐng)域，是圖像處理領(lǐng)域研究的焦點(diǎn)之一。在得到圖像的過程中，由于各種各樣的原因，包括與觀測對象的相對運(yùn)動、介質(zhì)散射、成像系統(tǒng)缺陷和環(huán)境噪聲等原因，使得最終的圖像都會有一定程度的退化。圖像復(fù)原就是從退化的圖像中恢復(fù)圖像的本來面目。傳統(tǒng)的圖像復(fù)原處理問題的關(guān)鍵在于建立退化模型，估計(jì)退化過程中的參數(shù)，由此通過相應(yīng)的逆過程得到原始圖像。獲得準(zhǔn)確的圖像退化模型是比較困難的事情。大多數(shù)圖像復(fù)原的實(shí)際問題是點(diǎn)擴(kuò)展函數(shù)以及原始圖像均未知的盲復(fù)原問題，這類問題具有更嚴(yán)重的病態(tài)性因而進(jìn)一步增加了解決的難度。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）為圖像復(fù)原問題的解決提供了另外一條路徑，這是基于人工神經(jīng)網(wǎng)絡(luò)具有的模擬人類神經(jīng)的非線性、自組織、自學(xué)習(xí)、自適應(yīng)特性。一般而言，人工神經(jīng)網(wǎng)絡(luò)適合于解決無法或很難精確建立數(shù)學(xué)模型、不完全清楚內(nèi)部機(jī)理的問題，人工神經(jīng)網(wǎng)絡(luò)的很多特性適合解決圖像復(fù)原問題。近些年來，對人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原的研究越來越多，形成了很多豐富的神經(jīng)網(wǎng)絡(luò)模型和算法。BP（Back Propagation反向傳播）和Hopfield（霍普菲爾德）是典型的人工神經(jīng)網(wǎng)絡(luò)類型，也是在圖像復(fù)原領(lǐng)域應(yīng)用較多的神經(jīng)網(wǎng)絡(luò)類型。

2 BP神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)的特性

BP神經(jīng)網(wǎng)絡(luò)是上世紀(jì)80年代美國加州大學(xué)的Rumelhart、McClelland及其團(tuán)隊(duì)研究并行分布信息處理時提出的采用反向傳播算法的多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)具有良好的泛化能力，其隱層的非線性傳遞函數(shù)神經(jīng)元可以學(xué)習(xí)輸入輸出之間的線性或非線性關(guān)系。在1989年，RobertHecht-Nielson證明了對于任何一個在閉區(qū)間內(nèi)連續(xù)的函數(shù)都可以由具有一個隱含層的BP網(wǎng)絡(luò)來逼近，這樣，一個三層（輸入層、隱層和輸出層）的BP神經(jīng)網(wǎng)絡(luò)即能完成對多維度函數(shù)的逼近。這些特性，使得選用BP神經(jīng)網(wǎng)絡(luò)簡單地實(shí)現(xiàn)在未知點(diǎn)擴(kuò)展函數(shù)的情況下，擬合原始圖像與退化圖像之間的關(guān)系，從而得到滿意的圖像復(fù)原結(jié)果成為可能。

2.2 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原

BP神經(jīng)網(wǎng)絡(luò)用退化圖像與相對應(yīng)的原始圖像進(jìn)行訓(xùn)練，退化圖像為網(wǎng)絡(luò)的輸入，原始圖像為網(wǎng)絡(luò)的輸出。訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)會在退化圖像與原始圖像之間建立非線性的映射關(guān)系，使得利用這種非線性關(guān)系即可實(shí)現(xiàn)在只有退化圖像的情況下對齊進(jìn)行復(fù)原。

利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像復(fù)原，一般用輸入圖像的N×N鄰域內(nèi)的N2個像素點(diǎn)對應(yīng)輸出圖像的一個像素點(diǎn)。這樣的對應(yīng)方法會使整個運(yùn)算量增大，但正由于參與運(yùn)算的像素點(diǎn)增加，使得網(wǎng)絡(luò)具有更好的泛化和魯棒能力。由于三層BP神經(jīng)網(wǎng)絡(luò)可以任意精度逼近某一多維度函數(shù)，因而其應(yīng)用于圖像復(fù)原時使用三層網(wǎng)絡(luò)結(jié)構(gòu)。輸入層和輸入層節(jié)點(diǎn)數(shù)分別由輸入圖像像素?cái)?shù)量和輸出圖像像素?cái)?shù)量決定，隱層節(jié)點(diǎn)數(shù)量和訓(xùn)練方法在很大程度上決定了網(wǎng)絡(luò)性能。

為了便于網(wǎng)絡(luò)計(jì)算，通過神經(jīng)網(wǎng)絡(luò)計(jì)算前通常將輸入圖像進(jìn)行歸一化。以灰度圖像為例，將圖像數(shù)據(jù)[0～255]轉(zhuǎn)換到[-1～1]或[0～1]。圖像經(jīng)過神經(jīng)網(wǎng)絡(luò)復(fù)原后還需進(jìn)行反歸一化轉(zhuǎn)換，將計(jì)算得到的數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，即將[-1～1]或[0～1]轉(zhuǎn)換到[0～255]。

通常，運(yùn)用BP網(wǎng)絡(luò)進(jìn)行圖像復(fù)原算法流程包括：（1）圖像的預(yù)處理，得到歸一化的便于神經(jīng)網(wǎng)絡(luò)計(jì)算的數(shù)據(jù)；（2）使用退化圖像與對應(yīng)的原始圖像（訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；（3）將待復(fù)原圖像輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像復(fù)原；（4）數(shù)據(jù)的后處理，將網(wǎng)絡(luò)輸出數(shù)據(jù)進(jìn)行反歸一化，得到復(fù)原圖像。

3 Hopfield神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原中的應(yīng)用

3.1 Hopfield神經(jīng)網(wǎng)絡(luò)的特性

不同于BP神經(jīng)網(wǎng)絡(luò)，Hopfield神經(jīng)網(wǎng)絡(luò)是一種單層反饋網(wǎng)絡(luò)，信號在網(wǎng)絡(luò)中不僅向前傳遞，還在神經(jīng)元之間傳遞。圖1是有三個神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。Hopfield神經(jīng)網(wǎng)絡(luò)由美國加州理工學(xué)院物理學(xué)家J·J·Hopfield在上世紀(jì)80年代提出，并首次在神經(jīng)網(wǎng)絡(luò)研究中引入了計(jì)算能量函數(shù)的概念，通過研究網(wǎng)絡(luò)的穩(wěn)定性與計(jì)算能量函數(shù)的相關(guān)性給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)。J·J·Hopfield運(yùn)用Hopfield神經(jīng)網(wǎng)絡(luò)成功地探討了旅行商問題（TSP）的求解方法。HNN神經(jīng)網(wǎng)絡(luò)采用灌輸式學(xué)習(xí)方式，其網(wǎng)絡(luò)權(quán)值是事先按一定規(guī)則計(jì)算出來的，確定之后不再改變，各神經(jīng)元的狀態(tài)在運(yùn)行過程中不斷更新，網(wǎng)絡(luò)穩(wěn)定時各神經(jīng)元的狀態(tài)便是問題的解。Hopfield神經(jīng)網(wǎng)絡(luò)的這些自身特征使其適于應(yīng)用于聯(lián)想記憶和求解最優(yōu)化問題。

3.2 Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像復(fù)原的方法分為兩類：一種是用原始圖像和模糊圖像構(gòu)成的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練好的網(wǎng)絡(luò)中建立起原始圖像與模糊圖像的非線性映射關(guān)系，然后以帶復(fù)原的模糊圖像作為網(wǎng)絡(luò)的輸入，經(jīng)過網(wǎng)絡(luò)輸出的圖像數(shù)據(jù)就是經(jīng)過復(fù)原的圖像，BP神經(jīng)網(wǎng)絡(luò)就是運(yùn)用這種方法進(jìn)行圖像復(fù)原的典型神經(jīng)網(wǎng)絡(luò)。另一種是經(jīng)過神經(jīng)網(wǎng)絡(luò)反復(fù)的數(shù)學(xué)迭代計(jì)算復(fù)原，運(yùn)用Hopfield神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像復(fù)原屬于這類方法。

其中是神經(jīng)網(wǎng)絡(luò)的狀態(tài)向量，為網(wǎng)絡(luò)的權(quán)值矩陣，為由網(wǎng)絡(luò)中各神經(jīng)元閾值構(gòu)成的向量。Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)行結(jié)果即網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)就是達(dá)到最小值時的狀態(tài)。由式（4）和（5）可以看出圖像復(fù)原的目標(biāo)函數(shù)與Hopfield神經(jīng)網(wǎng)絡(luò)能量函數(shù)具有相似的表達(dá)形式，因而可以建立兩者之間的聯(lián)系，從而將圖像復(fù)原問題轉(zhuǎn)變?yōu)樯窠?jīng)網(wǎng)絡(luò)的運(yùn)算問題，這也就是Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像復(fù)原的基本原理。

運(yùn)用Hopfield神經(jīng)網(wǎng)絡(luò)解決圖像復(fù)原問題首先要確定網(wǎng)絡(luò)的權(quán)值矩陣。可以按照Hebb學(xué)習(xí)規(guī)則得出[4]。完成網(wǎng)絡(luò)初始化后，將退化圖像輸入網(wǎng)絡(luò)，從網(wǎng)絡(luò)中選取一個神經(jīng)元按照Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)算規(guī)則得出神經(jīng)元的輸出，將所有神經(jīng)元求出輸出后判斷該網(wǎng)絡(luò)是否達(dá)到穩(wěn)定狀態(tài)，即計(jì)算前后的網(wǎng)絡(luò)能量函數(shù)的誤差是否小于要求的范圍。如果網(wǎng)絡(luò)不穩(wěn)定，需要重復(fù)迭代計(jì)算；網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)時，神經(jīng)網(wǎng)絡(luò)的狀態(tài)向量就是要求的原始圖像。經(jīng)過一定的后處理就能得到具有一定精度的原始圖像。

4 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原問題中的應(yīng)用已經(jīng)擴(kuò)展到了很多方面，包括三維顯微圖像、高能閃光照相等領(lǐng)域[5-6]。神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原中的應(yīng)用機(jī)理也不斷得到深入研究。這些得益于神經(jīng)網(wǎng)絡(luò)算法不依賴求解問題本身數(shù)學(xué)模型的特點(diǎn)，以及自身強(qiáng)大的泛化能力。BP和Hopfield神經(jīng)網(wǎng)絡(luò)都能成功地運(yùn)用在圖像復(fù)原問題中，在選用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像復(fù)原研究時要注意到BP神經(jīng)網(wǎng)絡(luò)強(qiáng)烈地依賴退化圖像與原始圖像構(gòu)成的樣本集合對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這就要求得到足夠的先驗(yàn)知識或者通過某種算法得到退化圖像與原始圖像相對應(yīng)的樣本群。Hopfield神經(jīng)網(wǎng)絡(luò)不依賴于退化圖像與原始圖像的先驗(yàn)知識，可以直接針對退化圖像進(jìn)行復(fù)原。這就需要根據(jù)不同的實(shí)際情況選取合適的網(wǎng)絡(luò)類型來解決問題。

參考文獻(xiàn)

[1]尚鋼，鐘珞，陳立耀.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)選取[J].武漢工業(yè)大學(xué)學(xué)報(bào)，1997，19（2）.

[2]王晗.基于Hopfield神經(jīng)網(wǎng)絡(luò)的圖像恢復(fù)[D].武漢：華中科技大學(xué)南京理工大學(xué)，2006年4月.

[3]席旭剛，羅志增.用Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)觸覺圖像恢復(fù)[J].儀器儀表學(xué)報(bào)，2008，30（10）.

[4] Bianchini M，F(xiàn)rasconi P.Learning without local minima in radial basis function networks[J].IEEE Transaction on Neural Networks，1995，6（3）：749～756.