前言：中文期刊網精心挑選了人工神經網絡的定義范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
人工神經網絡的定義范文1
關鍵詞人工神經網絡；發展；應用
中圖分類號：TP183 文獻標識碼：A 文章編號：1671-7597（2014）12-0003-01
隨著科學技術的發展，各個行業和領域都在進行人工智能化的研究工作，已經成為專家學者研究的熱點。人工神經網絡就是在人工智能基礎上發展而來的重要分支，對人工智能的發展具有重要的促進作用。人工神經網絡從形成之初發展至今，經歷了不同的發展階段，并且在經濟、生物、醫學等領域得到了廣泛的應用，解決了許多技術上的難題。
1人工神經網絡概述
關于人工神經網絡，到目前為止還沒有一個得到廣泛認可的統一定義，綜合各專家學者的觀點可以將人工神經網絡簡單的概括為是模仿人腦的結構和功能的計算機信息處理系統[1]。人工神經網絡具有自身的發展特性，其具有很強的并行結構以及并行處理的能力，在實時和動態控制時能夠起到很好的作用；人工神經網絡具有非線性映射的特性，對處理非線性控制的問題時能給予一定的幫助；人工神經網絡可以通過訓練掌握數據歸納和處理的能力，因此在數學模型等難以處理時對問題進行解決；人工神經網絡的適應性和集成性很強，能夠適應不同規模的信息處理和大規模集成數據的處理與控制；人工神經網絡不但在軟件技術上比較成熟，而且近年來在硬件方面也得到了較大發展，提高了人工神經網絡系統的信息處理能力。
2人工神經網絡的發展歷程
2.1 萌芽時期
在20世紀40年代，生物學家McCulloch與數學家Pitts共同發表文章，第一次提出了關于神經元的模型M-P模型，這一理論的提出為神經網絡模型的研究和開發奠定了基礎，在此基礎上人工神經網絡研究逐漸展開。1951年，心理學家Hebb提出了關于連接權數值強化的法則，為神經網絡的學習功能開發進行了鋪墊。之后生物學家Eccles通過實驗證實了突觸的真實分流，為神經網絡研究突觸的模擬功能提供了真實的模型基礎以及生物學的依據[2]。隨后，出現了能夠模擬行為以及條件反射的處理機和自適應線性網絡模型，提高了人工神經網絡的速度和精準度。這一系列研究成果的出現為人工神經網絡的形成和發展提供了可能。
2.2 低谷時期
在人工神經網絡形成的初期，人們只是熱衷于對它的研究，卻對其自身的局限進行了忽視。Minskyh和Papert通過多年對神經網絡的研究，在1969年對之前所取得的研究成果提出了質疑，認為當前研究出的神經網絡只合適處理比較簡單的線性問題，對于非線性問題以及多層網絡問題卻無法解決。由于他們的質疑，使神經網絡的發展進入了低谷時期，但是在這一時期，專家和學者也并沒有停止對神經網絡的研究，針對他們的質疑也得出一些相應的研究成果。
2.3 復興時期
美國的物理學家Hopfield在1982年提出了新的神經網絡模型，并通過實驗證明在滿足一定的條件時，神經網絡是能夠達到穩定的狀態的。通過他的研究和帶動，眾多專家學者又重新開始了對人工神經網絡方面的研究，推動了神經網絡的再一次發展[3]。經過專家學者的不斷努力，提出了各種不同的人工神經網絡的模型，神經網絡理論研究不斷深化，新的理論和方法層出不窮，使神經網絡的研究和應用進入了一個嶄新的時期。
2.4 穩步發展時期
隨著人工神經網絡研究在世界范圍內的再次興起，我國也迎來了相關理論研究的熱潮，在人工神經網絡和計算機技術方面取得了突破性的進展。到20世紀90年代時，國內對于神經網絡領域的研究得到了進一步的完善和發展，而且能夠利用神經網絡對非線性的系統控制問題進行解決，研究成果顯著。隨著各類人工神經網絡的相關刊物的創建和相關學術會議的召開，我國人工神經網絡的研究和應用條件逐步改善，得到了國際的關注。
隨著人工神經網絡的穩步發展，逐漸建立了光學神經網絡系統，利用光學的強大功能，提高了人工神經網絡的學習能力和自適應能力。對非線性動態系統的控制問題，采取有效措施，提高超平面的光滑性，對其精度進行改進。之后有專家提出了關于人工神經網絡的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經網絡的效率，因此在此基礎上又提出了改進算法FERNN。混沌神經網絡的發展也得到了相應的進步，提高了神經網絡的泛化能力。
3人工神經網絡的應用
3.1 在信息領域中的應用
人工神經網絡在信息領域中的應用主要體現在信息處理和模式識別兩個方面。由于科技的發展，當代信息處理工作越來越復雜，利用人工神經網絡系統可以對人的思維進行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統方法無法解決的問題，在軍事信息處理中的應用極為廣泛[4]。模式識別是對事物表象的各種信息進行整理和分析，對事物進行辨別和解釋的一個過程，這樣對信息進行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統計模式識別，還有一種是結構模式識別，在語音識別和指紋識別等方面得到了廣泛的應用。
3.2 在醫學領域的應用
人工神經網絡對于非線性問題處理十分有效，而人體的構成和疾病形成的原因十分復雜，具有不可預測性，在生物信號的表現形式和變化規律上也很難掌握，信息檢測和分析等諸多方面都存在著復雜的非線性聯系，所以應用人工神經網絡決解這些非線性問題具有特殊意義[5]。目前，在醫學領域中的應用涉及到理論和臨床的各個方面，最主要的是生物信號的檢測和自動分析以及專家系統等方面的應用。
3.3 在經濟領域中的應用
經濟領域中的商品價格、供需關系、風險系數等方面的信息構成也十分復雜且變幻莫測，人工神經網絡可以對不完整的信息以及模糊不確定的信息進行簡單明了的處理，與傳統的經濟統計方法相比具有其無法比擬的優勢，數據分析的穩定性和可靠性更強。
3.4 在其他領域的應用
人工神經網絡在控制領域、交通領域、心理學領域等方面都有很廣泛的應用，能夠對高難度的非線性問題進行處理，對交通運輸方面進行集成式的管理，以其高適應性和優秀的模擬性能解決了許多傳統方法無法解決的問題，促進了各個領域的快速發展。
4總結
隨著科技的發展，人工智能系統將進入更加高級的發展階段，人工神經網絡也將得到更快的發展和更加廣泛的應用。人工神經網絡也許無法完全對人腦進行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統的各個領域中得到成功應用，今后的發展趨勢將向著更加智能和集成的方向發展。
參考文獻
[1]徐用懋，馮恩波.人工神經網絡的發展及其在控制中的應用[J].化工進展，1993（5）：8-12，20.
[2]湯素麗，羅宇鋒.人工神經網絡技術的發展與應用[J].電腦開發與應用，2009（10）：59-61.
[3]李會玲，柴秋燕.人工神經網絡與神經網絡控制的發展及展望[J].邢臺職業技術學院學報，2009（5）：44-46.
人工神經網絡的定義范文2
本文主要介紹了人工神經網絡的概念，并對幾種具體的神經網絡進行介紹，從它們的提出時間、網絡結構和適用范圍幾個方面來深入講解。
【關鍵詞】神經網絡 感知器網絡 徑向基網絡 反饋神經網絡
1 引言
人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系。它實際上是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統，通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可呈現出人腦的許多特征，并具有人腦的一些基本功能，利用這一特性，可以設計處具有類似大腦某些功能的智能系統來處理各種信息，解決不同問題。下面對幾種具體的神經網絡進行介紹。
2 感知器網絡
感知器是由美國學者Rosenblatt在1957年首次提出的，感知器可謂是最早的人工神經網絡。感知器具有分層結構，信息從輸入層進入網絡，逐層向前傳遞到輸出層。感知器是神經網絡用來進行模式識別的一種最簡單模型，屬于前向神經網絡類型。
2.1 單層感知器
單層感知器是指只有一層處理單元的感知器，它的結構與功能都非常簡單，通過讀網絡權值的訓練，可以使感知器對一組輸入矢量的響應達到元素為0或1的目標輸出，從而實現對輸入矢量分類的目的，目前在解決實際問題時很少被采用，但由于它在神經網絡研究中具有重要意義，是研究其他網絡的基礎，而且較易學習和理解，適合于作為學習神經網絡的起點。
2.2 多層感知器
多層感知器是對單層感知器的推廣，它能夠成功解決單層感知器所不能解決的非線性可分問題，在輸入層與輸出層之間引入隱層作為輸入模式的“內部表示”，即可將單層感知器變成多層感知器。
3 線性神經網絡
線性神經網絡類似于感知器，但是線性
神經網絡的激活函數是線性的，而不是硬限轉移函數。因此線性神經網絡的輸出可以使任意值，而感知器的輸出不是0就是1。線性神經網絡最早的典型代表就是在1963年由美國斯坦福大學教授Berhard Windrow提出的自適應線性元件網絡，它是一個由輸入層和輸出層構成的單層前饋性網絡。自適應線性神經網絡的學習算法比感知器的學習算法的收斂速度和精度都有較大的提高，自適應線性神經網絡主要用于函數逼近、信號預測、系統辨識、模式識別和控制等領域。
4 BP神經網絡
BP神經網絡是1986年由以Rumelhart和McCelland為首的科學家小組提出的，是一種按誤差逆傳播算法訓練的多層前饋網絡，在人工神經網絡的實際應用中，80%～90%的人工神經網絡模型采用BP網絡或者它的變化形式，它也是前向網絡的核心部分，體現了人工神經網絡最精華的部分，BP神經網絡由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經過一步處理后完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者達到預先設定的學習次數為止。
BP網絡主要應用于以下方面：
（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡逼近一個函數。
（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來。
（3）分類：對輸入矢量以所定義的合適方式進行分類。
（4）數據壓縮：減少輸出矢量維數以便于傳輸或存儲。
5 反饋神經網絡
美國加州理工學院物理學家J.J.Hopfield教授于1982年發表了對神經網絡發展頗具影響的論文，提出一種單層反饋神經網絡，后來人們將這種反饋網絡稱作Hopfield網。在多輸入/多輸出的動態系統中，控制對象特性復雜，傳統方法難以描述復雜的系統。為控制對象建立模型可以減少直接進行實驗帶來的負面影響，所以模型顯得尤為重要。但是，前饋神經網絡從結構上說屬于一種靜態網絡，其輸入、輸出向量之間是簡單的非線性函數映射關系。實際應用中系統過程大多是動態的，前饋神經網絡辨識就暴露出明顯的不足，用前饋神經網絡只是非線性對應網絡，無反饋記憶環節，因此，利用反饋神經網絡的動態特性就可以克服前饋神經網絡的缺點，使神經網絡更加接近系統的實際過程。
Hopfield神經網絡的應用：
（1）在數字識別方面。
（2）高?？蒲心芰υu價。
（3）應用于聯想記憶的MATLAB程序。
6 徑向基神經網絡
徑向基RBF網絡是一個3層的網絡，除了輸入、輸出層之間外僅有一個隱層。隱層中的轉換函數是局部響應的高斯函數，而其他前向網絡，轉換函數一般都是全局響應函數。由于這樣的差異，要實現同樣的功能，RBF需要更多的神經元，這就是RBF網絡不能取代標準前向型絡的原因。但是RBF網絡的訓練時間更短，它對函數的逼近時最優的，可以以任意精度逼近任意連續函數。隱層中的神經元越多，逼近越精確。
徑向基網絡的應用：
（1）用于曲線擬合的RBF網絡。
（2）徑向基網絡實現非線性函數回歸。
7 自組織神經網絡
自組織競爭型神經網絡是一種無教師監督學習，具有自組織功能的神經網絡，網絡通過自身的訓練。能自動對輸入模式進行分類，一般由輸入層和競爭層夠曾。兩層之間各神經元實現雙向連接，而且網絡沒有隱含層。有時競爭層之間還存在著橫向連接。
常用自組織網絡有一下幾種：
（1）自組織特征映射網絡。
（2）學習矢量量化網絡。
（3）自適應共振理論模型。
（4）對偶傳播網絡。
參考文獻
[1]韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.
[2]周品.神經網絡設計與應用[M].北京：清華大學出版社，2013.
作者簡介
孔令文（1989-），男，黑龍江省齊齊哈爾市人?，F為西南林業大學機械與交通學院在讀研究生。研究方向為計算機仿真。
人工神經網絡的定義范文3
由于人體與疾病的復雜性，不可預測性，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。
在麻醉與危重醫學相關領域的研究涉及到多生理變量的分析與預測，從臨床數據中發現一些尚未發現或尚無確切證據的關系與現象，信號處理，干擾信號的自動區分檢測，各種臨床狀況的預測，單獨或結合其他人工智能技術進行麻醉閉環控制等。
在圍術期和重癥監護與治療階段，需要獲取大量的信息，將可能在信號處理、基于動態數據驅動的輔助決策專家系統、數據挖掘、各種臨床狀況的預測、智能化床旁監護、遠程醫療與教學、醫療機器人等各方面廣泛運用到人工神經網絡技術和其他人工智能技術。
一、概述
人工神經網絡（artificial neural network, ann）是人工智能(artificial intelligence, ai)學科的重要分支。經過50多年的發展，已成為一門應用廣泛，涉及神經生理學、認識科學、數理科學、心理學、信息科學、計算機科學、微電子學等多學科交叉、綜合的前沿學科。WWw.133229.CoM
現代計算機的計算構成單元的速度為納秒級，人腦中單個神經細胞的反應時間為毫秒級，計算機的運算能力為人腦的幾百萬倍?？墒牵駷橹?，計算機在解決一些人可以輕而易舉完成的簡單任務時，例如視覺、聽覺、嗅覺，或如人臉識別、騎自行車、打球等涉及聯想或經驗的問題時卻十分遲鈍。也不具備人腦的記憶與聯想能力，學習與認知能力，信息的邏輯和非邏輯加工能力，信息綜合判斷能力，快速的高度復雜信息處理速度等。
造成這種問題的根本原因在于，計算機與人腦采取的信息處理機制完全不同。迄今為止的各代計算機都是基于馮*紐曼工作原理：其信息存儲與處理是分開的；處理的信息必須是形式化信息，即用二進制編碼定義；而信息處理的方式必須是串行的。這就決定了它只擅長于數值和邏輯運算。而構成腦組織的基本單元是神經元，每個神經元有數以千計的通道同其他神經元廣泛相互連接,形成復雜的生物神經網絡。生物神經網絡以神經元為基本信息處理單元, 對信息進行分布式存儲與加工, 這種信息加工與存儲相結合的群體協同工作方式使得人腦呈現出目前計算機無法模擬的神奇智能。
人工神經網絡就是在對人腦神經網絡的基本研究的基礎上，采用數理方法和信息處理的角度對人腦神經網絡進行抽象，并建立的某種簡化模型。一個人工神經網絡是由大量神經元節點互連而成的復雜網絡,用以模擬人類進行知識的表示與存儲以及利用知識進行推理的行為。一個基于人工神經網絡的智能系統是通過學習獲取知識后建立的,它通過對大量實例的反復學習,由內部自適應機制使神經網絡的互連結構及各連接權值穩定分布，這就表示了經過學習獲得的知識。
人工神經網絡是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超過某一門限值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。
近20年來，神經網絡的軟件模擬得到了廣泛研究和應用，發展速度驚人。1987年在圣地亞哥召開了首屆國際神經網絡大會，國際神經網絡聯合會(inns)宣告成立。這標志著世界范圍內掀起神經網絡開發研究熱潮的開始。
二、醫學領域應用現狀與前景
由于人體與疾病的復雜性，不可預測性，在生物信號與信息的表現形式、變化規律（自身變化與醫學干預后變化），對其檢測與信號表達，獲取的數據及信息的分析、決策等諸多方面均存在大量復雜的非線性關系，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。
1、信號處理：
在生物醫學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發電位信號的提取，醫學圖像的識別和數據壓縮處理等。
2、醫學專家系統
醫學專家系統就是運用專家系統的設計原理與方法, 模擬醫學專家診斷、治療疾病的思維過程編制的計算機程序, 它可以幫助醫生解決復雜的醫學問題, 作為醫生診斷、治療的輔助工具。 “傳統”的專家系統，通過把專家的經驗和知識以規則的形式存入計算機中，建立知識庫，用邏輯推理的方式進行醫療診斷。但一些疑難病癥的復雜形式使其很難用一些規則來描述，甚至難以用簡單的語言來表達；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規則的專家系統，隨著數據庫規模的增大，可能導致組合爆炸，推理效率很低。由于人工神經網絡能夠解決知識獲取途徑中出現的“瓶頸”現象、知識“組合爆炸”問題以及提高知識的推理能力和自組織、自學習能力等等, 從而加速了神經網絡在醫學專家系統中的應用和發展。
sordo比較了采用不同網絡結構和學習算法的神經網絡在診斷胎兒唐氏綜合征(down’s syndrome) 上的成績。正確分類率為84 %, 超過了現今所用的統計方法的60 %～70 % 的分類率。
臺灣deu科技（德亞科技）開發的計算機輔助檢測系統rapid screentm rs-2000為全世界最先通過美國fda認證的早期肺癌輔助診測系統。該產品采用人工智能神經網絡ann，自動標識數字胸片中可疑結節區。經臺灣和美國的臨床實驗，可使放射專家檢測t1期肺癌的能力明顯提高(潛在提升約15 %以上)。
degroff等使用電子聽診器和人工神經網絡制造了一種儀器，它可正確地區分兒童生理性和病理性雜音。用電子聽診器記錄的兒童心音，輸入能識別復雜參數的ann，分析的敏感性和特異性均達100%。
3、其他：
生物信息學中的研究中可應用于基因組序列分析、蛋白質的結構預測和分類、網絡智能查詢等方面。
藥學領域廣泛應用于定量藥物設計、藥物分析、藥動/藥效學等方面。例如：用于預測藥物效應。veng-pederson用神經網絡預測阿芬太尼對兔心率的影響，對用藥后180-300分鐘的藥物效應取得了較好的預測結果（平均相對預測準確度達78%）。分析群體藥動學數據，以獲知群體藥動學特征和不同人口統計因子對藥物行為的影響，對臨床用藥具有指導意義。
4、麻醉與危重醫學相關領域的研究
手術室和icu內是病人信息富集的地方，而且大量的信息處在動態變化中，隨著醫學技術的飛速進步，所能獲取的信息越來越多，醫護人員面臨著“信息轟炸”。神經網絡技術可以很好地幫助我們應對這些問題。例如：
1）可以用于分析多個生理變量之間的關系，幫助研究其內在的關系，或預測一些變量之間的關系：perchiazzi在肺損傷和正常的豬容量控制機械通氣中，用ann估計肺順應性的變化，不需要中斷呼吸，與標準方法相比誤差很小。
2）結合數據挖掘技術，可能從海量數據庫例如電子病歷系統中，發現一些尚未發現或尚無確切證據的關系與現象：buchman 研究了神經網絡和多元線形回歸兩種方法，用病人的基本資料、藥物治療差異和生理指標的變化預測在icu延遲（>7天）。
3）信號處理：ortolani等利用eeg的13個參數輸入ann，自行設計的麻醉深度指數ned0-100作為輸出，比較ned與bis之間有很好的相關性；
4）干擾信號的自動區分檢測：jeleazcov c等利用bp神經網絡區分麻醉中和后檢測到的eeg信號中的假信號，是傳統eeg噪音檢測方法的1.39-1.89倍。
5）各種臨床狀況的預測：laffey用ann預測肌肉松弛藥的殘留，發現明顯優于醫生的評估，還有用于預測propfol劑量個體差異的，預測術后惡心、嘔吐，預測全麻后pacu停留時間，預測icu死亡率等較多的研究。
人工神經網絡的定義范文4
關鍵詞：模擬電路；智能故障診斷；神經網絡
中圖分類號：TN710 文獻標識碼：A 文章編號：1009-2374（2012）04-0118-02
上世紀70年代開始，模擬電路故障診斷理論第一次被提出來，如今已發展成為一門系統的學科。但是，雖然模擬電路的使用時間已經有一段歷史，其模擬電路故障診斷技術卻發展一直比較緩慢。以下筆者就從模擬電路智能故障的特點入手，對模擬電路智能故障診斷技術的發展現狀進行詳細探討。
一、模擬電路智能故障的特點分析
現將模擬電路故障的特點分析如下：
（一）模擬電路信號與數字信號的區別
模擬電路信號與數字信號有很大的不同：前者信號的大小是隨時間連續變化的量，包含的物理量屬于連續函數，其故障模式及模型難以用簡單的量化來描述。
（二）模擬電路元器件的特性
由于模擬電路中的元器件參數本身存在容差，導致了導致功能性故障的故障物理位置難以確定，存在較大的模糊性（“容差”的實質就是元器件本身存在的輕微故障）。
（三）模擬電路中存在的問題
在模擬電路中，存在反饋電路和非線性問題，增加了計算和測試的復雜性。
（四）模擬電路的使用范圍
模擬電路的頻率范圍比較寬，這就決定了其使用設備的差異性。有時，即使測量同一個信號，但是在不同的頻段上所使用的設備都會出現很大的差距，決定了其設備較大差異性的特點。
（五）模擬電路的故障問題
由于現在電路中，可測試的節點數一般都比較少（電路通常是封裝或者多層的緣故），導致判斷故障信息的數量不夠多、信息不夠充分，加大了故障判斷的難度。
二、模擬電路故障診斷技術現狀分析
近幾年，電子技術得到了飛速發展，隨著電子技術的飛速發展，電子技術運用而成，并隨著集成度的不斷增大，電路的復雜程度日益提高。
一般而言，故障辨識、故障檢測及故障隔離是電路故障診斷的主要內容。由于診斷原理的多樣性，導致了電路故障診斷方法也存在多樣性。
本文根據故障診斷的角度出發，對現行電路故障診斷的方法進行了分類。以下就現代模擬電路故障診斷的方法進行具體探討。
（一）專家系統故障診斷分析
專家系統在人工智能技術中，屬于應用比較廣泛和活躍的故障診斷技術之一。專家系統故障診斷的工作過程可以描述為以下幾個步驟：首先，應該具備故障診斷專家系統的知識庫，這個知識庫的內容主要是將相關診斷經驗與技術，使用一定的規則組合起來而形成，以備以后程序使用；然后，當出現故障時故障診斷系統將由報警系統得到相關信息，應用知識庫對其進行推理，由此得出出現的故障的原因。
以上診斷過程可以理解為：專家系統故障診斷技術是模擬行業專家進行診斷及決策的過程，主要可以解決一些比較復雜的故障問題。
但是，由于這些技術存在一定的缺陷，在一定程度上限制了其推廣使用。
（二）人工神經網絡技術分析
人工智能技術的另一個重要分支是人工神經網絡技術。
在故障診斷中，它的主要優勢在于：其特別適合處理那些具有復雜非線性關系的、無法用顯性公式表示的情況，并能夠有力解決非線性、反饋回路和容差等引起的問題，上述這些情況都是傳統模式識別方法難以解決的。
人工神經網絡由于其獨特的優勢，越來越受到人們的廣泛重視。
人工神經網絡的優點主要體現在以下幾個方面：（1）它以利用網絡的拓撲結構和權值分布實現非線性的映射，以分布的方式存儲信息；（2）它可以實現非線性信息變化問題，這個主要是通過全局并行處理來實現的信息變化。其可以有效的解決故障診斷中故障知識獲取這個“瓶頸”問題，以及“組合爆炸”等問題；（3）人工神經網絡技術還具有聯想記憶、并行分布處理以及自適應性強等特點。
以上的這些優點為智能故障診斷的研究開辟了一條新途徑?；谝陨系姆治觯瑢⑸窠浘W絡與專家系統相結合，使其相互補充，各自揚長避短，是故障診斷領域的一個熱點話題。
（三）神經網絡專家系統
從邏輯方面來講，神經網絡專家系統和傳統專家系統是完全不同的。神經網絡專家系統是一類新的知識表達體系，神經網絡專家系統中的信息處理是由大量簡單處理元件之間進行相互作用，從而進行信息處理的，屬于低層數值模型。神經網絡專家系統可以將數值運算和邏輯推理結合，并利用相關的信息處理功能來解決診斷系統中的相關問題。
在這種技術中，通過學習將專家知識存儲在網絡中，由此進行不精確的故障診斷，可以較好的完成相關推理過程。
（四）小波分析方法
小波分析法時一種時-頻分析方法。它的主要原理通過以下闡述：
小波變換及小波函數的多樣性。
小波是函數空間中滿足下述條件的一個函數或者信號：
式中：表示非零實數全體，是傅里葉變換，為小波母函數。
對于實數對（a，b），參數a為非零實數，函數
稱為由小波母函數生成的依賴于參數對（a，b）的連續小波函數，簡稱小波。其中：a稱為伸縮因子：b稱為平移因子。
對信號f（x）的連續小波變換則定義為：
其逆變換（回復信號或重構信號）為：
信號f（x）的離散小波變換定義為：
其逆變換（恢復信一號或重構信號）為：
其中：C是一個與信號無關的常數。
由上述原理可知，小波函數具有多樣性。
（五）神經網絡小波分析方法
將神經網絡與小波分析相結合的方法主要有兩個：
1．以輔助式結合的形式組合。在這種結合中，一般是利用小波分析技術對相應的信號進行預先處理，然后，利用神經網絡技術進行學習與判別。
2．以嵌套式結合的方式進行組合。這種結合中，主要是把小波分析方法融入到神經網絡中，形成新的神經網絡結構，即神經網絡一小波分析或小波網絡。這種新的網絡方法具有明顯的優勢：具有自適應分辨功能和很好的容錯性。
由上面分析可以得出，這種新的故障診斷鑒別方法是故障診斷領域的一個新方法，它不僅可以拓寬小波分析方法與神經網絡技術的應用領域，而且為故障診斷技術開辟了新道路，使得故障診斷技術得到了進一步的發展。
三、結語
由于現代科技的飛速發展，模擬電路故障診斷系統將會變得越來越復雜，如何保證模擬電路系統可以運行的更加可靠是一個值得深入探討的問題。模擬電路出現故障后，如能及時將相應的故障診斷清楚，并保證及時維修更換，無疑可以提高生產效率，提高成品的合格率，進而推動模擬電路系統向更好的方向
發展。
參考文獻
[1] 朱大奇．電子設備故障診斷原理與實踐[M]．北京電子工業出版社，2004．
人工神經網絡的定義范文5
關鍵詞 誒爾曼神經網絡；人工神經網絡；隨機游走模型；組合預測；金融時間序列
中圖分類號 F224 文獻標識碼 A
1 引 言
金融時間序列與經濟環境及商業環境有關，如股市，匯率，物價指數，國民收入和凈出口等.選擇一個合適的金融數據模型，需要正確地識別金融市場與整體經濟之間的內在關系[1].在實踐中非常困難.因為一個金融時序數據的動態變化受到多個經濟變量的影響，包括經濟增長，利率，通貨膨脹，通貨緊縮，政治決策和心理因素等多個復雜的經濟變量[1].
這些年來，關于金融時間序列的分布特征、模型模擬及預測等已經有了大量的研究工作[2，3].線性統計模型，如指數平滑法[4]和ARIMA[5]模型等，已經大量應用于金融數據的預測.ARIMA模型的一個分支，即隨機游走模型（Random Walk model）[1，6]，已經成為這個領域的主流統計技術.在一個簡單的隨機游走模型中，每一期的預測值被認為是最近一期的觀測值和隨機誤差項的總和.目前，簡單隨機游走模型是金融時間序列分析中最主要的線性模型（尤其是匯率數據）[7].對隨機游走模型的改進，如帶漂移項的隨機游走模型和誤差修正，也有了很多相關的研究[1].盡管隨機游走模型具有簡單性和顯著的預測精度，但是其主要缺點是內在的線性形式.隨機游走模型未能捕獲存在于金融時間序列中的非線性特征[2，7].非線性是金融時間序列的缺省特征，因此，通過一個隨機游走模型近似它是不充分的.在這種情況下，人工神經網絡是一種不錯的選擇.由于其非線性，非參數，自適應和噪聲耐受性，人工神經網絡在金融時間序列預測領域獲得了廣泛的關注[2，3].這些顯著的特征使得人工神經網絡模型能夠有效地識別解釋變量之間導致金融時序圖產生不規則波峰和波谷的內在機理.與其他非線性統計模型不同的是，人工神經網絡能夠在不了解底層數據計算過程的情況下進行非線性模擬[8].不少研究者對比了人工神經網絡和隨機游走模型預測金融數據時的表現，也研究出了許多有益的結果：如Dunis and William發現神經網絡相對于一般的統計模型可以提供更高的預測精度；Sun[1]發現在預測匯率時，人工神經網絡表現出比隨機游走模型更差的預測精度等等.但是，對于預測金融數據，一個金融時間序列一般包含了線性部分和非線性部分，單獨使用人工神經網絡模型或隨機游走模型并不合適.上述研究無法確定人工神經網絡模型和隨機游走模型中哪一個更適應于預測這類金融數據.從而激勵著去尋找一種組合機制去預測匯率.對于金融數據模型的預測，zhang[7]首次將隨機游走模型和神經網絡模型結合起來，國內學者熊志斌也做了ARIMA融合神經網絡的人民幣匯率預測模型研究[9].
本文假設任何金融時間序列由線性部分和非線性自相關部分組成，且可以從時間序列中剝離、單獨建模.將隨機游走模型和神經網絡模型結合起來對金融數據進行預測.主要步驟如下：首先，隨機游走模型用于擬合金融時間序列的線性部分，由觀察值和隨機游走模型擬合值之間的差計算樣本內殘差.根據假設，這些殘差只包含非線性關系；第二，FANN和EANN將用于分別擬合這些殘差值，并由2個模型產生的預測值的平均值得到想要的殘差估計；第三步，由隨機游走模型預測時間序列的線性部分；最后，將線性部分和非線性部分所得到的預測值加總，獲得期望的最終預測.
2 隨機游走模型
隨機游走模型是金融時序分析最流行和有效的統計模型，也被廣大的研究生所研究和使用，這個模型假設最近的觀察值是對下一期預測值的最佳指南.在數學上，一個簡單的RW模型被表示如下：
其中，和yt是時間序列中的觀察值，εt是一個白噪聲并且εt～N（0，σ2）.
從式（1）中可以看出，一個隨機游走模型表明所有與未來相關的信息已經包含在可用的數據里，這個模型因為被使用較多，所以非常容易理解和實現.根據有效市場的假說，隨機游走模型是外匯匯率預測中最主要的線性模型，而且大量研究指出許多基于線性結構的預測技術并沒有比簡單的隨機游走模型更有效.
一個隨機游走模型的成功很大程度上取決于隨機誤差項，按照定義，隨機誤差項是獨立同分布的.在本文中將生成獨立同分布的偽隨機正態變量εt～N（0，σ2），其中σ2是樣本內數據集的方差.
3 人工神經網絡（ANN）模型
3.1 前饋神經網絡 （FANN）
在所有可用的仿生預測方法中，人工神經網絡無疑是最流行且最成功的.人工神經網絡最初起源于對人腦結構的模仿，漸漸地，神經網絡技術在眾多領域起到了極為重要的作用，如分類、識別和預測.人工神經網絡通過若干互相連接的分布在不同層的神經元來學習數據的內在關系.多層感知器（MLP）是最被認可的人工神經網絡的結構，用于時間序列預測問題.一個MLP基本上是一個輸入層，一個或多個隱藏層和一個輸出層的前饋結構.在每層中有許多個處理結點，其通過不可逆的鏈接連接到下一層.單層次的隱藏節點已經足以解決許多最實際的問題.圖1描述了一個典型的MLP結構（p個輸入結點，h個隱藏結點和一個輸出結點）.
在沒有任何限制條件的情況下，簡單的多層感應器模型或前饋神經網絡模型能以任何給定的精度去近似逼近任何非線性函數.考慮到計算的要求，簡單的神經網絡往往是更合適的.選擇合適的網絡結構很重要，但并不是一個簡單的工作.網絡結構的選擇主要包括確定輸入節點、隱藏節點和輸出節點的個數，以及隱藏層的層數.在不同文獻中有著不同的參數優化選擇方法，但這些方法并不簡單，而且都是針對著具體的問題.
廣泛應用的神經網絡選擇方法包括了赤池信息準則（AIC），貝葉斯信息準則（BIC），施瓦茨的貝葉斯準則（SBC）和偏差校正的赤池信息準則（AICC-）.這4種準則基于對增加神經網絡中參數個數的懲罰.在本文中，使用BIC準則作為神經網絡的選擇標準，因為它比其他3種準則更嚴重地懲罰了額外的參數.對于一個的FANN模型，BIC的數學表達式由式（5）給出：
3.2 誒爾曼人工神經網絡（EANN）
類似于常見的前饋型神經網絡（FANNs），時間遞歸神經網絡在金融時間序列預測領域也相當流行.誒爾曼人工神經網絡是一種簡單的時間遞歸神經網絡，除了3種常見的層次，還有額外的上下文層和反饋連接.在每一個計算步驟中，隱藏層的輸出被再次反饋到上下文層，如圖2所示.這種遞歸使得神經網絡動態化，從而能夠實現對處理結點非線性時間依賴的映射.EANN模型通常比相同結構的FANN提供了更好的預測性能.然而，EANNs比FANNs需要更多數量的網絡連接和記憶單元.
使用相同的網絡結構的FANN和EANN模型，不同之處在于EANN模型隱藏層的神經元是對應FANN模型中神經元的5倍.
4 組合方法的建模
在本文中，決定同時利用隨機網絡模型和神經網路模型來預測金融數據.雖然這些模型有著廣泛的應用，但是他們之中沒有一個模型能夠在所有預測情況之下都最好.例如，RW模型不適合于識別非線性模式，類似地，使用人工神經網絡處理線性問題時產生的結果也好壞參半.因此，更科學的做法是找一種組合方法去結合這兩種模型的長處，而不是單獨地去應用它們.假設，一個金融時間序列由從線性和非線性兩部分構成，能從時間序列中分離出來并單獨地建模.從數學上講：
這種組合方法的顯著特點如下：①任何金融時間序列都由線性部分和非線性部分組成，通過隨機游走模型擬合線性部分，神經網絡模型擬合非線性殘差部分，提高了總體的預測精度；②類似的組合方法最早由Zhang推出，在他們的方法中，時間序列的線性部分由ARIMA模型來擬合而剩余的非線性殘差部分由FANN來擬合.然而，該組合方法同時結合了FANN模型和EANN模型兩種模型的優勢，能更好地識別非線性自回歸結構；③這種組合機制是基于一種簡單而有效的想法，相當容易實施和解釋.④值得注意的是，如果金融時間序列中的線性和非線性部分存在著適當比例的自相關結構，那所提出的組合方法將能顯著改善預測精度.如果這2個部分自相關程度較弱，那該方法可能并不合適.
5 實驗結果與討論
為了驗證所提出的組合方法的有效性，本文用到了三組數據：①港幣兌換美元匯率，包括了從1994年8月到2015年6月港幣兌換人民幣的每月匯率；②美元兌換人民幣匯率，包含從2005年5月到2015年6月美元兌換人民幣的每月匯率；③人民幣兌換港幣匯率，包括了從1995年1月到2015年6月人民幣兌換港幣的每月匯率.（數據來源：匯率數據取自國泰安數據庫）（見表1）
從圖3中可以清楚地看到3個時間序列中不規則非平穩的變化.
圖4和5中，畫出了3種時間序列的實際曲線和通過組合模型所描繪的預測值曲線.在每個圖中，實線和虛線分別表示實際和預測序列.港幣美元匯率與人民幣港幣匯率數據的預測誤差較小，預測值與原始值的走勢趨于一致.預測人民幣港幣匯率的預測效果沒有港幣美元匯率與人民幣港幣匯率好，預測值的總體走勢與原始值一致.三組匯率數據的原始值和他們的預測值之間的接近程度是顯而易見的.
6 總 結
眾所周知，設計一個合適的模型來預測金融數據是時間序列研究領域的一個重大挑戰，也是極其不易之事.這主要是因為金融時間序列中的不規則運動及突然的轉折點使得實際中很難去理解和預測.基于金融數據獨特的隨機性特征，本文構建了人工神經網絡和隨機游走模型對中國的匯率數據進行預測.
本文構建的新模型結合了隨機游走模型，FANN模型和EANN模型3種模型的優勢去預測金融數據.并且從實證結果表明，預測值與原始值的走勢趨于一致，港幣與人民幣之間的預測誤差不大，但是對于相對于人民幣匯率的預測，美元匯率的預測效果更好.從預測誤差看，均比每個單獨的模型效果要好.從三組真實的金融時間序列的實證結果清楚地表明，本文新構建的組合方法極大地提高了整體的預測精度.因此，我們的新模型在匯率預測方面上有更高的準確性和適用性.
參考文獻
[1] Y SUN. Exchange rate forecasting with an artificial neural network model： can we beat a random walk model？ [D] New Zealand：Christchurch，Lincoln University， 2005.
[2] A HUSSAIN， A KNOWLES， P LISBOA，et al. Financial time series prediction using polynomial pipelined neural networks[J]. Expert Systems with Applications， 2008， 35（3）： 1186-1199.
[3] M SEWELL. The application of intelligent systems to financial time series analysis[D].London：Department of Computer Science， UCL，2010.
[4] C LEMKE，B GABRYS. Metalearning for time series forecasting and forecast combination[J]. Neurocomputing， 2010， 73（10）： 2006-2016.
[5] G BOX， G JENKINS， G REINSEL. Time series analysis： forecasting and control[M].London John Wiley & Sons， 2011. 734
[6] E TYREE， J LONG. Forecasting currency exchange rates： neural networks and the random walk model[J]. Citeseer， 1995（1）：981-996.
[7] G ZHANG. Time series forecasting using a hybrid ARIMA and neural network model[J]. Neurocomputing， 2003， 50： 159-175.
人工神經網絡的定義范文6
Abstract： The sensitivity analysis of equipment maintenance support information plays an important role in the maintenance decision-making and support plan evaluation etc. In this paper， firstly， the demand and process of equipment maintenance support information sensitivity analysis was determined. Secondly， the artificial neural network was adopted to build networks for sensitivity analysis， the network output of the quantitative calculation of the influence of parameters is used on the model results， and the parameter sensitivity was got. Finally， the maintainability data of some gear lubrication pump was analyzed as an example， which verified the effectiveness of the proposed method.
關鍵詞： 維修保障信息；靈敏度分析；BP神經網絡
Key words： maintenance support information；sensitivity analysis；BP neural network
中圖分類號：E075 文獻標識碼：A 文章編號：1006-4311（2016）12-0080-03
0 引言
裝備維修保障信息是對裝備實施維修保障的必要前提和重要基礎[1]。它既反映了裝備當前的基本情況，提供了裝備是否便于維修，維修所需的時間、資源、費用等信息；也包含了各種與維修保障相關的質量特性參數，如平均修復時間、預防性維修時間、定期更換間隔期等，是開展維修工作的基礎或者“起點”。
目前關于維修保障信息收集與分析的研究很多，然而針對這些信息的收集粒度、分析精度等研究則較少。因此，對裝備維修保障信息進行靈敏度分析是非常有必要的，其有助于確定維修保障信息收集的重點，評價基礎數據變化對維修保障效果的影響程度，并為后續分析與改進工作提供重要參考依據[2]。
本文基于黑箱模型的思路，利用人工神經網絡的方法建立用于裝備維修保障信息靈敏度分析的網絡，利用網絡輸出定量計算參數的變動對不確定模型輸出結果的影響程度，以掌握裝備維修保障對參數變化的敏感度。
1 裝備維修保障信息靈敏度分析需求與過程
靈敏度分析是研究與分析一個系統或模型的狀態或輸出變化對系統參數或者周圍條件變化的敏感程度的方法[3]。在最優化方法中經常利用靈敏度分析來研究原始數據不準確或發生變化時最優解的穩定性。同樣，在對裝備開展維修保障工作時，其基礎信息的靈敏度分析，對于相關維修決策的制訂與判斷以及保障方案的權衡與評價等，都具有非常重要和現實的作用。
1.1 裝備維修保障信息靈敏度分析的需求
傳統的維修方式是相對粗放型的，很難實現精確化保障也極易造成維修資源的浪費?；跔顟B的維修、故障診斷與健康管理等新型維修方式的興起與發展，實現了維修決策的定量化與科學化，同時對于決策基礎信息的質量與準確性也提出了更高的要求。
在上述新型維修方式的定量化分析過程中，必然依據相應的決策模型等手段。上述這些模型都含有若干個確定性參數，參數的變化會引起模型目標值的改變，不同參數的變化對模型目標值的影響也不盡相同。對裝備維修保障信息進行靈敏度分析，可以通過對輸出結果影響的大小等來探索維修決策模型對各信息的敏感程度，從而為優化裝備設計參數和提高其維修決策等提供方向。所以，裝備維修保障信息的靈敏度分析具有十分重要的意義。
1.2 裝備維修保障信息靈敏度分析基本過程
對裝備維修保障信息數進行靈敏度分析，基本過程如下：
①明確靈敏度分析參數。在維修決策模型中，一些參數的改變對模型結果影響很大，對這些重要性參數要重點分析；反之，如參數的變化對模型結果影響很小，沒必要對其進行分析。
②確定參數取值變化范圍。根據模型的具體情況，選擇適當的參數變化范圍；需要注意的是，所有參數的變化范圍要求一致，這樣才能比較其靈敏度。
③模型結果統計與展現。通過MATLAB等數學工具，計算模型結果，并畫出表示參數與模型結果關系的二維圖。
④模型結果變動分析。根據二維圖所示的參數與模型結果的關系，通過其直線斜率、變化區間等來進行靈敏度分析。
⑤確定參數采集要求。參數采集應該來源于工作實踐，確保數據的準確性、可靠性。
2 基于神經網絡的裝備維修保障信息靈敏度分析
在裝備維修保障信息分析過程中，由于各參數間常常會存在不同程度的相關性，很難直接判斷參數的改變對模型輸出結果的影響，因此本文研究利用人工神經網絡的方法建立用于黑箱模型參數靈敏度分析的網絡。黑箱模型（Block Box Model）是指輸入、輸出和功能特性已知，但其內部實現未知或不相關的模型。因此，通過參數值的變動得到不同的網絡輸出結果，利用網絡的輸出定量計算出參數的變動對不確定模型輸出結果的影響程度。
2.1 BP神經網絡的概念及結構
人工神經網絡是在復雜的生物神經網絡研究和了解的基礎上發展起來的[4]。人腦是由大約個高度互連的單元構成，這些單元稱為神經元，每個神經元約有個連接。按照生物的神經元，可以用數學方式表示神經元，并由神經元的互連可以定義出不同類型的神經網絡。
由于連接方式的不同，神經網絡的類型也將不同。前饋神經網絡因為其權值訓練中采用的誤差是逆向傳播的方式，所以這類神經網絡更多地稱為反向傳播（back propagation）神經網絡，簡稱BP神經網絡。BP神經網絡的基本網絡結構如圖1所示。
2.2 基于BP神經網絡的靈敏度分析模型設計
利用人工神經網絡進行黑箱參數靈敏度分析的基本思路是：首先，根據具體裝備，結合實際的維修情況，確定要進行靈敏度分析的黑箱模型參數；再利用已有的裝備維修數據和專家經驗等對參數進行量化處理：然后，利用相關參數和結果形成樣本數據進行人工神經網絡訓練；最后，固定訓練完好的神經網絡，并通過相關方法分析參數變化的敏感度[5]。
本文通過MATLAB神經網絡工具來完成網絡訓練[6]，具體步驟如下：
①確定訓練樣本。收集并處理現有或相似、相近裝備的相關維修保障信息樣本，并對模型參數進行量化。一般來說，所收集的樣本數越多，BP神經網絡參數靈敏度分析達到的精度就越高。
②建立網絡。選取適當的神經網絡模型，將參數歸一化值賦予神經網絡的輸入層單元、歸一化后的結果值賦予輸出層。輸入層和輸出層節點之間的傳遞函數通常采用MATLAB的BP神經網絡工具箱中的神經元傳遞函數，網絡初始化可通過工具箱中的初始化函數來實現。
③完成網絡訓練。通過MATLAB的BP神經網絡工具箱中的網絡訓練函數來實現。當訓練到一定精度時，停止訓練，求得所有權值和閾值。利用測試樣本數據對訓練結果進行確認，看是否滿足要求，必要時增加樣本的容量。
④進行參數靈敏度分析。采用逐項替代的分析方法，即通過逐次對某一參數或幾個參數進行微小變動，同時固定其它參數保持不變，進行人工神經網絡的計算，得到相應網絡輸出，利用網絡的輸出定量地分析參數對結果的影響程度，從而為開展維修決策提供參考依據。
3 案例分析
這里以某設備平均單位維修費用關于其相關影響數據為例進行案例分析。通過實際維修情況分析可知，與該設備維修費用相關的參數主要包括：預防性維修所需費用、修復性維修所需費用、維修所需備件費用、維修活動管理費用、設備故障率、維修延遲導致的設備停機時間。選取該設備的原型和相似設備的13組維修數據，并進行歸一化后得到的樣本數如表1所示，其中6項影響維修費用的參數分別由X、Y、Z、U、V、W表示， C表示單位時間平均維修費用。
3.1 網絡的設計與訓練
根據上面的數據用前6項參數確定網絡的輸入變量，并用單位時間平均維修費用確定網絡的目標變量。利用1～10組的費用影響數據作為網絡的訓練樣本，11～13組的數據作為網絡的測試樣本。利用訓練完成的神經網絡計算另外第11～13組的平均維修費用值，得出的值分別為0.789、0.801、0.815，誤差范圍都在0.04以內，說明本文所設計的這種網絡是足夠精確可靠的。
3.2 參數靈敏度分析
在應用上述訓練完成的網絡程序的基礎上，可進一步對此設備的各項參數進行靈敏度分析。對于各個數組來說，參數靈敏度的分析方法大致是一樣的。因此，本文僅以數組1為代表進行參數靈敏度分析，具體方法為：分別將每個參數的值改變（增大或縮?。?.1，保持其它的參數值不變，進行神經網絡計算，然后觀測網絡輸出值的變化情況。比如，當參數增大0.1后，單位時間平均維修費用相應的改變見圖2。
由圖2可以看出，對數組1來說，維修活動管理費用這項參數的靈敏度最高，這說明對于設備單位時間平均維修費用來說，此時維修活動管理費用的大小，是導致其高低的最主要因素；其次是該設備的故障率，即設備先天的可靠性水平，對于后期維修費用也起著重要的影響。
采用同樣的方法，我們也可以對其他數組進行分析，并得出影響最終結果最為明顯的參數來。這樣，在開展維修活動時，為了提高保障效益可以有針對性地采取措施，達到科學維修準確決策的效果。
4 結束語
目前很多裝備維修保障信息分析具有多樣性和復雜性的特點，例如機械裝備維修時間與維修性影響因素的關系、裝備故障與訓練環境的關系等，這些信息都具有不確定性，不能直觀地分析，通過神經網絡的方法就能解決這個問題。本文介紹了一種基于BP神經網絡進行參數靈敏度分析的方法，這其中最重要的工作就是對模型參數神經網絡的訓練，只有訓練出的神經網絡精度足夠高，才能保證參數靈敏度分析的準確性。但是前提就是要收集大量參數的數據，提高神經網絡的精度，這就要求我們要采集大量可靠的數據。
在本文研究中還有很多不夠完善的地方，如對于多個參數同時變化的靈敏度分析，輸入參數狀態變化和參數狀態組合引起的靈敏度改變等這些方面，是今后繼續研究的方向。
參考文獻：
[1]韓小孩，張耀輝，等.裝備維修保障信息分類與描述[J].四川兵工學報，2012，33（9）：49-53.
[2]王廣彥，白永生，等.面向多主體、多任務的維修保障信息建模技術[J].面向多主體、多任務的維修保障信息建模技術， 2015，24（1）：21-27.
[3]費蕓潔.基于靈敏度分析的神經網絡結構優化方法研究[D].蘇州大學碩士學位論文，2007.
[4]陳太聰，韓大建，蘇成.參數靈敏度分析的神經網絡方法及其工程應用[J].計算力學學報，2004.
