前言：中文期刊網精心挑選了神經網絡的發展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。
神經網絡的發展范文1
關鍵詞：林區經濟可持續發展；指標體系；預警；警兆分析；BP神經網絡
收稿日期：20130510
作者簡介：王 剛（1971—），男，四川敘永人，工程師，主要從事林業生產及經濟管理工作。中圖分類號：S7 文獻標識碼：A
文章編號：16749944（2013）07026002
1 引言
近年來林區經濟的發展對國民經濟做出了巨大的貢獻，然而隨著林業可再生資源的逐漸枯竭，林區的一些經濟問題也日趨嚴重[1]，對林區經濟情況進行檢測和預警，確保林區經濟穩定、健康、可持續的發展，是當前工作中的首要問題。
林區經濟作為社會經濟系統的一個子系統，具有非線性復雜系統的特性。林區經濟的可持續發展，不僅涉及到經濟問題，還與林區生態、環境、資源、人口等問題交織纏繞，難以使用傳統的統計預測技術進行預測和預警。對林區經濟可持續發展預警，首先要根據林區經濟發展規劃，構建可持續發展警兆指標體系，在此基礎上運用可動態調整、自主學習的預測分析算法，使用過往數據進行訓練，從而得到對未來發展的預測和預警。
2 林區經濟可持續發展預警指標體系的構建
2.1 指標體系構建的原則
林區經濟可持續發展預警系統是一種多警情并列式系統[2]，其指標體系應具備系統性、層次性、邏輯性、穩定性和可操作性等特點。
系統性原則是指從整體上看，指標體系的構建應具有支撐整個系統運作的全方位特點，涵蓋林區經濟、生態、環境、資源等多方面指標，將林區經濟發展的各方面因素有機結合起來。
層次性原則是指體系應能全面反映警情、警源和警兆，體現各指標之間的相關關系、符合經濟發展的邏輯規律。根據各指標間的相關性將其分成不同類別和多個層次，從上到下逐漸細化指標，以便研究分析。
林區經濟的發展是一個長期漸進的動態過程，因此要對林區經濟進行長期監測和預警，需要選定可以保持相對穩定，同時具有一定靈活性的預警指標。
林區經濟發展預警系統的構建目的是為經濟管理和規劃提供決策依據，同時為降低預警系統運行的成本，指標的選取應簡單明了，數據應較容易獲取或采集，且以較為簡單的形式體現[3]。
2.2 林區經濟可持續發展指標體系
根據學科領域的不同，可持續發展的指標體系有多種不同的分類方法[4]。一個林區是一個結構復雜的系統，包含多個相互作用、相互關聯的子系統。在設計上，層次化的思路將林區經濟可持續發展的指標分為經濟指標、生態環境指標和社會指標3個子系統。在此基礎上進行按預警指標、警兆指標進行細化，如表1所示。
3 林區經濟可持續發展預警系統的組成要素
林區經濟可持續發展預警是一個復雜的統計分析與預測過程，需要結合預警理論和林區經濟可持續發展的指標體系，合理的設計預警系統的結構。系統由警情、警源、警兆和警度等要素構成。警情是在預警時需要檢測和預報的內容。警源是警報情況產生的根源，在林區經濟可持續發展預警中，警源通常來自于自然因素（如林木蓄積量低于閾值）、外在因素（如國家林業經濟政策變化）和內部因素（如林區造林投資下降）。
警兆是指警情爆發前的先兆，對警兆進行分析是預警過程中的關鍵環節。通常來說，不同的警情對應不同的警兆。警兆和警情之間存在直接或間接的相關關系。
警度即警告級別，是根據警兆的變化對警情嚴重程度的描述。警度確定的關鍵是根據據歷史分析、專家調查、國際對比、數學方法等綜合因素確定警線。本文借鑒文獻[5]中的方法，將警度劃分為無警、弱警、中警和重警等4個警線。
4 基于BP神經網絡的警兆分析
人工神經網絡采用一定的簡單數學模型來對生物神經網絡結構進行描述，能在某種程度上模擬生物神經網絡所具有的智能行為，解決傳統算法不能勝任的智能信息處理問題[6]。人工神經網絡具有平行分散式的處理模式，具有強大的函數擬合能力和自主學習能力，可以根據新的數據資料進行自我學習和訓練。因此特別適合對復雜多變的經濟發展警兆指標進行處理，擬合警兆和警情間的非線性映射關系，從而預報未來林區經濟可持續發展警情。
在多種神經網絡中，BP神經網絡的理論研究和實踐應用較為成熟。BP神經網絡是一種單向傳播的多層前向網絡。除輸入節點外，有一層或多層的隱層節點，同一層的節點間沒有任何耦合。輸入信號從輸入層節點輸入，依次傳過各隱層節點，最終傳遞到輸出接點。實際上，BP網絡是一種輸入到輸出的高度非線性映射，通過對非線性函數進行多次復合，可實現對復雜函數的擬合。BP神經網絡采用有導師學習模式，其訓練過程就是一個根據已有樣本，對復雜函數進行擬合的過程，通常分為信號前向傳輸、誤差反向傳輸以及權值和偏置值調整三個步驟。通過不斷地修正權值和偏置值，擬合的誤差會逐步縮小直至滿足要求。
對于傳統的統計預警方法而言，由于存在對警兆資料數據要求高、自身容錯性差、不能自主學習等缺陷，因此采用模式識別或人工智能等非線性的分析方法進行警兆分析[7]，是各種經濟預警系統的發展趨勢。
BP神經網絡具有的非線性、自組織自學習的特點，可以很好的適應警兆指標和警情關系的頻繁變化。對于過往經濟情況的分析，可以將歷年警兆指標值和警情警度錯位地組成樣本進行訓練，得出警兆指標和未來某一年林區經濟發展之間的映射關系。在此基礎上，通過輸入當前的警兆指標數據，即可預報未來特定時間的警情和警度。
5 基于BP神經網絡的林區經濟可持續發展預警系統設計
根據前述討論設計的林區經濟可持續發展預警系統如圖1所示。在政府經濟管理部門、林業部門等聯合對林區經濟社會可持續發展做出規劃后，可根據林區經濟社會可持續發展指標體系采集預警系統運行所需的警兆數據。對警兆數據進行分析和預測，根據預測結果警報。其中，警兆數據作為BP神經網絡的輸入層，警兆分析和預測在BP神經網絡的隱藏層運行，BP神經網絡的輸出即為系統警報。
圖1 基于BP神經網絡的林區經濟發展預警系統設計
參考文獻：
[1] 王 剛，陳建成.基于人口承載力的國有林區可持續發展研究[J].中國林業經濟，2010（3）：6～9.
[2] 尹 豪，方子節.可持續發展預警的指標構建和預警方法[J].農業現代化研究，2000（11）：332～336.
[3] 王 海.吉林省國有林區可持續發展綜合評價指標體系研究[J].林業經濟，2000（6）：32～36.
[4] 謝洪禮.關于可持續發展指標體系的述評（三）[J].統計研究，1999（2）：61～64.
[5] 王漢斌，李志鐸.礦區可持續發展預警機制構建及方法[J].工業技術經濟，2011（04）：7～12.
神經網絡的發展范文2
關鍵詞：教育經濟；林業行業；網絡教育
中圖分類號：F12 文獻標志碼：A 文章編號：1673-291X（2014）06-0273-02
中國林區地域廣闊，而且經濟發展不平衡等限制因素，林業行業教育尤其高等教育的基礎仍然相當薄弱。經濟不發達地區林業行業工作人員沒有受教育機會，在知識經濟時代，尤其是加入WTO以后，各個行業對各類人才的需求，無論從質量上還是從數量上都表現得愈加迫切，只靠大量興建傳統行業學校、繼續以傳統教學模式授課，根本無法滿足改革開放和林業行業建設的需要。
網絡教育因其時效性、個性化、信息存儲量大、數據檢索處理便捷、教學資源共享等優勢，可以改善師生比例、提高現有設施的利用率、形成以學生為主的教學模式，極大地緩解在校教育的壓力、彌補校際間教學水平的差距，使得沒有機會繼續上學的學生有了自主學習成才的良好途徑，使得處于教育資源匱乏地區的學生能同樣受到名校名師的教育，使得人們接受新知識成為終生行為。網絡教育的建立和實施，為發展高等教育、深化教育改革、促進終身教育、解決中國高中畢業生上大學、提高國民素質提供了一個難得的歷史機遇。
教育部制定了《關于發展中國現代遠程教育的意見》，闡述了發展中國現代遠程教育的指導方針、目標和任務，指出中國發展遠程教育的十六字方針是： 統籌規劃、需求推動、擴大開放、提高質量 。應當說，在有條件的地方重點試辦網絡學院、網絡學校的做法是符合國情的。在高校及有條件的少數中學可以以計算機局域網為基礎開展網上教學，對滿足社會需要具有重要作用。
一、林業行業網路教育的規模與質量之間的關系
行業教育可以為經濟發展提供各級各類高質量人才從而促進經濟發展，教育的發展同樣也會受到行業經濟發展的制約。當然，教育在規模和速度上的擴張，除外部宏觀經濟因素外，亦來源于其自身發展對效率的追求，但擴張的速度過快將有悖于效率自身的定義，美國著名經濟學家奈特（F1H1Knight）曾告誡人們“效率和規模之間的關系是最嚴肅的經濟學問題之一……”。根據規模經濟理論，學校規模是否適度是影響教育投資利用效率的一個重要因素。如果投入以一定比例增加，而產出增加的比例比投入增加的比例大，就會產生規模收益遞增現象，這就是規模經濟；如果規模擴大至相當程度后，由于組織內部溝通與協調的困難，致使產出增加的比例低于投入增加的比例，則會產生規模收益遞減現象，稱為規模不經濟（Diseconomic of Scale）。因此，在教育經濟學中強調，學校規模應保持適度。所謂適度，是指在度的兩個臨界點之間點數量范圍 。學校規模的度一端是規模過小，由此帶來的后果主要是教師學生比例很難合理，設備利用率低，從而造成資源浪費，效益低下；一端是規模過大，其衍生的缺陷，主要是人際關系的疏遠和行政僵化，從而影響到教師教授和學生學習的質量。如果說，中國許多傳統學校尤其部分高校是由于學校規模過小而產生“不經濟”的現象，那么目前有些網校盲目擴招的情況，則會帶來真正的規模不經濟，影響到人才培養的質量，進而影響中國經濟的長遠發展。
二、林業行業教育基礎薄弱，推進網絡教育成本高昂
由于林業行業是公益產業，經濟附加值較少，所以行業教育投入的經費也非常少，林業行業網絡教育還是處在剛剛開始的階段，大量的基礎設備、網絡資源的建設都處在相對“昂貴”的階段。
從學校角度，要想發展林業行業網絡教育至少需要相對穩定、速度足夠快的網絡資源，需要開展網絡教學必備的計算機，必須在各地的林區建立相應的教學點（站）等，然后，在這些硬件都具備的基礎上，還需要具有相應的能夠實現教學管理和教學任務的網絡平臺系統、相應的網絡課程材料以及技術支持和教學支助系統等軟件支持，這些前期的種種投入耗資巨大。
林業行業的網路教育開始運營之后的經常性維護費用價格不菲。在英國，建立一個擁有15個聯網資源中心站的預算是3.7萬英鎊（大約相當于40萬元人民幣），其經常運行費用是每年6000英鎊（約合7萬元人民幣左右），并且其設備通常三年需要更新一次，這對任何一個準備開展網絡教育的行業來說，都是不小的負擔，更何況林業這種經濟效益不高的行業。
另外，網上課程資料的開發需要很大投入。對于網上課程資料的開發成本，已有的報告差異很大，例如，在加拿大基于計算機的學習材料的開發成本為每學生一小時2 600加元（約合人民幣13 000元）到21 170加元（約合10.6萬元人民幣）；而在美國，不同呈現類型的材料，每一個三單元的課程開發成本從6 000美元到100萬美元不等。根據對北京林業大學現代遠程教育中心網絡課程開發成本的了解，一般每門網絡課程（約60學時） 的開發成本平均都在10萬元以上，要想實現真正的網絡教學，必須擁有相當數目、高質量的網絡課程資料，其開發對每個網校來說都是一筆巨大的開支。
從學習者角度，一個人要想接受網絡教育必須滿足以下基本條件：（1）必須有一臺運算速度很快、內存較大的電腦（一般要3 000元以上，林業行業產業工人平均月收入為2 000元左右）；（2）寬帶互聯網（中國很多林區大多在偏遠地區，互聯網并沒有普及）；（3）交納網絡學習和培訓的學費（學歷教育約為5 000元每年，培訓約為800元每年）。
中國林業行業第一線的產業工人的平均月收入只有1 000多元，部分經濟落后地區的只有幾百元。因此，盡管網絡教育具有種種優勢，但相對于中國目前林業行業的現狀來講，其成本相對較高，尤其是在一些經濟還不發達地區。
三、林業行業網絡教育有重復建設現象，資源使用率低下
目前，林業行業網絡教育由林業高校、地方主管單位、行業協會、社會培訓機構等眾多單位參與，各種網絡教學平臺、支持系統等重復開發。網絡教育的優勢是即時性、互動性、個性化、資源共享，但由于缺乏統一的規劃和指導，目前中國各個開展網絡教育的機構基本處于各自為政的局面，各機構在網站、平臺系統等方面投入了大量的人力、物力、財力進行獨立開發。由于可投入資金及開發人員自身水平的限制，各單位所開發出來的平臺系統，功能大同小異，水平參差不齊，導致各平臺、支持系統之間互不兼容，網絡教育的優勢也無法發揮，造成資源的巨大浪費。
其次，網絡課程重復設置，大量課件在重復開發。由于目前對網絡教育課程研究方面的局限，許多開設的課程非常雷同，而且質量不高。其實許多行業管理部門并不是以這些課程見長，又缺少真正了解教育心理學、教育技術學以及有實際教學經驗的制作者對課件進行科學的設計和制作，常常出現課堂搬家、傳統教案網頁化等做法，使得大部分網絡課程沒有任何特色，耗費大量有限的資源，卻只能提供重復、低質量的課程。
再次，資源利用效率低下。根據網絡教育自身的特征和規律分析，可以說，目前林業行業的網絡教育并沒有體現出網絡教育的特性和林業行業的特色。許多單位對網絡的利用僅限于形象工程，個別時候帶學生“上一次網”，把上網當作傳統課堂教學過程中的一次（或幾次）“開眼界”的實習課、見習課，這對于巨大的網絡投資、對網上豐富的教學資源來說也是一種極大的浪費。
四、缺乏有效的行業管理，和行業準入制度
制度對社會的發展具有重大作用。建立制度的目的在于設定準入門檻，避免重復建設。
中國網絡教育發展迅速，政府部門已對其管理制定了相關政策。例如，教育部2000年4月20日了《關于加強對教育網站和網校進行管理的公告》，強調了在國內舉辦“網絡學校（大學）”、建立教育網站或利用衛星網絡開展遠程教育必須經過有關部門審批同意。2000 年7月，教育部又頒布了《教育網站和網校暫行管理辦法》，表明了教育部對教育網站和網校的領導權，并對網站不可傳播的內容進行了規定。但不可否認，這些制度中仍存在不夠完善、合理的方面，導致了執行中的困難。但是林業行業的網絡教育準入制度并沒有建立起來，這就導致林業行業網絡教育重復建設嚴重，質量沒法保證。管理首先要從制度入手，基本制度的存在和健全能使林業行業網絡教育的發展得以正常進行。另一方面，由于網絡教育是新生事物，人們對其的認識還不夠深入，行業主管部門對它的認識還非常不全面，推動行業整體對網絡教育從新認識任重而道遠。
總之，林業行業網絡教育對于深化林業行業改革，提高林業行業生產效率都有著不可或缺的作用。因此我們一定要真正的發展林業行業網絡教育。要在結合行業特色的基礎上，按照客觀規律辦事，加強林業行業網絡教育理論和技術的研究，通過不斷地學習、培訓轉變觀念，使其為全行業服務；加強準入制度的建設，通過制度、標準等在實踐中加強管理；大力推廣和宣傳林業行業網絡教育，讓更多的一線產業工人能通過網絡學習到知識；聯合相關行業單位，統籌網絡資源建設，減少浪費，提高效率，建立有效的學習和反饋渠道。只有這樣，林業行業的網絡教育才能健康、順利的發展。
參考文獻：
[1] 靳希斌.20世紀人力資本學說·教育經濟學[M].濟南：山東教育出版社，1995：400.
[2] 夏晉祥.高校擴招：一個需要研究的經濟學問題[J].教育與經濟2000，（2）.
[3] 何玉靜.論中國高校點適度規模及實現途徑[J].河南教育學院學報（哲學社會科學版），1998，（1）.
[4] 胡隆.現階段網絡輔助教學的不足與改進[J].外語電化教學，1999，（4）.
[5] 肖溪.學習方式的革命——中國人民大學網絡教育的實踐與探索[J].中國遠程教育，2000，（7）.
[6] 蔡幗芬，吳燕春.中國網絡教育發展分析[J].現代傳播，2000，（4）.
[7] Greville Rumble.網上教育將如何影響遠程教育的成本和結構[J].丁興富，譯.中國遠程教育，1999，（增刊）.
神經網絡的發展范文3
關鍵詞：計算機網絡模型；神經網絡算法
計算機網絡在人們日常生活越來越重要，被廣泛應用到各個行業。隨著社會不斷發展，人們需求不斷加高，使計算機得到良好改善，目前，計算機網絡運用集線式服務器來實現網絡互連，促進網絡發展。但是也有很大弊端，過多的聯想信息雖然滿足人們需求，但是對技術的要求也更加苛刻，現有的技術滿足不了計算機網絡運行，使人們日常操作不方便。為了解決這一問題，研究人員需要全面優化計算機網絡，提高運行能力和性能，運用神經網絡算法，使計算機更加適合現代社會發展，儲存更多信息。
1神經網絡算法概論分析
1.1神經網絡算法整體概論神經網絡算法是按照人體大腦的思維方式進行模擬，根據邏輯思維進行推理，將信息概念化形成人們認知的符號，呈現在顯示屏前。根據邏輯符號按照一定模式進行指令構造，使計算機執行。目前，神經網絡被廣泛使用，使直觀性的思維方式分布式存儲信息，建立理論模型。優化網絡的神經網絡主要是Hop?eld神經網絡，是1982年由美國物理學家提出的，它能夠模擬神經網絡的記憶機理，是全連接的神經網絡。Hop?eld神經網絡中的每個神經元都能夠信號輸出，還能夠將信號通過其他神經元為自己反饋，那么其也稱之為反饋性神經網絡。
1.2優化神經網絡基本基礎Hop?eld神經網絡是通過能量函數分析系統，結合儲存系統和二元系統的神經網絡，Hop?eld神經網絡能收斂到穩定的平衡狀態，并以其認為樣本信息，具備聯想記憶能力，使某種殘缺信息進行回想還原，回憶成完整信息。但是Hop?eld神經網絡記憶儲存量有限，而且大多數信息是不穩定的，合理優化計算機聯想問題，使Hop?eld神經網絡能夠建設模型。
1.3神經網絡算法優化步驟簡述人工神經網絡是模擬思維，大多是根據邏輯思維進行簡化，創造指令使計算機執行。神經網絡算法是按照人體思維進行建設，通過反應問題的方法來表述神經思維的解；利用有效條件和能量參數來構造網絡系統，使神經網絡算法更加可靠；大多數動態信息需要神經網絡來根據動態方程計算，得出數據參數來進行儲存。
2神經網絡算法的特點與應用
2.1神經網絡主要特點神經網絡是根據不同組件來模擬生物體思維的功能，而神經網絡算法是其中一種程序，將信息概念化，按照一定人們認知的符號來編程指令，使計算機執行，應用于不同研究和工程領域。神經網絡在結構上是由處理單元組成，模擬人體大腦神經單元，雖然每個單元處理問題比較簡單，但是單元進行組合可以對復雜問題進行預知和處理的能力，還可以進行計算，解決問題能力突出，能夠運用在計算機上，可以提高計算機運算準確度，從而保障計算機運行能力。而且一般神經網絡有較強容錯性，不同單元的微小損傷并不阻礙整體網絡運行，如果有部分單元受到損傷，只會制約運算速度，并不妨礙準確度，神經網絡在整體性能上能夠正常工作。同時，神經網絡主干部分受到損傷，部分單元會進行獨立計算，依然能夠正常工作。
2.2神經網絡信息記憶能力神經網絡信息存儲能力非常強，整體單元組合進行分布式存儲。目前，神經網絡算法是單元互相連接，形成非線性動態系統，每個單元存儲信息較少，大量單元互相結合存儲信息大量增加。神經網絡具備學習能力，通過學習可以得到神經網絡連接結構，在進行日常圖像識別時，神經網絡會根據輸入的識別功能進行自主學習，過后在輸入相同圖像，神經網絡會自動識別。自主學習能力給神經網絡帶來重要意義，能夠使神經網絡不斷成長，對人們未來日常工作能夠很好預測，滿足人們的需求。
2.3神經網絡的突出優點近年來，人工神經網絡得到越來越多人重視，使神經網絡得到足夠資源進行良好創新。人工神經網絡是由大量基本元件構成，對人腦功能的部分特性進行模仿和簡化，人工神經網絡具備復雜線性關系，與一般計算機相比，在構成原理和功能特點更加先進，人工神經網絡并不是按照程序來進行層次運算，而是能夠適應環境，根據人們提供的數據進行模擬和分析，完成某種運算。人工神經系統具備優良容錯性，由于大量信息存儲在神經單元中，進行分布式存儲，當信息受到損害時，人工神經系統也可以正常運行。人工神經網絡必須要有學習準則制約來能夠自主學習，然后進行工作。目前，人工神經網絡已經逐步具備自適應和自組織能力，在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。通過一定學習方式和某些規則，人工神經網絡可以自動發現環境特征和規律性，更貼近人腦某些特征。采用并行分布處理方法，使得快速進行大量運算成為可能。神經網絡的一個很大的優點是很容易在并行計算機上實現，可以把神經的節點分配到不同的CPU上并行計算。錢藝等提出了一種神經網絡并行處理器的體系結構，能以較高的并行度實現典型的前饋網絡如BP網絡和典型的反饋網絡(如Hop?eld網絡)的算法。該算法以SIMD(SingleInstructionMultipleData)為主要計算結構，結合這兩種網絡算法的特點設計了一維脈動陣列和全連通的互連網絡，能夠方便靈活地實現處理單元之間的數據共享。結合粒子群優化算法和個體網絡的并行學習機制，提出了一種基于粒子群優化的并行學習神經網絡集成構造方法。
3結束語
全球化的發展，信息交流不斷加快，促使各個行業相互融合。神經網絡算法具備簡單、穩定等不同優勢，神經網絡研究內容相當廣泛，神經網絡算法能夠與其它算法相互結合，在一定程度提高計算機網絡模型運算能力。但是計算機網絡模型中神經網絡算法學習能力比較低下，梯度下降法不準確，所以需要有關人員進行深度研究，探索神經網絡算法，使其更加完善，從而保證計算機整體性能的提高。
參考文獻：
[1]陳竺.計算機網絡連接增強優化中的神經網絡算法[J].電子技術與軟件工程,2014(19).
神經網絡的發展范文4
【關鍵詞】人工神經網絡 BP神經網絡 圖像識別 識別技術
通常而言，所謂圖像處理與識別，便是對實際圖像進行轉換與變換，進而達到識別的目的。圖像往往具有相當龐大的信息量，在進行處理圖像的時候要進行降維、 數字化、濾波等程序，以往人們進行圖像識別時采用投影法、不變矩法等方法，隨著計算機技術的飛速發展，人工神經網絡的圖像識別技術將逐漸取代傳統的圖像識別方法，獲得愈來愈廣泛的應用。
1 人工神經網絡圖像識別技術概述
近年來，人工智能理論方面相關的理論越來越豐富，基于人工神經網絡的圖像識別技術也獲得了非常廣泛的應用，將圖像識別技術與人工神經網絡技術結合起來的優點是非常顯著的，比如說：
（1）由于神經網絡具有自學習功能，可以使得系統能夠適應識別圖像信息的不確定性以及識別環境的不斷變化。
（2）在一般情況下，神經網絡的信息都是存儲在網絡的連接結構以及連接權值之上，從而使圖像信息表示是統一的形式，如此便使得知識庫的建立與管理變得簡便起來。
（3）由于神經網絡所具有的并行處理機制，在處理圖像時可以達到比較快的速度，如此便可以使圖像識別的實時處理要求得以滿足。
（4）由于神經網絡可增加圖像信息處理的容錯性，識別系統在圖像遭到干擾的時候仍然能正常工作，輸出較準確的信息。
2 圖像識別技術探析
2.1 簡介
廣義來講，圖像技術是各種與圖像有關的技術的總稱。根據研究方法以及抽象程度的不同可以將圖像技術分為三個層次，分為：圖像處理、圖像分析以及圖像理解，該技術與計算機視覺、模式識別以及計算機圖形學等學科互相交叉，與生物學、數學、物理學、電子學計算機科學等學科互相借鑒。此外，隨著計算機技術的發展，對圖像技術的進一步研究離不開神經網絡、人工智能等理論。
2.2 圖像處理、圖像識別與圖像理解的關系
圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對圖像進行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對這些信息進行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識別則是將經過處理的圖像予以匹配，并且對類別名稱進行確定，圖像識別可以在分割的基礎之上對所需提取的特征進行篩選，然后再對這些特征進行提取，最終根據測量結果進行識別；所謂圖像理解，指的是在圖像處理與圖像識別的基礎上，根據分類作結構句法分析，對圖像進行描述與解釋。所以，圖像理解包括圖像處理、圖像識別和結構分析。就圖像理解部分而言，輸入是圖像，輸出是對圖像的描述解釋 。
3 人工神經網絡結構和算法
在上個世紀八十年代，McClelland與Rumelhant提出了一種人工神經網絡，截止現在，BP神經網絡已經發展成為應用最為廣泛的神經網絡之一，它是一種多層前饋神經網絡，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經網絡結構。
BP神經網絡是通過不斷迭代更新權值使實際輸入與輸出關系達到期望，由輸出向輸入層反向計算誤差，從而通過梯度下降方法不斷修正各層權值的網絡。
BP神經網絡結構算法如下所述：
（1）對權值矩陣，學習速率，最大學習次數，閾值等變量和參數進行初始化設置；
（2）在黑色節點處對樣本進行輸入；
（3）對輸入樣本，前向計算人工神經網絡隱層及輸出層各層神經元的輸出；
（4）使用梯度下降方法不斷修正各層權值及閥值，由梯度算子得到的權值為
（6）判斷，判斷是否大于最大迭代次數或者是否誤差已經達到要求。如果大于最大迭代次數或誤差達到要求，那么便直接轉到第（7）步，否則，轉到第（4）步對各個矩陣的權值繼續修正，反復訓練；
（7）看是否遍歷所有樣本，是則結束，否則跳回第（3）步繼續。
BP神經網絡操作簡單而有效，可通過Opencv的CvANN_MLP類， Matlab的模式識別工具箱Nprtool等實現，經驗得出在如下情況中人工神經網絡尤為適用：
（1）大量數據可用，卻不知道與輸出之間關系；
（2）問題的解決方案隨時間變化而變化；
（3）輸出是模糊的函數關系，而非精確數字。
4 人工神經網絡圖像識別
傳感器或攝像儀輸入圖像識別系統以后，其目標圖像不能夠與系統全部的參考圖像完全一樣， 這是由于對應噪聲干擾，光線不足和放縮旋轉等問題。 基于人工神經網絡對畸變圖像識別進行深層分析，并且利用 CCD 攝像頭對圖像信息進行采集，在此過程之中通過對攝像頭方位進行更改對易出現畸變的圖像進行采集，從而使得畸變圖像所帶信息組成樣本庫。在電腦里面輸入樣本庫中的圖像信息，并且進行模數的轉化，變成數字圖像，利用數字濾波來對數字圖像信息進行處理。在神經網絡之中輸入樣本圖像數字信息來進行訓練，一方面可以基于數字圖像的像素點集合組成輸入矩陣，用高維數據作為訓練樣本，通過主成分分析（PCA）的方法進行降維，大大簡化計算量；一方面可以基于數字圖像的特征空間進行聚類分割，提取幾何特征或者統計特征，輸入到SOFM神經網絡或者Hopfield神經網絡，從而使其生成圖像識別神經網絡系統。在進行圖像識別的時候使用CCD 攝像頭來采集識別圖像，并且把其模型轉化為數字圖像，預處理后，將其輸入到訓練好的神經網絡識別系統里面，就其可以開展快速的計算，并進行識別。把圖像識別技術與人工神經網絡理論有機結合起來，可以非常有效地實現神經網絡信息系統的一致性， 此外，還可以將其對網絡連接結果與權值進行存儲，促進管理效率的提高，并對于知識庫的構建也具有積極的作用。
5 結論
本文就基于人工神經網絡的圖像識別技術進行了詳細地闡述，由綜上研究可以基于人工神經網絡的圖像識別技術具有比較多的優點以及比較高的可行性，然而，我們對該技術存在的網絡規模及復雜圖像識別準確度上還應繼續進行深入研究，以求技術突破。在將來，圖像識別技術隨著科技的不斷發展將會獲得更多的應用，其勢必會發展為一門獨立且具備強大生命力的學科
參考文獻
[1]王強，張小溪，韓一紅.基于神經網絡的圖像識別[J].電子設計工程，2012.
[2]雷建鋒，孫俊逸.基于人工神經網絡下的圖像識別的研究[J].現代電子技術，2008.
神經網絡的發展范文5
關鍵詞：計算機網絡模型；神經網絡算法；分析
中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）35-0212-02
計算機網絡是人們多年研究科技進步最重要的成果，其被廣泛運用到教育、工作、科學等方面，也具有良好的成就。目前，基于服務器的集線式網絡具有實現網絡互連的功能，但也成為了網絡進一步發展的阻礙。雖然大量的信息能夠豐富網絡中的內容，但是其中的多媒體技術發展卻使網絡運行力不從心，比如圖像、聲音等，全面優化計算機網絡整體性能是其發展的必要途徑。將神經網絡算法與計算機網絡相結合，能夠有效解決大規模復雜性的問題。
1淺析神經網絡算法
1.1神經網絡算法內涵
思維界認為，人類大腦思維包括靈感思維、邏輯思維、形象思維三種方式，神經網絡模擬的就是人類思維的形象思維，是一種非線性動力學系統。神經網絡算法指的是邏輯性思維根據邏輯規則推理的過程。神經網絡的內容目前被廣泛研究，包括建立理論模型、生物原型研究、建立網絡模型與算法研究、人工神經網絡應用系統等。
優化網絡的神經網絡主要是Hopfield神經網絡，是1982年由美國物理學家提出的，它能夠模擬神經網絡的記憶機理，是全連接的神經網絡。Hopfield神經網絡中的每個神經元都能夠信號輸出，還能夠將信號通過其他神經元為自己反饋，那么其也稱之為反饋性神經網絡。
1.2神經網絡優化的基礎
Hopfield神經網絡其實是一個分線性動力系統演變的過程，通過能量函數分析系統的穩定性，將能量函數看做需要優化的問題目標函數。將能量函數的初始狀態轉變為穩定點這一過程，就成為求解優化問題過程，這個過程也可以稱為在計算機聯想記憶基礎上解決優化問題的過程。
1.3神經網絡優化模型的算法
反饋網絡的聯想記憶和優化是相對的，通過優化計算得知W，其目的就是為了找出E的最小穩定狀態；聯想記憶的穩定狀態是特定的，要通過一些過程才能夠找到適合的W。這個過程中的關鍵就是將問題的目標函數通過二次型能量函數進行表達。如下式所述：
Hopfield神經網絡比較常見的類型有DHNN（離散型）和CHNN（連續性）兩種，他們的動態方程分e為：
DHNN（離散型）動態方程：ui=fi（v1，v2，...，vN）
Vi=g（ui），vi∈{0，1}，i=1，2，...，N
式子中的gi表示為階躍函數，vi=g（ui）[（1， ui>0）（0， ui
CHNN（連續性）動態方程：dui/dt=fi（v1，v2，...，vN）
Vi=gi（ui），i=1，2，...，N
式子中的gi表示為常用函數sigmoid，vi=gi（ui）=1/2[1+tanh（ui/u0）]，u0表示的為可控函數的斜率，當u0=0的時候，gi就為階躍函數?！?】
1.4神經網絡算法的優化步驟
其一，通過合適的問題將方法表述出來，使神經網絡的輸出和這一問題的解相互對應；
其二，創建有效的能量函數，要求問題的最優解能夠對應最小值；
其三，使用有利條件和能量函數創建網絡參數；
其四，創建對應的動態方程和神經網絡；
其五，使用有效的初值，要求網絡根據動態方程進行驗算，直到收斂。
2基于神經網絡算法的網絡流優化模型
網絡流優化模型的關鍵就是最小切割、圖的劃分和最大流問題，下面一一描述：
最小切割：最小切割是指尋找使隔集容量達到最小的切割。圖的切割是指劃分一個N―n1Un2，一個隔集為一組弧（i，j），i∈n1，j∈n2，隔集弧的權值總和為它的容量。使N=（W，T）是T=0的網絡，要求能量最小為N圖的最小切割。
圖的劃分：圖的劃分指的是將圖劃分為K個部分，要求每個部分中的節點數都相等。
最大流問題。要求有向圖G（v，e）中的開始點為S，結束點為Z，邊容量為Cij。如果每條邊都有非負數fij，并且每條邊為fij≤Cij且除了S和Z之外具有∑fij=∑fki。當S和Z有∑fsi=∑fiz=W的時候，W的最大值≤任何切割的容量?！?】
3基于神經網絡算法的動態路由選擇模型
通信網中的物理網絡的連接一般是點到點，其可以用無向圖G=（v，e）來表示，將交換節點表示為頂點，通路表示為邊，每一邊都有最大容量，為了能夠滿足網絡中點和點能夠相互通信，還E能夠根據網絡業務的量和用戶呼叫為基礎進行路由安排?，F在一般使用的都是靜態方式，能夠提供給動態路由一些可能性，其的優化模型是：
如果網絡圖是G=（v，e），而且對網絡中的邊進行編號，路徑經過的邊表示為1，路徑不經過的邊表示為0，L*M神經元表示為L需要這多個路由，將備選的路由數量表示為M，如果通信網中具有N個節點，那么目標函數就是E=E1+E2+E3?！?】
4結束語
基于神經網絡算法的優化網絡模型有著簡單、穩定、快速、規范的優勢，其與其他算法相結合，能夠較大程度的提高計算機網絡模型的整體性能。但是Hopfield神經網絡算法中的優化網絡模型并不嚴格，它有著核心策略下降的缺點，那么在使用過程中會出現網絡收斂的最優解呈局面狀態、網絡收斂解不可行、網絡參數的不正當選擇會導致偏差等，所以在今后就要深入研究計算機網絡模型中的神經網絡算法，使其更加完善。
參考文獻：
[1]丁建立.基于神經網絡算法的計算機網絡優化模型研究[J].洛陽師范學院學報，2003， 22（2）：59-62.
神經網絡的發展范文6
【關鍵詞】神經網絡；網絡流量；預測徑向基算法；BP算法
隨著網絡的迅速發展，網絡上承載的業務和應用日益豐富。加強網絡管理、有效提高網絡運行速度和利用率，網絡流量預測是關鍵，也就是對網絡出口的流量發展進行動態分析，并在定性基礎上對流量進行定量的計算。有很多種因素可以影響網絡流量，在實際發生的時間序列中，弱相依性、突變性和隨機性等復雜非線性特征對網絡流量預測都存在很大的影響，而且在以往的學者中針對于這些特點所構建的數學模型也不是很完善，還不夠成熟。針對這些特點本文將在時間序列的預測中結合使用徑向基神經網絡的方法，在時間序列的延遲性中運用自相關分析技術進行合理分析，建立基于MATLAB6.5環境下的黑龍江信息技術職業學院網絡出口流量預測的徑向基神經網絡數學模型，并對實際網絡出口流量數據驚醒有效的驗證。
1、建立徑向基神經網絡流量的預測模型
對于網絡流量這樣的非線性系統進行建模時，本文采用徑向基神經網絡技術，針對隱層節點的數量處選擇合理的改進方法。經過實際操作的甄選后選擇網絡流量的均方誤差的目標值為0.001，隱層節點數選擇最大為23個。除此之外，為了保證徑向基神經網絡泛化能力的良好運行，并且保證徑向基函數的輸人輸出范圍足夠大，就需要對輸入的訓練值進行postmnmx歸一化處理。
從隱含層到輸出層之間的權值是基于徑向基神經網絡函數來調整，并采用線性傳遞函數進行實現的，綜合考慮，這樣就不存在在局部會出現極小點的問題。對于這種基于徑向基神經網絡的局部函數，會有很快的網絡學習速度，對于函數迫近時的收斂速度問題，能夠很好地克服。
2、算例分析
對基于徑向基神經網絡函數是有一定的精度要求的，本文采用newrb函數進行設計，并滿足函數的精度要求。函數格式為：net=newrb（a，b，m，n），采用基于徑向基神經網絡函數進行逼近原始函數時，newrb函數能夠自動增加基于徑向基神經網絡的隱層神經元，直到均方誤差滿足為止。對于輸入向量矩陣、目標向量矩陣、均方誤差和徑向基的分布分別使用式中變量a，b，m，n來表示。
在時間序列的預測上采用用sim函數進行預測。函數格式為：y= sim（net，x），對于待評價時間序列的輸入向量和用基于徑向基神經網絡對時間序列進行計算的預測值分別使用式中的x，y進行表示?；趶较蚧窠浘W絡的網絡流量預測模型是在Matlab6.5環境下的，并對網絡流量在時間序列上進行預測。
基于徑向基神經網絡采用1個輸出單元和23個輸人單元，并對基于徑向基神經網絡進行訓練，自動調整網絡訓練程序的最終隱含層節點數，調整后的節點數為23個。最后比較網絡流量預測模型所得的最后的網絡輸出和實際的網絡流量數據，其結果如圖1所示。
把表1中2013年10月28日實際發生的網絡流量真實值作為訓練的樣本，在MATLAB6.5環境下的基于徑向基神經網絡模型對2013年10月28日我校網絡流量進行預測，其預測的結果如表1所示，在MATLAB6.5環境下的網絡訓練的圖形輸出結果及預測結果如圖1所示。
在表1中實際數據值和預測值可以看出，經過多次的歷史預測，每次模型預測的絕對誤差值均為0，可以總結為采用的訓練樣本的合格率均為100%，具有較好的擬合精度和預測精度。
在圖1中我們可以看到，基于徑向基神經網絡模型通過訓練對網絡流量能夠準確的預測，在泛化能力上也有很大的提高。經過后期計算，通過網絡訓練的均方誤差為MSE=2.1731e-010，預測的均方誤差為MSE=0.0012。從誤差變化曲線能夠表示出，訓練到達第22步時，網絡流量預測模型的精度要求基本滿足。
