前言：中文期刊網精心挑選了人工神經網絡的概念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。
人工神經網絡的概念范文1
關鍵詞：脈沖耦合神經網絡（PNCC）；人工神經網絡；車輪定位；側滑
隨著交通系統的越來越發達，特別是高速公路的迅速發展，人們駕駛汽車的速度也是越來越快。隨著行車速度的提高，汽車的操控是否穩定對汽車的駕駛人員的安全來講至關重要。而汽車操控的穩定性則由汽車的車輪定位參數來決定。車輪的定位主要有2種即前輪的定位和后輪的定位。而前輪的定位參數有：前輪前束、前輪后傾角、主銷后傾角、主銷內傾角等組成；后輪定位參數有：后輪前束、后輪后傾角等組成。對于不同檔次的汽車有的只有前輪定位，有的前輪定位和后輪定位都有。不管前后輪定位是不是都有，只要有一個定位參數有錯誤將會產生非常嚴重的影響，主要是影響汽車的操控穩定性。如果主銷后傾角過大時則會使轉向沉重；而主銷后傾角過小則很容易引起前輪擺振，方向盤搖擺不穩以及方向盤自動回正能力變差；如果汽車左右后傾角偏差過大那么就會將引起直線行駛時跑偏，而后輪前束不正確則不僅會引起直線行駛時跑偏，還會造成輪胎非正常磨損等?？傊?，汽車的車輪定位檢測對于汽車的駕駛者來講是非常重要的。
1汽車誕生之后出現的車輪定位檢測的方法
在最早的時候，主要是使用專用的定位測量工具來測量的，如前束尺、外傾角、后傾角等測量工具。隨著汽車技術的迅猛發展，使用這些定位測量工具遠遠滿足不了現在定位檢測的要求。為了提高定位檢測的效率，在市面上出現了一種采用激光技術測量前束的光學水準定位儀。使用這種定位儀的時候操作比較簡單，價格也比較低，但是使用它測量的時候仍然需要人工來讀取數據。再后來隨著電腦式四輪定位儀的出現，大大提高了原先的定位檢測效率。這種電腦式的四輪定位儀由電腦主機、顯示器、打印機、前后車輪檢測傳感器、傳感器支架等硬件組成，并且還配有數字視頻圖像數據庫，通過數據庫可以顯示檢查和調整的準確位置等。為了更智能化地進行車輪的定位檢測，最新的車輪定位系統開始引入了第三代人工神經網絡模型，也就是專業上來講的脈沖耦合神經網絡。這一概念的引入給汽車車輪定位檢測系統帶來了智能化。
2人工神經網絡系統
它是一種采用類似人的大腦神經的工作模式，將復雜的人類大腦用于處理某些復雜的信息并具有一定的智能性。人工神經網絡以其大規模的并行計算能力、自適應性和容錯性，在工業過程中發揮了非常重要的作用，并迅速應用到了各個應用領域。第三代人工神經網絡，是一種新型的人工神經網絡。稱為脈沖耦合神經網絡（PCNN：Pulse Coupled NeuralNetwork）。這種模型已經開始在汽車車輪定位檢測系統中得到了應用。特別是近幾年，人工神經網絡技術逐步開始應用在汽車故障預測、監測和診斷領域等方面。本文將對第三代人工神經網絡即脈沖耦合神經網絡（PNCC）在汽車車輪定位檢測中的應用進行簡要的分析。
人工神經網絡因為是源于生物類的大腦活動模式，所以這種人工神經網絡也是由很多的神經元組成的。這些神經元相互連接，就形成了人工神經網絡。因為人腦工作模式的特殊性，這些人工神經網絡的工作模式也不是一般的線性元素所能完成的。和人類大腦一樣，神經元也是人工神經網絡的基礎處理單位。輸入的信號可以是多種的，而輸出的結果只有一種，這和人類的大腦工作模式是一致的。通過了解，人們知道這種脈沖耦合神經網絡的應用已經非常廣泛了。特別是應用在日常生活中所見到的圖像處理中。因應用方向不同，在引入這種脈沖耦合神經網絡的時候所采用的各種方法手段及其設置也都不一樣。這些參數的設置直接影響著輸出結果。所以一旦引入了這個概念，就需要通過大量的實驗來驗證參數設置的正確性以及有效性。避免因為前期的設置問題，導致后期出結果的時候有較大的偏差。所以應該把重點放在前期的實驗數據上。特別是數據的選擇及環境的選擇上。人工神經網絡是不同于任何網絡的一種類似智能的網絡架構，它的工作模式和任何的其它網絡都不一樣，它的這一特性，讓人們能夠從中理解了這種類似大腦的神經元工作模式。大腦在工作的時候主要靠這些相互連接的神經元相互作用，傳送信號，當然這些看似零亂的神經元也是有一定的組織結構的，之間也形成了一種特殊的網絡拓撲結構。在傳遞信號的時候，可以通過各種刺激來增強或減弱相關的神經元的傳遞信號。當然這種神經元信號在傳遞的時候速度是非?？斓模瑑H次于人類的神經元傳遞速度。而要遠快于計算機信號的傳遞速度，人工神經網絡在工作的時候，除了可以傳遞信號外，還可以通過各種刺激來增強或減弱相關的神經元信號。正是因為這種特性，才讓人們選擇了將脈沖耦合神經網絡應用在各個領域中。因為這些優勢，它的應用正在逐步擴大，開始應用在各行各業中。
3脈沖耦合神經網絡
同人類的神經網絡系統一樣，脈沖耦合神經網絡是由大量的神經元組成的，這些神經元都是簡單結構的，但是神經元都是相互連接的，彼此可以接受其它大量神經元傳輸過來的信息。每一個神經元都可以接收和輸出信息。當然這些輸入、輸出的信息都不是傳統形式的信息。它的輸入、輸出不是線性關系的輸入、輸出。這樣每個不同位置的神經元都在接收和輸出非線性關系的信息。它們之間相互影響、相互制約，最終影響到結果的輸出。同人類的大腦神經網絡一樣，人工神經網絡系統也需要學習。就像人類從誕生開始就要接受學習一樣，人類通過年齡的增長，逐步學習到相應的知識，最終形成了成人的大腦神經網絡，當人們遇到事情需要處理的時候，大腦神經網絡就開始接收外界的信息，然后根據收到的信息進行非線性運算，最終得出結果或結論。人工神經網絡也需要進行這樣的學習，只不過這樣的學習和人類的學習不太一樣，人工神經網絡學習有各種各樣的算法。而脈沖耦合神經網絡和傳統的人工神經網絡還不太一樣，這種系統不需要對傳統的網絡參數進行學習，這種系統需要在前期對不同環境下的參數進行特定的設置。這是傳統神經網絡發展的趨勢。包括從人工神經網絡的信號輸入到信號輸出都有別于傳統的人工神經網絡。人的大腦在人出生的時候只是決定了這個神經網絡的基礎，后天的影響因素能夠起到非常重要的作用。而人工神經網絡在這一點上則不同于人的大腦。當然人工神經網絡的工作原理和計算機的工作原理也不一樣，計算機只會根據提供的信息進行一步一步的計算，每一步的計算都有依據，有很強的邏輯性。而人工神經網絡在工作的時候，則是依據正常的大腦工作原理，進行非線性甚至非邏輯的運算，最終迅速得出結論或結果。
綜上所了解的知識，得出了需要利用人工神經網絡技術中的BP神經網絡算法對車輪的兩個定位參數外傾角和前束角進行檢測。同時，由前面理論可以了解到：當汽車發生側滑的時候很可能是因為車輪的外傾角或汽車的前束角引起的。所以，就要通過使用人工神經網絡系統對這一可能引起側滑的位置進行檢測。本文主要通過對映射反推原理對車輪的外傾角、前束角等進行定位檢測。通過反射的定位角度，還確定是否有問題。當然這些都需要提前做大理的工作準備。首先需要進行大量的神經網絡模型訓練，然后通過前期設置的車輪定位參數，將最終得出的結果進行比較，最后建立一個可以準確診斷的數學模型。這樣以后就要以通過這個建立的數學模型進行定位角的測量了。
人工神經網絡的概念范文2
Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.
關鍵詞： 財務管理；神經網絡；決策支持系統；專家系統
Key words: financial management；nerve network；decision support system （DSS）；expert system
中圖分類號：F275 文獻標識碼：A 文章編號：1006-4311（2012）03-0126-02
0 引言
DSS是80年代迅速發展起來的新型計算機科學。它是一個有著廣泛應用背景的十分熱門的交叉科學。神經網絡是一個具有高度非線性的超大規模連續時間的動力系統。結合神經網絡的智能決策支持系統是目前研究的前沿之一，它極具理論和使用價值。
財務管理的信息化、數字化是財務規范和科學管理的趨勢。與DSS的結合將更加有利于數據標準的統一，有利于數據采集的模塊化，有利于決策支持的科學化，有利于財務公開的透明化。
1 財務管理決策支持系統的研究現狀
決策支持系統經過二十多年的發展，形成了如圖1所示公認的體系結構。它把模型并入信息系統軟件中，依靠管理信息系統和運籌學這兩個基礎逐步發展起來。它為解決非結構化決策問題提供了相應的有用信息，給各級管理決策人員的工作帶來了便利。
從圖1可以看出決策支持系統體系結構可劃分為三級，即語言系統（LS）級、問題處理系統（PPS）級和知識系統（KS）級。其中問題處理系統級包括推理機系統（RS）、模型庫管理系統（MBMS）、知識庫管理系統（KBMS）及數據庫管理系統（DBMS）。知識系統級包括模型庫（MB）、知識庫（KB）及數據庫（DB）。
九十年代中期，興起了三個輔助決策技術：數據倉庫（DW）、聯機分析處理（OLAP）和數據挖掘（DM）。聯機分析處理是以客戶/服務器的方式完成多維數據分析。數據倉庫是根據決策主題的需要匯集大量的數據庫，通過綜合和分析得到輔助決策的信息。數據挖掘顧名思義，是為了獲得有用的數據，在大量的數據庫中進行篩選。人工智能技術建立一個智能的DSS人機界面，可進行圖、文、聲、像、形等多模式交互，人機交互此時變得更為自然和諧，人們能沉浸其中，進行合作式、目標向導式的交互方法。
從目前情況來看，財務決策支持系統的研究還處于初級發展階段，財務數據的保密性、特殊性決定了財務決策不能全部公開化、透明化，但隨著中央及國務院相關部門財務預決算數據的公開，財務決策系統及其支持系統和過程也將隨之公開，這就要求決策者充分利用財務知識和決策支持系統的知識“聰明”決策、合理決策、科學決策、規范決策。
2 財務管理神經網絡智能決策支持系統總體研究框架
2.1 神經網絡運行機制 神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。
第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發出較快較強的速度來。
我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優化計算和聯想記憶、軍事應用以及決策支持系統中。
2.2 財務管理神經網絡集成智能財務DSS的必然性 在企業經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統模式來支持這類評價決策問題是目前財務管理智能決策支持系統的一種發展趨勢和必然趨勢[4]。
2.3 財務管理神經網絡集成智能DSS系統框架 神經網絡智能決策支持系統主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統研究框架[2]。研究中有兩個重點，即神經網絡推理系統和神經網絡數據開采系統。
2.3.1 神經網絡數據開采系統 神經網絡數據開采時利用神經網絡技術協助從數據中抽取模式。數據開采有五項基本任務：相關分析、聚類、概念描述、偏差監測、預測。
常用的前饋式神經網絡，如BP網絡，可用于進行概念描述及預測。對向傳播（Counter Propagation，簡稱CP）神經網路可用來進行統計分析和聚類。
CP網絡是美國神經計算專家Robert Hecht-Nielsen提出的一種新型特征映射網絡，其網絡結構分輸入、競爭、輸出三層。該網絡吸取了無教師示教型網絡分類錄活、算法簡練的優點，又采納了有教師示教型網絡分類精細、準確的好處，使兩者有機地結合起來。由競爭層至輸出層，網絡按基本競爭型網絡學習規則得到各輸出神經元的實際輸出值，并按有教師示教的誤差校正方法調整由競爭層至輸出層的鏈接權。經過這樣反復地學習，可以將任意輸入模式映射為輸出模式。
2.3.2 財務管理神經網絡推理系統 財務管理神經網絡推理系統主要利用神經網絡的并行處理機制來解決傳統推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經網絡系統中，計算與存儲時完全合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯想記憶的基本原理。若視動力系統的穩定吸引子為系統計算能量函數的極小點，系統最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯想記憶（BAM）網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網絡通過提供的樣本對進行充分的學習后，就可用來進行模式間的聯想推理。
3 財務管理神經網絡智能DSS研究展望
當前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統和人工神經網絡是比較常用的技術，但由于自身的局限性，它們都側重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術結合起來解決，除了它們要自身不斷發展和完善外，還要注重兩者的協調配合，神經網絡DSS未來的發展趨勢就是依靠這兩種技術不斷結合，從而能幫助我們解決更多的實際問題。
3.1 財務管理神經網絡支持專家系統 常見的財務管理神經網絡支持專家系統主要包括幾個方面：知識維護、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。
3.1.1 知識維護。如果知識是通過人工神經網絡來獲取的，我們就可以同樣利用人工神經網絡，來讓維護工作變得更加方便快捷，維護可以通過人工神經網絡來自動完成，我們需要做的只是重新運行網絡模塊，或者重新訓練網絡模塊，又或是增加新的網絡模塊。
3.1.2 推理。一般的專家系統只是求解專門性問題，應用的領域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現一些這樣或那樣的問題，推理效率低、速度慢。人工神經網絡可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領域。
3.1.3 知識表示。很多專家知識事實上很難用規則表示出來，但在現實工作中，我們大部分財務管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經網絡系統來將知識提供給專家系統，這樣做就可以避免這一問題，當專家系統需要相應知識時，就不需要用規則來表示知識，直接調用人工神經網絡就可以了。
3.1.4 知識獲取。人工神經網絡可以幫專家系統來獲取知識，知識獲取是通過人機對話的形式進行的。首先，專家系統向專家提出問題，人工神經網路則負責對這些信息進行收集、處理，在人工神經網絡的聯結權值中已經具有通用的知識，所以這一步驟會很方便，之后再產生相應的數據結果。接著，專家系統在對這些數據進行進一步的分析。在這一過程中，專家系統只運用很少的規則就可以獲得相關的知識，大大提高了工作效率。
3.2 財務管理專家系統支持神經網絡 財務管理專家主要通過三種方式來對神經網絡提供必要的支持：第一，提供相應的必要的解釋；第二，進行預處理；第三，聯合應用。
3.2.1 解釋。作為專家系統的人工神經網絡，它做不到同其他專家系統那樣，具體詳細地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個小型的專家來解決這一問題，以獲得答案的原因，這個專家系統可以反向推理，從結果到初始輸入，系統提供具體的解決方法。
在這種模式中，經過訓練的人工神經網絡來解決問題。當用戶要求解釋的時候，就可以通過網絡輸入一個并行的專家系統。
3.2.2 預處理。對于人工神經網絡來說，處理數據這項工作比較難。專家系統可以幫助人工神經做好這些工作：選擇合適的收斂算法，確定訓練神經網絡的樣本的數量，選擇合適的神經網絡。收集正確數據的工作，對于人工神經網絡來說至關重要，事先對它們進行預處理，可以確保各項工作順利的完成。
3.2.3 聯合應用。將一個復問題分解為幾個子問題，如下圖3所示，再將各個子問題來逐個解決，這就是我們所常說說的聯合應用方法。它可以直接采用人工神經網絡、專家系統以及其種可能的方法來解決問題，指導實際應用。
我們當前計算機所要解決的主要問題，是如何解決半結構化和非結構化的決策等問題，它是人們在日常生活中所經常遇到的，在財務活動中會大量存在。如何更科學、更合理地處理這些問題是我們當前工作的主要方向。運用人工神經網絡技術處理半結構化和非結構化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的，它還存在著一定程度上的缺點，我們只有改善這種技術上的不成熟，將智能化研究進行到底，才能讓神經網絡決策支持系統的研究出現新的進展。
參考文獻：
[1]陳文偉.智能決策技術.電子工業出版社，1998年.
[2]鐘義信.智能理論與技術——人工智能與神經網絡.人民郵電出版社，1992年.
人工神經網絡的概念范文3
關鍵詞：相似性；可塑性；阻變機理
DOI：10.16640/ki.37-1222/t.2016.03.102
0 引言
人工神經網絡是一種旨在模仿人腦結構及其功能的信息處理系統。神經元之間突觸的聯系強度是可變，這是學習和記憶的基礎。人工神經網絡可以通過“訓練”而具有自學習和自適應的能力。神經網絡技術的關鍵是權重設計，權重的硬件實現需要一個長期保持記憶且不耗能的納米級元件。傳統的人工神經網絡技術都是在傳統計算機基礎上進行的，其主要缺點是運算量巨大且運算不是并行處理。如果在硬件上實現人工神經網絡的并行分布式處理、非線性處理，自我學習功能和自適應性等功能，就能夠解決了人工神經網絡在傳統計算機上運算量巨大的缺點。而單個憶阻器便可實現神經突觸功能的模擬，而且憶阻器能夠很容易與納米交叉連接技術相結合，具有大規模并行處理、分布式信息存儲、巨大存儲量等優勢。所以利用憶阻系統是人工神經網絡實現神經突觸功能的模擬的最好的方式之一，因而成為近年來研究的熱點。
1 憶阻與神經突觸的相似性
神經元是大腦處理信息的基本單元。人腦大約含有1011-1012個神經元，神經元互相連接成神經網絡。突觸是神經元間信息傳遞的關鍵部位，決定了前后神經元之間的聯系強度。圖1.神經突觸的結構示意圖。神經遞質通過突觸前膜釋放到突觸間隙，作用于突觸后膜上的受體，使突觸后膜發生電位變化，使下一個神經元產生興奮或抑制。生物系統記憶和學習功能是以精確控制通過神經元及突觸的離子流為基礎建立的。突觸能夠隨外界的電位刺激變化，粒子流產生動態連續的變化，聯系強度增強或者減弱，即突觸的可塑性。在憶阻器件出現之前，人工神經網絡突觸的的硬件實現需要集成電路甚至超大規模的集成電路，而且人工神經網絡的密度也很難達到生物神經網絡的密度，因而電路復雜體積龐大，制約了人工神經網絡對于復雜的人腦功能模擬的實現。憶阻器的出現解決了這個問題，世界各地多個研究小組已實現了具有不同憶阻模型和憶阻特性的憶阻器件。由于憶阻器的電阻可變和電阻記憶特性，與突觸的功能上有很強的相似性，因此憶阻在人工神經網絡電路中可以模擬突觸在生物神經網絡中的作用。
2 神經突觸的可塑性特性
神經突觸一個重要的特征是突觸的可塑性，電信號刺激能夠加強或者弱化突觸，突觸連接強度可連續調節。利用憶阻器模擬生物突觸最基本的依據是由于它具有電阻緩變的特性，當施加電壓下器件的阻值可實現從高（低）阻值到低（高）阻值的緩變過程，器件的導電性（或阻值）相當于突觸權重，導電性增大和減小的過程分別對應突觸的增強和抑制過程。記憶是通過大腦中大量突觸之間的相互連接所表現出來，因此，突觸可塑性被認為是學習和記憶重要的神經化學基礎。實現突觸學習功能時，一個典型特性是電脈沖時間依賴可塑性（STDP）。人類大腦中記憶或者突觸可塑性按保留時間可以分為短程記憶和長程記憶。短時程可塑性與神經元的信息傳遞和處理有著密切的關系。神經系統每時每刻都接受數以千計來自外界的刺激，短時可塑性對如何在大量的輸入信息中提取有用信息扮演重要角色。長時程可塑性促使突觸在數小時到數天之內發生持續性的變化，人們認為其在學習和記憶存儲的突觸機制中發揮重要作用。
3 憶阻器件的阻變機理
早在1971年，美國校華裔科學家蔡少棠就通過理論計算預言，在電阻、電容和電感之外必定存還在第四種無源電子元件，即憶阻器。如圖3所示，電路的3個基本元件電阻、電感和電容，可以分別有由4個電路變量變量電壓（v）、電流 （i）、電荷量（q）和磁通量（φ）中的兩個來定義，分別為：由電壓和電流定義的電阻R、由電荷和電壓定義的電容 C 以及由磁通量和電流定義的電感L。出于邏輯完備性，蔡紹棠認為應該還存在由電荷量和磁通量定義的第4類基本電路元器件即憶阻器。然而學界卻一直沒有找到這個在理論上成立的無源元器件，直到37年后（2008年），美國惠普公司宣布在Pt/TiO2Cx/Pt兩端器件實現了具有憶阻功能的器件結構（圖4），從而找到這個一直缺失的電路元件，至此憶阻器開始引起更多學者的研究興趣，并迅速成為電路、材料、生物等領域的研究熱點。
隨著人們對憶阻器研究的深入，多種憶阻器件和模型在各研究領域相繼提出和實現。目前，阻變機理主要有邊界遷移模型、絲電導模型、電子自旋阻塞效應、氧化還原反應等。中科院諸葛飛課題組在錐形納米孔洞結構的非晶碳薄膜材料中，實現了納米導電絲機制的憶阻器件。非晶碳膜阻變器件的電致電阻效應決定于通孔中的納米導電細絲的通斷（如圖4）。
4 結論與展望
本文對神經網絡的概念、憶阻器與神經突觸的相似性、神經突觸的可塑性、憶阻器的阻變機理進行了綜述，指出了目前很多憶阻器是利用人工神經網絡實現人工智能及超級計算機的硬件基礎。目前憶阻器材料研究存在的兩個主要問題是阻 變機理不夠清楚和阻變性能不夠穩定。憶阻器材料非常之多，甚至把任意絕緣材料做到納米級，就很有可能具有阻變特性。找出隱藏在眾多阻變現象之后的機理有無共同的規律，研究阻變特性是由材的化學成分決定還是由材料的微 觀結構決定，這將是以后研究中需要回答的問題。
人工神經網絡的概念范文4
關鍵詞經濟活動預測模型人工神經網絡
經濟活動諸如商品價格走勢、生產活動的產量預測、加工的投入產出分析、工廠的成本控制等方面都是重要的技術經濟層面。定量化的經濟活動分析是經濟學研究的必由之路，而建模是量化分析的基礎，這是因為模型為科學分析和質量、成本等控制提供了理論依據。本文針對經濟活動中大多數研究對象都具有的非線性特點，給出了用人工神經網絡（ArtificialNerveNetwork）模型建立經濟活動的預測模型的原理和方法，并描述了神經網絡與各種先進的建模方法相結合的模型化方法，為經濟活動的分析、預測與控制提供了理論基礎。
1神經網絡模型方法
現實的經濟系統是一個極其復雜的非線性系統，客觀上要求建立非線性模型。傳統上使用回歸與自回歸模型刻畫的都是線性關系，難于精確反映因變量的變化規律，也終將影響模型的擬合及預報效果。為揭示隱含于歷史記錄中的復雜非線性關系必須借助更先進的方法———人工神經網絡(ANN)方法。
人工神經網絡具有并行處理、自適應、自組織、聯想記憶及源于神經元激活函數的壓扁特性的容錯和魯棒性等特點。數學上已經證明，神經網絡可以逼近所有函數，這意味著神經網絡能逼近那些刻畫了樣本數據規律的函數，且所考慮的系統表現的函數形式越復雜，神經網絡這種特性的作用就越明顯。
在各類神經網絡模型中，BP（Back－Propagation誤差后向傳播）神經網絡模型是最常用的也是最成熟的模型之一。本質上，BP模型是對樣本集進行建模，即建立對應關系RmRn,xk∈Rm,ykRn。數學上，就是一個通過函數逼近擬合曲線/曲面的方法，并將之轉化為一個非線性優化問題來求解。
對BP神經網絡模型，一般選用三層非循環網絡。假設每層有N個處理單元，通常選取連續可微的非線性作用函數如Sigmoid函數f(x)=1/(1+e-x)，訓練集包括M個樣本模式{(xk,yk)}。對第P個訓練樣本（P＝1，2，…，M），單元j的輸入總和記為apj，輸出記為Opj，則:
apj=WQ
Opj=f(apj)=1/(1+e-apj)（1）
對每個輸入模式P，網絡輸出與期望輸出（dpj）間誤差為：
E=Ep=((dpj-Opj)2)（2）
取BP網絡的權值修正式：
Wji(t+1)=Wji(t)+?濁?啄pj+?琢(Wji(t)-Wji(t-1))（3）
其中，對應輸出單元?啄pj=f’,(apj)(dpj-Opj)；對應輸入單元?啄pj=f’,(apj)?啄pkWkj；
?濁是為加快網絡收斂速度而取值足夠大又不致產生振蕩的常數；?琢為一常數項，稱為趨勢因子，它決定上一次學習權值對本次權值的影響。
BP學習算法的步驟：初始化網絡及學習參數；提供訓練模式并訓練網絡直到滿足學習要求；前向傳播過程,對給定訓練模式輸入，計算網絡的輸出模式，并與期望比較，如有誤差，則執行下一步，否則返回第二步；后向傳播過程,計算同一層單元的誤差?啄pj,按權值公式（3）修正權值;返回權值計算公式（3）。BP網絡的學習一般均需多周期迭代，直至網絡輸出與期望輸出間總體的均方根誤差ERMS達到一定要求方結束。
實踐中，BP網絡可能遇到如下問題：局部極小點問題；迭代收斂性及收斂速度引起低效率問題。此外還有，模型的逼近性質差；模型的學習誤差大，記憶能力不強；與線性時序模型一樣，模型網絡結構及節點作用函數不易確定；難以解決應用問題的實例規模與網絡規模之間的矛盾等。為克服這樣的一些問題，同時為了更好地面向實際問題的特殊性，出現了各種基于神經網絡模型或與之結合的模型創新方法。
2灰色神經網絡模型
灰色預測和神經網絡一樣是近年來用于非線性時間序列預測的引人注目的方法，兩種方法在建模時都不需計算統計特征，且理論上可以適用于任何非線性時間序列的建模。灰色預測由于其模型特點，更合用于經濟活動中具有指數增長趨勢的問題，而對于其他變化趨勢，則可能擬合灰度較大，導致精度難于提高。
對于既有隨時間推移的增長趨勢，又有同一季節的相似波動性趨勢，且增長趨勢和波動性趨勢都呈現為一種復雜的非線性函數特性的一類現實問題，根據人工神經網絡具有較好的描述復雜非線性函數能力特點，用其對季節性建模；最后根據最優組合預測理論，建立了兼有GM（1，1）和ANN優點的最優組合預測模型。該模型能夠同時反映季節性時間序列的增長趨勢性和同季波動性的雙重特性，適用于一般具有季節性特點的經濟預測。
首先，建立GM（1，1）模型，設時間序列x(0)=(x(0)(1),x(0)(2),?撰,x(0)(n))，作一階累加生成：
x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）
其中x(1)(k)=(x(0)(i),k=1,2,?撰,n
構造一階線性灰色微分方程并得到該方程的白化微分方程：
+ax=u
用最小二乘法求解參數a，u，得到x(1)的灰色預測模型：
(1)(k+1)=(X(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)（5）
其次，根據上節方法建立BP人工神經網絡模型。
第三，將兩模型優化組合。設f1是灰色預測值，f2是神經網絡預測值，fc是最優組合預測值，預測誤差分別為:e1,e2,ec，取w1和w2是相應的權系數，且w1+w2=1,有fc=w1f1+w2f2，則誤差及方差分別為ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)
對方差公式求關于w1的極小值，并取cov(e1,e2)=0，即可得到組合預測權系數的值。
2基于粗糙集理論的神經網絡模型
粗糙集理論與模糊集理論一樣是研究系統中知識不完全和不確定問題的方法。模糊集理論在利用隸屬函數表達不確定性時，為定義一個合適的隸屬函數，需要人工干預，因而有主觀性。而粗糙集理論由粗糙度表示知識的不完全程度，是通過表達知識不精確性的概念計算得到的，是客觀的，并不需要先驗知識。粗糙集通過定義信息熵并進而規定重要性判據以判斷某屬性的必要性、重要性或冗余性。
一般來說，BP神經網絡模型對模型輸入變量的選擇和網絡結構確定等都基本憑經驗或通過反復試驗確定，這種方法的盲目性會導致模型質量變差。用粗糙集理論指導，先對各種影響預測的因素變量進行識別，以此確定預測模型的輸入變量；再通過屬性約簡和屬性值約簡獲得推理規則集；然后以這些推理規則構造神經網絡預測模型，并采用加動量項的BP的學習算法對網絡進行優化。有效改善了模型特性，提高了模型質量。其建模步驟為：由歷史數據及其相關信息歷史數據構造決策表；初始化；對決策表的決策屬性變量按劃分值域為n個區域的方式離散化；采用基于斷點重要性的粗糙集離散化算法選擇條件屬性變量和斷點（分點），同時計算決策表相容度，當決策表相容度為1或不再增加時，則選擇條件屬性變量和分點過程結束；由選擇的條件屬性變量及其樣本離散化值構造新的決策表，并對其約簡，得到推理規則集；由推理規則集建立神經網絡模型；對神經網絡進行訓練；若神經網絡擬合誤差滿足要求，則結束，否則，增加n。必須指出，區間分劃n太小，會使得擬合不夠，n太大，即輸出空間分得太細，會導致過多的區域對應，使網絡結構過于復雜，影響泛化（預測）能力。
3小波神經網絡模型
人工神經網絡模型存在的網絡結構及節點函數不易確定問題，結合小波分析優良的數據擬合能力和神經網絡的自學習、自適應特性建模，即用非線性小波基取代通常的非線性S型函數。
設非線性時間序列變化函數f(t)∈L2(R)，定義其小波變換為：
Wf(a,b)==f(t)?漬()dt（6）
式中，?漬ab(t)稱為由母小波?漬t（定義為滿足一定條件的平方可積函數?漬(t)∈L2(R)如Haar小波、Morlet小波、樣條小波等）生成的依賴于參數a、b的連續小波，也稱小波基。參數a的變化不僅改變小波基的頻譜結構，還改變其窗口的大小和形狀。對于函數f(t)，其局部結構的分辯可以通過調節參數a、b，即調節小波基窗口的大小和位置來實現。
用小波級數的有限項來逼近時序函數，即：
(t)=wk?漬()（7）
式中(t)，為時間序列y(t)的預測值序列；wk,bk,ak分別為權重系數，小波基的平移因子和伸縮因子；L為小波基的個數。參數wk,bk,ak采用最小均方誤差能量函數優化得到，L通過試算得到。
4模糊神經網絡模型
模糊集合和模糊邏輯以人腦處理不精確信息的方法為基礎，而人工神經網絡是以大量簡單神經元的排列模擬人腦的生理結構。二者的融合既具有神經網絡強大的計算能力、容錯性和學習能力，又有對于不確定、不精確信息的處理能力，即同時具有底層的數據處理、學習能力和高層的推理、思考能力。
一種應用模糊理論的方法是把模糊聚類用來確定模糊系統的最優規則數，從而確定模糊神經網絡的結構。這樣確定的網絡結構成為四層：第一層為直接輸入層；第二層為模糊化層，對輸入做模糊化處理；第三層為模糊推理層，對前層模糊結果做模糊推理；第四層為非模糊化層，可以采用重心非模糊化法，產生網絡輸出。該網絡采用動態處理法，增強了其處理能力，且適用性強、精度高。
5結語
除上述幾種結合式神經網絡方法之外，人工神經網絡模型在算法設計方面一直在取得巨大的進步。神經網絡模型方法是一種先進的具有智能的非線性建模方法，其在自然科學、經濟現象、社會活動等方面的應用正在不斷深化，把神經網絡方法引入經濟活動的分析和預測中，并緊密聯系諸多先進的建模方法，是使工業經濟、商業經濟及其對經濟本質規律的研究等各項工作推向前進的重要理論武器。
參考文獻
人工神經網絡的概念范文5
【關鍵詞】人工智能 醫學領域
1 引言
人工智能（AI）是上世紀50年展起來的新興學科，主要內容包括：知識表示、自然語言理解、機器學習和知識獲取、知識處理系統、計算機視覺、自動推理和搜索方法、智能機器人、自動程序設計等方面。在過去的幾十年里人工智能涌現出了大量的方法，大致可分為兩大類：第一類是基于Newell和Simon的物理符號系統假說的符號處理方法。這種方法大多采用從知識階段向下到符號和實施階段的自上而下的設計方法，第二類是采用自下而上設計的“字符號”方法。
2 人工智能的發展
全球對人工智能的研發經歷了已經有70年的發展，從上個世紀的50年代開始一直到今天，歷經了兩次大起大落，但伴隨著深度學習的重燃、龐大的大數據支撐以及計算能力的不斷提升和成本的不斷下降這些因素的出現，尤其是在摩爾定律、大數據、互聯網和云計算、新方法這些人工智能進步的催化劑作用下，將迎來人工智能新的春天。
3 人工智能在醫學領域上的應用
3.1 在神經網絡中人工智能的應用
在醫學診斷中人工智能的應用會出現一些難題，例如知識獲取比較難、推理速度慢、自主學習以及自適應變化能力弱。研究人腦連接發現了以人工神經為特點可以解決在獲取知識中所出現的瓶頸和知識種類繁瑣問題，能夠提高對知識的推理能力，包括自主學習，自組織等方面的能力，促進了神經網絡在醫學專家系統中的快速發展。
人工智能領域ANN，有不同于其他人工智能的方法，在傳統的結構上，它只是AI分支中的一個，只能通過邏輯符號來模擬人腦的思維方式，進一步來實現人工智能，與之相比，不同的ANN是學習和訓練為一體來達到智能的。ANN具有學習的能力及特殊方法，用戶不用編寫復雜的程序來解決所遇到的問題，只用提供有效的數據就可以完成。迄今為止，醫學領域中對大部分的病理原因無法解釋，無法確定病理原因，加上各種疾病的表現種類復雜多變。在醫學的日常實踐中，疾病相應的治療只能以經驗為基礎來判斷。所以，ANN有著記憶，學習和歸納總結為一體的人工智能服務，在醫學領域有很好的應用發展趨勢。
3.2 在中醫學中人工神經網絡的應用
在中醫學中，所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點，主觀性比較強，因此中醫的診斷方法和治療手段與醫師的經驗水平有很大聯系。數年來在實驗研究，臨床觀察，文章整理，經驗總結上，都有著對“證”的研究思想的深入調查。一部分“辨證”的過程可以用人工神經網絡來替換使用。恰當的中醫癥狀可以作為基本輸入和適當人工神經網絡模型，人工神經網絡能夠根據以往的學習“經驗”來進行綜合分析，從而提出中醫診斷方法。
由神經元結構模型、網絡連接模型、網絡學習算法等幾個要素組成了人工神經網絡。具有某些智能系統的功能。 按照網絡結構來劃分，人工神經網絡有很多不同的種類，例如感知器、BP網絡、Hopfield網絡等，目前應用最為廣泛的神經網絡就是其中的BP網絡。這種前沿網絡非 BP網絡所屬，網絡的結構與權值能夠表達復雜的非線性 I/0映射關系。憑借 BP網絡優良的自主學習功能，既可以通過誤差的反向傳播方法，對照已知樣本反復進行訓練，也可以調整網絡的權值，直到網絡的 I/0關系在某一塊訓練指標下最接近樣本為止。
3.3 人工智能在臨床醫療診斷中的應用
計算機編寫的程序主要根據專家系統的設計原理和方法來模擬醫生的醫學診斷，以及通常治療手段的思維過程來進行。醫療專家系統是臨床醫療診斷中人工智能的很好體現，不僅能夠處理較為復雜的醫學治療問題，還能當做醫生診斷疾病的重要工具，更重要的是傳承了專家們的寶貴醫學治療經驗。
3.4 人工智能技術在醫學影像診斷中的應用
目前，在醫學影像中存在著的問題，比如：誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫學影像技術領域人工智能的應用包括主要的兩個方面，分別是：第一個方面為圖像識別，第二個方面為深度學習，其中人工智能應用最核心的部分實深度學習。這兩個部分都是基于醫學影像大數據所進行的數據上的挖掘和應用。這兩個方面所進行的數據挖掘及其應用都是依據醫學影像大數據來完成的。
Geoffrey Hinton教授是神經網絡領域的大師，2006年，他與其博士生在《Science》和相關的期刊上發表了論文，第一次提出了“深度信念網絡”的概念。2012年，由斯坦福大學Fei-Fei Li教授舉辦的ImageNet ILSVRC大規模圖像識別評測任務是由Hinton教授的研究團隊參加的。這個任務包括了120萬張高分辨率圖片，1000個類比。Hinton教授團隊使用了全新的黑科技多層卷積神經網絡結構，將圖像識別錯誤率突破性地從26.2%降低到了15.3%。 這個革命性的技術，讓神經網絡深度學習以迅速的速度進入了醫療和工業的領域范圍，隨后這一技術被陸續出現的醫療影像公司使用。例如：國際知名的醫學影像公司Enlitic和國內剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數據和診斷數據，繼續對神經元網絡進行深度的學習訓練，從而有效的提高了醫生診斷的準確率。
人工智能不僅能使患者的健康檢查快速進行，包括X光、B超、核磁共振等。另外還能大量減少醫生的讀片時間，提升了醫生的工作效率，降低誤診率。
4 總結
人工智能軟件工作效率遠遠超過了人類大腦，不僅能夠更快速的找到數據的模式和相似性，還能有效幫助醫生和科學家提取重要的信息。隨著人工智能的發展及其在醫學領域的逐漸普及和應用，兩者的互相融合在未來必定成為醫學發展的重要方向。
參考文獻
[1]馮伍，張俊蘭.人工智能在醫學上的應用[J].電子設計工程，2010（01）.
[2]楊琴，陳家榮.人工智能在醫學領域中的應用[J].科技風，2012（12），100-101.
[3]王宇飛，孫欣.人工智能的研究與應用[J].信息與電腦，2016（05）.
[4]鉛筆道.人工智能與影像診斷相結合的醫生界阿爾法狗，2016（03）.
人工神經網絡的概念范文6
應用遙感技術進行土地利用變化監測主要有兩種方式：一是將兩時相影像數據進行融合來實現變化監測；二是利用單時相遙感影像與土地利用資料結合的方法，本文主要研究了這種方法，應用BP神經網絡分類器作為判別規則，采用面向圖斑的變化監測方法。
在遙感影像與土地利用矢量圖精確配準的基礎上進行空間疊加，以圖斑單元為單位，將BP神經網絡分類結果作為判別規則，自動發現并描繪出土地利用變化圖斑，并對監測區域的變化圖斑進行統計，分析與變化監測精度評定。
關鍵詞：BP神經網絡、土地利用變化監測
Change monitoring of land use in remote sensing Technology has mainly two ways. One is realization of change monitoring by the fusion of two temporal image. The other is method of combination of single temporal remote sensing image and land use datum. This paper mainly studies this method that applying BP neural network classifier asdiscrimination rule，adopts the span-Oriented method.
Based on overlaying the remote sensing image with land use vector map，BP neutral network according to discrimination rule classifies the span unit. It automatic finds and describes the change span in land use, and obtains the statistics, analysis and accuracy assessment of change span of monitoring area.
Key words：BP neutral network; texture feature
中圖分類號：D912.3文獻標識碼：A 文章編號：
研究背景和意義
土地利用變化研究是全球環境變化研究的一個重要方面，同時也是從自然和社會經濟兩方面綜合研究全球和區域環境變化的突破口之一。選擇較小空間范圍的典型地區進行區域綜合性和空間差異性研究，是深入分析土地利用/土地覆蓋時空變化規律、及其驅動機制的有效手段，開展這方面的研究不僅可以為地方經濟發展提供決策支持，而且對豐富全球土地利用變化研究具有重要意義。
1土地利用變化監測的概念
傳統意義上土地利用變化監測是指通過兩個不同時相間的遙感影像(航片或衛片)進行的變化監測?？紤]變化監測方法的新特點，我們認為，土地利用變化監測是指：以土地變更調查的數據、圖件與多源遙感數據為基礎，運用遙感圖像處理與識別技術，從遙感圖像上提取變化信息，從而達到對耕地及建設用地等土地利用變化情況的定期監測的目的。
2影像的光譜特征
2.1 影像光譜統計特征
通常是以地物在多光譜圖像上的亮度體現出來的，即不同的地物在同一波段圖像上表現的亮度一般互不相同；同時，不同的地物在多個波段圖像上亮度的呈現規律也不同，這就構成了我們在圖像上區分不同地物的物理依據。光譜特征的基本統計量包括灰度的均值、中值、眾數、值域、反差等，反映了與位置無關的不同灰度值出現情況。
2.2影像的紋理特征庫
紋理反映的是亮度(灰度)的空間變化情況[1]，有三個主要標志：某種局部的序列性在比該序列更大的區域內不斷重復；序列由基本部分非隨機排列組合的；各部分大致都是均勻的統一體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱確定性紋理(如人工紋理)，后者稱隨機紋理(或自然紋理)。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重復性等這些定性或定量的概念特征來表征。
3 BP神經網絡工作原理
人工神經網絡是受生物神經網絡的啟發構造而成的，雖然沒有人腦那么復雜，但它反映了人腦功能的許多基本特征，是一個高度復雜的非線性動力學系統。人工神經網絡是由大量的、簡單的處理單元——神經元，廣泛互相連接而形成的復雜系統，它可以看成是由許多非線性計算元素(神經元)組成的數學模型，并行操作，大量的連接通過不同的權值互連。
3.1 神經元
構成 BP 網絡的神經元與一般的人工神經網絡中定義的神經元一樣，由圖3-1可以看出，它相當于一個多輸入單輸出的非線性閾值器件。按照 BP 算法的要求，這些神經元所用的激活函數必須是處處可導的。一般地，多數設計者都使用 s 形函數。對一個神經元來說，取它的網絡輸入 ，其中，為該神經元所接受的輸入，即分別是它們對應的聯接權。
圖 3-1 神經元模型
該神經元的輸出為：………………………………(3-1)
3.2 BP神經網絡的拓撲結構
BP算法是前饋多層網絡結構，含有輸入層、輸出層以及處于輸入輸出層之間的中間層，由于它們和外界沒有直接的聯系，故也稱為隱層，中間層有單層或多層，一般為單層。在隱層中的神經元也稱隱單元層。
一般地，設BP網絡的輸入樣本集為(X，Y) X為輸入向量，Y為X對應的理想輸出向量，輸入樣本X通過輸入層經隱層處理計算得到BP網絡的實際輸出O。若在輸出層未能得到期望的輸出值，則逐層遞歸地計算實際輸出與期望輸出之差值，并根據此差調節權值W。由此可見，隱層雖然和外界不連接。但是，它們的狀態則影響輸入輸出之間的關系。這就是說，改變隱層的權系數，可以改變整個多層神經網絡的性能。相鄰層次的神經元之間用連接權系數相互連接，而各層內的神經元之間沒有連接，顯然，輸入向量、輸出向量的維數是由問題所直接決定的，然而，網絡隱藏層的層數和各個隱藏層神經元的個數則是與問題相關的。目前的研究結果還難以給出它們與問題的類型及其規模之間的函數關系。
4BP神經網絡的遙感影像分類
4.1BP神經網絡模型構造
BP神經網絡模型的構造主要包括三方面內容：
a. 網絡拓撲結構的設計，包括隱層數目的確定、隱層神經元的數目和激勵函數的選擇。
b. 網絡主要參數的確定，包括初始權值、學習速率、學習次數等的確定。
c. 訓練樣本的組織。包括樣本的選擇和預處理。
