前言：中文期刊網精心挑選了人工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。
人工神經網絡的發展范文1
隨著計算機網絡、信息技術、自動化技術的進步，極大的改變了我們的生活。人工神經網絡技術是一種全新的控制技術，通過互聯網進行動態模擬，從而建立一種新的控制互聯網的系統。經過十幾年的發展，人工神經網絡技術研究取得了巨大的進步，已經廣泛應用在社會各個領域，使現代計算機中的難題得到了解決。本文主要從人工神經網絡技術的概念出發，探討了它在現代社會領域的具體應用。
【關鍵詞】人工神經網絡 信息技術 發展趨勢
人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的l展，人工神經網絡技術得到了快速的發展階段。
1 人工神經網絡技術
人工神經網絡技術也稱ANN，是隨著上個世紀八十年代人工智能發展興起的一個研究熱點，它的主要工作原理對人腦神經網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節點――神經元連接起來的，其中不同的節點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統，這種工作機理與傳統的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。
2 人工神經網絡技術應用分析
隨著人工神經網絡技術的發展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。
2.1 生物信號的檢測分析
目前大部分醫學檢測設備都是通過連續波形得到相關數據，從而根據所得數據對病情進行診斷。人工神經網絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫學領域該技術主要應用于對心電信號、聽覺誘發電位信號、醫學圖像、肌電荷胃腸等信號的處理、識別和分析。
2.2 醫學專家系統
傳統的醫院專家系統是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫院需要存儲的醫學知識越來越多，每天產生新的病況和知識，過去的一些專家系統顯然已經無法適應醫院的發展需求，因此醫院的效率很低。而人工神經網絡技術的出現為醫院專家系統的構建提出了新的發展方向，通過人工神經網絡技術，系統能夠自主學習、自己組織、自行推理。因此在醫學專家系統中該網絡技術應用面較廣。麻醉醫學、重癥醫學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據或者尚未發現的關系與現象，通過人工神經網絡便能有效地解決。
2.3 市場價格預測
在經濟活動中，傳統統計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現失誤的現象。人工神經網絡技術能夠處理那些不完整的、規律不明顯、模糊不確定的數據，并作出有效地預測，因此人工神經網絡技術具有傳統統計方法無法比擬的優勢。例如人工神經網絡技術可以通過分析居民人均收入、貸款利率和城市化發展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。
2.4 風險評價
在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網絡技術可以根據風險的實際來源，構筑一套信用風險模型結構和風險評估系數，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。
3 人工神經網絡技術未來發展
人工神經網絡克服了傳統人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發展，AI與遺傳算法、模糊系統等方面結合，形成了計算智能，很多企業和國家開始大規模研發AI，人工神經網絡正在模擬人類認知的方向發展，目前市場已經有很多不少人工智能產品面世。
4 結語
通過上述研究分析，人工神經網絡技術已經取得了相應的發展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統的研究和探索，進一步挖掘其潛在的價值，將人工神經網絡技術應用在更多領域中，為社會創造更大的財富。
參考文獻
[1]周文婷，孟琪.運動員賽前心理調控的新策略――基于人工神經網絡技術的比賽場地聲景預測（綜述）[J].哈爾濱體育學院學報，2015，33（03）：15-21.
[2]張紅蘭.人工神經網絡技術的應用現狀分析[J].中國新通信，2014（02）：76-76.
[3]張廣軍.人工神經網絡技術在光電檢測中的應用[J].北京航空航天大學學報，2001，27（05）：564-568.
人工神經網絡的發展范文2
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。總之，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?，僅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。
人工神經網絡的發展范文3
關鍵詞：人工神經網絡模型；衛生人力；人力資源測算
衛生人力是指經過專業培訓、在衛生系統工作、提供衛生服務的人員，包括直接從事醫療、衛生、保健服務的衛生技術人員以及管理、工勤等其他人員。由于衛生系統本身具有復雜性和時變性的雙重特性，因此衛生人力受許多因素影響，如人口、經濟、社會與文化、資源利用效率、健康狀況等等，而且多個因素間相互作用、相互影響。
我國的衛生事業雖然取得了很大的發展，但卻存在明顯的衛生人力資源失衡現象，突出表現在：衛生人員總量過剩、人員地區分布不均衡尤其是城鄉差距較大、衛生人員總體素質不高。因而迫切需要加強衛生人力預測研究，使其更合理地從數量上、質量上和分布上調整現有存量、優化增量，以推動整個衛生事業的發展進程[1，2]。
人工神經網絡作為一種綜合信息處理和模擬技術，其特有的非線性適應性信息處理能力，克服了傳統方法的局限性，而且還具有學習預測精度高、容錯能力強和預測速度快的特點[3]。本研究基于人工神經網絡方法，構建出一套合理、有效的測算衛生人力需求量的指標體系。
1人工神經網絡簡介
人工神經網絡基本組成單位是神經元（節點），神經元之間按一定的方式相互連接，構成神經網絡系統，可以通過預先提供的一批相互對應的輸入--輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果[4，5]。
迄今為止，已有多種人工神經網絡模型被開發和應用。本文應用較為成熟的誤差反向傳播學習算法人工神經網絡（BP-ANN）。BP神經網絡從模擬生物的神經網絡出發[6]，其最基本的結構是3層前饋網絡，即輸入層、隱含層、輸出層（見圖1），層與層之間多采用全互連方式，同一層單元間不存在相互連接。
圖1 人工神經網絡結構
BP網絡模型的應用過程包括訓練和預測兩個過程。訓練時，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。如果輸出層得不到期望的輸出，則將誤差信號沿原來的連接通道返回，通過修改各層神經元的連接權值，使得誤差最小。網絡重復以上過程進行迭代計算，直至收斂，由此構成了非線性映射模型，掌握了隱含在樣本內部各元素間的特殊關系[7]。經訓練后的人工神經網絡不僅對擬合過的樣本有效，而且對未經擬合的樣本也可以較準確地預測。人工神經網絡以其獨特的信息儲存方式、良好的容錯性、大規模的非線性并行處理方式[8]以及強大的自組織自擬合和自適應能力，已應用于信號處理、模式識別、綜合評價、預測分析等領域。
2指標篩選
本文的研究對象是衛生人力的數量。人工神經網絡要求選擇那些影響輸出的主要因素作為輸入層，選定的輸入變量數必須足夠且具有代表性[9，10]，基于這一點，經過文獻評閱分析及專家小組討論，本研究對于輸入變量，即測算指標的選擇主要從以下幾方面進行：
2.1人口數量變化 人口數量的變化是影響衛生人力需求量的最重要的因素。人口的增減會引起衛生服務需求量的增減，從而引起衛生人力需求量的波動。對應的變量選擇了總人口數、就診人次數、住院人次數。
2.2經濟發展水平 隨著社會經濟迅猛發展，居民的生活水平不斷提高，人們對生活質量要求也逐步提高，而健康是衡量生活質量的重要指標之一，所以隨著居民對健康意識的增強，衛生服務需求量將會加大，衛生人力的需求量也隨之增加[11，12]。對應的變量選擇了衛生總費用、人均衛生費用、人均國民生產總值。
2.3醫院發展規模 醫院規模直接影響整個衛生人力需求量和衛生人力內部構成。醫院規模的大小通常是以病床數來衡量的，而病床數又是人員編配的重要標準[13]。對應的變量選擇了醫院機構數、總床位數。
2.4衛生人力供給 每年都有大量的醫學生走向工作崗位，為醫療系統注入新的血液。對應的變量選擇了高等醫學院校畢業生數、中等醫學院校畢業生數[14]。
3結果與討論
得到衛生人力的測算指標包括總人口數（萬人）、就診人次數（億次）、住院人次數（萬人）、衛生總費用（億元）、人均衛生費用（元）、人均國民生產總值（元）、醫院機構數、總床位數（萬張）、高等醫學院校畢業生數、中等醫學院校畢業生數10項指標。鑒于年鑒收錄自國家及各省市地方統計局的歷年統計資料，具有資料翔實，信息密集的特點，所有數據均從統計年鑒中獲取，按照年份順序進行整理，過濾缺失的數據，建立起從1990～2008年的有關衛生人力資源的數據庫。
參考文獻：
[1]薛婭，高歌，沈月平.常州市衛生人力需要量統計預測研究[J].中國衛生統計，2007，24（3）：287.
[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.
[3]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2002.
[4]任宏，姜慶五.人工神經網絡及其在預防醫學領域的應用[J].上海預防醫學，2003，15（1）：22.
[5]黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景[J].環境與職業醫學，2006，23（1）：71.
[6]錢玲，施侶元，程茂金.應用人工神經網絡預測糖尿病/糖耐量異常[J].中國公共衛生，2003，19（10）：1272.
[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.
[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.
[9]薛婭，高歌. 衛生人力需求量預測研究綜述[J].上海預防醫學雜志，2005，17（12）：589.
[10]鐘珞，饒文碧，鄒承明.人工神經網絡及其融合應用技術[M].北京：科學出版社，2007：12.
[11]陳力凌.江蘇省衛生人力資源現狀及需要量預測研究[D].碩士學位論文，2006：23.
[12]左延莉.廣西衛生人力資源配置現狀與預測研究[D].碩士學位論文，2002：12.
人工神經網絡的發展范文4
關鍵詞：成都中小微企業 人工神經網絡 預測
1、人工神經網絡
人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）和之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。
2、基于人工神經網絡的預測模型的構建
在運用ANN預測模型預測這兩個指標時，我們采取下面的預測步驟：
（1）首先將1-6月份的數據標準化，及轉化為0-1之間的標準化數據；
（2）我們將輸入設為1月份、2月份、3月份、4月份的數據，輸出設為5月份的數據；
（3）在matlab中調用newff函數，建立一個5個輸入節點、10個隱含層節點、一個輸出節點的BP神經網絡，隱含層和輸出層轉移函數分別采用tansig（tansig（n） = 2/（1+exp（-2*n））-1）和purelin（y=x），訓練函數選擇貝葉斯正則化算法trainbr，得到網絡仿真數據；
（4）通過得到的網絡仿真數據與實際的數據進行比較，我們可以發現該預測模型的精度很高。從而我們可以利用該預測模型預測未來月份的數據，作為決策者進行決策的依據。
3、分圈層企業運行態勢預測模型
3.1一圈層企業運行態勢預測模型
一圈層主要包括成華區、高新區、金牛區、錦江區、青羊區和武侯區。
我們按照上述步驟，得到最終的預測值，如表1所示，可見，預測值與實際值之間相差并不大，誤差為0.099933%。
表1運行監測指標按圈層（一圈層）ANN預測模型實際值與預測值對比表
3.2二圈層企業運行態勢預警模型
二圈層主要包括龍泉、郫縣、青白江、雙流、溫江和新都。
我們按照上述步驟，得到最終的預測值，如表2所示，可見，預測值與實際值之間相差并不大，誤差為0.09995%。
表2運行監測指標按圈層（二圈層）ANN預測模型實際值與預測值對比表
3.3三圈層企業運行態勢預警模型
三圈層包括崇州、大邑、都江堰、金堂、蒲江、邛崍和新津。
我們按照上述步驟，得到最終的預測值，如表3所示，可見，預測值與實際值之間相差并不大，誤差為0.1%。
表3 運行監測指標按圈層（三圈層）ANN預測模型實際值與預測值對比表
4、結束語
運行監測指數和信心指數能很好的反映成都市中小企業的發展運營情況，本報告運用人工神經網絡這種高精度的預測方法，對這兩種指數進行了預測，預測結果精確，經濟意義顯著。能很好預測未來月份的中小企業的指標值，從而為決策者的決策提供有力的支持和依據。
參考文獻：
[1]張乃堯，閻平凡.神經網絡與模糊控制[M].北京： 清華大學出版社，1998.
人工神經網絡的發展范文5
【關鍵詞】計算機神經網絡 Matlab 應用
近年來，大多控制系統的高品質控制都少不了對系統的仿真進行研究。根據仿真研究可以優化設定的控制參量，因此，控制系統的模擬與仿真一直是研究的重點。通常來說，控制系統進行計算機仿真必須首先創建系統模型，之后根據模型設定仿真城西，充分運用計算機對其進行動態模擬并展示結果。本文以計算機神經網絡為研究視角，介紹了人工神經網絡及BP網絡模型，提出設計基于Simulink控制系統及動態仿真。
一、簡述人工神經網絡
人工神經網絡又被稱為神經網絡，是由人腦結構的啟發之下創建的計算模型，人工神經網絡不單單是高度非線性動力學系統，也是自適應組織系統。神經網絡的主要特征表現在他的學習、組織及容錯能力方面。神經網絡可以采用被訓練的狀態實現特定任務，從而為系統提供獨具代表性的描述問題樣本，就是其可以成組的輸入、輸出樣本，神經網絡可以推測出輸入與輸出數據之間的關系。等到訓練完成之后，神經網絡又能永凱訓練和識別任意樣本之間相似的新數據。同時，神經網絡也能對不完整或存在噪音的數據進行識別，這一特征被廣泛使用到預測、診斷、控制方面。在最抽象的層次上，神經網絡可以看做一個黑箱，數據由一邊輸入，通過神經網絡處理之后給予相應的輸出。對比輸出及目標數值，采用產生的誤差調整網絡內部之間的鏈接權重。人工神經網絡功能如圖1所示。
二、創建BP網絡模型
BP網絡是現今使用最廣泛的神經網絡模型。該模型的學習規則是采用反向傳播（BP）對網絡的權值和閥值進行調整，卻阿伯網絡誤差的平方和達到最小狀態。這是根據最下速下降方向上進行調整網絡權值和閥值完成的。BP網絡擁有超強的非線性映射和泛化性能，任何一連續函數或映射都可以使用三層網絡來實現。如此一來，把其看做控制器就可以找到最佳的答案。使用控制器之前饋網絡通常采用m-n-1結構，這一網絡輸入層具有m個神經元，隱層存在n個神經元，輸出層則只有單一的神經元。本網絡隱層轉換為函數取tansig函數，可以把該神經元取值范圍設定為（）映射到（-1，+1），這個是可微函數，比較適合采用BP訓練神經元。若BP網絡的最后層是sigmoid型神經元，此時整個網絡的輸出就限定在比較小的范圍之內。若purelin型線性神經元，那么整個網絡的輸出可以采用任意值，選取purelin型函數當做輸出層的變換函數。
三、設計基于Simulink控制系統及動態仿真
創建Simulink動態仿真時在matlab環境下完成的動態系統建模、仿真的環境，可以采用功能模塊建立控制系統展開仿真。這種方框圖示的建模辦法比較容易把復雜的數學模型輸入至計算機內，從而簡化編程過程。
（一）設置網絡控制器
本文建立的控制系統其核心為網絡控制器，基于matlab5.2應用環境基礎上，采用兩種方法構建網絡控制器：①進入Simulink環境之后，采用Block&Toolboxes模塊庫，隨之選取Neural Network子庫的Transfer Function、Net Input Func―Tion、Weight Function三個功能模塊來建立網絡。簡言之就是先創建單個神經元模型，隨之根據閥值、權值、轉移函數一次創建輸出層、隱層，最后進行打包、封裝就形成所需的網絡，整個工作流程借助鼠標完成，便于操作。②基于M文件編輯器創建網絡控制器的S-函數，隨之調用Nonlinear模塊庫中的S―Function功能模塊，如此一來可以獲取新的功能模塊，這種辦法適合建立Simulink中不存在現成的模塊。S-函數比較簡單，容易編輯。
（二）構造控制系統
控制器構造和封裝完工之后，從Simulink的Source、Sinks、Linear模塊庫中調用所需的功能模塊，該控制系統采用示波器可以清楚觀察其輸出曲線，也能把數據存儲至MATLAB工作空間內，使用繪制命令Plot把控制系統與原系統的響應曲線畫出來。由仿真結果可知，BP網絡控制系統的性能遠比原系統要好。
四、結束語
本文從人工神經網絡和BP網絡模型進行分析，采用Matlab構造與仿真控制系統，達到優化控制系統仿真的效果的目的，仿真結果表示該辦法正確、有效。因此，大范圍推廣使用這一軟件，可以有效利用Matlab各種資源，進一步提升工程實踐水平。
參考文獻：
[1] 卓先德.網絡安全評估的仿真與應用研究[J].計算機仿真，2011，28（6）：177-180.
人工神經網絡的發展范文6
函數逼近在純數學領域、工程和物理學領域得到了廣泛的應用。利用人工神經網絡映射能力，通過樣本不斷學習實現對未知函數的逼近。利用BP神經網絡研究人工神經網絡在函數逼近中的應用，研究過程利用MATLAB神經網絡工具箱設計網絡并進行仿真實驗。
【關鍵詞】人工神經網絡 函數逼近 BP神經網絡
1 引言
運用逼近的思想可解決日常生活中的很多問題，隨著科學技術的發展形成了一種新的理論--函數逼近論，這種函數逼近論在數學領域、工程和物理學領域得到了廣泛的應用。本文研究人工神經網絡在函數逼近中的應用，并就網絡結構和參數的設計對逼近性能的影響進行分析。
2 函數逼近與BP神經函數網絡
在數值計算中，通常需要對函數值進行計算，例如，計算基本初等函數和其他特殊函數。如果函數只在有限點集上給定函數值時，給出一個簡單的函數表達式，該函數在包含有限點集的區間內。這涉及到在一區間上使用一個簡單的函數來逼近復雜的函數，這是一個函數逼近問題。
BP神經網絡一般是指基于誤差反向傳播算法（Error Back Propagation，BP算法）的多層前向神經網絡，BP神經網絡的神經元的傳遞函數一般都是采用Sigmoid型的可微函數，該傳遞函數可用以實現任意的非線性的輸入與和輸出間的映射，在數據處理與數據壓縮、模式識別與智能系統、函數逼近等領域BP神經網絡都有著廣泛應用。
3 利用BP神經網絡實現函數逼近
下面研究BP神經網絡在函數逼近中的應用。對于非線性函數，設計一個BP神經網絡實現對該函數的逼近。假設在頻率參數設為時對該非線性函數進行仿真研究，通過改變調節隱層神經元的數目n研究函數逼近能力與信號的隱層節點之間的關系。
通過改變非線性函數中的頻率參數k和該函數的隱層神經元的數目n，k和n的改變對函數逼近的影響有一定的影響。一般來說，如果非線性函數的非線性的程度越高，對需要設計的BP神經網絡的要求則就越高，而且在用相同的BP神經網絡來進行逼近時其效果則更差；而且隱層神經元的數目n對于BP神經網絡逼近的效果也有很大影響，一般來說BP神經網絡逼近非線性函數的能力越強，隱層神經元數目n就需要越大。
現將非線性函數的頻率參數設為k=10，在當隱層神經元數目分別取n=10、n=20時，經仿真得出經過訓練后的BP神經網絡的輸出結果如圖1和圖2所示。
通過上述仿真結果可知，當n=20時，BP神經網絡對函數逼近取得了較好的逼近效果。由此可見，隱層神經元的數目n取不同的數值對函數逼近的效果有較大的影響。實驗表明，改變BP神經網絡的隱層神經元的數目n，可以改變BP神經網絡對于函數的逼近效果。BP神經網絡的隱層神經元的數目n越多，用BP神經網絡逼近非線性函數的能力則越強。
4 結論
本文討論BP神經網絡在函數逼近中的應用，給出了BP神經網絡逼近類神經網絡模型，研究并討論BP神經網絡的函數逼近性能。應用MATLAB神經網絡工具箱設計網絡，并通過仿真實驗分析了BP神經網絡結構與設計對逼近性能的影響。
參考文獻
[1]謝庭藩，周頌平.函數逼近論[M].杭州：杭州大學出版社，1997.
[2]飛思科技產品研發中心.神經網絡理論與MATLABR2007實現[M].北京：電子工業出版社，2007.
[3]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2005.
[4]張立明.人工神經網絡的模型及其應用[M].上海：復旦大學出版社，2003.
[5]WANG W B，ZHEN G P，LI J Y.Application of BP NN and RBF NN in modeling activated sludge system[J].Transactions of Tianjin University，2003，9（3）：235-240.
作者簡介
高坤（1978-），男，山東省高密市人?，F為濱州學院航空工程學院講師。主要從事電路與系統等課程的教學與研究。
