前言：中文期刊網精心挑選了人工神經網絡優勢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。
人工神經網絡優勢范文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.
人工神經網絡優勢范文2
【關鍵詞】神經網絡；塑性加工
1.引言
神經網絡技術屬于人工智能領域，最早在上世紀五十年代開始出現一些相關理論性的研究，由于受到當時軟、硬件環境的約束，因此該技術的發展一直處于停滯狀態，直到九十年代才得到足夠的重視，并由于其在控制過程中獨特的優勢而受到廣泛的關注和青睞，成為最熱門的研究領域之一。人工神經網絡的特點主要有大規模并行計算能力突出、數據存儲的分布性好、超強的自學習和自適應能力等，甚至基于神經網絡衍伸出的一些優化算法還可以具備相當程度的聯想、識別和記憶功能，這大大強化了神經網絡的適用范圍。目前該技術已廣泛的應用在生產控制、模式識別、網絡控制、信號處理、醫學工程以及其他需要智能優化處理服務的自動化控制場合。
2.人工神經網絡概述
人工神經網絡技術模擬人腦中由大量的神經元連接組成的復雜網絡，在求解過程中充分的調動神經元之間的相互作用，從而實現對數據的感知、記憶和處理功能。雖然神經元個體相對簡單且功能有限，但通過大量不同神經元的組合，便可使生成的網絡系統具有多樣化的功能。在人工神經網絡中，神經元由三部分構成，分別是包含網絡中每條連接權值的權集；用以存儲某條組合連接中各個單位連接權值之和的求和單元；對加權和進行非線性映射并約束其強度的非線性激勵函數。由這三部分組成的單個神經元可與其他多個神經元相連接，組成各種類型的神經網絡。
神經網絡的另一個優勢在于其獨特的分布式數據存儲方式上，由于將采集到的大量數據分布存儲在各個神經元之間的連接強度上，可大大增強數據的生存性和安全性，即使出現了局部數據的損毀，也不會對最終的計算結果造成太大的影響。從計算機技術方面分析，神經網絡中的神經元實質上是一個非線性運算器，可同時接受多路輸入數據參與運算，而計算結果則是唯一的單個輸出。從數學建模的角度來看，通常使用三個函數來描述神經網絡，分別是階躍函數、分段線性函數和Sigmoid函數，如下所示：
在塑性加工領域，應用最多的是前饋型神經網絡，在該類神經網絡中，包括輸入層、隱層和輸出層三層結構。在這三層之間，內部節點相互獨立，減少干擾，其實現的輸入和輸出之間的關聯受到多種因素的影響，如節點數、層數、連接權值等等，若要實現該網絡輸出盡可能的逼近預設值，就必須采用誤差函數來對各個連接強度進行動態調整，最常使用的是二乘誤差，如下所示：
3.人工神經網絡在塑性加工中的應用分析
3.1 工藝設計專家系統
工藝設計是塑性加工工序的開始，通過科學的工藝設計，可以將整個加工流程進行合理的安排，預設合適的參數組合，以使得生產出的產品合乎標準，在這一階段，首先要完成的就是大量資料的收集，隨后是數據提煉，計算量相當龐大。而利用人工神經網絡來建立專家系統時可以實現大規模的數據并行處理，且不需要循序漸進的推理，直接通過大量的訓練來得到最優的解集，這是其他智能算法所不具備的突出優勢。而且在神經網絡中，推理過程和計算過程是同步完成的，且相關信息分布存儲在網絡節點間的連接強度上，通過對樣本不斷的學習和更新來完成對存儲知識的不斷優化。
3.2 無損探傷及缺陷預測
在超聲探傷、磁粉探傷等無損探傷中，由于得到的信息較為有限，因此傳統的監測系統很難準確判斷構件內部缺陷的具體情況，更談不上精確定位了，且這種困難隨著北側物件體積的增大而直線上升。而神經網絡所具有的非線性識別及映射能力則能很好的解決這一問題，通過反復的訓練優化，最終定位出最有可能的缺陷位置和缺陷尺寸。若某平板內具有圓形缺陷，可先用有限元法模擬在一定載荷下圓孔的位置、尺寸變化對某些點的位移、應變的影響，將所得到的數據用來訓練神經網絡。一旦訓練成功，就可以利用它確定同類試件內部的缺陷及其尺寸位置。
3.3 預測材料性能及參數識別
在塑性加工理論研究中，材料塑性變形行為的表述能否準確反映材料在外載作用下的響應，直接影響到理論結果的準確性。在利用傳統方法建立本構模型時要引入許多假定的前提條件，還要通過大量的實踐經驗和實驗驗證來選擇合適的參數組合，通過在不同環境下的仿真實驗，并對結果進行對比分析，不斷修正乃至最終確定本構模型，這一過程顯然占用了過多的時間和資源。而利用神經網絡卻可以實現應力―應變的直接映射，直接從實驗數據“學習”應力―應變關系，從而避免了大量的數學推導過程和驗證―修改的不斷反復過程。網絡實現對應力―應變關系模擬就是在“訓練”過程中不斷改變自身各神經元間的連接強度，訓練完成后，網絡將應力―應變關系（某種材料）“記憶”在其連接強度上即可。
4.結束語
雖然神經網絡已經被廣泛的應用到各種工業控制場合并表現出強大的學習和自適應能力，但其算法的收斂性和魯棒性仍有待加強，相信人工智能領域的不斷突破，人工神經網絡比價發揮出更大的作用。
參考文獻
[1]時慧焯.基于人工神經網絡的注塑成型翹曲優化方法[D].大連：大連理工大學，2012
[2]付子義.基于BP神經網絡優化的PID控制器研究[J].軟件導刊，2015，（12）：45-48
人工神經網絡優勢范文3
[關鍵詞] BP神經網絡；巖性識別；改進BP神經網絡
[DOI] 10.13939/ki.zgsc.2015.24.063
1 主要研究內容
根據國內外研究現狀，利用目前研究最透徹的人工神經網絡技術-BP（ Back Propagation）人工神經網絡，以C#.NET為軟件工具，通過合理地編寫程序，針對低阻、高放射等非常規儲層進行識別與判別。主要利用常規測井資料，以實際的巖心、巖屑觀察、物性等分析測試資料、試油試產資料為測井參數約束的標準，針對儲層的巖性進行預測、判斷。從而得出BP人工神經網絡方法在測井數據處理與解釋中的優勢所在，并指出其缺陷與不足之處。
2 BP神經網絡
2.1 基本BP神經網絡的設計
基本BP算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實際輸出時按從輸入到輸出的方向進行，而權值和閾值的修正從輸出到輸入的方向進行。
2.2 BP神經網絡算法步驟
（1） 初始化網絡權值，閾值，及有關參數（如學習因子）。
3 BP神經網絡在巖性識別上的應用
3.1 地層特征
在儲層測井響應特征方面，本文研究油區的泥巖與砂質泥巖均以高自然伽馬、正自然電位幅度、微電極無差異或差異幅度小為特征、并且有電阻率相對偏低和高聲波時差值的特征，較純的泥巖層往往還出現井徑擴大現象。粉砂巖、泥質砂巖以中.高自然伽馬和中一低負異常幅度自然電位及微電極差異幅度小或無差異為特征。視電阻率變化較大。細砂巖為主要儲集層，以自然電位高負異常幅度低自然伽馬值及微電極差異幅度大為特征。部分儲油砂層的自然伽馬值偏高。細砂巖含油后一般電阻率較高。
3.2 基本BP網絡的構建與實現
3.2.1 測井數據的處理
由于各種測井數據量綱不一致，進入網絡之前，無論是學習樣本或預測數據，都需先進行歸一化處理，將它們置于統一的數值量綱范圍內，如在[0，1]之間。對于具有近似線性特征的信息，可以采用線性歸一化公式：處理。
3.2.2 巖性參數的設置
由于在做巖性識別時，我們設置了相應的參數。其中有聚類參數、自然加碼、井的深度等。其中聚類設置表示，自然加碼的設置是判斷輸入數據的合法性，井的深度和間隔有利于模仿底層結構。
3.3 改進的BP網絡（動量-自適應）的實現
3.3.1 增加動量項
附加動量法使網絡在修正其權值時，不僅考慮誤差在梯度上的作用，且考慮在誤差曲面上變化趨勢的影響。在沒有附加動量的作用下，網絡可能陷入淺的局部極小值，利用附加動量的作用有可能滑過這些極小值。
帶有附加動量因子的權值和閾值調節公式為：
根據附加動量法的設計原則，當修正的權值在誤差中導致太大的增長結果時，新的權值應被取消而不被采用，并使動量作用停止下來，以使網絡不進入較大誤差曲面；當新的誤差變化率超過一個事先設定的最大誤差變化率時，也得取消所計算的權值變化。其最大誤差變化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在進行附加動量法的訓練程序設計時，必須加進條件判斷以正確使用其權值修正公式。
訓練程序設計中采用動量法的判斷條件為：
3.3.2 自適應調節學習率
對于一個特定的問題，要選擇適當的學習速率不是一件容易的事情。通常是憑經驗或實驗獲取，但即使這樣，對訓練開始初期功效較好的學習速率，不見得對后來的訓練合適。為了解決這個問題，人們自然想到在訓練過程中，自動調節學習速率。通常調節學習速率的準則是：檢查權值是否真正降低了誤差函數，如果確實如此，則說明所選學習速率小了，可以適當增加一個量；若不是這樣，那么就應該減少學習速率的值。下式給出了一個白適應學習速率的調整公式：
3.3.3 引入陡度因子
誤差曲面上存在平坦區域，權值調整進入平坦區的原因是神經元輸出進入了變換函數的飽和區，如果調整進入平坦區沒法壓縮神經元的凈輸入，就使其輸出退出變換函數的飽和。
3.3.4 動量-自適應學習速率調整算法
當采用前述的動量法時，BP算法可以找到全局最優解，而當采用自適應學習速率時，BP算法可以縮短訓練時間，采用這兩種方法也可以用來訓練神經網絡，該方法稱為動量-自適應學習速率調整算法。
人工神經網絡優勢范文4
摘要：隨著電力工業的發展，人工神經元網絡(ANN)在電力系統中獲得了廣泛的應用。本文概述了人工神經元網絡的特點、基本結構以及發展過程，并對ANN在電力系統中的具體應用做了詳細的話述。最后，對人工神經元網絡的發展趨勢和在電力系統中的應用前景進行了展望。
關鍵詞：人工神經元網絡(ANN) 電力系統 應用前景 展望
人工神經網絡，是一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入一輸出數據，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。人工神經網絡具有四個基本特征：非線性、非局限性、非定性、非凸性。人工神經網絡理論，作為人工智能的一個最活躍的分支，其模擬人腦的工作方式，為解決復雜的非線性、不確定性、不確知性系統的問題開創了一個嶄新的途徑，因而在電力系統應用研究中受到了廣泛的關注。
1.ANN發展過程
1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網絡和數學模型，稱為MP模型。他們通過MP模型提出了神經元的形式化數學描述和網絡結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網絡研究的時代。60年代，人工神經網絡得到了進一步發展，更完善的神經網絡模型被提出，其中包括感知器和自適應線性元件等。1982年，美國加州工學院物理學家J.J.Hopfield提出了Hopfield神經網格模型，引入了“計算能量”概念，給出了網絡穩定性判斷。1984年，他又提出了連續時間Hopfield神經網絡模型，為神經計算機的研究做了開拓性的工作，開創了神經網絡用于聯想記憶和優化計算的新途徑，有力地推動了神經網絡的研究。人工神經網絡的研究受到了各個發達國家的重視，美國國會通過決議將1990年1月5日開始的十年定為“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變為全球行為。
2.ANN的特點與結構
人工神經網絡的研究與發展及神經生理科學、數理科學、信息科和計算機科學等眾多領域，是一種新的信息處理理論。它所特有的信息處理機制，與傳統的數字計算機有著本質的不同。ANN網絡由大量模擬人腦的神經元互連組成，無獨立的用于存儲的信息空間，更沒有單一執行指令的CPU，每個神經元的結構都十分簡單，信息處理與存儲合二為一，通過調整連接權值，由整體狀態來給出響應信息。ANN是一種非線性映射系統，具有強大的模式識別能力，可以對任意復雜狀態或過程進行分類和識別。
3.ANN在電力系統中的應用
目前，ANN已用于負荷預測，警報處理，控制等方面，它已經從研究階段轉為實際應用。
3.1智能控制
在電力系統中利用ANN實現智能控制，就是利用其估計和聯想的能力，實現系統狀態與參數的識別和控制，這已在多種控制結構中如自校正控制、模型跟蹤控制、預測控制等控制中得到應用。Y M Park等采用2個BP網絡構成電力系統穩定器(PSS)的模型，其中1個在系統功率擺動中估計發電機的輸出功率。另一個用于判斷并給出控制決策。范澍等應用4層BP網絡對發電機運行方式和系統干擾進行精確在線識別，并以此為基礎設計了一種最優勵磁調節器模型，計算與仿真結果表明，這種調節器比固定點線性勵磁方式具有更強的穩定性能和動態品質，在系統運行方式較大的變化范圍內都能提供很好的控制性能，在大小擾動下均表現出很好的阻尼特性和良好的電壓性能。袁宇春等提出了用ANN進行電力系統的實時切負荷控制，選用的是多輸入單輸出的單層前向神經網絡，選取185個樣例進行網絡訓練后，在西北電網模擬某線路故障顯示了較好的控制特性。
3.2優化計算
由于ANN能夠建立任意非線性的模型，并適于解決時間序列預報問題，尤其是隨機平穩過程的預報，因此電力系統短期負荷預報是其應用研究的一個重要方面，歐建平等以3個ANN構成負荷與天氣變化量的周、日、時3個預報分析系統，氣象參數和預測周、日、時前某段歷史負荷參數作為網絡的訓練輸入參數，各自產生獨立的預報，再綜合產生最終的預報。姜齊榮等則用ANN建立發電機、勵磁系統和調速系統的詳細模型，把這三部分的模型連接起來并與電力系統網絡接口，形成一個ANN模型與電力系統網絡混聯的系統，這種混聯系統的暫態穩定計算結果與用常規機理模型的計算結果幾乎相同。為實現ANN并行、快速、在線處理電力系統實時計算提供新途徑。
3.3故障診斷
要保證電力系統的安全運行和實現電力設備由定期檢修轉變為狀態檢修，如何準確地進行電力設備的故障診斷，一直是受關注的焦點之一。而這類故障的征兆錯綜復雜，往往呈現出非線性和不確定性，很難用某一確定的邏輯或算法進行識別。而這種識別恰好是ANN所擅長的。ANN在電機狀態監測與診斷上也獲得了成功的應用。何雨儐等提出一種聯想記憶神經網絡，取零序電流、定子不對稱電流及其變化率等電測參數為故障征兆，通過網絡的聯想能力快速準確地進行電機早期故障的雙向診斷，能有效地處理各種模式并存的故障診斷問題。并且容錯性好，能有效抑制現場噪聲干擾，使診斷系統具有良好的魯棒性。電網故障診斷中，用全局逼近的BP算法完成故障的快速定位，便于控制人員及時處理故障。
3.4繼電保護
繼電保護是電力系統安全運行的重要保障之一，隨著電力系統的發展，常規的繼電保護技術已經不能完全適應需要。黨德玉提到一種基于小波變換和ANN的保護模型，其輸入特征量經過小波變換，也選用了3個三層的BP網絡用于判斷故障種類，故障性質和故障定位。故障種類和故障性質的判斷正確率可達100％，對線性短路故障的位置判斷正確率為94％，非線性故障(如經非線性過渡電阻接地)的判斷正確率為96％。張海峰等使用3層前向網絡構成變壓器保護模型，取變壓器2端的電流和其他故障特征量進行綜合判斷。經大量樣本訓練后，可準確判斷變壓器的勵磁涌流和各種故障。張津春等介紹了ANN構成的自適應自動重合閘模型，能較好地判別各種情況下瞬時性故障與永久性故障。
為了解決用電路方法進行巨量神經元連接無法實現的問題，采用光電集成技術制作的光神經元、光互連器件、光神經芯片也已出現，并成功地應用于模式識別、聯想記憶等方面。此外，ANN在輸電容量限制條件下經濟調度、基于同步相量測量的電壓安全監控、電廠控制、HVDC的電流控制器等方面也得到了研究與應用。
4.ANN在電力系統中的發展趨勢
ANN在電力系統中應用已做了大量的研究，一但是總體上來說仍停留在理論分析和仿真實驗上，因此必須加強理論研究與實際工程應用的結合，例如可在狀態檢修、在線監測等電力系統有較迫切需求的領域中，尋找實際應用的突破口。近幾年興起的小波變換方法，由于其克服了傅里葉變換不能對信號進行局部化分析的缺點。同時具有很強的特征值提取功能，特別適用于故障信號的分析，經小波變換處理后的信號作為神經網絡的輸入，可使網絡大大提高抗干擾性并加速收斂。所以小波分析與ANN的結合將在電力系統控制、保護、故障診斷等方而發揮更大的作用。ANN與專家系統和模糊控制的綜合對電力系統這樣一個復雜的動態大系統來說，應用潛力更大。ANN的形象思維能力，專家系統的邏輯思維能力和模糊邏輯這三者的結合，可體現出各自的優勢，互相彌補各自的不足。
人工神經網絡特有的非線性適應性信息處理能力，克服了傳統人工智能方法對于直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。人工神經網絡與其它傳統方法相結合，將推動人丁智能和信息處理技術不斷發展。近年來，人工神經網絡正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳算法、進化機制等結合，形成計算智能，成為人工智能的一個重要方向，將在實際應用中得到發展。將信息幾何應用于人工神經網絡的研究，為人工神經網絡的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網絡的發展提供了良好條件。
人工神經網絡優勢范文5
張雨濃：目前來說，人工神經網絡、冗余度機器人學和科學計算與優化是我們科研攻關的三個主要方向，最早當始于導師毛宗源教授主持負責的“仿人腦信息處理與控制的人工系統的研究”，隨后開展了近年來承擔的國家自然科學基金委支持的課題“機器手臂的基于二次規劃的冗余度解析方案”“冗余機器人實時運動規劃的統一理論”等項目。就人工神經網絡、人工智能等相關領域的研究情況而言，我國很多學術前輩、同事甚至是后學不同程度地做出了不少創新性的成果，有些甚至達到世界領先的水準，這一點還是值得我們欣喜的。
以人工神經網絡為例來說，其理論在國內外都已經取得了許多令人矚目的成果，國內也有許多學者相繼提出了不同的人工神經網絡模型，并取得了較為廣泛的應用，且應用范圍在不斷擴展，滲透到了多個領域，如信號處理，智能控制、模式識別、機器視覺、非線性優化、圖像處理等等。我團隊近期拓展的神經網絡模型的連接權值直接確定一項可避開傳統BP(誤差回傳)神經網絡的內在弱點，如冗長的權值迭代計算、局部極小點問題、網絡參數及隱神經元數的選取困難等等，并將遞歸神經網絡應用于冗余度機械臂的運動規劃與控制中，展現出了良好的成果。
筆者：早在2001年，您率先提出變矩陣／向量／優化問題的神經網絡新解法，能否借此機會有針對性地講述幾點其與傳統解析與架構上的不同?
張雨濃：其與傳統梯度方法的不同之處可歸納為如下數點：首先，新型神經網絡解法是基于矩陣／向量形式的誤差函數而設計的，令其每個誤差元素不斷遞減至零而成。與此相對，基于梯度法的傳統神經網絡解法是基于非負或至少下有界的標量形式的能量函數而設計的；值得指出的是，在基于梯度法的神經網絡解法中涉及的參數矩陣等多是探討定常的情況。
其次，新型神經網絡在處理時變問題時，系統地采用變矩陣，向量的時間導數信息，這也是新型神經網絡能夠全局指數收斂到時變問題的準確理論解的原因之一。與此相對，基于梯度法的傳統神經網絡解法因沒有使用如此重要的時間導數信息而難以有效地求解時變矩陣／向量／優化問題。
另外，新型神經網絡通常是用更為普適的隱動力學方程描述的；而基于梯度法的傳統神經網絡則多是采用顯動力學方程描述的。
筆者：在您的科研范圍內，冗余機器人是您科學研究的主項，它顯然代表著高端的科技發展方向，我們想請張教授談一下冗余機器人今天的發展狀況及其特性、優勢，其在未來科技領域內的應用情況，給人類社會所帶來的利好。
張雨濃：就冗余機器人而言，現主要研究的是冗余機械臂，其可廣泛地應用于工業生產之中，包括焊接、油漆，組裝、繪圖、挖掘，送料和其他智能活動等等。冗余機械臂是指末端執行器在執行給定的任務時有比其所必需自由度之上更多的自由度和靈活度的機械臂。在冗余機器人的運動學研究中，正運動學和逆運動學都是研究的核心部分。正運動學指給定關節變量，通過已知的手臂函數映射關系，能夠唯一地確定末端執行器的位姿，而逆運動學是指給定末端執行器的笛卡爾變量，如何來實時求解機械臂的關節變量。兩者剛好相對，但逆運動學的求解卻不容易。后者直接關系到運動分析，離線編程、軌跡規劃等等，是將工作空間內機器人末端的位姿轉化成關節量值的前提。由于機械臂逆運動學問題的復雜性，我們將機械臂逆運動學逆動力學問題都統一地轉化為最優化問題，具體為時變二次規劃問題，這種做法能減少大量矩陣求逆，矩陣相乘等運算，減少計算時間，也更靈活、更加智能化。
這些科研結果能為裝備制造，加工作業乃至空間機器人等領域的運動控制和新型機械臂的研發，制造以及技術提升提供一個更為科學更加有力的理論與實踐基礎。該冗余度解析理論將會在重工制造裝備等方面展露，并帶來廣闊的應用前景和較大的社會經濟效益，如用以改造和提升噴漿機器人、焊接和繪圖機器人、車載機器臂系統等機械設備的運動解析與控制技術、操作模式及其安全性穩定性等。
筆者：2007年您所提出的BP神經網絡權值直接確定理論研究，克服了傳統BP神經網絡所固有的迭代時間長、迭代次數多，易陷入局部極小點和學習精度不高等諸多缺陷。您一直站在科技前沿，在未來您的研究方向還將力求沖破哪些方面的障礙?
張雨濃：我們的一個科研工作重心就是人工神經網絡的權值直接確定法以及外延的新方法新理論，比如在權值直接確定基礎上的隱層神經元數目自適應確定研究等等。就未來在該方面繼續做工作而言，首先我們仍將繼續尋找，挖掘、探討和考察不同的激勵函數、網絡模型，以求從不同的角度更加豐富地證實權值直接確定法的可行性，有效性、普適性以及優異的學習能力等等；其次，我們將(也已經在)探討多輸入多輸出人工神經網絡的權值直接確定法，并同時探研拓撲結構自適應確定算法于其中；另外，也如同我們向中科院某所提交的一個開放課題申請書中所言，應用神經網絡權值與結構直接確定理論處理海量數據同樣值得嘗試與探討，我們以往曾開發出基于Toeplitz矩陣的時間序列高斯過程回歸技術處理了六萬維矩陣求逆和兩萬四千維數據，這一結果或可以借鑒用以開發神經網絡超萬維數據處理技術。
人工神經網絡優勢范文6
關鍵詞：BP神經網絡； 小波變換； 目標識別； 數據融合
中圖分類號：TN91934 文獻標識碼：A 文章編號：1004373X(2012)10010003
戰場目標識別一直是重要的研究課題，只用正確的識別目標，才能有效地采用克敵制勝的方法。多年以來，科學家為研究識別目標的方法，投入了大量的精力。最主要的方法是通過目標的外形進行識別，然而這很容易受到目標各種外形特征的影響，而且通過偽裝和遮蔽，大大增加了通過圖像識別目標的難度。另外也可以通過采集目標運動產生的地震動信號對目標進行識別。不同類型地面目標行進產生的地震動信號具有不同的頻率和能量特征［1］。通過數據采集得到這些信號，然后利用小波分析，得到地震動信號的特征向量，利用神經網絡分類器完成目標識別［2］。由于所有的檢測信號都來源于目標本身，不會由于發射偵測信號被目標識別，屬于被動目標識別方法，大大增加了隱蔽性。通過應用最新的信號分析處理方法和識別技術，能極大地提高識別效果和識別準確率。
1 數據采集和信號處理
1.1 測試系統組成
整個測試系統包括震動傳感器、電荷放大器、PXI數據采集儀。采集系統構成如圖1所示。為了提高信號質量，在采集之前增加了濾波電路。
所有的數據采集都是由PXI數據采集儀完成的。它來自地震動傳感器的信號（頻率較高）和頻率為24.8 MHz的RF信號混合調制。為了減小雜波噪聲，在量化的時候，通過一個低通濾波器將高于2 MHz的信號去除。PXI數據采集儀的內部包含數據采集卡，數據采集卡的采樣頻率為1 MHz，設定采樣2 s的數據。采樣得到的數據為WAV格式，能夠通過外部音響播放出來。采樣數據轉換成MAT格式后，使用Matlab完成離線信號處理，包括解調和頻譜計算。
圖1 測試系統構成1.2 信號消噪
通過數據采集得到的信號通常包含各種噪聲，必須將信號中的噪聲信號去除。在實際工程中，有用信號通常表現為平穩信號，包含在低頻部分，而噪聲信號通常包含在高頻部分。為此采用小波降噪的方法，將高頻部分濾除。小波降噪的原理是首先對信號進行小波分解，分解后噪聲包含在高頻分量中，通過門限閾值等形式對小波系數進行處理，然后對信號進行重構，即達到了小波降噪的目的［3］。小波降噪一般分為3個步驟：
（1） 信號的小波分解。選擇一個小波并確定分解的層次，然后進行分解運算。
（2） 小波分解高頻系數閾值量化。對各個分解尺度的高頻系數選擇一個閾值進行閾值量化處理。
（3） 一維小波重構。根據小波分解的底層低頻系數和各層高頻系數進行一維小波重構。
這三個步驟中，最重要的步驟是如何選取閾值和如何進行閾值量化，這直接關系到信號消噪的質量［4］。本文采用的是sym8小波進行了6層分解，并用Heursure軟閾值進行小波系數閾值量化。
通過對比原始信號(見圖2)和濾波后信號（見圖3）可以看出，濾波后的信號中包含的噪聲信號明顯減少了。這樣就是減少了數據量，使后續的處理更方便，速度更快，結果更準確，從而達到最佳的識別效果。
圖2 原始信號
圖3 濾波信號2 人工神經網絡
2.1 人工神經網絡
人工神經網絡（Artificial Neural Network，ANN），也稱為神經網絡，是由大量的神經元（Neurons）廣泛連接組成的網絡，是對人腦的抽象和模擬，實現人腦的基本功能。人工神經網絡通過輸入/輸出數據調節參數、算法和結構模型，其自誕生至今，由于人工神經網絡具有自學習能力和并行處理大量數據等特點，已經在智能控制和模式識別等領域得到越來越廣泛的應用。尤其是基于誤差信號反向傳播（Error Back Propagation）的多層前饋網絡(Multiplelayer Feedback Network)，簡稱BP神經網絡，因其可以以任意精度逼近任意連續函數而廣泛應用于函數逼近、模式識別等領域。
BP神經網絡一般有一個輸入層，一個隱含層（有時有2個或者更多）和一個輸出層［5］。輸入層和輸出層的神經元個數分別是輸入層和輸出層輸入數據的維數，隱含層的層數和隱含層節點的個數要根據具體情況而定。BP神經網絡模型如圖4所示。
圖4 BP神經網絡神經網絡模型有n輸入和m輸出。假設k代表采樣序列，則數學上神經網絡模型代表輸入Xk=(xk1,xk2,…,xkn)T和輸出Yk=(yk1,yk2,…,ykm)T之間的非線性映射，有以下等式：Yk=g(W,Xk)式中：W={wij,i=1,2,…,Ni,j=1,2,…,Nj}是一個權重矩陣反映層之間的連接；Ni和Nj分別代表i層和j層神經元數目。對神經網絡模型的訓練實際上就是利用訓練樣本計算權重矩陣W。訓練完成的神經網絡計算速度會很快，無論問題的復雜程度如何［6］。
2.2 信號特征分量提取
