前言：中文期刊網精心挑選了神經網絡的現狀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。
神經網絡的現狀范文1
關鍵詞：卷積神經網絡 現場可編程門陣列 并行結構
中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2015）12-0000-00
1 引言
卷積神經網絡（Convolutional Neural Network， CNN）具有良好的處理能力、自學能力及容錯能力，可以用來處理復雜的環境信息，例如，背景情況不明，推理規則不明，樣品存有一定程度的缺陷或畸變的情況。所以，卷積神經網絡被廣泛應用于目標檢測、物體識別和語音分析等方面[1]?，F場可編程門陣列（Field Programmable Gate Array， FPGA），作為可編程使用的信號處理器件，其具有高集成度、運行高速、可靠性高及采用并行結構的特點，易于配合CNN處理數據。
2 國內外研究現狀
2.1 神經網絡的模型結構
根據研究角度、數據傳遞方式、數據處理模式、學習方法等的不同，多種神經網絡模型被構建出來。目前主要有四種模型被廣泛應用中[2][3]：
（1）前饋型神經網絡。此類神經元網絡是由觸突將神經原進行連接的，所以網絡群體由全部神經元構成，可實現記憶、思維和學習。此種類型的網絡是有監督學習的神經網絡。（2）遞歸型神經網絡。此種神經網絡又稱為反饋網絡，以多個神經元互相連接，組織成一個互連的神經網絡，使得電流和信號能夠通過正向和反向進行流通。（3）隨機型神經網絡。此種神經網絡的運行規律是隨機的，通過有監督學習方法進行網絡訓練。（4）自組織競爭型神經網絡。此種神經網絡通過無監督的學習方法進行網絡訓練，一般具有兩層網絡結構，輸入層和競爭層。兩層間的各神經元實現雙向全連接。
2.2 神經網絡的學習方法
神經網絡的學習方法用來解決調整網絡權重的問題，是指完成輸入特征向量映射到輸出變量之間的算法，可以歸納為三類[4-7]：
（1）有監督的學習。在學習開始前，向神經網絡提供若干已知輸入向量和相應目標變量構成的樣本訓練集，通過給定輸入值與輸出期望值和實際網絡輸出值之間的差來調整神經元之間的連接權重。（2）無監督的學習。此種學習方法只需要向神經網絡提供輸入，不需要期望輸出值，神經網絡能自適應連接權重，無需外界的指導信息。（3）強化學習。此種算法不需要給出明確的期望輸出，而是采用評價機制來評價給定輸入所對應的神經網絡輸出的質量因數。外界環境對輸出結果僅給出評價結果，通過強化授獎動作來改善系統性能。此種學習方法是有監督學習的特例。
2.3 卷積神經網絡的結構
卷積神經網絡為識別二維或三維信號而設計的一個多層次的感知器，其基本結構包括兩種特殊的神經元層，一為卷積層，每個神經元的輸入與前一層的局部相連，并提取該局部的特征[8]；二是池化層，用來求局部敏感性與二次特征提取的計算層[8]。作為部分連接的網絡，最底層是卷積層（特征提取層），上層是池化層，可以繼續疊加卷積、池化或者是全連接層。
3 FPGA實現神經網絡的并行體系結構
（1）卷積神經網絡的計算架構。卷積神經網絡可以使用“主機”與“FPGA”相結合的體系模型，主機用來控制計算的開始和結束，并在神經網絡前向傳播計算過程中，提供輸入圖像等數據。主機與FPGA之間的通信可以通過標準接口，在主機進行任務分配的過程中可以對FPGA上的卷積神經網絡進行硬件加速。當卷積神經網絡開始啟動計算，通過標準接口接收到主機傳輸的圖像時，FPGA開始進行計算，并且使用FPGA中的存儲器來存儲卷積核權值。FPGA將會先完成卷積神經網絡前向傳播過程的計算，然后將其最后一層計算得到的結果輸出給主機。（2）卷積神經網絡并行體系架構。一、單輸出并行結構：每次計算一個輸出圖像，其中會將多個輸入圖像和多個卷積核基本計算單元同時進行卷積運算，然后將全部卷積運算的結果與偏置值進行累加，再將結果輸入非線性函數和自抽樣子層進行計算。二、多輸出并行結構：若卷積神經網絡的計算單元中含有多個單輸出的并行結構，那么輸入數據可同時傳送到多個單輸出計算單元的輸入端，從而組成多個單輸出計算單元組成的并行結構。在卷積神經網絡的并行計算結構中，每個卷積核計算單元在進行卷積操作時都要進行乘加運算，所以，有必要將單個的卷積運算拆分實現并行化，并且可以嘗試將同一層內的多個卷積運算進行并行化。
4 結語
本文對卷積神經網絡進行了介紹，總結了國內外的研究現狀，結合卷積神經網絡運算的特點與FPGA的快速計算單元數量及功能方面的優勢，嘗試闡述了在FPGA映射過程的卷積神經網絡的并行體系結構。
參考文獻
[1] Fan J，Xu W，Wu Y，et al. Human tracking using convolutional neural networks[J].IEEE Transactions on Neural Networks，2010（10）：1610-1623.
[2] 楊治明，王曉蓉，彭軍.BP神經網絡在圖像分割中的應用.計算機科學[J].2007（03）：234-236.
[3] Simon Haykin . Neural networks ，a comprehensive foundation[M].second edition，Prentice Hall，1998.
[4] Herta J ， et al.Introduction to Theory of Neural Compution[M].Sant Fee Complexity Science Series，1991.156.
[5] 戴奎.神經網絡實現技術[M].長沙：國防科技大學出版社，1998.
[6] 焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1996.
神經網絡的現狀范文2
【關鍵詞】噸煤單耗 因素 BP神經網絡 MATLAB仿真
1 引言
噸煤單耗是煤炭加工企業組織生產考核指標中的一項非常重要考核內容，它指的是輸送或破碎環節中每輸送或破碎一噸煤所消耗的電量。噸煤單耗與系統的運行時間、煤炭輸送量、原煤破碎量、線路損耗、系統故障時間以及電量結算日期等因素有著密切的關系。據統計，幾年前國內多數煤炭加工企業對噸煤單耗的計算并未形成一種相對精確的預測模型。我們知道影響噸煤單耗的因素很多，而且這些因素之間并不是簡單的線性函數關系，基于此種現狀本文將影響噸煤單耗計算的主要因素作為BP神經網絡的輸入，利用MATAB仿真軟件對網絡進行自學習式訓練，通過多次訓練建立了可靠的BP神經網絡噸煤單耗預測模型，并將2011年、2012年部分實際生產數據與預測數據進行了對比驗證，分析結果表明該模型預測的噸煤單耗能夠滿足指導生產實踐、控制成本的要求。
2 BP神經網絡預測模型的建立
2.1 BP神經網絡的基本原理
在人工神經網絡發展歷史中，很長一段時間里沒有找到隱層的連接權值調整問題的有效算法。直到誤差反向傳播算法（BP算法）的提出，成功地解決了求解非線性連續函數的多層前饋神經網絡權重調整問題。BP （Back Propagation）神經網絡，即誤差反傳算法的學習過程是由信息的正向傳播和誤差的反向傳播兩個過程組成。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的過程，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，或者預先設定的學習次數為止。本文就是利用其具有較強的非線性映射特性，來預測噸煤單耗的。
2.2 BP神經網絡結構參數的設計
BP神經網絡作為一種多層的前饋網絡，根據Kolmogorov定理，對于任意給定的一個連續函數，都可以用一個三層的前饋網絡以任意精度逼近，其輸入層隱含層各節點之間，隱含層和輸出層各節點之間用可調節的權值進行連接。本模型將選取一個三層的BP神經網絡，從輸入層到隱含層和從隱含層到輸出層的激勵函數（反映下層輸入對上層節點刺激脈沖強度的函數）分別采用S型函數和線性函數。
2.3 各層神經元個數及參數的確定
2.3.1 網絡輸入層神經元個數的確定
在BP神經網絡模型的設計中，輸入和輸出節點的多少是由具體問題來決定的。在噸煤單耗計算過程中，輸入層神經元應選取對噸煤單耗計算有重要影響的幾個因素：系統運行時間（h）、產量（t）、用電量（KW?h）、流程的效率（t/h）這樣本模型的輸入層共計有4個節點。
2.3.2 網絡輸出層和隱含層神經元個數的確定
輸出層選取噸煤單耗、流程效率作為輸出層神經元。
2.4 數據處理與訓練樣本的選擇
由于BP神經網絡的泛化能力更多地體現在內插功能上，對于外部數據的泛化能力很差，所以訓練樣本的選取對于能否通過訓練得到合理、精確的模型來說是至關重要的。因此本模型選取了2010年，2011年兩年內具有典型性的21組數據經過神經網絡數據處理后，20組作為神經網絡的訓練樣本，另外1組作為測試樣本。本文中BP神經網絡的激勵函數為Sigmoid函數，這就要求網絡的輸入輸出量均應在[-1，1]之間。對于連續值變量，我們需要進行歸一化處理。本文所選的22組數據經歸一處理后如表1所示（為公司數據保密此表只列出了歸一處理后的相應數據）：
3 BP神經網絡訓練及預測分析
本模型采用MATLAB神經網絡.m文件格式調用BP神經網絡算法traingdm函數對20組歸一化后的數據進行BP網絡訓練，學習速率設置為0.04，訓練次數設置為10000次，目標誤差10-3。
4 結論
綜上所述，本模型能夠較好的實現基于實際生產數據來預測噸煤單耗以及流程效率的功能，同時數據也表明用BP神經網絡實現這一功能切實可行。通過此模型的建立我們可以通過控制流程的效率來控制噸煤單耗，從而控制實際噸煤單耗在考核指標以內，保證公司能夠順利完成全年的生產考核指標。
參考文獻
[1]著作：飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2006（99）.
作者簡介
李忠飛（1981-），通遼市奈曼旗人。研究生學歷。現為內蒙古霍林河露天煤業股份有限公司煤炭加工公司維修一部工程師、控制理論與控制工程專業電修隊隊長。
神經網絡的現狀范文3
1 模糊系統的Takagi-Sugeno模型
模糊系統理論［11］是溝通經典數學的精確性與現實世界中大量存在的不精確性之間的橋梁。它是以模糊集合的形式表示系統所含的模糊性并能處理這些模糊性的系統理論，能夠有效地處理系統的不確定性、測量的不精確性等模糊性。Takagi－Sugeno模糊系統（T －S模糊系統）作為函數模糊系統的一種特例，由于構成的各條規則采用線性方程式作為結論，使得模型的全局輸出具有良好的數學表達特性，這在處理多變量系統時能有效地減少模糊規則個數，具有很大的優越性［12］。其規則表達如下［13］：
2 T-S模糊神經網絡
模糊系統在模糊建模的過程中常存在學習能力缺乏，辨識過程復雜，模型參數優化困難等問題。而人工神經網絡具有自學習、自組織和自適應的能力，具有強大的非線性處理能力。二者的結合構成模糊神經網絡，可以有效地發揮模糊邏輯與神經網絡的各自優勢，彌補各自的不足［14］。
2．1 T－S模糊神經網絡的結構
基于標準型的T －S模糊神經網絡結構如圖1所示。圖1中第1層為輸入層；第2層每個結點表示一個語言變量值；第3層用來匹配模糊規則前件，計算出每條規則的隸屬度；第4層用于歸一化計算，輸出第 條規則的平均激活度［14］；第5層是輸出層，它所實現的是清晰化計算。T －S模糊神經網絡由前件網絡和后件網絡兩部分組成。前件網絡用來匹配模糊規則的前件，其結構與圖1的前4層結構完全相同；后件網絡用來產生模糊規則的后件，由N個結構相同的并列子網絡組成［15］。
2．2 T－S模糊神經網絡的學習算法
T －S模糊神經網絡需要學習的參數主要有后件網絡的連接權pkki以及前件網絡第二層各結點隸屬函數的中心值ckj及寬度σkj。設取誤差代價函數為：
3 應用研究
以下通過實例介紹T －S模糊神經網絡在地下水水質評價中的應用。
3．1 研究區概況
吉林省西部地區位于松嫩平原的西南部，地理坐標為東經123°09′～124°22′，北緯44°57′～45°46′。研究區東接吉林省長春市，南接四平市及遼寧省，西鄰，北接黑龍江省，東北以嫩江、松花江和拉林河與黑龍江省為界。吉林省西部屬半干旱半濕潤的大陸性季風氣候區，四季變化明顯。該區多年平均氣溫3～6℃，多年平均降雨量為400～500mm。研究區大部分屬于松嫩盆地，該盆地為一個巨大的含水層系統，埋藏有多層含水層，包括孔隙潛水含水層和承壓水含水層（分別為淺層、中深層）、上第三系大安組、泰康組孔隙－裂隙含水層（深層）和白堊系下統及上統裂隙孔隙含水層（深層）。研究區的地下水補給來源主要為降水入滲，排泄以潛水蒸發和人工開采為主。
3．2 原始數據
原始數據取自于吉林西部2005年50個地下水水化學監測點的水質監測數據，結合研究區地下水水質狀況，有針對性地選擇了鐵、氨氮、硝酸鹽、亞硝酸鹽、硫酸鹽、氯化物、溶解性總固體、氟化物和總硬度共9項指標作為評價因子。地下水水質評價標準參照GB／T 14848－93《地下水質量標準》，評價標準見表1。
3．3 神經網絡的準備工作
（1）訓練樣本、檢驗樣本及其期望目標的生成。采用Mat－lab7．0的linspace函數在各級評價標準之間按隨機均勻分布方式內插生 成 訓 練 樣 本。各 級 評 價 標 準 之 間 生 成500個，共2 000個訓練樣本，以解決僅利用各級評價標準作為訓練樣本，導致訓練樣本數過少的問題［16］。檢驗樣本用生成訓練樣本同理的方法生成400個樣本。小于一級標準的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的0～1．5之間的數值；一、二級標準之間的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的1．5～2．5之間的數值；同理，二、三級和三、四級標準之間的訓練樣本和檢驗樣本的期望目標為2．5～3．5、3．5～4．5之間的數值。（2）水質評價等級的劃分界限。據上述生成訓練樣本與檢驗樣本目標輸出的思路可以確定一、二、三、四、五各級水的網絡輸出范圍分別為：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始數據的預處理。利用Matlab7．0中的mapminmax函數將原始數據歸一化到0與1之間。
3．4 T－S模糊神經網絡的建立、訓練、檢驗及水質評價
3．4．1 T－S模糊神經網絡的建立
模糊神經網絡的構建根據訓練樣本維數確定模糊神經網絡輸入／輸出結點數、模糊隸屬度函數個數。由于輸入數據為9維，輸出數據為1維，通過試錯法確定模糊神經網絡結構為9－18－1，即有18個隸屬度函數。選擇10組系數p0－p9，模糊隸屬度函數中心和寬度c和σ隨機得到，通過動態BP算法對網絡的權值在線調整。隸屬度函數采用高斯函數，模糊推理采用sum－product［14］，解模糊采用加權平均法。網絡模型的概化如圖1所示。T －S模糊神經網絡的第3層輸出為輸入數據的隸屬度函數；第4層輸出為第 條規則的平均激活度；后件網絡實現了T －S模型模糊規則空間到輸出空間的映射，輸出為yj＝pjk0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。
3．4．2 網絡的訓練、檢驗及水質評價
采用歸一化的訓練樣本和檢驗樣本數據，對網絡進行訓練和檢驗。以10個水質待評點的基礎數據（表2）為例，利用已訓練好的模糊神經網絡對其進行水質評價。網絡輸出結果見表3。
3．4．3 不同水質評價方法的對比分析
利用內梅羅指數法和BP人工神經網絡法分別對上述水質待評點進行水質評價。BP人工神經網絡的訓練與檢驗樣本生成方式同T －S模糊神經網絡，確定BP神經網絡的結構為9－3－1。規定各等級的期望輸出值，為0．1，0．3，0．5，0．7，0．9。兩種方法得到的評價結果如表3。由表3可知，3種方法的評價結果大體相同。利用訓練好的模糊神經網絡模型對50個待評點水質進行評價，結果如表4所示。由表4可以看出，吉林西部地區地下水資源已經遭受不同程度的污染，且部分地區地下水資源污染嚴重，需要進行有效的保護。
神經網絡的現狀范文4
決策支持系統經過二十多年的發展，形成了如圖l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fKS)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(DBo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(0LAP)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圈。
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『2I。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(CounterPropagation，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RobertHecht—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，就可用來進行模式問的聯想推理。
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-T-~$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。
神經網絡的現狀范文5
關鍵詞：BP神經網絡；地震預測；指標
中圖分類號：TP183；P315.7 文獻標識碼：A 文章編號：1007-9416（2017）01-0091-01
地震的破壞性是災難性的，近年來，我國乃至世界各地地震頻發，人員和財產的損失不可估量。地震預測成為全世界亟需攻克的難題，各國或組織都投入了大量的人力和財力以求最大限度地減少地震造成的影響。人們對自然的理解是很有限的，對地震的成因和規律的理解一直是無法突破的瓶頸，我們無法直接透視地球來觀察其活動情況，進而預判地震發生的具體時間及位置和震級大小，但經過長期的摸索和驗證，一種叫做BP神經網絡的預測方法更接近地震的各種特征，從而也被廣泛應用于地震預測中。
1 BP神經網絡
由Rumelhart和McClelland提出的誤差反向傳播（Error Back-Propagation）神經網絡模型和其算法通常被稱為BP神經網絡模型。這是目前為止，全世界使用得最靠譜的神經網絡模型之一。BP神經網絡模型包括輸入層、輸出層和N個隱層，BP學習算法是一種監控式學習算法，被多層前饋網絡所使用。它的核心理念是利用梯度搜索技術，使網絡模型的輸出實際值與預測值的方差接近最小值。網絡模型的學習過程包含這兩個階段，即前饋計算階段和反向調整權系數階段，它是一種在這兩個階段不斷修改差值的過程。
自然災害雖然還無法盡用科學來解釋，但地震的發生一定與我們觀測到的一些特殊情況有關，這種關系也許是直接的，也許是間接遞進的，我們可能無法用函數來直觀表達各種變量之間的這種線性或非線性的關系，但通過BP神經網絡的監控學習算法我們可以做到一種隱性詮釋，BP神經網絡模型對這種實值函數有著很強的學習、表征能力和自適應能力，以歷來地震特征數值作為樣本進行梯度搜索和比對計算使方差接近最小值或局部最小值，所以說BP神經網絡是用于地震預測的一個十分有效的方法。
2 BP神經網絡的特點
（1）BP神經網絡的學習和表征能力都很強，它的網絡模型中蘊含著N多隱層，適應性強。（2）在比對計算中不斷的修正差值，對訓練數據中的錯誤有很強的健壯性。（3）前饋計算階段和反向調整權系數將誤差降低到極小值，當一個樣例被網絡模型涵蓋以后，對新的樣例進行求值是非常快的。
3 BP神經網絡在地震預測中的應用現狀
近年來，科技的不斷進步，計算機水平的提高推動著計算方法和機器學習算法的進步，BP神經網絡作為機器學習算法中最常用的算法之一，被各個領域所廣泛應用。目前的應用主要是神經網絡對經過處理后的地震數據進行學習，以年份為特征，來預測該年份發生地震的情況。
BP神經網絡模型通俗來講是一種信息處理系統，是模仿人腦結構及其各神經元的功能來實現的。影響這種信息處理系統的因素有兩項，第一項是網絡的學習和運行規則，也就是網絡中連接權值的調整規則；第二項是網絡的拓撲結構，也就是BP神經網絡中各神經元之間相互作用形式。
BP算法是誤差反傳播算法重要的組成部分。近年來，由于國家的重視，給予的大力支持，BP神經網絡在我國發展神速，并在極短的時間里在圖像、語音、數據等領域頗見成效。絕大部分的的神經網絡都用到了BP算法，所以將BP算法應用于地震預測中定會取得非凡的效果，減少災害的損失。BP算法的學習過程是由兩個傳播過程組成的，分別是信號的正向傳播以及誤差的逆向傳播。信號的正向傳播顧名思義就是將樣本傳輸到輸入層，然后再傳播到各級隱層進行處理和比對計算到達輸出層，此過程的逆向韃ゼ次誤差的反向傳播過程。若要具體實現BP算法就要首先建立神經網絡模型，然后將樣本傳輸到輸入層，然后比對每層輸出，計算出網絡模型的輸出誤差，不斷修正權值，從而得到理想的誤差最小值。信號的正向傳播和誤差的逆向傳播的各層權值的修正過程是循環往復進行的，這個過程需一直進行到將最后輸出的誤差調整到可接受的程度為止。
4 BP神經網絡在地震預測中的應用前景
目前有一種非常有效的方法被應用到小樣本的預測問題中，我們稱它為“交叉驗證”法。交叉驗證法是將訓練樣例分為若干份，每次從這若干份樣例中任意找出一份作為驗證樣本，其它的統稱為訓練樣本，每次交叉驗證都得到一個最佳值，如此往復若干次后，將所有的最佳值求均值，這種方法對地震的預測結果很接近，是地震預測領域的一大突破。
預測畢竟是一種手段、一種猜測，任何一種算法最后的輸出結果都只能是接近而無法等同。所以，在未來的一段時間內，地震專家可能會把目光放在地球內部勘測領域，直觀的觀察地球內部變化，分析其表象特征，將這些特征作為BP神經網絡模型的神經元，這樣得出的結果才夠精確，才能真正做到防范于未然。
5 結語
BP神經網絡模型的優勢就體現在其不局限于線性問題，組建的模型有很強的自適應性，即便樣本并非精確的教學模型，最后分析比對計算后的均值即為理想數值，它能適應很多復雜多變的訓練樣本，這也是神經網絡方法在地震領域被廣泛應用的原因。無論哪種預測方法均存在著一定的局限性，我們要做的就是不斷開發完善，以做到百分百的預測。
參考文獻
[1]李東升，王煒，黃冰樹.人工神經網絡及其在地震預報中的應用[J].地震，1995（4）.
神經網絡的現狀范文6
1模糊系統的Takagi?Sugeno模型
模糊系統理論［11］是溝通經典數學的精確性與現實世界中大量存在的不精確性之間的橋梁。它是以模糊集合的形式表示系統所含的模糊性并能處理這些模糊性的系統理論，能夠有效地處理系統的不確定性、測量的不精確性等模糊性。Takagi－Sugeno模糊系統（T－S模糊系統）作為函數模糊系統的一種特例，由于構成的各條規則采用線性方程式作為結論，使得模型的全局輸出具有良好的數學表達特性，這在處理多變量系統時能有效地減少模糊規則個數，具有很大的優越性［12］。其規則表達如下［13］：式中：Rj為第j條模糊規則；xi為模糊語言變量；Aij（xi）為xi的第j個語言變量值，它是定義在xi論域上的一個模糊集合，相應的隸屬度函數為μjAi（xi）；pkji為模糊系統參數；yj為根據模糊規則得到的輸出；If部分是前提或前件，then部分是結論或后件。
2T?S模糊神經網絡
模糊系統在模糊建模的過程中常存在學習能力缺乏，辨識過程復雜，模型參數優化困難等問題。而人工神經網絡具有自學習、自組織和自適應的能力，具有強大的非線性處理能力。二者的結合構成模糊神經網絡，可以有效地發揮模糊邏輯與神經網絡的各自優勢，彌補各自的不足［14］。
2．1T?S模糊神經網絡的結構基于標準型的T－S模糊神經網絡結構如圖1所示。第5層是輸出層，它所實現的是清晰化計算。T－S模糊神經網絡由前件網絡和后件網絡兩部分組成。前件網絡用來匹配模糊規則的前件，其結構與圖1的前4層結構完全相同；后件網絡用來產生模糊規則的后件，由N個結構相同的并列子網絡組成［15］。
2．2T?S模糊神經網絡的學習算法T－S模糊神經網絡需要學習的參數主要有后件網絡的連接權pkki以及前件網絡第二層各結點隸屬函數的中心值ckj及寬度σkj。令上述T－S模型的參數pkji固定，則T－S模糊神經網絡結構可簡化為圖1。簡化結構本質上也是一種多層前饋網絡，所以可仿照BP網絡用誤差反傳的方法來設計調整參數的學習算法［15］。
3應用研究
以下通過實例介紹T－S模糊神經網絡在地下水水質評價中的應用。
3．1研究區概況吉林省西部地區位于松嫩平原的西南部，地理坐標為東經123°09′～124°22′，北緯44°57′～45°46′。研究區東接吉林省長春市，南接四平市及遼寧省，西鄰，北接黑龍江省，東北以嫩江、松花江和拉林河與黑龍江省為界。吉林省西部屬半干旱半濕潤的大陸性季風氣候區，四季變化明顯。該區多年平均氣溫3～6℃，多年平均降雨量為400～500mm。研究區大部分屬于松嫩盆地，該盆地為一個巨大的含水層系統，埋藏有多層含水層，包括孔隙潛水含水層和承壓水含水層（分別為淺層、中深層）、上第三系大安組、泰康組孔隙－裂隙含水層（深層）和白堊系下統及上統裂隙孔隙含水層（深層）。研究區的地下水補給來源主要為降水入滲，排泄以潛水蒸發和人工開采為主。
3．2原始數據原始數據取自于吉林西部2005年50個地下水水化學監測點的水質監測數據，結合研究區地下水水質狀況，有針對性地選擇了鐵、氨氮、硝酸鹽、亞硝酸鹽、硫酸鹽、氯化物、溶解性總固體、氟化物和總硬度共9項指標作為評價因子。地下水水
3．3神經網絡的準備工作（1）訓練樣本、檢驗樣本及其期望目標的生成。采用Mat－lab7．0的linspace函數在各級評價標準之間按隨機均勻分布方式內插生成訓練樣本。各級評價標準之間生成500個，共2000個訓練樣本，以解決僅利用各級評價標準作為訓練樣本，導致訓練樣本數過少的問題［16］。檢驗樣本用生成訓練樣本同理的方法生成400個樣本。小于一級標準的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的0～1．5之間的數值；一、二級標準之間的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的1．5～2．5之間的數值；同理，二、三級和三、四級標準之間的訓練樣本和檢驗樣本的期望目標為2．5～3．5、3．5～4．5之間的數值。（2）水質評價等級的劃分界限。據上述生成訓練樣本與檢驗樣本目標輸出的思路可以確定一、二、三、四、五各級水的網絡輸出范圍分別為：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始數據的預處理。利用Matlab7．0中的mapminmax函數將原始數據歸一化到0與1之間。
3．4T?S模糊神經網絡的建立、訓練、檢驗及水質評價
3．4．1T?S模糊神經網絡的建立模糊神經網絡的構建根據訓練樣本維數確定模糊神經網絡輸入／輸出結點數、模糊隸屬度函數個數。由于輸入數據為9維，輸出數據為1維，通過試錯法確定模糊神經網絡結構為9－18－1，即有18個隸屬度函數。選擇10組系數p0－p9，模糊隸屬度函數中心和寬度c和σ隨機得到，通過動態BP算法對網絡的權值在線調整。隸屬度函數采用高斯函數，模糊推理采用sum－product［14］，解模糊采用加權平均法。網絡模型的概化如圖1所示。T－S模糊神經網絡的第3層輸出為輸入數據的隸屬度函數；第4層輸出為第條規則的平均激活度；后件網絡實現了T－S模型模糊規則空間到輸出空間的映射，輸出為yj＝pkj0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。
