前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經(jīng)網(wǎng)絡(luò)發(fā)展范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

人工神經(jīng)網(wǎng)絡(luò)發(fā)展范文第1篇

關(guān)鍵詞：煤灰結(jié)渣；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)

1前言

結(jié)渣是在鍋爐內(nèi)煙氣側(cè)受熱面出現(xiàn)的嚴(yán)重影響鍋爐正常運(yùn)行的故障現(xiàn)象，其主要由煙氣中夾帶的熔化或部分熔化的顆粒碰撞在爐墻，水冷壁或管子上被冷卻凝固而形成。結(jié)渣主要以粘稠或熔融的沉淀物形式出現(xiàn)在輻射受熱面上，如水冷壁、水排管、防渣管、過熱器管排等[1]。

本文為了有效地克服單一指標(biāo)分類界限過于明顯的問題。采用現(xiàn)研究領(lǐng)域比較廣泛采用多指標(biāo)綜合評(píng)價(jià)方法，利用模糊數(shù)學(xué)對(duì)結(jié)渣進(jìn)行評(píng)判，從而可以更好的解決單一指標(biāo)所造成的分界過于明顯和準(zhǔn)確率偏低的缺陷[2]~ [3]。

2影響煤灰結(jié)渣特性的因素分析

灰分是由金屬氧化物和非金屬氧化物及其鹽類組成的復(fù)雜物質(zhì)，以SiO2和Al2O3為主，主要有Fe2O3、CaO、MgO、TiO2、SO3、Na2O和K2O等?？蓪⒒抑懈餮趸锓殖蓛深悾阂活悶樗嵝匝趸?，即SiO2、Al2O3；另一類為堿性氧化物，即Fe2O3、CaO、MgO等。對(duì)于灰的結(jié)渣性能來說，灰的熔融特性是應(yīng)特別予以關(guān)注的，煤灰沒有固定的熔化溫度，僅有一個(gè)熔化范圍。在鍋爐設(shè)計(jì)中，大多采用軟化溫度ST作為灰的熔點(diǎn)。根據(jù)灰熔點(diǎn)的高低，把煤灰分成易熔、中等熔融、難熔、極難熔。而灰黏度是表征高溫熔融狀態(tài)下灰的流動(dòng)特性，通常根據(jù)牛頓摩擦定律，采用黏度計(jì)測(cè)定[4]。

3多指標(biāo)神經(jīng)網(wǎng)絡(luò)模型的建立

3.1四種指標(biāo)綜合對(duì)比分析

(1)硅比G

G=SiO2×100/(SiO2＋CaO＋MgO＋當(dāng)量Fe2O3)%(21)

式中，當(dāng)量Fe2O3＝Fe2O3＋1.11FeO＋1.43Fe。

表21 硅比G判斷結(jié)渣性的判別界限

（2）硅鋁比（SiO2/Al2O3）

硅鋁比中SiO2和Al2O3是煤中主要酸性氧化物，Al2O3的增加總是使灰熔點(diǎn)上升，而SiO2的影響則具有雙重性，一方面SiO2較容易與鍵性成分形成低熔點(diǎn)化合物，降低煤灰熔點(diǎn)，另一方面SiO2含量高時(shí)，SiO2本身又會(huì)使灰熔點(diǎn)上升。用硅鋁比判斷煤結(jié)渣傾向的界限為：

①SiO2/Al2O3＜1.87,輕微結(jié)渣；

②SiO2/Al2O3＝2.65～1.87中等結(jié)渣；

③SiO2/Al2O3＞2.65,嚴(yán)重結(jié)渣。

（3）鐵鈣比（Fe2O3/CaO）

美國近年來用鈣鐵比作為判斷煙煤型灰（Fe2O3＞CaO＋MgO）的結(jié)渣指標(biāo)之一，推薦的界限為[5]：

①Fe2O3/CaO＜0.3，不結(jié)渣；

②Fe2O3/CaO=0.3～3,中等或嚴(yán)重結(jié)渣；

③Fe2O3/CaO＞3，嚴(yán)重結(jié)渣。

（4）酸堿比

B/A=(Fe2O3+CaO+MgO+Na2O+K2O)/(SiO2+Al2O3+TiO2) (22)

酸堿比中分母為酸性化合物，分子為堿性化合物，在高溫下，這兩種氧化物會(huì)互相作用形成低熔點(diǎn)的共熔鹽，這些鹽類通常具有較固定的組合形式，因此當(dāng)煤灰中的酸堿比過高或過低時(shí)，灰熔點(diǎn)都會(huì)提高。使用堿酸比來判斷灰結(jié)渣傾向時(shí)，推薦的界限值如表22所示

表22酸堿比判斷結(jié)渣傾向界限值

3.2神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型的運(yùn)算是以MATLAB軟件為平臺(tái)的，MATLAB是Math Works公司推出的一套高性能的數(shù)值計(jì)算可視化軟件，MATLAB具有以下的特點(diǎn)：(1)功能強(qiáng)大；(2)界面友善、語言自然；(3)開放性強(qiáng)[6] [7]。

（1）BP神經(jīng)網(wǎng)絡(luò)

在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時(shí)，需要考慮以下問題：網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)（隱層的層數(shù)及各層的神經(jīng)元的數(shù)目）；神經(jīng)元變換函數(shù)的選??；網(wǎng)絡(luò)的初始化（連接權(quán)值和閾值的初始化）；訓(xùn)練參數(shù)設(shè)置；訓(xùn)練樣本的歸一化處理；樣本數(shù)據(jù)導(dǎo)入方式等。

根據(jù)以上分析可知，針對(duì)本文內(nèi)容，BP網(wǎng)絡(luò)的建立可以分為4個(gè)基本步驟：

（1）網(wǎng)絡(luò)建立。網(wǎng)絡(luò)的輸入層為熔融溫度和混煤煤灰成分含量（即混煤煤灰中的各氧化物含量），此輸入層有4個(gè)神經(jīng)元節(jié)點(diǎn)，煤灰的軟化溫度t2、堿酸比B/A、硅鋁比、硅比 G作為輸入的TT矩陣的4個(gè)神經(jīng)元節(jié)點(diǎn)，模型選用30個(gè)已知實(shí)驗(yàn)數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使其在[-1,1]的區(qū)間內(nèi)。網(wǎng)絡(luò)系統(tǒng)初始采用4個(gè)輸入節(jié)點(diǎn)，16個(gè)、20個(gè)、25個(gè)、30個(gè)隱層節(jié)點(diǎn)及3個(gè)輸出節(jié)點(diǎn)，其運(yùn)行殘差曲線如圖1所示。

（2）初始化。創(chuàng)建網(wǎng)絡(luò)對(duì)象時(shí)自動(dòng)調(diào)用初始化函數(shù)，根據(jù)缺省的參數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行連接權(quán)值和閾值的初始化。

（3）網(wǎng)絡(luò)訓(xùn)練。設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)。初始設(shè)置學(xué)習(xí)率為默認(rèn)值，訓(xùn)練目標(biāo)為0.001，最大訓(xùn)練次數(shù)為5000次。

（4）網(wǎng)絡(luò)仿真。它根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，對(duì)測(cè)試數(shù)據(jù)進(jìn)行仿真計(jì)算。

BP神經(jīng)網(wǎng)絡(luò)（16節(jié)點(diǎn)）

誤差分析圖

b）BP神經(jīng)網(wǎng)絡(luò)（20節(jié)點(diǎn)）

誤差分析圖

BP神經(jīng)網(wǎng)絡(luò)（25節(jié)點(diǎn)）

誤差分析圖

d)BP神經(jīng)網(wǎng)絡(luò)（30節(jié)點(diǎn)）

誤差分析圖

圖1BP神經(jīng)網(wǎng)絡(luò)模型殘差分析圖

（2）RBF神經(jīng)網(wǎng)絡(luò)模型

同BP神經(jīng)網(wǎng)絡(luò)一樣，使用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，首先要根據(jù)實(shí)際使用問題確定網(wǎng)絡(luò)結(jié)構(gòu)和設(shè)計(jì)合理的輸入輸出模式，然后利用輸入輸出樣本集創(chuàng)建并訓(xùn)練網(wǎng)絡(luò)，以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出之間的映射關(guān)系。

在MATLAB環(huán)境中創(chuàng)建RBF預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)和使用該網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的基本步驟可以描述為以下幾步：

Step l：設(shè)計(jì)輸入輸出模式。主要包括特征量的選擇、適合網(wǎng)絡(luò)輸入和輸出的輸入變量與輸出變量的設(shè)計(jì)、樣本數(shù)據(jù)的預(yù)處理等操作。

Step 2：創(chuàng)建并訓(xùn)練網(wǎng)絡(luò)。確定徑向基函數(shù)的分布密度SPREAD的值，調(diào)用newrb函數(shù)創(chuàng)建RBF神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)的創(chuàng)建過程就是訓(xùn)練過程，創(chuàng)建好的網(wǎng)絡(luò)net已經(jīng)是訓(xùn)練好了的網(wǎng)絡(luò)。

Step 3：測(cè)試和修改網(wǎng)絡(luò)。調(diào)用Sim函數(shù)測(cè)試網(wǎng)絡(luò)，如果輸出結(jié)果與實(shí)際值誤差過大，必須根據(jù)實(shí)際情況重新選擇樣本數(shù)據(jù)、重新選擇SPREAD值或調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，最終殘差曲線如圖2所示。

Step 4：使用網(wǎng)絡(luò)進(jìn)行實(shí)際預(yù)測(cè)。

圖2RBF神經(jīng)網(wǎng)絡(luò)殘差分析圖

（3）兩種神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果對(duì)比分析

下表給出了兩種神經(jīng)網(wǎng)絡(luò)模型對(duì)鍋爐結(jié)渣的預(yù)測(cè)情況與實(shí)際情況的對(duì)比結(jié)果，在MATLAB的運(yùn)行結(jié)果中去除一部分無效的結(jié)果，可以得到預(yù)測(cè)結(jié)果的準(zhǔn)確率，詳細(xì)結(jié)果如下：

表1預(yù)測(cè)結(jié)渣情況與實(shí)際結(jié)渣情況對(duì)比及預(yù)測(cè)準(zhǔn)確率

從表1中可以看到，在RBF神經(jīng)網(wǎng)絡(luò)中預(yù)測(cè)的準(zhǔn)確率可達(dá)到86.7%，而在BP神經(jīng)網(wǎng)絡(luò)中隨著隱藏節(jié)點(diǎn)數(shù)的增加，預(yù)測(cè)結(jié)渣情況的準(zhǔn)確率也在增加，而RBF網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)渣情況的準(zhǔn)確率則好于BP神經(jīng)網(wǎng)絡(luò)模型隱藏節(jié)點(diǎn)為25時(shí)的情況。所以在實(shí)際預(yù)測(cè)中應(yīng)在設(shè)計(jì)時(shí)通過不斷實(shí)踐加以選擇，以減小預(yù)測(cè)誤差。

預(yù)測(cè)值和實(shí)際測(cè)量值之間的誤差，其產(chǎn)生原因主要包括以下幾個(gè)方面：其一，用于網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)的樣本值雖然都來自現(xiàn)場(chǎng)的數(shù)據(jù)，但都是實(shí)驗(yàn)測(cè)量得到的，因此難免存在測(cè)量誤差；其二是網(wǎng)絡(luò)本身帶來的誤差，畢竟人工神經(jīng)網(wǎng)絡(luò)只是用來研究燃煤特性的一種工具，不可能完全反應(yīng)復(fù)雜多變的現(xiàn)實(shí)世界，況且目前人工神經(jīng)網(wǎng)絡(luò)技術(shù)本身發(fā)展并不完善。其三，網(wǎng)絡(luò)本身影響誤差的因素較多，比如算法和參數(shù)的影響。

4 結(jié)論

本文以根據(jù)煤灰成分來實(shí)現(xiàn)預(yù)測(cè)煤灰結(jié)渣情況為目的，結(jié)合神經(jīng)網(wǎng)絡(luò)理論、預(yù)測(cè)理論，研究了基于BP神經(jīng)網(wǎng)絡(luò)和基于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及其應(yīng)用。通過對(duì)比分析得出以下結(jié)論：

（1）多指標(biāo)神經(jīng)網(wǎng)絡(luò)模型更有利于對(duì)煤灰結(jié)渣特性的準(zhǔn)確分析，對(duì)比BP神經(jīng)網(wǎng)絡(luò)和基于RBF神經(jīng)網(wǎng)絡(luò)兩種模型的分析結(jié)果，BP神經(jīng)網(wǎng)絡(luò)的結(jié)果更接近實(shí)際值。

（2）當(dāng)隱藏節(jié)點(diǎn)增加時(shí)，兩種神經(jīng)網(wǎng)絡(luò)模型的診斷率隨之升高，當(dāng)隱藏節(jié)點(diǎn)數(shù)達(dá)到30時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型的診斷率達(dá)到最高。

（3）在對(duì)RBF神經(jīng)網(wǎng)絡(luò)原理、結(jié)構(gòu)和RBF算法進(jìn)行分析研究的基礎(chǔ)上，給出了基于BP、RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法的MATLAB運(yùn)算。

參考文獻(xiàn)

姚星一．煤灰熔點(diǎn)與化學(xué)成分的關(guān)系．燃料化學(xué)學(xué)報(bào)，1965，6（2）：151～161

人工神經(jīng)網(wǎng)絡(luò)發(fā)展范文第2篇

［關(guān)鍵詞］BP神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)工程農(nóng)業(yè)管理農(nóng)業(yè)決策

一、引言

采用神經(jīng)網(wǎng)絡(luò)算法的信息處理技術(shù)，以其較強(qiáng)的計(jì)算性和學(xué)習(xí)性，現(xiàn)如今已經(jīng)在各工程領(lǐng)域內(nèi)得到了廣泛應(yīng)用。隨著科技不斷的發(fā)展和研究的不斷深入，農(nóng)業(yè)系統(tǒng)中采用的傳統(tǒng)分析和管理的方法已經(jīng)不能滿足農(nóng)業(yè)工程領(lǐng)域快速發(fā)展的需要。在農(nóng)業(yè)系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)技術(shù)可在一定程度上可彌補(bǔ)傳統(tǒng)方法的不足，現(xiàn)已成為實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的一個(gè)重要途徑。神經(jīng)網(wǎng)絡(luò)現(xiàn)已在農(nóng)業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)得到廣泛的應(yīng)用，從作物營養(yǎng)控制、作物疾病診斷、產(chǎn)量預(yù)測(cè)到產(chǎn)品分級(jí)，顯示了巨大的潛力，并正以很快的速度與生產(chǎn)實(shí)際相結(jié)合。目前應(yīng)用比較多的BP神經(jīng)網(wǎng)絡(luò)，可通過學(xué)習(xí)以任意精度逼近任何連續(xù)映射，在農(nóng)業(yè)生產(chǎn)與科研中展示出了廣闊的應(yīng)用前景。

BP人工神經(jīng)網(wǎng)絡(luò)方法。人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)網(wǎng)絡(luò)的簡化和模擬的一種信息處理系統(tǒng)，具有很強(qiáng)的信息存貯能力和計(jì)算能力，屬于一種非經(jīng)典的數(shù)值算法。通?？煞譃榍跋蛏窠?jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，可通過連續(xù)不斷的在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值以及偏差的變化而逐漸逼近目標(biāo)值，每一次數(shù)字和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示，BP神經(jīng)網(wǎng)絡(luò)可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網(wǎng)絡(luò)結(jié)點(diǎn)之間沒有連接。每個(gè)網(wǎng)絡(luò)結(jié)點(diǎn)表示一個(gè)神經(jīng)元，其傳遞函數(shù)通常采用Sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡(luò)相當(dāng)于從輸入到輸出的高度非線性映射，對(duì)于樣本輸入和輸出，可以認(rèn)為存在某一映射函數(shù)g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數(shù)，xi為輸入樣本，yo為輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著優(yōu)點(diǎn)就是其可進(jìn)行自學(xué)習(xí)，能夠通過訓(xùn)練得到預(yù)期的效果。其學(xué)習(xí)過程由正向傳播和反向傳播組成，神經(jīng)網(wǎng)絡(luò)的輸入值經(jīng)過非線性變換從輸入層經(jīng)隱含層神經(jīng)元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài)。如果輸出層得到的數(shù)值與期望輸出有一定的偏差，則轉(zhuǎn)入反向傳播過程。神經(jīng)網(wǎng)絡(luò)通過對(duì)輸入值和希望的輸出值(教師值)進(jìn)行比較，根據(jù)兩者之間的差的函數(shù)來調(diào)整神經(jīng)網(wǎng)絡(luò)的各層的連接權(quán)值和各個(gè)神經(jīng)元的閾值，最終使誤差函數(shù)達(dá)到最小。其調(diào)整的過程是由后向前進(jìn)行的，稱為誤差反向傳播BP算法。具體學(xué)習(xí)過程如下：

（1)隨機(jī)給各個(gè)權(quán)值賦一個(gè)初始權(quán)值，要求各個(gè)權(quán)值互不相等，且均為較小的非零數(shù)。

（2)輸入樣本集中每一個(gè)樣本值，確定相應(yīng)的網(wǎng)絡(luò)實(shí)際輸出值。

（3)計(jì)算實(shí)際的輸出值與相應(yīng)的樣本集中的相應(yīng)輸出值的差值。

（4)按極小誤差方式調(diào)整權(quán)值矩陣。

（5)判斷網(wǎng)絡(luò)誤差是否小于訓(xùn)練前人為設(shè)定的一個(gè)較小的值，若小于，則跳出運(yùn)算，此時(shí)的結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果；若大于，則繼續(xù)計(jì)算。

（6）判斷最大迭代次數(shù)是否大于預(yù)先設(shè)定的數(shù)，若小于，返回（2）;若大于，則中止運(yùn)算，其結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果。

上述的計(jì)算過程循環(huán)進(jìn)行，直到完成給定的訓(xùn)練次數(shù)或達(dá)到設(shè)定的誤差終止值。

二、BP神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程領(lǐng)域中的應(yīng)用

1.在農(nóng)業(yè)生產(chǎn)管理與農(nóng)業(yè)決策中的應(yīng)用

農(nóng)業(yè)生產(chǎn)管理受地域、環(huán)境、季節(jié)等影響較大，用產(chǎn)生式規(guī)則完整描述實(shí)際系統(tǒng)，可能會(huì)因組合規(guī)則過多而無法實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著的優(yōu)點(diǎn)就是其具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自組織能力，通過對(duì)有代表性的樣本的學(xué)習(xí)可以掌握學(xué)習(xí)對(duì)象的內(nèi)在規(guī)律，從而可以在一定程度上克服上述信息量大的問題。神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)生產(chǎn)管理方面可用于農(nóng)作物生長過程中對(duì)農(nóng)作物生長需求進(jìn)行預(yù)測(cè)，從而通過對(duì)養(yǎng)分、水分、溫度、以及PH值的優(yōu)化控制達(dá)到最優(yōu)的生長狀況。采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的主要思想可描述為：（1）收集一定規(guī)模的樣本集，采用BP算法進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)收斂到預(yù)定的精度；（2）將網(wǎng)絡(luò)權(quán)值矩陣保存到一存儲(chǔ)介質(zhì)中，例如文本文件或數(shù)據(jù)庫中；（3）對(duì)于待預(yù)測(cè)數(shù)據(jù)的輸入部分，從存儲(chǔ)介質(zhì)中讀出網(wǎng)絡(luò)連接權(quán)值矩陣，然后通過BP神經(jīng)網(wǎng)絡(luò)的前向傳播算法計(jì)算網(wǎng)絡(luò)輸出，輸出結(jié)果既是預(yù)測(cè)出來的數(shù)值向量。如霍再林等針對(duì)油葵不同階段的相對(duì)土壤含鹽濃度對(duì)其產(chǎn)量的影響有一定的規(guī)律的現(xiàn)象，以油葵的6個(gè)成長階段的土壤溶液含鹽的相對(duì)濃度為輸入樣本，相對(duì)產(chǎn)量為輸出樣本，通過比較發(fā)現(xiàn)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能較好預(yù)測(cè)油葵產(chǎn)量，采用此方法可補(bǔ)充傳統(tǒng)模型的不足，為今后進(jìn)一步的研究開辟了新路。

在農(nóng)業(yè)決策方面，主要將農(nóng)業(yè)專家面對(duì)各種問題時(shí)所采取的方法的經(jīng)驗(yàn)，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，從而采用神經(jīng)網(wǎng)絡(luò)建立的專家系統(tǒng)將從一定程度上彌補(bǔ)了傳統(tǒng)方法的不足，將農(nóng)業(yè)決策智能化。如何勇、宋海燕針對(duì)傳統(tǒng)專家系統(tǒng)自學(xué)習(xí)能力差的缺點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)可自我訓(xùn)練的優(yōu)點(diǎn)，將神經(jīng)網(wǎng)絡(luò)引入專家系統(tǒng)中。將小麥缺素時(shí)的田間宏觀表現(xiàn)，葉部、莖部、果實(shí)癥狀及引起缺素的原因這五個(gè)方面的可信度值作為神經(jīng)網(wǎng)絡(luò)的輸入量，將農(nóng)業(yè)專家診斷的結(jié)論作為輸出量，將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。實(shí)際應(yīng)用表明此系統(tǒng)自動(dòng)診斷的結(jié)果與專家現(xiàn)場(chǎng)診斷的結(jié)果基本一致，從而采用該系統(tǒng)能夠取代專家，實(shí)現(xiàn)作物的自我診斷，為農(nóng)業(yè)管理方面提供了極大的幫助。如馬成林等針對(duì)于傳統(tǒng)施肥決策方法中非線性關(guān)系描述不足的問題，基于數(shù)據(jù)包分析和BP神經(jīng)網(wǎng)絡(luò)，建立了施肥決策模型，應(yīng)用表明，在有限的范圍內(nèi)，模型預(yù)測(cè)結(jié)果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經(jīng)網(wǎng)絡(luò)應(yīng)用在農(nóng)業(yè)生產(chǎn)決策中，以莜麥播種方式?jīng)Q策為例，通過對(duì)產(chǎn)生式規(guī)則的分析導(dǎo)出神經(jīng)網(wǎng)絡(luò)輸入、輸出單元數(shù)，并通過多次試驗(yàn)確定隱層單元數(shù)，用MATLAB方針結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)作為農(nóng)業(yè)生產(chǎn)決策的方法，取得了較好的效果。譚宗琨提出將基于互聯(lián)網(wǎng)環(huán)境下的神經(jīng)網(wǎng)絡(luò)應(yīng)用在玉米智能農(nóng)業(yè)專家系統(tǒng)中，根據(jù)農(nóng)作物發(fā)育進(jìn)程分成若干個(gè)發(fā)育期，分別對(duì)各個(gè)發(fā)育期建立管理模型，依照作物各發(fā)育期進(jìn)程時(shí)間間隔，由計(jì)算機(jī)系統(tǒng)自動(dòng)選取相應(yīng)的模型進(jìn)行決策。應(yīng)用分析的結(jié)果表明采用神經(jīng)網(wǎng)絡(luò)的玉米智能專家系統(tǒng)已初步接近農(nóng)業(yè)生產(chǎn)的實(shí)際。

2.在農(nóng)產(chǎn)品外觀分析和品質(zhì)評(píng)判

農(nóng)產(chǎn)品的外觀，如形狀、大小、色澤等在生產(chǎn)過程中是不斷變化的，并且受人為和自然等復(fù)雜因素的影響較大。農(nóng)產(chǎn)品的外觀直接影響到農(nóng)產(chǎn)品的銷售，研究出農(nóng)作物外觀受人為和自然的影響因素，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行生產(chǎn)預(yù)測(cè)，可解決農(nóng)產(chǎn)品由于不良外觀而造成的損失。如Murase 等針對(duì)西紅柿表皮破裂的現(xiàn)象，西紅柿表皮應(yīng)力的增長與西紅柿果肉靠近表皮部分水分的增加有關(guān)，當(dāng)表皮應(yīng)力超過最大表皮強(qiáng)度時(shí)，將導(dǎo)致表皮破裂。用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，預(yù)測(cè)在環(huán)境溫度下的表皮應(yīng)力，可通過控制環(huán)境變量來減少西紅柿表皮破裂所造成的損失。

在農(nóng)業(yè)科研和生產(chǎn)中，農(nóng)產(chǎn)品的品質(zhì)評(píng)判大多是依賴于對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)。例如對(duì)果形尺寸和顏色等外觀判別果實(shí)的成熟度，作物與雜草的辨別，種子的外觀質(zhì)量檢測(cè)。由于農(nóng)業(yè)環(huán)境的復(fù)雜性和生物的多樣性，農(nóng)產(chǎn)品的外觀不具有較確定的規(guī)律性和可描述性，單一采用圖像處理技術(shù)辨識(shí)農(nóng)產(chǎn)品的外觀時(shí)不宜過多采取失真處理和變換，否則則增加圖像處理的復(fù)雜性，特征判別也相對(duì)困難。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)、自組織的能力，比較適宜解決農(nóng)業(yè)領(lǐng)域中許多難以用常規(guī)數(shù)學(xué)方法表達(dá)的復(fù)雜問題，與圖像處理技術(shù)相結(jié)合后，可根據(jù)圖像特征進(jìn)行選擇性判別。采用此方法可以部分替代人工識(shí)別的工作，提高了生產(chǎn)效率，也有利于實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如Liao等將玉米籽粒圖像用34個(gè)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，將輸出的種粒形態(tài)分為5類，經(jīng)過學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)對(duì)完整籽粒分類的準(zhǔn)確率達(dá)到93％，破籽粒分類的準(zhǔn)確率達(dá)91％。

3.蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定

在農(nóng)業(yè)生產(chǎn)中，蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定是通過對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)進(jìn)行的。傳統(tǒng)的農(nóng)產(chǎn)品外觀的辨識(shí)方法費(fèi)時(shí)費(fèi)力、預(yù)測(cè)可靠度很低，而且多采用人工操作，評(píng)價(jià)受到操作者主觀因素的影響，評(píng)判的精度難以保證。利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合圖像處理技術(shù)可部分代替以往這些主要依靠人工識(shí)別的工作，從而大大提高生產(chǎn)效率，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動(dòng)化和智能化。

利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)農(nóng)產(chǎn)品果形尺寸和顏色等外觀評(píng)判，目前國內(nèi)外已有不少成果用于實(shí)際生產(chǎn)中。何東健等以計(jì)算機(jī)視覺技術(shù)進(jìn)行果實(shí)顏色自動(dòng)分級(jí)為目的，研究了用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色分級(jí)的方法。分別用120個(gè)著色不同的紅星和紅富士蘋果作為訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。兩個(gè)品種的蘋果先由人工依據(jù)標(biāo)準(zhǔn)按著色度分成4級(jí)，對(duì)每一個(gè)品種分別求出7個(gè)模式特征值作為BP網(wǎng)絡(luò)的輸入，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行分級(jí)。結(jié)果表明紅富士和紅星果實(shí)的平均分級(jí)一致率分別為94.2％和94.4％。劉禾等用對(duì)稱特征、長寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網(wǎng)絡(luò)與人工智能相結(jié)合，建立果形判別人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。試驗(yàn)水果品種為富士和國光。試驗(yàn)表明系統(tǒng)對(duì)富士學(xué)習(xí)率為80％，對(duì)非學(xué)習(xí)樣本的富士蘋果的果形判別推確率為75％，系統(tǒng)對(duì)國光學(xué)習(xí)率為89％，對(duì)非學(xué)習(xí)樣本的國光蘋果果形判別系統(tǒng)的難確率為82％。

三、未來的發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)現(xiàn)已在農(nóng)業(yè)工程領(lǐng)域內(nèi)得到了迅速的應(yīng)用，采用人工神經(jīng)網(wǎng)絡(luò)算法的農(nóng)業(yè)系統(tǒng)能夠從一定程度上改善控制效果，但此技術(shù)在農(nóng)業(yè)范圍內(nèi)還不夠成熟，有待于進(jìn)一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

人工神經(jīng)網(wǎng)絡(luò)算法由于本身具有一定的缺點(diǎn)，從而采用人工神經(jīng)網(wǎng)絡(luò)的算法的信息處理技術(shù)在應(yīng)用過程中具有一定的局限性。在今后的研究中，可以從人工神經(jīng)網(wǎng)絡(luò)方向著手，改進(jìn)人工神經(jīng)網(wǎng)絡(luò)算法，從而實(shí)現(xiàn)其在農(nóng)業(yè)領(lǐng)域內(nèi)更好的應(yīng)用。近年來隨著模糊算法、蟻群算法等算法的相繼出現(xiàn)，將神經(jīng)網(wǎng)絡(luò)與其他算法結(jié)合在一起已經(jīng)成為了研究的熱門話題，也是未來算法研究的主要方向之一。

2.應(yīng)用領(lǐng)域的擴(kuò)展

人工神經(jīng)網(wǎng)絡(luò)算法在農(nóng)業(yè)工程方面現(xiàn)已得到了迅速的發(fā)展，擴(kuò)展其在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用范圍是未來的一個(gè)主要研究方向。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)能力，可對(duì)農(nóng)業(yè)系統(tǒng)的非線形特性進(jìn)行較好的描述，采用人工神經(jīng)網(wǎng)絡(luò)可解決傳統(tǒng)方法的不足，從而實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如何將神經(jīng)網(wǎng)絡(luò)較好地引入到農(nóng)業(yè)系統(tǒng)，解決農(nóng)業(yè)工程中的部分問題，已是今后農(nóng)業(yè)科研中的一個(gè)方向。

四、結(jié)束語

神經(jīng)網(wǎng)絡(luò)作為一種人工智能范疇的計(jì)算方法，具有良好的自學(xué)習(xí)與數(shù)學(xué)計(jì)算的能力，可通過計(jì)算機(jī)程序進(jìn)行模擬運(yùn)算，現(xiàn)已廣泛用于模式識(shí)別、管理決策等方面。隨著計(jì)算機(jī)硬件和軟件的不斷發(fā)展與農(nóng)業(yè)工程方面的研究的不斷深入，神經(jīng)網(wǎng)絡(luò)將在農(nóng)業(yè)管理、農(nóng)業(yè)決策、農(nóng)作物外觀分類、品質(zhì)評(píng)判等方面充分發(fā)揮其自學(xué)習(xí)能力強(qiáng)，計(jì)算能力強(qiáng)的優(yōu)勢(shì)，通過對(duì)樣本數(shù)據(jù)的學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可較好地解決農(nóng)作物生長過程中的作物分類、預(yù)測(cè)等非線形的問題。在農(nóng)業(yè)工程領(lǐng)域內(nèi)，神經(jīng)網(wǎng)絡(luò)擁有廣闊的科研前景。

參考文獻(xiàn):

[1]余英林李海洲:神經(jīng)網(wǎng)絡(luò)與信號(hào)分析[M]. 廣州: 華南理工大學(xué)出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經(jīng)網(wǎng)絡(luò)的作物水―鹽響應(yīng)初步研究[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2003，24（3）：66～70

[3]何勇宋海燕:基于神經(jīng)網(wǎng)絡(luò)的作物營養(yǎng)診斷專家系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數(shù)據(jù)包絡(luò)分析和人工神經(jīng)網(wǎng)絡(luò)的變量施肥決策方法研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式?jīng)Q策的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 太原理工大學(xué)學(xué)報(bào)，2006,37(5):119～121

[6]譚宗琨: BP人工神經(jīng)網(wǎng)絡(luò)在玉米智能農(nóng)業(yè)專家系統(tǒng)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

人工神經(jīng)網(wǎng)絡(luò)發(fā)展范文第3篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 礦山 安全狀態(tài) 評(píng)判能力

中圖分類號(hào)：TD77；TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2015）04-0206-01

通過改變神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本等方式，對(duì)神經(jīng)網(wǎng)絡(luò)不同訓(xùn)練樣本的反應(yīng)能力進(jìn)行對(duì)比分析，從而探討人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全程度評(píng)價(jià)的適應(yīng)性。為了有效的提高人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全程度評(píng)價(jià)的能力，可以通過改變神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)目以及初值賦值的方式來測(cè)試不同的結(jié)構(gòu)，從而得出不同參數(shù)下神經(jīng)網(wǎng)絡(luò)對(duì)相同訓(xùn)練樣本的評(píng)價(jià)結(jié)論，以便提高其評(píng)價(jià)能力，在礦山安全狀態(tài)評(píng)判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用。

1 人工神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與原始數(shù)據(jù)的準(zhǔn)備

本文中主要采取如1所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)測(cè)試目的的差異性，其測(cè)試過程中神經(jīng)網(wǎng)絡(luò)的部分性能也就不同，但是對(duì)整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的性能不會(huì)改變。

這種神經(jīng)網(wǎng)絡(luò)的主體結(jié)構(gòu)是單輸入、三層式BP的網(wǎng)絡(luò)結(jié)構(gòu)，輸出連接、目標(biāo)連接、輸入權(quán)重連接、偏置連接以及層權(quán)連接等是其主要的連接方式。各層神經(jīng)元的分類包括：第一隱含層有8個(gè)正切S型神經(jīng)元，第二隱含層有8個(gè)對(duì)數(shù)S型的神經(jīng)元，輸入層有4個(gè)元素，輸出層有一個(gè)線性神經(jīng)元。其網(wǎng)絡(luò)函數(shù)主要包括訓(xùn)練函數(shù)、初始化函數(shù)、性能函數(shù)以及各網(wǎng)絡(luò)層的層初始化函數(shù)。其訓(xùn)練函數(shù)需要采取TRAINLM回轉(zhuǎn)方法來運(yùn)算；初始化函數(shù)需要采取逐層初始化的方法運(yùn)算；性能函數(shù)需要采取均方誤差法來計(jì)算；各網(wǎng)絡(luò)層的層初始化函數(shù)需要采取優(yōu)化規(guī)則的方式計(jì)算，有的時(shí)候還需要采取INITWB的方式進(jìn)行運(yùn)算。各個(gè)權(quán)閾值的初始化需要采用RANDS方法來計(jì)算。在人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的原始樣本數(shù)據(jù)以及期望值中，這些數(shù)據(jù)主要是用來評(píng)價(jià)地質(zhì)因素對(duì)礦山安全影響程度的原始數(shù)據(jù)。當(dāng)訓(xùn)練完成之后，需要對(duì)其各種數(shù)據(jù)進(jìn)行仿真測(cè)試，以便評(píng)斷這種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在礦山安全狀態(tài)中的應(yīng)用價(jià)值與能力，并對(duì)其不足之處以及缺陷問題等進(jìn)行分析，以便尋找出更加優(yōu)化的方案，從而提高人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評(píng)判作用與能力。

2 人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全狀態(tài)評(píng)判能力的訓(xùn)練以及仿真測(cè)試

對(duì)礦山安全評(píng)價(jià)的方法較多，但是能夠較好的應(yīng)用于礦山安全評(píng)價(jià)的方法卻很少，例如事故樹分析法、概率風(fēng)險(xiǎn)評(píng)價(jià)法以及事件樹分析法等，這些方法均由于基本事件的發(fā)生概率的確定方面存在一定的困難，從而導(dǎo)致運(yùn)用于礦山過程中的安全評(píng)價(jià)效率不高。另外，在礦山安全狀態(tài)評(píng)價(jià)的過程中，其安全檢查表、專家評(píng)價(jià)方法等存在一定的缺點(diǎn)與不足，其在評(píng)價(jià)的過程中，主觀性較強(qiáng)，受到個(gè)人意識(shí)的影響較大。綜合指標(biāo)評(píng)價(jià)法由于其指標(biāo)間的邏輯關(guān)系，指標(biāo)的權(quán)值與指標(biāo)的量化等問題，從而導(dǎo)致該方法難以在礦山安全狀態(tài)中進(jìn)行準(zhǔn)確的評(píng)價(jià)。只有能夠更好的適應(yīng)這種復(fù)雜的動(dòng)態(tài)系統(tǒng)的安全評(píng)價(jià)方法，才能夠?qū)⑵涓玫膽?yīng)用在礦山安全狀態(tài)評(píng)價(jià)中[1]。

其中人工神經(jīng)網(wǎng)絡(luò)在處理無法使用簡單規(guī)則或公式進(jìn)行描述的大量的原始數(shù)據(jù)的問題時(shí)，以及在處理規(guī)律不清楚的問題時(shí)，其具有較大的優(yōu)勢(shì)。也正是由于這種方法能夠?qū)?fù)雜的非線性動(dòng)力學(xué)系統(tǒng)的適應(yīng)，才能夠使其在礦山安全狀態(tài)評(píng)價(jià)中得到引進(jìn)與推廣。將人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全狀態(tài)評(píng)價(jià)能力的訓(xùn)練進(jìn)行仿真實(shí)驗(yàn)，在每次實(shí)驗(yàn)檢測(cè)之前，都需要對(duì)同一神經(jīng)網(wǎng)絡(luò)進(jìn)行重新初始化，之后需要運(yùn)用相同的訓(xùn)練樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以便達(dá)到訓(xùn)練要求后對(duì)網(wǎng)絡(luò)進(jìn)行仿真測(cè)試，訓(xùn)練性能函數(shù)的誤差需要保持在10以內(nèi)。其神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是網(wǎng)絡(luò)在初始權(quán)閾值的基礎(chǔ)上，對(duì)其權(quán)閾值進(jìn)行不斷的修改，以便尋找出它們之間的某種聯(lián)系，使得輸入的整個(gè)訓(xùn)練樣本集數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)的運(yùn)算之后，其輸出與相應(yīng)的目標(biāo)數(shù)據(jù)差別能夠滿足性能函數(shù)的要求。因此，在人工網(wǎng)絡(luò)對(duì)礦山安全狀態(tài)進(jìn)行評(píng)判的時(shí)候，即使所有數(shù)據(jù)與性能均符合要求，但是由于在訓(xùn)練的時(shí)候就被賦予了不同的權(quán)閾值，訓(xùn)練之后得到的權(quán)閾值的最終組合也會(huì)存在較大的差異。通過神經(jīng)網(wǎng)絡(luò)對(duì)礦山進(jìn)行安全評(píng)判的目的在于運(yùn)用神經(jīng)網(wǎng)絡(luò)總結(jié)分析數(shù)據(jù)，對(duì)礦井各個(gè)致災(zāi)的貢獻(xiàn)率進(jìn)行分析，進(jìn)而對(duì)礦山的安裝狀態(tài)進(jìn)行評(píng)判。從神經(jīng)網(wǎng)絡(luò)的角度來分析，通過運(yùn)用網(wǎng)絡(luò)的運(yùn)算功能對(duì)訓(xùn)練樣本的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，并從中找出滿足目標(biāo)值以及性能要求的權(quán)閾值組合形式，從而通過仿真方式來評(píng)價(jià)礦山的安全狀態(tài)。

3 結(jié)語

通過對(duì)人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)的評(píng)判能力進(jìn)行訓(xùn)練以及仿真測(cè)試后，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)與人類評(píng)判方法存在一定的差異性，在今后的發(fā)展過程中，還需要對(duì)人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評(píng)判能力進(jìn)行不斷的優(yōu)化與改進(jìn)，以便更好的適應(yīng)礦山安全狀態(tài)的評(píng)判，在礦山安全狀態(tài)的評(píng)判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用，從而更好的確保礦山生產(chǎn)與經(jīng)營的安全性。

人工神經(jīng)網(wǎng)絡(luò)發(fā)展范文第4篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；神經(jīng)元；可視化

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神經(jīng)網(wǎng)絡(luò)和可視化方法是數(shù)據(jù)挖掘中的兩個(gè)重要的算法模型，兩者都是根據(jù)模擬人腦和人的視覺神經(jīng)與傳統(tǒng)的數(shù)字計(jì)算機(jī)相比較而抽象出來的數(shù)據(jù)挖掘算法?？梢暬椒ㄊ侨四X神經(jīng)網(wǎng)絡(luò)的一部分，它們之間存在著必然的聯(lián)系，而算法又各有所異。隨著數(shù)據(jù)挖掘技術(shù)的快速發(fā)展，存儲(chǔ)在數(shù)據(jù)庫中的數(shù)據(jù)量也迅速增長，這證明傳統(tǒng)的關(guān)系數(shù)據(jù)庫和存儲(chǔ)圖像、CAD（計(jì)算機(jī)輔助設(shè)計(jì)）圖紙、地理信息和分子生物結(jié)構(gòu)的復(fù)雜2D和3D多媒體數(shù)據(jù)庫是合理的。許多應(yīng)用都要用到大型的數(shù)據(jù)庫，這些數(shù)據(jù)庫有幾百萬種數(shù)據(jù)對(duì)象，這些數(shù)據(jù)對(duì)象的緯度達(dá)到幾十甚至幾百。面對(duì)如此復(fù)雜的數(shù)據(jù)時(shí)，我們常常面臨著一些棘手的問題：應(yīng)該從哪里開始著手？哪些是有用的數(shù)據(jù)？還有一些其他可用的數(shù)據(jù)嗎？能得出答案的其他方法是什么？人們?cè)趯で笸黄频耐瑫r(shí)反復(fù)地思考并詢問復(fù)雜數(shù)據(jù)的專門問題。我們從人工神經(jīng)網(wǎng)絡(luò)和可視化方法的算法、特有屬性進(jìn)行橫向和縱向的比較來找出他們的共同點(diǎn)和相似點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)算法與可視化方法性能比較

2.1 人工神經(jīng)網(wǎng)絡(luò)提供特有的屬性和能力

1) 人工神經(jīng)網(wǎng)絡(luò)有超強(qiáng)的運(yùn)算功能――人腦大約有1011個(gè)微處理神經(jīng)元，這些神經(jīng)元之間相互連接，連接的數(shù)目大約達(dá)到1015數(shù)量級(jí)[1]。每個(gè)神經(jīng)元都相當(dāng)一個(gè)微型計(jì)算機(jī)，把每個(gè)微型計(jì)算機(jī)鏈接起來就形成了一個(gè)超級(jí)計(jì)算機(jī)網(wǎng)絡(luò)。

2) 由于人工神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)超級(jí)因特網(wǎng)，每個(gè)神經(jīng)元都相當(dāng)于一個(gè)微型計(jì)算機(jī)，對(duì)所有的任務(wù)都可并行，并且是分布式處理，其處理能力也是超強(qiáng)的――每個(gè)神經(jīng)元節(jié)點(diǎn)都可以看作一個(gè)微型計(jì)算機(jī)，這樣就形成了一個(gè)龐大的神經(jīng)元網(wǎng)絡(luò)。

3) 人工神經(jīng)網(wǎng)絡(luò)有歸納總結(jié)和分類的能力。――歸納總結(jié)和分類是人工神經(jīng)網(wǎng)絡(luò)對(duì)輸入而產(chǎn)生合理的輸出。

4) 人工神經(jīng)網(wǎng)絡(luò)有離散性。

5) 人工神經(jīng)網(wǎng)絡(luò)通過典型的實(shí)例中進(jìn)行歸納總結(jié)。

6) 對(duì)整個(gè)網(wǎng)絡(luò)有很強(qiáng)的適應(yīng)性和快速的驗(yàn)證的能力。

7) 對(duì)整個(gè)人工神經(jīng)網(wǎng)絡(luò)的包容性。

8 對(duì)整個(gè)人工神經(jīng)網(wǎng)絡(luò)統(tǒng)籌能力。

2.2 可視化方法特有的屬性和能力

1) 在正常情況下人對(duì)圖像的信息比較敏感。而對(duì)數(shù)據(jù)的反映比較遲鈍。

2) 人從圖像視覺接受到的信息比從文本或表格上接受更快、更有效。比如“百聞不如一見”。

3) 人從圖像視覺接受到的信息總是有選擇的接受

4) 人的視覺選擇的特征為形狀、顏色、亮度、運(yùn)動(dòng)、向量、質(zhì)地等。

這些篩選仍然是通過人龐大的神經(jīng)網(wǎng)絡(luò)中的部分神經(jīng)元來處理的。其中進(jìn)行的樣本的學(xué)習(xí)能里以及自適應(yīng)性得到了充分的體現(xiàn)。

2.3 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的共同點(diǎn)

1) 對(duì)接受到的信息進(jìn)行歸納處理。

2) 對(duì)接受到的信息進(jìn)行轉(zhuǎn)化，只是轉(zhuǎn)化的方式不同。

3) 對(duì)接受到的信息進(jìn)行篩選，并對(duì)接受到的信息產(chǎn)生合理的輸出。

4) 容錯(cuò)性。

5) 從接受到的信息進(jìn)行學(xué)習(xí)的能力。

2.4 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的不同點(diǎn)

1) 人工神經(jīng)網(wǎng)絡(luò)是好比因特網(wǎng)，而可視化方法的計(jì)算網(wǎng)絡(luò)好比計(jì)算機(jī)網(wǎng)絡(luò)?？梢暬W(wǎng)絡(luò)的計(jì)算能力只是人工神經(jīng)網(wǎng)絡(luò)很小的一部分。

2) 可視化方法雖然也是并行分布式處理的結(jié)構(gòu)，但是它也只是人工神經(jīng)網(wǎng)絡(luò)分布式處理的很小部分。其速度要遠(yuǎn)遠(yuǎn)低于人工神經(jīng)網(wǎng)絡(luò)

3) 人的視覺和人工神經(jīng)網(wǎng)絡(luò)對(duì)信息的篩選的方式各有不同。

3 算法比較

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)元是一個(gè)抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號(hào)化為：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中輸入和相應(yīng)權(quán)重乘機(jī)的累加為xiwki（其中，i=1, ……m），一些輸入xi，i=1, ……m，其中k是ANN中給定的神經(jīng)元的索引，權(quán)重模擬了自然神經(jīng)元中的生物突出強(qiáng)度[2]。

一個(gè)神經(jīng)元就是一個(gè)微型計(jì)算機(jī)，它是一個(gè)ANN運(yùn)轉(zhuǎn)的最小單位，就像是整個(gè)因特網(wǎng)中的一臺(tái)計(jì)算機(jī)。下例圖1是人工神經(jīng)元的模型。

從這個(gè)模型可以看出人工神經(jīng)元是有三個(gè)基本元素組成：

第一、一組連接線。X1 、X2 、…、Xm，每個(gè)連接線上的Wki為權(quán)重。權(quán)重在一定范圍類可能是正值，也可能是負(fù)值。

第二、累加器。將Xi與對(duì)應(yīng)的權(quán)重值相乘的積累加。

第三、篩選函數(shù)。通過每個(gè)神經(jīng)元經(jīng)過函數(shù)篩選后輸出數(shù)值。

同樣，還可以用矢量符號(hào)來將其表示成兩個(gè)m維向量的無向乘積：

netk= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可視化方法

可視化技術(shù)在字典中的意思為“心理圖像”，在計(jì)算機(jī)圖形學(xué)領(lǐng)域。可視化將自身行為聯(lián)系起來，特別是和人眼可以理解的復(fù)雜行為聯(lián)系起來。計(jì)算機(jī)可視化就是用計(jì)算機(jī)圖形和其他技術(shù)來考慮更多的樣本、變量和關(guān)系。

可視化技術(shù)其目的是清晰地、恰當(dāng)?shù)亍⒂幸娊獾厮伎?，以及有著?jiān)定信念的行動(dòng)。

基于計(jì)算機(jī)的可視化技術(shù)不僅僅把計(jì)算機(jī)作為一種工具，也是一種交流媒介，可視化對(duì)開發(fā)人類認(rèn)知方面提出了挑戰(zhàn)，也創(chuàng)造了機(jī)遇。挑戰(zhàn)是要避免觀察不出不正確的模式，以免錯(cuò)誤地做出決策和行動(dòng)。機(jī)遇是在設(shè)計(jì)可視化時(shí)運(yùn)用關(guān)于人類認(rèn)知的知識(shí)。

安得魯曲線技術(shù)把每個(gè)n維樣本繪制成一條直線。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t為時(shí)間域，函數(shù)f(t)把n維點(diǎn)X=(x1, x2, x3, x4, …,xn)

將f(t)進(jìn)行部分變換：

f(t)= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

這種可視化的一個(gè)好處是它可以表示很多維，缺點(diǎn)是要花很多的時(shí)間計(jì)算，才可以展示每個(gè)維點(diǎn)。這種幾何投影技術(shù)也包括探測(cè)性統(tǒng)計(jì)學(xué)，如主成分分析、因子分析和緯度縮放。平行坐標(biāo)可視化技術(shù)和放射可視化技術(shù)也屬于這類可視化[3]。

3.3 人工神經(jīng)元模型與可視化化方法中的安得魯曲線技術(shù)分析與比較

人工神經(jīng)元是一個(gè)抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號(hào)化為：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X?W

安得魯曲線技術(shù)把每個(gè)n維樣本繪制成一條曲線。這種方法與數(shù)據(jù)點(diǎn)的傅立葉轉(zhuǎn)換相似。它用時(shí)間域T的函數(shù)f(t)來把n維點(diǎn)X=(x1,x2,x3,x4, …,xn)轉(zhuǎn)換為一個(gè)連續(xù)的點(diǎn)。這個(gè)函數(shù)常被劃分在－∏≤t≤∏區(qū)間。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X?W

人工神經(jīng)網(wǎng)絡(luò)和可視化方法部分算法比較可以近似的計(jì)算認(rèn)為：

netk= f(t) =X?W

通過對(duì)人工神經(jīng)網(wǎng)絡(luò)和可視化方法公式的整理可以得出它們有著很多的共同性和相似性[4]，在容錯(cuò)允許的情況下其算法為：

F(t)= X?W

其中F(t)可表示為人工神經(jīng)網(wǎng)絡(luò)

F(t)= netk

或可視化方法

F(t)= f(t)

4 kohonen神經(jīng)網(wǎng)絡(luò)

Kohonen神經(jīng)網(wǎng)絡(luò)也是基于n維可視化的聚類技術(shù)，聚類是一個(gè)非常難的問題，由于在n維的樣本空間數(shù)據(jù)可以以不同的形狀和大小來表示類，n維空間上的n個(gè)樣本。

Mk=（1/n）

其中k=1，2，…，k。每個(gè)樣本就是一個(gè)類，因此∑nk=N。[5]

Kohonen神經(jīng)網(wǎng)絡(luò)可以看作是一種非線性的數(shù)據(jù)投影這種技術(shù)和聚類中的k-平均算法有些相似。

可見，Kohonen神經(jīng)網(wǎng)絡(luò)屬于可視化方法也屬于神經(jīng)網(wǎng)絡(luò)算法。

5 結(jié)束語

現(xiàn)代世界是一個(gè)知識(shí)大爆炸的世界。我們被大量的數(shù)據(jù)所包圍著，這些數(shù)據(jù)或是整型的、或是數(shù)值型或其他類型，它們都必須經(jīng)過各種方法的分析和處理，把它轉(zhuǎn)換成對(duì)我們有用的或可以輔助我們決策和理解的信息。數(shù)據(jù)挖掘是計(jì)算機(jī)行業(yè)中發(fā)展最快的領(lǐng)域之一，原始數(shù)據(jù)在爆炸式的增長，從原始數(shù)據(jù)中發(fā)現(xiàn)新知識(shí)的方法也在爆炸性地增長。人工神經(jīng)網(wǎng)絡(luò)和可視化方法是兩種對(duì)海量數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘整理的不同算法，通過以上縱向和橫向的對(duì)比，我們可以發(fā)現(xiàn)它們的相似性和共同點(diǎn)：對(duì)接受到的信息進(jìn)行歸納處理、轉(zhuǎn)化、篩選、容錯(cuò)性、并對(duì)接受到的信息產(chǎn)生合理的輸出。在應(yīng)用中可以根據(jù)它們不同的屬性和能力選擇不同的算法。

參考文獻(xiàn)：

[1] Tang，Z H.數(shù)據(jù)挖掘原理與應(yīng)用[M].北京.清華大學(xué)出版社,2007:74.

[2] Kantardzic M.數(shù)據(jù)挖掘[M].北京.清華大學(xué)出版社,2002:89.

[3] 李守巨,王吉.基于概率神經(jīng)網(wǎng)絡(luò)的巖土邊坡穩(wěn)定性預(yù)測(cè)方法[J].巖土力學(xué),2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

人工神經(jīng)網(wǎng)絡(luò)發(fā)展范文第5篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 企業(yè)經(jīng)濟(jì) 預(yù)測(cè)

當(dāng)代公司都處于劇烈的競(jìng)爭(zhēng)之中，怎樣先人一步成為了管理過程中重要的一步。怎樣準(zhǔn)確的預(yù)測(cè)企業(yè)的經(jīng)濟(jì)變化，也成為了企業(yè)競(jìng)爭(zhēng)過程中的核心，只有掌握了企業(yè)未來的經(jīng)濟(jì)發(fā)展?fàn)顩r，才可以在當(dāng)下采取相關(guān)措施進(jìn)行有針對(duì)性的解決或者支持，進(jìn)而幫助企業(yè)規(guī)避風(fēng)險(xiǎn)、增加效益。所以，人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)勢(shì)在必得，它極大地提升了預(yù)測(cè)的效率和準(zhǔn)確性，摒棄了舊時(shí)代的預(yù)測(cè)不準(zhǔn)、不快、太難的先天弊端，使得企業(yè)經(jīng)濟(jì)預(yù)測(cè)變得具有科學(xué)性和說服力。本文以此為切入點(diǎn)，將人工神經(jīng)網(wǎng)絡(luò)引入企業(yè)經(jīng)濟(jì)預(yù)測(cè)，結(jié)合相關(guān)實(shí)際，討論其原理和應(yīng)用情況。

一、具體預(yù)測(cè)方法介紹

1.時(shí)序預(yù)測(cè)模式

當(dāng)前，關(guān)于人工神經(jīng)網(wǎng)絡(luò)對(duì)企業(yè)的預(yù)測(cè)，通常選擇數(shù)學(xué)函數(shù)模型，。但是因?yàn)樯窠?jīng)網(wǎng)絡(luò)的復(fù)雜性和擬合難度大，更多的企業(yè)選擇基于神經(jīng)網(wǎng)絡(luò)的時(shí)序模型。這樣的方法既能結(jié)合神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，也可以進(jìn)一步抵消由于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)帶來的系統(tǒng)誤差，使得結(jié)果更加精準(zhǔn)。而具體方法為利用神經(jīng)網(wǎng)絡(luò)體系對(duì)時(shí)序進(jìn)行數(shù)學(xué)模型建立之后，再將神經(jīng)網(wǎng)絡(luò)系統(tǒng)中計(jì)算出的相對(duì)誤差拿出來作為一組基礎(chǔ)數(shù)據(jù)進(jìn)而進(jìn)行分析，想要徹底解除誤差的干擾，應(yīng)該同時(shí)建立多個(gè)網(wǎng)絡(luò)，平行的進(jìn)行對(duì)比，這樣還可以提升預(yù)測(cè)精準(zhǔn)度。

2.基于軟件數(shù)據(jù)處理的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

人工神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)方法有很多種，但是不同的方法具有不同的優(yōu)勢(shì)，他們統(tǒng)一的特點(diǎn)都是：學(xué)術(shù)性強(qiáng)、具有復(fù)雜性。其中，借助于計(jì)算機(jī)的方法最為盛行。因?yàn)樗焖儆行В哂锌刹僮餍院推占靶?，跟企業(yè)經(jīng)濟(jì)實(shí)力沒有絕對(duì)關(guān)系，大部分企業(yè)選擇這一方法進(jìn)行經(jīng)濟(jì)預(yù)測(cè)，在這其中包括軟件數(shù)據(jù)、硬件技術(shù)對(duì)比等，利用軟件將企業(yè)近段時(shí)間經(jīng)營數(shù)據(jù)收納后，運(yùn)用擬定好的函數(shù)模型，快速的呈現(xiàn)出學(xué)科知識(shí)范疇下的企業(yè)經(jīng)濟(jì)預(yù)測(cè)結(jié)果。而硬件技術(shù)也相對(duì)操作性較難，所以在目前的狀況下，絕大多數(shù)方案選擇的是軟件數(shù)據(jù)處理。

二、財(cái)務(wù)危機(jī)預(yù)警模型應(yīng)用結(jié)果分析

人工神經(jīng)系統(tǒng)中反復(fù)提到唯一變量分析模式，這個(gè)方法的優(yōu)勢(shì)在于簡便、上手快、結(jié)果清晰明了、應(yīng)用范疇廣。這樣的優(yōu)點(diǎn)使得這個(gè)方法非常受到中小企業(yè)的歡迎。但是這一模式也有著非常大的弊端：首先，因?yàn)檫@個(gè)模式只關(guān)注一個(gè)參考量，所以缺乏對(duì)全局的考量和其他微弱影響因素的關(guān)注，使得結(jié)果比較主觀。其次，唯一的變量會(huì)和其他變量之間產(chǎn)生沖突，無法準(zhǔn)確判斷多個(gè)結(jié)果間的彼此聯(lián)系。最后，企業(yè)經(jīng)濟(jì)預(yù)測(cè)是一個(gè)需要多方面統(tǒng)籌的問題，僅僅使用一個(gè)變量參考缺乏說服力，需要提供詳細(xì)的企業(yè)財(cái)務(wù)數(shù)據(jù)與多個(gè)變量進(jìn)行平衡計(jì)算。

第一，即使唯一變量法簡單易操作、方便處理數(shù)據(jù)，但是其經(jīng)濟(jì)預(yù)測(cè)精準(zhǔn)度有待加強(qiáng)。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)復(fù)雜高效的系統(tǒng)，必須保證數(shù)據(jù)的準(zhǔn)確，只有在平時(shí)的財(cái)務(wù)處理過程中，根據(jù)企業(yè)自身的實(shí)際情況，將多項(xiàng)參考指標(biāo)加入預(yù)測(cè)體系中，才可以提前知曉即將到來的經(jīng)濟(jì)形勢(shì)變化。所以可將唯一變量法作為一項(xiàng)輔助手段，幫助主要的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方式，雙管齊下進(jìn)行預(yù)測(cè)，能夠取得更好的效果。

第二，因?yàn)槲覈鴩椋髽I(yè)內(nèi)部信息也相對(duì)缺乏真實(shí)可靠性，如果采用了唯一變量法，假使選用的變量具有有決定性意義而且企業(yè)自身容易出現(xiàn)紕漏，這樣不僅不會(huì)取得良好的經(jīng)濟(jì)預(yù)測(cè)結(jié)果，反而會(huì)誤導(dǎo)企業(yè)的發(fā)展走向后患無窮。所以應(yīng)該在企業(yè)內(nèi)部實(shí)行責(zé)任人員制度，即讓相關(guān)責(zé)任和工作人員對(duì)應(yīng)起來，讓每方面的信息責(zé)任具體到人頭上，有針對(duì)性的對(duì)企業(yè)內(nèi)心信息進(jìn)行管理，使得企業(yè)經(jīng)濟(jì)發(fā)展過程中每個(gè)部分都有據(jù)可依有人可查，不僅避免了相關(guān)信息的問題，而且能夠幫助人工神經(jīng)網(wǎng)絡(luò)獲得更準(zhǔn)確的數(shù)據(jù)。

三、結(jié)論

經(jīng)濟(jì)發(fā)展的不確定性讓基于人工神經(jīng)系統(tǒng)的預(yù)測(cè)模式應(yīng)運(yùn)而生，其實(shí)根本不存在完全精準(zhǔn)有效的預(yù)測(cè)方法，只不過是在以往數(shù)據(jù)的基礎(chǔ)上結(jié)合相關(guān)實(shí)際，做出符合預(yù)期的預(yù)測(cè)，要想發(fā)揮出人工神經(jīng)系統(tǒng)網(wǎng)絡(luò)的優(yōu)勢(shì)，不僅需要不斷加強(qiáng)企業(yè)內(nèi)部管理，保證所用數(shù)據(jù)真實(shí)性可靠性，更需要企業(yè)自身開發(fā)出更多適合企業(yè)實(shí)際情況的預(yù)警措施。退一步說，企業(yè)或許根本不需要經(jīng)濟(jì)預(yù)測(cè)模式，他們應(yīng)該注重怎樣在經(jīng)營管理活動(dòng)中提高效率，在現(xiàn)有資源情況下規(guī)避相關(guān)風(fēng)險(xiǎn)，同時(shí)不影響經(jīng)營狀況。只有這樣才能從根本上解決企業(yè)需要面對(duì)的問題，從而增強(qiáng)企業(yè)實(shí)力，完成更好的經(jīng)濟(jì)發(fā)展。

參考文獻(xiàn)：

[1]王超，佘廉.人工神經(jīng)網(wǎng)絡(luò)在企業(yè)預(yù)警管理系統(tǒng)中的應(yīng)用.武漢理工大學(xué)學(xué)報(bào)，2010年04期

[2]劉艷，楊鵬.基于ANN技術(shù)的企業(yè)經(jīng)濟(jì)預(yù)警系統(tǒng)的構(gòu)建.暨南大學(xué)管理學(xué)院、廣東金融學(xué)院工商管理系