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篇神經(jīng)網(wǎng)絡(luò)的思想范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的思想范文第1篇

關(guān)鍵詞：風(fēng)速；短期預(yù)測；相似數(shù)據(jù)；小波分析；人工神經(jīng)網(wǎng)絡(luò)

1 引言

隨著風(fēng)電場并網(wǎng)運(yùn)行規(guī)模的增大，國內(nèi)外對于風(fēng)力發(fā)電并網(wǎng)各種課題的研究越來越深入，但關(guān)于風(fēng)電場發(fā)電功率預(yù)測的研究還達(dá)不到令人滿意的程度，預(yù)測誤差一般都在15%以上[1]。

采用的方法通常包括持續(xù)法、卡爾曼濾波法、隨機(jī)時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法。其中，人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行風(fēng)速或風(fēng)電功率預(yù)測應(yīng)用得最廣。文獻(xiàn)[2-3]都利用小波―BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，但訓(xùn)練樣本沒有相關(guān)性，預(yù)測精度偏低。文獻(xiàn)[4-5]利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建模，雖然運(yùn)行時(shí)間縮短，但是在數(shù)據(jù)相關(guān)性和數(shù)據(jù)去噪處理方面欠缺，導(dǎo)致精度不高。因此，本文建立了基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模。

2 基于相似數(shù)據(jù)并結(jié)合小波分析的BP神經(jīng)網(wǎng)絡(luò)建模

2.1 相似數(shù)據(jù)選擇辦法

2.3 反向傳播（BP）神經(jīng)網(wǎng)絡(luò)

2.4 仿真實(shí)驗(yàn)建模

3 算法對比分析

從圖4可得出，BP神經(jīng)網(wǎng)絡(luò)模型的平均相對誤差為20.77%，而本模型為10.21%。因此，采用本模型建模得到的相對誤差較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度有很大的提高。

4 結(jié)論

針對風(fēng)力發(fā)電中風(fēng)速預(yù)測問題，本文在BP神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上引入相似數(shù)據(jù)并結(jié)合小波分解進(jìn)行短期風(fēng)速預(yù)測，得到如下結(jié)論：

⑴相似數(shù)據(jù)的選取增強(qiáng)了數(shù)據(jù)的相關(guān)性，提高了模型預(yù)測精度。

⑵小波分解降低了信號的非平穩(wěn)性，使模型更好地?cái)M合了風(fēng)速信號的低頻和高頻特性，可進(jìn)一步提高算法精度。

⑶通過對算法對比分析，表明本模型較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型誤差小，充分地說明此方法在工程應(yīng)用上具有可行性。

[參考文獻(xiàn)]

[1]楊秀媛，肖洋，陳樹勇.風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J].中國電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

[2]師洪濤，楊靜玲，丁茂生，王金梅.基于小波―BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測方法[J].電力系統(tǒng)自動化，2011，35（16）：44-48.

[3]厲衛(wèi)娜，蘇小林.基于小波- 神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測研究[J].電力學(xué)報(bào)，2011，26（6）：458-461.

[4]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2012，46（5）：837-841.

神經(jīng)網(wǎng)絡(luò)的思想范文第2篇

人工神經(jīng)網(wǎng)絡(luò)是由大量的簡單基本元件-神經(jīng)元相互聯(lián)接而成的自適應(yīng)非線性動態(tài)系統(tǒng)。每個(gè)神經(jīng)元的結(jié)構(gòu)和功能比較簡單，但大量神經(jīng)元組合產(chǎn)生的系統(tǒng)行為卻非常復(fù)雜。人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應(yīng)環(huán)境、總結(jié)規(guī)律、完成某種運(yùn)算、識別或過程控制。人工神經(jīng)網(wǎng)絡(luò)具有并行處理特征，可以大大提高工作速度。

人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性，主要表現(xiàn)在三個(gè)方面：

第一，具有自學(xué)習(xí)功能。

第二，具有聯(lián)想存儲功能。

第三，具有高速尋找優(yōu)化解的能力。

1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也稱為訓(xùn)練，指的是神經(jīng)網(wǎng)絡(luò)在外界環(huán)境的刺激作用下調(diào)整網(wǎng)絡(luò)自由參數(shù)，并以新的方式來響應(yīng)外部環(huán)境的過程。能夠從環(huán)境中學(xué)習(xí)并在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的性質(zhì)。理想情況下，神經(jīng)網(wǎng)絡(luò)在每一次重復(fù)學(xué)習(xí)后，對它的環(huán)境有了更多的了解。

（1） 監(jiān)督學(xué)習(xí)（有教師學(xué)習(xí)）

在學(xué)習(xí)時(shí)需要由教師提供期望輸出，通常神經(jīng)網(wǎng)絡(luò)對于周圍的環(huán)境未知而教師具有周圍環(huán)境的知識，輸入學(xué)習(xí)樣本，教師可以根據(jù)自身的知識為訓(xùn)練樣本提供最佳逼近結(jié)果，神經(jīng)網(wǎng)絡(luò)的自由參數(shù)在誤差信號的影響下進(jìn)行調(diào)整，其最終目的是讓神經(jīng)網(wǎng)絡(luò)模擬教師。

（2） 非監(jiān)督學(xué)習(xí)（無教師學(xué)習(xí)）

它也稱為自組織學(xué)習(xí)，系統(tǒng)在學(xué)習(xí)過程中，沒有外部教師信號，而是提供給一個(gè)關(guān)于網(wǎng)絡(luò)學(xué)習(xí)性質(zhì)的度量，它獨(dú)立于學(xué)習(xí)任務(wù)，以此尺度來逐步優(yōu)化網(wǎng)絡(luò)，一旦網(wǎng)絡(luò)與輸入數(shù)據(jù)的統(tǒng)計(jì)規(guī)律達(dá)成一致，那么它將發(fā)展形成用于輸入數(shù)據(jù)編碼特征的內(nèi)部表示能力，從而自動創(chuàng)造新的類別。

（3）強(qiáng)化學(xué)習(xí)（激勵(lì)學(xué)習(xí)）

在強(qiáng)化學(xué)習(xí)系統(tǒng)中，對輸入輸出映射的學(xué)習(xí)是通過與外部環(huán)境的不斷交互作用來完成學(xué)習(xí)，目的是網(wǎng)絡(luò)標(biāo)量函數(shù)值最小，即外部環(huán)境對系統(tǒng)輸出結(jié)果只給出評價(jià)信息（獎(jiǎng)或罰）而不是給出正確答案，學(xué)習(xí)通過強(qiáng)化那些受獎(jiǎng)的動作來改善自身性能。

神經(jīng)網(wǎng)絡(luò)針對學(xué)習(xí)問題修改網(wǎng)絡(luò)自由參數(shù)的過程稱為學(xué)習(xí)規(guī)則（學(xué)習(xí)算法），設(shè)計(jì)學(xué)習(xí)規(guī)則的目的是訓(xùn)練網(wǎng)絡(luò)來完成某些任務(wù)，沒有一個(gè)獨(dú)特的學(xué)習(xí)規(guī)則可以完成所有的學(xué)習(xí)任務(wù)。神經(jīng)網(wǎng)絡(luò)有5個(gè)基本的學(xué)習(xí)規(guī)則：誤差--修正學(xué)習(xí)，基于記憶的學(xué)習(xí)，Hebb學(xué)習(xí)，競爭學(xué)習(xí)，隨機(jī)學(xué)習(xí)。

2 神經(jīng)網(wǎng)絡(luò)的研究趨勢

（1） 利用神經(jīng)生理與認(rèn)知科學(xué)研究大腦思維模式及智能機(jī)理過程

深入研究神經(jīng)網(wǎng)絡(luò)理論神經(jīng)網(wǎng)絡(luò)在一定程度上揭示人類智能和了解人腦的工作方式，由于人類對神經(jīng)系統(tǒng)的了解非常有限，而且對其自身腦結(jié)構(gòu)及其活動機(jī)理的認(rèn)識不完善，故而神經(jīng)網(wǎng)絡(luò)只能是模仿人腦的局部功能，而對人腦作為一個(gè)整體的功能解釋，神經(jīng)網(wǎng)絡(luò)起不到任何作用。神經(jīng)科學(xué)，心理學(xué)和認(rèn)識科學(xué)等方面提出的一些重大問題，是向神經(jīng)網(wǎng)絡(luò)理論研究提出的新挑戰(zhàn)，這些問題的解決有助于完善和發(fā)展神經(jīng)網(wǎng)絡(luò)理論，因此利用神經(jīng)生理和認(rèn)知科學(xué)研究大腦思維及智能機(jī)理，如有新的突破將會改變智能和機(jī)器關(guān)系的認(rèn)識。

（2） 神經(jīng)網(wǎng)絡(luò)領(lǐng)域的數(shù)學(xué)研究趨于重要

隨著神經(jīng)科學(xué)基礎(chǔ)理論研究的深入，用數(shù)理方程探索智能水平更高網(wǎng)絡(luò)模型將是研究的趨勢所在，神經(jīng)元以電為主的生物過程在認(rèn)識上一般采用非線性動力學(xué)模型，其動力演變過程往往是非常復(fù)雜的，神經(jīng)網(wǎng)絡(luò)這種強(qiáng)的生物學(xué)特征和數(shù)學(xué)性質(zhì)，要求有更好的數(shù)學(xué)手段，而對于神經(jīng)網(wǎng)絡(luò)這樣非線性模型，需要用數(shù)學(xué)方法研究網(wǎng)絡(luò)新的算法和網(wǎng)絡(luò)性能，如穩(wěn)定性、收斂、容錯(cuò)性、魯棒性等，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如神經(jīng)動力學(xué)、非線性神經(jīng)場等。研究人員斷言一種更簡潔、更完善和更有效的非線性系統(tǒng)表達(dá)與分析的數(shù)學(xué)方法是這一領(lǐng)域主要目標(biāo)之一。

（3） 神經(jīng)網(wǎng)絡(luò)軟件模擬、硬件實(shí)現(xiàn)的研究以及神經(jīng)網(wǎng)絡(luò)在各個(gè)科學(xué)技術(shù)領(lǐng)域應(yīng)用的研究

目前，數(shù)字計(jì)算機(jī)在計(jì)算方面的能力已遠(yuǎn)遠(yuǎn)超出入的大腦，但在自然語言理解、圖像辨識、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計(jì)算機(jī)結(jié)構(gòu)及其運(yùn)算方式與人的大腦有本質(zhì)的區(qū)別，而神經(jīng)計(jì)算機(jī)（第六代計(jì)算機(jī)）以神經(jīng)網(wǎng)絡(luò)為理論基礎(chǔ)，用于模擬神經(jīng)網(wǎng)絡(luò)，具有自學(xué)習(xí)、自組織和自適應(yīng)能力，能更有效地處理復(fù)雜問題，其實(shí)現(xiàn)過程用光學(xué)、生物芯片的方式，現(xiàn)在光學(xué)神經(jīng)計(jì)算機(jī)和分子計(jì)算機(jī)的研究是神經(jīng)網(wǎng)絡(luò)的前沿課題。

（4） 神經(jīng)網(wǎng)絡(luò)和其它算法結(jié)合的研究

神經(jīng)網(wǎng)絡(luò)和其它算法的結(jié)合和交叉，研究新型神經(jīng)網(wǎng)絡(luò)模型也是發(fā)展方向之一。如神經(jīng)網(wǎng)絡(luò)和模糊邏輯結(jié)合，建立模糊神經(jīng)網(wǎng)絡(luò)；將混沌理論和神經(jīng)網(wǎng)絡(luò)結(jié)合建立混沌神經(jīng)網(wǎng)絡(luò)；將遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合；利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或權(quán)值；將小波分析和神經(jīng)網(wǎng)絡(luò)結(jié)合建立小波神經(jīng)網(wǎng)絡(luò)；專家系統(tǒng)，貝葉斯學(xué)習(xí)以及粗糙集理論和神經(jīng)網(wǎng)絡(luò)結(jié)合等，這些都是神經(jīng)網(wǎng)絡(luò)研究的熱點(diǎn)。

3 結(jié)束語

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進(jìn)一步研究。比如：神經(jīng)計(jì)算的基礎(chǔ)理論框架以及生理層面的研究仍需深入；新的模型和結(jié)構(gòu)的研究；神經(jīng)網(wǎng)絡(luò)的可理解性問題；神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)更好的結(jié)合等。

神經(jīng)網(wǎng)絡(luò)的思想范文第3篇

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；數(shù)值積分；正弦基函數(shù)；收斂性

中圖分類號：O241.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1671－7597（2012）0220009－01

0 引 言

對給定積分求近似值的過程,即用被積函數(shù)的有限個(gè)抽樣值的離散或加權(quán)平均近似值代替定積分的值。常用的數(shù)值積分計(jì)算方法有Gauss方法、Newton-Cotes方法等。其中Newton-Cotes方法易出現(xiàn)收斂性很難確保，數(shù)值很不穩(wěn)定，計(jì)算量較大等問題。

本文提出的數(shù)值積分方法，其基本思想是訓(xùn)練正弦函數(shù)神經(jīng)網(wǎng)絡(luò)權(quán)值

值計(jì)算。下面討論算法，并通過實(shí)例比較，證明其有效。

1 算法描述

1.1 基于正弦基函數(shù)的神經(jīng)網(wǎng)絡(luò)模型

假設(shè)函數(shù) ，其周期延拓為 ，表示為傅立葉級數(shù)：

1.2 正弦基函數(shù)的神經(jīng)網(wǎng)絡(luò)算法收斂性定理

定理1 設(shè) 為學(xué)習(xí)率， 是隱層神經(jīng)元的個(gè)數(shù)，則當(dāng) 時(shí)，神經(jīng)網(wǎng)絡(luò)算法收斂。

1.3 正弦基函數(shù)的神經(jīng)網(wǎng)絡(luò)算法的數(shù)值積分定理

1.4 正弦基函數(shù)的神經(jīng)網(wǎng)絡(luò)算法步驟

2 數(shù)值積分實(shí)例

例1 文獻(xiàn)[3]用梯形法和 方法在積分區(qū)間[0,2]上分別計(jì)算

算法中，取神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)為 ，學(xué)習(xí)率 ，訓(xùn)

表1列出了文獻(xiàn)[3]和本文算法的結(jié)果

解：用 方法計(jì)算該積分時(shí)遇到了困難[2]，用

3 結(jié)論

由實(shí)例可知，本文提出算法計(jì)算精度相對比其他算法高，并對被積函數(shù)要求較低，穩(wěn)定性高，適應(yīng)性強(qiáng)，在工程實(shí)際中有一定的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]沈劍華.數(shù)值計(jì)算基礎(chǔ)[M].上海：同濟(jì)大學(xué)出版社，1999:73-109.

[2]王能超.數(shù)值分析簡明教程[M].北京：高等教育出版社，1997:66-96.

[3]熊華，楊國孝.一類振蕩函數(shù)的數(shù)值積分方法[J].北京理工大學(xué)學(xué)報(bào)，1999，19(3):280-284.

[4]周永權(quán).多項(xiàng)式函數(shù)型回歸神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用[J]．計(jì)機(jī)學(xué)報(bào),2003，26(9)：1196-1200.

神經(jīng)網(wǎng)絡(luò)的思想范文第4篇

關(guān)鍵詞：人工神經(jīng)；網(wǎng)絡(luò)游戲程序；研究和設(shè)計(jì)；分析探究

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2017）01-0044-01

近年來，在網(wǎng)絡(luò)游戲發(fā)展過程中，圖像的呈現(xiàn)質(zhì)量已經(jīng)提升到了一個(gè)極高的水平，人工智能游戲已經(jīng)成為決定一款游戲成功與否的重要關(guān)鍵，并受到了游戲開發(fā)商的廣泛關(guān)注和高度重視。網(wǎng)絡(luò)游戲作為一種目標(biāo)性、競爭性、互動性、情節(jié)性的娛樂作品，它的智能水平對游戲的質(zhì)量和可玩性具有著直接的影響作用。因此，將計(jì)算機(jī)圖形學(xué)和人工智能有機(jī)的結(jié)合起來，把人工智能中的預(yù)測、路徑規(guī)劃、搜索、學(xué)習(xí)等技術(shù)有效的應(yīng)用到網(wǎng)絡(luò)游戲的研發(fā)工作中去，不僅能夠提升游戲的質(zhì)量和可玩性，同時(shí)還有利于促進(jìn)游戲開發(fā)企業(yè)的發(fā)展。

1 人工神經(jīng)網(wǎng)絡(luò)分析

人腦可以用一套較為獨(dú)特的方法來解決相關(guān)問題，并且還能夠從正反兩面的行為差異中進(jìn)行學(xué)習(xí)，經(jīng)過研究發(fā)現(xiàn)，人腦是由十萬種類的遺傳因子中的十萬億個(gè)細(xì)胞組合而成，人工神經(jīng)網(wǎng)絡(luò)就相當(dāng)于模擬人腦功能的一個(gè)數(shù)學(xué)模型。其中神經(jīng)元作為人腦系統(tǒng)中處理基本信息的單元，是人體神經(jīng)器官的重要組成部分，通過軸將各個(gè)神經(jīng)元進(jìn)行有效連接，而其他神經(jīng)元的發(fā)送的信號能夠使當(dāng)前神經(jīng)元產(chǎn)生相應(yīng)的反映，這一反映如果能夠達(dá)到特定的閾值，就會逐漸產(chǎn)生一種新的信號，并且沿著軸將信號傳輸?shù)狡渌窠?jīng)元[1]。人工神經(jīng)網(wǎng)絡(luò)主要就是由各種節(jié)點(diǎn)相互連接組合形成的，節(jié)點(diǎn)類似于人腦的各個(gè)神經(jīng)元細(xì)胞，會存在一些節(jié)點(diǎn)連接外部環(huán)境，主要負(fù)責(zé)相關(guān)的信息輸出和輸入工作，被稱作是輸出點(diǎn)或者輸入點(diǎn)，而另外一些網(wǎng)絡(luò)內(nèi)部的節(jié)點(diǎn)，通常被稱作隱藏節(jié)點(diǎn)。隱藏節(jié)點(diǎn)的信息輸出通常是輸出節(jié)點(diǎn)的信息輸入，輸入節(jié)點(diǎn)的信息輸出通常是隱藏節(jié)點(diǎn)的信息輸入。

此外，人工神經(jīng)網(wǎng)絡(luò)的主要核心思想就是對人類大腦神經(jīng)系統(tǒng)功能進(jìn)行模擬的機(jī)器學(xué)習(xí)的一種方法，并且通過對系統(tǒng)內(nèi)部各個(gè)神經(jīng)元的各種連接參數(shù)進(jìn)行反復(fù)的調(diào)節(jié)，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)得到訓(xùn)練，并且在遇到一定情況時(shí)能夠做出最佳的反映[2]。總之，神經(jīng)網(wǎng)絡(luò)作為一項(xiàng)發(fā)展較為成熟的技術(shù)，其在解決相關(guān)問題之后，將會使網(wǎng)絡(luò)游戲的智能化提升到一個(gè)全新的高度。

2 人工神經(jīng)網(wǎng)絡(luò)中的游戲?qū)W習(xí)設(shè)計(jì)分析

與傳統(tǒng)方法相比，神經(jīng)網(wǎng)絡(luò)解決問題的方式有著明顯的不同，其具有著較強(qiáng)的自主學(xué)習(xí)能力，經(jīng)過不斷的學(xué)習(xí)，ANN可以從未知式中的各種復(fù)雜數(shù)據(jù)信息中發(fā)現(xiàn)規(guī)律[3]。這種神經(jīng)網(wǎng)絡(luò)方法在很大程度上克服了傳統(tǒng)方法在分析中的復(fù)雜性以及各種模型函數(shù)選擇的困難，通過訓(xùn)練對問題進(jìn)行解答，ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)作，首先就需要讓網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，不斷的訓(xùn)練網(wǎng)絡(luò)，幫助它獲取更多的知識信息，最后將這些信息有效的存儲起來。一旦完成相關(guān)的訓(xùn)練和學(xué)習(xí)，就可以將知識有效的存儲在權(quán)值中。在游戲的開發(fā)過程中，將神經(jīng)網(wǎng)絡(luò)模型看作是人物建模的基礎(chǔ)，通過對玩家將要進(jìn)行的動作或者選擇的畫面場景進(jìn)行預(yù)測，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息存儲，并且在游戲的運(yùn)行過程中要保證學(xué)習(xí)元素的有效運(yùn)行，進(jìn)而讓神經(jīng)網(wǎng)絡(luò)潛移默化的學(xué)會相應(yīng)的自適應(yīng)技術(shù)，最終實(shí)現(xiàn)游戲的可玩性和趣味性，提升游戲的開發(fā)設(shè)計(jì)質(zhì)量和效果，進(jìn)而吸引更多的游戲玩家。

3 BP神經(jīng)網(wǎng)絡(luò)游戲開發(fā)設(shè)計(jì)分析

在神經(jīng)網(wǎng)絡(luò)的眾多模型中，BP算法是其中較為常用的一種神經(jīng)網(wǎng)絡(luò)，一般分為輸入層、輸出層、中間層等三個(gè)部分，各個(gè)層之間按順序進(jìn)行連接，因?yàn)橹虚g存在隱含層，可以從中發(fā)現(xiàn)一定的學(xué)習(xí)規(guī)律，可以通過對這種網(wǎng)絡(luò)的有效訓(xùn)練，進(jìn)而形成一種較為復(fù)雜、多樣的決策界面[4]。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)具有一個(gè)強(qiáng)大的功能，其主要就是能夠封裝一個(gè)將信息輸入映射到信息輸出的非線性函數(shù)。假如不存在隱含層，那么神經(jīng)網(wǎng)絡(luò)只能發(fā)現(xiàn)信息輸入與信息輸出之間存在的線性關(guān)系。但是，僅僅是為感知網(wǎng)絡(luò)增添一個(gè)隱含層還是遠(yuǎn)遠(yuǎn)不夠的，需要通過非線性激活函數(shù)為網(wǎng)絡(luò)連接提供相應(yīng)的非線性元素。大多數(shù)的非線性函數(shù)基本上都能夠進(jìn)行使用，但是多項(xiàng)式函數(shù)除外。

在游戲中，設(shè)置網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的基本步驟，可以將特定數(shù)據(jù)當(dāng)做輸入訓(xùn)練網(wǎng)絡(luò)，并且在游戲的具體輸入中進(jìn)行實(shí)際應(yīng)用。在游戲問題的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，應(yīng)該注意結(jié)構(gòu)、學(xué)習(xí)、神經(jīng)元特點(diǎn)等三個(gè)方面的因素。其中結(jié)構(gòu)主要就是指要進(jìn)行構(gòu)造的神經(jīng)網(wǎng)絡(luò)組織、連接方式以及基本類型。而且在神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)設(shè)計(jì)要遵循相關(guān)的原則就是越少越好。神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)越多，那么神經(jīng)網(wǎng)絡(luò)搜索正確解的空間范圍就越廣闊[5]。神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點(diǎn)數(shù)在一定程度上決定著模式匹配或網(wǎng)絡(luò)分類的變量數(shù)，例如，籃球類型的游戲中，運(yùn)動員投籃命中、灌籃動作、球員分布、難度等級等變量數(shù)。

4 結(jié)語

總而言之，網(wǎng)絡(luò)游戲作為一種新型的娛樂方式，具有著較強(qiáng)的生活模擬性和互動性，深受廣大社會群眾的喜愛。因此，我國應(yīng)該重視游戲產(chǎn)業(yè)的發(fā)展，不斷加大對網(wǎng)絡(luò)游戲的開發(fā)和設(shè)計(jì)，將神經(jīng)網(wǎng)絡(luò)有效的應(yīng)用到網(wǎng)絡(luò)游戲開發(fā)的實(shí)踐中去，尤其是BP神經(jīng)網(wǎng)絡(luò)，它不僅可以預(yù)測玩家的行為，及時(shí)提供信息反饋，同時(shí)還能提高網(wǎng)絡(luò)游戲的可玩性和趣味性，提升游戲設(shè)計(jì)的整體質(zhì)量和效果，有利于促進(jìn)我國游戲開發(fā)產(chǎn)業(yè)的發(fā)展和進(jìn)步。

參考文獻(xiàn)：

[1]余穎.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的人工智能游戲研究與應(yīng)用[D].湖南大學(xué)，2011.

[2]王淑琴.神經(jīng)網(wǎng)絡(luò)和遺傳算法在游戲設(shè)計(jì)中的應(yīng)用研究[D].東北師范大學(xué)，2014.

[3]f潭凱.神經(jīng)網(wǎng)絡(luò)在即時(shí)戰(zhàn)略游戲中的應(yīng)用[D].福州大學(xué)，2014.

神經(jīng)網(wǎng)絡(luò)的思想范文第5篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；模式；分類

中圖分類號：TP183文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2009)04-0922-02

The Research of the Classification of Model with Neural Network

GUO Xiao-yan

(Gansu Agriculture University, Information & Science Technology College, Lanzhou 730070, China)

Abstract: The problems of classification of model with neural network can be solved by the help oftutors information, and also be solved by the help of clustering without the tutors information.This article analyzes andcompares several neural network models being used for classification of model,reach a conclusionthat inparticular situation different models of neural network can bechoiced , and if nessesary aintegratedway can be used.

Key words: neural network; classification; model

傳統(tǒng)的分類方法對于同類相聚，異類分離比較有優(yōu)勢，但客觀世界中許多事物在樣本空間中的區(qū)域分割曲面非常復(fù)雜，相近的樣本可能屬于不同的類，而遠(yuǎn)離的樣本可能屬于同一類1。模式是對某些感興趣的客體的定量描述或結(jié)構(gòu)描述，模式類是具有某些共同特征的模式的集合。模式分類可分為兩種類型，分類和聚類，分類是在類別知識等導(dǎo)師信息的指導(dǎo)下，將待識別的輸入模式分配到各自的模式類中去。聚類是無導(dǎo)師的分類方法，它是將相似的模式樣本劃歸為一類，而將不相似的分離開，實(shí)現(xiàn)了模式樣本類內(nèi)相似性和類間分離性。通過聚類，可以發(fā)現(xiàn)原始樣本的分布特性。

神經(jīng)網(wǎng)絡(luò)對外界的輸入樣本具有很強(qiáng)的識別能力，可以發(fā)現(xiàn)輸入樣本自身的聯(lián)系和規(guī)律以及輸入樣本和期望輸出之間的非線性規(guī)律，因此在模式分類方面具有傳統(tǒng)分類方法無法比擬的優(yōu)點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)在模式分類方面提出了大量了網(wǎng)絡(luò)模型，發(fā)現(xiàn)了許多學(xué)習(xí)算法。

1 無導(dǎo)師分類機(jī)制

對于無導(dǎo)師的模式分類只從輸入樣本入手，通過分析與比較，找到輸入樣本的特征和內(nèi)在規(guī)律，從而將具有相似性的樣本聚為一類。

1.1 SOM網(wǎng)

SOM 網(wǎng)屬于自組織映射神經(jīng)網(wǎng)絡(luò)，SOM神經(jīng)網(wǎng)絡(luò)接收外界的輸入模式時(shí)，會分為不同的對應(yīng)區(qū)域，各區(qū)域?qū)Σ煌妮斎肽Ｊ綍胁煌捻憫?yīng)特征，利用這個(gè)特征可以對輸入模式進(jìn)行分類。

算法思想：

它的學(xué)習(xí)規(guī)則是“勝者為王”。找出和輸入向量最為相似的競爭層神經(jīng)元（即獲勝神經(jīng)元），在一個(gè)以該神經(jīng)元為中心的鄰域內(nèi)對本區(qū)域內(nèi)的所有神經(jīng)元的權(quán)值進(jìn)行不同程度的調(diào)整，調(diào)整的原則是由遠(yuǎn)及近，由興奮變?yōu)橐种?，?quán)值調(diào)整的結(jié)果是使競爭層的特定神經(jīng)元變得對輸入層的某些樣本敏感，從而達(dá)到分類的目的。

算法步驟：

1) 找出獲勝神經(jīng)元

對于每一個(gè)輸入模式向量 X，競爭層的所有神經(jīng)元對應(yīng)的內(nèi)星權(quán)向量Wj(j=1,2,…,m)均與X進(jìn)行比較，將與X最為相似的神經(jīng)元判為獲勝神經(jīng)元。其權(quán)值記為Wj*。相似性量度為X和W的歐氏距離或夾角余弦。

■

m是競爭層神經(jīng)元個(gè)數(shù)。

d=||X-Wj*||=min||X-Wj*||(j=1,2,…,n)

d為輸入向量X離獲勝神經(jīng)元的距離

2) 找出一個(gè)Wj*的一個(gè)鄰域Sj，對于Sj內(nèi)的所有權(quán)值進(jìn)行調(diào)整。

3) 權(quán)值調(diào)整

Wj(t+1)=Wj(t)+α[X-Wj(t)]

α為學(xué)習(xí)率，隨著t的增加，α的值在不斷地減小。

權(quán)值的調(diào)整是使得獲勝結(jié)點(diǎn)更加接近輸入樣本，從而使競爭層的每一個(gè)神經(jīng)元變?yōu)橐粋€(gè)聚類中心。當(dāng)向網(wǎng)絡(luò)輸入一個(gè)模式時(shí)，競爭層中哪個(gè)神經(jīng)元獲勝使輸出為1，當(dāng)前輸入就歸為哪類。

通過聚類進(jìn)行模式劃分的方法還有模糊聚類，K-均值聚類，HCM，最近鄰聚類(NN算法)等，這些算法的最主要優(yōu)點(diǎn)就是不需要導(dǎo)師信號，這對于一些無法得到導(dǎo)師信號的模式分類情況來說是有優(yōu)勢的。

2 有導(dǎo)師分類機(jī)制

基于無導(dǎo)師的聚類算法只考慮輸入樣本，而沒有考慮輸入樣本所對應(yīng)的輸出、這就使得這樣的分類不是最優(yōu)的。

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)利用導(dǎo)師信號和輸入樣本來訓(xùn)練網(wǎng)絡(luò)的權(quán)值，從而找到從輸入樣本到導(dǎo)師信號（期望輸出）之間的非經(jīng)性變幻規(guī)律來修整權(quán)值，經(jīng)過測試樣本和期望輸出的多次訓(xùn)練來使成熟的網(wǎng)絡(luò)穩(wěn)定，當(dāng)有新的輸入時(shí)，就可根據(jù)此規(guī)律對它樣本進(jìn)行正確的分類。

BP神經(jīng)網(wǎng)絡(luò)的算法思想是：輸入樣本自輸入層傳入，由各隱層處理后，傳向輸出層，這屬于正向傳播；如果輸出與期望輸出(導(dǎo)師信號)不符，得到誤差值，輸出誤差通過隱層向輸入層逐反向傳播，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號成為修正各單元權(quán)值的依據(jù)。

2.1.1 BP神經(jīng)網(wǎng)絡(luò)的描述1(圖2)

1） 正向傳播

對于有單個(gè)隱層單元的BP神經(jīng)網(wǎng)絡(luò)而言

隱層輸出：

■

輸出層：

■

l 為輸出層神經(jīng)元的個(gè)數(shù)m為隱層神經(jīng)元的個(gè)數(shù)n為輸入層神經(jīng)元的個(gè)數(shù)

f(x)可采用單極性的Sigmoid函數(shù)：

■

2）反向修正權(quán)值

輸出誤差E定義如下：

■

其中d為導(dǎo)師信號（期望輸出），o為實(shí)際輸出

進(jìn)一步展開至輸入層，有：

■

權(quán)值修正：

■

η是學(xué)習(xí)率，可以控制學(xué)習(xí)的時(shí)間和快慢。

在BP神經(jīng)網(wǎng)絡(luò)中，利用導(dǎo)師信號和神經(jīng)網(wǎng)絡(luò)的輸出得到總誤差E,調(diào)整權(quán)值時(shí)，按誤差梯度下降的原則進(jìn)行。利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類時(shí)，可以利用導(dǎo)師信息先規(guī)定類別信息，再利用輸入樣本和類別信息得出E，從而反向調(diào)整ω，ν值，如果網(wǎng)絡(luò)的總誤差小于一個(gè)特定的值，可認(rèn)為網(wǎng)絡(luò)訓(xùn)練結(jié)束，得到最終的ω，ν值。對于新的樣本，此訓(xùn)練好的網(wǎng)絡(luò)便可進(jìn)行正確分類。

3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

利用BP網(wǎng)絡(luò)進(jìn)行分類時(shí)，完全沒有考慮輸入樣本的特征，只利用導(dǎo)師信息進(jìn)行權(quán)值的修正，因此學(xué)習(xí)時(shí)間很長，分類的精度也不是非常高，錯(cuò)分的情況很多。通常，輸入樣本本身具有某種規(guī)律性，利用現(xiàn)有樣本的自身規(guī)律加上導(dǎo)師信號的限制，可以大大提高分類的精度，同時(shí)可以縮短學(xué)習(xí)的時(shí)間。徑向基函數(shù)網(wǎng)絡(luò)就是基于這種思想。

用徑向基函數(shù)作為隱單元的“基”，構(gòu)成隱含層空間。隱含層對輸入向量進(jìn)行變換，將低維空間的模式變到高維空間中，使低維空間中的不可分問題在高維空間中變得可分。

算法思想：

1）找到分類中心向量，也稱基向量，(一般用K-均值法，動態(tài)聚類法等)，假定分類中心向量個(gè)數(shù)為 個(gè)，這也就決定隱層神經(jīng)元的個(gè)數(shù)。

2）算出輸入樣本到各個(gè)分類中心向量的距離d，利用基函數(shù)f(x),自變量為d，得到隱層輸出，只有離分類中心最近的向量得到較大的輸出。

■

p是輸入樣本個(gè)數(shù)，j是聚類中心的個(gè)數(shù)，k是樣本和聚類中心向量的維數(shù)。

■

3）最后通過隱層到輸出層的線性變換得到最終的輸出，則：

■

學(xué)習(xí)算法：

1）利用無導(dǎo)師機(jī)制選取分類中心向量；

2）利用有導(dǎo)師信號修正隱層到輸出層的權(quán)值，權(quán)值的修正仍用類似BP神經(jīng)網(wǎng)絡(luò)的梯度下降算法。

徑向基函數(shù)網(wǎng)絡(luò)對于輸入層向隱層的變換是非線性的，而隱層到輸出層變換進(jìn)線性的，在確定中心結(jié)點(diǎn)時(shí)，可采用無導(dǎo)師的聚類機(jī)制，當(dāng)修正隱層到輸出層的權(quán)值時(shí)可采用有導(dǎo)師機(jī)制，此兩種方法結(jié)合即可發(fā)現(xiàn)輸入樣本中的內(nèi)在規(guī)律，又可利用導(dǎo)師信號進(jìn)行約束從而提高分類的精度和縮短學(xué)習(xí)的時(shí)間。

3 結(jié)論

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類時(shí)，如果可以得到導(dǎo)師信號，可采用徑向基神經(jīng)網(wǎng)絡(luò)，或BP神經(jīng)網(wǎng)絡(luò)，徑向基神經(jīng)網(wǎng)絡(luò)收縮速度快，不容易陷入局部極小值，在解決分類時(shí)和般優(yōu)越于BP神經(jīng)網(wǎng)絡(luò)，如果無法得到導(dǎo)師信號，則可采用自組織神經(jīng)網(wǎng)絡(luò)SOM網(wǎng)絡(luò)，通常SOM也可以用在徑向基神經(jīng)網(wǎng)絡(luò)的選用中心向量問題上。

參考文獻(xiàn)：

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].2版.北京:化學(xué)工業(yè)出版社,2007.