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)優(yōu)勢范文，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。

人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文第1篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；金屬切削刀具；磨損檢測

1.前言：

隨著我國的工業(yè)飛速發(fā)展，對于工件的要求也愈發(fā)嚴(yán)格，但是從工廠中制造出的工件或多或少都有些不盡人意，所以必須依靠金屬切削技術(shù)對工件進(jìn)行二次加工。但隨著時(shí)間流逝，金屬刀具的磨損逐漸成為了一個(gè)問題。而且隨著機(jī)器的柔性化與機(jī)械化愈發(fā)提高，人工觀測刀具磨損狀況的方法也愈發(fā)得不可取。無數(shù)科學(xué)家為此進(jìn)行了大量研究，討論出了是數(shù)種方法，而人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于金屬切削機(jī)的技術(shù)也應(yīng)運(yùn)而生。人工神經(jīng)網(wǎng)絡(luò)是一種以模擬動(dòng)物神經(jīng)網(wǎng)絡(luò)而創(chuàng)造的數(shù)學(xué)模型，人工神經(jīng)網(wǎng)絡(luò)有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學(xué)習(xí)和記憶、歸納的能力。目前，人工神經(jīng)網(wǎng)絡(luò)在智能控制、優(yōu)化計(jì)算與信息處理中都有很大的進(jìn)展，人工神經(jīng)網(wǎng)絡(luò)的前景不可估量。

2.人工神經(jīng)網(wǎng)絡(luò)在金屬切削刀具中的應(yīng)用

2.1人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識

人工神經(jīng)網(wǎng)絡(luò)是一種建立在現(xiàn)代醫(yī)學(xué)對于人腦的研究上的一種模擬人腦的數(shù)學(xué)模型。它是由大量簡單的處理單元組成的復(fù)雜網(wǎng)絡(luò)，用以模仿人類大腦的神經(jīng)活動(dòng)與規(guī)律。所以，人工神經(jīng)網(wǎng)絡(luò)擁有人類大腦的基本特征，即：學(xué)習(xí)、記憶與歸納功能。雖然人工神經(jīng)網(wǎng)絡(luò)與人類大腦相比略有不足，但是由于其獨(dú)特的結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡(luò)可以對己輸入信息進(jìn)行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經(jīng)網(wǎng)絡(luò)在邏輯學(xué)推理演算中，比起人類大腦更加有優(yōu)勢。故，人工神經(jīng)網(wǎng)絡(luò)在一些比較簡單同時(shí)需要大量計(jì)算的工作上比起人腦更有優(yōu)勢。于是，人工神經(jīng)網(wǎng)絡(luò)被廣泛用于金屬切削技術(shù)，并獲得了大量的好評。

2.2人工神經(jīng)網(wǎng)絡(luò)使金屬切削的過程更加智能化

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、聯(lián)想存儲與優(yōu)化計(jì)算的能力，在金屬切削中被大量運(yùn)用。人工神經(jīng)網(wǎng)絡(luò)在金屬切削中起著多傳感器多信息融合與模式聯(lián)想器的作用。在對選定的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與記錄作用，將人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練為模型，并將這個(gè)模型運(yùn)用于金屬切削中，使金屬切削過程智能化。1992年王衛(wèi)平博士使用人工神經(jīng)網(wǎng)絡(luò)令金屬切削機(jī)在金屬切削的過程中智能化。李旭東利用BP網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性，實(shí)現(xiàn)了金屬切削加工的智能化選擇。實(shí)際上，國內(nèi)有許許多多的人用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊(duì)伍中來。

并且隨著我國技術(shù)的逐漸加強(qiáng)，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的逐漸完善，金屬切削智能化的程度只會越來越強(qiáng)。

2.3人工神經(jīng)網(wǎng)絡(luò)對于刀具磨損的檢測

人工神經(jīng)系統(tǒng)被運(yùn)用于金屬切削領(lǐng)域的初衷，就是希望借助它的智能化與信息處理的優(yōu)越性，代替人工來檢驗(yàn)刀具的磨損程度。

通過人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性，可以輕易在網(wǎng)絡(luò)中建模，使人工神經(jīng)網(wǎng)絡(luò)可以輕易地檢測出刀具的正常狀態(tài)與非正常狀態(tài)――即刀具是否磨損。當(dāng)?shù)毒咛幱谀p狀態(tài)時(shí)，人工神經(jīng)網(wǎng)絡(luò)可以發(fā)出警告。實(shí)際上，在刀具磨損狀態(tài)下發(fā)出警報(bào)已經(jīng)不再是現(xiàn)在的研究重點(diǎn)了，在無人參與定情況下，對整個(gè)金屬切削過程進(jìn)行識別，當(dāng)?shù)毒甙l(fā)生磨損，人工神經(jīng)網(wǎng)絡(luò)可以進(jìn)行自主替換，這，才是理想中的智能刀具檢驗(yàn)系統(tǒng)，同時(shí)也是研究熱點(diǎn)。如果要實(shí)現(xiàn)上述內(nèi)容，應(yīng)該具備這些特點(diǎn)：對于來自多個(gè)傳感器的信息可以快速處理；在擁有樣本數(shù)據(jù)的情況下可以快速學(xué)習(xí)；可以根據(jù)外界數(shù)據(jù)的變化，快速調(diào)整自身，以適應(yīng)周遭環(huán)境。

2.4通過人工神經(jīng)網(wǎng)絡(luò)的計(jì)算，預(yù)測金屬切削加工中的狀態(tài).

在人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于金屬切削中的一個(gè)重要研究，便是通過人工神經(jīng)網(wǎng)絡(luò)的計(jì)算來預(yù)測金屬切削加工中的狀態(tài)?？上н@項(xiàng)技術(shù)現(xiàn)在還只是處于理論研究與建模模擬的狀態(tài)下，跟可以正式使用還有一定的距離。如果這項(xiàng)技術(shù)可以得到突破，那么，毋庸置疑得，不止在金屬切削領(lǐng)域是一大進(jìn)步，更加可以推動(dòng)工廠全智能化、C械化，這無疑是一場重工業(yè)的一場大地震與大革命。

人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文第2篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；自動(dòng)化；采煤技術(shù)；綜放工作面

隨著我國國民經(jīng)濟(jì)總量的增大，煤炭能源的消耗也是越來與而大，同時(shí)也對煤礦的開采提出了更高的要求。近年來，國家對煤礦安全越來越重視，管理也更加嚴(yán)格，很多不合安全規(guī)范的小型煤礦被關(guān)停。想在現(xiàn)有環(huán)境下提高采煤量，就必須加大科技方面的投入，采用最先進(jìn)的自動(dòng)化設(shè)備技術(shù)，宗放自動(dòng)化采煤是當(dāng)前世界上最為先進(jìn)的采煤技術(shù)，是提高采煤生產(chǎn)效率的關(guān)鍵技術(shù)之一。人工神經(jīng)系統(tǒng)可以較好的輔助綜放工作面的工作，可對綜放工作面進(jìn)行控制生產(chǎn)，對提高采煤效率有著極為重要的意義。

一、人工神經(jīng)網(wǎng)絡(luò)的簡單介紹

人工神經(jīng)網(wǎng)絡(luò)是一種非線性、交叉的科學(xué)，它通過計(jì)算機(jī)系統(tǒng)對生物神經(jīng)信息進(jìn)行模擬來解決實(shí)際工作中的問題，屬于非線性、交叉的科學(xué)。經(jīng)過近些年的發(fā)展，人工神經(jīng)網(wǎng)落技術(shù)在自然科學(xué)、社會科學(xué)等各個(gè)領(lǐng)域的應(yīng)用已經(jīng)得到廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用自然也推動(dòng)了人工神經(jīng)網(wǎng)路的研究，現(xiàn)在出現(xiàn)的具有不同功能作用的網(wǎng)絡(luò)結(jié)構(gòu)和算法系統(tǒng)，就是近年來研究的成果，人工神經(jīng)網(wǎng)絡(luò)的理論系統(tǒng)也日趨成熟，適用范圍也越來越廣。

通過模擬人體神經(jīng)系統(tǒng)信號傳輸原理，人工神經(jīng)網(wǎng)絡(luò)的各個(gè)節(jié)點(diǎn)也與人體內(nèi)的神經(jīng)元相似，能夠通過連接權(quán)值進(jìn)行非常緊密的聯(lián)系。在實(shí)際應(yīng)用中，如果神經(jīng)元的輸出大大超過了網(wǎng)絡(luò)內(nèi)部神經(jīng)元閥值的時(shí)候，這個(gè)人工神經(jīng)網(wǎng)絡(luò)就會輸出信號，這個(gè)信號也就是成為了下個(gè)神經(jīng)元輸入的信號。人工神經(jīng)網(wǎng)絡(luò)是模擬人的神經(jīng)系統(tǒng)創(chuàng)建的，自然與人的神經(jīng)系統(tǒng)很相似，要通過不斷的應(yīng)用、訓(xùn)練才可以保持較為良好的狀態(tài)，在實(shí)際操作中，人工神經(jīng)網(wǎng)絡(luò)的性能是由各個(gè)節(jié)點(diǎn)的激活函數(shù)、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)以及網(wǎng)絡(luò)的訓(xùn)練方法決定的。較為常用的BP算法就是通過對網(wǎng)絡(luò)連接權(quán)值的不斷調(diào)整來達(dá)到訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的目的。

二、人工神經(jīng)網(wǎng)絡(luò)的相關(guān)建模方法

就現(xiàn)有研究來看，人工神經(jīng)網(wǎng)絡(luò)的建模方法主要包括模糊建模和混合建模，這些具體而有效的建模方法給采煤綜放工作面生產(chǎn)過程自動(dòng)化提供了較為科學(xué)的理論指導(dǎo)，是提高采煤效率和降低采煤工人勞動(dòng)強(qiáng)度的有效舉措之一，以下是對人工神經(jīng)網(wǎng)絡(luò)建模的具體介紹。

（一）人工神經(jīng)網(wǎng)絡(luò)的模糊建模方法

在煤礦的實(shí)際工作中，傳統(tǒng)的數(shù)學(xué)建模方法有其局限性，不能適應(yīng)較為復(fù)雜的問題，嚴(yán)重影響了煤礦的生產(chǎn)效率。模糊理論正是在這種大背景下出現(xiàn)的，它通過有效的實(shí)驗(yàn)方法，將實(shí)驗(yàn)數(shù)據(jù)總結(jié)匯總，將實(shí)驗(yàn)匯總的數(shù)據(jù)作為模糊規(guī)則，然后依據(jù)相關(guān)模糊理論進(jìn)行實(shí)際的人工神經(jīng)網(wǎng)絡(luò)建模。這種建模方法的優(yōu)勢是能夠較為快速的預(yù)測出新輸入數(shù)據(jù)接下來會輸出的結(jié)果。煤礦在應(yīng)用模糊建模方法后，對于生產(chǎn)過程的預(yù)算也就更為準(zhǔn)確，便于企業(yè)做出相關(guān)決策。整個(gè)模糊建模方法主要由三個(gè)部分組成，既模糊化、推理機(jī)制、解模糊，這是模糊建模的一個(gè)有機(jī)整體，是這種建模方式的核心價(jià)值所在。

（二）人工神經(jīng)網(wǎng)絡(luò)的混合建模方法

除了模糊建模方法之外，人工神經(jīng)網(wǎng)絡(luò)還有一種混合建模方法，這種建模方法是依托智能算法的進(jìn)步而出現(xiàn)的，現(xiàn)已廣泛應(yīng)用于煤礦生產(chǎn)。近年來，為了適應(yīng)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，包括粒子群算法和遺傳算法在內(nèi)的智能算法取得了較大的發(fā)展，這種建模方可以對實(shí)際工作中比較復(fù)雜的參數(shù)進(jìn)行優(yōu)化處理，進(jìn)而提高生產(chǎn)效率。

1.粒子群算法建模

粒子群建模簡單來說就是利用較為成熟的計(jì)算機(jī)語言的算法對相關(guān)生物的群體行為進(jìn)行模仿，然后進(jìn)行建模，在具體操作中，粒子群算法建模要避免碰撞而飛離最近的個(gè)體、飛向目標(biāo)、飛向群體中心，這也被稱為粒子群建模方法的三大原則。

2.遺傳算法

遺傳算法就是將計(jì)算機(jī)技術(shù)和進(jìn)化論聯(lián)合運(yùn)用于人工神經(jīng)網(wǎng)絡(luò)建模。在實(shí)際工作中，遺傳算法應(yīng)用了當(dāng)前最為先進(jìn)的編碼技術(shù)和遺傳操來做鋪墊。在Holland體系中，GA就是一種較為簡單的遺傳算法，各種不同形式的二進(jìn)制串就是其具體的操作對象。但在煤礦工作中，如果是要通過參數(shù)來進(jìn)行問題分析，遺傳算法的研究對象就可以是一個(gè)參數(shù)組，在這個(gè)參數(shù)組中，遺傳算法具體是通過這個(gè)參數(shù)組的適應(yīng)度來表現(xiàn)其好壞情況。通常情況下，遺傳算法在具體操作中就是通過對基礎(chǔ)的參數(shù)群進(jìn)行有效分析，其選擇個(gè)體是依據(jù)這個(gè)個(gè)體的適應(yīng)值比例，然后通過交叉和變異進(jìn)的方法誕生下一個(gè)組種群，這個(gè)過程可以持續(xù)下去，直到滿足生產(chǎn)需求的參數(shù)值出現(xiàn)為止。遺傳算法也是一種優(yōu)選的方法，它將遺傳算法的優(yōu)點(diǎn)和人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)進(jìn)行了有機(jī)結(jié)合，通過遺傳算法可以進(jìn)行前期模塊的優(yōu)選，建立一個(gè)合乎現(xiàn)實(shí)情況的非線性模型，然后進(jìn)行與模糊建模方法相類似的實(shí)驗(yàn)數(shù)據(jù)收集，分析最為有效的網(wǎng)絡(luò)結(jié)構(gòu)，在滿足預(yù)測的情況下實(shí)現(xiàn)了參數(shù)的優(yōu)選。

三、人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在采煤技術(shù)上效果

通過上文介紹，在采煤中利用人工神經(jīng)網(wǎng)絡(luò)是為綜放工作面生產(chǎn)過程實(shí)現(xiàn)自動(dòng)化提供相對應(yīng)的理論依據(jù)，減輕采煤的勞動(dòng)強(qiáng)度并提高采煤效率是其目的所在；人工神經(jīng)網(wǎng)落還能夠?qū)Σ擅汗ぷ髦械南嚓P(guān)生產(chǎn)設(shè)備的性能做有效的檢查，能夠在最快的時(shí)間內(nèi)發(fā)現(xiàn)機(jī)械故障，及時(shí)的排除機(jī)械故障，極大的降低了煤礦安全事故的發(fā)生率；人工神經(jīng)網(wǎng)絡(luò)還能夠?qū)⒉擅荷a(chǎn)設(shè)備工作面的具體信息，快速的反饋到地面，然后通過先進(jìn)的計(jì)算機(jī)技術(shù)對數(shù)據(jù)進(jìn)行相關(guān)處理，實(shí)現(xiàn)信息資源共享，采煤過程中對人工的依賴也會降低，為日后的無人操作打下了堅(jiān)實(shí)的基礎(chǔ)。

將現(xiàn)代化的人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于采煤，可以實(shí)現(xiàn)對綜放工作面自動(dòng)化的有效控制，它將整個(gè)采煤的綜放工作面看做是個(gè)有機(jī)的整體，在條件允許的情況下進(jìn)行仿真模擬，通常情況下都是應(yīng)用MATLAB軟件來及進(jìn)行仿真模擬，可以系統(tǒng)化的管理整個(gè)采煤過程，排除采煤過程中的相關(guān)機(jī)械故障，在提高采煤效率的同時(shí)實(shí)現(xiàn)了安全生產(chǎn)，人工神經(jīng)網(wǎng)絡(luò)值得在采煤技術(shù)中大力推廣、應(yīng)用。

四、結(jié)束語

可以將綜放工作面看做是整個(gè)采煤系統(tǒng)實(shí)現(xiàn)自動(dòng)化，這也是日后采煤自動(dòng)化發(fā)展的一個(gè)重要方向，這種思維模式有效避免了在沒有考慮綜放工作面控制功能而進(jìn)行自動(dòng)化的情況。多年的實(shí)踐表明，神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于煤礦開采中可以有效分析、診斷采煤工作中的一些問題，為日后采煤規(guī)劃提供了強(qiáng)而有力的依據(jù)，其在采煤領(lǐng)域的應(yīng)用空間還非常寬闊，值得進(jìn)一步研究、拓展。

參考文獻(xiàn)：

[1]鄭勝友.人工神經(jīng)網(wǎng)絡(luò)在采煤技術(shù)上的應(yīng)用[J].科技風(fēng)，2012（10）.

[2]董麗麗，喬育鋒，郭曉山.遺傳算法和人工神經(jīng)網(wǎng)絡(luò)在煤礦突水預(yù)測中的應(yīng)用研究[A]. 智能信息技術(shù)應(yīng)用學(xué)會.Proceedings of 2010 International Conference on Management Science and Engineering （MSE 2010） （Volume 3）[C].智能信息技術(shù)應(yīng)用學(xué)會：，2010（5）.

[3]彭學(xué)前.采煤機(jī)故障診斷與故障預(yù)測研究[D].南京理工大學(xué)，2013.

人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文第3篇

關(guān)鍵詞：無人機(jī) 神經(jīng)網(wǎng)絡(luò) 控制技術(shù)

中圖分類號:TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416(2012)07-0010-01

無人機(jī)的核心部分是飛行控制系統(tǒng)。無人機(jī)進(jìn)行自主飛行時(shí),控制系統(tǒng)需要有效地對姿態(tài)回路部分和水平位置、高度回路部分進(jìn)行重點(diǎn)控制，才能保持良好的自主飛行適應(yīng)性。研究表明，智能技術(shù)的發(fā)展水平在相當(dāng)大的程度上決定了自主控制技術(shù)的發(fā)展水平，人工智能系統(tǒng)若要提高對形勢的感應(yīng)能力和外部環(huán)境的理解能力，并作出準(zhǔn)確、快速反應(yīng)，需要以獲取信息的完整性和準(zhǔn)確性為前提支撐。

研究表明，現(xiàn)代絕大多數(shù)控制理論在飛行控制系統(tǒng)設(shè)計(jì)的應(yīng)用方面，均表現(xiàn)出一定的優(yōu)勢和劣勢。

反步控制的優(yōu)勢在于收斂性方面表現(xiàn)較好，可對具有不確定性的未知擾動(dòng)進(jìn)行有效處理，缺點(diǎn)是魯棒性表現(xiàn)較差。反饋線性化的優(yōu)勢在于設(shè)計(jì)靈活，缺點(diǎn)是對數(shù)學(xué)模型建立的精確性要求較高，且不能處理具有不確定性的未知擾動(dòng)。采用變結(jié)構(gòu)的滑?？刂萍夹g(shù)優(yōu)勢在于響應(yīng)快捷，且所建數(shù)學(xué)模型的精確性要求不高，對外部不確定性擾動(dòng)反應(yīng)不敏感，缺點(diǎn)是需要進(jìn)一步提高抖振現(xiàn)象的解決能力。在計(jì)算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展帶動(dòng)下，人工智能應(yīng)用于無人機(jī)控制系統(tǒng)已具備一定的技術(shù)基礎(chǔ)，特別是神經(jīng)網(wǎng)絡(luò)技術(shù)，因其具有良好的學(xué)習(xí)和推理能力，所以應(yīng)用最為廣泛。本文以無人機(jī)的飛行控制應(yīng)用為中心,重點(diǎn)分析了神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于智能控制的最新成果，為今后的深入研究提供一定的基礎(chǔ)支撐。

1、神經(jīng)網(wǎng)絡(luò)PID控制技術(shù)

PID控制器魯棒性表現(xiàn)較好，結(jié)構(gòu)相對簡單，廣泛應(yīng)用于典型無人機(jī)控制系統(tǒng)設(shè)計(jì)中。但是經(jīng)典PID對于具有非線性特性的多變量系統(tǒng)，其處理能力較差，不能有效提升系統(tǒng)的抗外擾能力，特別是系統(tǒng)參數(shù)變化攝動(dòng)時(shí)，其魯棒性表現(xiàn)較差，致使系統(tǒng)的飛行動(dòng)態(tài)控制能力較差。近年來，以神經(jīng)網(wǎng)絡(luò)智能控制技術(shù)的快速發(fā)展為支撐，神經(jīng)網(wǎng)絡(luò)智能控制技術(shù)開始和常規(guī)PID控制相融合，優(yōu)化形成了兩種類型的神經(jīng)網(wǎng)絡(luò)PID控制器。一種為神經(jīng)元網(wǎng)絡(luò)PID控制器，該控制器在傳統(tǒng)PID控制器的基礎(chǔ)上，融合加入了一個(gè)神經(jīng)元網(wǎng)絡(luò)控制器，對PID參數(shù)進(jìn)行優(yōu)化確定;另一種是單神經(jīng)元PID控制器，它用神經(jīng)元輸入權(quán)值跟PID參數(shù)進(jìn)行一一對應(yīng)，該輸入值為經(jīng)比例、積分、微分處理后的偏差值。

1.1 采用神經(jīng)元網(wǎng)絡(luò)確定PID控制器參數(shù)

神經(jīng)網(wǎng)絡(luò)控制器通過對被控對象建立反向模型，構(gòu)成前饋控制器。神經(jīng)網(wǎng)絡(luò)控制器首先學(xué)習(xí)PID控制器的輸出，而后在線進(jìn)行調(diào)整，盡量使反饋誤差趨零化，逐步提升自身在系統(tǒng)控制中的主導(dǎo)作用，最終替換反饋控制器的相應(yīng)作用，但PID反饋控制器繼續(xù)存在，沒有消失。當(dāng)系統(tǒng)受到外部干擾擾動(dòng)時(shí)，PID反饋控制器可繼續(xù)發(fā)揮作用。采用神經(jīng)元網(wǎng)絡(luò)確定PID控制器參數(shù)的技術(shù)實(shí)際上是一種前饋加反饋的特殊控制技術(shù)，該技術(shù)在提高了系統(tǒng)精度的情況下，同時(shí)提高了系統(tǒng)的自適應(yīng)能力，增強(qiáng)了系統(tǒng)的控制穩(wěn)定性，改善了控制系統(tǒng)的魯棒性能。其典型控制原理如圖1所示

1.2 單神經(jīng)元PID控制

該種類型的自適應(yīng)控制器依靠調(diào)整加權(quán)系數(shù)完成自適應(yīng)和自組織，采用有監(jiān)督Hebb學(xué)習(xí)規(guī)則對加權(quán)系數(shù)進(jìn)行調(diào)整。單神經(jīng)元PID控制器采用具有明確物理意義的算法組織學(xué)習(xí)，結(jié)構(gòu)也較簡單，在環(huán)境變化適應(yīng)性方面，呈現(xiàn)出較好的魯棒性。其劣勢在于由于該種類型控制器為單神經(jīng)元結(jié)構(gòu)，因此不具備任意函數(shù)逼近的能力。

2、自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制技術(shù)

針對任意一個(gè)非線性連續(xù)函數(shù)，人工神經(jīng)網(wǎng)絡(luò)因具有較強(qiáng)的自學(xué)習(xí)能力，所以能以任意精度要求逼近，且能夠完成并行處理，實(shí)現(xiàn)萬能函數(shù)逼近功能。與傳統(tǒng)查表法對比,人工神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算時(shí)間較短，且不需要大內(nèi)存容量，在對相鄰兩個(gè)訓(xùn)練點(diǎn)之間的點(diǎn)進(jìn)行插值計(jì)算時(shí)，不需要額外的計(jì)算消耗。相比典型的自適應(yīng)線性控制器，研究表明，人工神經(jīng)網(wǎng)絡(luò)能夠獲得較好的期望性能，表現(xiàn)出相對較高的自適應(yīng)非線性控制能力。人工神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對非線性對象的有效控制，對不確定對象的有效控制，且抗環(huán)境干擾能力較強(qiáng)，因此特別適合于實(shí)現(xiàn)自適應(yīng)自主飛行控制。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于自適應(yīng)飛行控制的基本原理為:對飛行器模型進(jìn)行近似線性化處理，爾后對該控制器添加人工神經(jīng)元網(wǎng)絡(luò),通過逆轉(zhuǎn)換完成非線性控制功能，對飛行中的動(dòng)態(tài)誤差，自適應(yīng)消除其影響，有效提升系統(tǒng)響應(yīng)。該種類型的神經(jīng)網(wǎng)絡(luò)控制器通過在線提升自適應(yīng)能力,在一定程度上改善了風(fēng)洞數(shù)據(jù)依賴度，對動(dòng)態(tài)先驗(yàn)知識的需求也進(jìn)一步降低,從而減少了飛行控制系統(tǒng)的研發(fā)費(fèi)用。

3、結(jié)語

研究表明，常規(guī)PID控制器雖然結(jié)構(gòu)較簡單，可靠性能表現(xiàn)較好，呈現(xiàn)出良好的魯棒性，但其缺少自學(xué)習(xí)、自組織、自適應(yīng)的能力，這些能力恰恰是神經(jīng)網(wǎng)絡(luò)控制器的智能優(yōu)勢。但神經(jīng)網(wǎng)絡(luò)也具有一定的缺點(diǎn)，表現(xiàn)為收斂速度較慢，個(gè)別情況下不能搜索到全局最優(yōu)解等。神經(jīng)網(wǎng)絡(luò)利用自身較強(qiáng)的并行處理能力和自然容錯(cuò)特性，對非線性飛行系統(tǒng)能夠進(jìn)行較好的智能處理，有效降低了逆誤差，可以精確獲取無人機(jī)控制模型，魯棒性表現(xiàn)優(yōu)異。

目前，已在無人機(jī)上進(jìn)行應(yīng)用的神經(jīng)網(wǎng)絡(luò)算法主要是與PID算相融合的智能算法。今后，將自適應(yīng)控制和神經(jīng)網(wǎng)絡(luò)智能控制相結(jié)合的控制算法將逐步進(jìn)入飛行控制實(shí)踐技術(shù)行列,從而大副提升無人機(jī)應(yīng)對不確定環(huán)境和復(fù)雜問題的能力,真正實(shí)現(xiàn)自主飛行。

參考文獻(xiàn)

人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文第4篇

關(guān)鍵詞：相似性；可塑性；阻變機(jī)理

DOI：10.16640/ki.37-1222/t.2016.03.102

0 引言

人工神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)。神經(jīng)元之間突觸的聯(lián)系強(qiáng)度是可變，這是學(xué)習(xí)和記憶的基礎(chǔ)。人工神經(jīng)網(wǎng)絡(luò)可以通過“訓(xùn)練”而具有自學(xué)習(xí)和自適應(yīng)的能力。神經(jīng)網(wǎng)絡(luò)技術(shù)的關(guān)鍵是權(quán)重設(shè)計(jì)，權(quán)重的硬件實(shí)現(xiàn)需要一個(gè)長期保持記憶且不耗能的納米級元件。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)技術(shù)都是在傳統(tǒng)計(jì)算機(jī)基礎(chǔ)上進(jìn)行的，其主要缺點(diǎn)是運(yùn)算量巨大且運(yùn)算不是并行處理。如果在硬件上實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的并行分布式處理、非線性處理，自我學(xué)習(xí)功能和自適應(yīng)性等功能，就能夠解決了人工神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)計(jì)算機(jī)上運(yùn)算量巨大的缺點(diǎn)。而單個(gè)憶阻器便可實(shí)現(xiàn)神經(jīng)突觸功能的模擬，而且憶阻器能夠很容易與納米交叉連接技術(shù)相結(jié)合，具有大規(guī)模并行處理、分布式信息存儲、巨大存儲量等優(yōu)勢。所以利用憶阻系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)神經(jīng)突觸功能的模擬的最好的方式之一，因而成為近年來研究的熱點(diǎn)。

1 憶阻與神經(jīng)突觸的相似性

神經(jīng)元是大腦處理信息的基本單元。人腦大約含有1011-1012個(gè)神經(jīng)元，神經(jīng)元互相連接成神經(jīng)網(wǎng)絡(luò)。突觸是神經(jīng)元間信息傳遞的關(guān)鍵部位，決定了前后神經(jīng)元之間的聯(lián)系強(qiáng)度。圖1.神經(jīng)突觸的結(jié)構(gòu)示意圖。神經(jīng)遞質(zhì)通過突觸前膜釋放到突觸間隙，作用于突觸后膜上的受體，使突觸后膜發(fā)生電位變化，使下一個(gè)神經(jīng)元產(chǎn)生興奮或抑制。生物系統(tǒng)記憶和學(xué)習(xí)功能是以精確控制通過神經(jīng)元及突觸的離子流為基礎(chǔ)建立的。突觸能夠隨外界的電位刺激變化，粒子流產(chǎn)生動(dòng)態(tài)連續(xù)的變化，聯(lián)系強(qiáng)度增強(qiáng)或者減弱，即突觸的可塑性。在憶阻器件出現(xiàn)之前，人工神經(jīng)網(wǎng)絡(luò)突觸的的硬件實(shí)現(xiàn)需要集成電路甚至超大規(guī)模的集成電路，而且人工神經(jīng)網(wǎng)絡(luò)的密度也很難達(dá)到生物神經(jīng)網(wǎng)絡(luò)的密度，因而電路復(fù)雜體積龐大，制約了人工神經(jīng)網(wǎng)絡(luò)對于復(fù)雜的人腦功能模擬的實(shí)現(xiàn)。憶阻器的出現(xiàn)解決了這個(gè)問題，世界各地多個(gè)研究小組已實(shí)現(xiàn)了具有不同憶阻模型和憶阻特性的憶阻器件。由于憶阻器的電阻可變和電阻記憶特性，與突觸的功能上有很強(qiáng)的相似性，因此憶阻在人工神經(jīng)網(wǎng)絡(luò)電路中可以模擬突觸在生物神經(jīng)網(wǎng)絡(luò)中的作用。

2 神經(jīng)突觸的可塑性特性

神經(jīng)突觸一個(gè)重要的特征是突觸的可塑性，電信號刺激能夠加強(qiáng)或者弱化突觸，突觸連接強(qiáng)度可連續(xù)調(diào)節(jié)。利用憶阻器模擬生物突觸最基本的依據(jù)是由于它具有電阻緩變的特性，當(dāng)施加電壓下器件的阻值可實(shí)現(xiàn)從高（低）阻值到低（高）阻值的緩變過程，器件的導(dǎo)電性（或阻值）相當(dāng)于突觸權(quán)重，導(dǎo)電性增大和減小的過程分別對應(yīng)突觸的增強(qiáng)和抑制過程。記憶是通過大腦中大量突觸之間的相互連接所表現(xiàn)出來，因此，突觸可塑性被認(rèn)為是學(xué)習(xí)和記憶重要的神經(jīng)化學(xué)基礎(chǔ)。實(shí)現(xiàn)突觸學(xué)習(xí)功能時(shí)，一個(gè)典型特性是電脈沖時(shí)間依賴可塑性（STDP）。人類大腦中記憶或者突觸可塑性按保留時(shí)間可以分為短程記憶和長程記憶。短時(shí)程可塑性與神經(jīng)元的信息傳遞和處理有著密切的關(guān)系。神經(jīng)系統(tǒng)每時(shí)每刻都接受數(shù)以千計(jì)來自外界的刺激，短時(shí)可塑性對如何在大量的輸入信息中提取有用信息扮演重要角色。長時(shí)程可塑性促使突觸在數(shù)小時(shí)到數(shù)天之內(nèi)發(fā)生持續(xù)性的變化，人們認(rèn)為其在學(xué)習(xí)和記憶存儲的突觸機(jī)制中發(fā)揮重要作用。

3 憶阻器件的阻變機(jī)理

早在1971年，美國校華裔科學(xué)家蔡少棠就通過理論計(jì)算預(yù)言，在電阻、電容和電感之外必定存還在第四種無源電子元件，即憶阻器。如圖3所示，電路的3個(gè)基本元件電阻、電感和電容，可以分別有由4個(gè)電路變量變量電壓（v）、電流 （i）、電荷量（q）和磁通量（φ）中的兩個(gè)來定義，分別為：由電壓和電流定義的電阻R、由電荷和電壓定義的電容 C 以及由磁通量和電流定義的電感L。出于邏輯完備性，蔡紹棠認(rèn)為應(yīng)該還存在由電荷量和磁通量定義的第4類基本電路元器件即憶阻器。然而學(xué)界卻一直沒有找到這個(gè)在理論上成立的無源元器件，直到37年后（2008年），美國惠普公司宣布在Pt/TiO2Cx/Pt兩端器件實(shí)現(xiàn)了具有憶阻功能的器件結(jié)構(gòu)（圖4），從而找到這個(gè)一直缺失的電路元件，至此憶阻器開始引起更多學(xué)者的研究興趣，并迅速成為電路、材料、生物等領(lǐng)域的研究熱點(diǎn)。

隨著人們對憶阻器研究的深入，多種憶阻器件和模型在各研究領(lǐng)域相繼提出和實(shí)現(xiàn)。目前，阻變機(jī)理主要有邊界遷移模型、絲電導(dǎo)模型、電子自旋阻塞效應(yīng)、氧化還原反應(yīng)等。中科院諸葛飛課題組在錐形納米孔洞結(jié)構(gòu)的非晶碳薄膜材料中，實(shí)現(xiàn)了納米導(dǎo)電絲機(jī)制的憶阻器件。非晶碳膜阻變器件的電致電阻效應(yīng)決定于通孔中的納米導(dǎo)電細(xì)絲的通斷（如圖4）。

4 結(jié)論與展望

本文對神經(jīng)網(wǎng)絡(luò)的概念、憶阻器與神經(jīng)突觸的相似性、神經(jīng)突觸的可塑性、憶阻器的阻變機(jī)理進(jìn)行了綜述，指出了目前很多憶阻器是利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人工智能及超級計(jì)算機(jī)的硬件基礎(chǔ)。目前憶阻器材料研究存在的兩個(gè)主要問題是阻 變機(jī)理不夠清楚和阻變性能不夠穩(wěn)定。憶阻器材料非常之多，甚至把任意絕緣材料做到納米級，就很有可能具有阻變特性。找出隱藏在眾多阻變現(xiàn)象之后的機(jī)理有無共同的規(guī)律，研究阻變特性是由材的化學(xué)成分決定還是由材料的微 觀結(jié)構(gòu)決定，這將是以后研究中需要回答的問題。

人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文第5篇

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò);教育資源;管理系統(tǒng)

【中圖分類號】G40-057 【文獻(xiàn)標(biāo)識碼】A 【論文編號】1009―8097(2009)07―0120―04

教育資源是信息化教學(xué)的基礎(chǔ)。隨著教育信息化的深層次推進(jìn),互聯(lián)網(wǎng)中的信息資源以指數(shù)方式增長,這些資源不僅在內(nèi)容上多種多樣,在表現(xiàn)形式上更是豐富多彩。它對教育領(lǐng)域的沖擊與滲透使得網(wǎng)絡(luò)教育資源的利用受到重視,并隨之出現(xiàn)了新型教學(xué)模式,如:基于資源的自主探索式學(xué)習(xí)和協(xié)作學(xué)習(xí)等。然而海量的網(wǎng)絡(luò)教育資源既為教育帶來了強(qiáng)大的服務(wù)功能,也為資源的建設(shè)與管理帶來了新的挑戰(zhàn)。教育資源具有數(shù)據(jù)量大、形式多樣、針對性強(qiáng)、教育性強(qiáng)等諸多特點(diǎn),如何將分散、無序的資源整合起來,使“用戶能方便、高效地將其利用于自己的學(xué)習(xí)和工作之中,并在大范圍內(nèi)實(shí)現(xiàn)共享是網(wǎng)絡(luò)教育資源建設(shè)者必須慎重面對的問題?！盵1]

一 教育資源管理面臨的問題

隨著信息資源飛速增長,對教育資源管理的要求也更加苛刻。而網(wǎng)絡(luò)環(huán)境的復(fù)雜給教育資源的管理帶來許多不確定性。

1 教育資源管理系統(tǒng)在網(wǎng)絡(luò)過載,受到攻擊的情況下很容易崩潰。系統(tǒng)一旦崩潰,所有辛辛苦苦積累起來的資料化為烏有,資源的開發(fā)利用和共享無從談起。目前“教育資源管理系統(tǒng)在輸入錯(cuò)誤、磁盤故障、網(wǎng)絡(luò)過載或有意攻擊情況下,很容易死機(jī)和崩潰。”[2]而魯棒性(robustness)的大小是在異常和危險(xiǎn)情況下系統(tǒng)生存的關(guān)鍵,代表了系統(tǒng)健壯與否。簡而言之,系統(tǒng)的魯棒性有待加強(qiáng)。

2 教育資源管理系統(tǒng)需要連續(xù)不斷地吸收新的教育資源。向用戶提供可靠的信息輸出。但是在發(fā)生故障時(shí),教育資源管理系統(tǒng)容易停止工作,給用戶帶來較大的損失。而容錯(cuò)性(Fault Tolerance)是指在故障存在的情況下管理系統(tǒng)不失效,仍然能夠正常工作的特性。很明顯,管理系統(tǒng)的容錯(cuò)性較差,猶如一個(gè)經(jīng)常斷電的供電站,給廣大用戶帶來不必要的煩惱與損失。

3 教育資源的擴(kuò)張速度極快,對海量教育資源的分類顯得越來越困難。原先的人為分類跟不上信息傳遞的頻率,導(dǎo)致很難在較短的時(shí)間內(nèi)找到用戶迫切需要的資料,浪費(fèi)用戶的時(shí)間,也給教育資源的進(jìn)一步推廣使用帶來障礙。

二 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

人工智能(Artificial Intelligence)是探討人類智能的基本機(jī)理,研究如何利用各種自動(dòng)機(jī)來模擬人的某些思維過程和智能行為,從而構(gòu)造智能人工制品的科學(xué)。

人類對人工智能的研究可以分成兩種方式,對應(yīng)著兩種不同的技術(shù):基于心理角度模擬的傳統(tǒng)人工智能技術(shù)和基于生理角度模擬的人工神經(jīng)網(wǎng)絡(luò)技術(shù)。從人腦的生理結(jié)構(gòu)來觀察,人腦的每個(gè)神經(jīng)元大約有103~4個(gè)樹突及相應(yīng)的突觸,一個(gè)人的大腦總計(jì)約形成1014~15個(gè)突觸。用神經(jīng)網(wǎng)絡(luò)的術(shù)語來說,即是人腦具有1014~15個(gè)互相連接的存儲潛力。雖然每個(gè)神經(jīng)元的運(yùn)算功能十分簡單,且信號傳輸速率也較低(大約100次/秒),但由于各神經(jīng)元之間的極度并行互連功能,最終使得一個(gè)普通人的大腦在約1秒內(nèi)就能完成現(xiàn)行計(jì)算機(jī)至少需要數(shù)10億次處理步驟才能完成的任務(wù)。根據(jù)人腦的生理特點(diǎn),人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)是由大量并行分布的單元廣泛互連而成,通過各組成部分非同步化的變換,實(shí)現(xiàn)信息的整體處理任務(wù),它的這一結(jié)構(gòu)特點(diǎn)決定著人工神經(jīng)網(wǎng)絡(luò)具有高速信息處理的能力。它實(shí)質(zhì)上是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征,進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。其“工作原理是通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系,從而達(dá)到處理信息的目的?！?[3]所以它具有自學(xué)習(xí)和自適應(yīng)的能力,可以通過預(yù)先提供的一批相互對應(yīng)的輸入――輸出數(shù)據(jù),分析掌握兩者之間潛在的規(guī)律,最終根據(jù)這些規(guī)律,用新的輸入數(shù)據(jù)來推算輸出結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元處理單元可表示不同的對象,例如特征、字母、概念,或者一些有意義的抽象模式。網(wǎng)絡(luò)中處理單元的類型分為三類:輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數(shù)據(jù);輸出單元實(shí)現(xiàn)系統(tǒng)處理結(jié)果的輸出;隱單元是處在輸入和輸出單元之間,不能由系統(tǒng)外部觀察的單元。神經(jīng)元間的連接權(quán)值反映了單元間的連接強(qiáng)度,“信息的表示和處理體現(xiàn)在網(wǎng)絡(luò)處理單元的連接關(guān)系中?！盵4]人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)是通過網(wǎng)絡(luò)的變換和動(dòng)力學(xué)行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。正因?yàn)檫@個(gè)重要特征,“人工神經(jīng)網(wǎng)絡(luò)采用了與傳統(tǒng)人工智能技術(shù)完全不同的機(jī)理,克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷,具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)?！盵5]它與專家系統(tǒng)的最大區(qū)別是,專家系統(tǒng)屬于人類智能的功能模擬,而人工神經(jīng)網(wǎng)絡(luò)則偏重走結(jié)構(gòu)模擬的路子。與其它智能系統(tǒng)相比,人工神經(jīng)網(wǎng)絡(luò)具有以下特點(diǎn):

1 學(xué)習(xí)能力:學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)具有智能的重要表現(xiàn),即通過訓(xùn)練可抽象出訓(xùn)練樣本的主要特征,表現(xiàn)出強(qiáng)大的自適應(yīng)能力。例如實(shí)現(xiàn)圖像識別時(shí),只有先把許多不同的圖像樣板和對應(yīng)的應(yīng)識別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)就會通過自學(xué)習(xí)功能,慢慢學(xué)會識別類似的圖像。

2 分布式結(jié)構(gòu):人工神經(jīng)網(wǎng)絡(luò)力圖“體現(xiàn)大腦的分布式并行計(jì)算和非線性等特征,依此而建構(gòu)的網(wǎng)絡(luò)是一種具有大量連接的并行分布式處理器?！盵6]具有通過學(xué)習(xí)獲取知識并解決問題的能力,且知識是分布存儲在與大腦神經(jīng)元突觸相類似的連接的權(quán)重中。在傳統(tǒng)的串行體系計(jì)算機(jī)中信息分布在獨(dú)立的存儲單元中,而在神經(jīng)網(wǎng)絡(luò)中,信息則分散在神經(jīng)元的連接上。神經(jīng)網(wǎng)絡(luò)的信息分布特性,使之具有強(qiáng)大的容錯(cuò)能力和記憶聯(lián)想能力。信息的分布存儲提供容錯(cuò)功能。由于信息被分布存放在幾乎整個(gè)網(wǎng)絡(luò)中,所以,“當(dāng)其中的某一個(gè)點(diǎn)或者某幾個(gè)點(diǎn)被破壞時(shí),信息仍然可以被存取。系統(tǒng)在受到局部損傷時(shí)還可以正常工作。”[5]

3 并行處理:神經(jīng)網(wǎng)絡(luò)主要是對人腦的結(jié)構(gòu)模擬。各種神經(jīng)元在處理信息時(shí)是獨(dú)立完成的,不同神經(jīng)元之間具有并行性,這種并行處理使得信息處理速度大大加快。信息處理方式由原來馮•諾依曼設(shè)計(jì)的串行處理變?yōu)閷π畔⒉⑿刑幚怼?/p>

三 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于教育技術(shù)資源的管理之中

將網(wǎng)絡(luò)布線由原來的星型布線轉(zhuǎn)向神經(jīng)網(wǎng)絡(luò)布線方式。應(yīng)用神經(jīng)網(wǎng)絡(luò)軟件,網(wǎng)絡(luò)采用分布式結(jié)構(gòu),信息采用統(tǒng)一并行處理的方式處理,從而加強(qiáng)了網(wǎng)絡(luò)的魯棒性、容錯(cuò)性。同時(shí)發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力,對待不同的信息資源進(jìn)行模式分類。神經(jīng)網(wǎng)絡(luò)模型考慮采用目前比較成熟的誤差反向傳播網(wǎng)(BP神經(jīng)網(wǎng)絡(luò))。教育資源分類考慮設(shè)計(jì)關(guān)鍵詞進(jìn)行訓(xùn)練,同時(shí)設(shè)立樣本訓(xùn)練方法,用BP算法對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練結(jié)束之后,神經(jīng)網(wǎng)絡(luò)就可以作為教育資源分類器來進(jìn)行使用。

BP(Back propagation反向傳播)網(wǎng)絡(luò)又稱誤差信號反饋網(wǎng)絡(luò),是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一類。它是一種有教師的學(xué)習(xí)網(wǎng)絡(luò),能夠?qū)崿F(xiàn)從N維到M維的非線性映射,采用梯度下降法實(shí)現(xiàn)快速收斂。BP神經(jīng)網(wǎng)絡(luò)采用的是并行網(wǎng)格結(jié)構(gòu),包括輸入層、隱含層和輸出層,經(jīng)作用函數(shù)后,再把隱節(jié)點(diǎn)的輸出信號傳遞到輸出節(jié)點(diǎn),最后給出輸出結(jié)果。由圖1可見各層次的神經(jīng)元之間形成全互連連接,各層次內(nèi)的神經(jīng)元之間沒有連接。

該算法的學(xué)習(xí)過程由信息的前向傳播和誤差的反向傳播組成。在前向傳播的過程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層。第一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出結(jié)果,則轉(zhuǎn)入反向傳播,將誤差信號(目標(biāo)值與網(wǎng)絡(luò)輸出之差)沿原來的連接通道返回,通過修改各層神經(jīng)元權(quán)值,使得誤差均方最小。神經(jīng)網(wǎng)絡(luò)理論已經(jīng)證明“BP網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和泛化功能,任一連續(xù)函數(shù)或映射均可采用三層網(wǎng)絡(luò)加以實(shí)現(xiàn)?！盵3]

其BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)方案如下:輸入層、隱含層、輸出層。輸入層與外界的信息來源渠道緊密相連,稱之為接受信息的服務(wù)器。隱含層包含若干個(gè)存儲器,代表若干個(gè)知識單元。存儲器需要具備輸入輸出渠道,具備自學(xué)習(xí)能力,可以接受外界信息,也可以傳送信息。輸出層由傳送信息的服務(wù)器組成。輸出層接受到隱含層傳來的信息之后,根據(jù)用戶要求傳送相關(guān)信息。層間聯(lián)接根據(jù)模型設(shè)計(jì)方案來鋪設(shè)。神經(jīng)網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn),無論其在輸入層、隱含層、輸出層上,每臺計(jì)算機(jī)上必須有相應(yīng)的神經(jīng)元器件,以便網(wǎng)絡(luò)進(jìn)行自學(xué)與聯(lián)想記憶。BP神經(jīng)網(wǎng)絡(luò)管理系統(tǒng)的硬件實(shí)現(xiàn)。是將協(xié)處理器插入標(biāo)準(zhǔn)計(jì)算機(jī)中,通過運(yùn)行神經(jīng)網(wǎng)絡(luò)軟件包,以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的硬件功能,可以使神經(jīng)網(wǎng)絡(luò)在任何計(jì)算機(jī)硬件和軟件環(huán)境中得到所需要的教育資源處理能力。其設(shè)計(jì)的模型具有如下特點(diǎn):

1 教育資源并行分布方式處理:在神經(jīng)網(wǎng)絡(luò)中教育資源是分布儲存和并行處理的,即神經(jīng)網(wǎng)絡(luò)把教育資源分布地存儲在神經(jīng)元之間的連接強(qiáng)度上,而且對教育資源的處理是由網(wǎng)絡(luò)中神經(jīng)元集體完成的。在BP神經(jīng)網(wǎng)絡(luò)中,教育資源的存儲表現(xiàn)為神經(jīng)元之間分布式的物理聯(lián)系,它分散地表示和存儲于整個(gè)網(wǎng)絡(luò)內(nèi)的各神經(jīng)元及其連線上。每個(gè)神經(jīng)元及其連線只表示一部分教育資源,而不是一個(gè)完整具體概念。只有通過各神經(jīng)元的分布式綜合效果才能表達(dá)出特定的概念和知識。由于人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元個(gè)數(shù)眾多以及整個(gè)網(wǎng)絡(luò)存儲容量的巨大,使得它具有很強(qiáng)的不確定性處理能力。即使輸入教育資源不完全、不準(zhǔn)確或模糊不清,神經(jīng)網(wǎng)絡(luò)仍然能夠聯(lián)想思維持在于記憶中事物的完整圖像。只要輸入的模式接近于訓(xùn)練樣本,系統(tǒng)就能給出正確的推理結(jié)論。

2 魯棒性與容錯(cuò)性比較強(qiáng):人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)和其信息存儲的分布式特點(diǎn),使得它相對于其它的判斷識別系統(tǒng)如專家系統(tǒng)等,具有另一個(gè)顯著的優(yōu)點(diǎn)健壯性。當(dāng)一個(gè)人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經(jīng)網(wǎng)絡(luò)不會因?yàn)閭€(gè)別神經(jīng)元的損失(網(wǎng)絡(luò)過載、停電、突發(fā)故障)而失去對原有模式的記憶(管理功能)。另外“即使是突發(fā)事件,暫時(shí)使網(wǎng)絡(luò)的硬件實(shí)現(xiàn)還是軟件實(shí)現(xiàn)中的某個(gè)或某些神經(jīng)元失效,整個(gè)網(wǎng)絡(luò)仍然能繼續(xù)工作?！盵7]BP神經(jīng)網(wǎng)絡(luò)是一種非線性的處理系統(tǒng)。只有當(dāng)神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一閾值后才輸出一個(gè)信號。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力學(xué)系統(tǒng),可以實(shí)現(xiàn)對教育資源不間斷、長時(shí)間的持續(xù)管理。它突破了傳統(tǒng)管理系統(tǒng)的局限,標(biāo)志著教育資源管理能力的較大提升。因而神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的魯棒性與容錯(cuò)性,有聯(lián)想記憶抽象概括和自適應(yīng)能力。

3 具有自學(xué)習(xí)和自適應(yīng)能力:神經(jīng)網(wǎng)絡(luò)抽象概括和自適應(yīng)能力稱之為自學(xué)習(xí)能力,自學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)中最重要的特征。通過學(xué)習(xí),網(wǎng)絡(luò)能夠獲得教育資源的分類知識,適應(yīng)環(huán)境。在訓(xùn)練時(shí),能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的分類知識,記憶于網(wǎng)絡(luò)的權(quán)值中。并具有泛化能力,即將這組權(quán)值應(yīng)用于一般教育資源分類的能力。另外,BP神經(jīng)網(wǎng)絡(luò)的分類能力學(xué)習(xí)也可以在線進(jìn)行。

以教育學(xué)院教育技術(shù)學(xué)資源管理為例,輸入層由兩臺高性能的服務(wù)器組成,中間設(shè)七個(gè)知識單元,輸出由兩臺輸出服務(wù)器組成。隱層的七個(gè)神經(jīng)元分別為計(jì)算機(jī)軟件資源室、課堂教學(xué)資源室、“影視創(chuàng)作資源室、計(jì)算機(jī)教育應(yīng)用資源室、網(wǎng)絡(luò)技術(shù)資源室、傳統(tǒng)教學(xué)資源室、傳統(tǒng)媒體使用資源室。”[8]模型圖如圖2所示:

教育技術(shù)學(xué)資源管理系統(tǒng)一種可編程的動(dòng)力系統(tǒng),其存貯、加工和提取教育資源均是可編程的。輸入層負(fù)責(zé)對教育技術(shù)學(xué)的相關(guān)教育資源進(jìn)行篩選比較,然后根據(jù)學(xué)習(xí)后的分類能力對資源予以分類,將所有的教育技術(shù)資源分布式存儲在隱層的各神經(jīng)元中,需要處理時(shí)根據(jù)用戶需要,從各個(gè)神經(jīng)元中取出信息并行處理,輸出到輸出服務(wù)器中,提供給用戶。用戶可以將用戶要求直接給輸出處理平臺,傳遞給輸出層后,由輸出層將用戶要求反饋給中間隱層。也可以將要求送給輸入處理平臺,傳遞給輸入層,進(jìn)行篩選之后將信息傳送給中間隱層。即使系統(tǒng)突然面臨網(wǎng)絡(luò)過載問題,由于存儲是分布式的,可以很容易地將信息資源分配下去。即使突然停電,由于相關(guān)資源已經(jīng)存儲完畢,損失微乎其微。系統(tǒng)的魯棒性大大加強(qiáng)。同時(shí)如果系統(tǒng)發(fā)生突然故障,由于輸入渠道有兩條,所以可以很輕松地用另一個(gè)服務(wù)器處理。輸出處理時(shí)也是如此。因此系統(tǒng)的容錯(cuò)性也得到提高。至于模式分類,則需要較長時(shí)間的訓(xùn)練和大量的樣本。一旦BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完畢,日后教育技術(shù)學(xué)資源分類就顯得十分輕松。只需將關(guān)鍵詞輸入準(zhǔn)確,便可以進(jìn)入相應(yīng)的知識單元存儲起來。處理信息時(shí),根據(jù)用戶需要,有不少不同類別的資源需要統(tǒng)籌規(guī)劃、聯(lián)合利用,才能得到用戶需要的結(jié)果。這兒就可以充分發(fā)揮神經(jīng)網(wǎng)絡(luò)并行處理的特點(diǎn),有條不紊地對信息加以處理。其總體示意圖如圖3所示:

四 結(jié)語

教育信息化的核心問題是教育資源的應(yīng)用和管理。神經(jīng)網(wǎng)絡(luò)式的教育資源管理系統(tǒng)把教育資源存儲、教育資源管理、教育資源分類、教育資源動(dòng)態(tài)升級四大特色功能進(jìn)行整合,全面突破了“當(dāng)前基礎(chǔ)教育信息化過程中的應(yīng)用‘瓶頸’?！?[9]其最大的特點(diǎn)就是突出了教育資源的管理功能,通過以一個(gè)統(tǒng)一管理平臺為核心的方式,對各類教育資源進(jìn)行優(yōu)化、整合,改善了以往教育資源管理從單一功能角度進(jìn)行設(shè)計(jì),各功能之間不能相互結(jié)合,造成資源管理困難和資源互不兼容的問題,實(shí)現(xiàn)了教育資源的價(jià)值最大化。值得注意的是,由于管理系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)進(jìn)行設(shè)計(jì),其魯棒性、容錯(cuò)性和模式分類能力較強(qiáng),較之傳統(tǒng)教育資源管理方式比較起來,不僅提取和輸入變得十分簡單,而且對大量資源的分類式識別也大大加快,提高了管理效率。分布式存儲提高了教育資源的存儲容量,而“并行式處理又加大了教育資源的處理速度,同時(shí)系統(tǒng)在應(yīng)付突發(fā)事件和網(wǎng)絡(luò)攻擊方面,應(yīng)變能力大大增強(qiáng),”[10]其可靠性與可用性也有突破性的提高。同時(shí),在教育資源管理過程中,系統(tǒng)能抓住教育資源應(yīng)用與管理過程中的關(guān)鍵問題,關(guān)注用戶的反饋,即時(shí)更新教育資源,加強(qiáng)了教育資源的建設(shè),為教育信息化的持續(xù)發(fā)展提供了有力的保障。

參考文獻(xiàn)

[1] 余勝泉,朱凌云.教育資源建設(shè)技術(shù)規(guī)范體系結(jié)構(gòu)與應(yīng)用模式[J].中國電化教育,2006,(3):58-59.

[2] 穆肅.校本學(xué)科教學(xué)資源庫的設(shè)計(jì)和實(shí)現(xiàn)[J].中國電化教育,2004,(1):56-61.

[3] 周志華著.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用(第1版)[M].北京:清華大學(xué)出版社,2004.

[4] 張廣瑩,徐麗娜,鄧正隆.“神經(jīng)網(wǎng)絡(luò)控制”CAI課件研制中的幾個(gè)問題[J].現(xiàn)代教育技術(shù),1997,(2):32-33.

[5] 韓立群著.人工神經(jīng)網(wǎng)絡(luò)理論設(shè)計(jì)及應(yīng)用(第1版)[M].北京:化學(xué)工業(yè)出版社,2002.

[6] 陶劍文.一種分布式智能推薦系統(tǒng)的設(shè)計(jì)[J].計(jì)算機(jī)工程,2007,(15):207-208.

[7] 王國旗,張辛亥,肖.采用前向多層神經(jīng)網(wǎng)絡(luò)預(yù)測煤的自然發(fā)火期[J].湖南科技大學(xué)學(xué)報(bào)(自科版),2008,(2):20-22.

[8] 茹洪麗.教育技術(shù)學(xué)課程設(shè)置問題探略[J].電化教育研究,2005,(12):38-41.