導語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞性能對比感知器BP網(wǎng)絡(luò)霍普菲爾德網(wǎng)絡(luò)字符識別

1引言

人工神經(jīng)網(wǎng)絡(luò)是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。 它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。因其自組織、自學習能力以及具有信息的分布式存儲和并行處理，信息存儲與處理的合一等特點得到了廣泛的關(guān)注，已經(jīng)發(fā)展了上百種人工神經(jīng)網(wǎng)絡(luò)。

一般來說，人工神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上可分為兩種:前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。典型的前向網(wǎng)絡(luò)有單層感知器、BP網(wǎng)絡(luò)等，反饋網(wǎng)絡(luò)有霍普菲爾德網(wǎng)絡(luò)等[1]。

人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于模式識別、信號處理、專家系統(tǒng)、優(yōu)化組合、智能控制等各個方面，其中采用人工神經(jīng)網(wǎng)絡(luò)進行模式識別具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點:良好的容錯能力[2j、分類能力、并行處理能力和自學習能力，并且其運行速度快，自適應(yīng)性能好，具有較高的分辨率。單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)均可以用于字符識別。

本文通過具體采用感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和霍普菲爾德反饋網(wǎng)絡(luò)對26個英文字母進行識別的應(yīng)用，通過實驗給出各自的識別出錯率，通過比較，可以看出這3種神經(jīng)網(wǎng)絡(luò)的識別能力以及各自的優(yōu)缺點。

2 字符識別問題描述與網(wǎng)絡(luò)識別前的預(yù)處理

字符識別在現(xiàn)代日常生活的應(yīng)用越來越廣泛，比如車輛牌照自動識別系統(tǒng)[3，4]，手寫識別系統(tǒng)[5]，辦公自動化等等[6]。畢業(yè)論文 本文采用單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)對26個英文字母進行識別。首先將待識別的26個字母中的每一個字母都通過長和寬分別為7×5的方格進行數(shù)字化處理，并用一個向量表示。其相應(yīng)有數(shù)據(jù)的位置置為1，其他位置置為O。圖1給出了字母A、B和C的數(shù)字化過程，其中最左邊的為字母A的數(shù)字化處理結(jié)果所得對應(yīng)的向量為:IetterA~「00100010100101010001111111000110001〕’，由此可得每個字母由35個元素組成一個向量。由26個標準字母組成的輸人向量被定義為一個輸人向量矩陣alphabet，即神經(jīng)網(wǎng)絡(luò)的樣本輸人為一個35×26的矩陣。其中alphabet=[letterA，letterB，lettere，……letterZj。網(wǎng)絡(luò)樣本輸出需要一個對26個輸人字母進行區(qū)分輸出向量，對于任意一個輸人字母，網(wǎng)絡(luò)輸出在字母對應(yīng)的順序位置上的值為1，其余為O，即網(wǎng)絡(luò)輸出矩陣為對角線上為1的26×26的單位陣，定義target=eye(26)。

本文共有兩類這樣的數(shù)據(jù)作為輸人:一類是理想的標準輸人信號;另一類是在標準輸人信號中加上用MATLAB工具箱里的噪聲信號，即randn函數(shù)。

3 識別字符的網(wǎng)絡(luò)設(shè)計及其實驗分析

3.1單層感知器的設(shè)計及其識別效果

選取網(wǎng)絡(luò)35個輸人節(jié)點和26個輸出節(jié)點，設(shè)置目標誤差為0.0001，最大訓練次數(shù)為40。設(shè)計出的網(wǎng)絡(luò)使輸出矢量在正確的位置上輸出為1，在其他位置上輸出為O。醫(yī)學論文 首先用理想輸人信號訓練網(wǎng)絡(luò)，得到無噪聲訓練結(jié)果，然后用兩組標準輸入矢量加上兩組帶有隨機噪聲的輸人矢量訓練網(wǎng)絡(luò)，這樣可以保證網(wǎng)絡(luò)同時具有對理想輸人和噪聲輸人分類的能力。網(wǎng)絡(luò)訓練完后，為保證網(wǎng)絡(luò)能準確無誤地識別出理想的字符，再用無噪聲的標準輸入訓練網(wǎng)絡(luò)，最終得到有能力識別帶有噪聲輸人的網(wǎng)絡(luò)。下一步是對所設(shè)計的網(wǎng)絡(luò)進行性能測試:給網(wǎng)絡(luò)輸人任意字母，并在其上加人具有平均值從。~0.2的噪聲，隨機產(chǎn)生100個輸人矢量，分別對上述兩種網(wǎng)絡(luò)的字母識別出錯率進行實驗，結(jié)果如圖2所示。其中縱坐標所表示的識別出錯率是將實際輸出減去期望輸出所得的輸出矩陣中所有元素的絕對值和的一半再除以26得到的;虛線代表用無噪聲的標準輸人信號訓練出網(wǎng)絡(luò)的出錯率，實線代表用有噪聲訓練出網(wǎng)絡(luò)的出錯率。從圖中可以看出，無噪聲訓練網(wǎng)絡(luò)對字符進行識別時，當字符一出現(xiàn)噪聲時，該網(wǎng)絡(luò)識別立刻出現(xiàn)錯誤;當噪聲均值超過0.02時，識別出錯率急劇上升，其最大出錯率達到21.5%。由此可見，無噪聲訓練網(wǎng)絡(luò)識別幾乎沒有抗干擾能力。而有噪聲訓練出的網(wǎng)絡(luò)具有一定的抗干擾能力，它在均值為。~0.06之間的噪聲環(huán)境下，能夠準確無誤地識別;其最大識別出錯率約為6.6%，遠遠小于無噪聲訓練出的網(wǎng)絡(luò)。

3.2BP網(wǎng)絡(luò)的設(shè)計及其識別效果

該網(wǎng)絡(luò)設(shè)計方法在文獻[lj中有詳細介紹。網(wǎng)絡(luò)具有35個輸人節(jié)點和26個輸出節(jié)點。目標誤差為0.0001，采用輸人在(0，l)范圍內(nèi)對數(shù)S型激活函數(shù)兩層109519/109519網(wǎng)絡(luò)，隱含層根據(jù)經(jīng)驗選取10個神經(jīng)元。和單層感知器一樣，分別用理想輸人信號和帶有隨機噪聲的輸人訓練網(wǎng)絡(luò)，得到有噪聲訓練網(wǎng)絡(luò)和無噪聲訓練網(wǎng)絡(luò)。由于噪聲輸人矢量可能會導致網(wǎng)絡(luò)的1或o輸出不正確，或出現(xiàn)其他值，所以為了使網(wǎng)絡(luò)具有抗干擾能力，在網(wǎng)絡(luò)訓練后，再將其輸出經(jīng)過一層競爭網(wǎng)絡(luò)的處理，使網(wǎng)絡(luò)的輸出只在本列中的最大值的位t為1，保證在其他位置輸出為O，其中網(wǎng)絡(luò)的訓練采用自適應(yīng)學習速率加附加動量法，在MATLAB工具箱中直接調(diào)用traingdx。在與單層感知器相同的測試條件下對網(wǎng)絡(luò)進行性能測試，結(jié)果如圖3所示。其中虛線代表用無噪聲訓練網(wǎng)絡(luò)的出錯率，實線代表用有噪聲訓練網(wǎng)絡(luò)的出錯率。從圖中可以看出，在均值為o一0.12之間的噪聲環(huán)境下，兩個網(wǎng)絡(luò)都能夠準確地進行識別。在0.12~0.15之間的噪聲環(huán)境下，由于噪聲幅度相對較小，待識別字符接近于理想字符，故無噪聲訓練網(wǎng)絡(luò)的出錯率較有噪聲訓練網(wǎng)絡(luò)略低。當所加的噪聲均值超過。.15時，待識別字符在噪聲作用下不再接近于理想字符，無噪聲訓練網(wǎng)絡(luò)的出錯率急劇上升，此時有噪聲訓練網(wǎng)絡(luò)的性能較優(yōu).

轉(zhuǎn)貼于 3.3離散型，霍普菲爾德網(wǎng)絡(luò)的設(shè)計及其識別效果

此時網(wǎng)絡(luò)輸人節(jié)點數(shù)目與輸出神經(jīng)元的數(shù)目是相等的，有r=s=35，采用正交化的權(quán)值設(shè)計方法。在MATLAB工具箱中可直接調(diào)用函數(shù)newh叩.m。要注意的是，由于調(diào)用函數(shù)newhoP.m，需要將輸人信號中所有的。英語論文 變換為一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。設(shè)計離散型霍普菲爾德網(wǎng)絡(luò)進行字符識別，只需要讓網(wǎng)絡(luò)記憶所要求的穩(wěn)定平衡點，即待識別的26個英文字母。故只需要用理想輸人信號來訓練網(wǎng)絡(luò)。對于訓練后的網(wǎng)絡(luò)，我們進行性能測試。給網(wǎng)絡(luò)輸入任意字母，并在其上加人具有平均值從。~0.5的噪聲，隨機產(chǎn)生100個輸人矢量，觀察字母識別出錯率，結(jié)果如圖4所示。從圖中可以看出，在均值為0~0.33之間的噪聲環(huán)境下，網(wǎng)絡(luò)能夠準確地進行識別。在0.33~0.4之間的噪聲環(huán)境下，識別出錯率不到1%，在0.4以上的噪聲環(huán)境下，網(wǎng)絡(luò)識別出錯率急劇上升，最高達到大約10%。可以看出，該網(wǎng)絡(luò)穩(wěn)定點的吸引域大約在0.3~。.4之間。當噪聲均值在吸引域內(nèi)時，網(wǎng)絡(luò)進行字符識別時幾乎不出錯，而當噪聲均值超過吸引域時，網(wǎng)絡(luò)出錯率急劇上升。

4結(jié)論

本文設(shè)計了3種人工神經(jīng)網(wǎng)絡(luò)對26個英文字母進行了識別。可以看出，這3種人工神經(jīng)網(wǎng)絡(luò)均能有效地進行字符識別，并且識別速度快，自適應(yīng)性能好，分辨率較高。由圖2和圖3可以看出，單層感知器的有噪聲訓練網(wǎng)絡(luò)在均值為O~0.06之間的噪聲環(huán)境下可以準確無誤的識別，而有噪聲訓練的BP網(wǎng)絡(luò)可以在o~0.12之間的噪聲環(huán)境下準確無誤的識別，故BP絡(luò)網(wǎng)絡(luò)容錯性比單層感知器的容錯性好;此外，噪聲達到0.2時，單層感知器的有噪聲訓練網(wǎng)絡(luò)的識別出錯率為6.6%，而有噪聲訓練的BP網(wǎng)絡(luò)的識別出錯率為2.1%，故BP網(wǎng)絡(luò)比單層感知器識別能力強。另外，由圖2、圖3和圖4可以看出，這3種網(wǎng)絡(luò)中霍普菲爾德網(wǎng)絡(luò)識別率最高，它在噪聲為0.33以前幾乎不會出錯，BP網(wǎng)絡(luò)次之，感知器最差。

通過設(shè)計、應(yīng)用與性能對比，我們可得單層感知器網(wǎng)絡(luò)結(jié)構(gòu)和算法都很簡單，訓練時間短，但識別出錯率較高，容錯性也較差。BP網(wǎng)絡(luò)結(jié)構(gòu)和算法比單層感知器結(jié)構(gòu)稍復(fù)雜，但其識別率和容錯性都較好?；羝辗茽柕戮W(wǎng)絡(luò)具有設(shè)計簡單且容錯性最好的雙重優(yōu)點。因此，我們應(yīng)根據(jù)網(wǎng)絡(luò)的特點以及實際要求來選擇人工神經(jīng)網(wǎng)絡(luò)對字符進行識別。 參考文獻

[1]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用「M.合肥:中國科學技術(shù)大學出版社，2003.

[2]武強，童學鋒，季雋.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字字符識別[J].計算機工程，2003，29(14):112一113.

[3]廖翔云，許錦標，龔仕偉.車牌識別技術(shù)研究[J].徽機發(fā)展，2003，13:30一35.

[4]李中凱，王效岳，魏修亭.BP網(wǎng)絡(luò)在汽車牌照字符識別中的應(yīng)用[J].東理工大學學報，2004，18(4):69一72.

篇2

［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)，以其較強的計算性和學習性，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傳統(tǒng)方法的不足，現(xiàn)已成為實現(xiàn)農(nóng)業(yè)現(xiàn)代化的一個重要途徑。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)測到產(chǎn)品分級，顯示了巨大的潛力，并正以很快的速度與生產(chǎn)實際相結(jié)合。目前應(yīng)用比較多的BP神經(jīng)網(wǎng)絡(luò)，可通過學習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)，具有很強的信息存貯能力和計算能力，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)不斷的在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值以及偏差的變化而逐漸逼近目標值，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，從而實現(xiàn)了神經(jīng)網(wǎng)絡(luò)的學習過程。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)點之間沒有連接。每個網(wǎng)絡(luò)結(jié)點表示一個神經(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)相當于從輸入到輸出的高度非線性映射，對于樣本輸入和輸出，可以認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)的一個顯著優(yōu)點就是其可進行自學習，能夠通過訓練得到預(yù)期的效果。其學習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)通過對輸入值和希望的輸出值(教師值)進行比較，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)值和各個神經(jīng)元的閾值，最終使誤差函數(shù)達到最小。其調(diào)整的過程是由后向前進行的，稱為誤差反向傳播BP算法。具體學習過程如下：

（1)隨機給各個權(quán)值賦一個初始權(quán)值，要求各個權(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樣本值，確定相應(yīng)的網(wǎng)絡(luò)實際輸出值。

（3)計算實際的輸出值與相應(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)誤差是否小于訓練前人為設(shè)定的一個較小的值，若小于，則跳出運算，此時的結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓練結(jié)果；若大于，則繼續(xù)計算。

（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，則中止運算，其結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓練結(jié)果。

上述的計算過程循環(huán)進行，直到完成給定的訓練次數(shù)或達到設(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)則完整描述實際系統(tǒng)，可能會因組合規(guī)則過多而無法實現(xiàn)。神經(jīng)網(wǎng)絡(luò)的一個顯著的優(yōu)點就是其具有較強的自學習、自適應(yīng)、自組織能力，通過對有代表性的樣本的學習可以掌握學習對象的內(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)作物生長過程中對農(nóng)作物生長需求進行預(yù)測，從而通過對養(yǎng)分、水分、溫度、以及PH值的優(yōu)化控制達到最優(yōu)的生長狀況。采用神經(jīng)網(wǎng)絡(luò)預(yù)測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算法進行訓練，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介質(zhì)中，例如文本文件或數(shù)據(jù)庫中；（3）對于待預(yù)測數(shù)據(jù)的輸入部分，從存儲介質(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)的前向傳播算法計算網(wǎng)絡(luò)輸出，輸出結(jié)果既是預(yù)測出來的數(shù)值向量。如霍再林等針對油葵不同階段的相對土壤含鹽濃度對其產(chǎn)量的影響有一定的規(guī)律的現(xiàn)象，以油葵的6個成長階段的土壤溶液含鹽的相對濃度為輸入樣本，相對產(chǎn)量為輸出樣本，通過比較發(fā)現(xiàn)，訓練后的神經(jīng)網(wǎng)絡(luò)能較好預(yù)測油葵產(chǎn)量，采用此方法可補充傳統(tǒng)模型的不足，為今后進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)專家面對各種問題時所采取的方法的經(jīng)驗，作為神經(jīng)網(wǎng)絡(luò)的學習樣本，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、宋海燕針對傳統(tǒng)專家系統(tǒng)自學習能力差的缺點，利用神經(jīng)網(wǎng)絡(luò)可自我訓練的優(yōu)點，將神經(jīng)網(wǎng)絡(luò)引入專家系統(tǒng)中。將小麥缺素時的田間宏觀表現(xiàn)，葉部、莖部、果實癥狀及引起缺素的原因這五個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)的訓練數(shù)據(jù)。實際應(yīng)用表明此系統(tǒng)自動診斷的結(jié)果與專家現(xiàn)場診斷的結(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，通過對產(chǎn)生式規(guī)則的分析導出神經(jīng)網(wǎng)絡(luò)輸入、輸出單元數(shù)，并通過多次試驗確定隱層單元數(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)育進程分成若干個發(fā)育期，分別對各個發(fā)育期建立管理模型，依照作物各發(fā)育期進程時間間隔，由計算機系統(tǒng)自動選取相應(yīng)的模型進行決策。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)的實際。

2.在農(nóng)產(chǎn)品外觀分析和品質(zhì)評判

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)進行生產(chǎn)預(yù)測，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)，當表皮應(yīng)力超過最大表皮強度時，將導致表皮破裂。用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，預(yù)測在環(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)評判大多是依賴于對農(nóng)產(chǎn)品外觀的辨識。例如對果形尺寸和顏色等外觀判別果實的成熟度，作物與雜草的辨別，種子的外觀質(zhì)量檢測。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)辨識農(nóng)產(chǎn)品的外觀時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，特征判別也相對困難。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學習、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)學方法表達的復(fù)雜問題，與圖像處理技術(shù)相結(jié)合后，可根據(jù)圖像特征進行選擇性判別。采用此方法可以部分替代人工識別的工作，提高了生產(chǎn)效率，也有利于實現(xiàn)農(nóng)業(yè)現(xiàn)代化。如Liao等將玉米籽粒圖像用34個特征參數(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)過學習的神經(jīng)網(wǎng)絡(luò)對完整籽粒分類的準確率達到93％，破籽粒分類的準確率達91％。

3.蔬菜、果實、谷物等農(nóng)產(chǎn)品的分級和鑒定

在農(nóng)業(yè)生產(chǎn)中，蔬菜、果實、谷物等農(nóng)產(chǎn)品的分級和鑒定是通過對農(nóng)產(chǎn)品外觀的辨識進行的。傳統(tǒng)的農(nóng)產(chǎn)品外觀的辨識方法費時費力、預(yù)測可靠度很低，而且多采用人工操作，評價受到操作者主觀因素的影響，評判的精度難以保證。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別的工作，從而大大提高生產(chǎn)效率，實現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動化和智能化。

利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對農(nóng)產(chǎn)品果形尺寸和顏色等外觀評判，目前國內(nèi)外已有不少成果用于實際生產(chǎn)中。何東健等以計算機視覺技術(shù)進行果實顏色自動分級為目的，研究了用人工神經(jīng)網(wǎng)絡(luò)進行顏色分級的方法。分別用120個著色不同的紅星和紅富士蘋果作為訓練樣本集對網(wǎng)絡(luò)進行離線訓練。兩個品種的蘋果先由人工依據(jù)標準按著色度分成4級，對每一個品種分別求出7個模式特征值作為BP網(wǎng)絡(luò)的輸入，用訓練好的神經(jīng)網(wǎng)絡(luò)進行分級。結(jié)果表明紅富士和紅星果實的平均分級一致率分別為94.2％和94.4％。劉禾等用對稱特征、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)。試驗水果品種為富士和國光。試驗表明系統(tǒng)對富士學習率為80％，對非學習樣本的富士蘋果的果形判別推確率為75％，系統(tǒng)對國光學習率為89％，對非學習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

人工神經(jīng)網(wǎng)絡(luò)算法由于本身具有一定的缺點，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，改進人工神經(jīng)網(wǎng)絡(luò)算法，從而實現(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，擴展其在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用范圍是未來的一個主要研究方向。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學習能力，可對農(nóng)業(yè)系統(tǒng)的非線形特性進行較好的描述，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算方法，具有良好的自學習與數(shù)學計算的能力，可通過計算機程序進行模擬運算，現(xiàn)已廣泛用于模式識別、管理決策等方面。隨著計算機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)評判等方面充分發(fā)揮其自學習能力強，計算能力強的優(yōu)勢，通過對樣本數(shù)據(jù)的學習，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:

[1]余英林李海洲:神經(jīng)網(wǎng)絡(luò)與信號分析[M]. 廣州: 華南理工大學出版社,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)大學學報，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)工程學報,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)工程學報,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]. 太原理工大學學報，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

篇3

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數(shù)學家WalthH.Pitts提出神經(jīng)元數(shù)學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運前，就應(yīng)用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習，以擴充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護

神經(jīng)網(wǎng)絡(luò)理論的保護裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認知的和啟發(fā)式的。

文獻［1］認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護應(yīng)選用全波數(shù)據(jù)窗。

ANN保護裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習，學習內(nèi)容針對該省的保護的特別要求進行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。

一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應(yīng)用的新型網(wǎng)絡(luò)及學習算法［5］。

參考文獻

1、陳炳華。采用模式識別（智能型）的保護裝置的設(shè)想。中國電機工程學會第五屆全國繼電保護學術(shù)會議，［會址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

篇4

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

關(guān)鍵詞： 財務(wù)管理；神經(jīng)網(wǎng)絡(luò)；決策支持系統(tǒng)；專家系統(tǒng)

Key words: financial management；nerve network；decision support system （DSS）；expert system

中圖分類號：F275 文獻標識碼：A 文章編號：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發(fā)展起來的新型計算機科學。它是一個有著廣泛應(yīng)用背景的十分熱門的交叉科學。神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間的動力系統(tǒng)。結(jié)合神經(jīng)網(wǎng)絡(luò)的智能決策支持系統(tǒng)是目前研究的前沿之一，它極具理論和使用價值。

財務(wù)管理的信息化、數(shù)字化是財務(wù)規(guī)范和科學管理的趨勢。與DSS的結(jié)合將更加有利于數(shù)據(jù)標準的統(tǒng)一，有利于數(shù)據(jù)采集的模塊化，有利于決策支持的科學化，有利于財務(wù)公開的透明化。

1 財務(wù)管理決策支持系統(tǒng)的研究現(xiàn)狀

決策支持系統(tǒng)經(jīng)過二十多年的發(fā)展，形成了如圖1所示公認的體系結(jié)構(gòu)。它把模型并入信息系統(tǒng)軟件中，依靠管理信息系統(tǒng)和運籌學這兩個基礎(chǔ)逐步發(fā)展起來。它為解決非結(jié)構(gòu)化決策問題提供了相應(yīng)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(tǒng)體系結(jié)構(gòu)可劃分為三級，即語言系統(tǒng)（LS）級、問題處理系統(tǒng)（PPS）級和知識系統(tǒng)（KS）級。其中問題處理系統(tǒng)級包括推理機系統(tǒng)（RS）、模型庫管理系統(tǒng)（MBMS）、知識庫管理系統(tǒng)（KBMS）及數(shù)據(jù)庫管理系統(tǒng)（DBMS）。知識系統(tǒng)級包括模型庫（MB）、知識庫（KB）及數(shù)據(jù)庫（DB）。

九十年代中期，興起了三個輔助決策技術(shù)：數(shù)據(jù)倉庫（DW）、聯(lián)機分析處理（OLAP）和數(shù)據(jù)挖掘（DM）。聯(lián)機分析處理是以客戶/服務(wù)器的方式完成多維數(shù)據(jù)分析。數(shù)據(jù)倉庫是根據(jù)決策主題的需要匯集大量的數(shù)據(jù)庫，通過綜合和分析得到輔助決策的信息。數(shù)據(jù)挖掘顧名思義，是為了獲得有用的數(shù)據(jù)，在大量的數(shù)據(jù)庫中進行篩選。人工智能技術(shù)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?qū)降慕换シ椒ā?/p>

從目前情況來看，財務(wù)決策支持系統(tǒng)的研究還處于初級發(fā)展階段，財務(wù)數(shù)據(jù)的保密性、特殊性決定了財務(wù)決策不能全部公開化、透明化，但隨著中央及國務(wù)院相關(guān)部門財務(wù)預(yù)決算數(shù)據(jù)的公開，財務(wù)決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開，這就要求決策者充分利用財務(wù)知識和決策支持系統(tǒng)的知識“聰明”決策、合理決策、科學決策、規(guī)范決策。

2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架

2.1 神經(jīng)網(wǎng)絡(luò)運行機制 神經(jīng)網(wǎng)絡(luò)的著眼點是采納生物體中神經(jīng)細胞網(wǎng)絡(luò)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(fù)制。

第一，神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)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(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲存方式，大多儲存在神經(jīng)元之間的權(quán)中；第三，神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后，仍可以繼續(xù)進行其他活動，不影響全局的活動，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯性；第四，神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元組成的，每個神經(jīng)元雖然結(jié)構(gòu)簡單，但是它們組合到一起并行活動時，卻能爆發(fā)出較快較強的速度來。

我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點，將之應(yīng)用于模式識別、自動控制、優(yōu)化計算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。

2.2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財務(wù)DSS的必然性 在企業(yè)經(jīng)營管理、政府機構(gòu)財務(wù)活動中，人們時常面臨著財務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗制定出一系列的衡量標準。這種評價是一個非常復(fù)雜的非結(jié)構(gòu)化決策過程，一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗和直覺在收集大量不完全、不確定信息基礎(chǔ)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(guān)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(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來支持這類評價決策問題是目前財務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢和必然趨勢[4]。

2.3 財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架 神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識、數(shù)據(jù)和模型為主體，結(jié)合神經(jīng)網(wǎng)絡(luò)進行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架[2]。研究中有兩個重點，即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。

2.3.1 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng) 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項基本任務(wù)：相關(guān)分析、聚類、概念描述、偏差監(jiān)測、預(yù)測。

常用的前饋式神經(jīng)網(wǎng)絡(luò)，如BP網(wǎng)絡(luò)，可用于進行概念描述及預(yù)測。對向傳播（Counter Propagation，簡稱CP）神經(jīng)網(wǎng)路可用來進行統(tǒng)計分析和聚類。

CP網(wǎng)絡(luò)是美國神經(jīng)計算專家Robert Hecht-Nielsen提出的一種新型特征映射網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競爭、輸出三層。該網(wǎng)絡(luò)吸取了無教師示教型網(wǎng)絡(luò)分類錄活、算法簡練的優(yōu)點，又采納了有教師示教型網(wǎng)絡(luò)分類精細、準確的好處，使兩者有機地結(jié)合起來。由競爭層至輸出層，網(wǎng)絡(luò)按基本競爭型網(wǎng)絡(luò)學習規(guī)則得到各輸出神經(jīng)元的實際輸出值，并按有教師示教的誤差校正方法調(diào)整由競爭層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學習，可以將任意輸入模式映射為輸出模式。

2.3.2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng) 財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，計算與存儲時完全合二為一的，即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)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(lián)想記憶的基本原理。若視動力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計算能量函數(shù)的極小點，系統(tǒng)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(lián)想記憶（BAM）網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)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(wǎng)絡(luò)通過提供的樣本對進行充分的學習后，就可用來進行模式間的聯(lián)想推理。

3 財務(wù)管理神經(jīng)網(wǎng)絡(luò)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(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù)，但由于自身的局限性，它們都側(cè)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(fù)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(shù)結(jié)合起來解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協(xié)調(diào)配合，神經(jīng)網(wǎng)絡(luò)DSS未來的發(fā)展趨勢就是依靠這兩種技術(shù)不斷結(jié)合，從而能幫助我們解決更多的實際問題。

3.1 財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng) 常見的財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)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(jīng)網(wǎng)絡(luò)來獲取的，我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò)，來讓維護工作變得更加方便快捷，維護可以通過人工神經(jīng)網(wǎng)絡(luò)來自動完成，我們需要做的只是重新運行網(wǎng)絡(luò)模塊，或者重新訓練網(wǎng)絡(luò)模塊，又或是增加新的網(wǎng)絡(luò)模塊。

3.1.2 推理。一般的專家系統(tǒng)只是求解專門性問題，應(yīng)用的領(lǐng)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(xiàn)一些這樣或那樣的問題，推理效率低、速度慢。人工神經(jīng)網(wǎng)絡(luò)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(lǐng)域。

3.1.3 知識表示。很多專家知識事實上很難用規(guī)則表示出來，但在現(xiàn)實工作中，我們大部分財務(wù)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(jīng)網(wǎng)絡(luò)系統(tǒng)來將知識提供給專家系統(tǒng)，這樣做就可以避免這一問題，當專家系統(tǒng)需要相應(yīng)知識時，就不需要用規(guī)則來表示知識，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。

3.1.4 知識獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)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(tǒng)向?qū)＜姨岢鰡栴}，人工神經(jīng)網(wǎng)路則負責對這些信息進行收集、處理，在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識，所以這一步驟會很方便，之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著，專家系統(tǒng)在對這些數(shù)據(jù)進行進一步的分析。在這一過程中，專家系統(tǒng)只運用很少的規(guī)則就可以獲得相關(guān)的知識，大大提高了工作效率。

3.2 財務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò) 財務(wù)管理專家主要通過三種方式來對神經(jīng)網(wǎng)絡(luò)提供必要的支持：第一，提供相應(yīng)的必要的解釋；第二，進行預(yù)處理；第三，聯(lián)合應(yīng)用。

3.2.1 解釋。作為專家系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它做不到同其他專家系統(tǒng)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(tǒng)可以反向推理，從結(jié)果到初始輸入，系統(tǒng)提供具體的解決方法。

在這種模式中，經(jīng)過訓練的人工神經(jīng)網(wǎng)絡(luò)來解決問題。當用戶要求解釋的時候，就可以通過網(wǎng)絡(luò)輸入一個并行的專家系統(tǒng)。

3.2.2 預(yù)處理。對于人工神經(jīng)網(wǎng)絡(luò)來說，處理數(shù)據(jù)這項工作比較難。專家系統(tǒng)可以幫助人工神經(jīng)做好這些工作：選擇合適的收斂算法，確定訓練神經(jīng)網(wǎng)絡(luò)的樣本的數(shù)量，選擇合適的神經(jīng)網(wǎng)絡(luò)。收集正確數(shù)據(jù)的工作，對于人工神經(jīng)網(wǎng)絡(luò)來說至關(guān)重要，事先對它們進行預(yù)處理，可以確保各項工作順利的完成。

3.2.3 聯(lián)合應(yīng)用。將一個復(fù)問題分解為幾個子問題，如下圖3所示，再將各個子問題來逐個解決，這就是我們所常說說的聯(lián)合應(yīng)用方法。它可以直接采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)以及其種可能的方法來解決問題，指導實際應(yīng)用。

我們當前計算機所要解決的主要問題，是如何解決半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策等問題，它是人們在日常生活中所經(jīng)常遇到的，在財務(wù)活動中會大量存在。如何更科學、更合理地處理這些問題是我們當前工作的主要方向。運用人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的，它還存在著一定程度上的缺點，我們只有改善這種技術(shù)上的不成熟，將智能化研究進行到底，才能讓神經(jīng)網(wǎng)絡(luò)決策支持系統(tǒng)的研究出現(xiàn)新的進展。

參考文獻：

[1]陳文偉.智能決策技術(shù).電子工業(yè)出版社，1998年.

[2]鐘義信.智能理論與技術(shù)——人工智能與神經(jīng)網(wǎng)絡(luò).人民郵電出版社，1992年.

篇5

關(guān)鍵詞：水動力模型，ANN神經(jīng)網(wǎng)絡(luò)系統(tǒng)，模型數(shù)據(jù)，缺失數(shù)據(jù)模擬

中圖分類號：G250.72 文獻標識碼：A

我國大多數(shù)的城市管網(wǎng)建設(shè)滯后于水廠建設(shè),給水管網(wǎng)的鋪設(shè)會隨城市的發(fā)展不斷地鋪設(shè)延長，與之相對應(yīng)的是用水量的急劇增長，與老管線的協(xié)調(diào)規(guī)劃問題等等，這一切的問題都使地下管線的管理成為一個極其復(fù)雜的問題。構(gòu)建水動力模型，可以實時的看到管網(wǎng)的薄弱環(huán)節(jié)，并且通過分析得知造成管網(wǎng)問題的原因。水動力模型可以應(yīng)用于并的給水系統(tǒng)的規(guī)劃，設(shè)計及改擴建；管網(wǎng)改造優(yōu)先性評估；管網(wǎng)改造并行方案的的成本分析，運行情況；指導和幫助安排管網(wǎng)檢漏工作等。

建立水動力模型是一項復(fù)雜并且富有難度的工程，需要將給水管道的的信息，包括管道的管徑、材質(zhì)、管齡，粗糙系數(shù)等如實的反應(yīng)到模型中，運行模型后要選擇管網(wǎng)中具有典型代表性的節(jié)點，得到這些節(jié)點的節(jié)點流量與節(jié)點壓力模擬值，將這些曲線與實際中該節(jié)點的流量與壓力曲線進行對比。通過調(diào)整管網(wǎng)的粗糙系數(shù)，節(jié)點流量分配等核心數(shù)據(jù)使模擬曲線與實測曲線相吻合，這個過程稱之為模型校核。校核后的模型才能應(yīng)用于實際的工程工作中。

模型搭建和校核的過程中需要許多數(shù)據(jù)，而在現(xiàn)有國內(nèi)的自來水公司，極少有完備的數(shù)據(jù)，而這些數(shù)據(jù)的檢測和整理是一項復(fù)雜并且耗費財力的工程。當有所需的數(shù)據(jù)缺失時，根據(jù)現(xiàn)有的數(shù)據(jù)搭建ANN（人工神經(jīng)網(wǎng)絡(luò)）模型，模擬出缺失的數(shù)據(jù)曲線，從而用于水動力模型的校核工作中。譬如，節(jié)點流量曲線、節(jié)點壓力曲線、節(jié)點的化學物質(zhì)殘留量曲線等等。

1 人工神經(jīng)網(wǎng)絡(luò)的概念

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學模型，是一種運算模型，由大量的節(jié)點（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activation function）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達。人工神經(jīng)網(wǎng)絡(luò)是數(shù)學統(tǒng)計學方法的一種實際應(yīng)用,通過統(tǒng)計學的標準數(shù)學方法我們能夠得到大量的可以用函數(shù)來表達的局部結(jié)構(gòu)空間,通過統(tǒng)計學的方法,人工神經(jīng)網(wǎng)絡(luò)能夠類似人 一樣具有簡單的決定能力和簡單的判斷能力,這種方法比起正式的邏輯學推理演算更具有優(yōu)勢。因為它不需要全面的數(shù)據(jù)。實踐證明只要中間的隱含層個數(shù)足夠多，ANN神經(jīng)網(wǎng)絡(luò)無限逼近任何連續(xù)函數(shù)。

圖1 3層ANN（BP）網(wǎng)絡(luò)結(jié)構(gòu)

Fig. 1 Three level ANN model’s structure

2基于ANN人工神經(jīng)網(wǎng)絡(luò)的節(jié)點壓力模型的建立

人工神經(jīng)網(wǎng)絡(luò)是一個能夠?qū)W習,能夠總結(jié)歸納的系統(tǒng),也就是說它能夠通過已知數(shù)據(jù)的實驗運用來學習和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對局部情況的對照比較,它能夠推理產(chǎn)生一個可以自動識別的系統(tǒng)。人工網(wǎng)絡(luò)系統(tǒng)之所以能夠推理,基礎(chǔ)是需要有一個推理算法則的集合。在本次的實例檢驗過程中使用相關(guān)系數(shù)和確定性系數(shù)來衡量模型的準確性，如果確定性系數(shù)越大，預(yù)測值和實測值的相關(guān)系數(shù)越大，誤差就越小，模型的計算結(jié)果就越好。通過對模型精度的分析，判斷節(jié)點壓力曲線是否可以用于水動力模型的，模型校核工作中。

其實人工神經(jīng)網(wǎng)絡(luò)就是一個黑箱子，它所建立的模型不是基于實際的物理聯(lián)系，而是基于我們所記錄數(shù)據(jù)和所得值之間的函數(shù)關(guān)系（這種函數(shù)關(guān)系在運算的過程中不得而知），對于人工神經(jīng)網(wǎng)絡(luò)的計算過程我們不關(guān)心也不必去了解它計算過程的細節(jié)。人工神經(jīng)網(wǎng)絡(luò)在做出預(yù)測之前是使用記錄數(shù)據(jù)的學習過程，之后的使用就是在上面的學習過程之后，人工神經(jīng)網(wǎng)絡(luò)會擬合出一個比較準確的函數(shù)關(guān)系從而會根據(jù)所給數(shù)據(jù)預(yù)測出我們所關(guān)心變量的結(jié)果。

本文以節(jié)點壓力曲線的模擬為例子，闡述ANN模型的搭建，以及模擬結(jié)果的精確性。

已有的數(shù)據(jù)為給水管網(wǎng)中8個節(jié)點的壓力曲線，靠近泵站的一個節(jié)點的壓力缺失某幾個小時的數(shù)據(jù)，現(xiàn)利用已知數(shù)據(jù)搭建ANN模型，模擬出此時，一個小時后，兩個小時后，4個小時后的模擬壓力曲線。通過對模型結(jié)果的分析，得出其結(jié)果是否能用于水動力模型校核工作。

2.1 訓練模式對的準備工作

對于管網(wǎng)中的節(jié)點壓力來講，他們之間具有相關(guān)性，因為在預(yù)測未知點的壓力曲線時，其他管網(wǎng)中的節(jié)點都是未知節(jié)點的重要影響因子。因此在搭建模型時要在輸入層配置相應(yīng)的單元用來模擬未知節(jié)點的壓力曲線。

目標節(jié)點預(yù)見期壓力=F{（某時間點NODE1水位）,（某時間點NODE2水位）,（某時間點NODE3水位）…(某時間點NODE8水位)}某時間點指的是預(yù)見期之前某個相應(yīng)的時間點。

整個模型從數(shù)據(jù)輸入到結(jié)果分析的過程可以用流程圖表示出來。數(shù)據(jù)輸入->數(shù)據(jù)編輯->模型參數(shù)確立->運行模型->模型結(jié)果分析。

2.2 目標函數(shù)（確定性系數(shù)）的確立

R= 式-1

式中 R為確定性系數(shù)

為該城市實測河流水位

為實測河流水位的平均值

為模型預(yù)測水

為模型預(yù)測水位的平均值

R越接近于1，說明模擬結(jié)果與實際測量結(jié)果越一致，也即模型越精確。

2.3 模型的結(jié)構(gòu)參數(shù)的確立

人工神經(jīng)網(wǎng)絡(luò)模型中關(guān)鍵的參數(shù)有學習率，中間層的神經(jīng)元數(shù)，動量因子，終止學習條件，本文利用設(shè)定最大平均誤差來終止模型運行。其中的學習率和動量因子會影響到模型的收斂速度。學習率和動量因子的取值范圍都在[0,1]之間。學習率越大運算速度越大但是如果取過大的值會導致模型不收斂，由于模型的運算速度比較快為了得到更加精確的結(jié)果取學習率為0.02.動量因子根據(jù)經(jīng)驗取0.1，中間層的神經(jīng)元數(shù)取30。

3 實例分析

我們擁有管網(wǎng)中9個節(jié)點的壓力曲線值，但是某個時間段節(jié)點9的壓力曲線缺失，管網(wǎng)中9個節(jié)點的具置見圖2.

圖2 管網(wǎng)中的9個節(jié)點

Fig. 2 The 9 nodes in the network

示意圖中觀測站一為模型下游目標站的位置，本文所討論的預(yù)測站也就是目標站。

建立模型之后對該城市城市管網(wǎng)中的節(jié)點9，此時以及未來1-4小時的節(jié)點壓力進行預(yù)測。根據(jù)該中的8個節(jié)點和目標節(jié)點的的壓力曲線數(shù)據(jù)為基礎(chǔ)進行訓練，并且對預(yù)測的結(jié)果進行分析。來判斷時候可以將模擬的數(shù)據(jù)直接用于模型校核。

表1 預(yù)見期分別為0-4h的模型精確度參數(shù)

Table 1 Model’s forecast precision in 0-4hours

圖3 同時刻節(jié)點壓力的模擬值與實測值

Fig. 4 Forecast water level the same time with measured data

圖4 預(yù)見期為1h時的節(jié)點壓力曲線

Fig. 5 Forecast water level 1 hour later

圖5 預(yù)見期為4h時的節(jié)點壓力曲線

Fig. 5 Forecast water level 4 hour later

圖6 預(yù)測同時刻的各個節(jié)點與目標節(jié)點的相關(guān)貢獻系數(shù)

Fig. 6 Relative contribution coefficient between observation station and objective node on the same

time

圖7 預(yù)測4h之后的各個觀測節(jié)點與目標節(jié)點的相關(guān)貢獻系數(shù)

Fig. 7 Relative contribution coefficient between and objective station when the forecast stage 4 hours

表2不同預(yù)見期的絕對誤差

通過研究神經(jīng)網(wǎng)絡(luò)模型的結(jié)果可見：

（1）通過圖6、圖7可以得知使用人工神經(jīng)網(wǎng)絡(luò)模型，各個節(jié)點的實測數(shù)據(jù)對于最后的目標節(jié)點影響是不同的。節(jié)點3的對與目標站的相關(guān)系數(shù)性較小，在實際工作中可以舍棄此地數(shù)據(jù)的采集，從而減少人力物力的投入。隨著預(yù)測時間的不同其相關(guān)系數(shù)亦會發(fā)生變化。

（2）預(yù)見期越長，其最后結(jié)果的可靠性越差。確定性系數(shù)，和絕對誤差可以反映之，預(yù)見期為0h、1h時，其誤差很小，當延長其預(yù)見期時，其誤差會相應(yīng)變大。當模擬結(jié)果用于水動力模型校核時，目標節(jié)點的模擬結(jié)果與輸入節(jié)點為同時刻時，模擬數(shù)據(jù)與實測數(shù)據(jù)高度吻合，說明該結(jié)果可以輸入水動力模型，進行校核。隨著預(yù)見期變長，其模擬結(jié)果也越來越不準確。預(yù)見期為4小時時，其結(jié)果不能作為水動力模型的輸入數(shù)據(jù)進行模型校核。

（3）在水動力模型校核過程中，可以將ANN的預(yù)測結(jié)果也就是預(yù)見期的目標節(jié)點壓力曲線用于在水動力模型中。從而解決了原始數(shù)據(jù)缺失的問題。

4 結(jié)論

本文采用ANN（人工神經(jīng)網(wǎng)絡(luò)）建立了節(jié)點壓力的預(yù)測模型，其預(yù)測結(jié)果可以應(yīng)用于水動力模型中，用模型校核的原始輸入值。從而為搭建城市的給水管網(wǎng)水動力模型提供科學的依據(jù)。也節(jié)約了大量人力，物力和財力的消耗。

參考文獻

嚴熙世, 趙洪賓. 給水管網(wǎng)系統(tǒng)理論與分析. 中國建筑工業(yè)出版社, 2003.9

陶建科, 劉遂慶, 建立微觀動態(tài)水力模型標準方法研究.給水排水, 2000, 26（5）：4~8

Maier H R, Dandy G C. The use of artificial neural networks for the prediction of water quality parameters. Water Resources, 1996 ,32 (4) :1013 - 1022.

篇6

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 手寫 識別系統(tǒng) 應(yīng)用

隨著計算機技術(shù)的快速發(fā)展，其在人們的辦公學習和日常生活成了不可替代的工具。鍵盤已經(jīng)幾乎完全替代了筆在人們生活中的地位，隨之而來的后果就是人們越來越少的區(qū)書寫漢字，導致越來越多的中國人甚至都忘記了漢字該如何書寫，這種現(xiàn)象在很多研究和報道中都有體現(xiàn)。計算機和鍵盤是由西方國家發(fā)明的，其符合西方國家的語言習慣，對于中國人來說，用字母、符號去完成方塊漢字的輸入就需要使用者非常熟悉漢語拼音或者五筆編碼，對于文化程度較低的使用者來說，這些都限制著他們使用計算機。鑒于計算機鍵盤的這些缺陷，聯(lián)機手寫輸入法應(yīng)運而生，這為計算機的輸入帶來了新的發(fā)展機遇和挑戰(zhàn)。

1 聯(lián)機漢字手寫識別的意義及難點

聯(lián)機漢字識別是用書寫板代替?zhèn)鹘y(tǒng)紙張，筆尖通過數(shù)字化書寫板的軌跡通過采樣系統(tǒng)按時間先后發(fā)送到計算機中，計算機則自動的完成漢字的識別和顯示。

1.1 聯(lián)機漢字手寫識別的意義

聯(lián)機手寫漢字識別的誕生具有非常重要的意義。首先這種輸入方法延續(xù)了幾千年中華文明的寫字習慣，實現(xiàn)用戶的手寫輸入，對于長時間不提筆寫字的用戶來說能夠加強其對漢字書寫方面的認識，防止“提筆忘字”現(xiàn)象的繼續(xù)惡化。其次，手寫漢字輸入不需要學習和記憶計算機的漢字編碼規(guī)則，其完全符合中國人的寫字習慣，使人機之間的交流更人性化，更方便快捷。另外，隨著移動智能終端的不斷普及，聯(lián)機漢字手寫識別的應(yīng)用范圍將進一步擴大，以適用于不同層次人群對信息輸入的需要，具有較大的市場發(fā)展前景。

1.2 聯(lián)機手寫漢字識別問題的難點

手寫漢字識別是光學字符讀出器中最難的部分，也是其最終的目標，手寫漢字識別的應(yīng)用主要依賴于其正確識別率和識別速度[1]。手寫漢字識別系統(tǒng)的問題具有其特殊性：

（1）中國漢字量大。我國目前的常用漢字大概在4000個左右，在實際應(yīng)用中的漢字識別系統(tǒng)應(yīng)該能夠完全識別這些常用的字才能夠滿足需要，由于超大的漢字量，使得手寫識別的正確率和識別速度一直不高。

（2）字體多，結(jié)構(gòu)復(fù)雜。漢字的手寫字體豐富多彩，且漢字的筆畫繁多，以及復(fù)雜的結(jié)構(gòu)，再加上漢字中的形近字頗多，這些都為漢字識別系統(tǒng)的發(fā)展造成了很大的困難。

（3）書寫變化大。不同用戶在進行手寫輸入時其字體的變化是很大的，這種變化因人而異，對漢字識別造成了很大的干擾，增加了漢字匹配的難度。

2 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學模型，通常簡稱為神經(jīng)網(wǎng)絡(luò)，是一種仿生物神經(jīng)的信號處理模型。在二十世紀四十年代初人們開始進行神經(jīng)網(wǎng)絡(luò)的研究，經(jīng)過幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)也產(chǎn)生了一系列的突破，目前應(yīng)用最多的是Hopfield模型和BP算法。

神經(jīng)網(wǎng)絡(luò)的一般模型一般包括十個方面：環(huán)境、處理單元、傳播規(guī)則、神經(jīng)網(wǎng)絡(luò)的狀態(tài)、互聯(lián)模式、穩(wěn)定狀態(tài)、操作模式、活躍規(guī)則、活化函數(shù)和學習算法。其中，神經(jīng)元、互聯(lián)模式、學習算法是神經(jīng)網(wǎng)絡(luò)模型中的三個關(guān)鍵因素。神經(jīng)網(wǎng)絡(luò)的一個重要內(nèi)容就是學習，其學習方式可以分為監(jiān)督學習和無監(jiān)督學習，其學習過程一般遵循Hebb規(guī)則，誤差修正學習算法以及勝者為王的學習規(guī)則，其中Hebb規(guī)則是神經(jīng)網(wǎng)絡(luò)學習中最基本的規(guī)則。

人工神經(jīng)網(wǎng)絡(luò)具有獨特的優(yōu)越性。首先其具有主動學習的功能，在漢字識別過程中，先將漢字模板及可能的識別結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)能夠通過其自身的學習過程來實現(xiàn)對漢字的識別，自學功能對于神經(jīng)網(wǎng)絡(luò)的預(yù)測功能具有非常重要的意義。其次，神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有聯(lián)想存儲功能，其反饋功能能夠?qū)崿F(xiàn)這種聯(lián)想。另外，通過計算機的高速運算能力，神經(jīng)網(wǎng)絡(luò)具有高速尋找優(yōu)化解的能力。

3 人工神經(jīng)網(wǎng)絡(luò)在聯(lián)機手寫識別系統(tǒng)中的應(yīng)用

漢字識別屬于大類別模式識別，人工神經(jīng)網(wǎng)絡(luò)可以通過函數(shù)逼近、數(shù)據(jù)分類、數(shù)據(jù)聚類三種作用方式以及“聯(lián)想”的特殊模式對漢字進行識別。Hopfield神經(jīng)網(wǎng)絡(luò)作為反饋網(wǎng)絡(luò)的一種，其自聯(lián)想記憶網(wǎng)絡(luò)可以使系統(tǒng)不需要通過大量的訓練即可對漢字進行識別，因此Hopfield神經(jīng)網(wǎng)絡(luò)對于漢字識別來說具有獨特的優(yōu)勢。其中的離散型Hopfield神經(jīng)網(wǎng)絡(luò)能夠通過串行異步和并行同步的工作方式，使其反饋過程具有非常好的穩(wěn)定性，而網(wǎng)絡(luò)只有通過不斷的演變穩(wěn)定在某一吸引子狀態(tài)時，才能夠?qū)崿F(xiàn)正確的聯(lián)想。

聯(lián)機手寫識別可以分為訓練階段和識別階段。訓練階段流程依次為：標準書寫字符圖像預(yù)處理，提取特征并建立特征庫，建立Hopfield網(wǎng)絡(luò)模型，訓練網(wǎng)絡(luò)，保存權(quán)值。識別階段的流程為：坐標序列轉(zhuǎn)化為bmp圖像，預(yù)處理測試樣本，提取特征，送入網(wǎng)絡(luò)運行，運行網(wǎng)絡(luò)到平衡狀態(tài)，分析結(jié)果值。根據(jù)聯(lián)機手寫識別的工作流程以及Hopfield網(wǎng)絡(luò)模型的理論，基于Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機手寫識別系統(tǒng)在Matlab環(huán)境下得到了仿真模擬，效果非常理想。

4 總結(jié)

手寫識別系統(tǒng)能夠彌補普通鍵盤的不足，在提高漢字書寫頻率的同時，能夠滿足不同層次人群對計算機應(yīng)用的技術(shù)需要。基于Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機手寫識別系統(tǒng)一起自身獨特的性能，不僅能夠滿足手寫漢字識別的正確率，而且其識別過程速度非?？?。因此它對于實現(xiàn)聯(lián)機手寫識別以及圖像識別具有非常重要的意義。

參考文獻

[1]俞慶英.聯(lián)機手寫漢字識別系統(tǒng)的研究與實現(xiàn)[D].安徽大學，2005（5）.

[2]郭力賓.交叉點的神經(jīng)網(wǎng)絡(luò)識別及聯(lián)機手寫字符的概率神經(jīng)網(wǎng)絡(luò)識別初探[D].大連理工大學，2003（03）.

[3]趙蓉.基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機手寫識別系統(tǒng)研究與實現(xiàn)[D].西安電子科技大學，2011（01）.

篇7

[關(guān)鍵詞]人工神經(jīng)網(wǎng)絡(luò)；旅游物流；需求預(yù)測

[DOI]1013939/jcnkizgsc201538051

1引言

旅游物流對廣西地區(qū)經(jīng)濟的發(fā)展至關(guān)重要，準確把握、預(yù)測旅游物流需求有助于有關(guān)部門制定合理的旅游物流規(guī)劃、促進國民經(jīng)濟可持續(xù)發(fā)展、提高居民生活水平。國內(nèi)學者通過一定的方法和模型確定了影響旅游物流能力的關(guān)鍵要素，為旅游物流需求的預(yù)測提供了一定的理論基礎(chǔ)，而在物流需求預(yù)測方面也提出了很多如時間序列模型、灰色預(yù)測、回歸分析等具有創(chuàng)新性和實踐意義的方法。由于旅游物流具有的獨特性和負責性使得這些模型及分析方法在前提條件、適用范圍和側(cè)重點的選取方面具有一定的困難，因此在實際應(yīng)用中各有利弊。人工神經(jīng)網(wǎng)絡(luò)可以將定量或定性的信息等勢的分布貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，有很強的魯棒性和容錯性，通過建立基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，利用Braincell軟件進行計算以期達到精確預(yù)測旅游物流需求的目的。

2旅游物流的需求界定

經(jīng)過多年的發(fā)展，關(guān)于旅游物流需求的定義至今仍沒有一個令各方滿意的結(jié)論。物流服務(wù)貫穿了整個旅游活動過程中，旅游物流可以看作為了使旅游消費者獲得更好地滿足感和旅游體驗，與旅游相關(guān)的主體提供讓旅游消費者更為暢通流動的旅游服務(wù)，與此相應(yīng)的旅游物流的能力指提供的旅游服務(wù)內(nèi)容以及相關(guān)主體使用物流設(shè)施對旅游物流活動進行計劃、組織、協(xié)調(diào)和控制的能力，到旅游物流的具體環(huán)節(jié)，可以從涉及旅游者的吃、住、行、購、游、娛等方面界定旅游相關(guān)主體運用物流設(shè)施為游客提供旅游服務(wù)的能力。文中對旅游物流需求的預(yù)測可以從往年的旅游物流能力方面進行預(yù)測，通過準確的預(yù)測旅游物流需求可以較好地規(guī)劃未來年份旅游業(yè)發(fā)展方向，對物流設(shè)施和設(shè)備進行準確的投入，減少資源的浪費及設(shè)施投入不足的狀況。

旅游物流能力是指旅游服務(wù)主體向旅游消費者從“吃、住、行、購、游、娛”6個方面提供服務(wù)的能力，旅游物流需求可根據(jù)這6方面來選取指標，但是旅游物流需求預(yù)測的準確性不僅受到旅游物流的獨特性的制約，還受到一些客觀性條件的影響。如物流統(tǒng)計制度不健全，目前，我國仍沒有建立系統(tǒng)全面的物流統(tǒng)計制度，更沒有涉及旅游物流領(lǐng)域；物流統(tǒng)計沒有涉及物流活動的全過程；物流統(tǒng)計指標過于單一。此外，國內(nèi)只有基本的貨物運輸量和貨物周轉(zhuǎn)量統(tǒng)計，其他與物流相關(guān)的指標沒有公開的統(tǒng)計資料，也沒有權(quán)威的統(tǒng)計方法和基礎(chǔ)數(shù)據(jù)，致使物流需求預(yù)測不能通過直接指標來衡量需求規(guī)模的大小。

3基于神經(jīng)網(wǎng)絡(luò)的旅游物流需求預(yù)測模型的建立

神經(jīng)網(wǎng)絡(luò)具有非線性、曲線擬合能力、學習能力和抗干擾能力，是一種通用的非線性函數(shù)逼近工具。通過對BP神經(jīng)網(wǎng)絡(luò)的訓練，特別適用于構(gòu)造非線性預(yù)測函數(shù)，而且精度可達到預(yù)定的要求。

31預(yù)測領(lǐng)域中的BP神經(jīng)網(wǎng)絡(luò)模型簡介

BP神經(jīng)網(wǎng)絡(luò)通過正向輸入，反向傳播誤差不斷迭代的學習過程，直到誤差減到可以接受的程度。一般包括輸入層、隱含層和輸出層的單隱含層網(wǎng)絡(luò)就能以任意精度表示并揭示任何連續(xù)函數(shù)所蘊含的非線性關(guān)系。其中：

（1）工作信號正向傳播。輸入信號從輸入層經(jīng)過隱含層，傳向輸出層，在輸出端產(chǎn)生輸出信號，這是工作信號的正向傳播。在信號的正向傳播過程中網(wǎng)絡(luò)的權(quán)值是固定不變的，上一層神經(jīng)元的只影響下一層神經(jīng)元的狀態(tài)，即正向影響。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差信號反向傳播。

（2）誤差信號反向傳播。網(wǎng)絡(luò)的實際的輸出與所期望的輸出之間差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播，即誤差信號的反向傳播。在誤差信號反向傳播中，神經(jīng)網(wǎng)絡(luò)的權(quán)值根據(jù)誤差的反饋進行調(diào)節(jié)。通過不斷地對權(quán)值的修正，使實際輸出更加接近期望輸出。

（3）預(yù)測神經(jīng)網(wǎng)絡(luò)流程。通過了解工作信號與誤差信號的傳播方向，可以清楚地了解預(yù)測神經(jīng)網(wǎng)絡(luò)的工作流程。預(yù)測開始時神經(jīng)網(wǎng)絡(luò)讀入樣本、權(quán)值，通過計算輸入層的輸入得出結(jié)果傳遞到輸出層，在輸出層進行計算，最后在計算輸出值與期望值的誤差。若誤差小于確定值則計算結(jié)束，若誤差大于確定值則繼續(xù)回到前兩層進行權(quán)值調(diào)整，把調(diào)整后的權(quán)值重新輸入到模型中，直到誤差小于設(shè)定的確定值。

本文應(yīng)用Braincell神經(jīng)網(wǎng)絡(luò)軟件來實現(xiàn)神經(jīng)網(wǎng)絡(luò)的計算與分析。

32BrainCell軟件及實現(xiàn)

321BrainCell 神經(jīng)網(wǎng)絡(luò)基本原理

BrainCell 神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播學習算法，算法從兩個方面（信號的前向傳播和誤差的反向傳播）反復(fù)進行迭代學習，與神經(jīng)網(wǎng)絡(luò)預(yù)測模式基本原理相同。

322BrainCell 神經(jīng)網(wǎng)絡(luò)實現(xiàn)步驟

（1）數(shù)據(jù)的預(yù)處理和后處理。為方便的計算減少誤差，保證數(shù)據(jù)同一量綱，需要將數(shù)據(jù)歸一化為區(qū)域[0，1]之間數(shù)據(jù)。在實際的預(yù)測模型中當數(shù)據(jù)接近0或1的時候訓練效果會明顯下降。因此，為了避免數(shù)據(jù)落入最大飽和區(qū)，保持數(shù)據(jù)的原有特征，根據(jù)經(jīng)驗將數(shù)據(jù)規(guī)范到[015，085]來進行修正。模型中采用反歸一化處理輸出數(shù)據(jù)。

（2）網(wǎng)絡(luò)層數(shù)目的確定。由Kolmogorov定理可知，含有一個神經(jīng)元隱含層的三層神經(jīng)網(wǎng)絡(luò)可以從任意精度逼近一個從輸入到輸出的映射關(guān)系，因此在Braincell神經(jīng)網(wǎng)絡(luò)中采用含有單隱層的三層神經(jīng)網(wǎng)絡(luò)[2]。

（3）網(wǎng)絡(luò)節(jié)點的確定。輸入層節(jié)點的多少與評價指標個數(shù)是相對應(yīng)的。

（4）網(wǎng)絡(luò)訓練。假設(shè)訓練樣例是形式（x，y），其中x為輸入向量，y為輸出值。N為輸入節(jié)點數(shù)，M為輸出層節(jié)點數(shù)。從單位i到單位j的輸入表示xij，單位i 到單位j的權(quán)值表示W(wǎng)ij。一是創(chuàng)建具有N 個輸入單位，M 個輸出單位的BrainCell 神經(jīng)網(wǎng)絡(luò)；二是用隨機數(shù)（0 或1）初始化某些數(shù)字變量網(wǎng)絡(luò)權(quán)值Wij；三是對于第k個訓練樣例（a，b），把入跟著網(wǎng)絡(luò)前向傳播，并計算網(wǎng)絡(luò)中每個單元x的輸出Qx，使誤差沿著反向傳播；四是對于每個輸出單元u，計算它的誤差項；五是對于每個隱含單元h，計算它的誤差項；六是利用誤差項更新調(diào)整每個網(wǎng)絡(luò)權(quán)值；七是重復(fù)三到六點，直到完成指定的迭代次數(shù)或者是其誤差值達到可接受的范圍。

33神經(jīng)網(wǎng)絡(luò)的旅游物流需求預(yù)測模型的建立

331模型中數(shù)據(jù)指標確定

目前我國仍沒有健全的物流統(tǒng)計制度，因此實際工作中收集旅游物流需求數(shù)據(jù)十分困難。這里采用間接指標法――利用與旅游物流需求相關(guān)的經(jīng)濟指標來建立旅游物流需求的經(jīng)濟指標體系，通過數(shù)學的方法進行總結(jié)與推導，確定旅游物流需求模型。

旅游物流需求是一種派生需求，這種需求的大小與其本身發(fā)展有著密切的關(guān)系。從宏觀層面上考慮主要有內(nèi)外兩部分因素：旅游業(yè)自身發(fā)展的狀況及外部環(huán)境的影響。從微觀層面來說，旅游業(yè)自身發(fā)展的狀況是旅游物流需求的關(guān)鍵因素。旅游業(yè)產(chǎn)值越高，旅游物流需求增長隨之增加，反之亦然。由此，本文選取旅游總收入和接待人數(shù)作為預(yù)測旅游物流需求的指標。其次，影響旅游物流的其他關(guān)鍵因素就是旅游行業(yè)本身所投入的設(shè)施、人員、公路鐵路旅客周轉(zhuǎn)量等因素。根據(jù)旅游物流能力的理解從“吃、住、行、購、游、娛”等方面進行指標的選取，如“吃、住”方面使用餐飲住宿從業(yè)人數(shù)、星級飯店數(shù)目衡量；“行”使用公路、鐵路旅客的周轉(zhuǎn)量來衡量等；“游”則使用旅行社從業(yè)人數(shù)等方面來衡量。這些因素都對行業(yè)的產(chǎn)值有較大的影響。因此，在模型中可將這些相關(guān)經(jīng)濟指標作為旅游物流需求規(guī)模的影響因素。由此可選擇如下輸入層指標：星級飯店數(shù)X1、接待入境旅游者平均每人消費額X2、餐飲住宿業(yè)從業(yè)人數(shù)X3、旅行社從業(yè)人數(shù)X4、鐵路旅客周轉(zhuǎn)量X5、公路旅客周轉(zhuǎn)量X6、旅游部門游船年末實有船數(shù)X7，旅游部門旅游客車年末實有數(shù)X8，共有8個。而把旅游業(yè)的年收入Y1與年接待入境旅游者人數(shù)Y2作為物流需求預(yù)測的目標。

332數(shù)據(jù)來源

本文選取的數(shù)據(jù)資料來源于廣西壯族自治區(qū)歷年統(tǒng)計年鑒、中國統(tǒng)計年鑒、中國旅游年鑒，如表1所示。根據(jù)樣本數(shù)據(jù)選取原則，將2005年和2012年的數(shù)據(jù)作為網(wǎng)絡(luò)測試樣本，最后用訓練好的神經(jīng)網(wǎng)絡(luò)預(yù)測2014―2016年的物流需求規(guī)模。

333廣西旅游物流需求的BP人工神經(jīng)網(wǎng)絡(luò)模型

（1）樣本數(shù)據(jù)的歸一化處理。選取X1，X2，X3，X4，X5，X6，X7，X8作為廣西旅游物流需求預(yù)測BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入，Y1，Y2為BP網(wǎng)絡(luò)的輸出。根據(jù)BP 的本身特點，對輸入層數(shù)據(jù)進行歸一化時，采用如下公式：y=log[JB（（]x[JB））]/10。對輸出層數(shù)據(jù)則使用歸反一化處理，公式如下：P=log[JB（（]tT[JB））]/10。

（2）網(wǎng)絡(luò)節(jié)點的確定。根據(jù)構(gòu)建好的評價指標體系，可以確定輸入層的節(jié)點數(shù)為8，輸出層的指標數(shù)為2。

（3）網(wǎng)絡(luò)訓練。以traindx作為訓練函數(shù)，利用matlab計算。可知在最大訓練次數(shù)為200次，目標誤差為001，學習率設(shè)置為003，誤差曲線收斂于目標001，進過45次迭代后，網(wǎng)絡(luò)達到目標要求，訓練誤差圖見下圖。

訓練誤差圖

通過設(shè)置的數(shù)據(jù)，使用Braincell軟件對數(shù)據(jù)進行訓練，選取全部數(shù)據(jù)作為樣本數(shù)據(jù)組，2010―2013年的樣本作為將預(yù)測樣本，輸入模型可得2010―2013年的預(yù)測值見表2。

據(jù)表3可以看出，預(yù)測效果較好，一般來說，對于經(jīng)濟指標的預(yù)測，誤差能夠控制在3%以內(nèi)就算比較準確。因此，基于與旅游物流相關(guān)的其他經(jīng)濟數(shù)據(jù)來建立BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測旅游物流需求有一定的實用價值。

4結(jié)論

根據(jù)人工神經(jīng)網(wǎng)絡(luò)理論建立的旅游物流需求預(yù)測模型，通過Braincell神經(jīng)網(wǎng)絡(luò)的自學習特征，運用traindx函數(shù)進行訓練，在訓練過程中對權(quán)值進行不斷修正，誤差比率控制合適的在范圍內(nèi)，使網(wǎng)絡(luò)的實際輸出向量逐漸地接近期望的輸出值。最后把仿真的預(yù)測結(jié)果與真實量進行初步比較分析，得出的結(jié)果能夠證明使用神經(jīng)網(wǎng)絡(luò)模型對旅游物流的預(yù)測精度較高。因此可以得出以下的結(jié)論：用BP神經(jīng)網(wǎng)絡(luò)建立模型，可以準確地把與旅游物流相關(guān)的經(jīng)濟數(shù)據(jù)與目標本身的需求量進行結(jié)合，可得到較為精準的旅游物流需求預(yù)測值。由此可以推斷，人工神經(jīng)網(wǎng)絡(luò)作為高度的非線性體系，能夠?qū)?jīng)濟系統(tǒng)中個變量之間的非線性關(guān)系進行高精度的預(yù)測，將其運用在物流領(lǐng)域中的應(yīng)用具有更加廣闊的發(fā)展?jié)摿Α?/p>

參考文獻：

[1]王新利，趙琨基于神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品物流需求預(yù)測研究[J].農(nóng)業(yè)技術(shù)經(jīng)濟，2010（2）：64-66

[2]秦立公，韋金榮等基于BrainCell 的B2B 電子商務(wù)供應(yīng)鏈協(xié)同績效評價體系[J].中國集體經(jīng)濟，2014（15）：112-113

[3]張圣楠，郭文義，等基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓練[J].內(nèi)蒙古科技與經(jīng)濟，2005（17）：96-98

[4]熊勛人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價和預(yù)測中的應(yīng)用研究[D].武漢：華中科技大學，2009

[5]白平，陳菊紅基于旅游物流能力的西部旅游發(fā)展研究[J].新疆大學學報，2013（41）：16-17

[6]秦立公，王東，等旅游景區(qū)物流能力優(yōu)化研究[J].現(xiàn)代商業(yè)，2010（24）：47

篇8

關(guān)鍵詞：移動機器人；BP神經(jīng)網(wǎng)絡(luò)；軌跡跟蹤控制

引言

人工神經(jīng)網(wǎng)絡(luò)使非線性系統(tǒng)的描述成為可能，并且在學習、記憶、計算和智能處理方面表現(xiàn)出了很強的優(yōu)越性。人工神經(jīng)網(wǎng)絡(luò)具有如下特點：(1)可以按照指定的精度無限逼近幾乎各種復(fù)雜的非線性系統(tǒng)，解決了非線性系統(tǒng)的建模問題；(2)信息采用分布式存儲和處理方式，使得神經(jīng)網(wǎng)絡(luò)具有很高的運算效率和很強的容錯性和魯棒性； (3)可以自行調(diào)節(jié)參數(shù)和結(jié)構(gòu)實現(xiàn)自學習的目的以完成某項任務(wù)。（4）人工神經(jīng)網(wǎng)絡(luò)具有強魯棒性和適應(yīng)性，高可靠性以及智能性，為解決高維數(shù)、非線性、強干擾、時滯和不確定系統(tǒng)問題開辟了新思路并提供了方法，它在控制領(lǐng)域?qū)⒕哂信e足輕重的地位。

1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)的學習過程分為兩個階段：第一個階段是輸入已知學習樣本，通過設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計算各神經(jīng)元的輸出。第二階段是對權(quán)值和閾值進行修改，從最后一層向前計算各權(quán)值和閾值對總誤差的影響(梯度)，據(jù)此對權(quán)值和閾值進行修改。以上兩個過程反復(fù)交替，直到達到收斂為止。由于誤差逐層往回傳遞，以修正曾與層間的權(quán)值和閾值，所以稱該算法為誤差反向傳播算法。這種誤差反傳學習算法可以推廣到若干個中間層的多層網(wǎng)絡(luò)，因此該多層網(wǎng)絡(luò)常稱之為BP網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)根據(jù)每次的訓練樣本對權(quán)值進行修正，即使是在訓練樣本差別不大的情況下，各個神經(jīng)元之間的連接權(quán)值也要重新經(jīng)過計算進行修正。這在訓練樣本維數(shù)不大的情況下計算時間不會有很大差別，但是在實際應(yīng)用中，往往所要訓練的數(shù)據(jù)都是極為復(fù)雜和龐大的，神經(jīng)元個數(shù)也許是幾十個或幾百個，如果每個新的樣本數(shù)據(jù)都要重新經(jīng)過計算進行權(quán)值修正，尤其在兩個樣本數(shù)據(jù)整體均方誤差和很小或絕大部分數(shù)據(jù)完全一樣個別數(shù)據(jù)差別較大的情況下，這樣就會增加重復(fù)的不必要的計算量，大大浪費計算時間，降低權(quán)值調(diào)整效率，難以滿足實時性要求。針對以上問題，提出了一種改進的BP神經(jīng)網(wǎng)絡(luò)。它通過把傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)根據(jù)其規(guī)模分割成若干更小的子網(wǎng)分別進行訓練來達到提高計算效率的目的

2 基于改進的BP神經(jīng)網(wǎng)絡(luò)的軌跡跟蹤

移動機器人的控制器設(shè)計問題可以描述為：給定參考位置和參考速度，為執(zhí)行力矩設(shè)計一個控制法則，控制機器人移動，使其平穩(wěn)地跟蹤速度輸入和參考位置。

2.1基于后退算法的運動學控制器設(shè)計

根據(jù)移動機器人的運動學方程來選擇用于實現(xiàn)跟蹤的速度控制輸入，表示如下:

  (1)

其中, ,均為設(shè)計參數(shù)。

速度控制信號的導數(shù)為：

(2)

控制信號誤差為：

  (3)

由李雅普諾夫理論可以得知，所設(shè)計的運動學控制器能使系統(tǒng)的跟蹤誤差收斂。

2.2 基于改進BP神經(jīng)網(wǎng)絡(luò)的動力學控制器設(shè)計

如果一個向量僅是一個變量的函數(shù)，那么就可以用靜態(tài)神經(jīng)網(wǎng)絡(luò)來建模。即：

    (4)

式中，和是GL向量，它們各自元素分別為和。是模型誤差向量，其元素是。其中，來表示一般向量或矩陣, 和“”分別表示GL 矩陣及其乘積算子。

由移動機器人動力學方程式知，僅是的函數(shù)，是和的函數(shù)，所以，可得：

  (5)

    (6)

式中，，和是GL矩陣，其各自元素分別為： ，，和。其中，和 是矩陣，其模型誤差元素為：和。

3 結(jié)論

改進的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動機器人軌跡跟蹤控制具有正確性、高效性、實用性和智能性等優(yōu)勢，把神經(jīng)網(wǎng)絡(luò)分割成若干子網(wǎng)分別進行訓練獲取了更高計算效率的方法，使BP神經(jīng)網(wǎng)絡(luò)避免了不必要的權(quán)值調(diào)整，提高了網(wǎng)絡(luò)的訓練效率。

參考文獻：

[1]韓光信,陳虹. 約束非完整移動機器人軌跡跟蹤的非線性預(yù)測控制. 吉林大學學報(工學版),2009,39(01):177-18

篇9

[關(guān)鍵詞] 機器學習 遺傳算法 人工神經(jīng)網(wǎng)絡(luò) 支持向量機

當前人工智能研究的主要障礙和發(fā)展方向之一就是機器學習。包括學習的計算理論和構(gòu)造學習系統(tǒng)。機器學習與計算機科學、心理學、認知科學等都有著密切的聯(lián)系，涉獵的面比較廣，有許多理論及技術(shù)上的問題尚處于研究之中。

一、什么是機器學習

機器學習就是要使計算機能模擬人的學習行為，自動地通過學習獲取知識和技能，重新組織已有的知識結(jié)構(gòu)，不斷改善自身的性能，實現(xiàn)自我完善。即機器學習研究的就是如何使機器通過識別和利用現(xiàn)有知識來獲取新知識和新技能。它是人工智能的核心，是使計算機具有智能的根本途徑。該門科學起源于心理學、生理學、生物學、醫(yī)學等科學，研究發(fā)展過程中涉及到數(shù)學、物理學、計算機科學等領(lǐng)域。機器學習主要圍繞學習機理、學習方法、面向任務(wù)這三個方面進行研究，其應(yīng)用幾乎遍及自然科學的各個領(lǐng)域。其中最多的是模式識別、通訊、控制、信號處理等方面。

二、機器學習系統(tǒng)

學習是建立理論、形成假設(shè)和進行歸納推理的過程。為使計算機系統(tǒng)具有某種程度的學習能力，使它能夠通過學習獲取新知識，以改善性能，提高智能水平，需要建立相應(yīng)的學習系統(tǒng)。學習系統(tǒng)一般由環(huán)境、學習環(huán)節(jié)、知識庫、執(zhí)行與評價組成，整個過程包括信息的存儲、知識的處理兩大部分。機器學習系統(tǒng)模型如圖1所示。

圖1 機器學習模型

框架圖中的箭頭表示知識的流向；環(huán)境是指外部信息源；學習環(huán)節(jié)是指系統(tǒng)通過對環(huán)境的搜索獲取外部信息，然后經(jīng)過分析、綜合、類比、歸納等思維過程獲得知識并將獲得知識存入知識庫；知識庫用于存儲由學習得到的知識，在存儲時要進行適當?shù)慕M織，使它既便于應(yīng)用又便于維護；執(zhí)行部分用于處理系統(tǒng)面臨的現(xiàn)實問題，即應(yīng)用學習到的知識求解問題。另外從執(zhí)行到學習必須有反饋信息，學習將根據(jù)反饋信息決定是否要進一步從環(huán)境中搜索信息進行學習，以修改、完善知識庫中的知識。這是機器學習系統(tǒng)的一個重要特征。機器學習系統(tǒng)是對現(xiàn)有知識的擴展和改進。

三、機器學習的主要策略

學習是一項復(fù)雜的智能活動，學習過程與推理過程緊密相連。按照學習中使用的推理的多少，機器學習所采用的策略主要可分為機械學習、通過傳授學習、類比學習和通過實例學習等。學習中所用的推理越多，系統(tǒng)的能力越強。本文主要介紹以下三種機器學習方法，即遺傳算法、人工神經(jīng)網(wǎng)絡(luò)模型及支持向量機。

1、遺傳算法

遺傳算法是一類借鑒生物界的進化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機制）演化而來的隨機化搜索方法。其主要特點是直接對結(jié)構(gòu)對象進行操作，不存在求導和函數(shù)連續(xù)性的限定；具有隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動獲取和指導優(yōu)化的搜索空間，自適應(yīng)的調(diào)整搜索方向，不需要確定的規(guī)則。

由于遺傳算法的整體搜索策略和優(yōu)化搜索方法，在計算時是不依賴于梯度信息和其他輔助信息，而只需要影響搜索方向的目標函數(shù)和相應(yīng)的適應(yīng)度函數(shù)，所以遺傳算法提供了一種求解復(fù)雜問題的通用框架，它不依賴于問題的具體領(lǐng)域，對問題的種類有很強的魯棒性，所以廣泛應(yīng)用于自動控制、計算科學、工程設(shè)計、智能故障診斷、管理科學和社會科學等領(lǐng)域，適用于解決復(fù)雜的非線性和多維空間尋優(yōu)問題。

2、人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)基本模型是在現(xiàn)代神經(jīng)科學的基礎(chǔ)上提出和發(fā)展起來的，旨在反映人腦結(jié)構(gòu)及功能的一種抽象數(shù)學模型（見圖3）。

圖3 神經(jīng)網(wǎng)絡(luò)基本模型

一個人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點經(jīng)廣泛互連而組成的復(fù)雜網(wǎng)絡(luò)拓撲，用于人類進行知識和信息表示、存儲和計算行為。神經(jīng)元模型如圖4所示。

每一個細胞處于兩種狀態(tài)。突觸聯(lián)接有強度。多輸入單輸出。實質(zhì)上傳播的是脈沖信號，信號的強弱與脈沖頻率成正比。

在神經(jīng)網(wǎng)絡(luò)中，大量神經(jīng)元的互連結(jié)構(gòu)及各連接權(quán)值的分布就表示了學習所得到的特定要領(lǐng)和知識。在網(wǎng)絡(luò)的使用過程中，對于特定的輸入模式，神經(jīng)網(wǎng)絡(luò)通過向前計算，產(chǎn)生一個輸出模式，并得到節(jié)點代表的邏輯概念， 通過對輸出信號的比較與分析可以得到特定解。神經(jīng)元之間具有一定的冗余性，并且允許輸入模式偏離學習樣本，因此神經(jīng)網(wǎng)絡(luò)的計算行為具有良好的并行分布、容錯和抗噪能力。

神經(jīng)網(wǎng)絡(luò)模型包括前饋型網(wǎng)絡(luò)、反饋型網(wǎng)絡(luò)、自組織競爭人工神經(jīng)網(wǎng)絡(luò)等。

圖4神經(jīng)元模型

（1）前饋型網(wǎng)絡(luò)(BP)

前饋型網(wǎng)絡(luò)，最初稱之為感知器（包括單層感知器和多層感知器），是應(yīng)用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型。前饋網(wǎng)絡(luò)結(jié)構(gòu)是分層的，信息只能從下一層單元傳遞到相應(yīng)的上一層單元，上層單元與下層所有單元相聯(lián)接。轉(zhuǎn)移函數(shù)可以是線性閾值的。多層感知器也被稱為BP網(wǎng)絡(luò)。多層感知器的輸入輸出關(guān)系與單層感知器完全相同。前一層的輸出是下一層的輸入。

（2）反饋型網(wǎng)絡(luò)(Hopfield)

反饋型網(wǎng)絡(luò),它是一種動態(tài)反饋系統(tǒng)，所有計算單元之間都有聯(lián)接。比前饋網(wǎng)絡(luò)具有更強的計算能力。

（3）自組織競爭人工神經(jīng)網(wǎng)絡(luò)

在實際的神經(jīng)網(wǎng)絡(luò)中，存在一種側(cè)抑制的現(xiàn)象。即一個細胞興奮后，通過它的分支會對周圍其他神經(jīng)細胞產(chǎn)生抑制。這種側(cè)抑制在脊髓和海馬中存在，在人眼的視網(wǎng)膜中也存在。

自組織映射模型是由Kohonen提出來的。模型是以實際神經(jīng)細胞中的一種特征敏感的細胞為模型的。各個細胞分別對各種輸入敏感，可以代表各種輸入，反映各種輸入樣本的特征。如果在二維空間上描述這些細胞，則，功能相近的細胞聚在一起，靠得比較近。功能不同的離得比較遠。開始是無序的，當輸入樣本出現(xiàn)后各個細胞反映不同，強者依照“勝者為王”的原則，加強自己的同時對周圍細胞進行壓抑。使其對該種樣本更加敏感，也同時對其他種類的樣本更加不敏感。此過程的反復(fù)過程中，各種不同輸入樣本將會分別映射到不同的細胞上。

人工神經(jīng)網(wǎng)絡(luò)以其具有自學習、自組織、較好的容錯性和優(yōu)良的非線性逼近能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。在實際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型（簡稱BP網(wǎng)絡(luò)），目前主要應(yīng)用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。 但不適合高精度計算；學習問題沒有根本解決，慢；目前沒有完整的設(shè)計方法，經(jīng)驗參數(shù)太多。

3、支持向量機（SVM）

支持向量機是一種基于統(tǒng)計的學習方法，它是對結(jié)構(gòu)風險最小化歸納原則的近似。它的理論基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計學習理論。

SVM就是首先通過用內(nèi)積函數(shù)K(xi，xj)定義的非線性變換將輸入空間變換到一個高維空間，在這個空間中求（廣義）最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點的線性組合，每個中間節(jié)點對應(yīng)一個支持向量。

由于統(tǒng)計學習理論和支持向量建立了一套較好的有限樣本下機器學習的理論框架和通用方法，既有嚴格的理論基礎(chǔ)，又能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題，因此成為20世紀90年代末發(fā)展最快的研究方向之一，其核心思想就是學習機器要與有限的訓練本相適應(yīng)。

學習是人類智能的主要標志和獲得智慧的基本手段，機器學習的研究就是希望計算機能像人類那樣具有從現(xiàn)實世界獲取知識的能力，同時進一步發(fā)現(xiàn)人類學習的機理和揭示人腦的奧秘。機器學習涉及到連接理論、認知理論、行為科學、神經(jīng)科學等多門科學。因此，對于機器學習的研究，只有采用計算機科學、控制論、人工智能、認知科學、神經(jīng)科學、心理學等多學科交叉的方法，才可望取得機器學習研究的更大進展。

機器學習是一個十分活躍、充滿生命力的研究領(lǐng)域，同時也是一個比較困難、爭議頗多的研究領(lǐng)域，雖然取得了一些令人矚目的成就，但還存在許多尚未解決的問題。目前人工智能研究的主要障礙和發(fā)展方向之一就是機器學習，因此，機器學習有著廣闊的研究前景。

參考文獻:

[1] 張景繪，動力學系統(tǒng)建模［M］.北京：國防工業(yè)出版社，2000.

[2] 楊義勇等，機械系統(tǒng)動力學［M］.北京：清華大學出版社，2009.

篇10

關(guān)鍵詞：智能控制；感知器；教案設(shè)計；教學實踐

作者簡介：黃從智（1982-），男，湖北浠水人，華北電力大學控制與計算機工程學院，副教授；白焰（1954-），男，遼寧沈陽人，華北電力大學控制與計算機工程學院，教授。（北京 102206）

基金項目：本文系北京高等學校青年英才計劃項目（項目編號：YETP0703）、北京市共建項目專項資助的研究成果。

中圖分類號：G642.0     文獻標識碼：A     文章編號：1007-0079（2014）14-0095-02

智能控制是自動化專業(yè)本科高年級必修課程，智能控制課程涵蓋專家系統(tǒng)、模糊控制、神經(jīng)網(wǎng)絡(luò)、進化計算等四大主要模塊，是一門跨學科課程，基本概念和教學內(nèi)容極其豐富，應(yīng)用范圍十分廣泛。[1]該課程一般以“自動控制理論”、“現(xiàn)代控制理論”、“線性代數(shù)”為先修課程，作為研究生課程的學科前沿類概論課程，其主要目的是引導學生掌握智能控制理論的基本概念、思想方法，了解其能解決的實際問題，培養(yǎng)學生實際動手能力，提高分析、解決實際問題的能力。[2-5]為使學生在有限課堂時間內(nèi)在理論學習和仿真實現(xiàn)兩個方面都有所收獲，筆者結(jié)合近幾年的教學實際，從學生實際出發(fā)，貼近工業(yè)過程控制實際，不斷優(yōu)化課堂教學內(nèi)容和教學方式，在理論教學內(nèi)容和教學方式等方面進行了一系列持續(xù)的探索和研究，在教學實踐中不斷反復(fù)總結(jié)教學經(jīng)驗優(yōu)化教案，根據(jù)學生實際情況不斷改進教學方式，取得了較好的教學效果。

感知器是最簡單也最基本的人工網(wǎng)絡(luò)模型，掌握好感知器的基本數(shù)學模型對于學習掌握人工神經(jīng)網(wǎng)絡(luò)具有非常重要的意義。[6]本文以“感知器”這堂課的教案設(shè)計優(yōu)化與教學實踐為例，力圖在智能控制教學方面做出一些有益的探索，為培養(yǎng)工程化創(chuàng)新實踐型人才做出應(yīng)有貢獻。

一、感知器的模型

首先通過人工神經(jīng)網(wǎng)絡(luò)早期的發(fā)展歷史引入感知器的模型。早在1943年，美國神經(jīng)生理學家麥卡洛克（McCulloch）和皮茲（Pitts）就提出了第一個人工神經(jīng)元模型――MP模型。MP模型的提出，標志著人工神經(jīng)網(wǎng)絡(luò)研究的開始。但是，在MP模型里，它的模型參數(shù)必須事先人為設(shè)定不能調(diào)整，因而缺乏與生物神經(jīng)元類似的學習能力。

在MP模型的基礎(chǔ)上，引入了學習能力就是本節(jié)課要學習的感知器，這是美國學者羅森布拉特在1958年提出的第一個人工神經(jīng)網(wǎng)絡(luò)模型。感知器的提出是人工神經(jīng)網(wǎng)絡(luò)發(fā)展史上的重要轉(zhuǎn)折點，它標志著人工神經(jīng)網(wǎng)絡(luò)從此有了智能的特性，此后進入了第一個發(fā)展?；谶@段發(fā)展歷史，開始介紹感知器的數(shù)學模型。

單層單神經(jīng)元感知器的基本模型如圖1所示。

由圖1可知，單層單神經(jīng)元感知器是一個閾值加權(quán)和模型，有n個輸入變量x1，x2，…，xn，它們對應(yīng)的權(quán)值分別是w1，w2，…，wn，加權(quán)求和后與閾值θ相比較，得到u，即。

如果把閾值并入權(quán)值的話，那么把它看作是第0個輸入，x0=1，權(quán)值為w0=-θ。這樣就可以把它改寫為加權(quán)求和的形式，。輸入特征向量就是[x0，x1，x2，…，xn]，對應(yīng)的權(quán)值為[w0，w1，w2，…，wn]，然后u經(jīng)過激勵函數(shù)f變換為輸出y。一句話，感知器的運算法則就是：加權(quán)、求和、取函數(shù)。這個函數(shù)稱為激勵函數(shù)（Activation Function）。早期的激勵函數(shù)采用硬限幅函數(shù)Hard-limiting，當輸入u大于或等于0時，輸出y為1；否則y為0。由于其輸出只能是0或1，它主要用于兩個模式的分類問題。有時可能要求輸出能在0到1之間連續(xù)取值，比如模糊控制中模糊隸屬度的輸出是個概率估計值，這時可采用Sigmoid函數(shù)，當輸入u在（－∞，+∞）之間變化時，輸出y在[0，1]之間連續(xù)取值。

單層單個神經(jīng)元的感知器主要用于兩類模式的分類問題，比如說要區(qū)分一個水果到底是蘋果還是桔子？可根據(jù)水果的一些特征來進行判斷，一看外形，圓形的定義輸入為0，橢圓形的就為1；二看顏色，黃色為0，紅色為1；三看質(zhì)地，光滑為0，粗糙為1。這樣就得到三個不同的輸入，其值可能為0或1。蘋果一般認為是圓形、紅色、光滑的，就定義其輸入為[0，1，0]，而桔子一般認為是橢圓形、黃色、粗糙的，就定義其輸入為[1，0，1]。按照這三個不同的特征將水果分為蘋果和桔子兩種不同的類別，可定義輸出0為蘋果，輸出1為桔子。因此可采用一個三輸入一輸出的單層單個感知器網(wǎng)絡(luò)，只要選擇合適的權(quán)值和閾值，就能實現(xiàn)從[0，1，0]到0、從[1，0，1]到1的一一映射，解決這樣最簡單的兩個模式分類問題。實際生活中常見的人臉識別、虹膜識別都是模式識別的范疇，都可采用類似方法解決，有興趣的同學將來可在模式識別與智能系統(tǒng)碩士專業(yè)繼續(xù)深造。

進一步地，如還要區(qū)分桃子、梨子、西瓜、葡萄等多種水果，則需用感知器分類多個模式，要求感知器有多個輸出，就需要用到更復(fù)雜的多層多神經(jīng)元感知器。

二、感知器的應(yīng)用――邏輯函數(shù)實現(xiàn)

除模式分類外，感知器還可用于邏輯函數(shù)實現(xiàn)，以下結(jié)合兩個實例說明。

1.實例分析1：如何用感知器實現(xiàn)邏輯運算“與”、“或”、“非”

從邏輯“與”真值表可知，只有當兩個輸入同為1時，輸出才為1，否則輸出為0?？梢杂?輸入1輸出的單層單神經(jīng)元感知器，激勵函數(shù)采用硬限幅函數(shù)。以兩個輸入x1和x2為坐標軸畫出分類示意圖，（0，0）、（0，1）、（1，0）、（1，1）分別表示四種可能的輸入模式，那怎么將它們區(qū)分開呢？如采用直線x1+x2-1.5=0就容易將其輸出分為兩類即0和1。直線上方對應(yīng)的u大于0，輸出y為1；直線下方對應(yīng)的u小于0，輸出y為0。對比下，就能確定感知器的權(quán)值均為1，閾值為1.5，這樣就實現(xiàn)了邏輯“與”功能。

類似地，也可用一個這樣的感知器來實現(xiàn)邏輯“或”，這很容易通過類比方法解決，留給學生課后思考。而邏輯“非”呢，更簡單了，它只有一個輸入一個輸出，采用單輸入單神經(jīng)元感知器就可實現(xiàn)了。它的分界線就是直線-x1+0.5=0，正好把0和1這兩類區(qū)分開來。

既然感知器能實現(xiàn)邏輯“與”、“或”、“非”功能，那它能不能實現(xiàn)邏輯“異或”呢？這也是本節(jié)課要介紹的第二個實例。

2.實例分析2：如何用感知器實現(xiàn)邏輯運算“異或”

由真值表可知，邏輯運算“異或”定義為：兩個輸入x1和x2同為0或1時，輸出y為0，否則y為1。根據(jù)邏輯運算“與”的實現(xiàn)經(jīng)驗知，要實現(xiàn)邏輯運算“異或”，只需一個2輸入1輸出的感知器。在二維平面上對應(yīng)的四個點（0，0）、（0，1）、（1，0）和（1，1），其中（0，0）、（1，1）這兩個點對應(yīng)的輸出為0，（0，1）、（1，0）這兩個點對應(yīng)的輸出為1。關(guān)鍵問題在于：這個平面上能否找到一條分界線將（0，0）、（1，1）這兩個點和（0，1）、（1，0）這兩個點區(qū)分開來？無論怎么找都找不到，實際上這樣的直線是不存在的。

美國麻省理工大學（MIT）的Minsky教授在1969年出版的《感知器》一書中發(fā)出感慨：感知器連最簡單的異或都實現(xiàn)不了，研究人工神經(jīng)網(wǎng)絡(luò)還有什么前途？Minsky是1969年圖靈獎獲得者，而圖靈獎是計算機領(lǐng)域的諾貝爾獎，由于他在人工智能領(lǐng)域當時是絕對的學術(shù)權(quán)威，這個悲觀的論調(diào)無疑給當時的神經(jīng)網(wǎng)絡(luò)研究潑了一盆冷水，直接導致美國和前蘇聯(lián)幾乎中止了這方面的研究。那么，感知器到底能不能實現(xiàn)“異或”呢？它有四個可能的輸入，兩類可能的輸出，采用什么分界線可以區(qū)分這兩類不同模式的輸出呢？用直線不能區(qū)分，那么用其他圖形呢？此時啟發(fā)學生積極思考，主動采用發(fā)散性思維方式創(chuàng)造性解決問題。以（0，0）和（1，1）為焦點畫個橢圓，就可以區(qū)分它們了，如圖2所示。

如圖2（a）所示，橢圓方程為：，對應(yīng)的單層非線性感知器如圖2（b）所示，其輸入是x1和x2，經(jīng)過非線性處理再加權(quán)求和后得到u，再經(jīng)過硬限幅激勵函數(shù)f運算得到輸出y。顯然，當x1和x2同為0或為1時，u為-1，再經(jīng)f運算得y為0；當x1和x2不同時，u為15，再經(jīng)f運算得輸出y為1，正好實現(xiàn)了邏輯運算“異或”功能。

如圖2所示的橢圓可將這四個點對應(yīng)的兩類輸出區(qū)分出來，那么是不是還有其他方法呢？此時啟發(fā)學生再提出其他所有可能的解決方案。其中一種可行的解決思路如下：考慮用兩條直線圍成的帶狀區(qū)域作為分界線，如圖3所示。

如圖3（a）所示，如分界線采用這個帶狀區(qū)域，也可以將它們對應(yīng)的輸出劃分為兩類。其對應(yīng)的是如圖3（b）所示的多層線性感知器，這里采用了兩層：1個隱含層有2個神經(jīng)元，1個輸出層有1個神經(jīng)元。具體論證過程讓學生課后自己驗證。

通過以上分析，讓學生獨立自主發(fā)現(xiàn)問題、分析問題、解決問題，得出結(jié)論：單層線性感知器的確無法實現(xiàn)邏輯運算“異或”功能，但是換個角度，采用一個單層非線性感知器或多層線性感知器就能實現(xiàn)邏輯運算“異或”功能。通過介紹這段歷史，啟迪學生一個道理：同學們在學習的時候，不要盲目地迷信一些學術(shù)權(quán)威或書本，要學會獨立思考、大膽懷疑，要有發(fā)散思維，要用發(fā)展變化的觀點去分析問題和解決問題，換個角度思考很可能就會柳暗花明又一村。

三、課堂內(nèi)容總結(jié)及第二課堂設(shè)計

總結(jié)一下本堂課的講課內(nèi)容，主要介紹了感知器的數(shù)學模型，并結(jié)合實例分析了它在模式識別和邏輯函數(shù)功能實現(xiàn)中的實際應(yīng)用。作為下次課程的引子，可以將“關(guān)于感知器如何學習，它的權(quán)值和閾值如何調(diào)整”這一問題拋給學生在后續(xù)課程中繼續(xù)學習。

課程雖然結(jié)束了，但有很多后續(xù)問題可留給學生課后思考，所以在第二課堂設(shè)計中增加了如下問題讓學生積極思考，主動去尋找這些問題的答案：

問題一：除課堂中介紹的兩種方法之外，還有沒有其他方法也可以設(shè)計一個感知器實現(xiàn)邏輯運算“異或”功能呢？

問題二：既然感知器可以解決邏輯運算“異或”功能，那么如何用感知器實現(xiàn)邏輯運算“同或”功能呢？

問題三：根據(jù)課程內(nèi)容，如何利用MATLAB或C語言編寫程序設(shè)計感知器，研究分別實現(xiàn)邏輯運算“與”、“或”、“非”、“異或”、“同或”功能？[7]

問題四：進一步地，如何利用MATLAB或C語言編寫程序設(shè)計BP神經(jīng)網(wǎng)絡(luò)，研究分別實現(xiàn)邏輯運算“與”、“或”、“非”、“異或”、“同或”功能？

四、教學效果

通過在本科智能控制課程四大模塊之一的人工神經(jīng)網(wǎng)絡(luò)“感知器”部分課堂教學實踐中實際應(yīng)用上述優(yōu)化后的教案，極大地激發(fā)了學生濃厚的學習興趣。教學實踐表明，學生普遍由此對人工神經(jīng)網(wǎng)絡(luò)的課程內(nèi)容產(chǎn)生了較大的學習興趣，部分同學針對所學內(nèi)容提出了一些很有新意的解決思路，并通過自行編程實現(xiàn)了所提出的解決方案。學生在學習過程中充分發(fā)揮了主體作用，充分利用發(fā)散性思維能力，提高了綜合分析問題、解決問題的能力和創(chuàng)新能力。

參考文獻：

[1]劉金錕.智能控制[M].第2版.北京:電子工業(yè)出版社,2009.

[2]蔡自興.智能控制導論[M].北京:中國水利水電出版社,2007.

[3]蔡自興.智能控制原理與應(yīng)用[M].北京:清華大學出版社,2007.

[4]韋巍,何衍.智能控制基礎(chǔ)[M].北京:清華大學出版社,2008.

[5]李少遠,王景成.智能控制[M].北京:機械工業(yè)出版社,2009.