神经网络情感分析精选(九篇)

第1篇：神经网络情感分析范文

关键词：网络成瘾,精神分析,自我防御

1 问题的提出

网络成瘾（internet addition,简称IA）,又称为“网络成瘾症”（internet additiondisorder,简称IAD）,在医学上也被称为“病态性网络使用”（pathological internet use,简称PIU）。这种新型的心理疾病主要是由于过的使用互联网，使自身的社会功能、工作以及生活等方面受到严重的影响和损害。[①]从心理上来讲。主要表现在对网络的依赖性和耐受性；从生理的角度上讲，这类疾病对人的健康危害极大，尤其会使人体的植物神经功能紊乱，导致失眠、紧张性头痛等，同时还会使人食欲不振，还会造成个体的免疫系统机能下降。

大学生是社会中的一个特殊的群体，他们具有丰富的知识储备，课余有大量的自由时间、远离父母，缺少必要地约束有大量的接触网络的机会与时间。面对互联网构建的虚拟世界，大学生表现出了极高的认同度和参与热情，然而一旦成瘾，就会影响正常生活和学习，陶醉在虚幻的世界里，与现实脱节，导致社会适应不良，人际交往技能低下等不良后果。北京大学的钱铭怡教授在对北京12所高校的近500名学生进行了抽测中，网络成瘾者占被抽测人数的6.4%。而根据最新的调查显示网络成瘾的比例已达到15%之多。[②]

自精神分析问世以来，其理论、观点已渗透到社会生活、学习的各个领域。本文也试图以精神分析的理论观点为基础对大学生网络成瘾现象进行探讨。

2 精神分析视野下的网络成瘾

2.1网络成瘾是本能冲动的体现

弗洛伊德认为人有两种本能，生之本能和死之本能。本能的存在就要求个体将之表现，并且去满足它们。但在现实生活中，个体需要表现的是代表人性与现实相结合的自我，这就使得被压抑的本我寻找释放的途径。

大学阶段是一个性的探索阶段，由于性器官发育成熟以及社会及大众媒体不断提供性的诱惑与刺激，他们正处于行冲动增高的时期。他们通过浏览色情网站以及沉溺于攻击性游戏来释放这种被压抑的本能冲动。在网络游戏中，他们可以随意的攻击、破坏，将他们在现实社会中所压抑的攻击本能发挥得淋漓尽致。而他们在网络中所获得的感官刺激以及连续的快感都使得他们欲罢不能。如果说将对“成人网站”的沉迷解释为个体性欲望的满足那么这也就成为了一种性本能释放的一种途径。

2.2网络成瘾是人格发展阶段的体现

埃里克森将18---25岁成为成人早期，这一阶段发展的任务是获得亲密感和克服孤独感。大学生正处于这一阶段。当大学生进入校园后，他们非常渴望与他人亲密接触，获得他人的理解与支持。亲密的人际交往能给人带来安全感以及社会支持，使人有归属感。但这种归属感要依赖于与同伴形成的关系。但是在现实世界中向他人暴露过多的个人隐私，会令双方都体验到压力与不安，这就使得他们更加不易向别人吐露隐私与秘密，使得别人更加困难的去了解他们。他们会越来越封闭，体验到孤独。在校园这一有限的资源中不能寻求到归属与认同他们就回去更广阔的空间去寻求。而在网络这一虚拟的空间中，人际交往是广泛、间接的，相对来说也是安全的。。在网络中人们可以不用自己的真实身份，这样就避免了因泄漏身份而引起的丢面子或危及自身利益的担忧。在网络中对他人的自我暴露也不会向现实中那样存在猜疑、顾虑，这时的暴露会很容易寻求到“知音”。在网络交往中，个体获得了现实生活中所不能提供的情感安慰。虽然不断的有网友被骗此类的消息出现，但是网迷们深陷于这种网络所提供的情感慰籍中不能自拔，造成网络成瘾。

2.3摆脱基本焦虑的体现

霍妮认为个体行为的基本动机是由于出生后受环境压力影响逐渐形成的焦虑所支配。个体为了减轻基本焦虑所带来的痛苦会逐渐形成未必是合理的适应的行为方式。随着社会竞争的日益激烈，社会对人才的要求越来越高，大学生由于对未来的茫然以及缺乏安全感使得心理压力越来越大，焦虑也日益加深。这就迫切的需要解除这种焦虑。霍妮认为现代人常常是通过麻醉自己来解脱焦虑，通过沉迷于某件事情来回避或忘掉焦虑；还有就是避免一切导致焦虑的处境、思想和感受。在这种情况下，网络生活在解脱焦虑的优势就显露无疑。网络具有隐匿性、开放性、便捷性以及互动性等特点。这些都有助于人们转移、倾诉和宣泄自己的不良情绪，暂时忘掉或回避焦虑。正是由于网络生活的这一功用使得网络成瘾者在此环境中乐此不疲最终越陷越深，不能自拔。

3.对高校辅导员干预网瘾者的启示

通过对精神分析视野下大学生网络成瘾的分析，我们可以了解精神分析的观点认为成瘾本身是个体的一种防御机制。对大学生来说，保护自己是正常的，并且作为对难以处理的事情的反应，防御机制是自然发生的。网络成瘾能够保护自己免于面对不可抗拒的焦虑、抑郁以及其他一些负面情绪。并且在对他们进行干预时，他们为了解除戒瘾所带来的焦虑与痛苦也会使用一些防御机制。如果大学的辅导员或是网瘾矫正人员能理解、识别大学生网络成瘾者的防御机制，在干预的过程中就可以用智慧的方式去应对它。大学生网络成瘾者常用到的一些自我防御机制有：

1.合理化。。他们总是在试着用合理的观点或者是解释来为自己的成瘾进行辩护。例如，网瘾者会说：“我郁闷，大学生活太空虚，我无事可作，你说我能做什么？”

2.否认。通过改变知觉而否认痛苦事实的存在。例如，网瘾者在戒瘾的时候，当面对那些由于上网所引起的身体或者学习上的下降时，可能否认这些事实。认为这些都是假的。

3．补偿作用。。一个网瘾者在戒瘾的时候可能会通过对其他快乐方式的沉浸，来解除戒瘾所带来的焦虑和痛苦。

4．孤立。为了不再受到伤害，将自己退缩到被动的状态。大学生网瘾者在戒瘾的时候可能会不在接触网络，将自己封闭起来，害怕再次受到伤害。

4.总结

通过对精神分析视野下网络成瘾现象的探讨，首先，我们可以了解到网络成瘾的内在心理动力机制。其次，随着当前网络技术的不断发展，借助网络的社会商务和学习活动会越来越频繁。而通过探讨，我们可以了解到精神分析理论的基本观点强调的是如何在满足本我需要的同时去适应现实社会以避免焦虑的产生，也是一种适应现实的问题。最后，通过在精神分析视野下对网络成瘾现象的探讨，我们了解到了网络成瘾现象的内在心理机制。而这种心理机制必然有其生理基础，弗洛伊德在研究中强调个体生理因素的影响。我们要进一步做好网络成瘾现象的研究就必须对其生理机制进行探讨。

参考文献

[1] 程乐华. 网络心理行为公开报告[M]. 广州：广东经济出版社，2002.4

[2] 陶国富，王祥兴. 大学生网络心理[M]. 上海：立信会计出版社，2004.5

[3] 沈德灿. 精神分析心理学[M]. 杭州：浙江教育出版社，2005

[4] 黄希庭. 人格心理学[M]. 杭州：浙江教育出版社，2002

[5] 牛影辉. 大学生网络成瘾的心理学研究[J]. 大众科技，2006.2

第2篇：神经网络情感分析范文

关键词 网络文化 大学生 价值观 多层感知器

一、研究背景

21世纪是网络信息的时代，网民数量飞快增长。据中国互联网络信息中心（CNNIC）信息显示，截至 2012 年 6 月底，手机网民规模达到 3.88亿，电脑网民为 3.80 亿，互联网普及率为 39.9%。20-29岁网民所占比重为30.2%，具有大专及以上学历网民比例为21.6%，学生网民的比重为28.6%。大学生早已成为网民中的生力军，尤其随着手机功能的增加，网络文化对大学生的影响也越来越大，影响有好有坏，而如何客观的评价网络文化对大学生的影响也成为亟待解决的问题。以往对该方面的研究主要是从理论上加以分析，本研究使用多层感知器模型，较为客观的评价了网络文化对大学生价值观的影响。

二、模型介绍

多层前馈神经网络由Rumelhan提出，所采用的是误差反向传播的学习算法，又被称为误差反向传播神经网络，简称EBP网络（Error Back Propagation）。

多层前馈神经网络的神经节点是逐层的排列，一般包括输入层、输出层和隐含层。在同一层内的神经元节点之间是相互独立的，而相邻层次之间的节点是连接，前面一层的神经元的输出变量作为后一层神经元的输入变量。如图1所示

三、网络文化对大学生价值观影响的模型建立

3.1 输入变量及输出变量的选择

通过查阅大量的文献及咨询长期从事学生思想教育工作的专家确定了网络文化对大学生价值观的影响主要体现在以下几个方面，即求知观、交往观、整治观、道德观及自由观。输出变量使用大学生的综合测评成绩。各输入变量及输出变量的得分见表1。

表1 各输入变量及输出变量的得分见情况

（二）模型结果

以求知观、交往观、整治观、道德观及自由观的得分作为输入变量，综合测评成绩最为输出变量，建立多层感知器网络模型，并分析各输入变量对输出变量的重要程度。网络文化对大学生的政治观、道德观及求知观主要起到了积极的作用，大学生崇尚整治透明，而随着政府网站的开通，政府信息的透明度大幅提高，使大学生对我党、我们政府有更加清楚、全面的认识，便于树立正确的政治观；在道德观上，随着网络的普及，大学生各种社会关系也变得多样化和负责化，特别是在矛盾中，大学生的道德观必然会有新的觉醒，网络也使大学生的道德观更加丰富；网络的发展，使文化的传播更加快捷，大学生可以通过网络获取更多的知识。而网络文化对大学生的文化观和交往观有负面影响，长此以往，可能使大学生的情感更加淡漠，人与人之间的关系变的更加疏远；在网络中，大学生不但是信息的接受者，同时也是信息的制造者，而在网络中，由于缺少了现实生活中的各种约束，许多人可以随心所欲的言论及进行信息的传播，而这些信息中许多为不切实际的或者为的言论，而这些问题使大学生的行为更加散漫，表现为无政府状态。

四、结论

本研究使用多层感知器神经网络模型，客观评价了网络文化对大学生价值观的影响，研究结果与实际情况相符。网络文化对大学生的影响是多方面的，既有正面影响，又有负面影响，在大学生价值观的教育中，可尝试通过以下几个途径帮助大学生树立正确的价值观：1.积极开展网络文化，努力创造安全、健康的校园文化氛围；2.进一步加强对大学生进行网络法律意识及网络道德观念教育；3.加强校园网络的建设，发挥校园网服务；4.进一步加强校园网络的管理及安全监控。

参考文献：

[1]中国互联网络信息中心，第30次《中国互联网络发展状况统计报告》.

[2]Jianhui Wu， Qi Ren， Houjun Xu， et al. Comparison of Modeling of Data with Different Variation Degree with BP Neutral Network[J]. Journal of Convergence Information Technology，2012，7（13）：180-188.

[3]旷勇. 目前大学生价值观调查分析及思考[M]. 北京： 高等教育出版社， 2003 年.

第3篇：神经网络情感分析范文

关键词：人工神经网络；信息处理；风险评估

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）06-1285-02

Research on the Application of Artificial Neural Network

LI Hong-chao

（China University of Petroleum （East China）， Qingdao 266580，China）

Abstract： Artificial neural networks are part of an integrated artificial intelligence， it is proposed is based on research of modern neuroscience. With the continuous development of artificial neural networks， and their use more widely. This article first analyzes the basic concepts and features of artificial neural networks， from six aspects of information， medicine， psychology and other details of the application of artificial neural networks.

Key words： artificial neural network； information processing； risk assessment

1 人工神经网络

人工神经网络，英文名为“Artificial Neural Network”，简称ANN，它充分分析大脑神经突触联接的结构特点，对其进行模拟，然后进行信息处理。简单来说，人工神经网络就是对人脑结构、人脑功能的模仿。它的特点有很多，比如非线性、非局限性、非常定性、非凸性等。这些特点铸就了人工神经网络的各种功能，促进了它的应用。

2 人工神经网络的应用

随着人们对人工神经网络的不断研究，人工神经网络的作用越来越大，给人们提供了更好的服务，下面就以人工神经网络在信息领域、医学、经济领域、控制领域、交通运输、心理学六个方面分别介绍其应用。

2.1 信息领域

人工神经网络在信息领域的应用分为两个方面，一个是信息处理，一个是信息识别。

1）信息处理

由于现代信息的多样化和多变性的特点，信息处理就变得复杂起来，人工神经网络可以对人的一部分思维能力进行模仿甚至代替，解决传统信息处理的困难。在通常情况下，人工神经网络可以自动诊断问题，开启问题求解模式。另外，人工神经网络系统的容错性能高，当其连接线遭到破坏，自身的组织功能还是可以保持它的优化工作状态。因此，军事系统充分利用这一优势，在其电子设备广泛应用人工网络信息系统。

2）模式识别

这项功能的理论基础有两个，一个是贝叶斯的概率论，另一个是申农提出的信息论。模式识别主要是分析和处理存在于目标体上的各种形式的信息，然后在处理和分析的基础上对目标体进行描述、辨认等过程。随着人工神经网络在模式识别中的应用，传统的模式识别逐渐被取代。随着模式识别的发展，已经逐渐应用到语音识别、人脸识别、文字识别等各个方面。

2.2 医学领域

人体是非常复杂的，在医学中，想要弄清楚疾病的类型、疾病的严重情况等，仅仅依靠传统的望闻问切诊断方法是远远不够的，医学的发展需要运用新技术。人工神经网络应用于医学中，可以分析生物信号，观察信息的表现形式以及研究信息的变化规律，将这三者的结果进行分析和比较，从而掌握病人的病情。

1）生物信号的检测与分析

在医学诊断中，医生基本上都是通过对医学设备中呈现出来的连续波形进行分析。人工神经网络中有一套自适应的动力学系统，该系统由一些数量庞大的简单处理单元互相连接。因此，它具有多种功能，比如Massively Parallelism，即所谓的巨量并行，分布式存贮功能以及强大的自组织自学习功能等。用常规处理法处理生物医学信号分析非常困难，而人工神经网络的功能可以有效解决难题，其在生物医学人脑检测与处理中的应用非常广泛，比如分析电脑信号，对心电信号进行压缩处理，医学图像的识别等，在很大程度上促进了医学的发展。

2）医学专家系统

对于传统的专家系统而言，其工作原理基本上就是先由专家根据自己多年的医学经历，总结自己的经验和所掌握的知识，以某种规则的形式将这些经验和知识存储在电脑中，建立一个专家的知识库，然后借助逻辑推理等方式开展医疗诊断工作。但是，随着专家知识的不断增长和经验的日益丰富化，数据库的规模会越来越大，极有可能产生知识“爆炸”的现象。同时，专家在获取知识的过程中也会遇到困难，导致工作效率低下。人工神经网络中的非线性并行处理方式解决了传统专家系统中的困难，在知识推理、自组织等方面都有了很大的提高，医学专家系统也开始逐渐采用人工神经网络系统。

在医学领域中，麻醉和危重医学的研究过程中，存在很多的生理方面的分析与检测工作，人工神经网络系统有良好的信号处理能力，排除干扰信号，准确检测临床状况的相关情况，有力促进了医学的发展。

2.3 经济领域

经济的快速有效增长是基于人们对市场规律良好的掌握和运用以及对经济活动中的风险评估，及时应对和解决，这样才能保障经济活动的快速发展。人工神经网络应用于经济领域，主要有预测市场价格和评估经济风险两个方面。

1）预测市场价格的波动情况

商品的价格主要是由市场的供求关系和国家宏观调控来变化的。国家的宏观调控是客观存在的，我们可以在遵循国家宏观调控的前提之下分析市场的供求关系，从而预测商品的市场价格。在传统的统计学方法中，在预测价格波动时因其自身的局限性，难以做出科学的判断。人工神经网络可以有效处理不完整数据和规律性不强的数据，它是传统统计方法所不能达到的。人工神经网络系统基于市场价格的确定机制，综合分析影响商品价格的因素，比如城市化水平、人均工资水平、贷款情况等，将这些复杂的因素综合起来，建立一个模型，通过模型中的数据显示，科学预测商品的市场价格波动情况，有效利用商品的价格优势。

2）评估经济风险

经济风险，即Economic Exposure，它指的是由于经济前景的一些不确定因素，导致经济实体出现重大的经济损失。在处理经济风险的时候，做好的措施就是防患于未然，做好评估和预测，将经济风险扼杀在萌芽时期。人为的主观判断经济风险具有一定的可靠性，但是也存在很多的不足。将人工神经网络系统应用于评估经济风险，可以有效弥补人为判断风险的不足。人工神经网络先提取具体风险来源，然后在此基础上构建出一个模型，这个模型一般要符合实际情况，通过对模型的研究，得出风险评价系数，最终确定有效的解决方案。

2.4 控制领域

随着人工神经网络的不断发展，人们开始研究其在控制领域的应用。比如现在的机器人的摄像机控制、飞机控制等。它主要是通过控制图像传感器，再结合图像表面的非线性关系，进行计算和分析，另外，它还可以将图像传感器瞄准到处于运动状态中的目标物上。

2.5 交通运输

交通问题具有高度的非线性特点，它的数据处理是非常庞大和复杂的，这与人工神经网络有很大的吻合性。就目前来讲，人工神经网络应用到交通领域有模拟驾驶员的行为、分析交通的模式等等。

2.6 心理学

人工神经网络是对人脑神经元的信息处理能力的模拟，本身就带有一定的抽象性，它可以训练很多的认知过程，比如感觉、记忆、情绪等。人们通过对人工神经系统的不断研究，多个角度分析了其认知功能。就目前来看，人工神经网络可以分析人的认知，同时对认知方面有缺陷的病人进行模拟，取得了很大的进步。当然，人工神经网络应用于心理学领域也存在很多的问题，比如结果精确度不高、模拟算法的速度不够等，这些都需要人们持之以恒的研究。突破这些难题，促使人工神经网络有效应用于心理学领域。

3 结束语

综上所述，随着人工神经网络的不断发展，它特有的非线性适应能力和自身的模拟结构都有效推动了其应用范围。我们应该不断运用新技术，不断完善人工神经网络的功能，拓宽其应用范围，促进其智能化、功能化方向发展。

参考文献：

[1] 毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011（12）.

[2] 林和平，张秉正，乔幸娟.回归分析人工神经网络[J].吉林大学学报：信息科学版，2010（3）.

[3] 李雷雷.人工神经网络在建筑工程估算中的应用研究[D].华北电力大学，2012.

第4篇：神经网络情感分析范文

关键词：神经网络；感兴趣区域；自动分割；自组织特征映射；多模态上下文关联

中图分类号：TP391文献标识码：A文章编号：1009-3044(2011)25-6209-03

An Automatic Segmentation Approach for CT Image Based on Neural Network

CHU Jian, YU Wen-xue

(The Image Technology Laboratory, Southeast University, Nanjing 210096, China)

Abstract: Neural network is hot in pattern recognition theory, and useful for image segment. The way to extracting the region of interest (ROI) from medical images and automatically identifying is difficult. With the in-depth analysis of neural network algorithm, it’s proposed that self-organizing map (SOM) and multi-module contextual (MMC) combined neural network method to achieve automatic segmentation in CT images. Using the prior knowledge of anatomy combined with the image, it sets the feature descriptors and evaluation of criteria, to automatically identify the image region of interest, tissues and organs.

Key words: neural network; region of interest; automatic segmentation; self-organizing map; multi-module contextual

图像分割是指根据区域内的相似性及区域间的不同，将图像分成各具特性的区域，并提取出感兴趣区域的技术和过程。而医学图像分割在医学和解剖上更具有明确的意义，是当前医学图像领域的热点和前沿课题，也是医学图像处理和分析过程中的关键技术，更是进行图像识别、图谱匹配、可视化、定量分析和计算机辅助诊断等处理的必要前提[1]。目前，医学图像分割主要以各种细胞、组织与器官的图像作为处理的对象。例如磁共振颅脑图像的分割，其目的就在于清晰地描绘出颅脑各个解剖结构的边界，如灰质、白质、脑脊液以及MR图像中的其它组织。如何从医学图像中将感兴趣区域（病灶、组织器官等）提取出来，是图像分析和识别首要解决的问题，也是制约医学图像处理中其它技术发展和应用的瓶颈。传统的医学图像分割停留在人机交互水平，处理时间较长且受人为因素影响，而自动分割正是解决此问题的方法，也是近年来的研究热点，代表着医学图像分割未来的发展方向[2]。

结合目前热点研究神经网络理论，利用其可学习训练和反馈特性，对医学图像像素进行分类，并提取感兴趣区域（Region of Interest，ROI）轮廓。而神经网络方法分割图像的思想是用训练样本集对神经网络进行训练以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据。本文给出一种结合多模态上下文关联神经网络(Mutimodule Contextual Neural Network，MMC)算法和Kohonen自组织映射神经网络（Self-organizing Map，SOM）算法的方法，对目标医学图像进行分割，得到可能的组织轮廓。再依据图像解剖结构的先验知识，设定判定准则和特征描述子计算，提取出感兴趣区域轮廓。本文提出的神经网络自动分割方法，实现对腹部CT的自动分割，并自动提取感兴趣区域组织轮廓。

1 神经网络自动分割

根据文献[3-5]中所提出的多模态上下文关联神经网络(MMC)算法所描述，可以结合Kohonen自组织映射神经网络（SOM）方法[6-7]，再利用图像灰度信息和邻域相关信息，将图像像素分类，从而实现感兴趣区域分割的方法。下面就这个方法过程进行阐述，并加以改进和实现。

1.1 MMC神经网络分割

首先，将图像像素大小设为n，并将其划分为m个分类。假设n个像素概率向量集合P={P1,P2,…,Pi,…Pn}，其中1≤i≤n，Pi=[pi1,pi2,…,pik,…pim]T。则集合P中向量元素Pi表示为像素i隶属于m个分类的概率向量，而向量Pi中的元素pik表示像素i隶属于第k类的概率。根据概率向量归一性，Pi满足下式：

（1）

对应于神经网络，每个神经元即代表某个唯一像素。对于第i个神经元的分类模型k概率值pik(t+1) ，由其当前概率值pik(t)和相邻神经元的影响值vik(t)所决定，则pik(t+1)的迭代公式可表示如下式：

（2）

其中模型输出函数f(x)定义成：

（3）

公式（2）中分母满足归一化条件，使得结果pik(t+1)在式（1）成立。

同时公式（2）中的vik(t)可由下式获取：

（4）

其中，表示当前神经元（像素）i的邻域，l则表示i邻域神经元的个数。同时，权重矩阵W=[W1,W2,…,Wi,…Wm]T=[wi,j]，1≤i, j≤m ，wi,j即为两个神经元之间的权重系数。

由公式（4）分析可知，若Wk(1≤k≤m)具有较大的兼容性，则结果会是正值，同时概率向量Pi+δ中的元素 Pi+δ，k的值比较大，那么vik的值将是较大的正数；若Wk只有较小的兼容性，则结果为负，同时概率向量Pi+δ中元素 Pi+δ，k比较大，那么vik的值将是较小的负数。但如果Pi+δ，k偏小，则可以它忽略其对vik的影响。此外，可以简单的定义权重矩阵为：

（5）

由迭代式2可知，第 k 类的神经元 i 重复迭代，不停接收邻域神经元的响应，并产生新的输出pik(t+1)。运用此方法之前，每个像素分类隶属度应该明确，即初始概率向量Pi(0)在迭代开始之前，就应该计算出来。而下一小节阐述的自组织映射（SOM）神经网络算法，则可以分析图像像素灰度的分布情况，并且计算出每个像素隶属分类的初始概率向量Pi(0)，即作了预分割处理。

1.2 SOM神经网络分割

经典的SOM算法包含训练和回调两个部分，下面给予算法公式和分析。

1）训练过程。首先，设图像的灰度值集合A={I1, I2,…,Ii,…In}，其中Ii就是像素i的灰度值，n仍然表示图像像素大小，即训练的样本容量。再将灰度Ii与SOM神经网络第k个神经元的权重系数表示为Lk (1≤k≤m)，其中m仍为分类数。权重系数Lk也是图像的模糊聚类中心。则在对图像进行聚类分析时，SOM神经网络依据下式进行训练：

（6）

其中下表索引c即为获胜神经元（最优匹配）。而获胜神经元相邻的权系数由下式进行迭代：

（7）

其中α(t)为训练学习效率，Nc(t)为获胜神经元c在当前t时刻的邻域函数。训练过程中，α(t) 和Nc(t) 一直在衰减，且0

2）回调过程。由式（6）可知，像素i 对应的获胜神经元c通过训练学习可以确定下来。其隶属于每个分类的初始概率向量Pi(0)，也可以通过高斯分布N(c,σ)进行初始化。Pi(0)的初始化式为：

（8）

其中标准方差σ即是控制初始概率的扩散因子。式中分母则起到归一化作用，使得pik满足式（1）。

由式（8）的结果可知，在Pi(0)初始概率向量中，获胜神经元所代表元素pic的值很大，而其它元素较小，这是由变量σ和|k-c| 的大小所决定。

通过初始概率向量Pi(0)和神经网络权重矩阵W设置，代入式（2）迭代运算，直到Pi=[pi1, pi2, …, pik,…pim]T满足如下收敛条件：

（9）

其中ε取值很小，以保证迭代能够中止。

1.3 图像解剖结构的先验知识判定

医学图像通过上述神经网络算法进行轮廓分割后，得到可能的组织轮廓结果。此时利用组织区域的判定特性和相关特征条件，可以从所有轮廓中对比识别感兴趣器官或组织。而这些组织器官区域的特征，是由图像解剖结构的先验知识所确定的。本文处理图像是腹部CT，其中重要组织器官特征如下所示[8]：

1) 脊椎：一般位于图像中底部，且离图像中心点较近。最突出的是，脊椎属于骨骼高密度组织，其灰度值最大。故很容易定位和作参考，一般可以用作固定标记点，即切片中描述感兴趣区域相对位置的参考点。

2) 脊髓：通常在脊椎内，属于密度偏小的软组织，在CT图像中其灰度值相对脊椎小很多，黑白对比明显，很容易区分。但部分切片中，脊椎被分成上下两块，上一块较圆，下一块倒三角形，而脊髓处于条缝里。此时脊髓的分割轮廓分散，通过特殊条件处理才能识别。

3) 肾脏：两个肾脏恰好分布在脊椎两侧，对应于左肾和右肾。肾脏形状相对规则，组织区域的紧密度也较大，轮廓边界清晰。

4) 肝脏：位于右肾的右上方。若切片没有右肾，则定位于脊椎右上方，且距离脊椎较远。肝脏的面积和紧密度都比较大，部分切片中肝脏还可能分成数个区域，故位置和组织范围变化较大，必要时给予区域合并。

上述解剖结构位置和大小，及图像中的灰度分布情况，可以转换成组织器官识别的判定准则。针对腹部CT图像，组织器官识别顺序是脊椎，脊髓，肾脏（左肾和右肾），肝脏。

有了组织解剖结构条件做先验知识判定，再定义一组相关特征描述子来对ROI进行量化分析，常用描述子有相对距离、周长、面积、相对位置、组织密度、紧密度等，这里不再细述。

2 实验结果及分析

依据上节的理论算法分析，可以给出相应的神经网络算法实现过程，如图1。

由上述算法公式和图1流程图，通过程序实现单张CT切片神经网络自动分割。首先，关注实验过程中的重要参数设置：

a）窗口调节参数：窗宽 W=380，窗位 L=10；

b）图像像素隶属分类数：m=7；

c）SOM神经网络参数（公式6）：Nc(t)神经元作用半径r=1，学习效率α(t)=0.2，SOM学习迭代次数（最长时间）Epoch=500；

d）MMC神经网络参数（公式2，6）：高斯分布扩散因子σ=1.5，MMC学习迭代次数nIter=3。

通过上述参数设置，针对单张腹部CT切片进行自动分割识别。先将16位原图调整窗宽窗位，并压缩至8位灰度图，提高学习效率。输入到神经网络，先SOM算法进行初始分割，通过训练回调确定分类中心初始值，再通过MMC算法训练迭代确定分类概率向量，并由此提取组织轮廓。最后由先验知识判定规则，实现ROI的自动识别，并对识别组织器官轮廓进行平滑处理。图2给出完整的单张切片分割识别处理图（a-d），由图2（c）可见神经网络分割所得可能的分类组织轮廓清晰，且边界光滑，所有分割轮廓数是64；再由图2（d）所示，显示轮廓数是5，且成功识别腹部重要器官，并提取组织轮廓。实验条件在CPU2.40GHZ，内存2G的PC机上执行，算法所耗用时间为10S，适用于临床使用和辅助治疗。

（a）原始16位图 （b）压缩8位图(W=380,L=10)（c）分类组织轮廓 （d）组织器官识别

图2CT图像神经网络自动分割

（W=380,L=10,m=7，r=1，α(t)=0.2，Epoch=500，σ=1.5，nIter=3）

3 结论

本文通过多模态上下文关联和自组织映射神经网络相结合的方法，实现对CT图像的自动分割，并利用解剖先验知识对分割结果进行组织识别，最终提取感兴趣区域组织轮廓。该方法实验成功，下一步研究将针对神经网络样本可学习性，实现序列切片的有效率自动分割。

参考文献：

[1] 章毓晋. 图象分割[M].北京:科学出版,2001:1-4.

[2] 姜晓彤,罗立民,汪家旺,等.一种肺部肿瘤CT图象序列的自动分割方法[J]. 中国图象图形学报, 2003,8(9):1028-1033.

[3] Lin W C, Tsao E C K, Chen C T. Constraint satisfaction neural networks for image segmentation[J].Pattern Recognit., 1992,25(7):679-693.

[4] Haring S, Viergever M A, Kok J N. Kohonen networks for multiscale image segmentation[J].Image Vision Comput.,1994,12(6):339-344.

[5] Rosenfeld A, Hummel R A, Zucker S W. Scene labeling by relaxation operations[J].IEEE Trans. Syst., Man, Cybern.,1976,(SMC-6):420-433.

[6] Valli G. Artificial neural networks for t he segmentation of medical images [R].Technical Report No.940702,1994.

第5篇：神经网络情感分析范文

论文关键词：网络成瘾倾向；成瘾类型；人格特质；心理健康

一、前言

网络已经成为当代大学生信息来源的主要渠道，但过度使用网络会对他们的人格产生消极作用，也会影响心理的适应和健康发展，国外学者将这类问题命名为“网络成瘾”(IntemetAddictionDisorder简称IAD)。在我国，由于网络成瘾而引发的心理障碍或社会适应障碍等案例正随着网络的普及逐渐增多，其中大学生所占比例较高。北京大学心理学系钱铭怡教授对北京12所高校的近500名本科生进行抽测，发现大学生中存在一定比例的网络成瘾者，在被试中占到6．4％有研究发现网络成瘾行为与网络使用者的人格特征、心理健康水平有较大的相关。Petrie与Gunn(1998)认为，互联网使用行为与态度和外向型人格存在显著负相关，与压力存在正相关。Hills与Argyl则认为，互联网使用者中只有外向型人格类型与家庭使用之间存在显著的正相关。Kraut等人发现，互联网使用可能取代了现实中的部分社会活动，从而降低了使用者的社会参与度和心理健康水平，产生消极的社会心理效应。网络成瘾与人格特征、心理健康水平之间的关系，揭示了网络成瘾的内部原因，越来越引起国内研究者的关注。了解高网络成瘾倾向大学生的人格特征、心理健康水平能帮助我们有效地预测其网络成瘾趋势，但以往的研究很少从不同类型的网络成瘾倾向去观测大学生人格特征、心理健康水平。如网络人际关系成瘾、网络游戏成瘾、网络色情成瘾、网络信息下载成瘾等不同类型的网络成瘾者，其人格特征可能不同。本研究以宁波某高校的大学生为被试，试对大学生网络成瘾类型及成瘾者人格特征、心理健康水平作初步探讨，为教育工作者在制定网络成瘾干预措施中提供理论参考。

二、方法

1．样本抽样

本研究采用随机抽样的方法抽取宁波某高校的一、二、三年级的300名本科生为研究对象。发放的问卷300份，回收280份，最终获得有效问卷264份，有效回收率88％，其中男生115人，女生149人。

2．研究工具

所有被试均接受以下5个问卷和量表的测查：

(1)自编网络使用情况问卷，包括被试的基本资料和使用网络状况。

(2)用我国台湾大学的陈淑惠编制的中文网络成瘾量表，测量被试的网络成瘾倾向。全量表内部一致性系数为0．928。

(3)用由杨文娇编制的中文网络成瘾类型量表测查被试的网络成瘾类型，全量表内部一致性系数为0．8874。

(4)用SCL一90症状自评量表测量被试的心理健康水平。

(5)采用龚耀先教授修订的艾森克人格量表测量被试的人格类型。

3．数据收集与处理

2007年11月底至12月初，按照测量手册规定的程序以集体测试的方式一次完成施测，测查时间约45分钟。

用SPSS13．0对所获得的数据进行统计分析。

三、结果与分析

1．大学生网络成瘾倾向、类型的性别比较

在264名被试学生中，男大学生网络使用者人数为115人，占总测试人数的43．6％，女大学生网络使用者人数为149人，占总测试人数的56．4％。对不同性别大学生的网络成瘾倾向得分进行了描述性统计，经检验，发现大学生网络成瘾倾向在性别上有显著差异，男性更容易网络成瘾。(见表1)

对不同性别大学生在网络成瘾类型上的得分发现，在人际关系成瘾倾向和信息成瘾倾向方面女性表现得更容易成瘾，而在游戏成瘾倾向上不存在显著的性别差异(见表2)。

结合上面的研究，总体来讲，男性比女性更容易成瘾，但是在人际关系成瘾、信息成瘾方面女性成瘾的可能性要大于男性。

2．大学生网络成瘾倾向、类型的年级比较

对不同年级大学生的网络成瘾倾向和不同网络成瘾类型的得分比较(见表3)，发现二年级的得分显著高于一年级和高年级。

对各年级大学生网络成瘾倾向进行方差分析(见表4)，通过事后比较，发现二年级与一年级和三年级大学生之间在网络成瘾倾向上均存在非常显著的差异(P<0．01)。

对各年级大学生网络成瘾类型进行方差分析，事后比较我们可以看出，一年级大学生和二年级大学生在人际关系成瘾倾向上具有显著差异(P<0．05)；二年级和三年级大学生在信息浏览成瘾上均存在显著差异(P<0．05)；游戏成瘾类型不存在显著的年级差异(见表5)。

3．大学生心理健康水平和网络成瘾倾向、类型的关系

根据中文网络成瘾量表总分，选取前27％为高网络成瘾倾向者，选取后27％为低网络成瘾倾向者。对高分组和低分组心理健康水平进行描述性分析，发现在心理健康的10个指标中均存在显著差异(见表6)。

对网络成瘾倾向和心理健康的10项指标进行相关分析也发现，高网络成瘾倾向与心理健康具有较强的相关，其中精神病性和网络成瘾的相关最高，同时发现，不同网络成瘾类型与心理健康水平同样存在显著相关(见表7)。

4．大学生人格特质和网络成瘾倾向、类型的关系

通过对大学生人格特质和网络成瘾倾向、类型进行相关分析，发现个体的精神质、神经质和掩饰性与网络成瘾存在显著相关，其中和精神质、神经质存在正相关，与掩饰性存在负相关。在对不同成瘾类型的相关研究上，发现与大学生的人格特征存在着显著相关，其中精神质、神经质与游戏成瘾、信息成瘾存在正相关，而内外倾性和掩饰性与游戏成瘾、信息成瘾存在负相关；人际关系成瘾与精神质、神经质存在显著正相关，与掩饰性存在显著负相关(见表8)。

5．人格特质、心理健康水平等与网络成瘾倾向的回归分析

基于上述相关分析的结果，以网络成瘾倾向为效标变量，采用逐步回归分析，考察性别、年级、人格特质、心理健康水平对其的预测作用。结果发现，精神质、抑郁、年级、朴实性和人际关系作为网络成瘾倾向的预测变量，回归方程非常显著，F(1，262)=24．38，P<0．O1，五个变量共解释男性气质分数变异的32．1％。其中，精神病性对网络成瘾倾向的预测力最强，解释总变量的25．3％。

四、讨论

1．性别、年级等人口学特征对预测大学生网络成瘾具有显著作用

本研究发现大学生网络成瘾倾向与性别存在显著差异，男生显著高于女生。而在不同网络成瘾类型的性别差异比较上发现了一个比较有趣的现象：

在人际关系成瘾倾向和信息成瘾倾向方面女性成瘾趋向均表现出显著高于男性。而在游戏成瘾方面，没有表现出差异。这一结果和国内的一些研究结果极其不一致。李秀敏等的研究表明不同网络成瘾类型中男生显著高于女生。本研究之所以得出如此不同的研究结果可以从以下几个方面分析：首先，目前网络游戏发展迅速，种类繁多，足以满足不同游戏爱好者的需要，男生可能更喜欢玩一些大型网络互动游戏，而女生则可能更喜欢玩益智、类、体验类等小游戏。这可能导致了在本研究中，网络游戏成瘾并不存在显著的性别差异的原因。再次，在网络信息浏览成瘾方面，虽然传统想法认为女生网络上关注信息的内容相对男生要少，但近几年，随着网络购物的风靡，越来越多的女生放弃周末逛街购物的时间，转而把时间投向资源更加丰富的网络商家。这导致女性网络信息浏览成瘾倾向要显著高于男性。这一假设通过对高信息成瘾倾向女生的谈话中得到了证实。

同时发现二年级网络成瘾倾向显著高于其他年级。在网络人际关系成瘾和网络信息浏览成瘾方面存在明显的年级差异。二年级学生明显高于一年级学生，但在二年级和三年级、一年级和三年级之间没有显著差异。而在游戏成瘾方面没有明显的年级差异。这可能是：大一阶段由于学生刚进人大学时，对环境不熟悉，很多人还在延续高中阶段三点一线的学习生活方式，一般不太会投入太多时间在网络等事物上；进入大二阶段，大学生随着逐渐适应大学生活，大学生交际需求、探索需求、求知需求逐渐加强很多人选择网络来了解和认知社会；选择了网络来寻求关怀和支持，利用网络交际来回避现实生活中的困难或人际交往挫折；进入高年级，随着对网络的新鲜感会逐渐消失。上网时间迅速回落。但网络游戏则由于其种类的丰富性和不断地更新发展，使其保持了对不同人群的吸引力，也导致了在网络游戏成瘾方面没有发现显著的年级差异。

2．人格特质、心理健康水平影响大学生网络成瘾倾向

本研究发现scL—90的10项因子均与网络成瘾存在显著相关。这一结论和国内很多研究的结论一致，说明“网瘾综合征”已经影响了大学生的身心健康。无论是网络游戏成瘾、网络人际交往成瘾、网络信息浏览成瘾，他们和scL—9O的10项因子均存在显著相关。但不同类型的网络成瘾与scL—90中的相关系数是不一致的，这说明不同类型的网络成瘾可能对大学生心理健康的不同层面产生影响。

本研究还发现在神经质、精神质上得分高的被试比得分低的被试有更高的网络成瘾倾向，而掩饰性得分低的被试比得分高的被试有更高的网络成瘾倾向。在研究不同网络成瘾类型与人格特征的研究中发现：精神质、神经质得分高的被试网络游戏、信息浏览成瘾倾向高，而内外倾、掩饰性得分低的网络游戏、信息浏览成瘾倾向高。在神经质、精神质上得分高的被试比得分低的被试有更高的网络成瘾倾向，而掩饰性得分低的被试比得分高的被试有更高的网络成瘾倾向。

第6篇：神经网络情感分析范文

【关键词】汽车；控制系统；结构设计；故障检修

控制系统是汽车的重要组成部分，对于汽车的形式以及使用性能具有重要影响，其是指汽车中装载的各种电子元件组成的系统，各式各样的电子元件组成了汽车中的发动系统、照明系统、空调系统等。因此，文章主要针对汽车控制系统结构设计及常见故障检修方向展开分析，报道如下。

一、汽车控制系统结构设计分析

汽车中使用的电子元件品种繁多，且受到使用性能、方式等方面的影响，各电子元件之间的差异也较大，但是为了方便控制系统结构设计，在设计过程中，是通过将各种电子元件作为独立概念进行设计，而不是通过以仪器的实际外形进行设计，这样能够将这些电子元件作为控制系统中的独立仪器，从而制作控制系统单元结构，有助于设计师阐述控制系统结构设计的方法与目的[1]。

现代科学技术的更新推动了汽车使用性能的提升，并且现阶段中汽车装载的电子元件的技术含量不断提高，控制电路、智能芯片等产品的研发使得汽车电器系统的智能性得到进一步发展，尤其是在控制电路方面，其具有强大的功能以及使用性能，通过与各电子元件的连接，实现对各种电子元件的控制[2]。典型的控制系统结构分为分布式、集中式以及近似全分布式这三种结构。分布式结构的优点在于通过单个电子元件对多个电子元件的控制，从而优化控制系统的运行性能；但是其缺点在于电子元件之间可造成相互影响，导致控制系统容易出现故障；集中式结构的优点在于控制器能够实现对所有电子元件的控制，缺点也同样明显，即一旦控制器出现问题，可造成控制系统瘫痪，严重影响汽车使用性能；近似全分布式结构的优点在于通过多个控制器实现对各电子元件的控制，但是这种结构的造价高，使得汽车生产成本增加。这些结构各有各的优缺点，在实际生产中受到了广泛的应用，能够提升控制系统的使用性能。

二、基于神经网络的汽车控制系统常见故障以及诊断分析

随着现代智能计算的发展，提升了汽车控制系统的性能，这同时也是现代汽车的发展趋势[3]。但是由于目前市面中汽车品种繁多，许多控制系统故障检测系统无法兼顾全局，因此，在日常生活中，要加强汽车的养护和检修，避免出现意外事故。

（一）常见的控制系统故障以及故障原因

在长时间的使用过程中，电子元件免不了发生老化、故障等问题。笔者根据多年工作经验分析，常见的汽车电子元件故障有：①电子元件老化，这主要是由于线路老化发生的线路断裂，对于控制系统的性能造成严重影响；②电子元件损坏，这主要是由于电子元件过热或高温天气造成的原件电阻增加，进而引起短路、断路；③线路问题，这主要是由于运行过程中汽车出现较大幅度的位移、颠簸造成的线路松动等现象，可能导致短路、短路或是电子元件磨损。

（二）神经网络下汽车控制系统故障诊断

神经网络的研发是从生物神经系统中获得的灵感，通过模仿生物神经元的组织结构，进而展现出现与人脑相似的性质，其能够通过症状搜集或状态收集从而处理复杂的非线性映射关系。神经网络之所以具有强大的功能，主要是由于其具有较强的学习能力、分布式信息储存能力、独立计算能力等，能够解决复杂的问题。

由于现代实际应用的控制系统故障诊断方法有很多，本文主要针对几种常见的诊断方法进行分析：①神经网络诊断系统。该方法主要通过应用神经网络故障诊断系统，通过输入相关的数据或故障症状，从而推算出故障的原因，进而进行故障诊断。②神经网络残差检验法：该方法主要利用神经网络模拟系统的常规属性，在系统中输入一些特定的参数，并与控制系统的实际值进行比对，从而得到残差，这样能够实现故障诊断[4]。在此过程中，可以利用数学模拟系统计算差值，能够提升计算的准确性。③神经网络评价残差法：这种方法与上述方法不同，上述方法是获得残差，而该方法是评价残差，利用神经网络对残差进行分析，从而获得控制系统故障问题。④神经网络诊断分析：利用神经网络诊断系统进行故障分析，其主要是利用神经网络的模拟系统进行控制系统相关参数以及控制器等方面的非线性关系，从控制系统的输出情况分析，以此来了解控制系统的故障情况。⑤神经网络自适应误差补充检测法：其主要是利用了基于神经网络中的非线性观测器，能够迅速判断故障发生未知，进而提升故障检出率[5]。⑥模糊神经网络故障诊断：其主要是利用模糊理论以及神经网络相结合的方式，这种方法是通过普通神经网络中加入模糊概念，在输出时加入模糊层，通过语言规划网络，使得神经网络中的参数具有意义，并且由于神经网络具有较好的学习能力，比一般神经网络的诊断准确率更高。

结束语

随着现代科学技术的不断提升，汽车控制系统不断向智能化发展，因此，要加强控制系统故障诊断系统建设，保障用户的使用体验。

作者简介：张骞（1985.11-），男，河南新乡人，硕士研究生，助教，主要研究方向为汽车检测与诊断技术，汽车电子控制，新能源汽车系统等。

参考文献：

[1]夏天，王新晴，梁升等.带自适应遗传算子的粒子群神经网络及其应用[J].理工大学学报（自然科学版），2013，12（1）：70-74.

[2]张晨，韩月秋，陶然等.基于神经网络预测器的单传感器故障检测方法[J].北京理工大学学报，2015，19（2）：220-223.

第7篇：神经网络情感分析范文

【关键词】传感器；智能化；神经网络；自补偿

【基金项目】论文受到成都信息工程大学校级项目KYTZ201521，Y2013062，Y2015015以及“传感器与检测技术”精品课程建设项目的资助。

一、引言

现代传感器技术是在传统传感器技术的基础上发展而来，广泛结合了信息处理技术、通信技术及微电子技术等[1]，将传感器提升至 “系统”级别。

开设现代传感器技术课程，需要在具备经典传感器知识的基础之上，进一步掌握智能传感器的相关知识，了解集成电路工艺、统计学习理论和现代信号处理技术等[2]。该课程的内容涉及智能传感器系统的硬件构成，智能化功能的软件实现方法，以及多元回归分析法、神经网络技术和支持向量机技术等数据挖掘方法。学生可以通过自主设计型实验加深对智能传感器的理解。而智能传感器的软件实现和数据挖掘方法的仿真都具备充分的灵活性，学生可以结合PC机在课堂上和课后进行实验研究[3]。

二、自主设计实验

现代传感器技术的课程介绍了新型智能传感器的概念、构成方式及具有的功能，重点在于智能传感器的集成化和智能化实现方法。

智能传感器集成化的实现涉及微电子技术等相关内容，对于非微电子专业的学生来说很难具备此方面的扎实基础，不易开展自主设计型实验。并且此部分内容的相关实验对硬件要求较高，不利于在不同专业和高校的推广。

智能传感器智能化的实现方式多样，有硬件实现，也有软件实现。软件实现方法包括神经网络技术、支持向量机技术、粒子群算法和小波分析等数据挖掘方法中的智能算法。这些智能算法的仿真工具众多，算法设计灵活且多样，可以让学生在完成课程实验的同时，通过自主设计进一步发掘算法的优化方法，加深对知识的理解。

本论文将举例说明现代传感器技术课程在智能传感器智能化实现方面的自主设计实验的开设方法。

例如，开设题为“基于神经网络方法的传感器温度自补偿模块设计”实验。对于会受温度影响的传感器，要降低工作环境温度的影响，就需要设计自补偿模块，补偿的方法有多种，这里选用神经网络方法。首先，学生需要选定实验对象，即传感器，比如某款压阻式压力传感器，然后获取不同温度状态下传感器静态标定数据，根据标定数据制作样本，输入到神经网络。学生可以根据需要选择不同的神经网络，比如BP神经网络和RBF神经网络等[4]。实验编程时可于利用现有的工具箱进行辅助编程，也可以完全自行编程。

以上实验只考虑了温度这一个干扰量的影响。通常影响传感器的不止一个干扰量，还可能存在两个或多个干扰量的影响。神经网络方法可以用来降低两个或者是多个干扰量的影响。此外，学生还可以用支持向量机技术来设计智能化软件模块，用于降低多个干扰量的影响。例如，可开设题为“基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计”。该实验的过程是先选定存在交叉敏感的传感器作为实验对象，进行多维标定实验获取样本数据，再利用支持向量机方法建立数据融合模型，从而消除或是降低多个干扰量的影响。支持向量机的功能包括分类和回归等，因此学生还可以结合其分类的功能设计其他传感器智能模块。

学生在进行智能算法的课程实验时，可以选择自带工具箱中丰富的仿真工具，也可以自行编程实现算法。本论文采用Matlab软件为仿真工具实现算法。

三、实验示例

（一）基于神经网络方法的传感器温度自补偿模块设计

本实验选定压阻式压力传感器作为实验对象，目标如下。

1.基于神经网络技术设计温度补偿模块，消除工作环境温度对传感器的影响。

2.实验过程需对多个样本进行实验，提高补偿模块的适应性，即在满足压力量程的情况下对不同的工作温度进行补偿。

3.温度补偿模块的设计可以使用多种神经网络方法，并进行对比，得到消除温度影响最好的方法。

实验步骤如下。

1.二维标定实验

用标定实验来获取原始实验数据。由于实验条件和实验时间的限制，有些学生无法进行此步骤。学生也可以通过教材或者相关论文来获取原始数据，但是必须在实验报告中注明数据的来源。

2.数据预处理与样本制作

用上一步中获取的原始数据来制作样本。通常先将原始数据进行归一化处理，用归一化之后的数据制作样本。神经网络的样本包括训练样本和测试样本。

3.训练神经网络

将训练样本输入到编好的神经网络算法，可以是BP神经网络和RBF神经网络等，得到训练后的模型。

4.测试神经网络

用测试样本检验训练好的神经网络模型。如果得到的效果不好，可以适当地调整神经网络的参数，改善补偿效果。

5.更换训练样本和测试样本后重复第三和第四个步骤

不同样本得到的结果往往差异较大，实验中需要更换训练样本和测试样本后进行多次重褪笛椋用以提高神经网络模型的适应性。

6.换一种神经网络方法重复第五个步骤

同一样本采用不同的神经网络方法可能得到不同的补偿结果，实验中可以尝试对比不同的神经网络方法，或者通过优化神经网络的方法改善补偿效果。

（二）基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计

本实验的目标如下。

1.利用支持向量机的处理分类和回归问题的功能，对传感器交叉敏感的数据进行分析，用以抑制交叉敏感现象。

2.尝试修改支持向量机的程序，例如更换核函数或改变分类策略，得到不同的测试结果。

3.制备多组样本数据，对不同的样本数据进行测试，用以检验算法的适应性。

实验步骤如下。

1.样本数据制作

根据确定的实验对象，采集或制备样本数据。制作好的样本数据将分为训练样本和测试样本两部分。训练样本与测试样本的格式保持一致。

2.算法设计

利用支持向量回归（Support Vector Regression，SVR）或支持向量分类（Support Vector Classification，SVC）算法，处理样本数据。利用多种策略测试算法优劣。

例如在支持向量分类算法中，有两种处理多分类问题的策略， 一种是“一对一（one agaist one， 1A1）”， 另一种是“一对多（one agaist all， 1AA）”。实验中可测试不同策略的算法。支持向量机可选取多种核函数，包括线性核函数、多项式核函数和径向基（Radial Basis Function，RBF）核函数等。目前尚缺乏一种选取核函数的标准方法。实验中可以通过更换核函数来测试它们的不同效果，用以选取最优的方案。

可以采用不同的支持向量机工具箱，例如SVM and Kernel Methods Matlab Toolbox工具箱，或者自行编程。

在算法设计的过程中，通过对训练样本进行训练和对测试样本进行测试，得到每一次的结果。同一算法必须经过多个训练样本和测试样本的检验。更换算法策略后，再重复以上步骤。

3.效果评价

用抑制交叉敏感的结果对比最初的传感器数据，对算法效果进行综合评价。

（三）实验方案

结合以上实例，可以设计出自主实验的方案，具体如下：自行查阅资料进行神经网络分析法和支持向量机法的设计，两种算法选择其一即可。

实验步骤如下：（1）安装matlab软件；（2）熟悉matlab软件的使用方法；（3）查阅资料进行项目设计；（4）选取神经网络分析法和支持向量机法之一进行项目设计；（5）根据设计要求编写算法，并仿真；（6）对算法效果进行综合评价。

需要注意的是，利用神经网络分析法和支持向量机法在智能传感器系统的智能化功能实现方法上进行项目设计的时候，数据来源要有出处，应用范围要明确。

四、结论

现代传感器技术课程通过开设自主设计型实验可以提高学生的学习兴趣，加深学生对知识的理解。该课程涉及的神经网络技术、支持向量机技术、主成分分析和小波分析等方法可以较为灵活地开设自主设计实验，加强学生的动手能力。本论文以“基于神经网络方法的传感器温度自补偿模块设计”实验为例说明了自主设计实验的方案。实验采用Matlab软件设计，方案可行。

【参考文献】

[1] 张鹏，吴东艳，张凌志.项目教学法与传感器课程改革探索[J]. 中国电力教育，2014（05）：78-79.

[2] 王兴君，毛敏.智能传感器课程建O及教学研究[J]. 电子测试，2016（07）：172-173.

第8篇：神经网络情感分析范文

[关键词] BP神经网络 图像分类 Matlab 自适应特征因子 收敛速度 精度

中图分类号：P23 文献标识码：A 文章编号：1009-914X（2014）07-0321-03

1.引言

卫星遥感对地观测技术是人类获取资源环境动态信息的重要手段，无论是专业信息提取、动态变化预测、还是专题地图制作和遥感数据库的建立等都离不开分类。在数学方法的引入和模型研究的进展为影像的分类注入了新的活力，不同的数学方法和参数特征因子被引用到模型的研究上来，为模型研究的发展提供了广阔的天地。而基于改进的BP神经网络，更是融合了自适应特征因子和非线性函数逼近的网络模型，不仅学习速度快，而且有高度复杂的映射能力。

2.人工神经网络的分类方法

人工神经网络（Artificial Neural Network， ANN ）是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经系统【1】。其概念是在20世纪40年代中期由McCulloch和Pitts提出的，70年代得到应用，80年代以来，随着计算机技术的发展而得到了快速的发展，属于非线性学科，具有强抗干扰性、高容错性、并行分布式处理、自组织学习和分类精度高等特点。

近年来，神经网络被广泛应用于遥感图像分类中，不同学者分别提出或应用了Hopfield神经网络、BP网络、自组织映射网络、小波神经网络、细胞神经网络、模糊神经网络等对遥感图像进行分类【2】。这些神经神经网络在遥感图像自动分类上都有一定的应用，并取得较好的效果。本文基于此，对传统的BP算法进行了改进，提出了在Matlab软件提供的神经网络工具箱中，对BP神经网络的权值，学习率进行分析。重点是运用数学中自适应特征因子，加快了迭代过程中的收敛速度，而且使精度更高。

3.BP神经网络

BP神经网络是一种通用性较强的前馈网络，它主要采用模式正向传递、误差信号反向传播的BP算法，实现输入到输出的映射，并且是非线性的，具有结构简单、可操作性强等优点，目前已被广泛应用【3】。

3.1 BP算法原理

学习过程由信号的正向传播与反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符合时，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此信号作为修正各单元权值的依据。

3.2 BP学习率的优化算法分析

为了加快神经网络的学习速度，对学习率的改进是BP算法优化的重要部分。因为BP算法是不断通过调整网络权值进行训练学习的，修正的大小受到学习率的控制，因此学习率的改进对整个网络的优化是很重要的。为了加快学习速度，研究者提出了很多的优化学习率算法，刘幺和等提出的具体优化公式为[4]： η=Ae-λn. （1）

此算法优于学习率固定的传统BP算法，减少了网络学习过程中的学习次数，但同样存在着其它问题，首先，模型中A的取值范围并不适用于所有神经网络，由于它的取值决定了网络学习率的初始值，通过A确定的网络初始学习率可能使网络不收敛。其次，当网络误差下降速度快时，该算法反倒使网络收敛速度比较慢，这说明此时网络不适应这种情况。

在上述模型中，陈思依据可变学习率的变化，提出了另一改进模型，此方法的思想是，如果网络权值在实际情况中更新之后使误差值减小，此时就没有必要再减少学习率，如果保持原学习率不变，不仅增加了训练速度，而且修改权值的幅度会大些，训练效果会更好一些。改进后的模型为[5]：

此算法优点是如果误差下降速度明显增快，则说明此时的学习率比较合适训练，不需调整。

面对现代科技的飞速发展，国内外竞相发展以高空间、高光谱和高动态为标志的新型卫星遥感对地观测技术，提供了海量的信息源，加大了人们对空间的认知，对信息世界的分类利用，但是人们的优化算法远远跟不上丰富的信息源。对此，针对上面学习率算法，虽然有很大的改进，但处理速度还远远不够，还需要优化。

3.3 网络隐层的节点数确定

BP人工神经网络拓扑结构中，输入节点与输出节点是由问题的本身决定的，关键在于隐层的层数与隐节点的数目，在Robert Hecht Nielson等人研究指出，只有一个隐层的神经网络，只要隐节点足够多，就可以以任意精度逼近一个非线性函数【6】。

因此隐节点的确定关系到整个网络的处理，下面是关于隐节点数确定的的方法：

其中Hpi隐节点i在学习第p个样本时输出，Hpj是隐节点j在学习第p个样本时的输出，N为学习样本总数，而Hpi与Hpj的线性相关程度愈大，互相回归的离散度越小，反之，则相反。

当同层隐节点i和j的相关程度大，说明节点i和j功能重复，需要合并；当样本散发度Si过小，说明隐节点i的输出值变化很少，对网络的训练没起到什么作用，可以删除。因此根据这样规则可以进行节点动态的合并与删除。

4.特征因子算法加入

神经网络在遥感图像分类中的优势越来越明显，很多人对其进行了研究与应用。对此，本文对前人的算法进行了优化，主要是进行网络权值修正速度的加速，在算法优化中，引入了数学中的特征因子加速收敛方法，其保证精度下，使网络的迭代收敛速度大大加快。

具体算法思想过程如下：在BP神经网络学习阶段，当遥感图像的特征样本数据由输入层到隐含层，然后再传输到输出层，最后得到的输出数据与目标数据会产生误差，然后在返回到隐含层来调整网络权值，直至误差达到所要求的精度范围为止。在迭代过程中，为了使误差迅速减小到精度范围内，特征因子算法被引入到网络权值调整上：

在第一次迭代 ：

其中x0为输入向量，y1为第一次输出向量，T为目标向量，第一次迭代生成的T1为目标向量T的近似值，Tk+1为迭代N次（1，2，3，…）目标向量T的近似值。在运用特征因子迭代收敛加速方法中，比以往的算法得到优化，加速了网络权值调整的收敛速度，且使结果的精度得到保证。

5.实验过程与精度评定

本次实验是在Matlab环境下开发的神经网络工具箱中来进行展开的，神经网络工具箱是MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数【7】。此工具箱可以用来对BP神经网络训练函数的创建，下面是具体的实验过程：

（1）选取QuickBird卫星影像，在影像上选取各类别的特征样本，要求样本数量得足够多。然后进行特征选取，一般是选取象元的多光谱特征的特征向量，以此确定特征矩阵p。为了方便在训练阶段的学习，需把向量值归一化，在根据特征向量，确定输入层节点数为5。

（2）进行BP神经网络的构建，其中隐层网的节点数是根据前面提到的方法，节点数经过合并与删除之后最终确定为25；根据待分类影像的类别分别是公路用地、内陆滩涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水库水面、采矿用地、城市、村庄、水浇地、设施农用地、建制镇、果园、灌木林地、风景名胜及特殊用地、其他林地、其他草地，输出层节点数确定19；目标向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示内陆滩涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水库水面

以此类推直到最后类别的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

调用Matlab神经网络工具箱中的函数，另外为了加入特征因子算法，需要创建网络的权值学习函数learnc，p1是输入训练样本，p2是输入未知样本向量。部分代码如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基础上，进行训练学习。创建的网络权值函数加入特征因子后，在学习阶段收敛速度明显增快 。使调整后的网络权值尽快达到了用户设定精度范围。

（4）学习阶段完成后，开始进行分类阶段。把未分类的QuickBird卫星影像的特征向量值输入到神经网络中，进行分类，根据输出向量y与目标向量T进行对比，然后把象元分类到自己所属的类别区。直到影像被分类完为止。

（5）分类结果图如下：

（6） 下面是对分类结果进行精度评定，采用误差矩阵法来评定精度。总体精度可达到93.89%，其他各个类别的用户精度和生产者精度都很高，最低的不低于82.43%，满足用户的需求，达到使用的目的。

6.结束语

BP神经网络的非线性映射，自适应功能等优势已在遥感图像分类中得到广泛的应用，本文基于前人的优化算法，提出了在网络权值调整过程中的特征因子迭代加速算法，使学习阶段的权值调整速度明显加快。但在分类精度上改变较小，在提高精度上，是以后继续研究改进的方向。

参考文献

[1] 叶世伟 史忠植（译） 神经网络原理 北京：机械工业出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科学[M].北京：清华大学出版社，2006.

[4] 刘幺和，陈睿，彭伟，等.一种BP神经网络学习率的优化设计[J].湖北工业大学学报，2007，22（3）：1-3.

[5] 陈思 一种BP神经网络学习率的改进方法[J].长春师范学院学报（自然科学版），2010.8.25-27

[6] 李晓峰，徐玖平，王荫清等。BP人工神经网络自适应学习算法的建立及其应用[J].系统工程理论与实践，2004.5 . 3-4

[7] 楼顺天，等.《基于Matlab的系统分析与设计---神经网络》. 西安：西安电子科技大学出版社，2000.8.23-40

第9篇：神经网络情感分析范文

关键词:三相异步电机;故障诊断;Elman;神经网络

中图分类号:TP277文献标识码:B

文章编号:1004-373X(2009)10-161-03

Application of Elman Neural Network in Failure Diagnosis of

Three-phase Asynchronous Motor

WANG Xiaoyu,XIAO Hongxiang,LU Minghan,TU Bing

(Guilin University of Technology,Guilin,541004,China)

Abstract: Three-phase asychronous motor breaks down with the factor of electricity,heat,machinery and surrounding environment,then interfere the normal production.Accordingly,research on the failure diagnosis of three-phase asychronous motor is significantly important.In most conditions,all kinds of failure types can be determined by using BP neural network in faliure diagnosis.Whereas BP network is a feedforward neural network,it has shortcomings such as easy to converge to the local minima and sensitive to noises exterior.As compared,Elman neural network used here is a dynamic neural network,it is used for diagnose the common faults such as inter-turn short circuit,broken rotor bar and rotor eccentricity of asynchronous motor.The training error curve in simulation shows Elman neural network can reduce the network sensitivity to parameter adjustment,efficiently suppress local minima appearance.Practices prove that all kinds of failure can be recognized by using Elman neural network and gain a good effect in actual application.

Keywords:three-phase asychronous motor;failure diagnosis;Elman;neural network

Elman型回归神经元网络是在1990年提出的,是一种从输出到输入具有反馈连接的神经网络,其结构比前馈网络要复杂。本文采用的Elman神经网络是一种动态的神经网络,用它对异步电机的匝间短路、转子断条、转子偏心等三种常见的故障进行诊断。

1 Elman神经网络结构

Elman神经网络一般分为四层:输入层、中间层、承接层和输出层,如图1所示。其输入层、隐含层和输出层的连接类似于前馈网络。输入层单元仅起信号传输作用;输出层单元起线性加权作用;隐含层单元的传递函数可采用线性或非线性函数;承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,并返回给输入。由于其输入表示了信号的空域信息,而反馈支路是一个延迟单元,反映了信号的时域信息,所以Elman网络可以在时域和空域进行模式识别。

图1 Elman神经网络的模型

Elman型回归神经元网络的特点是隐含层的输出通过承接层的延迟与存储,自动联到隐含层输入,这种自联方式使其历史状态的数据具有敏感性,内部反馈网路的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。网络的隐含层为tansig神经元;输出层为purelin或 logsig神经元。这样的传输函数在两层神经网络的特殊组合可以任意精度逼近任意函数,关于这一点只需要隐含层的神经元数目足够多即可以实现,所逼近函数的复杂性越高,所需的隐含层神经元数越多。值得注意的是,Elman网络不同于通常的两层网络,其第一网络层有一个反馈节点,该节点的延迟量存储了前一时刻的值,从而应用于当前时刻的计算。所以即使是具有相同权值和阈值的Elman网络,如果其反馈状态不同,那么对于同样的输入向量,其同一时刻的输出也可能不相同。因为网络能够存储供将来时刻使用的信息,所以它既可以学习时域模式,也可以学习空域模式;既可以训练后对模式产生响应,也可以产生模式输出。

2 Elman神经网络的学习过程

Elman网络的非线性状态空间表达式为:

y(k)=g\x(k)\〗

x(k)=f

xc(k)=x(k-1)

式中:y,x,xc分别表示m维输出结点向量,n维中间层结点单元向量,r维输入向量和n维反馈状态向量;w3,w2,w1分别表示中间层到输入层,输入层到中间层,承接层到中间层的连接权;g(•)为输出神经元的传递函数,是中间层输出的线性组合;f(•)为中间层神经元的传递函数,常采用s函数。Elman网络采用BP算法进行权值修正,目标函数采用误差平方和函数:

E(w)=∑nk=1[yk(w)-yk~(w)]2

式中:k(w)为目标输出向量。

3 三相异步电动机的故障诊断原理

目前,国内外学者在三相异步电动机的故障诊断采用着不同的方法,这些方法各有自己的特点和优势,到目前为止,还没有一种很满意的方法。一般情况是根据各种实际情况和不同的实验条件,选用较合适的方法。这里采用定子电流的频谱分析法,它是诊断和监测电机故障的有效方法,可以诊断交流电机笼型绕组的断条、静态气隙偏心、动态气隙偏心、机械不平衡等故障。交流电机故障往往是由机械和电气相互联系的复合原因引起的。根据多回路理论笼条断裂、气隙偏心、定子匝间短路等故障征兆都会通过气隙磁势在定子电流中反映出来,所以通过定子电流检测和频谱分析可对这些故障进行诊断。

4 故障信号采集与处理

实验中频谱分析仪采用的是中国电子科技团公司第四十一研究所生产的AV4033C型高性能频谱分析仪,它具有灵敏度度高、频带宽、动态范围大等特点,可以方便地获得时域测量中不易得到的独特信息。以Y132S-4型感应电动机作为实验对象,将电流互感器箍住三相电源的一相或多相,通过频谱分析仪分别对电机发生定子匝间短路、转子断条、转子偏心等故障的特征频率进行观测和分析,并做出详尽记录,对于上述所收集的样本还需要进行整理,以保证神经网络能够有效地进行学习,对上述数值型样本要进行标准化或归一化处理。具体处理过程如下:设样本数据为xp,其中p=1,2,…,n;并设xp的上限和下限分别为xpmin,xpmax,则:

Xp′=(xp-xpmin)/(xpmax-xpmin)

按上式对所有样本进行归一化处理,然后把处理后的样本作为学习样本输入神经网络进行训练。

5 Elman网路建立

由于单隐含层Elman网路的功能已经非常强大,所以这里采用单隐含层网路可以满足要求。由于故障检测的特征频率选取了8个,所以输入层神经元的个数应该为8个。综合考虑网路的性能和速度,将隐含层神经元的个数设定为16个,输出层神经元的个数设定为4个,训练步数设定为1 000,目标为0.01。网络的输出为4种模式,采用如下的形式表示输出:定子匝间短路故障:(1000);转子断条故障: (0100);转子偏心故障: (0010);电机正常: (0001)。

创建该网络的主要代码如下;

net = newelm(minmax(p),[16,4],{′tansig′,′logsig′},

′traingdx′)

net.trainParam.epochs = 1000

net.trainParam.goal = 0.01

net = train(net,p,t)

Y=sim(net,p_test)

运行结果为:

TRAINGDX,Epoch 0/1000,MSE 0.448483/0.01,Gradient 0.16468/1e-006

TRAINGDX,Epoch 25/1000,MSE 0.43859/0.01,Gradient 0.165819/1e-006

TRAINGDX,Epoch 50/1000,MSE 0.408668/0.01,Gradient 0.153543/1e-006

TRAINGDX,Epoch 75/1000,MSE 0.340136/0.01,Gradient 0.134183/1e-006

TRAINGDX,Epoch 100/1000,MSE 0.114546/0.01,Gradient 0.070875/1e-006

TRAINGDX,Epoch 125/1000,MSE 0.0331304/0.01,Gradient 0.0277783/1e-006

TRAINGDX,Epoch 141/1000,MSE 0.00958177/0.01,Gradient 0.00994031/1e-006

TRAINGDX,Performance goal met.

可见,经过141次训练后,网络误差达到了要求,如图2所示。

图2 网络训练

利用测试数据P-test 对网络进行仿真结果为:

Y=

0.912 3 0.031 4 0.054 3 0.019 3

0.053 2 0.907 6 0.028 7 0.046 1

0.076 1 0.092 4 0.927 2 0.029 6

0.034 2 0.092 9 0.087 1 0.972 6

6 结 语

从以上分析可见,采用Elman网路能准确地识别出故障类型。由于在该网络中引入了反馈,所以网路的训练误差曲线平滑,降低了网路性能对参数调整的敏感性,有效地抑制了局部极小值的出现,从而使系统具有适应时变特性的能力,所以在电机故障诊断领域中也可作为手段之一。

参考文献

[1]沈标正.电机故障诊断技术[M].北京:机械工业出版社,1996.

[2]高景德,王祥珩,李发海.交流电机及其系统的分析[M].北京:清华大学出版社,1993.

[3]梁霖.基于电流法的鼠笼异步电动机故障特征提取及其自动诊断[D].西安:西安交通大学,2001.

[4]韩力群.智能控制理论及其应用[M].北京:机械工业出版社,2008.

[5]周开利,康耀红.神经网络模型及其Matlab仿真程序设计[M].北京:清华大学出版社,2005.

[6] Thomson W T.On-line MCSA to Diagno Seshorted Turnsinlow Voltage Stator Windings of Three-phase Asychronous Motors Prior to Failure.IEEE PES&IAS IEMDC,2001:891-898.

[7]王耀南,孙炜.智能控制理论及应用[M].北京:机械工业出版社,2008.