人工神经网络精选(九篇)
第1篇：人工神经网络范文
1.1GPS台站数据GPS时间序列由中国地壳运动观测网络提供［10］，这些GPS站在解算过程中扣除了固体潮、海潮、极潮的影响．本文选取的是华北平原区域内BJFS、BJSH、JIXN、TAIN、ZHNZ台站的数据，为了得到更理想的GPS时间序列数据，本文对这72个月的GPS数据进行预处理工作，包括:线性拟合去除趋势项、剔除噪声数据以及小波分解保留长周期信号［11］．
1.2GRACE数据本文采用的GRACE重力卫星数据是由美国德克萨斯大学空间研究中心提供的高精度Level-2RL05版本的GRACE重力场前60阶球谐系数(2005年1月～2010年12月)［12］．在此基础上，根据Blewitt［13，14］、Wahr［15］的结果推导由GRACE时变重力资料解算的陆地水储量，如公式(1)所示。
1.3CPC水文模型数据研究表明，地表水储量可以忽略［7］，所以研究区陆地水储量变化可以用式(2)表示。示土壤水分引起的陆地水储量变化，来自CPC水文模型．通过式(2)可获得地下水储量的变化值．以BJFS台站为例，如图1所示，绿色线表示GRACE解算的陆地水储量，红色线表示CPC水文模型解算的土壤水储量，蓝色线为地下水储量．由于GRACE解算的陆地水储量在解算过程中扣除了背景场的影响，因此本文对72个月的降水量、地下水埋深以及GPS测站的地表形变数据做同样的处理．
2研究方法
2.1人工神经网络算法原理BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传递．在前向传递过程中，输入信号从输入层经隐含层逐层处理，直至输出层．每一层的神经元状态只影响到下一层神经元状态．若输出层不能满足期望的输出要求，则转入反向传播，根据预测误差调整网络权值和阈值，从而使得BP神经网络预测输出不断逼近期望输出［16］．其拓扑结构如图2所示．X1，X2，…，Xn是BP神经网络的输入值，Y1，Y2，…，Ym是BP神经网络的预测值，ωij和ωjk为BP神经网络权值．
2.2基于BP神经网络的地表垂直负荷形变量模拟
2.2.1指标选取地表负荷形变是由地表流体质量(包括大气、陆地水等)重新分布引起的不同尺度变化．因此将GRACE解算的水储量作为一个输入因子．此外，分析华北平原地表负荷形变的成因，认为地下水超采对该区的地表负荷形变有一定影响．为此将地下水埋深作为BP神经网络模型的一个输入因子．降水量与地表负荷形变量间存在一定关系，一方面降水的增多会相对减少对地下水的开采，另一方面在降水过程中浅层黏性土吸水后表现出一定的膨胀性，因此将历年的降水量也作为一个输入因素［17］．为了探求不同水储量作为输入因子时模型的模拟精度，本文结合来自CPC水文模型的土壤水储量，将解算出的地下水储量作为另一个输入因子．
2.2.2样本训练与网络设置为消除网络输入、输出变量的量级、量纲不同对网络识别精度的影响，对各个变量进行归一化处理。上式中:P为原始输入数据，Pmin，Pmax分别为原始数据的最小值和最大值，Pn为归一化后的数据．隐含层采用正切Sigmoid函数，输出层采用Purelin函数，训练函数采用贝叶斯正则化算法．网络的主要参数训练目标goal=0.001，学习率为0.05，性能函数采用msg均方误差函数．
3结果与讨论
3.1模型精度验证
3.1.1样本训练精度运行建立的人工神经网络模型，训练21次达到训练目标．R2平均值为0.892，说明模型训练精度较高．如图3所示为将陆地水储量作为输入因子训练网络后的5个台站模拟结果．图中蓝色线为GPS台站的实际观测形变量，红色虚线为用人工神经网络模拟出来的型变量．
3.1.2模型模拟精度由于地表垂直负荷形变实际观测结果与拟合结果均为等间隔的月尺度数据且没有明显规律，因此采取后验差检验法对模型进行精度分析。采用后验差检验法对结果进行精度分析，检验结果如表2所示，5个台站后验差比值C＜0.5，小误差概率P＞0.80，R2平均值为0.806，依据预测等级表，网络模型精度较高．
3.2不同水储量输入对精度的影响将不同水储量输出的15组模拟结果进行后验差检验，结果如表3、图4(以BJSH为例)所示，当以陆地水储量(TWS)作为输入时，5个台站的后验差比值C＜0.5，小误差概率P＞0.80，R2为0.901，相关性较好，模型模拟精度较高．当以地下水储量(GWS)和土壤水储量(SWS)作为输入时，均方差C＞0.65，小误差概率减小，R2为0.555和0.290，模拟精度属于勉强．说明在利用人工神经网络模拟地表负荷形变量时，陆地水储量作为模型输入因子时模型模拟效果最好，地下水储量对地表负荷形变的影响比土壤水储量大．
4结论
第2篇：人工神经网络范文
关键词：神经计算机；人工神经网络；实用化研究
中图分类号：TP183 文献标识码：A 文章编号：1007—9599 （2012） 14—0000—02
人工神经网络从字面的意思就是采用人工的方法来实现大脑的思维模式，这是因为随着计算机技术的进步，多阵列CPU组成的计算机网络，能够从一定的程度来模拟实现大脑的思维，将CPU替代人类大脑的神经元，从而实现计算机的人工智能，目前基于神经计算机的人工神经网络技术已经被广泛的使用于科技领域的各个方面，比如本文即将要重点介绍的测控技术和中药现代化。
一、人工神经网络的介绍
人工神经网络就是模拟人脑神经突触结构对信息处理的一种数学模型，是基于仿生学的基础，计算机技术的应用，从而实现类似人脑的逻辑性思维，人工神经网络不是通过一个个程序来实现的逻辑性思维，而是通过大量的节点，图1是节点的示意图：
其中：a1～an为输入向量的各个分量；w1～wn为神经元各个突触的权值；b为偏置； f为传递函数，通常为非线性函数。以下默认为hardlim（）；t为神经元输出；数学表示 t=f（WA''+b）；W为权向量；A为输入向量，A''为A向量的转置；f为传递函数。
节点又叫做神经元来进行相互作用实现的逻辑性思维，包括记忆能力，其中每一个神经元代表了一种输出函数，而通过两个神经元之间的连接信号则称为加权值，这实际上就是人工神经网络的记忆。一个节点的计算公式是： ；其中Y是神经元的输出。 是神经元的第i个输入量， 则是第i个所储权值， 则代表了节点的函数平移量，n代表是节点的个数。由此公式衍生的 =0则代表了n维空间中的超平面。这个超平面把n维空间划分了两个平面，一个平面的 是正值，另一个则代表了负数。
人工神经网络的基本特征主要体现在四个方面，分别是非线性、非凸性，非局限性和非常定性，人工神经网络采用了并行的分布系统，因此具备更高级的自适应，自组织和自学习能力。图2则是上述公式衍生出来的神经元结构图：
二、人工神经网络的模拟实现方法
人工神经网络是一种并行分布式系统，是有一个个并行的简单运算单元所组成，因此通过计算机软件来模拟人工神经网络就变得可行，目前大规模的人工神经网络实现模拟则需要专用的硬件，这种硬件设备能够针对某一种特定的人工神经网络，这些硬件设备在制造的过程中有关加权值已经固定，这种固定式人工神经网络芯片主要用于运算非常大的场合；另一种硬件就是通过增加可擦写存储器的半固定电路，对人工神经网络的相关权值进行更新，这种硬件在人工神经网络组成有中等需求。而可以随时更改神经网络结构模型，线性结构和权值的硬件又被称作通用性人工神经网络硬件，这种硬件的需求量较小，但是适应人工神经网络的研究和开发。更高级的硬件就是神经计算机，所谓神经计算机就是一种专门模拟神经网络单指令流，多数据流的并行计算机，在模拟人工神经网络实现时，具有极高的性价比，DSP芯片或者是Transputer芯片是目前人工神经网络构成的主要元件。
三、神经计算机的人工神经网络实用化分析
（一）人工神经网络在测控技术方面的实用化研究
测控技术使用到人工神经网络技术比较广泛，比如在测控过程的优化，自学习自适应过程控制以及多传感器系统的数据实时分析，矫正和控制等，在实时图形和实物识别的测控技术上也离不开人工神经网络。目前人工神经网络在测控技术方面的应用主要体现在四个方面，其一能够实现对生产控制过程的参数优化，比如目前集成电路的规模已经越来越大，传统的测控技术很难保证这些集成电路完工后的品质，经过实验证明，通过在对大型集成电路生产过程中，使用人工神经网络技术来对产品进行管控，往往能够提升良品率10个百分点。其二就是通过人工神经网络在测控技术上的实物识别，这种技术能够利用多个领域，比如身份识别，目前通过神经计算机上最新的SLPODBF算法对10种不同的实物进行识别，将这些实物摆出多达三百多种的姿态，通过对神经计算机的训练，最终有效的识别率能够达到98%，目前SLPODBF算法相对于BP算法属于更高级别的智能算法，能够将神经计算机的训练时间缩短两个数量级；其三就是说话人确认的识别技术，语音识别系统自然也是人工神经网络技术的重点之一，通过基于CASSANDRA—I神经计算机的模拟实现语音识别系统，能够将误判率降低到1%以下，这相对于国外比较先进的Veritron 1000系统要有效的多；其四就是基于人工神经网络的自动控制，这种自动控制应该具备自适应，自学习能力，这是人工神经网络技术的核心，通过半制定的神经网络板以及更为先进的神经计算机，都能够适用于不同场合的自动控制，抗干扰能力强，在使用过程中不会因为程序的错误而导致失控。
（二）基于人工神经网络在中药现代化的方面的实用
从上个世纪90年代人工神经网络就已经在我国中药研究领域广泛的应用了，因为人工神经网络具有自学习，自适应以及自组织的能力，能够实现实物识别，根据自身自学习能力，就能够对电信号和图像进行直接处理，而且基于人工神经网络原理的神经计算机操作比较简单，有专门的人机交互界面，非中药专业的爱好人员也能够通过操作，目前人工神经网络在中药方面的应用十分广泛。
第3篇：人工神经网络范文
经过长期不懈努力，科学家认为可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。然而，客观现实世界是纷繁复杂的，非线性情况随处可见，人脑神经系统更是如此。为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。因此，首先对人工神经网络进行了概述；而后重点描述BP网络模型，对其基于弹性BP算法的BP网络设计与实现；最后，对网络的训练和测试进行了简单的分析。
关键词：
人工神经网络；数学模型；策略
神经系统，是人体器官的一种较为复杂的系统。人工神经网络是对人脑的神经结构与机制进行模拟，是一种区别于符号推理以及逻辑思维的人工智能技术。人工神经网络是基于现代神经生物学和认知科学对人类信息处理研究成果的基础上研发的，用来模拟生物神经系统对真实世界的物体来做出反应。除此之外，它还属于一种大规模自适应的非线性动力学系统，具备非常强的联想记忆和自主学习能力。人工神经网络具有非线性映射、模式识别、函数逼近、聚类分析、数据压缩以及优化设计的功能，并且在稳定性、收敛性等方面都有良好的性质，被广泛应用于信息处理、模式识别、计算机视觉、优化计算、智能控制等各个领域中。
一、人工神经网络
人工神经网络，可以称之为神经网络或者链接模型，是属于一种对人脑或者自然神经网络的若干个基本特性进行抽象和模拟的网络。现阶段人工神经网络的研究成果基础是对大脑的模拟研究，是为了模拟大脑当中的某些机理与机制，实现某个方面的功能而进行专项研究的。人工神经网络具有可以充分逼近任意复杂的非线性关系，对于定量或者定性的信息会采用并行分布的处理方式，使其可以大量并且快速进行运算、适应不确定的系统和对定量以及定性信息进行同一时间的处理。人工神经网络的优越性表现在三方面，具有自主学习的能力，具有联想存储的能力，具有高速寻找并且寻找优化方式的能力。对人工神经网络的研究，可以分为理论研究和应用研究两个方面的研究。在理论研究中，可以利用神经生理与认知科学对人类的思维以及智能机理进行相关研究，还可以利用人脑神经的基础理论研究成果，用数理方法对神经网络模型进行更加完善、更加优越的探索。在应用研究方面，神经网络可以实现对软件的模拟和对硬件的科学研究。而且，神经网络在各个领域中也都得到了广泛的研究，例如模式识别、信号处理、知识工程、专家系统、优化组合以及机器人控制等领域。
现行的数理知识是建立在集合论的基础上的，随着数学阶段的发展，对于人类系统的行为，或者对于人类复杂系统，比如航天系统、人脑系统以及社会系统等方面，其中的参数和变量有很多，各种因素也是相互交错的，因此，系统是相当复杂的，相对的模糊性也会显得非常明显。就认识方面来讲，可以用模糊性这个词语来概括概念外延的不确定性。因此，模糊数学的概念应运而生，主要的研究内容包括三个方面。首先，可以对模糊数学的理论进行精确研究，其中包含着与精确数学以及随机数学的关系；其次，还需要研究模糊语言学和模糊逻辑，人类的自然语言都是具有模糊性的，人们经常会接收到迷糊语言和模糊的信息，并且可以对其做出正确的判断和辨别。因此，为了可以使得自然语言和计算机语言的直接对话，就必须把人类的自然语言和思维的过程提炼成为数学模型来对计算机进行指令，这样就可以建立模糊数学的模型样本，通过运用此种方式，建立的就是模糊数学的模型，也是运用数学方法的关键之所在。最后，研究模糊数学的应用，模糊数学的研究对象通常是以不确定的事物为主的。模糊的集合通常都是通过数学来适用描述的复杂的事物，将研究的对象数学化，将其中的不确定性很好地和抽象的数学沟通起来，达到形象生动直观的效果。
二、BP网络模型
1.BP网概述BP算法，是由PallWerbas博士在1974年首次提出的，即为误差逆传播学习算法，而对于此算法完整的提出是在1986年由Rumelhart和McCelland为首的科学家小组提出来的。后来，人们把BP算法在进行训练之前的前馈型的神经网络称之为BP网络，逐渐以其简洁、实用和高度的非线性映射能力成为流行的网络模型，在信号处理、模式识别、系统辨识以及数据压缩中都有广泛的应用。在人工神经网络的实际应用过程当中，大部分的模型会采用BP网络或者它所拥有的变化形式，属于前向网络中的基础核心部分，属于人工神经网络中的精华部分。2.BP网络拓扑结构BP网络属于一种前向型神经网络，其中的神经网络具有三层或者三层以上，可以对上下层之间的神经元进行全部的连接，也就是说下层的每一个神经元可以和上层的每一个神经元实现连接，但是在同层之间的神经元是没有办法相连的。3.BP网络的工作原理以及过程对于BP网络的学习可以有两个阶段。首先，需要学习信号的正向传播过程。当一对学习的模式进行网络提供之后，神经元的激活值就会从输入层当中的各隐含层向输出层中进行传播，并且在输出层的各个神经元内会相应地输入响应值。其次，是对正方向的传播过程进行误差的修正，如果在输出层中的输出值和预期的有偏差，就会对实际输入与期望输出之间的误差进行逐层递归的计算，计算方向会按照减小期望输出和实际输出之间的误差方向。对输出层之间的各个隐含层进行每一层的连接权进行逐层的修正，最后再回到输入层，这个循环的过程就称之为“误差逆传播学习算法”。现阶段，这种误差传播的修正方式在不断地进行创新修正，网络对应的输入模式相应的正确率也会随着算法的不断发展得到相对应地提高。4.算法流程BP的算法流程如图2。
三、基于弹性BP算法的BP网设计与实现
1.BP网络结构的设计在1989年，RobertHecht-Nielson证明了在任何一个闭区间当中的一个连续的函数都可以用一个隐含层的BP网络来进行逼近，这就导致了用一个3层的BP网络可以完成任意的从N到M维的映射。输入层节点的点数是根据样本的输入特征项来决定的，而输出的节点数是根据样本的期望输出项来决定的。在隐层节点当中，由于隐层节点的数目过多，平均的收敛速度就会变慢并且速度是极其不稳定的，这样就会增加初始权值的敏感度，网络的泛化能力也会随之降低，在对隐层节点数进行计算的时候。其中，h代表的是隐层节点数，nin代表的是输入层的节点数，则nout则代表的是输出层的节点数。当因为网络发生误差产生下降的时候，也就是E（网络误差）下降的速度非常缓慢的时候，这个时候网络的收敛水平还需要进一步提高的时候，就会增加一个隐层节点。如果遇到相反的情况，则就会减少一个相应的节点。对于BP网络的优化，主要包括以下几个步骤。首先，利用弹性BP算法来对网络的权值和偏差进行修正，利用此种算法，在很大程度上避免了使得学习（是学习）陷入局部狭小的现象，这样可以加快学习收敛的速度；其次，对于隐含的节点数可以进行随意的设定；而后，在对隐含层和输出层的激活函数之间可以在给定的5种畅通的函数当中进行随意的选择，最后就需要对输入向量的归一化了。
四、网络的训练与测试
1.训练样本的声场以及网络的构造如果采用100个样本对来进行声场训练样本对，这里的样本数据采用LINSPACE（X1，X2，N）的函数生成。在本文当中，BP网络有三层构造。在这三层构造当中，第一层采用tansig激活函数；第二层采用logsig激活函数，在第三层则需要采用purline激活函数来进行。在网络训练当中需要用Matlab神经网络工具箱当中的L-M法的trainlm这个函数来进行计算。2.网络学习以及等级的评价通过MATLAB的神经网络工具箱上建立的模型，需要将学3.网络测试成效从评价的结果上来看，运用人工神经网络的评价方法最大限度地减少了人为因素的影响，在这其中可以在很大程度上减少因为传统方式而在设计权重过程当中的不确定性，通过这种方式来对评价的对象进行自动评价。同时，BP的神经网络这种评估方式本身也具有一定的局限性，例如对网络当中的隐层节点个数难以确定，在学习训练的过程当中最容易陷入局部最优的问题，在很大程度上会影响评价结果的精准性。
五、结束语
运用人工神经网络方式有效解决多源、多类型以及多属性地址处理和分析问题，在很大程度上突破了统计数学模型对预测的约束力和限制力。应用人工神经网络进行复杂的地址信息的非线性整合处理，可以精准的对各类资料进行综合分析和归类。
参考文献：
[1]李传杰.基于模糊数学及神经网络的心理评估模型[D].山东大学，2008
[2]徐振东.人工神经网络的数学模型建立及成矿预测BP网络的实现[D].吉林大学，2004
[3]邓丽琼，朱俊.基于BP神经网络的教师课堂教学评价模型[J].国土资源高等职业教育研究，2013
第4篇：人工神经网络范文
关键词：BP算法；神经网络；工业品出厂价格指数
中图分类号：TP183 文献标识码：A文章编号：1006-4311（2012）08-0112-02
0引言
工业品出厂价格指数（PPI）是衡量工业企业产品出厂价格变动趋势和变动程度的指数，是反映某一时期生产领域价格变动情况的重要经济指标，也是制定有关经济政策和国民经济核算的重要依据。
工业品出厂价格指数的调查范围是工业企业出售给本企业以外所有单位的各种生产资料和直接出售给居民用于生活消费的各种生活资料。其中，生产资料包括原材料工业、采掘工业和加工工业3类；生活资料包括一般日用品、食品、衣着和耐用消费品4类。在PPI的结构中，生产资料所占的权重较大，超过了70%；生活资料所占的权重只有不到30%。因此PPI在很大程度上反映的是工业企业生产成本的高低。目前我国PPI覆盖了全部39个工业行业大类，涉及186个种类，4000多种产品。
我国现行的工业品价格指数是采用算术平均法编制的。其中除包括工业企业售给商业、外贸、物资部门的产品外，还包括售给工业和其他部门的生产资料以及直接售给居民的生活消费品。通过工业生产价格指数能观察出厂价格变动对工业总产值的影响。工业品出厂价格指数的计算公式为：工业品出厂价格指数=工业总产值总指数/工业总产量总指数×100%。我国目前编制的工业品出厂价格指数的4种分组：①轻、重工业分组；②生产资料和生活资料分组；③工业部门分组；④工业行业分组。权数计算资料来源于工业经济普查数据。工业品出厂价格指数的权数确定，采用分摊权数。
在市场经济活动中，资源配置是通过价格涨跌引导市场主体的经济活动来完成的。因此，价格的波动对经济运行会有很大的影响，价格总水平的波动也是一个重要的宏观经济现象。通常认为PPI反映的是工业品进入流通领域的最初价格，是制定工业品批发价格和零售价格的基础，而CPI反映的是居民购买消费品的价格。
为抑制通货膨胀，中央银行需要准确把握通货膨胀的先行指标，从而正确把握经济和物价的未来走势并进行前瞻性调控。根据价格传导规律，PPI对CPI有一定的影响。研究表明PPI引导了CPI变动，其原因是生产资料价格指数、生活资料价格指数和原材料、燃料和动力价格指数都引导了CPI变动，PPI可以作为我国通货膨胀的先行指标，政府和学者可以利用PPI预测通货膨胀[1-2]。PPI是一个非常复杂的、受诸多因素影响的非线性系统。如果采用传统的计量经济模型无法很好地提高预测精度。
目前对PPI预测的研究较少，鉴于PPI的时间序列是是非线性的，为了准确和客观地预测PPI，采用人工神经网络预测方法。人工神经网络是目前一种有效的预测方法，大量的仿真实验和理论研究已经证明BP算法是一种有效的神经网络学习算法，它具有很强的处理非线性问题的能力，近年来已经广泛应用到经济领域中。但在实际应用中，BP算法也暴露出一些自身的缺点，如算法容易陷入局部极值点，收敛速度慢等，这使得BP算法只能解决小规模的问题，求得全局最优的可能性较小，这样限制了BP算法在实际中的应用。因此应用改进BP算法的人工神经网络模型预测PPI。
1PPI预测模型的建立
人工神经网络是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。其信息的处理是通过学习动态修改各神经元之间的连接权值阈值来实现的。根据某一学习规则，通过修改神经元之间的连接权值和阈值，存储到神经网络模型中，建立输入层神经元与输出层神经元之间的高度非线性映射关系，并通过学习后的神经网络来识别新的模式或回忆过去的记忆。在各种神经网络模型中，80%-90%的模型采用误差反向传播神经网络（简称BP神经网络）或它的变化形式。BP神经网络是前馈网络的核心部分，体现了人工神经网络最精华的部分。1989年Robert Hecht-Nielson证明了对于任何的连续函数映射关系都可以用含有一个隐含层的BP神经网络来逼近。
BP神经网络具有非局域性、非线性、非定常性和非凸性，在信息处理方面具有如下显著特点：BP神经网络具有自适应和自组织能力，通过与外界环境的相互作用，从外界环境中获取知识，把环境的统计规律反映到自身结构上来，并能有机地融合多种信息。当外界环境发生变化时，只需输入新的资料让模型再学习即可很快跟踪环境的变化，可操作性强。BP神经网络模型的建立不需要有关体系的先验知识，主要依赖于资料，只需给网络若干训练实例，BP神经网络就可以通过自学习来完成，完全能够发现其隐含的信息，并有所创新。BP神经网络作为一个高度的非线性动态处理系统，具有很强的容错功能。由于神经元之间的高维、高密度的并行计算结构，神经网络具有很强的集体计算能力，完全可以进行高维数据的实时处理，同时也可以进行分布式联想存储。
工业品出厂价格指数（PPI）数据来源于《中国统计年鉴（2009年）》，PPI数据时间范围为1990年-2008年。在实际应用中，由于所采集的数据跨度较大，为提高训练速度和灵敏性以及有效避开Sigmoid函数的饱和区，一般要求输入数据的值在0-l之间。再有，为保证建立的模型具有一定的外推能力，最好使数据预处理后的值在0.2-0.8之间，把0-0.2和0.8-1.0的空间预留。下面是数据预处理和反预处理算法：①数据预处理法：y=（0.8-0.2）*（x-min（x））/ （max（x）-min（x））+0.2。②反预处理算法：x=（y-0.2）*（max（x）-min（x））/（0.8-0.2）+min（x）。其中：x是工业品出厂价格指数原始数据；y是预处理后的工业品出厂价格指数数据；max（x）和min（x）分别是工业品出厂价格指数原始数据取值范围的最大值与最小值。
我国历年PPI数据按顺序构成一组时间序列，利用时间序列分析方法对我国历年PPI数据时序进行检验识别，可知PPI数据服从4阶自回归模型AR（4），由此模型输入层单元数为4个，输出层单元数为1个。
适当的隐层数目及节点数决定于多种因素。如训练样本的多少、样本噪音的大小以及所面对问题的复杂程度。隐层在BP神经网络中起着很重要的作用，它具有高度的抽象功能，并可从输入单元中提取特征。隐层层数的选择与问题的复杂性有关，为了确保训练后人工神经网络模型的泛化能力和预测能力，应在满足精度要求的前提下取尽可能紧凑的网络结构。一个三层人工神经网络模型就可解决一般函数的拟合、逼近问题。因此三层人工神经网络能满足预报要求。由于BP网络在确定隐层单元数的问题上还没有成熟的理论可依，大都根据经验来定。目前比较有效的方法就是试错法。本文分别组建了隐层节点数从1-35的BP网络，为了防止出现过拟合现象，经过大量试算，最后根据试报效果，确定了较为理想的隐层单元数是6。
传统BP网络的学习算法实质上是一种简单的最速下降静态寻优算法，通常具有收敛速度慢、易陷入局部极小值和网络推广能力不强等方面的缺陷。本文采用MATI AB神经网络工具箱提供的改进快速学习算法，有效克服了传统BP网络学习算法的缺陷。Trainlm训练函数采用Levenberg-Marquardt优化方法，该训练函数的效率优于最速下降静态寻优算法。
2结果
利用1990年-2003年的我国PPI数据作为训练样本，采用改进BP算法的Trainlm训练函数进行训练构建的神经网络，然后采用2004年-2008年的PPI数据作为检验样本，利用训练好的BP网络对2004年-2008年的PPI进行预测，结果见表1。仿真实验表明我国PPI训练样本模拟值和实际值的平均相对误差为0.82%，模拟值和实际值的相关系数为0.994778；我国PPI检验样本预测值和实际值的平均相对误差为0.80%，预测值和实际值的相关系数为0.915313；2007年PPI预测值为102.6，PPI实际值为103.1，预测值和实际值的相对误差为-0.48%；2008年PPI的预测值为107.4，PPI实际值为106.9，预测值和实际值的相对误差仅为0.47%，这都与实际情况相近，结果较为满意。并对2011年和2012年的我国PPI做了预测，PPI预测值分别为107.3和107.6。
3结论
人工神经网络模型能够很好地捕捉我国PPI内在的规律性，无需设计任何数学模型，通过神经元之间的相互作用来完成整个人工神经网络的信息处理，并能得到很好的预测精度。
将人工神经网络模型应用于我国PPI预测，PPI预测值和实际值的平均相对误差为0.80%，预测误差小，PPI检验样本预测值与实际值的线性相关系数为0.915313，预测精度高，模型预测值和实际值能较好的吻合。
参考文献：
[1]孙红英,刘向荣,解玲丽.基于传导模型的2010年价格指数预测[J].辽宁工程技术大学学报(自然科学版),2010,5:941-944.
第5篇：人工神经网络范文
人工神经网络（Aartificial Neural Network，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家Warren S.Mcculloch和数学家Walth H.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，Back Propagation），它的网络结构及算法直观、简单，在工业领域中应用较多。
经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（Fuzzy Logic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。
因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。
本文介绍了一种基于人工神经网络（ANN）理论的保护原理。
1、人工神经网络理论概述
BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。
在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。
2、神经网络型继电保护
神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。
ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。
3、结论
本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。
一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。
神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。
参考文献
1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993
2、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377
3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197
第6篇：人工神经网络范文
当今的社会是信息的社会。要使信息得到及时利用，为国民经济和科学技术以及国防工业的发展服务，必须对信息数据的采集、加工处理、传输、存储、决策和执行等进行全面的技术革新，以适应社会发展形式的需求。因此，信息科学技术有着极其广泛的重要应用领域，如通信、雷达、声纳、电子测量仪器、生物医学工程、振动工程、地震勘探、图像处理、计算机科学等。各领域的电子信息系统往往具有不同的性能和特征，但是电子信息系统设备的设计都涉及到信息表征和信息处理技术，如果这种信息科技能获得新的突破，电子信息系统产品将走上新的台阶。
当前信息系统智能化和具有高的鲁棒性及容错性是值得研究的重大问题，虽然人工智能和专家系统已取得好的成绩，但还不适应信息社会发展的需求，需寻求新的发展途径。21世纪被称为“智能化世纪和人工神经网络世纪”，信息科学与脑科学、认知科学、神经生物学、计算机科学、非线性科学、数学、物理学诸学科相结合所产生的神经计算科学，为实现新的信息表征和信息处理提供了新的手段，将使信息技术和信息系统智能化得到飞跃的发展。
21世纪是信息社会的智能化时代，信息高速公路的发展加速了通信技术和多媒体通信系统进入网络化、智能化进程；开拓国际互联网，使千家万户能在因特网和大型计算机网络上搜索和浏览各种信息，这都涉及到通信系统和信息处理系统的高度智能化问题。
现代信息处理要解决的问题往往是很复杂的，它要完成由输入空间到输出空间的映射，这个映射可以是线性的，也可以是非线性的，所以信息处理系统是有序结构的物理系统中的映射，恰好是与神经网络信息处理同构。
2 人工神经网络信息处理
一般来说，智能信息处理可以划分为两大类，一类为基于传统计算机的智能信息处理，另一类为基于神经计算的智能信息处理。前者信息系统包括智能仪器、自动跟踪监测仪器系统、自动控制制导系统、自动故障诊断和报警系统等。在人工智能系统中，它们具有模仿或代替与人的思维有关的功能，通过逻辑符号处理系统的推理规则来实现自动诊断、问题求解以及专家系统的智能。这种智能实际上体现了人类的逻辑思维方式，主要应用串行工作程序按照一些推理规则一步一步进行计算和操作，应用领域很广。后者是用人工神经网络来模仿延伸人脑认知功能的新型智能信息处理系统，即仿造人脑的思维、联想记忆、推理及意识等高级精神活动的智能，这类神经智能系统可以解决传统方法所不能或难以解决的问题。例如美国研制出的一种电子“侦探”(苏联《科学与生活》，1990年)，就是用神经网络做的能辨识人面孔的智能系统，只要让它看一下某人或他的照片就能记住描述此人面貌的256个数字参数，同时能记住达500人，思考辨认时间总共为1s。人工神经网络系统具有很高的容错性和鲁棒性及自组织性，即使连接线被破坏了50％，它仍能处在优化工作状态，这在军事系统电子设备中有着特别重要的意义，故美国无人侦察飞机已用上这种神经信息系统。美国许多公司生产的神经网络芯片及神经智能系统已商品化。今年最新报导：美Attrasoft公司做出世界上最大的百万个神经元的神经网络(软件)。
3 盲信号处理技术
盲信号处理包括多个信源混合的盲源分离、多通道传输信道的参数估计和系统辨识、盲解卷积和盲均衡技术、盲阵列信号处理和盲波束形成技术等，在通信、雷达、声纳、控制工程、地震勘探、生物医学工程等领域有着极其重要的应用价值，是国际上非常重视的热门研究课题。从数学上讲，盲信号处理问题可以用X(t)=AS(t)来描述，这里X(t)是已知观测数据矢量，而信号矢量S(t)和系统参数矩阵A都是未知的，如何只由观测矢量X(t)来推求S(t)或A，其解将存在不定因素，可能有许多不同的两个量相乘而得到同一个观测数据X(t)。求解这类问题是一个国际性的盲处理难题，但该问题有很高的实用价值。图像、语声、中文诗词及英文文字等多媒体信息混合后的盲分离问题，最高信号干扰之比高于70dB。
第7篇：人工神经网络范文
在工业生产领域中，经常需要空气压缩机为生产流程供风，很多企业采用离心式空气压缩机取代原有的活塞式空压机，并建立空压站，具体负责压缩空气的产生的传输［1］。离心式空气压缩机具有运行效率高、综合性能好等优点［2］。为了更好地对空压机的工作状态进行监控，有必要构建一套压风控制系统，用以监测和管理空压机的工作流程。故障诊断是压风控制系统中的重要内容，空压机结构复杂，在长时间运行过程中很容易出现故障，对工业生产造成严重的影响［3］。本文针对目前空压机故障诊断方法缺乏智能性，预判和预警能力不足，难以保障安全生产的问题，引入了人工神经网络技术，利用历史数据对其进行训练，使用时对空压机各监测点的数据进行实时分析，构建了远程故障诊断专家系统模块，详细分析了空压机故障诊断神经网络的构建过程，讨论了其在空气压缩机故障诊断中的应用，证明其能够有效地提高远程监控系统对压风系统故障的预判断及处理能力。
2离心式空压机常见故障分析
离心式空气压缩机存在着一些常见的故障，主要包括［4］：1）转子不平衡。离心式空压机的转子由轴承和叶轮组成，负责空气的进入和定向增压输送，由于需要长时间地工作，易出现运行不平衡的现象，其可能的原因包括空压机自身工艺水平没有达到要求，转子结垢，零件磨损，有异物进入影响转子正常工作等。2）转子不对中。该类故障主要包括轴系不对中和轴承不对中两种类型，其中轴系不对中较为常见。轴系不对中是指联接轴上的各个转子并不在一条直线上，当转子不对中幅度较大时，极有可能造成轴承迅速磨损变型，导致严重的后果。3）转子弯曲。该类故障主要是指离心式空压机中的各个转子中心线弯曲。由于制作工艺不到位，或者运行过程中的操作不当，易造成转子的永久弯曲，这是不可恢复的，而由于某次操作不当造成的转子弯曲则是可以恢复的。4）油膜振荡。该类故障主要是由于轴系设计工艺有偏差，轴承损耗、油使用不当等原因引起的旋转轴自激振动，这是一种非外界原因导致的故障，由于自激振荡可不断自我加强，所以对于整个空压机的破坏性较大。5）旋转失速与喘振。这两种故障是离心式空压机所特有的，旋转失速是指转子的叶轮由于系统设计的不当，或者气流管道被堵塞，以及对排气流量的设置不正确等原因引起的速度不平衡，进而对压缩机的正常工作性能指标产生影响［5］。旋转失速进一步发展就会导致喘振的发生，喘振的危害性更大，会导致离心式空压机的灾难性事故。
3故障诊断模块的设计
空压机故障诊断功能的设计主要是根据空压机参数的数值状态和变化情况，判断空压机是否存在故障，并判断出故障的类型。主要解决的问题包括：1）空压机状态参数的获取与分析，2）对可能出现故障的判断。第一个问题的解决主要是设计对空压机状态信息的远程查询功能，通过上位机向各空压机发送数据获取指令，得到其状态数据，并存储到数据库中，再根据故障判断处理的需求，将所需要的数据如图1所示，通过上位机控制获取到的空压机参数数据将保存到数据库中，根据故障诊断处理的需求进行读取和处理，其处理的结果将作为后继数据智能处理算法的基础。第二个问题的解决主要是依靠智能化的数据处理方法，构造专家系统，将专家的经验进行数字化处理，从而实现对故障类别的自动判断。本系统构建了专家系统用于对空压机的故障进行诊断。专家系统的核心是基于知识的推理过程。空压机专家系统的构建如图2所示。专家系统的输入为空压机各参数的实时变化数值，然后通过引用知识库中已经完成的故障模型，推理出当前可能存在的故障隐患。空压机可能出现多种故障类型，针对每一种故障类型，专家系统给出故障相应的解决方案。专家系统的构建涉及到多个理论领域的内容，包括模糊数学、灰色理论、神经网络理论等。从总体上看，专家系统由知识库、知识获取模块、数据库、推理解释模块等组成。其中知识库中存储启发性知识，推理模块中组织和调用知识库中的知识和元数据实现对参数数值的判定，知识获取模块通过人工和智能算法相结合的方式，生成对故障进行处理的启发式知识。
4故障诊断功能的实现
4．1监测点的选取
空压机运行状态包括多个参数类型，对监测属性的选取主要是从保证空压机安全运行的角度出发，选取最具有代表性的、与空压机运行监管过程相关度最高的监测点。离心式空压机常见的故障在第2节已经进行了分析，经过多年的研究和统计，各类故障的名称、发生的概率、产生故障的原因如表1所示。由表1可知，由于离心式空压机中各类原因引起的故障，其故障表现中，噪声、振动、温度、压力等物理量均会出现相应的变化，所以选择噪声、振动、温度、压力作为空压机的监测物理指标对象。
4．2基于神经网络的诊断实现
神经网络包括多种类型，BP神经网络是其中应用最为广泛的一种模型。BP神经网络通过反馈的方式对网络中的参数和权值进行调整，通过不断的误差修正，使网络误差减小到可接受的范围内［7］。BP神经网络具有对非线性函数的无限逼近能力，还具有非常强大的泛化功能。相关的理论证明表明，利用三层BP神经网络，在隐含层节点可自由设置的情况下，可以实现对任意非线性连续函数的仿真［8］。BP神经网络的输出是将输入的信号经过具有不同权值、阈值的隐含层节点处理，最终形成的线性组合。隐藏层中的节点由任意阶的非常数导数组成，该模式下的神经网络可以无限逼近非线性连接函数。BP神经网络的工作流程为：首先将输入信号接入到输入层，然后经过隐含层作用函数的处理后进入输出层，再经过处理后输出最终的结果。BP神经网络的结构如图3所示。图3BP神经网络结构其中，隐含层所采用的作用函数选取十分关键，一般使用的是Sigmoid函数，如式（1）所示：在空压机故障诊断过程中，可以根据不同的故障诊断要求对隐含层的作用函数进行选择，通过对比，选择一种处理效果最好的作用函数。BP神经网络算法的学习过程包括正向和反向两个过程，正向过程中，信号数据由输入层接入，经过隐含层和输出层的处理后得到结果，在此过程中，每一层的神经元状态只会对下一层的神经元产生作用；如果输出的结果不符合要求，则通过反向的过程，将信号产生的误差按照正向的路径进行反馈处理，在此过程中对网络的权值等参数进行修改。不断地重复这一过程对网络进行训练，使BP神经网络的误差小于设定的阈值。经由BP神经网络处理后得到的结果并不是专家系统的直接输出。由于在BP神经网络的隐含层采用的是Sigmoid作用函数，所以从输出层得到的处理结果只是趋近于1或者0，而无法真正达到1或者0，因此在实际处理时要设定阈值，该阈值的确定来源于神经网络训练过程中对于样本的处理，其取值为0．7，也就是大于0．7的输出值认为是所发生的故障。在基于BP神经网络的专家系统实际使用过程中，经常会出现所有输出层节点得到的值都小于阈值的情况，导致专家系统无法判断出现的故障类型，所以还需要在输出层建立故障的判断机制。通过观察发现，当空压机发生某类故障时，表征该类故障的输出节点值虽然有可能小于阈值，但是明显比其他节点输出值大。例如，当采集到的信号数据经过BP神经网络的处理得到的油压异常输出为0．452、不对中异常输出为0．082、转子不平衡异常输出为0．041时，可以判断，由于油压异常故障的输出值明显大于其他的异常输出情况，所以目前空压机出现的故障为油压异常。
5结语
第8篇：人工神经网络范文
关键词：模糊控制；人工神经网络；人脸识别
中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)16-3904-03
随着人工智能技术的飞速发展，机器视觉已经成为当前人工智能研究领域的一大热点，很多国家的研究人员都开展了对机器视觉的研究，其中以机器视觉识别人脸最为困难，这主要是因为人的面部带有表情，不同的人具有不同的脸，而不同的脸具有不同的表情，不同的表情则具有不同的面部特征，如何让计算机通过机器视觉高效率的识别人脸，成为当前机器视觉和智能机器人关键技术领域的技术难题。
随着模糊逻辑控制算法和人工神经网络算法的发展，对于机器视觉识别人脸特征的算法也有了新的发展，目前多数研究算法所采用的人脸识别从实现技术上来说，主要可以分为以下几个类别：
1) 基于人脸几何特征进行的识别算法，该算法运算量较小，原理简单直观，但是识别率较低，适合应用于人群面部的分类，而不适宜于每一个人脸的识别。
2) 基于人脸特征的匹配识别算法，这种算法是预先构建常见的人脸特征以及人脸模板，构成人脸特征库，将被识别的人脸与特征库中的人脸进行逐一比对，从而实现人脸识别，该算法识别效率较高，但是应用有一定局限性，只能够识别预先设立的人脸特征库中的人脸模型，因此人脸特征库就成为该算法实现的技术关键。
3) 基于统计的人脸识别算法，该算法将人脸面部进行特征参数的划分，如两眼距离大小，五官之间距离等，通过构建统计特征参数模型实现对人脸模型的识别，该算法识别率较高，但是算法实现起来运算量比较大，且识别效率较低。
4) 基于模糊逻辑的人脸识别算法，这一类算法主要结合了模糊逻辑和神经网络能够自我训练学习的机制实现对人脸的识别，识别率较高，且算法运算量适中，但是算法的原理较难理解，且模糊逻辑控制规则的建立存在一定技术难度。
本论文主要结合模糊人工神经网络方法，将其应用于计算机人脸识别，以期从中能够找到有效可靠的人脸识别方法及其算法应用，并以此和广大同行分享。
1 模糊逻辑及人工神经网络在图像辨识中的应用可行性分析
1) 人脸识别的技术难点
由于计算机只能够认识0和1，任何数据，包括图像，都必须要转化为0和1才能够被计算机识别，这样就带来一个很复杂很棘手的问题：如何将成千上万的带有不同表情的人脸转变为数字信号并被计算机识别。由于人的面部带有表情，不同的人具有不同的脸，而不同的脸具有不同的表情，不同的表情则具有不同的面部特征，因此这些都成为了计算机识别人脸特征的技术难点，具体来说，人脸实现计算机识别的主要技术难度包括：
① 人脸表情：人有喜怒哀乐等不同表情，不同的表情具有不同的面部特征，因此如何分辨出不同表情下的人脸特征，这是首要的技术难点；
② 光线阴影的变换：由于人脸在不同光线照射下会产生阴影，而阴影敏感程度的不一也会增加计算机识别人脸特征的难度；
③ 其他因素：如人随着年龄的增长面部特征会发生些微变化，人脸部分因为装饰或者帽饰遮挡而增加识别难度，以及人脸侧面不同姿态也会对计算机识别带来技术难度。
2) 模糊人工神经网络在人脸辨识中的应用可行性
如上分析所示，计算机识别人脸，需要考虑的因素太多，并且每一种因素都不是线性化处理那么简单，为此，必须要引入新的处理技术及方法，实现计算机对人脸的高效识别。根据前人的研究表明，模糊人工神经网络算法是非常有效的识别算法。
模糊理论和神经网络技术是近年来人工智能研究较为活跃的两个领域。人工神经网络是模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的利用也较少。但缺点是它不能处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习及问题的求解具有黑箱特性，其工作不具有可解释性，同时它对样本的要求较高;模糊系统相对于神经网络而言，具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，很难实现自适应学习的功能，而且如何自动生成和调整隶属度函数和模糊规则，也是一个棘手的问题。如果将二者有机地结合起来，可以起到互补的效果。
模糊逻辑控制的基本原理并非传统的是与不是的二维判断逻辑，而是对被控对象进行阈值的设计与划分，根据实际值在阈值领域内的变化相应的产生动态的判断逻辑，并将逻辑判断规则进行神经网络的自我学习，逐渐实现智能判断，最终实现准确的逻辑判断。相较于传统的线性判断规则，基于模糊规则的神经网络是高度复杂的非线性网络，同时由于其广阔的神经元分布并行运算，大大提高了复杂对象（如人脸）识别计算的效率，因此，将模糊神经网络算法应用于人脸的智能识别是完全可行的。
2 基于模糊人工神经网络的人脸识别方法研究
2.1 基于模糊神经网络的人脸识别分类器设计
1) 输入、输出层的设计：针对模糊神经网络层的输入层和输出层的特点，需要对识别分类器的输入、输出层进行设计。由于使用BP神经网络作为识别分类器时，数据源的维数决定输入层节点数量，结合到人脸的计算机识别，人脸识别分类器的输入输出层，应当由人脸特征数据库的类别数决定，如果人脸数据库的类别数为m，那么输入、输出层节点数也为m，由m个神经元进行分布式并行运算，能够极大提高人脸识别的输入和输出速度。
2) 隐藏层结点数的选择：由于一般的BP神经网络都是由3层BP网络构成：输入层，隐藏层和输出层，隐层的数量越多，BP神经网络越复杂，那么最终能够实现的运算精度就越高，识别率也就越高；但是随着隐层数量的增加，随之而来的一个突出的问题就是神经网络变的复杂了，神经网络自我训练和学习的时间变长，使得识别效率相对下降，因此提高精度和提高效率是应用模糊神经网络的一个不可避免的矛盾。在这里面向人脸识别的分类器的设计中，仍然采用传统的3层BP神经网络构建人脸识别分类器，只设计一层隐层，能够在保障识别精度的前提下有效的保障神经网络学习和训练的效率，增加人脸识别的正确率。
3) 初始值的选取：在设计了3层BP神经网络的基础上，需要确定神经网络的输入初始值。由于模糊神经网络是非线性的，不但具有线性网络的全部优点，同时还具有收敛速度快等特点，而初始值的选取在很大程度上影响神经网络的学习训练时间的长短，以及是否最终能够实现收敛输出得到最优值。如果初始值太大，那么对于初始值加权运算后的输出变化率趋向于零，从而使得神经网络自我学习训练趋向于停止，最终无法得到收敛的最优值；相反，我们总是希望初始值在经过每一次加权运算后的输出都接近于零，从而能够保证每一个参与运算的神经元都能够进行调节，最终实现快速的收敛。为此，这里将人脸识别的初始值设定在[0，0.2]之间，初始运算的权值设定在[0，0.1]之间，这样都不太大的输入初始值和权值初始值能够有效的保证神经网络快速的收敛并得到最优值。
如果收敛速度太慢，则需要重新设置权值和阈值。权值和阈值由单独文件保存，再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化，训练后的权值和阈值直接导入文件。
2.2 人脸识别的神经网络训练算法步骤
1) 神经网络的逐层设计步骤：神经网络需要按层进行设计，构建信号输入层、模糊层以及输出层，同时还要构建模糊化规则库，以构建神经网络模糊算法的完整输入输出条件。具体构建人脸识别的神经网络层可以按照下述步骤执行：
Step 1，构建信号输入层，以视觉摄像头为坐标原点构建人脸识别坐标系统，这里推荐采用极坐标系统构建识别坐标系，以人脸平面所处的角度与距离作为信号的输入层，按照坐标系的变换得到神经网络信号输入的距离差值和角度差值Δρ，Δθ，作为完整的输入信号。
Step 2，构建模糊化层，将上一层信号输入层传输过来的系统人脸识别信号Δρ与Δθ进行向量传输，将模糊化层中的每一个节点直接与输入信号向量的分量相连接，并进行信号矢量化传输；同时在传输的过程中，根据模糊化规则库的条件制约，对每一个信号向量的传输都使用模糊规则，具体可以采用如下的隶属度函数来进行模糊化处理：
(1)
其中c ij 和σij分别表示隶属函数的中心和宽度。
Step 3，构建信号输出层，将模糊化层经过模糊处理之后的信号进行清晰化运算，并作为最终结果输出。
关于模糊规则库的建立，目前所用的方法都是普遍所采用的匹配模糊规则，即计算每一个传输节点在模糊规则上的适用度，适用就进行模糊化规则匹配并进行模糊化处理，不适用则忽略该模糊规则并依次向下行寻找合适的模糊规则。当所有的，模糊规则构建好之后，需要对每条规则的适用度进行归一化运算，运算方法为：
(2)
2) 人脸的识别算法按如下步骤执行：
Step 1：一个样本向量被提交给网络中的每一个神经元；
Step 2：计算它们与输入样本的相似度di；
Step 3：由竞争函数计算出竞争获胜的神经元，若获胜神经元的相似度小于等于相似度门限值ν，则计算每个神经元的奖惩系数γi，否则添加新的神经元；
Step 4：根据学习算法更新神经元或将新添加的神经元的突触权值置为x；
Step 5：学习结束后，判断是否有错误聚类存在，有则删除。
其中，
(3)
di是第i个神经元的相似度值，β为惩罚度系数，ν为相似度的门限值。γ的计算方法是对一个输入样本x，若竞争获胜神经元k的相似度dk≤ν，则获胜神经元的γk为1，其它神经元的γi=-βdi/ν，i≠k；若dk >ν，则添加新的神经元并将其突触权值置为x。
实际上，网络训练的目的是为了提高本算法的权值实用域，即更加精确的实现对人脸特征的识别，从而提高算法的人脸识别率，当训练结束后，即可输出结果。
2.3 算法仿真测试
为了验证本论文所提出的人脸识别模糊神经网络算法的有效性和可靠性，对该算法进行仿真测试，同时为了凸显该算法的有效性，将该算法与传统的BP神经网络算法进行对比仿真测试。
该测试采集样本500张人脸图片，分辨率均为128×128，测试计算机配置为双核处理器，主频2.1GHz，测试软件平台为Matlab，分别构建BP神经网络分类器与本算法的神经网络分类器，对500幅人脸图片进行算法识别测试。
如表1所示，为传统BP神经网络算法和本论文算法的仿真测试结果对比表格。
从表1所示的算法检测对比结果可以发现：传统的算法也具有人脸特征的识别，但是相较于本论文所提出的改进后的算法，本论文提出的算法具有更高的人脸特征识别率，这表明了本算法具有更好的鲁棒性，神经网络模糊算法的执行上效率更高，因而本算法是具有实用价值的，是值得推广和借鉴的。
3 结束语
传统的图像识别技术，很多是基于大规模计算的基础之上的，在运算量和运算精度之间存在着不可调和的矛盾。因人工神经网络技术其分布式信息存储和大规模自适应并行处理满足了对大数据量目标图像的实时处理要求，其高容错性又允许大量目标图像出现背景模糊和局部残缺。相对于其他方法而言，利用神经网络来解决人脸图像识别问题，神经网络对问题的先验知识要求较少，可以实现对特征空间较为复杂的划分，适用于高速并行处理系统来实现。正是这些优点决定了模糊神经网络被广泛应用于包括人脸在内的图像识别。本论文对模糊神经网络在人脸图像识别中的应用进行了算法优化设计，对于进一步提高模糊神经网络的研究与应用具有一定借鉴意义。
参考文献：
[1] 石幸利.人工神经网络的发展及其应用[J].重庆科技学院学报:自然科学版,2006(2):99-101.
[2] 胡小锋,赵辉.Visral C++/MATLAB图像处理与识别实用案例精选[M].北京:人民邮电出版社,2004.
[3] 战国科.基于人工神经网络的图像识别方法研究[D].北京:中国计量科学研究院,2007.
[4] 王丽华.基于神经网络的图像识别系统的研究[D].北京:中国石油大学,2008.
[5] 范立南,韩晓微,张广渊.图像处理与模式识别[M].北京:科学出版社,2007.
[6] 金忠.人脸图像特征抽取与维数研究[D].南京:南京理工大学,1999.
第9篇：人工神经网络范文
关键词：人工神经网络；产生；原理；特点；应用
Application of man-made neural network and medical Image to analyses
Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate, Signal processing et. in order to let the medical students and workers understand the neural network, especially understand the man-made neural network which applies to the medical image to analyses, the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions, mainly about the physical concept. In simple terms. I hope it can work !
Key words: Man-made neural network; Produce; Principle; Characteristic; Application
人工神经的出现与发展，从而解决了对于那些利用其它信号处理技术无法解决的问题，已成为信号处理的强有力的工具，人工神经网络的应用开辟了新的领域。二十世纪九十年代初，神经网络的研究在国际上曾经出现一股热潮，近年来有增无减，已广泛应用在民用、军用、医学生物等各个领域。
1 神经网络与人工神经网络
1.1 神经网络
神经网络就是由多个非常简单的处理单元彼此按某种方式相互连接而成的计算机系统。该系统是靠其状态对外部输入信息的动态响应来处理信息。
1.2 人工神经网络
1.2.1 神经元模型的产生
神经元（神经细胞）是神经系统的基本构造单位，是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个简单处理作用的细胞体，一个连接其它神经元的轴突和一些向外伸出的其它较短分支——树突组成。人的大脑正是拥有约个神经元这个庞大的信息处理体系，来完成极其复杂的分析和推导工作。
人工神经网络（ARTIFICIALNEURALNETWORK，简称(A.N.N.）就是在对人脑组织结构和运动机智的认识理解基础上模拟其结构和智能功能而构成的一种信息处理系统或计算机。二十世纪40年代初期，心理学家Mcculloch、数学家Pitts就提出了人工神经网络的第一数学模型，从此开创了神经科学理论的研究时代。随后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等学者先后又提出了感知模型，使人工神经网络技术有了新的发展。
1.2.2 人工神经网络的工作原理
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明：为了讨论方便，先规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。因此网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减小下次犯同样错误的可能性。首先，给网络各连接权值赋予（0，1）区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出是完全随机的，“1”和“0”的概率各为50%。这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。如果输出为“0”（结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。
1.2.3 人工神经网络的特点
人工神经网络的特点是高速信息处理能力和知识存储容量很大。人工神经网络同现行的计算机所不同的是，它是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超出某一门限值后才能输出一个信号。因此，神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。
2 人工神经网络的种类
人工神经网络分为误差逆传播神经网络（多层感知网络）、竞争型(KOHONEN)神经网络、前馈神经网络和Hopfield神经网络四种。
3 人工神经网络的应用领域
3.1 民用领域
人工神经网络在民用领域主要用于语言识别，图像识别与理解，计算机视觉，智能机器人故障检测，实时信息翻译，企业管理，市场分析，决策优化，物资调运，自适应控制，专家系统，智能接口，神经生理学，心理学和认知科学研究等。
3.2 军用领域
人工神经网络在军用领域主要用于语音，图像信息的录取与处理，雷达、声纳的多目标识别与跟踪，战场管理与决策支持系统，军用机器人控制，信息的快速录取，分类与查询，导弹的智能引导，保密通讯，航天器的姿态控制等。
3.3 生物医学工程领域
人工神经网络在生物医学工程领域主要是解决用常规方法难以解决和无法解决的问题。在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，Holter系统的心电信号数据的压缩，医学图像的识别和数据压缩处理。即广泛应用和解释许多复杂的生理、病理现象。例如：CT脑切片。人工神经网络从MR图像分割组织和解剖物体，如肿瘤。这种基于二次扫描的方法包括无指导聚类分析，维数减少和通过非线性拓扑映射的纹理特征可视化。采用后处理技术逼近贝叶斯判断边缘，然后用人和神经网络的交互对这些结果进行优化。
3.4 人工神经网络在肺部CT片定量分析中的应用
肺部CT图像定量分析是先通过计算ROI区域的纹理和其它形态学的特征，形成特征矢量，然后交由后续的神经网络去进行分/聚类，从而达到定量分析的目的。现以其中常用的BP网络为例加以说明。由于BP网络存在纹理特征的计算很费时间和很难找到对某一病理区域有特异性的纹理特征等参数的缺陷。Heitmann等直接使用了Kohonen自组织映射网络（SOM）来对弥漫性肺病在HRCT中的典型征象——磨玻璃样影（GGO）进行自动识别。他将一55大小的ROI的CT数值直接作为SOM网络的输入，经网络聚类后，输出结果的真阳性超过95%，但也有太多的非GGO区域被误分成GGO区域，假阳性竟高达150——300%。特别是靠近胸膜和靠近气管与血管处的区域最易被误分类，而这类区域处的对比度比较高。也就是说单个SOM网络无法清楚地区分GGO相对均质的区域和低密度肺组织靠近高密度结构处的强对比区域。鉴于以上情况，Heitmann又设计了一个包括三个简单网络的分层结构。其中：一个简单网络可以检测几乎所有正确的GGO区域以及高对比度处的假GGO区域，而另两个网络（一个针对靠近胸膜处的组织；另一个针对靠近气管和血管处的组织）仅仅被训练成高对比有反应，而真正的GGO区域则无法检出。将这三个网络的输出以一定的逻辑规则（即三个网络的输出都为真，则该区域才是GGO）相连，最终结果比单个网络的结果精确了许多，它去掉了约95%的假阳性区域。虽然一些强对比区域的真的GGO区域也不可避免地被移走，但真阳性仍在可接受的范围内。实践证明：那些被误分类的区域实际上大多是肺内血管、气管、胸壁或纵隔的部分容积效应，以及有心脏主动脉搏动或呼吸位移引起的运动伪影。可以通过解剖结构信息来校正。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。迄今为止，在人工神经网络研究领域中，有代表性的网络模型已达数十种，而学习算法的类型更难以统计其数量。神经网络研究热潮的兴起是20世纪末人类科学技术发展全面飞跃的一个组成部分。它与多种科学领域的发展密切相关，纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子、生命起源等科学领域的进程之中历经了崎岖不平之路。在以人为本的21世纪，我们将会看到探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异，同时人工神经网络在医学领域的应用前景也会更加广阔。
参考文献：
[1] 陈旭，庄天戈.肺部放射影像的定量分析[J].中国医疗器械杂志。2001，26（2）：117—118.
