神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

關(guān)鍵詞：Web；神經(jīng)網(wǎng)絡(luò)；主成分分析；雅克比；BP

中圖分類號(hào)：TP311.52 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1007-9599 (2011) 17-0000-02

Web-based Indicators of Neural Network Forecasting System Implementation

Tan Weijuan

(Beiqu Informatization Service Center,Shanghai200072,China)

Abstract:In this paper,the status indicators and predict trends in software development,describes the use of neural networks and principal component analysis of indicators forecasting system,based on network technology development and focuses on Web-based indicators of neural network prediction system solutions.Construction of indicators to forecast the establishment of the basic model.System uses the actual project as a learning content information,the results show that this method of construction projects to establish indicators of prediction model is correct and feasible.

Keywords:Web;Neural network;Main component analysis;

Jacobi;BP

一、引言

指標(biāo)預(yù)測(cè)系統(tǒng)是一類在實(shí)際工作中有非常重要的應(yīng)用價(jià)值的軟件，它可以應(yīng)用在社會(huì)生產(chǎn)的各個(gè)領(lǐng)域，例如工程造價(jià)預(yù)測(cè)，國(guó)民經(jīng)濟(jì)發(fā)展方向評(píng)估和預(yù)測(cè)等。目前預(yù)測(cè)軟件常用的方法主要是統(tǒng)計(jì)方法，采用這種方法進(jìn)行指標(biāo)預(yù)測(cè)所需的周期比較長(zhǎng)，而且由于不具有智能性，因此可靠性較低。另外傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)軟件一般都是單機(jī)版，不能適應(yīng)信息系統(tǒng)網(wǎng)絡(luò)化發(fā)展的實(shí)際需要，應(yīng)用范圍比較狹窄。筆者結(jié)合建筑管理軟件的現(xiàn)狀在預(yù)測(cè)方法方面做了一些研究，采用基于web的神經(jīng)網(wǎng)絡(luò)指標(biāo)預(yù)測(cè)方法，這種方法也傳承了傳統(tǒng)統(tǒng)計(jì)預(yù)測(cè)方法的基本思想。預(yù)測(cè)結(jié)果表明，采用這種方法進(jìn)行指標(biāo)預(yù)測(cè)，和傳統(tǒng)的預(yù)測(cè)方法相比不但縮短了預(yù)測(cè)周期，而且擴(kuò)大了應(yīng)用范圍。

二、神經(jīng)網(wǎng)絡(luò)指標(biāo)預(yù)測(cè)系統(tǒng)基本原理

BP（Back Propagation反向傳播）網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一個(gè)經(jīng)典模型[4]，它的拓?fù)浣Y(jié)構(gòu)如上頁(yè)圖所示：

BP網(wǎng)絡(luò)分為三層，輸入層對(duì)應(yīng)于預(yù)測(cè)系統(tǒng)的各輸入指標(biāo)，輸出層對(duì)應(yīng)于各輸出指標(biāo)，另外為了避免網(wǎng)絡(luò)節(jié)點(diǎn)值為零可能引起的振蕩，在輸入層設(shè)置了Threshold節(jié)點(diǎn)，對(duì)應(yīng)輸入值為1。

BP網(wǎng)絡(luò)對(duì)一些非線性模式有很好的識(shí)別能力，適合于解決一些計(jì)算方法異常復(fù)雜的非線性問(wèn)題，指標(biāo)預(yù)測(cè)就是這類問(wèn)題。

在進(jìn)行指標(biāo)預(yù)測(cè)時(shí)，首先要確定BP網(wǎng)絡(luò)的輸入輸出指標(biāo)體系。輸入指標(biāo)即已知條件，輸出指標(biāo)即要預(yù)測(cè)的內(nèi)容。

三、指標(biāo)預(yù)測(cè)系統(tǒng)在互聯(lián)網(wǎng)環(huán)境中的實(shí)現(xiàn)－基于Web的指標(biāo)預(yù)測(cè)系統(tǒng)

隨著Internet的不斷發(fā)展，軟件系統(tǒng)的網(wǎng)絡(luò)化稱為一個(gè)必然的趨勢(shì)，預(yù)測(cè)軟件當(dāng)然也不例外。預(yù)測(cè)系統(tǒng)的網(wǎng)絡(luò)化有兩種方式。一種是基于客戶/服務(wù)器模型的實(shí)現(xiàn)；另一種是基于B/S模型的網(wǎng)絡(luò)預(yù)測(cè)軟件。

基于客戶/服務(wù)器模型的預(yù)測(cè)軟件由客戶端和服務(wù)器組成。服務(wù)器程序具有主成分分析、訓(xùn)練神經(jīng)網(wǎng)絡(luò)、處理客戶端請(qǐng)求等功能，運(yùn)行在服務(wù)器端。客戶端是客戶使用指標(biāo)預(yù)測(cè)服務(wù)的終端，主要具有接受用戶的輸入指令，將輸入指令轉(zhuǎn)換成指標(biāo)預(yù)測(cè)請(qǐng)求，然后通過(guò)網(wǎng)絡(luò)發(fā)送給服務(wù)器，服務(wù)器端的服務(wù)程序響應(yīng)這個(gè)請(qǐng)求，將預(yù)測(cè)的結(jié)果返回給客戶端，再由客戶端將結(jié)果提供給用戶。服務(wù)器和客戶端的通信可以由多種方式完成，例如使用TCP或者UDP協(xié)議，這樣基于客戶/服務(wù)器的預(yù)測(cè)模型可以擴(kuò)展到Internet環(huán)境下，而不僅僅局限于局域網(wǎng)的環(huán)境。這種方式的優(yōu)點(diǎn)在于支持圖形化的輸出結(jié)果，并且可以集成大量的應(yīng)用邏輯，可以滿足復(fù)雜的應(yīng)用需求。但是，由于應(yīng)用程序集成了大量應(yīng)用邏輯，當(dāng)服務(wù)器端數(shù)據(jù)的邏輯視圖改變之后，應(yīng)用程序的應(yīng)用邏輯也要有相應(yīng)的改變，帶來(lái)了程序維護(hù)和更新的不便。

基于B/S模型的預(yù)測(cè)軟件，客戶端將基于Microsoft Internet Explorer通用瀏覽器。服務(wù)器則由指標(biāo)服務(wù)程序和Web服務(wù)程序組成。指標(biāo)服務(wù)程序完成主成分分析、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等功能，它作為標(biāo)準(zhǔn)的應(yīng)用程序運(yùn)行在服務(wù)器的后臺(tái)。Web服務(wù)程序則完成接受客戶的指標(biāo)預(yù)測(cè)請(qǐng)求，并且調(diào)用指標(biāo)服務(wù)程序訓(xùn)練結(jié)果，并把預(yù)測(cè)結(jié)果返回給用戶的功能。

服務(wù)器端所有的業(yè)務(wù)應(yīng)用采用常用的三層架構(gòu)：表現(xiàn)層、業(yè)務(wù)邏輯層、數(shù)據(jù)層。

系統(tǒng)總體應(yīng)用結(jié)構(gòu)設(shè)計(jì)圖

Web服務(wù)程序可以由多種手段來(lái)實(shí)現(xiàn)，不同的實(shí)現(xiàn)手段要求的系統(tǒng)平臺(tái)也不同。主要有以下三種方法：

（一）基于ASP或JSP的指標(biāo)服務(wù)程序。ASP和JSP都是目前較為成熟的技術(shù)，它們可以實(shí)現(xiàn)動(dòng)態(tài)的、交互式的網(wǎng)頁(yè)，執(zhí)行效率比較高。但是它們只能滿足一般的應(yīng)用，而不能滿足需要大量圖形輸出的要求。因此在指標(biāo)預(yù)測(cè)的實(shí)現(xiàn)方面有一定的局限性。

（二）基于ActiveX技術(shù)的指標(biāo)服務(wù)程序。這種方式主要應(yīng)用在有大量圖形類輸出結(jié)果的情況，例如預(yù)測(cè)軟件要向用戶提供圖形化的報(bào)表和對(duì)比圖等，而這樣的功能要求對(duì)于基于ASP，JSP的方案來(lái)說(shuō)，實(shí)現(xiàn)起來(lái)有很大的難度。而ActiveX技術(shù)在實(shí)現(xiàn)基于Web的圖形化輸出結(jié)果方面，就有很大的優(yōu)勢(shì)。用戶在使用服務(wù)器的預(yù)測(cè)服務(wù)時(shí)，可以先下載一個(gè)ActiveX的插件，然后直接通過(guò)瀏覽器調(diào)用ActiveX程序，使用預(yù)測(cè)服務(wù)。

（三）基于技術(shù)的指標(biāo)服務(wù)程序。是把基于通用語(yǔ)言的程序在服務(wù)器IIS上運(yùn)行。這種方式主要應(yīng)用在有大量圖形類輸出結(jié)果的情況，ASP即時(shí)解釋程序，是是將程序在服務(wù)器端首次運(yùn)行時(shí)進(jìn)行編譯，這樣的執(zhí)行效果，比一條一條的解釋強(qiáng)很多。

四、Web神經(jīng)網(wǎng)絡(luò)指標(biāo)預(yù)測(cè)主成分分析方法

在實(shí)際工作中，人們經(jīng)常需要對(duì)客觀事物從不同的側(cè)面進(jìn)行客觀評(píng)價(jià)，例如對(duì)一個(gè)國(guó)家和地區(qū)的社會(huì)經(jīng)濟(jì)發(fā)展水平做出評(píng)價(jià)，經(jīng)濟(jì)效益狀況的綜合考核，建設(shè)工程各指標(biāo)綜合對(duì)整體影響度的評(píng)測(cè)等等，解決這類問(wèn)題的方法就是統(tǒng)計(jì)學(xué)當(dāng)中的多指標(biāo)綜合評(píng)價(jià)方法。

在多指標(biāo)綜合評(píng)價(jià)中，人們往往會(huì)遇到這樣的問(wèn)題：選取的評(píng)價(jià)指標(biāo)越多，則對(duì)事物的描述越準(zhǔn)確，但是也帶來(lái)了數(shù)據(jù)量異常大、處理異常復(fù)雜的問(wèn)題。而且評(píng)價(jià)信息可能相互重疊和干擾，從而難以正確的反映出被評(píng)價(jià)對(duì)象的相對(duì)地位。實(shí)際上，并不是所選取的每個(gè)指標(biāo)都是人們所關(guān)心的，人們可能只關(guān)心指標(biāo)體系中的部分指標(biāo)。因此人們希望使用少數(shù)幾個(gè)沒(méi)有線性關(guān)系的新指標(biāo)來(lái)代替原來(lái)的為數(shù)較多并且彼此有相互聯(lián)系的指標(biāo)，同時(shí)這些新的指標(biāo)又能夠盡可能的反映原來(lái)被評(píng)價(jià)對(duì)象的相對(duì)地位。解決這個(gè)問(wèn)題的一種有力工具就是主成分分析方法[1]。建設(shè)工程指標(biāo)預(yù)測(cè)的方法和步驟：

（一）確定輸入和輸出指標(biāo)體系。根據(jù)實(shí)際需要確定系統(tǒng)的輸入和輸出指標(biāo)。例如在本系統(tǒng)中，要求根據(jù)已知建設(shè)項(xiàng)目的建筑面積、層高、檐高、層數(shù)、建筑結(jié)構(gòu)等信息，來(lái)確定工程的總造價(jià)、單方造價(jià)、土建造價(jià)、衛(wèi)生造價(jià)等。在系統(tǒng)中，已知的建筑面積、層高、檐高、層數(shù)、建筑結(jié)構(gòu)等即為系統(tǒng)的輸入指標(biāo)，而未知的工程的總造價(jià)、單方造價(jià)、土建造價(jià)、衛(wèi)生造價(jià)即為系統(tǒng)的輸出。

（二）主成分分析。根據(jù)用戶所確定的基本輸入輸出指標(biāo)，由系統(tǒng)自動(dòng)完成主成分分析工作。主成分分析是統(tǒng)計(jì)科學(xué)中的一種重要方法，目的是分析出給定指標(biāo)體系中各指標(biāo)對(duì)總體的影響程度，主要通過(guò)一些矩陣的運(yùn)算來(lái)實(shí)現(xiàn)。在實(shí)際應(yīng)用中，我們?yōu)榱颂岣呦到y(tǒng)的工作效率、通用性、可擴(kuò)展性，可以分析出用戶所給定的指標(biāo)體系中那些比較重要的指標(biāo)，即“主成分”。主成分分析大體包括下列步驟：（1）對(duì)原始資料進(jìn)行標(biāo)準(zhǔn)化處理，這樣可以提高訓(xùn)練結(jié)果的收斂性。（2）計(jì)算標(biāo)準(zhǔn)化后各指標(biāo)的協(xié)方差矩陣，即為相關(guān)系數(shù)矩陣。假設(shè)有p個(gè)指標(biāo)（輸入指標(biāo)與輸出指標(biāo)的個(gè)數(shù)和），則得到的相關(guān)系數(shù)矩陣是p×p的方陣。（3）計(jì)算相關(guān)矩陣的特征根。通過(guò)雅克比方法（Jacobi）[3]可以計(jì)算出協(xié)方差矩陣的p個(gè)特征根λ1Rλ2R•••RλpR0。此處λi即為第I個(gè)主成分的方差，它反映了第I個(gè)主成分在描述被評(píng)價(jià)對(duì)象上所起的作用的大小。（4）計(jì)算各主成分的方差貢獻(xiàn)率及累積方差貢獻(xiàn)率。（5）選擇主成分的個(gè)數(shù)。根據(jù)實(shí)際需要，使前k個(gè)主成分的累積方差貢獻(xiàn)率達(dá)到一定的要求，通常取85％即可。

（三）根據(jù)所確定的主成分指標(biāo)和系統(tǒng)的輸入輸出要求確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。輸入、輸出值的個(gè)數(shù)決定了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選擇。在本系統(tǒng)的模型中，系統(tǒng)根據(jù)用戶主成分分析完畢后的指標(biāo)體系確定網(wǎng)絡(luò)的輸入、輸出和隱藏節(jié)點(diǎn)數(shù)，并且在訓(xùn)練的過(guò)程中根據(jù)實(shí)際需要?jiǎng)討B(tài)進(jìn)行調(diào)整，這些工作都由系統(tǒng)自動(dòng)完成，不需要用戶的介入。

（四）確定網(wǎng)絡(luò)的傳遞規(guī)則、輸出規(guī)則和學(xué)習(xí)規(guī)則。即確定如何將各層的輸入輸出值與權(quán)值矩陣結(jié)合起來(lái)，根據(jù)系統(tǒng)的輸入得到系統(tǒng)輸出。并且如何在系統(tǒng)訓(xùn)練過(guò)程中根據(jù)訓(xùn)練數(shù)據(jù)對(duì)權(quán)值矩陣進(jìn)行修改，使系統(tǒng)擁有對(duì)確定性輸入有正確的輸出的能力。

（五）網(wǎng)絡(luò)訓(xùn)練及指標(biāo)預(yù)測(cè)。根據(jù)上述各步驟的結(jié)果以及所確定的訓(xùn)練算法，結(jié)合大量的具體工程實(shí)例，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并且將誤差控制在用戶限定的范圍之內(nèi)。訓(xùn)練結(jié)束后，用戶就可以使用訓(xùn)練的結(jié)果結(jié)合工程項(xiàng)目已知數(shù)據(jù)對(duì)未知數(shù)據(jù)指標(biāo)進(jìn)行預(yù)測(cè)。

五、實(shí)例

本例中選取了7條訓(xùn)練資料，用其中6條進(jìn)行訓(xùn)練，另外一條資料進(jìn)行自測(cè)試。選取的指標(biāo)分別是：

輸入指標(biāo)：建筑面積、層高、檐高、外墻面積、內(nèi)墻面積、門窗面積、樓板面積、底層面積。

輸出指標(biāo)：工程總造價(jià)、土建造價(jià)、采暖造價(jià)、照明造價(jià)、衛(wèi)生造價(jià)和單方造價(jià)。

原始資料矩陣為：

3313.45 2750.00 11.55 3539.00 4776.02 855.720 641.88 3152.88 397.77 342.93 15.78 39.05 15.78 1200.4

2926.00 2700.00 16.20 1458.00 2901.00 3023.00 498.00 2882.00 263.53 222.62 11.52 14.57 10.87 900.67

6218.00 2700.00 16.95 3544.55 6386.43 7364.52 1055.6 6399.82 596.36 483.81 25.10 45.66 29.87 959.10

3680.00 2700.00 10.80 1900.59 3731.31 4097.55 560.71 3749.23 379.38 311.59 15.23 27.03 18.66 1030.9

7205.00 2700.00 16.20 3717.00 7286.00 7516.00 1175.0 7113.00 618.94 498.49 28.20 49.94 31.31 859.05

4485.00 2700.00 11.55 2469.00 5496.00 4687.00 772.00 4157.00 492.77 407.14 21.93 37.70 18.50 1098.7

（其中矩陣的前8列為輸入指標(biāo)，后6列為輸出指標(biāo)，每行為一條工程資料）

在閾值為0.001的條件下訓(xùn)練完畢后，使用最后一條資料進(jìn)行自測(cè)試，最后一條資料為：

輸入：5684.00 2700.00 11.55 2847.00 6056.00 5872.00 953.00 5665.00

輸出（實(shí)際值）：547.34 445.66 24.94 40.99 25.87 962.96

得到的測(cè)試結(jié)果為（系統(tǒng)預(yù)測(cè)輸出值）：

541.55 441.77 23.23 43.39 24.29 959.66

比較工程實(shí)際值和系統(tǒng)預(yù)測(cè)輸出值，可以發(fā)現(xiàn)兩者是非常接近的。如果要求誤差控制在5％之內(nèi)的話，則上述模型已經(jīng)滿足了要求。

六、結(jié)論

基于人工神經(jīng)網(wǎng)絡(luò)的指標(biāo)預(yù)測(cè)系統(tǒng)有較強(qiáng)的通用性，并且能夠適合多種指標(biāo)預(yù)測(cè)的需求。從上述訓(xùn)練的過(guò)程和測(cè)試結(jié)果的正確性可以看出，采用基于人工神經(jīng)網(wǎng)絡(luò)和主成分分析方法進(jìn)行建設(shè)工程指標(biāo)預(yù)測(cè)是可行的。上述過(guò)程使用了7條工程數(shù)據(jù)，要進(jìn)一步確定此方法的正確性，還要在大量工程數(shù)據(jù)的環(huán)境下進(jìn)行進(jìn)一步的訓(xùn)練以及算法的調(diào)整。這也是筆者下一步的工作內(nèi)容Web新技術(shù)的應(yīng)用，將指標(biāo)預(yù)測(cè)服務(wù)擴(kuò)展到了Internet環(huán)境下，進(jìn)一步提高了其應(yīng)用范圍。

參考文獻(xiàn)：

[1]張崇甫,陳述云,胡希鈴.統(tǒng)計(jì)分析方法及其應(yīng)用[M].重慶大學(xué)出版社,1995

[2]吳國(guó)富,安萬(wàn)福,劉景海.實(shí)用數(shù)據(jù)分析方法[M].中國(guó)統(tǒng)計(jì)出版社,1992

第2篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

關(guān)鍵詞： 離散； Hopfield神經(jīng)網(wǎng)絡(luò)； 聯(lián)想記憶； 數(shù)字識(shí)別

中圖法分類號(hào)：TP301.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8228（2012）03-01-03

On numerical recognition using discrete Hopfield neural network

Jin Can1,2

（1. School of Information Science and Engineering, Central South University, Changsha, Hunan 410083, China

2. Modern Education Technology Center, Hunan University of Arts and Science）

Abstract: The author introduces in this paper the basic concept of discrete Hopfield neural network (DHNN), and then designs a discrete Hopfield neural network model with associative memory function using MATLAB according to the related knowledge of DHNN. Specifically, the author presents the idea of designing, designing procedure and the testing results. The simulation shows that DHNN can correctly recognize the numerical dot matrices with noises. When noise intensity is less than 0.1, the recognition ability is satisfactory.

Key words: Discrete； Hopfield neural network； Associative memory； Numeral recognition

1 離散Hopfield神經(jīng)網(wǎng)絡(luò)概述

Hopfield網(wǎng)絡(luò)作為一種全連接型的神經(jīng)網(wǎng)絡(luò)，曾經(jīng)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展開(kāi)辟了新的研究途徑。它利用與階層性神經(jīng)網(wǎng)絡(luò)不同的結(jié)構(gòu)特征和學(xué)習(xí)方法，模擬生物神經(jīng)網(wǎng)絡(luò)的記憶機(jī)理，獲得了令人滿意的結(jié)果。這一網(wǎng)絡(luò)及學(xué)習(xí)算法最初是由美國(guó)物理學(xué)家J.J Hopfield于1982年首先提出的，故稱為Hopfield神經(jīng)網(wǎng)絡(luò)[1]。

Hopfield最早提出的網(wǎng)絡(luò)是二值神經(jīng)網(wǎng)絡(luò)，神經(jīng)元的輸出值只取1或-1，所以，也稱離散Hopfield神經(jīng)網(wǎng)絡(luò)(DHNN, Discrete Hopfield Neural Network)。在離散Hopfield網(wǎng)絡(luò)中，所采用的神經(jīng)元是二值神經(jīng)元，因此，所輸出的離散值1和-1分別表示神經(jīng)元處于激活和抑制狀態(tài)[2]。

DHNN是一種單層、輸出為二值的反饋網(wǎng)絡(luò)。假設(shè)有一個(gè)由三個(gè)神經(jīng)元組成的離散Hopfield神經(jīng)網(wǎng)絡(luò)[3]，其結(jié)構(gòu)如圖1所示[4]。

在圖1中，第0層僅僅作為網(wǎng)絡(luò)的輸入，它不是實(shí)際神經(jīng)元，所以無(wú)計(jì)算功能；第1層是神經(jīng)元，執(zhí)行對(duì)輸入信息與權(quán)系數(shù)的乘積求累加和，并經(jīng)非線性函數(shù)f 處理后產(chǎn)生輸出信息。f是一個(gè)簡(jiǎn)單的閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值θ，那么，神經(jīng)元的輸出取值為1；小于閾值θ，則神經(jīng)元的輸出取值為-1。

圖1 離散Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)于二值神經(jīng)元，它的計(jì)算公式如下：

⑴

式中，xj為外部輸入，并且有

⑵

一個(gè)DHNN的網(wǎng)絡(luò)狀態(tài)是輸出神經(jīng)元信息的集合。對(duì)于一個(gè)輸出層是n個(gè)神經(jīng)元的網(wǎng)絡(luò)，其t時(shí)刻的狀態(tài)為一個(gè)n維變量：

⑶

因?yàn)閥i（t）(i=1,2，…，n)可以取值為1或-1，故n維向量Y(t)有2n種狀態(tài)，即網(wǎng)絡(luò)有2n種狀態(tài)。

我們考慮DHNN的一般節(jié)點(diǎn)狀態(tài)。用yj(t)表示第j個(gè)神經(jīng)元，即節(jié)點(diǎn)j在時(shí)刻t的狀態(tài)，則節(jié)點(diǎn)的下一個(gè)時(shí)刻(t+1)的狀態(tài)可以求得：

⑷

⑸

如果wij在i-j時(shí)等于0，說(shuō)明一個(gè)神經(jīng)元的輸出并不會(huì)反饋到其輸入，這時(shí)，DHNN稱為無(wú)自反饋的網(wǎng)絡(luò)。如果wij在i=j時(shí)不等于0，說(shuō)明一個(gè)神經(jīng)元的輸出會(huì)反饋到其輸入端，這時(shí)，DHNN稱為有自反饋的網(wǎng)絡(luò)[4]。

2 聯(lián)想記憶網(wǎng)絡(luò)

聯(lián)想記憶是神經(jīng)網(wǎng)絡(luò)理論的一個(gè)重要組成部分，也是神經(jīng)網(wǎng)絡(luò)用于模式識(shí)別與人工智能等領(lǐng)域的一個(gè)重要功能。Hopfield網(wǎng)絡(luò)模擬了生物神經(jīng)網(wǎng)絡(luò)的記憶功能，也常常被稱為聯(lián)想記憶網(wǎng)絡(luò)。所謂的聯(lián)想記憶也成為了一種基于內(nèi)容的存取方法，信息被分布于生物記憶的內(nèi)容之中，而不是某個(gè)確定的地址。聯(lián)想記憶可分為自聯(lián)想與異聯(lián)想兩種。Hopfield網(wǎng)絡(luò)屬于自聯(lián)想網(wǎng)絡(luò)。自聯(lián)想能將網(wǎng)絡(luò)中輸入模式映射到存貯在網(wǎng)絡(luò)中一種模式。聯(lián)想記憶網(wǎng)絡(luò)不僅能將輸入模式映射為自己所存貯的模式，而且還能對(duì)具有缺省噪音的輸入模式有一定的容錯(cuò)能力。

設(shè)在學(xué)習(xí)過(guò)程中給聯(lián)想記憶網(wǎng)絡(luò)存入M個(gè)樣本：{Xi}i=1,2，……M。若給聯(lián)想記憶網(wǎng)絡(luò)加以輸入X'=Xm+V，其中Xm是M個(gè)學(xué)習(xí)樣本之一，V是偏差項(xiàng)，則通過(guò)自聯(lián)想聯(lián)想記憶網(wǎng)絡(luò)的輸出為Xm，即使之復(fù)原。

Hopfield聯(lián)想記憶網(wǎng)絡(luò)運(yùn)行步驟為：

第一步：設(shè)定記憶模式。將欲存儲(chǔ)的模式進(jìn)行編碼，得到取值為1和-1的記憶模式(m

。

第二步：設(shè)計(jì)網(wǎng)絡(luò)的權(quán)值。

，

其中wij一旦計(jì)算完畢，將保持不變。

第三步：初始化網(wǎng)絡(luò)狀態(tài)。將欲識(shí)別模式設(shè)為網(wǎng)絡(luò)狀態(tài)的初始狀態(tài)，為網(wǎng)絡(luò)中任意神經(jīng)元i在t=0時(shí)刻的狀態(tài)。

第四步：迭代收斂。隨機(jī)地更新某一神經(jīng)元的狀態(tài)，反復(fù)迭代直至網(wǎng)絡(luò)中所有神經(jīng)元的狀態(tài)不變?yōu)橹埂?/p>

第五步：網(wǎng)絡(luò)輸出。這時(shí)的網(wǎng)絡(luò)狀態(tài)(穩(wěn)定狀態(tài))即為網(wǎng)絡(luò)的輸出y=vi(T)。

3 基于Hopfield神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別

根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)相關(guān)知識(shí)，下面設(shè)計(jì)一個(gè)具有聯(lián)想記憶功能的離散型Hopfield神經(jīng)網(wǎng)絡(luò)，要求該網(wǎng)絡(luò)可以正確識(shí)別0~9這10個(gè)數(shù)字，并且當(dāng)數(shù)字被一定的噪聲干擾后，仍具有較好的識(shí)別效果。

3.1 設(shè)計(jì)思路

假設(shè)網(wǎng)絡(luò)由0~9共10個(gè)穩(wěn)態(tài)構(gòu)成，每個(gè)穩(wěn)態(tài)用10*10的矩陣表示。該矩陣可直觀地描述阿拉伯?dāng)?shù)字，即把矩陣規(guī)分成10*10個(gè)單元，有數(shù)字軌跡的單元用1表示，空白部分用-1表示，如圖2所示。網(wǎng)絡(luò)對(duì)這10個(gè)穩(wěn)態(tài)即10個(gè)數(shù)字（點(diǎn)陣）具有聯(lián)想記憶的功能，當(dāng)有帶噪聲的數(shù)字點(diǎn)陣輸入到該網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)的輸出便可以得到最接近的目標(biāo)向量(即10個(gè)穩(wěn)態(tài))，從而達(dá)到正確識(shí)別的效果。

圖2 數(shù)字1和2的點(diǎn)陣圖

3.2 設(shè)計(jì)步驟

按照上述思路，設(shè)計(jì)Hopfield網(wǎng)絡(luò)需要經(jīng)過(guò)以下幾個(gè)步驟，如圖3所示。

[設(shè)計(jì)數(shù)字點(diǎn)陣

（0-9）][創(chuàng)建Hopfield

網(wǎng)絡(luò)][產(chǎn)生帶

噪聲的

數(shù)字點(diǎn)陣] [數(shù)字識(shí)

別測(cè)試][結(jié)果

分析]

圖3 Hopfield網(wǎng)絡(luò)設(shè)計(jì)流程圖

3.3 MATLAB實(shí)現(xiàn)

利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供的函數(shù)，可以按照Hopfield網(wǎng)絡(luò)設(shè)計(jì)流程圖將設(shè)計(jì)步驟一一在MATLAB環(huán)境下實(shí)現(xiàn)。

3.3.1 輸入輸出設(shè)計(jì)

如圖2所示，有數(shù)字的部分用1表示，空白部分用-1表示，即可得到0~9的點(diǎn)陣。將數(shù)字點(diǎn)陣以圖形的形式呈現(xiàn)出來(lái)，如圖4所示。

圖4 數(shù)字點(diǎn)陣0~9的實(shí)現(xiàn)結(jié)果

以數(shù)字1、2、3、4為例，利用這四個(gè)數(shù)字點(diǎn)陣構(gòu)成訓(xùn)練樣本T：

T=[array_one; array_two; array_three; array_four]’

3.3.2 網(wǎng)絡(luò)建立

利用newhop( )函數(shù)可以方便地創(chuàng)建一個(gè)離散型Hopfield神經(jīng)網(wǎng)絡(luò)。

3.3.3 產(chǎn)生帶噪聲的數(shù)字點(diǎn)陣

常見(jiàn)的模擬產(chǎn)生帶噪聲數(shù)字的方法有兩種：固定噪聲法和隨機(jī)噪聲法。

固定噪聲法指的是人工修改的方法改變數(shù)字點(diǎn)陣某些位置的值，從而模擬產(chǎn)生帶噪聲的數(shù)字點(diǎn)陣。如果希望產(chǎn)生不同的帶噪聲的數(shù)字矩陣，需要人工做多次的修改，這無(wú)疑是比較麻煩的。

相比較而言，隨機(jī)噪聲產(chǎn)生法可以方便地產(chǎn)生各種類型的帶噪聲的數(shù)字矩陣。

隨機(jī)噪聲產(chǎn)生法是利用產(chǎn)生隨機(jī)數(shù)的方法來(lái)確定需要修改的點(diǎn)陣位置，進(jìn)而對(duì)數(shù)字點(diǎn)陣進(jìn)行修改。由于數(shù)字點(diǎn)陣中的值只有1和-1兩種，所以這里的修改就是將1換成-1，-1換成1。

3.3.4 網(wǎng)絡(luò)仿真

利用sim()函數(shù)可對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，其調(diào)用格式為：

4 實(shí)驗(yàn)結(jié)果與分析

將帶噪聲的數(shù)字點(diǎn)陣輸入已創(chuàng)建好的Hopfield網(wǎng)絡(luò)，便可對(duì)帶噪聲的數(shù)字點(diǎn)陣進(jìn)行識(shí)別，識(shí)別結(jié)果仍為數(shù)字點(diǎn)陣形式。考慮到仿真結(jié)果的直觀性和可讀性，程序中的數(shù)字點(diǎn)陣將以圖形的形式呈現(xiàn)，如圖5所示。

圖5 噪聲強(qiáng)度為0.1時(shí)數(shù)字識(shí)別結(jié)果

圖5所示的是噪聲強(qiáng)度為0.1(即10%的數(shù)字點(diǎn)陣位置值發(fā)生變化)時(shí)的識(shí)別效果。從圖中可以看出，識(shí)別效果較好。進(jìn)一步的研究發(fā)現(xiàn)，隨著噪聲強(qiáng)度的增加識(shí)別效果逐漸下降。噪聲強(qiáng)度為0.2和0.3時(shí)的識(shí)別結(jié)果分別如圖6和圖7所示。從圖中不難看出，當(dāng)噪聲強(qiáng)度為0.3時(shí)，Hopfield已經(jīng)很難對(duì)數(shù)字進(jìn)行識(shí)別了。

圖6 噪聲強(qiáng)度為0.2時(shí)的識(shí)別結(jié)果

圖7 噪聲強(qiáng)度為0.3時(shí)的識(shí)別結(jié)果

5 結(jié)束語(yǔ)

通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析，可以得出結(jié)論：對(duì)于帶一定噪聲的數(shù)字點(diǎn)陣，Hopfield網(wǎng)絡(luò)可以正確地進(jìn)行數(shù)字識(shí)別。下一步的工作可以將一些優(yōu)化算法與離散Hopfield神經(jīng)網(wǎng)絡(luò)相結(jié)合，使神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶能力更強(qiáng)，應(yīng)用效果更為突出。

例如，由于一般離散Hopfield神經(jīng)網(wǎng)絡(luò)存在很多偽穩(wěn)定點(diǎn)[1]，網(wǎng)絡(luò)很難得到真正的穩(wěn)態(tài)，為此可以將遺傳算法應(yīng)用到離散Hopfield神經(jīng)網(wǎng)絡(luò)中，利用遺傳算法的全局搜索能力，對(duì)Hopfield聯(lián)想記憶穩(wěn)態(tài)進(jìn)行優(yōu)化，使待聯(lián)想的模式跳出偽穩(wěn)定點(diǎn)，從而使Hopfield網(wǎng)絡(luò)在較高信噪比的情況下保持較高的聯(lián)想成功率。

參考文獻(xiàn)：

[1] 飛思科產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)與MATLAB 7實(shí)現(xiàn)[M] .電子工業(yè)出版社,2005.

[2] MATLAB神經(jīng)網(wǎng)絡(luò)與應(yīng)用(2版)[M].國(guó)防工業(yè)出版社,2007.

[3] 張良均,曹晶,蔣世忠.神經(jīng)網(wǎng)絡(luò)適用教程[M].機(jī)械工業(yè)出版社,2008.

[4] 史峰,王小川等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京航空航天大學(xué)出版社,2010.

[5] 邊肇祺,張學(xué)工等.模式識(shí)別[M].清華大學(xué)出版社,1999.

[6] 張宏林.數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐[M].人民郵電出版社,2004.

[7] 鄧麗華,崔志強(qiáng),張靜.基于人工神經(jīng)網(wǎng)絡(luò)的手寫(xiě)體數(shù)字識(shí)別[J].三峽大學(xué)學(xué)報(bào),2005.6:255~256

[8] 孫兆林.MATLAB6.x 圖像處理[M].清華大學(xué)出版社,2002.

[9] 付德勝,張學(xué)勇.基于Hopfield神經(jīng)網(wǎng)絡(luò)噪聲數(shù)字的識(shí)別[J].通信技術(shù),Vol.43,No. 01,2010:126~129

[10] 孟祥武,程虎.基于任意給定訓(xùn)練集的離散型Hopfield網(wǎng)學(xué)習(xí)算法[J].軟件學(xué)報(bào),1998.9(03):213~216

[11] 陳文宇,吳躍.Hopfield神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置[J].計(jì)算機(jī)工程與應(yīng)用,

2006.31.

[12] TALAVAN.YANEZ P M.Parameter setting of the Hopfield network applied to TSP[J].2002

第3篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

關(guān)鍵詞：前饋神經(jīng)網(wǎng)絡(luò)；材質(zhì)識(shí)別；羊毛；粘膠；MIV；圖像處理

中圖分類號(hào)：TP391；TS137

文獻(xiàn)標(biāo)志碼：A

Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network

Abstract： In order to identify the materials of blended yarns， the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network， the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.

Key words： feed-forward neural network； material identification； wool； viscose； MIV； image processing

傳統(tǒng)的混紡紗線檢測(cè)多由人工完成，工作量大，易于出錯(cuò)。隨著數(shù)字圖像技術(shù)的發(fā)展和神經(jīng)網(wǎng)絡(luò)的不斷完善，通過(guò)圖像技術(shù)提取纖維特征，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，是現(xiàn)今最主要的自動(dòng)檢測(cè)方式。但是纖維特征的篩選多由主觀確定，且大多利用BP神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)造材質(zhì)識(shí)別的分類器。由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度慢，難以滿足纖維檢測(cè)的實(shí)時(shí)性，所以本文嘗試將前饋神經(jīng)網(wǎng)絡(luò)的多種典型形式結(jié)合圖像處理技術(shù)，進(jìn)行羊毛/粘膠混紡紗線的特征選取，訓(xùn)練計(jì)算機(jī)更為客觀、準(zhǔn)確、迅速的實(shí)現(xiàn)毛粘混紡紗線中的材質(zhì)識(shí)別。

1羊毛和粘膠的形態(tài)特征

1.1基于圖像處理的羊毛/粘膠特征提取

通過(guò)配套PC圖像采集接口的CU-Ⅱ型纖維細(xì)度儀，顯微拍攝利用哈氏切片法獲取的羊毛/粘膠混紡紗線橫截面圖片（圖1）。其中羊毛和粘膠為待識(shí)別目標(biāo)，需要保留；而火棉膠溶液的作用是固化紗線，可看作為背景，需要去除。經(jīng)圖像灰度化、去噪、增強(qiáng)、二值化、形態(tài)學(xué)處理之后得到的羊毛和粘膠個(gè)體示意圖如圖2和圖3所示。通過(guò)觀察可以發(fā)現(xiàn)，羊毛和粘膠從圖像的角度來(lái)看，最大的差異在于羊毛個(gè)體的形態(tài)較飽滿，外廓參差較少；粘膠個(gè)體形態(tài)較干癟，外廓參差較多。

通過(guò)Matlab中用來(lái)度量圖像區(qū)域?qū)傩缘暮瘮?shù)regionprops，獲取第一至第六個(gè)特征指標(biāo)，分別為Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter；如圖4所示，第七個(gè)特征指標(biāo)定義為Bc，即從水平與垂直兩個(gè)方向獲取的目標(biāo)個(gè)體長(zhǎng)度，然后將以較小長(zhǎng)度Lmin作為直徑的圓的面積與以較大長(zhǎng)度Lmax作為直徑的圓的面積相除（式（1））；如圖5所示，第八個(gè)特征指標(biāo)定義為SMr，Sh和Sv分別是目標(biāo)個(gè)體從水平方向逐行和垂直方向逐列掃描得到的缺口面積總和，S是目標(biāo)個(gè)體的橫截面面積（式（2））。

Bc=L2min/L2max（1）

SMr=1-（Sh+Sv）/S（2）

在本文的研究中總共提取了215個(gè)羊毛個(gè)體和152個(gè)粘膠個(gè)體的特征值，部分羊毛和粘膠個(gè)體特征值的原始數(shù)據(jù)見(jiàn)表1。

第4篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

Abstract： The paper puts forward the optimization method of fractional linear neural network based on genetic algorithm. It firstly optimizes the weight of fractional linear network by using genetic algorithm， and then， on the basis of genetic improved result， trains fractional linear network by fractional linear network back propagation （BP） algorithm， and gets the optimal weights of network. It is applied to build the fractional linear neural network model based on genetic algorithm for predicting the gas-oil ratio of original oil. The Comparative experiments show that the fractional linear neural network optimization method based on genetic algorithm is a kind of new modeling method.

關(guān)鍵詞： 遺傳算法；分式線性神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；原油氣油比

Key words： genetic algorithm；fractional linear neural network；prediction model；gas-oil ratio of original oil

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）28-0221-02

0 引言

BP網(wǎng)絡(luò)是一種應(yīng)用最為廣泛的前饋神經(jīng)網(wǎng)絡(luò)。但是BP網(wǎng)絡(luò)收斂速度慢，易陷入局部極小。遺傳算法是一種自適應(yīng)全局優(yōu)化概率搜索算法，具有較強(qiáng)的魯棒性，可以與BP網(wǎng)絡(luò)結(jié)合避免其陷入局部最小。一些學(xué)者對(duì)BP網(wǎng)絡(luò)進(jìn)行了優(yōu)化和改進(jìn)，如吳清佳等[1]采用VC維方法確定網(wǎng)絡(luò)結(jié)構(gòu)，再用BP算法和基本遺傳算法對(duì)暴雨量進(jìn)行預(yù)測(cè)分析；張少文等[2]嘗試用GA-BP算法建立了黃河上游降雨-徑流神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

由相關(guān)數(shù)學(xué)概念可知，線性函數(shù)的倒數(shù)是分式線性函數(shù)。文獻(xiàn)[3]證明了分式線性神經(jīng)網(wǎng)絡(luò)具有比常見(jiàn)BP網(wǎng)絡(luò)更強(qiáng)、更廣泛的逼近能力。但是，分式線性網(wǎng)絡(luò)反向傳播（BP）學(xué)習(xí)算法也有不收斂或易陷入局部極小的可能。本文結(jié)合GA和分式線性網(wǎng)絡(luò)BP算法的特點(diǎn)構(gòu)建了基于遺傳算法的分式線性神經(jīng)網(wǎng)絡(luò)模型并用于原油溶解氣油比預(yù)測(cè)。仿真結(jié)果表明，這一模型可以用來(lái)預(yù)測(cè)原油氣油比，因而基于遺傳算法的分式線性網(wǎng)絡(luò)可行有效。

1 分式線性網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

分式線性網(wǎng)絡(luò)是具有m（m？叟3）層的前向神經(jīng)網(wǎng)絡(luò)，包括1個(gè)輸入層，1個(gè)或1個(gè)以上的隱含層和1個(gè)輸出層。

本文神經(jīng)網(wǎng)絡(luò)優(yōu)化模型采用3層分式線性網(wǎng)絡(luò)，即1個(gè)輸入層，1個(gè)隱含層和1個(gè)輸出層，其中隱含層神經(jīng)元的輸入函數(shù)是分式線性函數(shù)。

根據(jù)有關(guān)文獻(xiàn)和溶解氣油比實(shí)驗(yàn)結(jié)果，壓力、溫度、氣體相對(duì)密度、原油重度與原油溶解氣油比之間存在一定的非線性函數(shù)關(guān)系。本文把壓力、溫度、氣體相對(duì)密度以及原油重度這4個(gè)參量作為網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，氣油比這個(gè)參量作為輸出節(jié)點(diǎn)。因此，輸入層節(jié)點(diǎn)個(gè)數(shù)為4，輸出層節(jié)點(diǎn)個(gè)數(shù)為1。決定隱含層的神經(jīng)元數(shù)量的選取多是通過(guò)實(shí)驗(yàn)不斷調(diào)整數(shù)量和經(jīng)驗(yàn)公式選取。根據(jù)本文設(shè)計(jì)思想和實(shí)驗(yàn)反復(fù)計(jì)算測(cè)試，設(shè)計(jì)輸入層神經(jīng)元數(shù)目為n，輸出層神經(jīng)元數(shù)目為1，隱含層神經(jīng)元數(shù)目為（2n+1）=2×4+1=9。

2 基于遺傳算法的模型初始權(quán)值優(yōu)化設(shè)計(jì)

2.1 基本思想 為加快分式線性網(wǎng)絡(luò)BP算法收斂速度，避免陷入局部極小，本文先對(duì)模型初始的權(quán)值、閾值編碼，構(gòu)成初始種群，然后借助遺傳算子生成下一代種群，對(duì)種群中的最優(yōu)個(gè)體解碼后得到的權(quán)值做出評(píng)價(jià)，如果滿足遺傳算法性能指標(biāo)，則輸出此最優(yōu)權(quán)值，否則繼續(xù)遺傳算法操作，直至某一代的種群最優(yōu)個(gè)體滿足性能指標(biāo)，并輸出對(duì)應(yīng)的權(quán)值、閾值。此時(shí)得到的權(quán)值閾值是遺傳算法優(yōu)化后的分式網(wǎng)絡(luò)初始解，再把得到的優(yōu)化權(quán)值再傳賦給分式線性網(wǎng)絡(luò)再做進(jìn)一步的優(yōu)化。

2.2 設(shè)計(jì)方法

2.2.1 編碼方法 本文遺傳算法采用實(shí)數(shù)編碼方法。將分式線性神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值按先后順序級(jí)聯(lián)為一個(gè)長(zhǎng)串，串上的每一個(gè)位置對(duì)應(yīng)著網(wǎng)絡(luò)的一個(gè)權(quán)值和閾值，并用一個(gè)向量？孜表示：？孜=[W1，W2，B1，B2]（1）

其中，W1為輸入層神經(jīng)元與隱含層神經(jīng)元連接權(quán)值，W2為隱含層神經(jīng)元與輸出層神經(jīng)元連接權(quán)值，B1為隱含層神經(jīng)元閾值，B2為輸出層神經(jīng)元閾值，

取隱含層傳遞函數(shù)？椎（t）=■，設(shè)輸入學(xué)習(xí)樣本共有M個(gè)，記為Xp=（x■，x■，…，x■），p=1，2，…，M，對(duì)應(yīng)的樣本輸出為Y■=（y■，y■，…，y■），p=1，2，…M，W■■，是對(duì)應(yīng)第p個(gè)樣本的輸入層與隱含層神經(jīng)元連接權(quán)值，W■■是對(duì)應(yīng)第p個(gè)樣本的隱含層與輸出層神經(jīng)元連接權(quán)值，B■■對(duì)應(yīng)第p個(gè)樣本的隱含層神經(jīng)元閾值，B■■對(duì)應(yīng)第p個(gè)樣本的輸出層神經(jīng)元閾值。網(wǎng)絡(luò)在學(xué)習(xí)樣本下的實(shí)際輸出為

■■=W■■■+B■■，p=1，2，…M

（2）

定義適應(yīng)度函數(shù)的形式為：f=■=

1/■Y■-W■■■+B■■（3）

2.2.2 遺傳操作 ①選擇算子：采用基于正態(tài)分布序列選擇的選擇算子。②交叉算子：采用算術(shù)交叉算子。③變異算子：采用基于非均勻變異的變異算子。④進(jìn)化代數(shù)：T=300。

3 模型構(gòu)建

以東營(yíng)市利津油田34口油井建立神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型，對(duì)這些油井的溶解氣油比作為分析對(duì)象，分別通過(guò)遺傳算法進(jìn)化分式線性網(wǎng)絡(luò)模型和采用L-M訓(xùn)練算法的BP網(wǎng)絡(luò)模型對(duì)比進(jìn)行訓(xùn)練學(xué)習(xí)，對(duì)34口油井中的28個(gè)樣本作訓(xùn)練樣本建模，訓(xùn)練后的網(wǎng)絡(luò)預(yù)測(cè)剩余6口油井的氣油比，進(jìn)而實(shí)現(xiàn)從輸入段到輸出端的非線性形式下的映射，預(yù)測(cè)6個(gè)測(cè)試樣本的原油溶解氣油比。（表1）

4 仿真實(shí)驗(yàn)

本文提出結(jié)合遺傳算法的分式線性網(wǎng)絡(luò)BP算法模型對(duì)濱南采油廠利津油田34個(gè)數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。為構(gòu)建分式線性函數(shù)，固定點(diǎn)取（a1，a2，a3，a4）=-1，由于設(shè)定輸入層神經(jīng)元個(gè)數(shù)為4，則隱含層神經(jīng)元輸入函數(shù)（分式線性函數(shù)）為I=■W1■（4）

其中W1為輸入層神經(jīng)元與隱含層神經(jīng)元連接權(quán)值，xi為輸入變量。

分式線性網(wǎng)絡(luò)隱含層傳遞函數(shù)為Sigmoid函數(shù)？椎（t）=1/（1+e-t），輸出層傳遞函數(shù)為線性函數(shù)L（t）=t，最終訓(xùn)練目標(biāo)e=0.001，樣本數(shù)目M=28，訓(xùn)練次數(shù)為1000。遺傳算法的初始種群規(guī)模N=50，最大進(jìn)化代數(shù)T=300。為對(duì)比仿真結(jié)果，同時(shí)對(duì)采用L-M訓(xùn)練算法的三層BP網(wǎng)絡(luò)做仿真，輸入層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)為10，訓(xùn)練函數(shù)為trainlm，訓(xùn)練目標(biāo)？著=0.001，訓(xùn)練次數(shù)為1000，其余均取默認(rèn)值。

GA優(yōu)化結(jié)果：最大適應(yīng)度f(wàn)=26.2544，得到的權(quán)值閾值是矩陣形式：？孜=[W9×4，W4×9，W9×1，W4×1]其中，各個(gè)變量的定義同前述。

從表2可以看出，本文優(yōu)化算法需要213步達(dá)到訓(xùn)練誤差要求，而改進(jìn)BP算法需要24步就達(dá)到要求，本文算法訓(xùn)練步數(shù)較長(zhǎng)。

由表3可見(jiàn)，基于本文優(yōu)化算法的模型可以預(yù)測(cè)原油氣油比，其整體預(yù)測(cè)氣油比的精度與基于改進(jìn)BP算法的模型效果接近，因而本文優(yōu)化算法預(yù)測(cè)數(shù)據(jù)是可行有效的。

5 結(jié)束語(yǔ)

本文將遺傳算法和分式線性神經(jīng)網(wǎng)絡(luò)相結(jié)合用于原油氣油比的預(yù)測(cè)，這對(duì)原油物性分析提供了一個(gè)借鑒和參考。下一步需要充分考慮其他因素的影響并不斷改進(jìn)模型，同時(shí)調(diào)整好GA算子和分式線性網(wǎng)絡(luò)的參數(shù)以便提高預(yù)測(cè)的精確度和時(shí)效。

參考文獻(xiàn)：

[1]吳清佳，張慶平，萬(wàn)健.遺傳神經(jīng)的智能天氣預(yù)報(bào)系統(tǒng)[J].計(jì)算機(jī)工程，2005，31（14）：176-177，189.

第5篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

【關(guān)鍵詞】靜態(tài)路由 網(wǎng)絡(luò)互聯(lián) 路由器 交換機(jī)

隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展和互聯(lián)網(wǎng)應(yīng)用的普及，21世紀(jì)初互聯(lián)網(wǎng)逐漸由高校、科研機(jī)構(gòu)普及到了各行各業(yè)的各大中小型企業(yè)及家庭。互聯(lián)網(wǎng)在人們的生活、學(xué)習(xí)、工作各方面都扮演著必不可少的角色，其權(quán)重在人們的各項(xiàng)活動(dòng)中的比重越來(lái)越大。因此，互聯(lián)網(wǎng)的安全建設(shè)至關(guān)重要。因此，互聯(lián)網(wǎng)中網(wǎng)絡(luò)設(shè)備的互聯(lián)工程越來(lái)越多，參與此工作的人員也相對(duì)增多。本文提出基于神州數(shù)碼網(wǎng)絡(luò)互聯(lián)設(shè)備的靜態(tài)路由實(shí)現(xiàn)進(jìn)行研究。可為一些初學(xué)者提供一些參考學(xué)習(xí)。

一、神州數(shù)碼網(wǎng)絡(luò)互聯(lián)設(shè)備實(shí)驗(yàn)室

神州數(shù)碼網(wǎng)絡(luò)有限公司（簡(jiǎn)稱：DCN）是國(guó)內(nèi)領(lǐng)先的網(wǎng)絡(luò)設(shè)備制造商和解決方案提供商，是神州數(shù)碼控股旗下?lián)碛凶灾骶W(wǎng)絡(luò)品牌和知識(shí)產(chǎn)權(quán)的專業(yè)公司。DCN是神州數(shù)碼自有品牌，也是神州數(shù)碼主品牌下的子品牌之一。DCN將繼續(xù)專注數(shù)據(jù)通信市場(chǎng)，為客戶提供業(yè)界領(lǐng)先的以太網(wǎng)交換機(jī)、路由器、網(wǎng)絡(luò)安全、應(yīng)用交付、無(wú)線網(wǎng)絡(luò)、IP融合通信、網(wǎng)絡(luò)管理等產(chǎn)品，致力打造成為全球領(lǐng)先的數(shù)據(jù)通信設(shè)備制造商和服務(wù)提供商。我校建立的網(wǎng)絡(luò)實(shí)驗(yàn)室就是以該公司的網(wǎng)絡(luò)設(shè)備布置并建設(shè)的。目前我校網(wǎng)絡(luò)實(shí)驗(yàn)室條件如下：三臺(tái)路由器DCR-2655，三臺(tái)三層交換機(jī)DCRS-5658，三臺(tái)二層交換機(jī)DCS-2111，一個(gè)24口集線架，9臺(tái)臺(tái)式機(jī)，布線簡(jiǎn)單。每臺(tái)臺(tái)式機(jī)電腦固定，分別有1-24號(hào)編有號(hào)碼的網(wǎng)線從布線板預(yù)留口伸出2米的長(zhǎng)度，掩埋網(wǎng)線的另一端分別對(duì)應(yīng)集線架的24口。所有這些網(wǎng)絡(luò)互聯(lián)設(shè)備都集成固定在一個(gè)機(jī)架上。對(duì)于學(xué)生做網(wǎng)絡(luò)實(shí)驗(yàn)來(lái)說(shuō)，我們充分利用現(xiàn)有實(shí)驗(yàn)條件進(jìn)行相關(guān)實(shí)驗(yàn)，本文是針對(duì)學(xué)生在網(wǎng)絡(luò)實(shí)驗(yàn)室進(jìn)行的靜態(tài)路由實(shí)驗(yàn)進(jìn)行的研究。

二、靜態(tài)路由

靜態(tài)路由是指由用戶或網(wǎng)絡(luò)管理員手工配置的路由信息。當(dāng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)或鏈路的狀態(tài)發(fā)生變化時(shí)，網(wǎng)絡(luò)管理員需要手工去修改路由表中相關(guān)的靜態(tài)路由信息。靜態(tài)路由信息在缺省情況下是私有的，不會(huì)傳遞給其他的路由器。當(dāng)然，網(wǎng)管員也可以通過(guò)對(duì)路由器進(jìn)行設(shè)置使之成為共享的。靜態(tài)路由一般適用于比較簡(jiǎn)單的網(wǎng)絡(luò)環(huán)境，在這樣的環(huán)境中，網(wǎng)絡(luò)管理員易于清楚地了解網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，便于設(shè)置正確的路由信息[3]。

使用靜態(tài)路由的另一個(gè)好處是網(wǎng)絡(luò)安全保密性高。動(dòng)態(tài)路由因?yàn)樾枰酚善髦g頻繁地交換各自的路由表，而對(duì)路由表的分析可以揭示網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和網(wǎng)絡(luò)地址等信息。因此，網(wǎng)絡(luò)出于安全方面的考慮也可以采用靜態(tài)路由。不占用網(wǎng)絡(luò)帶寬，因?yàn)殪o態(tài)路由不會(huì)產(chǎn)生更新流量。

三、靜態(tài)路由實(shí)現(xiàn)實(shí)例

實(shí)例基于終端PC操作系統(tǒng)WIN7，通過(guò)超級(jí)終端程序Hypertrm.exe運(yùn)行配置路由器。

（1）路由器-路由器配置靜態(tài)路由實(shí)例。通過(guò)兩臺(tái)路由器實(shí)現(xiàn)靜態(tài)路由實(shí)例，首先用路由器配置線將路由器的console口與臺(tái)式機(jī)的COM1端口相連接，進(jìn)行路由器A的配置。路由器A的配置代碼如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut RA（config）exit

路由器B的配置代碼如下：

Router（config） Hostname RB RB（config）interface f0/0 RB（config-if）ip add 192.168.40.2 255.255.255.0 RB（config-if）no shut RB（config-if）exit RB（config）interface g0/3

RB（config-if）ip add 192.168.50.1 255.255.255.0 RB（config-if）no shut RB（config）exit

然后，配置兩臺(tái)路由器的靜態(tài)路由，配置代碼如：

RA# ip route 192.168.50.0 255.255.255.0 192.168.40.2

RB# ip route 192.168.30.0 255.255.255.0 192.168.40.1

這樣，兩臺(tái)路由器之間的靜態(tài)路由就配置好了。用網(wǎng)線分別連接兩臺(tái)路由器的f0/0接口，接口g0/3分別接兩臺(tái)終端PC，并分別配置兩臺(tái)PC的IP地址為192.168.30.8/24和192.168.50.8/

24，網(wǎng)關(guān)分別配置為192.168.30.1/24和192.168.50.1/24。配置完成以后，兩臺(tái)PC互相ping對(duì)方，一共四個(gè)數(shù)據(jù)包都沒(méi)有丟失，說(shuō)明兩臺(tái)主機(jī)是互通的。這就是說(shuō)兩臺(tái)路由器f0/0端口相連，另一端口g0/3分別連接兩臺(tái)主機(jī)的網(wǎng)絡(luò)拓?fù)渑渲孟嚓P(guān)的端口ip及主機(jī)ip以后，在兩臺(tái)路由器上分別正確的配置靜態(tài)路由協(xié)議以后，兩臺(tái)主機(jī)互相能ping通，說(shuō)明該靜態(tài)路由協(xié)議實(shí)驗(yàn)配置成功。

（2）路由器-三層交換機(jī)配置靜態(tài)路由實(shí)例。三層交換機(jī)就是具有部分路由器功能的交換機(jī)，三層交換機(jī)的最重要目的是加快大型局域網(wǎng)內(nèi)部的數(shù)據(jù)交換，所具有的路由功能也是為這目的服務(wù)的，能夠做到一次路由，多次轉(zhuǎn)發(fā)。對(duì)于數(shù)據(jù)包轉(zhuǎn)發(fā)等規(guī)律性的過(guò)程由硬件高速實(shí)現(xiàn)，而像路由信息更新、路由表維護(hù)、路由計(jì)算、路由確定等功能，由軟件實(shí)現(xiàn)。三層交換技術(shù)就是二層交換技術(shù)+三層轉(zhuǎn)發(fā)技術(shù)。出于安全和管理方便的考慮，主要是為了減小廣播風(fēng)暴的危害，必須把大型局域網(wǎng)按功能或地域等因素劃成一個(gè)個(gè)小的局域網(wǎng)，這就使VLAN技術(shù)在網(wǎng)絡(luò)中得以大量應(yīng)用，而各個(gè)不同VLAN間的通信都要經(jīng)過(guò)路由器來(lái)完成轉(zhuǎn)發(fā)，隨著網(wǎng)間互訪的不斷增加。單純使用路由器來(lái)實(shí)現(xiàn)網(wǎng)間訪問(wèn)，不但由于端口數(shù)量有限，而且路由速度較慢，從而限制了網(wǎng)絡(luò)的規(guī)模和訪問(wèn)速度。基于這種情況三層交換機(jī)便應(yīng)運(yùn)而生，三層交換機(jī)是為IP設(shè)計(jì)的，接口類型簡(jiǎn)單，擁有很強(qiáng)二層包處理能力，非常適用于大型局域網(wǎng)內(nèi)的數(shù)據(jù)路由與交換，它既可以工作在協(xié)議第三層替代或部分完成傳統(tǒng)路由器的功能，同時(shí)又具有幾乎第二層交換的速度，且價(jià)格相對(duì)便宜些。

因?yàn)閷?shí)驗(yàn)室條件限制，兩臺(tái)路由器已經(jīng)被部分同學(xué)占用進(jìn)行上述靜態(tài)路由協(xié)議配置的實(shí)驗(yàn)，另一部學(xué)生，利用一臺(tái)路由器和一臺(tái)三層交換機(jī)進(jìn)行靜態(tài)路由協(xié)議的配置實(shí)驗(yàn)。依據(jù)是三層交換機(jī)具有簡(jiǎn)單的路由功能，其中，支撐靜態(tài)路由協(xié)議。基于此，接下來(lái)，實(shí)驗(yàn)路由器-三層交換機(jī)的配置實(shí)驗(yàn)，檢驗(yàn)其是否能配置成功？

首先用路由器配置線將路由器的console口與臺(tái)式機(jī)的COM1端口相連接，進(jìn)行路由器A的配置。路由器A的配置代碼如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut

然后用交換機(jī)配置線將交換機(jī)的console口與臺(tái)式機(jī)的COM1端口相連接，進(jìn)行三層交換機(jī)的配置。三層交換機(jī)Sw的配置代碼如下：

DCRS-2655（config）hostname Sw Sw（config）ip option enable Sw（config）vlan 10

Sw（config-vlan）ex Sw（config）vlan 20 Sw（config-vlan）ex Sw（config）int e1/0/2

Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 10 Sw（config-if）ex

Sw（config）int e1/0/6 Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 20 Sw（config）ex Sw（config）int vlan 10 Sw（config-if）ip add 192.168.40.2 255.255.255.0

Sw（config-if）no shut Sw（config-if）ex Sw（config）int vlan 20

Sw（config-if）ip add 192.168.50.1 255.255.255.0 Sw（config-if）no shut

接下來(lái)配置靜態(tài)路由

路由器：ip route 192.168.50.0 255.255.255.0 192.168.

40.2

交換機(jī)：ip route 192.168.30.0 255.255.255.0 192.168.

40.1

這樣，路由器和三層交換機(jī)之間的靜態(tài)路由就配置好了。用網(wǎng)線分別連接路由器的f0/0接口和三層交換機(jī)的 e1/0/2端口，路由器接口g0/3連接一臺(tái)終端PC1，三層交換機(jī)的端口e1/0/6連接另一臺(tái)終端PC2，并分別配置兩臺(tái)PC的IP地址為192.168.30.

8/24和192.168.50.8/24，網(wǎng)關(guān)分別配置為192.168.30.1/24和192.168.50.1/24。配置完成以后，兩臺(tái)PC互相ping對(duì)方，結(jié)果都是通的。說(shuō)明該靜態(tài)路由協(xié)議配置成功。異種網(wǎng)絡(luò)互聯(lián)設(shè)備可以成功配置靜態(tài)路由協(xié)議，并能正確路由，以此在建立的數(shù)據(jù)鏈路中傳輸數(shù)據(jù)。

四、總結(jié)

通過(guò)以上配置實(shí)例知道，靜態(tài)路由協(xié)議不僅在路由器-路由器配置實(shí)驗(yàn)中能夠成功配置，并且在具有路由功能的工作于ISO模型第二層數(shù)據(jù)鏈路層的網(wǎng)絡(luò)設(shè)備，同樣也能配置靜態(tài)路由協(xié)議，與配置靜態(tài)路由協(xié)議的路由器互聯(lián)，能實(shí)現(xiàn)網(wǎng)絡(luò)的路由。靜態(tài)路由表在開(kāi)始選擇路由之前就被網(wǎng)絡(luò)管理員建立，并且只能由網(wǎng)絡(luò)管理員更改，所以只適于網(wǎng)絡(luò)傳輸狀態(tài)比較簡(jiǎn)單的環(huán)境。靜態(tài)路由具有更高的安全性。在使用靜態(tài)路由的網(wǎng)絡(luò)中，所有要連到網(wǎng)絡(luò)上的路由器都需在鄰接路由器上設(shè)置其相應(yīng)的路由。因此，在某種程度上提高了網(wǎng)絡(luò)的安全性。但是，大型和復(fù)雜的網(wǎng)絡(luò)環(huán)境通常不宜采用靜態(tài)路由。一方面，網(wǎng)絡(luò)管理員難以全面地了解整個(gè)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；另一方面，當(dāng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和鏈路狀態(tài)發(fā)生變化時(shí)，路由器中的靜態(tài)路由信息需要大范圍地調(diào)整，這一工作的難度和復(fù)雜程度非常高。當(dāng)網(wǎng)絡(luò)發(fā)生變化或網(wǎng)絡(luò)發(fā)生故障時(shí)，不能重選路由，很可能使路由失敗。

參考文獻(xiàn)：

第6篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

本文主要介紹了人工神經(jīng)網(wǎng)絡(luò)的概念，并對(duì)幾種具體的神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹，從它們的提出時(shí)間、網(wǎng)絡(luò)結(jié)構(gòu)和適用范圍幾個(gè)方面來(lái)深入講解。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 感知器網(wǎng)絡(luò) 徑向基網(wǎng)絡(luò) 反饋神經(jīng)網(wǎng)絡(luò)

1 引言

人工神經(jīng)網(wǎng)絡(luò)是基于對(duì)人腦組織結(jié)構(gòu)、活動(dòng)機(jī)制的初步認(rèn)識(shí)提出的一種新型信息處理體系。它實(shí)際上是一個(gè)由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)，通過(guò)模仿腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)以及某些活動(dòng)機(jī)理，人工神經(jīng)網(wǎng)絡(luò)可呈現(xiàn)出人腦的許多特征，并具有人腦的一些基本功能，利用這一特性，可以設(shè)計(jì)處具有類似大腦某些功能的智能系統(tǒng)來(lái)處理各種信息，解決不同問(wèn)題。下面對(duì)幾種具體的神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹。

2 感知器網(wǎng)絡(luò)

感知器是由美國(guó)學(xué)者Rosenblatt在1957年首次提出的，感知器可謂是最早的人工神經(jīng)網(wǎng)絡(luò)。感知器具有分層結(jié)構(gòu)，信息從輸入層進(jìn)入網(wǎng)絡(luò)，逐層向前傳遞到輸出層。感知器是神經(jīng)網(wǎng)絡(luò)用來(lái)進(jìn)行模式識(shí)別的一種最簡(jiǎn)單模型，屬于前向神經(jīng)網(wǎng)絡(luò)類型。

2.1 單層感知器

單層感知器是指只有一層處理單元的感知器，它的結(jié)構(gòu)與功能都非常簡(jiǎn)單，通過(guò)讀網(wǎng)絡(luò)權(quán)值的訓(xùn)練，可以使感知器對(duì)一組輸入矢量的響應(yīng)達(dá)到元素為0或1的目標(biāo)輸出，從而實(shí)現(xiàn)對(duì)輸入矢量分類的目的，目前在解決實(shí)際問(wèn)題時(shí)很少被采用，但由于它在神經(jīng)網(wǎng)絡(luò)研究中具有重要意義，是研究其他網(wǎng)絡(luò)的基礎(chǔ)，而且較易學(xué)習(xí)和理解，適合于作為學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的起點(diǎn)。

2.2 多層感知器

多層感知器是對(duì)單層感知器的推廣，它能夠成功解決單層感知器所不能解決的非線性可分問(wèn)題，在輸入層與輸出層之間引入隱層作為輸入模式的“內(nèi)部表示”，即可將單層感知器變成多層感知器。

3 線性神經(jīng)網(wǎng)絡(luò)

線性神經(jīng)網(wǎng)絡(luò)類似于感知器，但是線性

神經(jīng)網(wǎng)絡(luò)的激活函數(shù)是線性的，而不是硬限轉(zhuǎn)移函數(shù)。因此線性神經(jīng)網(wǎng)絡(luò)的輸出可以使任意值，而感知器的輸出不是0就是1。線性神經(jīng)網(wǎng)絡(luò)最早的典型代表就是在1963年由美國(guó)斯坦福大學(xué)教授Berhard Windrow提出的自適應(yīng)線性元件網(wǎng)絡(luò)，它是一個(gè)由輸入層和輸出層構(gòu)成的單層前饋性網(wǎng)絡(luò)。自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法比感知器的學(xué)習(xí)算法的收斂速度和精度都有較大的提高，自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)主要用于函數(shù)逼近、信號(hào)預(yù)測(cè)、系統(tǒng)辨識(shí)、模式識(shí)別和控制等領(lǐng)域。

4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年由以Rumelhart和McCelland為首的科學(xué)家小組提出的，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型采用BP網(wǎng)絡(luò)或者它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分，BP神經(jīng)網(wǎng)絡(luò)由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)過(guò)一步處理后完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP網(wǎng)絡(luò)主要應(yīng)用于以下方面：

（1）函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)。

（2）模式識(shí)別：用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來(lái)。

（3）分類：對(duì)輸入矢量以所定義的合適方式進(jìn)行分類。

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲(chǔ)。

5 反饋神經(jīng)網(wǎng)絡(luò)

美國(guó)加州理工學(xué)院物理學(xué)家J.J.Hopfield教授于1982年發(fā)表了對(duì)神經(jīng)網(wǎng)絡(luò)發(fā)展頗具影響的論文，提出一種單層反饋神經(jīng)網(wǎng)絡(luò)，后來(lái)人們將這種反饋網(wǎng)絡(luò)稱作Hopfield網(wǎng)。在多輸入/多輸出的動(dòng)態(tài)系統(tǒng)中，控制對(duì)象特性復(fù)雜，傳統(tǒng)方法難以描述復(fù)雜的系統(tǒng)。為控制對(duì)象建立模型可以減少直接進(jìn)行實(shí)驗(yàn)帶來(lái)的負(fù)面影響，所以模型顯得尤為重要。但是，前饋神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上說(shuō)屬于一種靜態(tài)網(wǎng)絡(luò)，其輸入、輸出向量之間是簡(jiǎn)單的非線性函數(shù)映射關(guān)系。實(shí)際應(yīng)用中系統(tǒng)過(guò)程大多是動(dòng)態(tài)的，前饋神經(jīng)網(wǎng)絡(luò)辨識(shí)就暴露出明顯的不足，用前饋神經(jīng)網(wǎng)絡(luò)只是非線性對(duì)應(yīng)網(wǎng)絡(luò)，無(wú)反饋記憶環(huán)節(jié)，因此，利用反饋神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)特性就可以克服前饋神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，使神經(jīng)網(wǎng)絡(luò)更加接近系統(tǒng)的實(shí)際過(guò)程。

Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用：

（1）在數(shù)字識(shí)別方面。

（2）高校科研能力評(píng)價(jià)。

（3）應(yīng)用于聯(lián)想記憶的MATLAB程序。

6 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基RBF網(wǎng)絡(luò)是一個(gè)3層的網(wǎng)絡(luò)，除了輸入、輸出層之間外僅有一個(gè)隱層。隱層中的轉(zhuǎn)換函數(shù)是局部響應(yīng)的高斯函數(shù)，而其他前向網(wǎng)絡(luò)，轉(zhuǎn)換函數(shù)一般都是全局響應(yīng)函數(shù)。由于這樣的差異，要實(shí)現(xiàn)同樣的功能，RBF需要更多的神經(jīng)元，這就是RBF網(wǎng)絡(luò)不能取代標(biāo)準(zhǔn)前向型絡(luò)的原因。但是RBF網(wǎng)絡(luò)的訓(xùn)練時(shí)間更短，它對(duì)函數(shù)的逼近時(shí)最優(yōu)的，可以以任意精度逼近任意連續(xù)函數(shù)。隱層中的神經(jīng)元越多，逼近越精確。

徑向基網(wǎng)絡(luò)的應(yīng)用：

（1）用于曲線擬合的RBF網(wǎng)絡(luò)。

（2）徑向基網(wǎng)絡(luò)實(shí)現(xiàn)非線性函數(shù)回歸。

7 自組織神經(jīng)網(wǎng)絡(luò)

自組織競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)是一種無(wú)教師監(jiān)督學(xué)習(xí)，具有自組織功能的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)通過(guò)自身的訓(xùn)練。能自動(dòng)對(duì)輸入模式進(jìn)行分類，一般由輸入層和競(jìng)爭(zhēng)層夠曾。兩層之間各神經(jīng)元實(shí)現(xiàn)雙向連接，而且網(wǎng)絡(luò)沒(méi)有隱含層。有時(shí)競(jìng)爭(zhēng)層之間還存在著橫向連接。

常用自組織網(wǎng)絡(luò)有一下幾種：

（1）自組織特征映射網(wǎng)絡(luò)。

（2）學(xué)習(xí)矢量量化網(wǎng)絡(luò)。

（3）自適應(yīng)共振理論模型。

（4）對(duì)偶傳播網(wǎng)絡(luò)。

參考文獻(xiàn)

[1]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2]周品.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京：清華大學(xué)出版社，2013.

作者簡(jiǎn)介

孔令文（1989-），男，黑龍江省齊齊哈爾市人。現(xiàn)為西南林業(yè)大學(xué)機(jī)械與交通學(xué)院在讀研究生。研究方向?yàn)橛?jì)算機(jī)仿真。

第7篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

[摘要]該文介紹了神經(jīng)網(wǎng)絡(luò)的發(fā)展、優(yōu)點(diǎn)及其應(yīng)用和發(fā)展動(dòng)向，著重論述了神經(jīng)網(wǎng)絡(luò)目前的幾個(gè)研究熱點(diǎn)，即神經(jīng)網(wǎng)絡(luò)與遺傳算法、灰色系統(tǒng)、專家系統(tǒng)、模糊控制、小波分析的結(jié)合。

[關(guān)鍵詞]遺傳算法灰色系統(tǒng)專家系統(tǒng)模糊控制小波分析

一、前言

神經(jīng)網(wǎng)絡(luò)最早的研究20世紀(jì)40年代心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，他們提出的MP模型拉開(kāi)了神經(jīng)網(wǎng)絡(luò)研究的序幕。神經(jīng)網(wǎng)絡(luò)的發(fā)展大致經(jīng)過(guò)三個(gè)階段：1947~1969年為初期，在這期間科學(xué)家們提出了許多神經(jīng)元模型和學(xué)習(xí)規(guī)則，如MP模型、HEBB學(xué)習(xí)規(guī)則和感知器等；1970~1986年為過(guò)渡期，這個(gè)期間神經(jīng)網(wǎng)絡(luò)研究經(jīng)過(guò)了一個(gè)低潮，繼續(xù)發(fā)展。在此期間，科學(xué)家們做了大量的工作，如Hopfield教授對(duì)網(wǎng)絡(luò)引入能量函數(shù)的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計(jì)算的途徑。1984年，Hiton教授提出Boltzman機(jī)模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱BP網(wǎng)絡(luò)。目前，BP網(wǎng)絡(luò)已成為廣泛使用的網(wǎng)絡(luò)；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)受到國(guó)際重視，各個(gè)國(guó)家都展開(kāi)研究，形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個(gè)。神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：

(1)具有很強(qiáng)的魯棒性和容錯(cuò)性，因?yàn)樾畔⑹欠植假A于網(wǎng)絡(luò)內(nèi)的神經(jīng)元中。

(2)并行處理方法，使得計(jì)算快速。

(3)自學(xué)習(xí)、自組織、自適應(yīng)性，使得網(wǎng)絡(luò)可以處理不確定或不知道的系統(tǒng)。

(4)可以充分逼近任意復(fù)雜的非線性關(guān)系。

(5)具有很強(qiáng)的信息綜合能力，能同時(shí)處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關(guān)系，適用于多信息融合和多媒體技術(shù)。

二、神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的結(jié)構(gòu)和處理信息的方法，在許多實(shí)際應(yīng)用領(lǐng)域中取得了顯著的成效，主要應(yīng)用如下：

(1)圖像處理。對(duì)圖像進(jìn)行邊緣監(jiān)測(cè)、圖像分割、圖像壓縮和圖像恢復(fù)。

(2)信號(hào)處理。能分別對(duì)通訊、語(yǔ)音、心電和腦電信號(hào)進(jìn)行處理分類；可用于海底聲納信號(hào)的檢測(cè)與分類，在反潛、掃雷等方面得到應(yīng)用。

(3)模式識(shí)別。已成功應(yīng)用于手寫(xiě)字符、汽車牌照、指紋和聲音識(shí)別，還可用于目標(biāo)的自動(dòng)識(shí)別和定位、機(jī)器人傳感器的圖像識(shí)別以及地震信號(hào)的鑒別等。

(4)機(jī)器人控制。對(duì)機(jī)器人眼手系統(tǒng)位置進(jìn)行協(xié)調(diào)控制，用于機(jī)械手的故障診斷及排除、智能自適應(yīng)移動(dòng)機(jī)器人的導(dǎo)航。

(5)衛(wèi)生保健、醫(yī)療。比如通過(guò)訓(xùn)練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡(luò)的波形分類和特征提取在計(jì)算機(jī)臨床診斷中的應(yīng)用。

(6)焊接領(lǐng)域。國(guó)內(nèi)外在參數(shù)選擇、質(zhì)量檢驗(yàn)、質(zhì)量預(yù)測(cè)和實(shí)時(shí)控制方面都有研究，部分成果已得到應(yīng)用。

(7)經(jīng)濟(jì)。能對(duì)商品價(jià)格、股票價(jià)格和企業(yè)的可信度等進(jìn)行短期預(yù)測(cè)。

(8)另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應(yīng)用。

三、神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢(shì)及研究熱點(diǎn)

1.神經(jīng)網(wǎng)絡(luò)研究動(dòng)向

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問(wèn)題需進(jìn)一步研究。

(1)神經(jīng)計(jì)算的基礎(chǔ)理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計(jì)算的進(jìn)一步發(fā)展卻是非做不可的。

(2)除了傳統(tǒng)的多層感知機(jī)、徑向基函數(shù)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、自適應(yīng)諧振理論網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)之外，一些新的模型和結(jié)構(gòu)很值得關(guān)注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(luò)(spikingneuralnetwork)和支持向量機(jī)(supportvectormachine)。

(3)神經(jīng)計(jì)算技術(shù)與其他技術(shù)尤其是進(jìn)化計(jì)算技術(shù)的結(jié)合以及由此而來(lái)的混合方法和混合系統(tǒng)，正成為一大研究熱點(diǎn)。

(4)增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性是神經(jīng)網(wǎng)絡(luò)界需要解決的一個(gè)重要問(wèn)題。這方面的工作在今后若干年中仍然會(huì)是神經(jīng)計(jì)算和機(jī)器學(xué)習(xí)界的一個(gè)研究熱點(diǎn)。

(5)神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大，在未來(lái)的幾年中有望在一些領(lǐng)域取得更大的成功，特別是多媒體技術(shù)、醫(yī)療、金融、電力系統(tǒng)等領(lǐng)域。

2.研究熱點(diǎn)

(1)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在以下幾個(gè)方面：網(wǎng)絡(luò)連接權(quán)重的進(jìn)化訓(xùn)練；網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化計(jì)算；網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重的同時(shí)進(jìn)化；訓(xùn)練算法的進(jìn)化設(shè)計(jì)。基于進(jìn)化計(jì)算的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和實(shí)現(xiàn)已在眾多領(lǐng)域得到應(yīng)用，如模式識(shí)別、機(jī)器人控制、財(cái)政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強(qiáng)提高。神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法相結(jié)合的其他方式也有待于進(jìn)一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合。灰色系統(tǒng)理論是一門極有生命力的系統(tǒng)科學(xué)理論，自1982年華中理工大學(xué)的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關(guān)聯(lián)空間為基礎(chǔ)的分析體系，以灰色模型為主體的模型體系，以灰色過(guò)程及其生存空間為基礎(chǔ)與內(nèi)的方法體系，以系統(tǒng)分析、建模、預(yù)測(cè)、決策、控制、評(píng)估為綱的技術(shù)體系。目前，國(guó)內(nèi)外對(duì)灰色系統(tǒng)的理論和應(yīng)用研究已經(jīng)廣泛開(kāi)展，受到學(xué)者的普遍關(guān)注。灰色系統(tǒng)理論在在處理不確定性問(wèn)題上有其獨(dú)到之處，并能以系統(tǒng)的離散時(shí)序建立連續(xù)的時(shí)間模型，適合于解決無(wú)法用傳統(tǒng)數(shù)字精確描述的復(fù)雜系統(tǒng)問(wèn)題。

神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合方式有：(1)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)簡(jiǎn)單結(jié)合；(2)串聯(lián)型結(jié)合；(3)用神經(jīng)網(wǎng)絡(luò)增強(qiáng)灰色系統(tǒng)；(4)用灰色網(wǎng)絡(luò)輔助構(gòu)造神經(jīng)網(wǎng)絡(luò)；(5)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合。基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點(diǎn)立足于將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實(shí)現(xiàn)。其研究的主要問(wèn)題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實(shí)現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面。由于該混合系統(tǒng)從根本上拋開(kāi)了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的技術(shù)限制，是當(dāng)前研究的熱點(diǎn)。把粗集神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用于醫(yī)學(xué)診斷，表明其相對(duì)于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問(wèn)題的有力工具。它比較適合于表達(dá)那些模糊或定性的知識(shí)，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點(diǎn)。但它缺乏有效的自學(xué)習(xí)和自適應(yīng)能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，則網(wǎng)絡(luò)中的各個(gè)結(jié)點(diǎn)及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識(shí)來(lái)加以確定，然后利用學(xué)習(xí)算法可以很快收斂到要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)比單純的神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)所在。同時(shí)，由于它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點(diǎn)所在。模糊神經(jīng)網(wǎng)絡(luò)控制已成為一種趨勢(shì)，它能夠提供更加有效的智能行為、學(xué)習(xí)能力、自適應(yīng)特點(diǎn)、并行機(jī)制和高度靈活性，使其能夠更成功地處理各種不確定的、復(fù)雜的、不精確的和近似的控制問(wèn)題。

模糊神經(jīng)控制的未來(lái)研究應(yīng)集中于以下幾個(gè)方面：

(1)研究模糊邏輯與神經(jīng)網(wǎng)絡(luò)的對(duì)應(yīng)關(guān)系，將對(duì)模糊

控制器的調(diào)整轉(zhuǎn)化為等價(jià)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，用等價(jià)的模糊邏輯來(lái)初始化神經(jīng)網(wǎng)絡(luò)；

(2)完善模糊神經(jīng)控制的學(xué)習(xí)算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3)模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實(shí)時(shí)性與動(dòng)態(tài)性能；(4)需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動(dòng)力學(xué)特性。

關(guān)于神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機(jī)器人控制等。

(5)神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合

小波變換是對(duì)Fourier分析方法的突破。它不但在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，而且對(duì)低頻信號(hào)在頻域和對(duì)高頻信號(hào)在時(shí)域里都有很好的分辨率，從而可以聚集到對(duì)象的任意細(xì)節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡(luò)，并對(duì)學(xué)習(xí)參數(shù)加以有效約束，采用通常的隨機(jī)梯度法分別對(duì)一維分段函數(shù)、二維分段函數(shù)和實(shí)際系統(tǒng)中汽輪機(jī)壓縮機(jī)的數(shù)據(jù)做了仿真試驗(yàn)，并與神經(jīng)網(wǎng)絡(luò)、小波分解的建模做了比較，說(shuō)明了小波網(wǎng)絡(luò)在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡(luò)用于機(jī)器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過(guò)半個(gè)多世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識(shí)別、自動(dòng)控制、信號(hào)處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功，但其理論分析方法和設(shè)計(jì)方法還有待于進(jìn)一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展，其將在工程應(yīng)用中發(fā)揮越來(lái)越大的作用。

參考文獻(xiàn)：

[1]張?jiān)?模糊數(shù)學(xué)在自動(dòng)化技術(shù)中的應(yīng)用[M].清華大學(xué)出版社，1997.

[2]李士勇.模糊控制·神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學(xué)出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動(dòng)駕駛中的應(yīng)用[J].自動(dòng)化與儀器儀表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，F(xiàn)ukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應(yīng)用與軟件實(shí)現(xiàn).西安交通大學(xué)出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學(xué)出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合技術(shù)探索.微機(jī)發(fā)展，2000，23(4)：67-109.

第8篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

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

1.前言：

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

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

2.1人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)

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

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

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

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

2.3人工神經(jīng)網(wǎng)絡(luò)對(duì)于刀具磨損的檢測(cè)

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

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

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

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

第9篇：神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文

1　引言

神經(jīng)網(wǎng)絡(luò)是近年來(lái)得到廣泛關(guān)注的一種非線性建模預(yù)報(bào)技術(shù)。它具有自組織、自學(xué)習(xí)、自適應(yīng)和非線性處理、并行處理、信息分布存儲(chǔ)、容錯(cuò)能力強(qiáng)等特性，對(duì)傳統(tǒng)方法效果欠佳的預(yù)報(bào)領(lǐng)域有很強(qiáng)的吸引力。基于神經(jīng)網(wǎng)絡(luò)的非線性信息處理方法已應(yīng)用于軍事信息處理及現(xiàn)代武器裝備系統(tǒng)的各個(gè)方面，并有可能成為未來(lái)集成智能化的軍事電子信息處理系統(tǒng)的支撐技術(shù)。該技術(shù)在一些先進(jìn)國(guó)家已部分形成了現(xiàn)實(shí)的戰(zhàn)斗力。

    船舶在波浪中航行，會(huì)受到風(fēng)、浪和流的影響，因而將不可避免地發(fā)生搖蕩運(yùn)動(dòng)。嚴(yán)重的搖蕩會(huì)使船員工作效率下降、物品損壞、軍艦的戰(zhàn)斗力下降。如果能夠預(yù)知未來(lái)一段時(shí)間船舶的運(yùn)動(dòng)情況，不僅有利于盡早采用先進(jìn)控制算法控制艦載武器平臺(tái)隔離船舶運(yùn)動(dòng)的影響，使其始終穩(wěn)定瞄準(zhǔn)目標(biāo)，而且還可獲得未來(lái)一個(gè)海浪周期內(nèi)的船舶運(yùn)動(dòng)情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運(yùn)動(dòng)的短期預(yù)報(bào)。此外，如能有效準(zhǔn)確地預(yù)報(bào)船舶的橫搖運(yùn)動(dòng)，對(duì)于提高船舶的耐波性和適航性也有重要意義。

國(guó)內(nèi)外學(xué)者也將神經(jīng)網(wǎng)絡(luò)用于船舶運(yùn)動(dòng)預(yù)報(bào)研究，但往往沒(méi)有考慮實(shí)時(shí)性等實(shí)現(xiàn)問(wèn)題，因而不能實(shí)用化。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)是神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要方面。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)可分為全硬件實(shí)現(xiàn)和軟件實(shí)現(xiàn)兩種。目前神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)還主要以軟件模擬為主，由于現(xiàn)行的馮諾曼計(jì)算機(jī)體系結(jié)構(gòu)不能實(shí)現(xiàn)并行計(jì)算，因而神經(jīng)網(wǎng)絡(luò)軟件的實(shí)時(shí)應(yīng)用還受到一定限制。

目前，一些著名集成電路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模擬或數(shù)字神經(jīng)網(wǎng)絡(luò)芯片，這些芯片無(wú)論在網(wǎng)絡(luò)規(guī)模還是運(yùn)行速度上都已接近實(shí)用化的程度，因而給神經(jīng)網(wǎng)絡(luò)應(yīng)用的發(fā)展以極大的推動(dòng)。由于艦載武器系統(tǒng)，需選用具有在片學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)芯片，即將網(wǎng)絡(luò)訓(xùn)練所需的反饋電路及權(quán)值存儲(chǔ)、計(jì)算和修正電路都集成在了一個(gè)芯片，因而可實(shí)現(xiàn)全硬件的、具有自學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，也可以說(shuō)，這是一種具有自適應(yīng)能力的神經(jīng)網(wǎng)絡(luò)。

2 ZISC78的功能及工作原理

ZISC78是由IBM公司和Sillicon聯(lián)合研制的一種低成本、在線學(xué)習(xí)、33MHz主頻、CMOS型100腳LQFP封裝的VLSI芯片，圖1所示是ZISC78的引腳排列圖。ZISC78的特點(diǎn)如下：

內(nèi)含78個(gè)神經(jīng)元；

采用并行結(jié)構(gòu)，運(yùn)行速度與神經(jīng)元數(shù)量無(wú)關(guān)；

支持RBF／KNN算法；

內(nèi)部可分為若干獨(dú)立子網(wǎng)絡(luò)；

采用鏈連接，擴(kuò)展不受限制；

具有64字節(jié)寬度向量；

L1或LSUP范數(shù)可用于距離計(jì)算；

具有同步／異步工作模式。

2．1 ZISC78神經(jīng)元結(jié)構(gòu)

ZISC78采用的神經(jīng)元結(jié)構(gòu)如圖2所示，該神經(jīng)元有以下幾種狀態(tài)：

(1)休眠狀態(tài)：神經(jīng)網(wǎng)絡(luò)初始化時(shí)，通常處于這種狀態(tài)。

(2)準(zhǔn)備學(xué)習(xí)狀態(tài)：任何時(shí)侯，神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元都處于這種狀態(tài)。

(3)委托狀態(tài)：一個(gè)包含有原型和類型的神經(jīng)元處于委托狀態(tài)。

(4)激活狀態(tài)：一個(gè)處于委托狀態(tài)的神經(jīng)元，通過(guò)評(píng)估，其輸入矢量處于其影響域時(shí)，神經(jīng)元就被激活而處于激活狀態(tài)。

(5)退化狀態(tài)：當(dāng)一個(gè)神經(jīng)元的原型處于其它神經(jīng)元類型空間內(nèi)，而大部分被其他神經(jīng)元類型空間重疊時(shí)，這個(gè)神經(jīng)元被宣布處于退化狀態(tài)。

    2．2 ZISC78神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

從圖3所示的ZISC78神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以看出，所有神經(jīng)元均通過(guò)“片內(nèi)通信總線”進(jìn)行通信，以實(shí)現(xiàn)網(wǎng)絡(luò)內(nèi)所有神經(jīng)元的“真正” 并行操作。“片內(nèi)通信總線”允許若干個(gè)ZISC78芯片進(jìn)行連接以擴(kuò)大神經(jīng)網(wǎng)絡(luò)的規(guī)模，而這種操作不影響網(wǎng)絡(luò)性能。

ZISC78片內(nèi)有6 bit地址總線和16 bit數(shù)據(jù)總線，其中數(shù)據(jù)總線用于傳輸矢量數(shù)據(jù)、矢量類型、距離值和其它數(shù)據(jù)。

2．3 ZISC78的寄存器組

ZISC78使用兩種寄存器：全局寄存器和神經(jīng)元寄存器。全局寄存器用于存儲(chǔ)與所有神經(jīng)元有關(guān)的信息，每片僅有一組全局寄存器。全局寄存器組中的信息可被傳送到所有處于準(zhǔn)備學(xué)習(xí)狀態(tài)和委托狀態(tài)的神經(jīng)元。神經(jīng)元寄存器用于存儲(chǔ)所屬神經(jīng)元的信息，該信息在訓(xùn)練學(xué)習(xí)操作中寫(xiě)入，在識(shí)別操作中讀出。

2．4 ZISC78的操作

ZISC78的操作包括初始化、矢量數(shù)據(jù)傳播、識(shí)別和分類等三部分。

初始化包括復(fù)位過(guò)程和清除過(guò)程。

矢量數(shù)據(jù)傳播包括矢量數(shù)據(jù)輸入過(guò)程和神經(jīng)元距離計(jì)算過(guò)程。神經(jīng)元距離就是輸入矢量和神經(jīng)元中存儲(chǔ)的原型之間的范數(shù)。通常可選L1范數(shù)或Lsup范數(shù)：

其中，Xi為輸入矢量數(shù)據(jù)，Xs為存貯的原型數(shù)據(jù)。

對(duì)于識(shí)別和分類，ZISC78提供有兩種可選擇的學(xué)習(xí)算法RBF和KNN。其中RBF是典型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。在該RBF模式下，可輸出識(shí)別、不確定或不認(rèn)識(shí)的狀態(tài)；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影響域總被設(shè)為1，輸出的是輸入向量和存儲(chǔ)原型之間的距離。需要指出的是，ZISC78具有自動(dòng)增加或減小神經(jīng)元個(gè)數(shù)以適應(yīng)輸入信號(hào)的分類和識(shí)別功能，神經(jīng)元個(gè)數(shù)的最大值和最小值在全局寄存器組中設(shè)定。

2．5 ZISC78的組網(wǎng)

一個(gè)ZISC78芯片內(nèi)可以通過(guò)寄存器操作定義若干個(gè)獨(dú)立的網(wǎng)絡(luò)。若干個(gè)ZISC78芯片通過(guò)層疊可以組成一個(gè)更大的神經(jīng)網(wǎng)絡(luò)，組網(wǎng)芯片數(shù)量沒(méi)有限制，小于10個(gè)ZISC78組網(wǎng)時(shí)，甚至連電源中繼器件也不需要。所以，ZISC78具有最大的靈活性，能夠滿足不同的需要。

3　仿真實(shí)例

為了驗(yàn)證ZISC78用于船舶運(yùn)動(dòng)實(shí)時(shí)預(yù)報(bào)的精度，本文對(duì)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)進(jìn)行了仿真，圖4給出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和船舶運(yùn)動(dòng)慣導(dǎo)實(shí)測(cè)信號(hào)預(yù)報(bào)的0．3秒（15步）誤差曲線圖。

通過(guò)以慣導(dǎo)實(shí)測(cè)數(shù)據(jù)ZHX＿lg．dat為例預(yù)報(bào)0．3秒（15步）以后的船舶運(yùn)動(dòng)，作者運(yùn)用相空間重構(gòu)理論已經(jīng)判斷出本數(shù)據(jù)為非線性信號(hào)。

該仿真的最大預(yù)報(bào)誤差方差為6．4666e－004，該數(shù)據(jù)可以滿足戰(zhàn)技指標(biāo)。

4　結(jié)束語(yǔ)