人工神經(jīng)網(wǎng)絡文獻綜述精選(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人工神經(jīng)網(wǎng)絡文獻綜述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

［關鍵詞］BP神經(jīng)網(wǎng)絡農業(yè)工程農業(yè)管理農業(yè)決策

一、引言

采用神經(jīng)網(wǎng)絡算法的信息處理技術，以其較強的計算性和學習性，現(xiàn)如今已經(jīng)在各工程領域內得到了廣泛應用。隨著科技不斷的發(fā)展和研究的不斷深入，農業(yè)系統(tǒng)中采用的傳統(tǒng)分析和管理的方法已經(jīng)不能滿足農業(yè)工程領域快速發(fā)展的需要。在農業(yè)系統(tǒng)中采用神經(jīng)網(wǎng)絡技術可在一定程度上可彌補傳統(tǒng)方法的不足，現(xiàn)已成為實現(xiàn)農業(yè)現(xiàn)代化的一個重要途徑。神經(jīng)網(wǎng)絡現(xiàn)已在農業(yè)生產的各個環(huán)節(jié)得到廣泛的應用，從作物營養(yǎng)控制、作物疾病診斷、產量預測到產品分級，顯示了巨大的潛力，并正以很快的速度與生產實際相結合。目前應用比較多的BP神經(jīng)網(wǎng)絡，可通過學習以任意精度逼近任何連續(xù)映射，在農業(yè)生產與科研中展示出了廣闊的應用前景。

BP人工神經(jīng)網(wǎng)絡方法。人工神經(jīng)網(wǎng)絡是對生物神經(jīng)網(wǎng)絡的簡化和模擬的一種信息處理系統(tǒng)，具有很強的信息存貯能力和計算能力，屬于一種非經(jīng)典的數(shù)值算法。通常可分為前向神經(jīng)網(wǎng)絡、反饋神經(jīng)網(wǎng)絡和自組織映射神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡，可通過連續(xù)不斷的在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡權值以及偏差的變化而逐漸逼近目標值，每一次數(shù)字和偏差的變化都與網(wǎng)絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實現(xiàn)了神經(jīng)網(wǎng)絡的學習過程。BP人工神經(jīng)網(wǎng)絡的結構如圖所示，BP神經(jīng)網(wǎng)絡可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網(wǎng)絡結點之間沒有連接。每個網(wǎng)絡結點表示一個神經(jīng)元，其傳遞函數(shù)通常采用Sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡相當于從輸入到輸出的高度非線性映射，對于樣本輸入和輸出，可以認為存在某一映射函數(shù)g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數(shù)，xi為輸入樣本，yo為輸出結果。

BP神經(jīng)網(wǎng)絡的一個顯著優(yōu)點就是其可進行自學習，能夠通過訓練得到預期的效果。其學習過程由正向傳播和反向傳播組成，神經(jīng)網(wǎng)絡的輸入值經(jīng)過非線性變換從輸入層經(jīng)隱含層神經(jīng)元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài)。如果輸出層得到的數(shù)值與期望輸出有一定的偏差，則轉入反向傳播過程。神經(jīng)網(wǎng)絡通過對輸入值和希望的輸出值(教師值)進行比較，根據(jù)兩者之間的差的函數(shù)來調整神經(jīng)網(wǎng)絡的各層的連接權值和各個神經(jīng)元的閾值，最終使誤差函數(shù)達到最小。其調整的過程是由后向前進行的，稱為誤差反向傳播BP算法。具體學習過程如下：

（1)隨機給各個權值賦一個初始權值，要求各個權值互不相等，且均為較小的非零數(shù)。

（2)輸入樣本集中每一個樣本值，確定相應的網(wǎng)絡實際輸出值。

（3)計算實際的輸出值與相應的樣本集中的相應輸出值的差值。

（4)按極小誤差方式調整權值矩陣。

（5)判斷網(wǎng)絡誤差是否小于訓練前人為設定的一個較小的值，若小于，則跳出運算，此時的結果為神經(jīng)網(wǎng)絡的最終訓練結果；若大于，則繼續(xù)計算。

（6）判斷最大迭代次數(shù)是否大于預先設定的數(shù)，若小于，返回（2）;若大于，則中止運算，其結果為神經(jīng)網(wǎng)絡的最終訓練結果。

上述的計算過程循環(huán)進行，直到完成給定的訓練次數(shù)或達到設定的誤差終止值。

二、BP神經(jīng)網(wǎng)絡在農業(yè)工程領域中的應用

1.在農業(yè)生產管理與農業(yè)決策中的應用

農業(yè)生產管理受地域、環(huán)境、季節(jié)等影響較大，用產生式規(guī)則完整描述實際系統(tǒng)，可能會因組合規(guī)則過多而無法實現(xiàn)。神經(jīng)網(wǎng)絡的一個顯著的優(yōu)點就是其具有較強的自學習、自適應、自組織能力，通過對有代表性的樣本的學習可以掌握學習對象的內在規(guī)律，從而可以在一定程度上克服上述信息量大的問題。神經(jīng)網(wǎng)絡在農業(yè)生產管理方面可用于農作物生長過程中對農作物生長需求進行預測，從而通過對養(yǎng)分、水分、溫度、以及PH值的優(yōu)化控制達到最優(yōu)的生長狀況。采用神經(jīng)網(wǎng)絡預測算法的主要思想可描述為：（1）收集一定規(guī)模的樣本集，采用BP算法進行訓練，使網(wǎng)絡收斂到預定的精度；（2）將網(wǎng)絡權值矩陣保存到一存儲介質中，例如文本文件或數(shù)據(jù)庫中；（3）對于待預測數(shù)據(jù)的輸入部分，從存儲介質中讀出網(wǎng)絡連接權值矩陣，然后通過BP神經(jīng)網(wǎng)絡的前向傳播算法計算網(wǎng)絡輸出，輸出結果既是預測出來的數(shù)值向量。如霍再林等針對油葵不同階段的相對土壤含鹽濃度對其產量的影響有一定的規(guī)律的現(xiàn)象，以油葵的6個成長階段的土壤溶液含鹽的相對濃度為輸入樣本，相對產量為輸出樣本，通過比較發(fā)現(xiàn)，訓練后的神經(jīng)網(wǎng)絡能較好預測油葵產量，采用此方法可補充傳統(tǒng)模型的不足，為今后進一步的研究開辟了新路。

在農業(yè)決策方面，主要將農業(yè)專家面對各種問題時所采取的方法的經(jīng)驗，作為神經(jīng)網(wǎng)絡的學習樣本，從而采用神經(jīng)網(wǎng)絡建立的專家系統(tǒng)將從一定程度上彌補了傳統(tǒng)方法的不足，將農業(yè)決策智能化。如何勇、宋海燕針對傳統(tǒng)專家系統(tǒng)自學習能力差的缺點，利用神經(jīng)網(wǎng)絡可自我訓練的優(yōu)點，將神經(jīng)網(wǎng)絡引入專家系統(tǒng)中。將小麥缺素時的田間宏觀表現(xiàn)，葉部、莖部、果實癥狀及引起缺素的原因這五個方面的可信度值作為神經(jīng)網(wǎng)絡的輸入量，將農業(yè)專家診斷的結論作為輸出量，將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)。實際應用表明此系統(tǒng)自動診斷的結果與專家現(xiàn)場診斷的結果基本一致，從而采用該系統(tǒng)能夠取代專家，實現(xiàn)作物的自我診斷，為農業(yè)管理方面提供了極大的幫助。如馬成林等針對于傳統(tǒng)施肥決策方法中非線性關系描述不足的問題，基于數(shù)據(jù)包分析和BP神經(jīng)網(wǎng)絡，建立了施肥決策模型，應用表明，在有限的范圍內，模型預測結果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經(jīng)網(wǎng)絡應用在農業(yè)生產決策中，以莜麥播種方式?jīng)Q策為例，通過對產生式規(guī)則的分析導出神經(jīng)網(wǎng)絡輸入、輸出單元數(shù)，并通過多次試驗確定隱層單元數(shù)，用MATLAB方針結果表明，采用神經(jīng)網(wǎng)絡作為農業(yè)生產決策的方法，取得了較好的效果。譚宗琨提出將基于互聯(lián)網(wǎng)環(huán)境下的神經(jīng)網(wǎng)絡應用在玉米智能農業(yè)專家系統(tǒng)中，根據(jù)農作物發(fā)育進程分成若干個發(fā)育期，分別對各個發(fā)育期建立管理模型，依照作物各發(fā)育期進程時間間隔，由計算機系統(tǒng)自動選取相應的模型進行決策。應用分析的結果表明采用神經(jīng)網(wǎng)絡的玉米智能專家系統(tǒng)已初步接近農業(yè)生產的實際。

2.在農產品外觀分析和品質評判

農產品的外觀，如形狀、大小、色澤等在生產過程中是不斷變化的，并且受人為和自然等復雜因素的影響較大。農產品的外觀直接影響到農產品的銷售，研究出農作物外觀受人為和自然的影響因素，通過神經(jīng)網(wǎng)絡進行生產預測，可解決農產品由于不良外觀而造成的損失。如Murase 等針對西紅柿表皮破裂的現(xiàn)象，西紅柿表皮應力的增長與西紅柿果肉靠近表皮部分水分的增加有關，當表皮應力超過最大表皮強度時，將導致表皮破裂。用人工神經(jīng)網(wǎng)絡系統(tǒng)，預測在環(huán)境溫度下的表皮應力，可通過控制環(huán)境變量來減少西紅柿表皮破裂所造成的損失。

在農業(yè)科研和生產中，農產品的品質評判大多是依賴于對農產品外觀的辨識。例如對果形尺寸和顏色等外觀判別果實的成熟度，作物與雜草的辨別，種子的外觀質量檢測。由于農業(yè)環(huán)境的復雜性和生物的多樣性，農產品的外觀不具有較確定的規(guī)律性和可描述性，單一采用圖像處理技術辨識農產品的外觀時不宜過多采取失真處理和變換，否則則增加圖像處理的復雜性，特征判別也相對困難。人工神經(jīng)網(wǎng)絡由于其具有自學習、自組織的能力，比較適宜解決農業(yè)領域中許多難以用常規(guī)數(shù)學方法表達的復雜問題，與圖像處理技術相結合后，可根據(jù)圖像特征進行選擇性判別。采用此方法可以部分替代人工識別的工作，提高了生產效率，也有利于實現(xiàn)農業(yè)現(xiàn)代化。如Liao等將玉米籽粒圖像用34個特征參數(shù)作為神經(jīng)網(wǎng)絡的輸入變量，將輸出的種粒形態(tài)分為5類，經(jīng)過學習的神經(jīng)網(wǎng)絡對完整籽粒分類的準確率達到93％，破籽粒分類的準確率達91％。

3.蔬菜、果實、谷物等農產品的分級和鑒定

在農業(yè)生產中，蔬菜、果實、谷物等農產品的分級和鑒定是通過對農產品外觀的辨識進行的。傳統(tǒng)的農產品外觀的辨識方法費時費力、預測可靠度很低，而且多采用人工操作，評價受到操作者主觀因素的影響，評判的精度難以保證。利用人工神經(jīng)網(wǎng)絡技術結合圖像處理技術可部分代替以往這些主要依靠人工識別的工作，從而大大提高生產效率，實現(xiàn)農業(yè)生產與管理的自動化和智能化。

利用BP神經(jīng)網(wǎng)絡技術對農產品果形尺寸和顏色等外觀評判，目前國內外已有不少成果用于實際生產中。何東健等以計算機視覺技術進行果實顏色自動分級為目的，研究了用人工神經(jīng)網(wǎng)絡進行顏色分級的方法。分別用120個著色不同的紅星和紅富士蘋果作為訓練樣本集對網(wǎng)絡進行離線訓練。兩個品種的蘋果先由人工依據(jù)標準按著色度分成4級，對每一個品種分別求出7個模式特征值作為BP網(wǎng)絡的輸入，用訓練好的神經(jīng)網(wǎng)絡進行分級。結果表明紅富士和紅星果實的平均分級一致率分別為94.2％和94.4％。劉禾等用對稱特征、長寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網(wǎng)絡與人工智能相結合，建立果形判別人工神經(jīng)網(wǎng)絡專家系統(tǒng)。試驗水果品種為富士和國光。試驗表明系統(tǒng)對富士學習率為80％，對非學習樣本的富士蘋果的果形判別推確率為75％，系統(tǒng)對國光學習率為89％，對非學習樣本的國光蘋果果形判別系統(tǒng)的難確率為82％。

三、未來的發(fā)展方向

人工神經(jīng)網(wǎng)絡的信息處理技術現(xiàn)已在農業(yè)工程領域內得到了迅速的應用，采用人工神經(jīng)網(wǎng)絡算法的農業(yè)系統(tǒng)能夠從一定程度上改善控制效果，但此技術在農業(yè)范圍內還不夠成熟，有待于進一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經(jīng)網(wǎng)絡算法的改進

人工神經(jīng)網(wǎng)絡算法由于本身具有一定的缺點，從而采用人工神經(jīng)網(wǎng)絡的算法的信息處理技術在應用過程中具有一定的局限性。在今后的研究中，可以從人工神經(jīng)網(wǎng)絡方向著手，改進人工神經(jīng)網(wǎng)絡算法，從而實現(xiàn)其在農業(yè)領域內更好的應用。近年來隨著模糊算法、蟻群算法等算法的相繼出現(xiàn)，將神經(jīng)網(wǎng)絡與其他算法結合在一起已經(jīng)成為了研究的熱門話題，也是未來算法研究的主要方向之一。

2.應用領域的擴展

人工神經(jīng)網(wǎng)絡算法在農業(yè)工程方面現(xiàn)已得到了迅速的發(fā)展，擴展其在農業(yè)工程領域的應用范圍是未來的一個主要研究方向。人工神經(jīng)網(wǎng)絡由于其具有自學習能力，可對農業(yè)系統(tǒng)的非線形特性進行較好的描述，采用人工神經(jīng)網(wǎng)絡可解決傳統(tǒng)方法的不足，從而實現(xiàn)農業(yè)現(xiàn)代化。如何將神經(jīng)網(wǎng)絡較好地引入到農業(yè)系統(tǒng)，解決農業(yè)工程中的部分問題，已是今后農業(yè)科研中的一個方向。

四、結束語

神經(jīng)網(wǎng)絡作為一種人工智能范疇的計算方法，具有良好的自學習與數(shù)學計算的能力，可通過計算機程序進行模擬運算，現(xiàn)已廣泛用于模式識別、管理決策等方面。隨著計算機硬件和軟件的不斷發(fā)展與農業(yè)工程方面的研究的不斷深入，神經(jīng)網(wǎng)絡將在農業(yè)管理、農業(yè)決策、農作物外觀分類、品質評判等方面充分發(fā)揮其自學習能力強，計算能力強的優(yōu)勢，通過對樣本數(shù)據(jù)的學習，神經(jīng)網(wǎng)絡可較好地解決農作物生長過程中的作物分類、預測等非線形的問題。在農業(yè)工程領域內，神經(jīng)網(wǎng)絡擁有廣闊的科研前景。

參考文獻:

[1]余英林李海洲:神經(jīng)網(wǎng)絡與信號分析[M]. 廣州: 華南理工大學出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經(jīng)網(wǎng)絡的作物水―鹽響應初步研究[J].內蒙古農業(yè)大學學報，2003，24（3）：66～70

[3]何勇宋海燕:基于神經(jīng)網(wǎng)絡的作物營養(yǎng)診斷專家系統(tǒng)[J]. 農業(yè)工程學報,2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數(shù)據(jù)包絡分析和人工神經(jīng)網(wǎng)絡的變量施肥決策方法研究[J].農業(yè)工程學報,2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式?jīng)Q策的BP神經(jīng)網(wǎng)絡模型[J]. 太原理工大學學報，2006,37(5):119～121

[6]譚宗琨: BP人工神經(jīng)網(wǎng)絡在玉米智能農業(yè)專家系統(tǒng)中的應用[J].農業(yè)網(wǎng)絡信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

第2篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

關鍵詞：發(fā)電燃料；供應預測；BP神經(jīng)網(wǎng)絡；預測方法

中圖分類號：TM 762 文獻標示碼：A

0 引言

發(fā)電燃料的供應受到能源政策、供需形勢、資源分布、供應價格、交通運輸、市場博弈等多種復雜因素的影響，長期以來缺乏合理有效的供應預測方法和技術手段，尤其是廠網(wǎng)分離后鮮見相關的研究工作。

文獻1《遼寧火電廠燃料管理信息系統(tǒng)的開發(fā)與研制》開發(fā)和研制了覆蓋遼寧全體直屬電廠燃料公司并同東電局進行廣域網(wǎng)數(shù)據(jù)交換，同時能進行審核管理和業(yè)務信息方便傳輸?shù)娜剂暇C合管理信息系統(tǒng)。

文獻2《電力系統(tǒng)燃料MIS系統(tǒng)開發(fā)研究》探討了燃料管理信息系統(tǒng)的組成、功能、結構及開發(fā)應用，為綜述性理論研究。

以上文獻均未對發(fā)電燃料供應提供較有效的預測方法。本文提出一種基于BP神經(jīng)網(wǎng)絡的發(fā)電燃料供應量預測方法，利用神經(jīng)網(wǎng)絡原理，通過數(shù)據(jù)收集、數(shù)據(jù)修正和神經(jīng)網(wǎng)絡結構選擇建立起基于BP神經(jīng)網(wǎng)絡的發(fā)電燃料供應預測模型。通過MATLAB實際仿真，證明該預測方法預測較準確，并具有靈活的適應性。

基金項目：中國南方電網(wǎng)有限責任公司科技項目（K-ZD2013-005）

1 預測方法

按預測方法的性質不同，預測可分為定性預測和定量預測。常用的定性預測方法有主觀概率法、調查預測法、德爾菲法、類比法、相關因素分析法等。定量方法又可以分為因果分析法和時間序列分析法等，因果分析法也叫結構關系分析法。它是通過分析變化的原因，找出原因與結果之間的聯(lián)系方式，建立預測模型，并據(jù)此預測未來的發(fā)展變化趨勢及可能水平。時間序列分析法也叫歷史延伸法。它是以歷史的時間序列數(shù)據(jù)為基礎，運用一定的數(shù)學方法尋找數(shù)據(jù)變動規(guī)律向外延伸，預測未來的發(fā)展變化趨勢。由于時間序列模型無法引入對負荷影響的其它變量，所以，單純應用時間序列模型進行供應預測精度難以提高。

運用人工神經(jīng)網(wǎng)絡技術進行預測，其優(yōu)點是可以模仿人腦的智能化處理過程，對大量非結構性、非精確性規(guī)律具有自適應功能，具有信息記憶、自主學習、知識推理和優(yōu)化計算的特點，特別是其自學習和自適應功能是常規(guī)算法和專家系統(tǒng)所不具備的，因此，預測是人工神經(jīng)網(wǎng)絡的最有潛力的應用領域之一，有非常廣泛的前途。

2 BP神經(jīng)網(wǎng)絡模型

2.1 人工神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡是由神經(jīng)元以一定的拓撲結構和連接關系組成的信息表現(xiàn)、儲存和變換系統(tǒng)，是模仿人腦結構的一種信息系統(tǒng)，可較好地模擬人的形象思維能力。它是對自然界中生物體神經(jīng)系統(tǒng)進行抽象和改造，并模擬生物體神經(jīng)系統(tǒng)功能的產物。神經(jīng)網(wǎng)絡的重要特點是具有記憶和學習能力，經(jīng)過一定訓練之后，能夠對給定的輸入做出相應處理。

人工神經(jīng)網(wǎng)絡適用于處理實際中不確定性、精確性不高等引起的系統(tǒng)難以控制的問題，映射輸入輸出關系。人工神經(jīng)網(wǎng)絡優(yōu)于傳統(tǒng)方法在于：

1）實現(xiàn)了非線性關系的隱式表達，不需要建立復雜系統(tǒng)的顯示關系式；

2）容錯性強，可以處理信息不完全的預測問題，而信息不完全的情況在實際中經(jīng)常遇到；

3）由于神經(jīng)網(wǎng)絡具有一致逼進效果，訓練后的神經(jīng)網(wǎng)絡在樣本上輸出期望值，在非樣本點上表現(xiàn)出網(wǎng)絡的聯(lián)想記憶功能；

4）由于大規(guī)模并行機制，故預測速度快；

5）動態(tài)自適應能力強，可適應外界新的學習樣木，使網(wǎng)絡知識不斷更新。

圖1是一個人工神經(jīng)元的典型結構圖。

圖1 神經(jīng)元典型結構圖

它相當于一個多輸入單輸出的非線性閾值器件。，表示該神經(jīng)元的輸入向量；為權值向量；θ為神經(jīng)元的閾值，如果神經(jīng)元輸入向量加權和大于0，則神經(jīng)元被激活；f表示神經(jīng)元的輸入輸出關系函數(shù)，即傳輸函數(shù)。因此，神經(jīng)元的輸出可以表示為：

其中傳輸函數(shù)是神經(jīng)元以及網(wǎng)絡的核心。網(wǎng)絡解決問題的能力與功效除了與網(wǎng)絡結構有關，在很大程度上取決于網(wǎng)絡所采用的傳輸函數(shù)。

幾種常見的傳輸函數(shù)如圖2所示：

（1）為閾值型，將任意輸入轉化為0或1輸出，其輸入/輸出關系為：

（2）為線性型，其輸入/輸出關系為：

（3）、（4）為S型，它將任意輸入值壓縮到（0，1）的范圍內，此類傳遞函數(shù)常用對數(shù)（logsig）或雙曲正切（tansig）等一類S形狀的曲線來表示，如對數(shù)S型傳遞函數(shù)的關系為：

而雙曲正切S型曲線的輸入/輸出函數(shù)關系是：

（1） （2）

（3） （4）

圖2 常見的傳遞函數(shù)圖形

2.2 BP神經(jīng)網(wǎng)絡概述

神經(jīng)網(wǎng)絡的魅力在于它超強的映射能力，單層感知器可實現(xiàn)性分類，多層前向網(wǎng)絡則可以逼近任何非線性函數(shù)。可以將BP網(wǎng)絡視為從輸入到輸出的高度非線性映射，而有關定理證明BP神經(jīng)網(wǎng)絡通過對簡單的非線性函數(shù)進行數(shù)次復合，可以近似任何復雜的函數(shù)。

在人工神經(jīng)網(wǎng)絡的實際應用中，80%-90%的人工神經(jīng)網(wǎng)絡模型是采用BP網(wǎng)絡和它的變化形式，它也是前向網(wǎng)絡的核心，體現(xiàn)了人工神經(jīng)網(wǎng)絡最精華的部分。在人們掌握反向傳播網(wǎng)絡的設計之前，感知器和自適應線性元件都只能適用于對單層網(wǎng)絡模型的訓練，只是后來才得到進一步拓展。

BP神經(jīng)網(wǎng)絡主要應用有：

（1）函數(shù)逼近：用輸入矢量和相應的輸出矢量訓練一個網(wǎng)絡逼近一個函數(shù)。

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯(lián)系起來。

（3）分類：把輸入矢量以所定義的合適方式進行分類。

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

2.3 誤差反向傳播算法原理

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，名字源于網(wǎng)絡權值的調整規(guī)則，采用的是誤差反向傳播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神經(jīng)網(wǎng)絡是單向傳播的多層前向神經(jīng)網(wǎng)絡。除輸入輸出節(jié)點之外，有一層或多層的隱藏節(jié)點，同層節(jié)點之間無任何連接。典型的BP網(wǎng)絡是三層前饋階層網(wǎng)絡，即：輸入層、隱含層（中間層）和輸出層，各層之間實行全連接。BP神經(jīng)網(wǎng)絡結構如圖3所示：

圖3 BP神經(jīng)網(wǎng)絡結構示意圖

BP網(wǎng)絡學習過程包括誤差正向傳播和反向傳播兩個過程。在正向傳播過程中，輸入樣本從輸入層傳入，經(jīng)各隱含逐層處理后，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差的某種形式通過隱含層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各神經(jīng)元之間權值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網(wǎng)絡學習訓練的過程。此過程一直進行到網(wǎng)絡輸出的誤差減小到可接受的程度，或進行到預先設定的學習次數(shù)為止。

BP神經(jīng)元與其他神經(jīng)元類似，不同的是，由于BP神經(jīng)元的傳遞函數(shù)必須是處處可微的，它不能采用二值型{0，1}或符號函數(shù){-1，1}，所以其傳遞函數(shù)為非線性函數(shù)，最常用的函數(shù)S型函數(shù)，有時也采用線性函數(shù)。本文采用S型（Sigmoid）函數(shù)作為激發(fā)函數(shù)：

式中，為網(wǎng)絡單元的狀態(tài)：

則單元輸出為：

其中，為單元的閥值。在這種激發(fā)函數(shù)下，有：

故對輸出層單元：

對隱層單元：

權值調節(jié)為：

在實際學習過程中，學習速率對學習過程的影響很大。是按梯度搜索的步長。越大，權值的變化越劇烈。實際應用中，通常是以不導致振蕩的前提下取盡量大的值。為了使學習速度足夠快而不易產生振蕩，往往在規(guī)則中再加一個“勢態(tài)項”，即：

式中，是一個常數(shù)，它決定過去權重的變化對目前權值變化的影響程度。

圖4為BP算法流程圖。

圖4 BP算法流程圖

3 發(fā)電燃料供應預測BP神經(jīng)網(wǎng)絡模型建立

3.1 數(shù)據(jù)的收集與整理

發(fā)電燃料供應是一個龐大的系統(tǒng)，其中的數(shù)據(jù)資料紛繁復雜。在進行模型的搭建之前，需要進行歷史資料的整理，提取出所需的數(shù)據(jù)。本模型中，選取與燃料供應有關的數(shù)據(jù)作為影響因素，如電廠發(fā)電量、能源政策、能源供需形勢、交通運輸狀況、燃料價格和機組能耗等。

3.2 數(shù)據(jù)的修正

如果在數(shù)據(jù)采集與傳輸時受到一定干擾，就會出現(xiàn)資料出錯或數(shù)據(jù)丟失的情況，此時都會產生影響預測效果的壞數(shù)據(jù)，這些壞數(shù)據(jù)將會掩蓋實際模型的規(guī)律，直接影響模型的效果與精度。據(jù)此，需對樣本數(shù)據(jù)進行預處理，以確保在建模和預測過程中所運用的歷史數(shù)據(jù)具有真實性、正確性和同規(guī)律性。一般樣本數(shù)據(jù)預處理方法主要有經(jīng)驗修正法、曲線置換法、插值法、20%修正法、數(shù)據(jù)橫向縱向對比法、小波分析去噪法等。對于簡單問題，采用數(shù)據(jù)的橫向縱向對比即可實現(xiàn)壞數(shù)據(jù)的剔除。

3.3 BP神經(jīng)網(wǎng)絡的結構選擇

理論證明，3層前向式神經(jīng)網(wǎng)絡能夠以任意精度實現(xiàn)任意函數(shù)，所以，本模型中采用3層前向網(wǎng)絡。同時，當有N個影響時， 3層BP神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)為N個，隱含層節(jié)點數(shù)一般為2N ～ 4N，最佳取值可根據(jù)實際問題試湊得，輸出層為1個節(jié)點， 因此可以取其平均結構為N - 3N - 1型， 輸入層激發(fā)函數(shù)為線性函數(shù)， 中間層和輸出層的激發(fā)函數(shù)為S型函數(shù)。

3.4 BP神經(jīng)網(wǎng)絡模型建立

對于實際的燃料供應模型，數(shù)據(jù)的選擇要有針對性，結構要合適，這在預測過程中是重中之重。為便于模型選擇、結果對比，可同時采用幾種不同的數(shù)學模型進行預測。在完成對恰當?shù)念A測模型的選擇后，利用提取自歷史資料的訓練數(shù)據(jù)對建立好的預測數(shù)學模型進行參數(shù)訓練。當模型的參數(shù)訓練好以后，即可利用此模型進行預測。

具體操作步驟如下：

（1）對訓練樣本與預測樣本進行歸一化預處理，公式表示如式（1）。

（1）

其中表示經(jīng)過歸一化后的值，表示實際值，，分別是訓練集中數(shù)據(jù)的最大值和最小值，k表示輸入向量的維數(shù)，i表示有作用因素的個數(shù)。

（2）對預測的數(shù)據(jù)樣本進行提取，并分別列出訓練與測試的樣本集合。

（3）對BP神經(jīng)網(wǎng)絡的輸入層、隱含層、輸出層的節(jié)點進行定義，對網(wǎng)絡的權重、閾值進行初始賦值。

（4）利用訓練樣本對BP神經(jīng)網(wǎng)絡進行訓練，建立符合實際問題的模型。

（5）利用事先預備的測試樣本對訓練好的網(wǎng)絡進行測試，若效果不佳，則重新訓練，若效果好則繼續(xù)下一步。

（6）利用預測樣本及訓練好的模型進行預測。

具體流程圖如圖5所示：

圖5 模型建立流程圖

4 基于BP神經(jīng)網(wǎng)絡模型的發(fā)電燃料供應預測

（1）樣本數(shù)據(jù)的選擇

以各類影響耗煤的因素作為輸入 。

（2）進行歸一化處理

避免量綱對模型的影響。同時，降低數(shù)據(jù)的數(shù)量級，可以提高BP網(wǎng)絡的訓練的速度，避免飽和。

（3）確定BP神經(jīng)網(wǎng)絡的結構

3層BP神經(jīng)網(wǎng)絡的輸入層節(jié)點為1個（可根據(jù)實際情況調整），對應于輸入樣本，隱含層節(jié)點為15，輸出層節(jié)點為1，對應于輸出樣本。網(wǎng)絡初始連接權及神經(jīng)元初始閾值采用隨機賦值方式。神經(jīng)元的激發(fā)函數(shù)為S函數(shù)，最大迭代次數(shù)為400，學習步長為0.001，學習誤差為0.00001。

（4）利用訓練樣本進行網(wǎng)絡的訓練

（5）利用測試樣本進行模型的測試

人為選定5%相對誤差為模型訓練好壞的判別標準。若測試樣本的測試結果的相對誤差在5%以內，則進行下一步，否則重新訓練。

（6）利用預測樣本和已訓練好的模型進行預測

南方電網(wǎng)全網(wǎng)發(fā)電燃料供應量預測結果值與實際值的對比如圖6所示：

圖6 南網(wǎng)全網(wǎng)發(fā)電燃料供應預測值與實際值對比圖

5 結論

隨著廠網(wǎng)分離的實施，電網(wǎng)公司和電力調度機構對發(fā)電燃料供應的掌握嚴重不足，已經(jīng)不能滿足電力供應工作的要求，尤其是在來水偏枯、電力供應緊張的時期，發(fā)電燃料供應的預測對緩解電力供需矛盾、有序做好發(fā)用電管理起著舉足輕重的作用，因此，迫切需要開展發(fā)電燃料供應影響因素及預測方法的研究工作。

本文在收集、掌握發(fā)電燃料供應來源、價格、運輸?shù)惹闆r的基礎上，基于BP神經(jīng)網(wǎng)絡研究建立發(fā)電燃料供應量的預測模型和預測方法。通過MATLAB仿真預測，對預測結果值和實際值進行了對標分析，證明該預測方法預測較準確，并具有靈活的適應性。本文的研究有利于提升發(fā)電燃料的管理水平和掌控力度，為合理有序做好電力供應工作提供有力支持。

參考文獻：

[1]孫長青.基于OSGI的發(fā)電集團燃料管控系統(tǒng)設計與實現(xiàn)[D].導師：陳有青.中山大學，2011.

[2]史新梅，裴珍.遼寧火電廠燃料管理信息系統(tǒng)的開發(fā)與研制[J].安徽工業(yè)大學學報，2001，（04）：359-362+366.

[3]付民慶.基于J2EE架構燃料管理信息系統(tǒng)的研究與實現(xiàn)[D].導師：申曉留.華北電力大學（北京），2008.

[4]魏學軍.DF電廠燃料管理信息系統(tǒng)的研究與應用[D].導師：胡立德；戴鶴.重慶大學，2008.

[5]孫文君.發(fā)電企業(yè)燃料自動監(jiān)管系統(tǒng)設計及應用[D].導師：張慶超；關萬祥.天津大學，2010.

第3篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

關鍵詞:人工神經(jīng)網(wǎng)絡;專家系統(tǒng);模糊聚類;模糊神經(jīng)網(wǎng)絡;粗糙集

中圖分類號:TP183文獻標識碼:A文章編號:1009-3044(2009)13-3472-02

1 引言

所謂醫(yī)療診斷,就是收集癥狀,然后依據(jù)一定的規(guī)則找出發(fā)病的原因。目前,關于中醫(yī)診斷系統(tǒng)的研究較少,主要由中醫(yī)理論的獨特性決定的。中醫(yī)理論有模糊性、不確定、無量化等許多特點。中醫(yī)運用望、聞、問、切四種診斷方法,收集病人的客觀情況,根據(jù)他們的內在聯(lián)系,以八綱為總綱,氣血津液辨證和臟腑辨證為基礎,進行綜合、分析、歸納,尋找病證的根源和病變的本質,判斷為某種性質的證候。在收集癥狀階段,中醫(yī)沒有量化標準,從而不同的人得出的結論會不同,在辨證階段,不同的人使用不同的辨證方法,如,五臟辨證,六津辨證,而得出的結論基本相同。我們在討論于中醫(yī)診斷系統(tǒng)的時候,不能忽視這些特點。

2 人工神經(jīng)網(wǎng)絡

診斷就是找出癥狀和病因之間的聯(lián)系或映射,由于中醫(yī)辨證施治理論的特殊性和復雜性,不同的人對同一癥狀的辨證會有所不同,但得出的病因結論則基本相同,所以,重點是如何找出癥狀和病因之間的聯(lián)系。特別對于疑難雜癥,并不是所有的醫(yī)療工作者都能正確診斷,而類似的病歷卻并不缺乏。從另一種角度看,醫(yī)療診斷可以看作是一類分類問題,也可看作是一類模式識別問題?；谶@些特點,ANN是實現(xiàn)中醫(yī)診斷系統(tǒng)的一個好選擇。學習和訓練是幾乎所有ANN的基礎。學習包括網(wǎng)絡對權重進行系統(tǒng)的改變,改進網(wǎng)絡的操作和響應,使之能達到可以接受的標準。網(wǎng)絡通過學習過程來不斷調整相互連接的層之間的權重,并且從尋找在輸入和輸出層之間的線性關系著手。權重值然后被分配給連接輸入和輸出層間的神經(jīng)元。一旦這種關系確定,神經(jīng)元就被分配給隱層,以便能找到非線性關系。訓練的目的是尋找能產生最小偏差的權重。在訓練過程中,平均平方根偏差值是網(wǎng)絡根據(jù)預測的輸出值〔Y (t) 〕與實際需要的輸出值A (t) 之間的差值來估算的。即有偏差(E) 在時間t 內可表示為:

E(t)=0.15S[Y(t)-A(t)]2

學習算法不斷改變與每個處理單元(PE) 有關的權重(W),以保證網(wǎng)絡系統(tǒng)在目標輸出和網(wǎng)絡實際輸出之間的誤差達到最小。這種反向傳播算法是訓練多層感知網(wǎng)絡(MLP) 最直觀的方法。

1) ANN由許多具有非線性映射能力的神經(jīng)元組成,神經(jīng)元之間通過權系數(shù)相連接。這種大規(guī)模并行結構具有很高的計算速度,完全不同于傳統(tǒng)機。2) 人工神經(jīng)網(wǎng)絡的信息分布存儲于連續(xù)權系數(shù)中,使網(wǎng)絡具有很高的容錯性,減少了識別中往往存在噪聲干擾或輸入模式部分損失的影響。3) ANN可以看作是將知識庫存儲于各層結點連接權值之中的特殊ES,從而,這個ES根據(jù)知識庫得出結論的過程相對于用戶而言表現(xiàn)為一個黑盒,而這個黑盒中的內容正是我們不感興趣的部分。4) ANN是自適應、自組織、自學習的因為中醫(yī)辨證理論的復雜性,我們建立推理規(guī)則機制比較困難,ANN的這一特性正好彌補了這方面的缺陷。基于以上特點,ANN能夠很好地實現(xiàn)中醫(yī)診斷系統(tǒng)。

利用ANN設計中醫(yī)診斷系統(tǒng),存在著一些缺憾,即,ANN的求解過程對用戶是透明的,ANN無法對自己給出的結論加以合理的解釋,使得用戶無法信服,而醫(yī)療診斷中,用戶的信心是很重要的,如果把ANN看作是一個特殊的專家系統(tǒng)的話,ANN將知識表現(xiàn)為結點之間的連接權值,與專家系統(tǒng)不同,用戶無法從ANN的使用中進行學習,也無法對ANN的知識庫進行更新和維護,此外,如果把若干癥狀指標作為輸入的話,一旦輸入的選取不當,則對ANN的性能有很大影響,而輸入的選取在中醫(yī)科學里缺乏有效的理論指導。

3 專家系統(tǒng)

一個完整的ES由圖1所示的6個部分組成。

知識庫是領域知識的存儲器。數(shù)據(jù)庫用來存儲領域內的初始數(shù)據(jù)和推理過程中得到的各種信息。推理機是用來控制、協(xié)調整個系統(tǒng)的。人機接口是專家系統(tǒng)與人的交互部分,負責整個系統(tǒng)的I/O工作。解釋部分對推理給出必要的解釋。知識獲取部分為修改、擴充知識庫中的知識提供手段。一般而言,它應該具備刪除知識庫中無用知識和添加新知識入庫的能力。

人們對于專家系統(tǒng)應用于醫(yī)療診斷的研究由來以久,從20世紀70年代開始,人們著手進行“醫(yī)療診斷專家系統(tǒng)”的研究工作,美國Stanford大學最先于1974 年開發(fā)出了性能較高、功能較全的MYCIN系統(tǒng),用于幫助內科醫(yī)生診治感染性疾病。在這之后將近三十年的時間內,國內外都投入了巨大的力量進行研究與開發(fā),有了一定的進展,但真正能為醫(yī)生所接受并投入實際臨床使用的為數(shù)極少。能夠診斷疾病的專家系統(tǒng)可以幫助醫(yī)生解決復雜的醫(yī)學問題,可以作為醫(yī)生診斷的輔助工具,可以繼承和發(fā)揚醫(yī)學專家的寶貴理論以及豐富的臨床經(jīng)驗,特別是對那些年輕無經(jīng)驗的醫(yī)生,能夠幫助他們提高診斷技能,為患者提供最佳的診斷方案。

當然,專家系統(tǒng)應用于醫(yī)療診斷也存在一些缺陷:1) 當知識庫中的規(guī)則太多時,每一規(guī)則的前件又包含很多前提,需對規(guī)則的各前提一一匹配,以致在規(guī)則庫中尋找可用規(guī)則的開銷很大,從而造成推理的低效、容錯性差、抗干擾性差等諸多缺陷;2) 自學習能力很弱,對知識庫知識的修改、補充必須借助知識工程師的規(guī)則干預才能進行,沒有機器的自學習機制。

由Sycara 提出的案例推理是目前自動推理研究的焦點之一,主要思路是從案例庫中提取隱含的“指導思想”,用量化方式表示,形成知識庫。

用神經(jīng)網(wǎng)絡實現(xiàn)專家系統(tǒng),也已經(jīng)成為人工智能界的一個研究熱點,盡管這種系統(tǒng)的功能還很有限,如只適于解決規(guī)模較小的問題、性能受訓練數(shù)據(jù)集的限制以及無法解釋推理過程和依據(jù)等。選擇它作為建立專家系統(tǒng)的工具是因為:1) 神經(jīng)網(wǎng)絡實現(xiàn)了并行處理的機制,可以提供高速處理的能力;2) 具有聯(lián)想記憶與聯(lián)想映射能力,可以增強專家系統(tǒng)的容錯能力;3) 可存儲大量的專家知識,且能根據(jù)學習算法,不斷地自動學習,完善知識的存儲;4) 是一類大規(guī)模的非線性系統(tǒng),提供了系統(tǒng)自組織和協(xié)同的潛力。目前對神經(jīng)網(wǎng)絡已開展了大量的研究,自組織映射AOM 網(wǎng)、Hopfield 網(wǎng)的聯(lián)想記憶能力、ART 網(wǎng)絡的自動聚類、BP 網(wǎng)絡的分類等在實際應用中已屢見不鮮。

中醫(yī)辨證施治理論的特殊性,即理論還不完善、不統(tǒng)一、模糊性等特點使得建立起中醫(yī)ES系統(tǒng)的推理機制非常困難,通常情況下,只能對于那些診斷機理已經(jīng)非常確定的疾病建立起專家系統(tǒng),另外,中醫(yī)ES的知識庫、數(shù)據(jù)庫建立也比較復雜,這是由于中醫(yī)診斷中用的初始數(shù)據(jù)具有離散性、無量化、無結構、模糊性,也正式由于中醫(yī)的這些特點,專家系統(tǒng)并不是中醫(yī)診斷系統(tǒng)實現(xiàn)的最佳途徑,事實上,關于這方面的努力一直鮮有成效。

4 模糊聚類

聚類就是按照一定的規(guī)則來對事物進行區(qū)分和分類的過程,在之中沒有任何關于分類的先驗知識的指導,僅據(jù)事物屬性的相似性作為類別劃分的依據(jù)。聚類分析就是用數(shù)學的方法研究和處理給定對象的分類分析應用很廣泛,歸結出來可以大致分為4種:譜系聚類法、基于等價關系的聚類方法、圖論聚類法和基于目標函數(shù)的聚類方法等。基于目標函數(shù)的聚類算法是把聚類歸為一個帶約束的非線性規(guī)劃問題,通過優(yōu)化求解而獲得數(shù)據(jù)集的模糊劃分和聚類, 其中模糊c 均值FCM類型算法理論發(fā)展最為成熟,應用最廣泛。模糊c 均值算法最早是從硬聚類目標函數(shù)的優(yōu)化中導出的。這種方法提供了一種如何將多維空間分布的數(shù)據(jù)點分組成特定數(shù)目的途徑。

5 粗糙集

粗糙集(Rough Set)理論作為一種處理不精確、不確定與不完全數(shù)據(jù)的新的數(shù)學理論最初是由波蘭數(shù)學家Z.Pawlak年提出的,粗糙理論是建立在分類機制的基礎上的,它將分類理解為在特定空間上的等價關系。而等價關系就構成了對該空間的劃分,粗糙集理論的主要思想是利用已知的知識庫將不精確或不確定的知識用已知的知識庫中的知識來近似刻畫,它無需提供問題所需處理的數(shù)據(jù)集合之外的任何先驗知識或附加信息,不需要預先給予主觀評價,所以它對問題的不確定性描述或處理是比較客觀的。

采用粗糙集理論對醫(yī)療信息系統(tǒng)進行信息融合的一般步驟如下:

1) 編碼:將醫(yī)療信息系統(tǒng)中的信息依據(jù)某種準則進行數(shù)值化處理;

2) 列表:將編碼后的信息組成決策表的形式;

3) 屬性集約簡:利用屬性集約簡的概念對決策表進行化簡處理;

4) 屬性值約簡:利用屬性值約簡的概念對決策表進行化簡處理;

5) 規(guī)則生成:根據(jù)化簡后的決策表生成規(guī)則。

6 人工神經(jīng)網(wǎng)絡與專家系統(tǒng)的集成

雖然神經(jīng)網(wǎng)絡專家系統(tǒng)比傳統(tǒng)專家系統(tǒng)有許多優(yōu)越之處,但同時傳統(tǒng)專家系統(tǒng)的某些優(yōu)點如符號信息處理卻變成了它的不足之處。從思維的觀點看,專家系統(tǒng)的知識處理模擬的是人的邏輯思維,神經(jīng)網(wǎng)絡的知識處理模擬的是經(jīng)驗思維,它們處理問題的方法不一樣,其特點不一樣也是必然的。只有將二者結合起來研究,取長補短,才能形成一個新型的高智能的系統(tǒng),它既有專家系統(tǒng)的知識與人機交互,又有人工神經(jīng)網(wǎng)絡的并行分布式處理、非線性、模糊推理和自動知識獲取,這是智能發(fā)展的必由之路。ANN 和ES 的結合一般通過以下幾種途徑來完成:

1) 將ANN 作為ES 的一個子系統(tǒng)來處理。可以將ANN 理解為知識表達的一類模型,即用ANN 表達那些與形象思維有關的知識,用其它的知識表達方法表達與邏輯思維有關的知識。為了將ANN 與其它的知識表達方法統(tǒng)一為一個整體,可以把ANN 塊作為知識表達之間的橋梁。其具體形式為:

O= f(W1f(W2f(W3I)))

其中O為一個NN 塊,W1、W2、W3分別為輸入層、隱層、輸出層的連接矩陣,I為輸入模式。ANN塊被引入后,在ANN上的推理與使用基于規(guī)則的知識進行推理在形式上已沒有什么區(qū)別。如將ANN塊作為語義網(wǎng)絡的一個節(jié)點,就不難將語義變?yōu)橐粭l規(guī)則。對于解釋來說,ANN 塊僅作為語義網(wǎng)中的一個節(jié)點,對于語義網(wǎng)的推理解釋,采用專家系統(tǒng)的方法,ANN塊的解釋可以基于實例來處理。這種結合方式大大提高了知識表達的能力,但總體上仍是一個專家系統(tǒng),自然避免不了專家系統(tǒng)的弱點。

2) 把ANN 和ES 各自看作一個系統(tǒng)。即一個子系統(tǒng)采用ANN ,另一個子系統(tǒng)采用ES,兩個系統(tǒng)保持分離,將已有專家系統(tǒng)的局部工作由神經(jīng)網(wǎng)絡來實現(xiàn),彼此僅通過數(shù)據(jù)交換產生相互作用,這一子系統(tǒng)的輸入便是另一子系統(tǒng)的輸出,彼此都不知到對方的工作情況。例如,將對專家系統(tǒng)來說比較難的知識獲取部分用ANN 來實現(xiàn),其它部分如解釋系統(tǒng)推理機制仍保留專家系統(tǒng)的結構。在ANN 與ES 的接口處,采用管道結構。在中醫(yī)診斷系統(tǒng)中,可針對不同的病癥特征,分別采用ANN或ES來實現(xiàn),然而這樣一來,ES和ANN的耦合就比較低了,彼此可以看成是毫無關系的2個系統(tǒng)。

3) ANN 與ES 全面融合形成綜合智能系統(tǒng)。上述兩種方式只是ANN 與ES 的簡單相加,混合系統(tǒng)的能力雖然比單個系統(tǒng)有了很大改進,但它的能力也只是兩個系統(tǒng)的簡單和。要設計更高智能的系統(tǒng),就要使系統(tǒng)能夠利用“全信息”?！叭畔ⅰ卑ㄕZ法信息、語義信息和語用信息。不管是ANN 或ES 還是ANN 與ES的松散耦合,都不具有利用全信息的功能,而人類的智能是建筑在人對于全信息的理解、獲取、傳遞、處理和再生利用的能力上,因此,要模擬人的高層次智能,就要發(fā)展能夠處理和利用全信息的綜智能系統(tǒng)。它要有一個巨大的全信息知識庫以及有效地利用全信息的機制,其結構示意圖如圖2所示。輸入處理單元執(zhí)行“任務識別與分配”的功能(可以用神經(jīng)網(wǎng)絡分類器實現(xiàn)) ,它將輸入的問題進行分類,如果屬于經(jīng)驗思維處理的類型,就送到神經(jīng)網(wǎng)絡陣列,有某個適當?shù)腁NN 系統(tǒng)執(zhí)行相應的處理,如果問題屬于邏輯思維處理的類型,就送到全信息處理系統(tǒng)處理,可以在神經(jīng)網(wǎng)絡陣列和全信息處理系統(tǒng)之間作多重多次的交互處理。

7 總結

上面簡單地介紹了幾種智能計算方案,并分析了其在中醫(yī)診斷系統(tǒng)的實現(xiàn)中的應用價值,除次之外,很多其他方案也是目前的熱點,如模糊神經(jīng)網(wǎng)絡等。目前,國內有很多機構在進行中醫(yī)診斷系統(tǒng)方面的研究,如脈象診斷,舌苔診斷,面色診斷等,均取得了很大的進展。

參考文獻:

[1] 粟然.專家系統(tǒng)與人工神經(jīng)網(wǎng)絡的發(fā)展與結合[J].華北電力大學學報,1998,25(2):37-40.

[2] 王炳和.基于人工神經(jīng)網(wǎng)絡的人體脈象識別研究[J].西北工業(yè)大學學報,2002,20(3):455-456

[3] 孫佰清.人工神經(jīng)網(wǎng)絡在醫(yī)療智能系統(tǒng)中的應用[J].哈爾濱商業(yè)大學學報:自然科學版,2002,18(4):394-395.

[4] 鄭鵬.模糊聚合算子在醫(yī)療診斷中的應用[J].計算機工程與應用,2001(24):170-171.

[5] 李翱翔.BP神經(jīng)網(wǎng)絡參數(shù)改進方法綜述[J].電子科技,2007,29(2):79-80.

[6] 邵虹.醫(yī)療診斷專家系統(tǒng)研究進展[J].小型微型計算機系統(tǒng),2003,24(3):509-511.

[7] 方宏斌,模糊聚類及其實際應用[J].廣東通訊技術,2008,5(1):50-51.

第4篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

【關鍵詞】人工智能 圖像識別 深度學習

1 概述

圖像識別技術是人工智能研究的一個重要分支，其是以圖像為基礎，利用計算機對圖像進行處理、分析和理解，以識別不同模式的對象的技術。目前圖像識別技術的應用十分廣泛，在安全領域，有人臉識別，指紋識別等；在軍事領域，有地形勘察，飛行物識別等；在交通領域，有交通標志識別、車牌號識別等。圖像識別技術的研究是更高級的圖像理解、機器人、無人駕駛等技術的重要基礎。

傳統(tǒng)圖像識別技術主要由圖像處理、特征提取、分類器設計等步驟構成。通過專家設計、提取出圖像特征，對圖像M行識別、分類。近年來深度學習的發(fā)展，大大提高了圖像識別的準確率。深度學習從大量數(shù)據(jù)中學習知識（特征），自動完成特征提取與分類任務。但是目前的深度學習技術過于依賴大數(shù)據(jù)，只有在擁有大量標記訓練樣本的情況下才能夠取得較好的識別效果。本文認為研究如何在標記數(shù)據(jù)有限的情況下繼續(xù)利用深度學習完成物體識別任務具有重要意義。這也是未來人工智能研究的重要方向之一。

2 傳統(tǒng)圖像識別技術

傳統(tǒng)的圖像識別技術包括：圖像獲取、預處理、特征提取、分類。在圖像輸入后，需要先對圖像進行預處理。一幅標準灰度圖像，如果每個像素的像素值用一個字節(jié)表示，灰度值級數(shù)就等于256級，每個像素可以是0～255之間的任何一個整數(shù)值。一幅沒有經(jīng)過壓縮處理的640×480分辨率的灰度圖像就需要占據(jù)300KB的存儲空間。通常我們需要將圖片的亮度及對比度調整合適，才能使圖片更加清晰、便于觀察。

許多采集到的圖片帶有或多或少的噪聲，需要對圖片的噪聲進行消除。對圖片噪聲的消除可以使用不同的去噪方法，如中值濾波、算數(shù)平均濾波、平滑線性濾波和高斯濾波等。不同濾波器分別適用于不同情況的噪聲。如椒鹽噪聲便適合使用中值濾波器，高斯噪聲便適合使用平滑線性濾波和高斯濾波。有時候，我們需要對圖像細化處理（如指紋細化，字符細化等），以便獲取主要信息，減少無關信息。細化操作，可以得到由單像素點組成的圖像輪廓，便于后續(xù)特征提取操作。

基本的圖像特征提取包括邊緣、角點等提取。一般使用不同的特征提取算子結合相應的閾值得到這些關鍵點。另一類在頻域中進行特征提取的方法主要是通過傅里葉變換，將圖像基于頻率分為不同的部分，從而可以在頻譜中反映出原始圖像的灰度級變化，便可得到圖像的輪廓、邊緣。

在完成圖像的預處理和特征提取之后，我們便能夠對圖像進行識別、分類。常用的分類器有K-近鄰（KNN），支持向量機（SVM），人工神經(jīng)網(wǎng)絡（ANN）等等。K-近鄰算法原理是，當一個樣本的k個最相鄰的樣本中大部分屬于某一類別時，該樣本也應當屬于同一類別。支持向量機是通過尋找支持向量，在特征空間確定最優(yōu)分類超平面，將兩類樣本分開。人工神經(jīng)網(wǎng)絡模仿生物大腦中的神經(jīng)網(wǎng)絡結構，通過誤差反向傳播不斷優(yōu)化參數(shù)，從而得到較好的分類效果。

3 基于深度學習的圖像識別技術

一般認為深度學習技術是由Hinton及其學生于2006年提出的，其屬于人工神經(jīng)網(wǎng)絡分支。深度神經(jīng)網(wǎng)絡模仿人腦的神經(jīng)機制來分析樣本，并盡可能地對樣本的特征進行更深度的學習。以圖片為例，利用深度學習技術對樣本的特征進行學習時，由低層特征到高層特征越來越抽象，越來越能表達語義概念。當樣本輸入后，首先對圖像進行卷積與下采樣操作，卷積和下采樣操作是為了進行特征提取和選擇。以原始像素作為輸入，深度學習技術可以自動學習得到較好的特征提取器（卷積參數(shù)）。深度學習的訓練過程，首先將當前層的輸出作為下一層的輸入，進行逐層分析，使得每一層的輸入與輸出差別盡可能小。其后，再聯(lián)合優(yōu)化，即同時優(yōu)化所有層，目標是分類誤差最小化。

傳統(tǒng)的深度神經(jīng)網(wǎng)絡往往網(wǎng)絡中的節(jié)點數(shù)太過龐大，難以訓練。人們構造出卷積神經(jīng)網(wǎng)絡，以權值共享的方式減少了節(jié)點數(shù)量，從而能夠加深學習的深度，使系統(tǒng)能學習到更抽象、更深層的特征，從而提高識別正確率。目前較成功的深度學習網(wǎng)絡結構有AlexNet、GoogLeNet、ResNet等。

與傳統(tǒng)識別技術相比，深度學習技術具有以下優(yōu)勢：

（1）無需人工設計特征，系統(tǒng)可以自行學習歸納出特征。

（2）識別準確度高，深度學習在圖像識別方面的錯誤率已經(jīng)低于人類平均水平，在可預見的將來，計算機將大量代替人力進行與圖像識別技術有關的活動。

（3）使用簡單，易于工業(yè)化，深度學習由于不需要領域的專家知識，能夠快速實現(xiàn)并商業(yè)化，國內較知名的深度學習創(chuàng)業(yè)公司有專注人臉識別的Face++、研究無人車的馭勢科技等。

4 存在問題與未來展望

雖然深度學習具備諸多優(yōu)點，但目前來看深度學習仍有許多不足之處。首先，由于深度學習模型為非凸函數(shù)，對其的理論研究十分困難，缺乏理論保證。在對數(shù)據(jù)進行調整時，仍是簡單的“試錯”，缺少理論支撐。

同時，由于深度學習過于依賴數(shù)據(jù)量和計算資源。對一個新概念的學習，往往需要數(shù)百個甚至更多有標記的樣本。當遇到有標記的樣本難以獲取或者代價太大時，深度學習就無法取得好的學習效果。并且深度學習需要十分昂貴的高性能GPU，這使得深度學習難以平民化。目前深度學習訓練速度較慢，往往需要幾天甚至一個月。其模型擴展性差，缺少“舉一反三”的能力，樣本稍加變化，系統(tǒng)性能便會迅速下降。目前的深度學習屬于靜態(tài)過程，與環(huán)境缺乏交互。

對其的解決方案目前主要有兩點：

（1）針對于模型擴展性差的問題，通過引入遷移學習，研究不同任務或數(shù)據(jù)之間的知識遷移，提高模型的擴展能力、學習速度，同時降低學習成本，便于冷啟動。

（2）與強化學習結合，研究在動態(tài)環(huán)境下進行深度學習，提高深度學習與環(huán)境交互的能力。

參考文獻

[1]蔣樹強，閔巍慶，王樹徽.面向智能交互的圖像識別技術綜述與展望[J].計算機研究與發(fā)展，2016：113-122.

[2]張翠平，蘇光大.人臉識別技術綜述[J].中國圖象圖形學報，2000：885-894.

[3]梅園，趙波，朱之丹.基于直線曲線混合Gabor濾波器的指紋增強算法[J].計算機科學，2016.

[4]孫志軍，薛磊，許陽明，王正.深度學習研究綜述[J].計算機應用研究，2012：2806-2810.

[5]莊福振，羅平，何清，史忠植.遷移學習研究進展[J].軟件學報，2015：26-39.

[6]高陽，陳世福，陸鑫.強化學習研究綜述[J].自動化學報，2004：86-100.

第5篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

關鍵詞 粗糙集 模糊集 神經(jīng)網(wǎng)絡

中圖分類號：O24 文獻標識碼：A

0 引言

隨著大規(guī)模數(shù)據(jù)庫的廣泛使用和因特網(wǎng)的迅猛發(fā)展，龐大的信息量已滲透到社會生活和生產的各個領域。由于人的參與以及自然語言中存在的模糊性和歧義性使得數(shù)據(jù)與信息不夠準確，甚至不完整。如何處理這些模糊的、不確定的、不完整的大量信息，從中獲取潛在的、正確的、有利用價值的知識？

粗糙集（Rough Set）理論是一種刻畫不完整性和不確定性的數(shù)學工具，能有效分析和處理不精確、不一致和不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律。 它對人工智能和認知科學非常重要，且為數(shù)據(jù)挖掘、機器學習、決策分析和支持系統(tǒng)、模式識別、粒度計算、近似推理等領域的信息處理提供了很有效的理論框架。

1 粗糙集理論基礎

1.1 與知識相關的定義

定義1 知識庫：假設R是在論域U基礎上的一個等價關系，那么，U/R則表示為該論域U上R的等價類構成的集合，所以，一個關系系統(tǒng)K = （U，R）就是一個知識庫。并且，一個知識庫對應著一個劃分。通常情況下，我們用等價關系來代替分類，因此，知識庫代表了對論域U的一種分類能力。

定義2 不可分辨關系：如果PH誖且P≠Q，那么∩P（P中全部等價關系的交集）也是一種等價關系，稱其為P上的不可分辨關系，記為（P），此時U/（P），表示成ind（P）上的等價關系簇P的等價類構成的集合，即與P相關的知識。

1.2 上、下近似集、正域、負域、邊界域

定義3 上近似集、下近似集：給定知識庫K = （U，S），S表示論域U上的等價關系簇，則HOXH誙和論域U上的一個等價關系R∈IND（K），定義子集X關于知識R的上近似集和下近似集分別為：

上近似：（X） = {∈U：[]R∩X≠HT}

下近似：（X） = {∈U：[]RH誜}

定義4 正域、負域和邊界域：（X） = （X）稱為X的R正域。表示論域U中R的某個或某些劃分完全屬于X。（X） = U（X）稱為X的R負域，表示根據(jù)知識R，肯定不屬于集合X的U中元素組成的集合。上近似和下近似的差（X） = （X）（X）稱為X的R邊界域，表示根據(jù)知識R，不能肯定屬于集合X也不能肯定屬于集合一X的U中元素組成的集合。由此可知，集合的不確定性是由邊界域引起的。

1.3 信息系統(tǒng)

定義5 信息系統(tǒng)：四元組IS = （U，C，V， ）是一個信息系統(tǒng)，其中U = {，，…}，為對象的非空有限集合，即論域； = {∣∈C}為屬性的非空有限集合，每個∈C（1≤≤）稱為C的一個簡單屬性；V = ∪表示信息函數(shù) 的值域，為屬性的值域； = {∣：U}表示IS的信息函數(shù)，為屬性的信息函數(shù)。

當HO∈C，HO∈U，（）沒有缺省值時，我們稱信息系統(tǒng)是完備的，否則是不完備的。如果在知識系統(tǒng)KRS中，令A = C∪D（C∩D = HT），其中C稱為條件屬性集，D稱為決策屬性集。若D = HT，則知識表達系統(tǒng)就是一個信息系統(tǒng)（信息表）；若D ≠ HT，則稱知識表達系統(tǒng)是一個決策表。

2 粗糙集理論的背景及應用

粗糙集理論是波蘭科學家Z· Pawlak于1982年提出的一種關于數(shù)據(jù)分析和推理的理論。1991年Z·Pawlak出版了第一本關于粗糙集的專著《Rough set：theoretical aspects of reasoning about data》，成為粗糙集理論研究的第一個里程碑。1993年在加拿大召開第二屆國際粗糙集理論與知識發(fā)現(xiàn)研討會，由于當時正值數(shù)據(jù)庫知識發(fā)現(xiàn)（KDD）成為研究的熱門話題，一些著名KDD學者參加了這次會議，介紹了許多應用擴展粗糙集理論的知識發(fā)現(xiàn)方法與系統(tǒng)。我國對粗糙集理論的研究起步較晚，始于20世紀90年代初期。王玨等人在將粗糙集理論引入作出了重要貢獻。2001年5月在重慶舉行了第一屆中國粗糙集理論與軟計算學術研討會（CRSSC）。

粗糙集理論與模式識別、機器學習、數(shù)據(jù)庫等理論相結合，開發(fā)了多個原型系統(tǒng)，其中有代表性的有Rosetta系統(tǒng)、KDD-R系統(tǒng)、LERS系統(tǒng)等。粗糙集應用在許多方面。

2.1 連續(xù)屬性的離散化

一般來說，數(shù)據(jù)庫中的屬性可以分為兩種類型：一種是連續(xù)（也稱定量）屬性，表示對象的某些可測性質，其取值自某個連續(xù)區(qū)間，如溫度等；另一種是離散（定性）屬性，這種屬性值使用語言或少量離散值來表述，如性別等。在大多數(shù)情況下，同一個數(shù)據(jù)庫中既包含連續(xù)屬性，也包含離散屬性。粗糙集理論為處理離散屬性提供了很有效的工具，但遺憾的是不能直接處理連續(xù)屬性。所以，連續(xù)屬性的離散化是制約粗糙集理論實用化的難點之一。目前已有一些離散化方法：Slowinski在研究一個醫(yī)療診斷決策表的粗糙分類時，利用粗糙集理論將這類數(shù)據(jù)轉換成定性詞或詞匯表示的屬性值，如低、中、高等，在醫(yī)療診斷實踐中，這種轉換一般是根據(jù)專家的經(jīng)驗標準來完成的，像這樣利用領域知識進行連續(xù)屬性離散化的方法稱之為S方法。

2.2 不完備信息處理

由于一些原因，如對數(shù)據(jù)測量的誤差、數(shù)據(jù)處理和數(shù)據(jù)獲取的限制等，造成數(shù)據(jù)丟失，而經(jīng)典粗糙集理論只能處理完備的信息系統(tǒng)。為了利用粗糙集理論處理不完備數(shù)據(jù)，很多學者提出了各自不同的方法，基本上都是基于對等價關系的泛化來解決的。如相似關系、容差關系、限制容差關系等。粗糙集理論在不完備信息系統(tǒng)中的應用增大了其實用性。

2.3 粗糙集與模糊集

粗糙集和模糊集在處理不確定性和不精確性問題方面都推廣了經(jīng)典集合論，都能處理不完備數(shù)據(jù)，但方法不同，粗糙集強調數(shù)據(jù)的不可辨別、不精確和模棱兩可，模糊集則注重描述信息的含糊程度。雖然有一定的相容性和相似性，但它們的側重面不同：粗糙集理論的計算方法是知識的表達和簡化，模糊集理論的計算方法主要是連續(xù)特征函數(shù)的產生；從集合的關系來看，粗糙集強調的是對象間的不可分辨性，而模糊集強調的是集合邊界的病態(tài)定義上的，即邊界的不分明性；從知識的“粒度”的描述上來看，粗糙集是通過一個集合關于某個可利用的知識庫的上下近似來描述的，而模糊集通過對象關于集合的隸屬程度來近似描述的；從研究的對象來看，粗糙集研究的是不同類中的對象組成的集合關系，重在分類，而模糊集研究的是屬于同一類的不同對象間的隸屬關系，重在隸屬程度。因此粗糙集和模糊集是兩種不同的理論，但它們又不是相互對立的，在處理不完備數(shù)據(jù)方面可以互為補充。目前已有的模糊粗糙集模型有Radzikowska模型、Morsi模型、Dubois模型、Greco模型、MI模型、Wu模型等。

2.4 粗糙集理論與神經(jīng)網(wǎng)絡

粗糙集和神經(jīng)網(wǎng)絡是數(shù)據(jù)挖掘中是常用的兩種技術，但它們在處理信息時存在兩方面的差別：一是人工神經(jīng)網(wǎng)絡處理信息時，一般不能將輸入信息空間的維數(shù)減少，所以輸入的信息空間維數(shù)較大，網(wǎng)絡不僅結構復雜，而且訓練時間很長，而粗糙集方法通過挖掘數(shù)據(jù)間的關系，不僅可以去掉冗余輸入信息，還可以簡化輸入信息的表達空間；二是在實際問題的處理中，粗糙集方法對噪聲較敏感，而人工神經(jīng)網(wǎng)絡方法有較好的抑制噪聲干擾的能力。用無噪聲的訓練樣本學習推理的結果去處理有噪聲環(huán)境中的信息，一般應用效果不佳。所以，將兩者結合起來，把粗糙集方法作為人工神經(jīng)網(wǎng)絡的前置系統(tǒng)，有以下優(yōu)點：

（1）通過粗糙集方法去掉冗余信息，使訓練集簡化，以便減少人工神經(jīng)網(wǎng)絡的訓練時間；

（2）通過粗糙集方法減少信息表達的屬性數(shù)量，減少構建人工神經(jīng)網(wǎng)絡系統(tǒng)的復雜性，同時也減少后繼流程中信息作為網(wǎng)絡輸入時的特征值計算時間；

（3）使用人工神經(jīng)網(wǎng)絡作為后置的信息識別系統(tǒng)，有較強的容錯及抗干擾能力；

（4）因為粗糙集理論在簡化知識的同時，很容易得出決策規(guī)則，所以也可以作為后續(xù)使用中的信息識別規(guī)則，將粗糙集方法得到的結果與人工神經(jīng)網(wǎng)絡方法得到的結果相比較，從而作進一步修正。

3 結束語

粗糙集理論是一種新穎、有效的軟計算方法。雖然該理論產生至今只有二十幾年的發(fā)展歷史，但在諸多領域獲得了廣泛的應用，并且取得了一定的研究成果。而且粗糙集理論及其應用研究還處在繼續(xù)發(fā)展中，相信會有越來越多的學者加入其中，共同促進該學科在更多的實際應用領域中發(fā)揮作用。

參考文獻

[1] 王國胤，姚一豫，于洪.粗糙集理論與應用研究綜述[J].計算機學報，2009，7（32）：1229-1246.

[2] 陳奇南，梁洪峻.模糊集和粗糙集[A].計算機工程，2002，8（28）：138-140.

[3] 黃正華，胡寶清.模糊粗糙集理論研究進展[A].模糊系統(tǒng)與數(shù)學，2005，4（19）：125-134.

[4] 胡可云，陸玉昌，石純一.粗糙集理論及其應用進展[A].清華大學學報（自然科學版），2001，1（41）：64-68.

第6篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

關鍵詞：羊絨羊毛纖維；貝葉斯分類器；BP神經(jīng)網(wǎng)絡；SVM支持向量機

中圖分類號：TS102.3 文獻標志碼：A

A Research of Classifiers for Testing Cashmere & Wool Fibers

Abstract： This paper mainly studies the classifiers for identifying the image features of wool and cashmere fibers. The image features， which are selected in the same way， are identified by using respectively Bayes classifier， BP neural network and SVM support vector machine. Then， by comparison we conclude that the SVM support vector machine is more suitable for testing of wool and cashmere fiber thanks to its higher recognition rate and speed.

Key words： cashmere and wool fibers； Bayes classifier； BP neural network； SVM support vector machine

羊絨纖維是制作高檔面料的重要原料，但其產量極少，僅占動物纖維總產量的很少一部分。由于羊絨的珍稀、高價、優(yōu)良品質及風格特征，生產商常采用山羊絨與其它纖維進行混紡加工；并且市場上也存在用混紡產品假冒純羊絨制品進行銷售的問題。故準確鑒別羊毛羊絨纖維十分必要。

圖像分析技術是紡織纖維形態(tài)研究的重要技術之一，使用圖像分析技術有助于提高羊絨羊毛檢測領域對于天然纖維的識別和分類的效率。本研究通過比較當今鑒別羊絨羊毛纖維時使用的不同分類器，來找到較適合的分類器。

1分類器介紹

1.1貝葉斯分類器

貝葉斯分類器依據(jù)研究對象的先驗概率，利用貝葉斯公式計算出研究對象的后驗概率，即是該對象屬于其中某一類的概率，選擇屬于最大的后驗概率的類為其所屬的類。因此，貝葉斯分類器是最大正確率意義上的優(yōu)化。

若已知有M類物體，以及每一類在n維特征空間的統(tǒng)計規(guī)律，即是各類別ωi（i=1，2，3，…，M）的先驗概率P（ωi）以及類條件概率密度P（X|ωi）。對于待測樣本，貝葉斯公式公式（1）可以計算出該樣本各類別的概率，即后驗概率，根據(jù)后驗概率的大小決定X屬于哪一類。

在羊絨羊毛纖維檢測中，統(tǒng)計數(shù)據(jù)服從正態(tài)分布，其相應的均值和方差可以由樣本均值以及樣本方差求出。

1.2BP神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是通過對人腦思維方式的模仿，以一定的學習準則，通過人工神經(jīng)元的網(wǎng)絡系統(tǒng)進行一定的記憶與學習，并通過不斷的學習，調整整個網(wǎng)絡的權值和閾值，達到減少錯誤的發(fā)生率的過程。

BP神經(jīng)網(wǎng)絡，即人工神經(jīng)網(wǎng)絡使用誤差逆?zhèn)鞑ニ惴ǎ˙P算法）的學習過程。該算法由信息的正向傳播和誤差的反向傳播兩個過程組成，其中正向傳播使用最速下降法進行傳播，誤差反向傳播則是利用輸出層的誤差來估計其直接前導層的誤差，即形成了將輸出端表現(xiàn)出的誤差沿著與輸入信號傳送的逆方向逐級向網(wǎng)絡的輸入端傳遞的過程。利用各層的誤差進行神經(jīng)網(wǎng)絡閾值和權值的選取，以達到神經(jīng)網(wǎng)絡誤差平方和最小的目的。

1.3SVM支持向量機

支持向量機是以VC維原理和結構風險最小化理論為基礎建立的機器學習方法，是一種監(jiān)督式的學習、分類方法。其優(yōu)勢表現(xiàn)在解決小樣本、非線性和高維模式識別問題上，并且解決了模式識別中經(jīng)常出現(xiàn)的“維數(shù)災難”和“過學習”等問題。SVM支持向量機的原理是通過不同的“核函數(shù)”將提取的纖維特征在低維進行計算然后將分類效果映射到高維，從而實現(xiàn)從低維向高維的轉化。這避免了在高維上的復雜計算，實現(xiàn)了計算的精簡，提高了分類學習的效率。

2羊絨羊毛纖維圖像特征提取

本文所用的羊絨羊毛纖維圖像為中國纖維檢驗局提供的遼寧蓋縣種羊場成年公羊羊絨纖維圖像樣本100張和國際羊毛局標準羊毛纖維圖像100張。通過圖像旋轉，灰度化，中值濾波，邊緣提取等預處理過程。使用中軸線法提取纖維鱗片直徑和纖維鱗片高度作為特征參數(shù)。

3仿真結果分析

3.1貝葉斯分類器

本次研究選取羊毛纖維特征及羊絨纖維特征各95個作為訓練學習對象，其余羊毛羊絨纖維特征作為檢測對象，重復進行100次，貝葉斯算法仿真結果（圖1）得到的平均識別結果為88.7%。

3.2BP神經(jīng)網(wǎng)絡

本次使用的BP神經(jīng)網(wǎng)絡是最常見的兩節(jié)點的BP神經(jīng)網(wǎng)絡。選取羊毛纖維特征及羊絨纖維特征各95個作為訓練學習對象，其余羊毛羊絨纖維特征作為檢測對象，仿真結果如圖2所示，得到平均識別率為84.8%，并且仿真時訓練時間過長，為138.242s。

3.3SVM支持向量機

本次以纖維鱗片直徑和纖維鱗片高度作為特征變量，利用交叉驗證，SVM支持向量機仿真結果如圖3所示。從圖3（a）可看出，通過使用SVM支持向量機，得到的識別率為92.7%；通過圖3（b）可以看到，分類效果相較于BP神經(jīng)網(wǎng)絡效果更好。

4結論

通過對不同仿真結果的分析可以得出：首先，BP神經(jīng)網(wǎng)絡針對小樣本的識別過程耗時過多，可能會出現(xiàn)過度訓練的情況，相比較而言，貝葉斯方法和SVM支持向量機識別過程耗時較少，更有效率；其次，針對識別率，BP神經(jīng)網(wǎng)絡為84.8%，貝葉斯方法為88.7%，SVM支持向量機為92.7%，識別率更高。因此，SVM支持向量機較貝葉斯方法以及BP神經(jīng)網(wǎng)絡更適宜作為羊絨羊毛纖維圖像特征識別的分類器。

參考文獻

[1] 衛(wèi)敏.羊絨的鑒別檢測方法分析[J].福建輕紡，2011（2）：33-37.

[2] 楊瀟，季益平，張毅.圖像識別在羊絨羊毛檢測中的應用研究[J].廣西紡織科技，2010，39（3）：13-16.

[3] 石先軍，于偉東，袁子厚.基于貝葉斯方法的山羊絨與細羊毛的鑒別[J].紡織學報，2008，29（1）：27-33.

[4] 劉彩紅.BP神經(jīng)網(wǎng)絡學習算法的研究[D].重慶：重慶師范大學，2008.

[5] 丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011（1）：2-10.

[6] 王柏華，胡志宇，葛順順，等.基于光鏡條件下綿羊毛與山羊絨的鑒別[J].毛紡科技，2011，39（4）：42-45.

[7] Rafael C. Gonzalez， Richard E. Woods， Steven L. Eddins.Digital Image Processing Using MATLAB[M].阮秋琦，譯.北京：電子工業(yè)出版社，2005.

作者簡介：侍瑞峰，男，1989年生，碩士在讀，研究方向為圖像處理與模式識別。

通訊作者：劉亞俠，副教授，E-mail：。

第7篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

關鍵詞：光伏發(fā)電；發(fā)電量預測；BP神經(jīng)網(wǎng)絡；果蠅算法

中圖分類號：TM615；TP39 文獻標識碼：A 文章編號：2095-1302（2017）04-00-02

0 引 言

隨著全球經(jīng)濟的不斷發(fā)展，人類對能源需求不斷增長，不可再生能源不斷減少，使得發(fā)展并利用新能源迫在眉睫。研究和實踐表明，太陽能是資源最豐富的可再生能源，是人類社會未來能源的基石。由于光伏發(fā)電具有較強的隨機性和波動性，光伏電站并網(wǎng)勢必會造成電網(wǎng)的不穩(wěn)定，因此準確預測光伏發(fā)電量具有重要意義。

目前，國內外對光伏發(fā)電量預測已有相關研究，一些相關人工智能算法也被應用到預測模型中，如馬爾科夫鏈，神經(jīng)網(wǎng)絡，灰色理論，粒子群，遺傳算法等?？紤]到神經(jīng)網(wǎng)絡具有很強的非線性擬合、學習規(guī)則簡單，但收斂速度慢且易陷入局部最優(yōu)等缺點，同時考慮到果蠅算法與其他算法相比具有全局尋優(yōu)能力強、計算復雜度小、精度高、收斂速度快等優(yōu)點，故本文提出一種果蠅算法結合神經(jīng)網(wǎng)絡的混合算法。此混合算法能很好的結合兩者的優(yōu)點。

1 光伏發(fā)電量預測模型

1.1 BP神經(jīng)網(wǎng)絡模型

神經(jīng)網(wǎng)絡（Neural Network）是模擬人大腦學習知識的過程而提出的一種人工智能算法。神經(jīng)網(wǎng)絡分為單層前饋網(wǎng)絡（LMS學習算法）、多層前饋網(wǎng)絡（BP神經(jīng)網(wǎng)絡）、后饋網(wǎng)絡等。其中BP神經(jīng)網(wǎng)絡是目前研究最為成熟、廣泛的預測網(wǎng)絡模型之一。預測模型分為輸入層、隱含層以及輸出層，如圖1所示。

（1）輸入層

針對本文的預測模型，輸入變量為光伏發(fā)電系統(tǒng)各個時段的平均溫度、平均光照。

（2）隱含層

本文模型采用雙隱含層。多層前向網(wǎng)絡是單層感知器的推廣，解決了非線性可分問題。隱含層由神經(jīng)元組成，神經(jīng)元決定了各輸入變量權值以及各輸出變量權值。

（3）輸出層

本文預測模型的輸出變量為當日各時段的光伏發(fā)電量。文中將光伏發(fā)電預測模型分為24小時/天，每一個小時為一個計算單位。輸入層中的每個結點作為激勵信號，組成下一層的輸入信號，而該層輸出信號又作為下層的輸入信號，以此類推。神經(jīng)網(wǎng)絡具有很好的非線性擬合性，學習規(guī)則簡單。

1.2 果蠅算法

果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm， FOA）是一種基于果蠅覓食行為的人工智能仿生算法，是由臺灣潘文超教授于2011年6月提出的。果蠅可以使用嗅覺和視覺來尋找食物及同伴，具有很好的群體智能性。

果蠅尋找食物時飛行線路具有一定的隨機性，為了尋找食物，果蠅會根據(jù)空間中的食物氣味濃度進行判定，向濃度高的方向飛行。其算法流程如下所示：

（1）在搜索空間中隨機產生果蠅種群。隨機產生個體果蠅的位置及各自飛行方向向量。

（2）各果蠅分別沿預定方向移動一定的步長，計算各果蠅所在位置的濃度。

（3）找出種群中濃度最高的果蠅的位置，保存為Piter，然后所有果蠅飛向濃度最高的位置。

（4）計算移動后各果蠅所處位置的濃度，若Piter，i比Piter濃度更高，則更新Piter，再轉到步驟（2），直到找到食物位置。

Piter表示第iter代的濃度最高的位置；Piter，i表示第i個果蠅第iter代的位置。

1.3 FOA-BP算法

榻餼鏨窬網(wǎng)絡收斂速度慢以及容易陷入局部最優(yōu)的缺點，本文提出一種果蠅算法結合神經(jīng)網(wǎng)絡的混合算法，該混合算法具有較強的全局搜索能力、不易陷入局部最優(yōu)、收斂快等優(yōu)點。本文主要利用果蠅算法來優(yōu)化神經(jīng)網(wǎng)絡權值以達到優(yōu)化的目的?；旌纤惴鞒倘缦滤荆?/p>

（1） 初始化。初始化種群規(guī)模S，最大迭代次數(shù)iter，隨機生成各果蠅的位置、移動方向、移動步長及神經(jīng)元權值等。

（2） 讀取數(shù)據(jù)。讀取光伏發(fā)電系統(tǒng)訓練樣本數(shù)據(jù)，包括各時段的平均溫度、平均光照強度以及光伏發(fā)電量，對樣本數(shù)據(jù)進行歸一化處理。

（3）通過神經(jīng)網(wǎng)絡樣本進行訓練，得到相應的權值，并利用果蠅算法對權值進行修正與優(yōu)化。果蠅個體向預定方向移動一定的步長，計算濃度，此時濃度即預測值，若預測值Pbest更優(yōu)，則保留，繼續(xù)迭代，直到達到預測精度為止。

（4）輸出種群中果蠅所處濃度最高的位置，即神經(jīng)網(wǎng)絡的最優(yōu)權值。輸出預測結果。FOA-BP算法流程如圖2所示。

2 實驗結果與分析

本模型采用武漢某發(fā)電企業(yè)發(fā)電機組1的發(fā)電數(shù)據(jù)進行試驗。時間段選取6：00-19：00。訓練樣本選取6月份的數(shù)據(jù)120組，其中輸入量是各時段的平均光照強度、平均溫度，輸出量是各時段的發(fā)電量。預測樣本是6月6日6：00-19：00各時段的數(shù)據(jù)。神經(jīng)網(wǎng)絡激勵函數(shù)采用單極性sigmod激勵函數(shù)g（x）=1/（1+e-x），神經(jīng)網(wǎng)絡結構為雙隱含層，隱含層神經(jīng)元個數(shù)為25，預測樣本各時段的平均溫度以及平均光照，分別如圖3，圖4所示。

預測發(fā)電量與實際發(fā)電量的對比如圖5所示。預測誤差如圖6所示。

由圖6的預測曲線圖可知，大部分時段的預測誤差都在15%內，在第6、第10時段誤差較大，總體來看發(fā)電量預測曲線能很好的與實際發(fā)電量曲線擬合。

3 結 語

本文提出的FOA-BP算法能應用到光伏發(fā)電量預測模型，使得輸出結果具有較強的準確性、收斂速度快以及尋優(yōu)能力強等特點。本模型算法可以有效為光伏發(fā)電廠的選址以及電廠維護提供理論依據(jù)，從而為發(fā)電企業(yè)帶來更多的利益。準確的光伏發(fā)電量預測能夠為公共電網(wǎng)的維護和電力的再分配提供有力的理論支持。

參考文獻

[1]李春鵬，張廷元，周封.太陽能光伏發(fā)電綜述[J].電工材料，2006（3）：45-48.

[2]孟杰，李庚銀.含風光電站的電力系統(tǒng)動態(tài)經(jīng)濟調度[J].電網(wǎng)與清潔能源，2013，29（11）：70-75.

[3]潘文超.果蠅最佳化演算法[M].臺北：滄海書局，2011.

[4]景亞平，張鑫，羅艷.基于灰色神經(jīng)網(wǎng)絡與馬爾科夫鏈的城市需組合預測水量[J].西北農林科技大學學報（自然科學版），2011，39（7）：229-234.

[5]陳勇，劉洲，李伏麟，等.人工神經(jīng)網(wǎng)絡在貨運預測系統(tǒng)中的應用[J].物聯(lián)網(wǎng)技術，2016，6（1）：42-43.

[6]劉瑞葉，黃磊.基于動態(tài)神經(jīng)網(wǎng)絡的風電場輸出功率預測[J].電力系統(tǒng)自動化，2012，36（11）：19-22.

第8篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

本文在分析研究國內外關于財務危機動態(tài)預警相關研究的基礎之上，對財務危機的動態(tài)預警模型的研究現(xiàn)狀進行綜述，探討財務危機動態(tài)預警研究的發(fā)展趨勢。

【關鍵詞】財務危機 動態(tài)預警 研究綜述

在全球經(jīng)濟衰退、金融危機的大背景下，探索識別財務危機，為企業(yè)利益相關者提供預警信號是非常值得研究的現(xiàn)實問題。因此，建立基于時間序列特征的動態(tài)預警系統(tǒng)成為了必然的趨勢。國內外很多學者都對財務危機預警模型進行了研究，并建立了相應的預警模型。但是現(xiàn)階段關于財務危機預警的動態(tài)研究還是較少，目前我們的財務危機預警系統(tǒng)大多是靜態(tài)預警，大部分學者采用的都是多截面樣本數(shù)據(jù)，對不同時期的多個樣本數(shù)據(jù)進行研究，但是這樣研究存在一個顯著的邏輯性缺陷，即沒有考慮到財務狀況的時間延續(xù)性。這些實證研究的結果普遍存在著預測準確率不理想的情況，特別是多期財務危機預測準確率較低的情況。如果企業(yè)的整體財務狀況很好，只是單期的表現(xiàn)不好，隨后企業(yè)的財務狀況會很快恢復正常，這種暫時的偏離正常值不應該被歸為財務危機公司，但靜態(tài)模型不考慮歷史的影響，會將這種公司歸為危機公司，預測準確率不理想。

一、財務危機動態(tài)預警模型簡介

動態(tài)財務預警主要使用的技術有人工智能技術（如神經(jīng)網(wǎng)絡模型和機器學習等分析技術）具備良好的模式辨別能力，克服了傳統(tǒng)統(tǒng)計方法的局限性，有更高的預測能力。

二、國外關于財務危機動態(tài)預警模型的研究

目前，國外學者廣泛應用的動態(tài)預警模型主要有神經(jīng)網(wǎng)絡模型、遺傳算法模型、案例推理模型等等。

（一）人工神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡模型主要是運用神經(jīng)網(wǎng)絡的分類方法來進行財務預警。許多功能是對人腦神經(jīng)網(wǎng)絡系統(tǒng)的模擬，有很好的模式識別能力，根據(jù)隨時更新的數(shù)據(jù)進行自我學習，因此有很高的糾錯能力，能夠更好的預測財務危機。Odom和Sharda（1990）是最早在財務危機預警模型中運用人工神經(jīng)網(wǎng)絡模型的，隨后許多學者做了相似研究，并對模型及算法進行了響應的改進。

（二）遺傳算法（genetic algorithm，GA）

遺傳算法是模仿生物遺傳進化規(guī)律，運用在大量復雜概念空間內隨機搜索的技術，用于企業(yè)財務危機的預測。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都進行了這方面的研究，F(xiàn)ranco（2010）的研究表明了采用GA來進行預測比較省時并且受到主觀影響也較小，但是預測精度沒有MDA高。

（三）案例推理（case-based reasoning，CBR）

案例推理一般運用K臨近算法對存儲案例進行分類，據(jù)此來對新增的案例進行推斷，主要適用于在復雜多變的環(huán)境中進行決策。Hongkyu（1997）對案例推理（CBR）、人工神經(jīng)網(wǎng)絡模型（ANN）以及多元判別分析方法（MDA）進行了比較分析，結果顯示CBR與MDA判別結果無本質上的區(qū)別，更適合在數(shù)據(jù)不充分的時候使用；Cheol-Soo（2002）用層次分析法（AHP）對K臨近算法進行了改進，預測精度明顯得到了提高。

（四）支持向量機（support vector machine，SVM）

SVM方法是在統(tǒng)計學理論基礎之上的一種機器學習方法，這種算法通過非線性變換把實際問題換到高維特征空間，并且進行處理，對維數(shù)的要求沒有那么嚴格，具有很好的推廣能力。在這方面，F(xiàn)an、Palaniswami均有相關的研究，Kyung-Shik Shin（2005）采用這種算法構建了財務危機預警模型，并對韓國的企業(yè)進行實證研究，結果表明SVM的預測性能高于BP神經(jīng)網(wǎng)絡模型。

（五）粗集理論（rough set theory，RST）

RST是一種用多個財務比率來描述財務危機與財務正常公司的工具，可以有效地解釋財務指標與財務危機的關系。Pawlak、Dimitras和Joseph都將RST應用與財務危機預警系統(tǒng)的研究中。

三、國內關于財務危機動態(tài)預警模型的研究

國外對財務危機動態(tài)預警模型的研究已經(jīng)取得比較豐碩的成果，國內的學者關于動態(tài)預警系統(tǒng)的研究少之甚少。

（一）大部分學者是從動態(tài)管理角度得出破產公司和非破產公司的現(xiàn)金管理特征變量，并據(jù)此構建預警模型

國內由于對現(xiàn)金流重要性的認識不夠，加上我國從1998年開始才要求上市公司編制現(xiàn)金流量表，因此進行實證研究所需的現(xiàn)金流量方面的數(shù)據(jù)嚴重缺乏。這些原因，最終導致國內的研究僅僅停留在對現(xiàn)金流量指標體系構建的理論探討層面。

姚靠華、蔣艷輝（2005）就動態(tài)財務預警系統(tǒng)建立的技術基礎和系統(tǒng)框架進行了闡述，提出應該充分利用數(shù)據(jù)倉庫技術、數(shù)據(jù)挖掘技術和Agent技術來建立企業(yè)的動態(tài)財務預警系統(tǒng)。

張鳴、程濤（2005）運用Logistic回歸方法，先從財務指標角度構建財務指標預警模型，然后引入現(xiàn)金管理特征變量和現(xiàn)金管理結果變量，從財務指標和現(xiàn)金流量角度共同構建綜合預警模型。

（二）對財務危機動態(tài)預警模型的研究主要有以下幾種

楊淑娥、王樂平（2007）以T-2、T-3期財務數(shù)據(jù)組合的面板數(shù)據(jù)作為研究樣本，構建BP神經(jīng)網(wǎng)絡模型對上市公司的財務狀況進行預測。

蔣麗（2007）用因子分析法分別建立ST前三年的三個評分模型F1、F2、和F3，依次對樣本進行預測，從動態(tài)的角度找出不同時期的特征變量，預測財務危機的緊急程度。

陳磊、任若恩（2008）以因財務原因被實施特別處理和暫停上市作為上市公司財務階段的分類標志，將上市公司的財務狀況分成3個階段，借鑒Theodossiou的方法，使用時間序列判別分析技術、指數(shù)加權移動平均控制圖模型對中國上市公司的財務危機預測進行研究。

孫曉琳、田也壯、王文彬（2010）基于Kalman濾波理論，考慮財務比率在時間序列上的趨勢性和歷史數(shù)據(jù)對結果的影響，構建了財務危機的動態(tài)預警模型。

時建中，程龍生在2012年針對模型的增量學習能力不足的問題，建立了能夠增量學習的財務危機動態(tài)預警模型，且經(jīng)過實證分析證明該模型有很好的適應性與穩(wěn)定性。

四、對國內外關于財務危機動態(tài)預警模型研究的評價

一是財務危機動態(tài)預警模型有很好的適用性，并且跟靜態(tài)模型相比，其預測精度有很大的提高，能夠更及時的給企業(yè)預警，避免財務危機的發(fā)生。

二是現(xiàn)有關于財務危機動態(tài)預警的研究還是較少，主要還是采用靜態(tài)預警模型進行回歸分析來對企業(yè)的財務危機狀況進行預測。

三是對財務危機的動態(tài)預警大都是針對總體的企業(yè)，很少針對某一行業(yè)的特點對特定行業(yè)進行動態(tài)預警，每個行業(yè)的特點不同，與財務危機發(fā)生影響密切的相關指標也不盡相同，并且由于動態(tài)預警能夠比靜態(tài)模型給出早期的預警信號，分行業(yè)研究就更加有必要。

五、對將來財務危機動態(tài)預警模型研究的展望

通過上文的綜述，今后我們可以在財務危機動態(tài)預警系統(tǒng)的以下幾個方面做進一步的研究：

首先，在樣本指標的選擇方面，可以根據(jù)不同行業(yè)在財務指標方面的差異，加入行業(yè)調整變量以更加貼合不同企業(yè)的實際情況，提高預測準確率。

其次，在模型的構建方面，目前大部分學者的研究均為單純的運用一個模型進行實證分析，可以綜合模型的不同特點，組成模型組優(yōu)化現(xiàn)有模型，提高模型的預測精度。

最后，在信息利用方面，可以充分利用現(xiàn)在先進的信息技術，運用各種技術來更新完善財務危機的動態(tài)系統(tǒng)，實時、準確的預測財務危機，避免企業(yè)陷入財務困境。

參考文獻

[1]Ross Neophytou，Andreas Charitou，Predicting Corporate Failure.Empirical Evidence for the UK[M]. Corporate Finance，2000（9）：457-471.

[2]Claessens，Stijin，Simeon Djankov，and Larry Lang，The Separation of Ownership and Control in East Asian Corporations[J].Journal of Financial Economics， 2000，（58）：81-112.

[3]Stephen A.Ross.Randolph.Wethersfield.Jeffrey F.Jaff.吳世農，沈藝峰等譯.公司理[M].北京機械出版社，2000：157-163.

[4]Howard and Swaryl.An Analysis of Risk and Return Characteristic Of Corporate Bankruptcy Using Capital Market Data.The Journal of Finance，SeP.1980.1001-1016.

[5]孫曉琳. 財務危機動態(tài)預警模型研究[M]，上海交通大學出版社，2011：3-56.

[6]顧曉安.公司財務預警系統(tǒng)的構建[J].財經(jīng)論壇，2000（4）：65-71.

第9篇：人工神經(jīng)網(wǎng)絡文獻綜述范文

關鍵詞：數(shù)控智能；機械制造；領域；應用；研究

1.數(shù)控智能在機械制造領域中的應用

智能控制機械制造主要包括以下四個部分：機械設計；機械制造；機械電子；機械系統(tǒng)故障診斷。

1.1 機械設計

機械設計在現(xiàn)實生產中是指技術人員對想要設計物體的一個模型進行綜合和分析的過程，這個過程包括大量高精度的計算、分析、繪圖等精確數(shù)值計算工作，同時還需要結合多方面的知識，在通過設計人員自身豐富的實踐經(jīng)驗，進行多元綜合，最終做出最佳的設計。但是在實際的設計中，很難用精確數(shù)值計算的方法來建立準確數(shù)據(jù)模型，而現(xiàn)在流行的CAD制圖技術對這一部分工作也是無能為力的。這就要求 CAD/CAM的操作系統(tǒng)具有智能性，利用計算機系統(tǒng)把一些數(shù)值數(shù)據(jù)處理擴展到非數(shù)值數(shù)據(jù)處理，包括把數(shù)據(jù)數(shù)值知識與實際操作中的經(jīng)驗進行集成、推理和決策，使機械設計過程自動化智能化，彌補設計專家在現(xiàn)實中對機械設計過程中由于人為因素造成的不足。

1.2 機械制造

在機械生產制造中，人們首先要做的是確定機械生產計劃，制定機械生產計劃就是指從多種因素（設計、制造、生產等）的組合中選出最能滿足所有約束條件（生產成本、設計圖形、生產工序等）的最佳方案。這些過程是很難用數(shù)學模型來準確地表示出來的。數(shù)字化智能化技術一方面使數(shù)字化制造裝備等得到快速發(fā)展，大幅度提升生產系統(tǒng)的功能、性能和自動化程度。另一方面這些技術集成可形成柔性制造單元、數(shù)字化車間乃至數(shù)字化工廠，使生產系統(tǒng)的柔性自動化不斷提高，并想著具有感知、決策、執(zhí)行能功能特征的智能化系統(tǒng)發(fā)展。目前以智能機器人為典型代表的智能制造裝備已經(jīng)開始在某些領域得到應用。

1.3 機械電子

機械電子系統(tǒng)結構比較簡單，元件和運動部件較少，高性能，但是其系統(tǒng)的內部結構非常復雜。傳統(tǒng)的數(shù)學解析的方法固然嚴密、精確，但是只能適用于相對比較簡單的電子系統(tǒng)，對于那些比較復雜的系統(tǒng)是不能給出數(shù)學解析式的，這樣就只能通過煩瑣的操作系統(tǒng)來完成。由于智能化的處理是以知識信息為基礎進行的推理和計算，這種推理具有復雜性、不確定性和模糊性，而且這種智能化的處理一般不存在已知的算法（傳統(tǒng)數(shù)學公式化的方法），所以，對不能用傳統(tǒng)的數(shù)學解析方法解決的問題，人工智能提供了新的解決思路和方法。一般通過人工智能建立的系統(tǒng)有兩種方法：神經(jīng)網(wǎng)絡系統(tǒng)和模糊推理系統(tǒng)。目前只有智能系統(tǒng)可以適用于相對比較復雜的電子系統(tǒng)。

1.4 機械系統(tǒng)故障診斷

所謂的機械系統(tǒng)故障的診斷，就是指根據(jù)電子系統(tǒng)出現(xiàn)的一些不正常的現(xiàn)象，按照一定的法則，推論出產生問題的原因，找出設備出現(xiàn)故障的所在的部位。故障診斷包括三個方面的內容：故障監(jiān)測，故障分析和處理決策。但是由現(xiàn)象推出故障原因是一個復雜的推理過程，需要根據(jù)維護保修人員多年積累的實際經(jīng)驗，才能得出正確的結論，假如把人工智能的方法應用于機械故障診斷，發(fā)展智能化的機械故障診斷技術，是機械故障診斷的一個新途徑。機械故障中的人工智能診斷方法主要包括專家系統(tǒng)、人工神經(jīng)網(wǎng)絡，模糊集理論等。

2.數(shù)控智能機械制造領域中的應用方法

2.1 專家系統(tǒng)

專家系統(tǒng)是計算機的一種智能程序，這種程序運用知識和推理步驟來解決出現(xiàn)只有專家才能解決的一些比較復雜的問題。智能控制專家系統(tǒng)的框架主要由五個部分組成：知識庫，綜合數(shù)據(jù)庫，推理機，用戶接口和系統(tǒng)輸出。

2.2 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是指只智能控制系統(tǒng)摸擬的生物的激勵系統(tǒng)，將一系列輸入通過神經(jīng)網(wǎng)絡產生輸出。這里的輸出、輸入都是標準化的量，輸出是輸入的非線性函數(shù)，其值可由連接各神經(jīng)元的權重改變，以獲得期望的輸出值。

2.3 模糊集理論

人在認知世界的時候，出現(xiàn)一些不確定的事物的時候，就會對所獲得的信息進行一定的模糊化處理，以此來減少問題的復雜程度。模糊集理論是指將經(jīng)典的集合理論模糊化，并引入語言變量和近似推理的模糊邏輯，是一種具有完整的推理體系的智能技術。一般的模糊系統(tǒng)的結構與專家系統(tǒng)的結構比較類似，由模糊知識庫、模糊推理機和人機界面等幾個部分組成，可以這么說模糊系統(tǒng)是模糊理論與專家系統(tǒng)結構的結合體。

3.智能控制在機械制造系統(tǒng)中的發(fā)展趨勢

智能控制的實施主要有四個部分，雖然這四個部分在機械領域都有不同程度的應用，但各自使用的時候都存在一定的局限。所以目前，要找到一種普遍的有效的方法把這四個部分有效的結合到一起應用于機械制造系統(tǒng)的各個領域，因此，從這可以看出數(shù)控智能組合將成為機械制造系統(tǒng)新的發(fā)展趨勢。

4.結語

綜合起來，數(shù)字化智能化技術可以對產業(yè)的模式進行創(chuàng)新升級。以數(shù)字化技術為基礎，在互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)等技術的強力支持下，制造業(yè)的產業(yè)模式將發(fā)生根本性的變化。因此，無論從哪個角度考慮，“制造業(yè)數(shù)字化智能化”都是新一輪工業(yè)革命的核心技術。

參考文獻：

[1]陳海勇，朱詩兵，李沖.軍事物聯(lián)網(wǎng)的需求分析[J].物聯(lián)網(wǎng)技術，2011（5）：53-57

[2]王曉靜，張晉.物聯(lián)網(wǎng)研究綜述[J].遼寧大學學報：自然科學版，2010，37（1）：37-39.

[3]劉若冰.物聯(lián)網(wǎng)的研究進展與未來展望[J].物聯(lián)網(wǎng)技術，2011（5）：58-62.