神經(jīng)網(wǎng)絡(luò)的基本特征精選(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)的基本特征主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

【關(guān)鍵詞】建筑經(jīng)濟管理；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TU198文獻標識碼： A

一、前言

建筑經(jīng)濟管理在我國是一個非常重要的行業(yè)，為社會的進步提供了夯實的基礎(chǔ)，但是在神經(jīng)網(wǎng)絡(luò)的應用這方面還是存在一定的問題，所以，科學技術(shù)人員在這個方面還是很努力的研究，并且促使這個技術(shù)發(fā)展更為全面。

二、神經(jīng)網(wǎng)絡(luò)的特征及其信息處理特點

人工神經(jīng)網(wǎng)絡(luò)(Application of Neural Network，即:ANN)是一種對人腦中樞神經(jīng)系統(tǒng)的生物神經(jīng)結(jié)構(gòu)進行的功能性抽象，在模式識別和分類領(lǐng)域顯示了強大的能力，它們以“黑箱”模式工作，不需要先驗模型，具有自適應能力，可以從數(shù)據(jù)中捕捉和學習規(guī)律，其計算能力在預測和評估、模式識別和優(yōu)化等領(lǐng)域得到了廣泛驗證。神經(jīng)網(wǎng)絡(luò)尤其適合解決那些采用傳統(tǒng)的數(shù)學方法和手段建模困難的復雜問題，并已被證明是解決復雜非線性問題的一種有效工具。

1、神經(jīng)網(wǎng)絡(luò)的基本特征

（1）內(nèi)在并行性。神經(jīng)網(wǎng)絡(luò)是一個高度并行的非線性系統(tǒng)，其并行性不僅體現(xiàn)在結(jié)構(gòu)上，它的處理運行過程也是并行的。神經(jīng)網(wǎng)絡(luò)從單個處理單元到整個系統(tǒng)，在理論和實踐上都反映了并行性，計算是分布在多個處理單元上同時進行的。

（2）分布式存儲。與傳統(tǒng)計算機不同，神經(jīng)網(wǎng)絡(luò)中信息并非存儲在一個特定的存儲區(qū)域，而是分布存儲在整個系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)的每一個神經(jīng)元都只是整體概念的一個部分，每一個單元都包含著對整體的貢獻，而每一個單元都無法決定整體的狀態(tài)。

（3）容錯性。因為信息是分布存儲在整個系統(tǒng)中，而不是駐留在某一個特定的存儲區(qū)域內(nèi)，因此，網(wǎng)絡(luò)中部分神經(jīng)元的誤差不會在很大程度上影響改變整個系統(tǒng)的行為。

（4）學習與自適應性。神經(jīng)網(wǎng)絡(luò)的一個重要特點是具有很強的學習能力，它可以通過對數(shù)據(jù)的監(jiān)督或非監(jiān)督學習，實現(xiàn)任意復雜的函數(shù)關(guān)系，而且整個網(wǎng)絡(luò)具有自適應性，即進行自我調(diào)節(jié)的能力。

2、神經(jīng)網(wǎng)絡(luò)的信息處理特點

神經(jīng)網(wǎng)絡(luò)的基本特征使其在信息處理上具有與傳統(tǒng)信息處理技術(shù)不同的特點。

（1）數(shù)據(jù)驅(qū)動、“黑箱”建模方式。神經(jīng)網(wǎng)絡(luò)通過訓練能夠直接從數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征，實現(xiàn)任意復雜的函數(shù)映射。這種學習能力使得神經(jīng)網(wǎng)絡(luò)分析和建模過程相當于一個“黑箱”，既無需模型結(jié)構(gòu)設(shè)計和參數(shù)估計過程，而且在沒有輸入模式先驗信息的情況下，通過數(shù)據(jù)驅(qū)動取得優(yōu)良的結(jié)果。

（2）非編程、自適應的工作方式。神經(jīng)網(wǎng)絡(luò)的學習是便利而且可塑的，在網(wǎng)絡(luò)整體結(jié)構(gòu)不變的情況下，只需調(diào)整權(quán)值即可完成任意關(guān)系的學習，通過遞進補充訓練樣本即可跟蹤和適應外界環(huán)境的不斷變化。因此，神經(jīng)網(wǎng)絡(luò)的工作方式可以是實時的和自適應的。

（3）信息處理與存儲合二為一。神經(jīng)網(wǎng)絡(luò)在運行時信息處理與存儲同時完成，信息的隱含特征和規(guī)則分布于神經(jīng)元狀態(tài)和權(quán)值之上，通常具有冗余性。這樣，當不完全信息或含噪信號輸入時，神經(jīng)網(wǎng)絡(luò)就可以根據(jù)這些分布記憶進行聯(lián)想以恢復全部信息。同時，這種合二為一的方式從本質(zhì)上消除了軟件和算法的“瓶頸效應，”提供了實現(xiàn)高速信息處理的手段。

（4）實時信息處理。神經(jīng)網(wǎng)絡(luò)是一個大規(guī)模非線性動力學系統(tǒng)，具有高維、高密度的并行計算結(jié)構(gòu)。大量神經(jīng)元的微觀活動構(gòu)成了神經(jīng)網(wǎng)絡(luò)的整體宏觀效應。這種集體運算能力使得神經(jīng)網(wǎng)絡(luò)可以完成高維數(shù)據(jù)的在線實時處理。

三、建筑經(jīng)濟管理研究面臨的問題

1、對系統(tǒng)的非線性認識不足

(1)忽視了系統(tǒng)內(nèi)各變量之間復雜的非線性關(guān)系，過分強調(diào)先驗假設(shè)。建筑活動在理論和實踐中有明顯的非線性和復雜性。建筑經(jīng)濟管理問題的本質(zhì)上是因為現(xiàn)實的復雜性導致的非線性。建筑活動隨時代和環(huán)境的變遷表現(xiàn)出其非線性特征。一方面，建筑經(jīng)濟管理問題的線性假沒體現(xiàn)了系統(tǒng)特殊性。但另一方面，系統(tǒng)建模時所使用的理論總是落后于現(xiàn)實，這是因為其相關(guān)理論發(fā)展的滯后性，而這又是由于其非線性和復雜性引起的。

(2)忽視數(shù)據(jù)本身效用，過分依賴理論指導。模型的函數(shù)形式很難僅僅通過理論考慮獲得。在實踐中選擇理論框架既是十分重要又是十分困難的。

2、對系統(tǒng)變量自身特征的認識不足

(1)變量(數(shù)據(jù))的高噪聲。采集、編制建筑經(jīng)濟管理數(shù)據(jù)時會有很多誤差，再加上諸多外在因素的沖擊造成了波動強烈變形，所以數(shù)據(jù)是包含有許多“奇異點”而且是高噪聲。

(2)變量的高度不確定性。目前經(jīng)濟學界對不確定性沒有一個統(tǒng)一的定義，一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機變量的方差來定義，通常稱為概率型不確定性，也可稱為“風險”。另一種定義是一種沒有穩(wěn)定概率的隨機事件，稱為非概率型不確定性。

(3)變量不同程度的模糊性。一定的模糊性是大多數(shù)建筑管理問題變量的特點?，F(xiàn)實中的不分明現(xiàn)象就是模糊性。而從一種狀態(tài)過度到另一種有差異的狀態(tài)的過程中，中間發(fā)生了量變到質(zhì)變的連續(xù)過程?？傊３Ｐ枰鉀Q建筑管理中的決策、優(yōu)化等非線性問題，由于它們的一次性、高度動態(tài)性和復雜性的特點，建筑管理的信息是隨機的，具有非線性和時變性，相應的變量也有不確定性、高噪聲和模糊性的特點，因此搜集數(shù)據(jù)、分析因素等方面有相當大的難度。

四、ANN在建筑工程項目管理中的應用研究

1、ANN在造價預測方面的應用

汪應洛，楊耀紅(2004年)總結(jié)了ANN在費用估計方面的應用。采用BP網(wǎng)絡(luò)，用40個公路工程樣例訓練網(wǎng)絡(luò)，并用工程實例進行驗證，發(fā)現(xiàn)效果比傳統(tǒng)方法好。Tarek Hegazy(1998年)等用MS-Excel表格進行ANN模擬，并在輸入層和隱含層加入了偏置神經(jīng)元來促進網(wǎng)絡(luò)學習。其缺點是由于網(wǎng)絡(luò)學習時的訓練樣本數(shù)據(jù)中有噪聲，會造成過度學習現(xiàn)象，運用規(guī)范化網(wǎng)絡(luò)可以解決這個問題。周麗萍，胡振鋒(2005年)在研究BP神經(jīng)網(wǎng)絡(luò)在建筑工程估價中的應用時指出，可以利用神經(jīng)網(wǎng)絡(luò)“特征提取器”的作用，從大量過去的工程資料中自動提取工程特征與預算資料的規(guī)律關(guān)系；由于神經(jīng)網(wǎng)絡(luò)具有高度的容錯性，因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能；此外由于神經(jīng)網(wǎng)絡(luò)是并行處理數(shù)據(jù)的，因而其處理速度相當快，這點滿足了快速估算要求，實踐證明是有效的。

2、ANN在工程項目管理績效評價中的應用

閆文周(2005年)等運用ANN中的BP網(wǎng)絡(luò)對工程項目管理績效評價問題進行研究，建立了一個綜合考慮項目工期、質(zhì)量、費用、安全四大控制指標的工程項目管理績效評價模型。實例分析表明，其評價結(jié)果更加全面、更加符合實際情況，從而有助于促進工程項目管理水平的提高。基于BP神經(jīng)網(wǎng)絡(luò)的工程項目管理績效評估模型，將影響工程項目管理績效的主要因素進行整合，通過神經(jīng)網(wǎng)絡(luò)反映了工程項目工期、質(zhì)量、成本、安全與項目績效之間復雜的非線性關(guān)系，從而使項目管理績效的評價更客觀。

3、Hop field網(wǎng)絡(luò)模型在建設(shè)工程評標中的應用

建設(shè)工程評標是一個多目標決策過程，評標過程中存在著大量的定性和模糊的因素，評標人很難快速做出準確客觀的評判。朱玉濤(2006年)等用ANN作為新型信息處理工具，在建設(shè)工程評標中可應用于優(yōu)選中標企業(yè)。介紹了Hop field網(wǎng)絡(luò)模型構(gòu)造及算法設(shè)計，包括進行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構(gòu)造、神經(jīng)元之間連接和輸出，并用實例說明了該方法的優(yōu)越性和實用性。應用Hop field網(wǎng)絡(luò)對非定量因素進行科學的分析，可以消除一些人為因素的影響，使評選結(jié)果更加合理。

4、BP網(wǎng)絡(luò)模型在建設(shè)工程招投標管理中的應用

BP網(wǎng)絡(luò)以其自學習、自聯(lián)想功能的優(yōu)點在建設(shè)工程招投標中得到廣泛應用。楊中宣(2006年)結(jié)合人工神經(jīng)網(wǎng)絡(luò)基本理論，介紹了它在工程招投標的招標價格、風險因素分析以及競標單位資格審查等方面的應用，指出利用人工神經(jīng)網(wǎng)絡(luò)具有的高度并行處理和可完成復雜輸入輸出的非線性映射能力，不僅可以保證高的中標率，且可避免招標過程中不確定性因素的影響。

五、人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)在建筑管理中的應用與研究，解決了不少該領(lǐng)域中的難題，顯現(xiàn)出廣闊的應用前景。但是，神經(jīng)網(wǎng)絡(luò)作為新興學科，在理論和實踐中，還有很多不完善和不成熟的地方，又在一定程度上制約了它的實際應用。因此在利用人工神經(jīng)網(wǎng)絡(luò)解決問題時，需要選定合適的網(wǎng)絡(luò)模型及網(wǎng)絡(luò)算法，同時還要加深人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論方面的研究。

六、結(jié)束語

總而言之，就建筑經(jīng)濟管理中神經(jīng)網(wǎng)絡(luò)的應用這方面而言，這項技術(shù)的發(fā)展不僅使建筑經(jīng)濟管理體系更加的完善，更加使人們的生活帶來了許多的便利條件，通過科學技術(shù)人員的不斷努力，會使為社會發(fā)展做出巨大的貢獻。

參考文獻

[1]王其文，劉廣靈.人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較 決策與決策支持系統(tǒng)，2008（4）:22-26.

第2篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

（①東軟集團股份有限公司，沈陽 110179；②沈陽工程學院，沈陽 110136）

（①Neusoft Group Co.，Ltd.，Shenyang 110179，China；②Shenyang Institute of Engineering，Shenyang 110136，China）

摘要： 本文在闡明企業(yè)綠色競爭力內(nèi)涵及特征的基礎(chǔ)上，構(gòu)建企業(yè)綠色競爭力評價指標體系，給出了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)綠色競爭力評價模型，以期為企業(yè)構(gòu)建綠色競爭力，實現(xiàn)可持續(xù)發(fā)展提供支持和參考。

Abstract: The enterprise green competitiveness evaluation index system is constructed based on clarifying the meaning and characteristic of green competitiveness. And then, the evaluation model of green competitiveness based on BP neural network is provided, so as to provide support for enterprise to construct green competitiveness and attain sustainable development.

關(guān)鍵詞 ： BP神經(jīng)網(wǎng)絡(luò)；綠色競爭力；評價

Key words: BP neural network；green competitiveness；evaluation

中圖分類號：F272.5 文獻標識碼：A 文章編號：1006-4311（2014）34-0005-02

作者簡介：韓意（1986-），女，遼寧沈陽人，東軟集團股份有限公司會計師，碩士，研究方向為工程管理；姚大鵬（1963-），男，遼寧沈陽人，沈陽工程學院信息學院，副教授，碩士，研究方向為計算機工程。

0 引言

近年來，越來越多的人開始關(guān)注環(huán)境保護與環(huán)境影響評價、綠色認證和綠色消費、清潔生產(chǎn)與綠色制造等，因為它們直接而廣泛地影響著人們的消費行為和企業(yè)的經(jīng)營行為。因而在企業(yè)戰(zhàn)略管理領(lǐng)域的研究中，國內(nèi)外學者對綠色競爭力做了許多有益的研究探索工作，如Porter和Vander Linde（1995）提出 “雙贏”的觀點，認為恰當設(shè)計的環(huán)境規(guī)制可以激發(fā)被規(guī)制企業(yè)創(chuàng)新，產(chǎn)生效率收益[1]；Bonnifant等（1995）認為通過創(chuàng)新，可減少環(huán)境方面的成本從而獲得競爭優(yōu)勢[2]；吳曉玲（2004）把綠色競爭力的內(nèi)涵概括為發(fā)展度、協(xié)調(diào)度和持續(xù)度三個方面等[3]；但至今有關(guān)企業(yè)綠色競爭力評價方面的研究成果卻相對少見，為此，本文試圖做一粗淺研究，聚焦企業(yè)綠色競爭力評價問題，以期為企業(yè)構(gòu)建綠色競爭力，實現(xiàn)可持續(xù)發(fā)展提供支持和參考。

1 企業(yè)綠色競爭力的內(nèi)涵及特征

企業(yè)綠色競爭力可理解為企業(yè)在科學發(fā)展觀的指導下，采取可持續(xù)發(fā)展戰(zhàn)略，通過綠色創(chuàng)新提高企業(yè)資源利用效率、生產(chǎn)效率和管理水平，向市場提供比競爭對手更具吸引力的綠色產(chǎn)品和服務(wù)，從而在環(huán)境保護、資源節(jié)約和經(jīng)濟績效方面獲得競爭優(yōu)勢的一種綜合能力。企業(yè)綠色競爭力應表現(xiàn)出的基本特征是[4]：

①資源屬性方面的特征。企業(yè)的資源與企業(yè)競爭力密切相關(guān)，其素質(zhì)與規(guī)模是企業(yè)競爭力的基本保證。

②技術(shù)屬性方面的特征。現(xiàn)代企業(yè)的競爭是技術(shù)的競爭，只有當企業(yè)具備一定的經(jīng)營優(yōu)勢和核心技術(shù)時，企業(yè)的競爭力才有堅實的基礎(chǔ)并體現(xiàn)出競爭優(yōu)勢。

③管理屬性方面的特征。管理能力是企業(yè)競爭力的核心內(nèi)容，包括環(huán)境適應能力、創(chuàng)新能力、企業(yè)文化建設(shè)等。

④經(jīng)濟屬性方面的特征。主要體現(xiàn)在產(chǎn)品全生命周期成本低，企業(yè)的環(huán)境處理成本低，產(chǎn)品具有綠色性和環(huán)保競爭優(yōu)勢，產(chǎn)品市場占有率高。

⑤環(huán)境屬性方面的特征。企業(yè)的環(huán)境行為是一種提高企業(yè)競爭力的戰(zhàn)略性資產(chǎn)，是提高企業(yè)競爭力的基本因素。

⑥責任屬性方面的特征。企業(yè)從事生產(chǎn)經(jīng)營活動時，必須考慮社會的整體利益和長遠發(fā)展，自覺承擔其相應的社會責任，促進企業(yè)、環(huán)境和社會和諧發(fā)展。

2 企業(yè)綠色競爭力的評價指標體系建立

企業(yè)綠色競爭力評價機制是通過一系列評價指標來完成的，評價指標選擇不同會產(chǎn)生不同的評價結(jié)果，所以評價指標的選擇是建立評價系統(tǒng)的關(guān)鍵。對應于綠色競爭力的基本特征，構(gòu)建評價指標體系包含六個方面的指標。然后采用頻度統(tǒng)計法、理論分析法初步設(shè)置指標，通過主成分分析法、極大不相關(guān)法對指標進一步篩選、分類，然后采用專家咨詢法調(diào)整指標，并綜合前人的研究成果構(gòu)建企業(yè)綠色競爭力評價指標體系如表1所示。

3 基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)綠色競爭力評價方法

3.1 指標歸一化處理 企業(yè)綠色競爭力評價指標體系中有些指標是正指標，有些指標是逆指標，需要對各指標進行歸一化去量綱處理。

對于正指標：X’i=Xi-Xmin/Xmax-Xmin

對于逆指標：X’i=Xmax-Xi/Xmax-Xmin

歸一化處理后的指標值X’i在數(shù)值上介于0-1之間，它消除了量綱的影響，具有了可比性，可以進行指標間的相互比較。

3.2 BP神經(jīng)網(wǎng)絡(luò)評價的基本原理 BP神經(jīng)網(wǎng)絡(luò)是一種具有兩層或兩層以上的階層型神經(jīng)網(wǎng)絡(luò)，層間神經(jīng)元實現(xiàn)全連接，而層內(nèi)各神經(jīng)元間無連接。典型的BP網(wǎng)絡(luò)是三層前饋階層網(wǎng)絡(luò)，即：輸入層、隱含層和輸出層。

BP網(wǎng)絡(luò)的學習由四個過程組成，輸入模式由輸入層經(jīng)中間層向輸出層的“模式順傳播”過程；網(wǎng)絡(luò)的希望輸出與網(wǎng)絡(luò)實際輸出之差的誤差信號，由輸出層經(jīng)中間層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程；由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸徒惶孢M行的網(wǎng)絡(luò)“記憶訓練”過程；網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學習收斂”過程。

BP 神經(jīng)網(wǎng)絡(luò)分析具有許多優(yōu)秀的品質(zhì)，并且善于從近似的、不確定的、甚至相互矛盾的知識環(huán)境中做出決策，其模型的結(jié)構(gòu)如圖1所示。

應用BP網(wǎng)絡(luò)對企業(yè)綠色競爭力做評價的方法是把用于描述評價對象的特征信息作為神經(jīng)網(wǎng)絡(luò)的輸出向量，將代表相應綜合評價的量值作為神經(jīng)網(wǎng)絡(luò)的輸出向量；使用網(wǎng)絡(luò)前，用一些經(jīng)傳統(tǒng)綜合評價取得成功的樣本訓練這個網(wǎng)絡(luò)，使它所持有的權(quán)值系數(shù)值經(jīng)過自適應學習后得到正確的內(nèi)部表示，訓練后的神經(jīng)網(wǎng)絡(luò)便可作為企業(yè)綠色競爭力評價的有效工具。

4 企業(yè)綠色競爭力評價實例分析

本文的實證分析過程選取了我國造紙業(yè)上市公司作為研究案例，具體指標值來源于X紙業(yè)集團。首先對各輸入指標進行歸一化處理，然后利用BP神經(jīng)網(wǎng)絡(luò)模型對企業(yè)綠色競爭力進行評價。

在構(gòu)造評價企業(yè)綠色競爭力的BP神經(jīng)網(wǎng)絡(luò)時，考慮到二級指標體系包括36個指標，所以輸入層神經(jīng)元設(shè)36個；設(shè)置1個輸出層神經(jīng)元，為了增加評價結(jié)果的直觀性，將評價結(jié)果劃分為優(yōu)、良、中、差四個等級，分別對應于（1，0，0，0）、（0，1，0，0）、（0，0，1，0）、（0，0，0，1）；隱含層神經(jīng)元可根據(jù)經(jīng)驗公式n1=sqrt（m+n）+d來確定，其中m為輸入層神經(jīng)元個數(shù)，n為輸出層神經(jīng)元個數(shù)，d為0到10之間的常數(shù)，本文取d=5，由此可確定隱含層神經(jīng)元個數(shù)n1=11。使用Matlab編程軟件編寫B(tài)P神經(jīng)網(wǎng)絡(luò)程序，取神經(jīng)網(wǎng)絡(luò)學習效率η=0.05，給定收斂值ε=0.001，當企業(yè)的指標值經(jīng)輸入層進入網(wǎng)絡(luò)時，網(wǎng)絡(luò)便用訓練好的權(quán)值進行運作，最后根據(jù)輸出層輸出的向量值的隸屬關(guān)系確定企業(yè)的綠色競爭力，得到輸出結(jié)果為（0.9863，-0.0048，-0.0169，-0.0124），此輸出結(jié)果與（1，0，0，0）等級最為契合，表明該企業(yè)具有較強的綠色競爭力。

5 結(jié)論

適應當今企業(yè)經(jīng)營綠色化發(fā)展趨勢和新的形勢要求，本文提出了企業(yè)綠色競爭力評價指標體系，給出了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)綠色競爭力評價模型，推演出了企業(yè)綠色競爭力評價指標的應用途徑，并結(jié)合具體的實例對該指標體系的整合性評價模式進行了實證分析，以期為企業(yè)實現(xiàn)可持續(xù)發(fā)展提供支持和參考。

參考文獻：

[1]Porter M E, Vander Linde C. Toward a New Conception of the Environment Competitiveness Relationship [J]. Journal of Economic Perspectives, 1995(9): 97-118.

[2]Bonifant B C, Arnold M B, Long F J. Gaining Competitive Advantage through Environmental Investments [J]. Business Horizons, 1995,38(4): 37-47.

第3篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

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

1.前言：

隨著我國的工業(yè)飛速發(fā)展，對于工件的要求也愈發(fā)嚴格，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)對工件進行二次加工。但隨著時間流逝，金屬刀具的磨損逐漸成為了一個問題。而且隨著機器的柔性化與機械化愈發(fā)提高，人工觀測刀具磨損狀況的方法也愈發(fā)得不可取。無數(shù)科學家為此進行了大量研究，討論出了是數(shù)種方法，而人工神經(jīng)網(wǎng)絡(luò)運用于金屬切削機的技術(shù)也應運而生。人工神經(jīng)網(wǎng)絡(luò)是一種以模擬動物神經(jīng)網(wǎng)絡(luò)而創(chuàng)造的數(shù)學模型，人工神經(jīng)網(wǎng)絡(luò)有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學習和記憶、歸納的能力。目前，人工神經(jīng)網(wǎng)絡(luò)在智能控制、優(yōu)化計算與信息處理中都有很大的進展，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用

2.1人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識

人工神經(jīng)網(wǎng)絡(luò)是一種建立在現(xiàn)代醫(yī)學對于人腦的研究上的一種模擬人腦的數(shù)學模型。它是由大量簡單的處理單元組成的復雜網(wǎng)絡(luò)，用以模仿人類大腦的神經(jīng)活動與規(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：學習、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，但是由于其獨特的結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡(luò)可以對己輸入信息進行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經(jīng)網(wǎng)絡(luò)在邏輯學推理演算中，比起人類大腦更加有優(yōu)勢。故，人工神經(jīng)網(wǎng)絡(luò)在一些比較簡單同時需要大量計算的工作上比起人腦更有優(yōu)勢。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。

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

人工神經(jīng)網(wǎng)絡(luò)具有自學習、聯(lián)想存儲與優(yōu)化計算的能力，在金屬切削中被大量運用。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。在對選定的人工神經(jīng)網(wǎng)絡(luò)進行訓練，通過人工神經(jīng)網(wǎng)絡(luò)的學習與記錄作用，將人工神經(jīng)網(wǎng)絡(luò)訓練為模型，并將這個模型運用于金屬切削中，使金屬切削過程智能化。1992年王衛(wèi)平博士使用人工神經(jīng)網(wǎng)絡(luò)令金屬切削機在金屬切削的過程中智能化。李旭東利用BP網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的學習性，實現(xiàn)了金屬切削加工的智能化選擇。實際上，國內(nèi)有許許多多的人用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊伍中來。

并且隨著我國技術(shù)的逐漸加強，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越來越強。

2.3人工神經(jīng)網(wǎng)絡(luò)對于刀具磨損的檢測

人工神經(jīng)系統(tǒng)被運用于金屬切削領(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，代替人工來檢驗刀具的磨損程度。

通過人工神經(jīng)網(wǎng)絡(luò)的學習性，可以輕易在網(wǎng)絡(luò)中建模，使人工神經(jīng)網(wǎng)絡(luò)可以輕易地檢測出刀具的正常狀態(tài)與非正常狀態(tài)――即刀具是否磨損。當?shù)毒咛幱谀p狀態(tài)時，人工神經(jīng)網(wǎng)絡(luò)可以發(fā)出警告。實際上，在刀具磨損狀態(tài)下發(fā)出警報已經(jīng)不再是現(xiàn)在的研究重點了，在無人參與定情況下，對整個金屬切削過程進行識別，當?shù)毒甙l(fā)生磨損，人工神經(jīng)網(wǎng)絡(luò)可以進行自主替換，這，才是理想中的智能刀具檢驗系統(tǒng)，同時也是研究熱點。如果要實現(xiàn)上述內(nèi)容，應該具備這些特點：對于來自多個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習；可以根據(jù)外界數(shù)據(jù)的變化，快速調(diào)整自身，以適應周遭環(huán)境。

2.4通過人工神經(jīng)網(wǎng)絡(luò)的計算，預測金屬切削加工中的狀態(tài).

在人工神經(jīng)網(wǎng)絡(luò)運用于金屬切削中的一個重要研究，便是通過人工神經(jīng)網(wǎng)絡(luò)的計算來預測金屬切削加工中的狀態(tài)?？上н@項技術(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)域是一大進步，更加可以推動工廠全智能化、C械化，這無疑是一場重工業(yè)的一場大地震與大革命。

第4篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

關(guān)鍵詞　人工神經(jīng)網(wǎng)絡(luò)模型，人工語法學習，自動聯(lián)系者，序列學習，簡單循環(huán)網(wǎng)絡(luò)。

分類號 B842

1 引言

人工神經(jīng)網(wǎng)絡(luò)模型（Artificial Neural Network Model，簡稱ANN），顧名思義，就是用人造的程序、機械或設(shè)備來模擬人腦神經(jīng)網(wǎng)絡(luò)的模型。人工神經(jīng)網(wǎng)絡(luò)模型的用途有二：（1）發(fā)明基于神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)，來模擬人的學習、記憶、推理等智能活動，以服務(wù)于人類的現(xiàn)實生活；（2）構(gòu)建各種心理活動和心理過程的模型，以為各種心理學理論提供支持。前者是自動化、通信、制造、經(jīng)濟領(lǐng)域關(guān)注的，我們平時所見的語音識別、經(jīng)濟領(lǐng)域使用的股票走勢預測等智能系統(tǒng)大多是基于人工神經(jīng)網(wǎng)絡(luò)模型研制出來的。而后者則是心理學家所關(guān)注的領(lǐng)域。至今，人工神經(jīng)網(wǎng)絡(luò)模型已被用來模擬諸如知覺、記憶、學習、判斷等各種心理活動，以解釋矛盾的實驗數(shù)據(jù)，為有關(guān)的心理學理論提供豐富的證據(jù)。

和其他領(lǐng)域的研究者們一樣，內(nèi)隱學習領(lǐng)域的研究者們也注意到了這一行之有效的工具。Cleeremans（1993）指出根據(jù)已有的內(nèi)隱學習理論構(gòu)造人工神經(jīng)網(wǎng)絡(luò)模型，將模型的輸出數(shù)據(jù)與人類被試的實驗數(shù)據(jù)進行比較，能為原有的理論觀點提供證據(jù)[1]。Dienes和Perner（1996）也有類似的看法[2]。然而，在發(fā)揮人工神經(jīng)網(wǎng)絡(luò)模型在內(nèi)隱學習研究上的功效之前，必須解決如下問題：人工神經(jīng)網(wǎng)絡(luò)模型是否正如Cleeremans等所言適用于內(nèi)隱學習研究？如果是，用哪類人工神經(jīng)網(wǎng)絡(luò)模型來模擬內(nèi)隱學習？

2 人工神經(jīng)網(wǎng)絡(luò)模型的工作原理及其研究內(nèi)隱學習的適用性

人工神經(jīng)網(wǎng)絡(luò)模型之所以適用于內(nèi)隱學習，是因為它的基本工作原理和內(nèi)隱學習的兩個本質(zhì)特征有著驚人的相似。

2.1 人工神經(jīng)網(wǎng)絡(luò)模型的工作原理

早在20世紀40年代，便有研究者對人工神經(jīng)網(wǎng)絡(luò)模型的工作原理做了最初的嘗試。1943年，McCulloch和Pitts用類似“開關(guān)”的閾限邏輯單元（Threshold Logic Unit）**來模擬神經(jīng)元，并將多個這樣的單元以相等的強度（權(quán)重）連接起來，形成網(wǎng)絡(luò)，這就是著名的MP模型[3]。1949年，Hebb在論述條件反射的形成時，無意間提到了神經(jīng)元間連接強度更新的重要法則，即兩個彼此相連的神經(jīng)元同時激活或同時抑制，都能增加神經(jīng)元間的連接強度，后人稱此為Hebb法則[4]。然而，MP模型和Hebb法則都不能構(gòu)成真正意義**上的神經(jīng)網(wǎng)絡(luò)模型，雖然，MP模型已經(jīng)具備將多個神經(jīng)元連接起來，形成網(wǎng)絡(luò)的雛形，但是由于不同單元間的連接強度相等，且恒定不可變化，MP模型不具備人工神經(jīng)網(wǎng)絡(luò)的基本特征――學習性；而Hebb雖然提出了權(quán)重變化的一條有效法則，但卻未將其應用到人工神經(jīng)網(wǎng)絡(luò)中來。真正將神經(jīng)元連接成網(wǎng)絡(luò)的思想與借助于權(quán)重更新使網(wǎng)絡(luò)具有學習性的思想綜合在一起的要屬Rosenblatt。

Rosenblatt（1958）提出了第一個真正意義上的人工神經(jīng)網(wǎng)絡(luò)模型――感知器（Perceptron）[5]。其基本工作原理為：整個感知器由多個不同層次的加工單元組成，每個加工單元的功能類似于單個神經(jīng)元或一組神經(jīng)元，它能接收來自前一層的幾個加工單元的激活，并綜合這些激活，對此進行簡單運算（例如：判斷總激活量是否達到某一閾限），然后將運算的結(jié)果傳遞給下一層的加工單元。第一層單元的激活模式反映了外部刺激狀態(tài)，即模型的輸入，而最后一層單元的激活模式則為模型的輸出反應。某個單元對下一層的另一個單元的影響取決于兩個單元之間連接的強度（權(quán)重）。為了在給定輸入的情況下，使模型獲得類似于人類被試的輸出反應，必須不停地調(diào)節(jié)單元與單元間的連接權(quán)重。所以，在構(gòu)建合適的人工神經(jīng)網(wǎng)絡(luò)模型時，研究者往往會先設(shè)置一系列初始權(quán)重，然后不斷地給予模型不同的輸入模式，在每個特定輸入后，比較模型輸出與正確輸出間的差異，并據(jù)此調(diào)整單元間的連接權(quán)重，這一過程不斷進行，直到模型輸出和正確輸出間的差異達到最小值，此時，模型便完成了整個學習過程。圖1為一個典型感知器的例子，它旨在判斷呈現(xiàn)于視網(wǎng)膜的光條是垂直的還是水平的。整個感知器由3個加工單元層組成，第一層為網(wǎng)膜層，即將整個視網(wǎng)膜分割為10×10的網(wǎng)格，用每個網(wǎng)膜單元對應于一個網(wǎng)格，共100個單元，當光條落

圖1 感知器例子（資料來源：文獻[3]）

在視網(wǎng)膜的某幾個網(wǎng)格上時，這些網(wǎng)格所對應的網(wǎng)膜單元被激活。第二層為聯(lián)系層，其中的每個單元總是和某些網(wǎng)膜單元間存在興奮或抑制連接，不論興奮還是抑制連接，強度都是恒定的1或-1，當與聯(lián)系單元連接的網(wǎng)膜單元的總激活量達到聯(lián)系單元的激活閾限時，聯(lián)系單元被激活，例如圖1，Aj的接收到的總激活量為1＋1＋1-1＝2，如果Aj的閾限為2，那么2＝2，Aj被激活。第三層為反應層，其中只包括一個反應單元，它與所有的聯(lián)系單元連接，連接權(quán)重為Wj，其中，j表示第j個聯(lián)系單元。反應單元將綜合來自聯(lián)系單元的激活信息，即將每個聯(lián)系單元的激活量乘以它們之間的連接權(quán)重，然后簡單求和，得出總激活量，并判斷激活是否達到閾限，公式表示如下：

aR為反應單元的激活水平，aj為聯(lián)系單元的激活水平，θ為閾限值。如果，總激活量達到反應單元的閾限，反應單元被激活（激活量為1），感知器決定光條為垂直，否則，反應單元不被激活（激活量為0），感知器反應光條為水平。當然，感知器必須經(jīng)過一個漫長的學習階段，才能完成這一簡單的判斷任務(wù)。在學習階段，感知器接受各種不同的水平和垂直光條刺激，并一一做出反應，當反應正確時，連接權(quán)重不做任何調(diào)整，一旦反應錯誤，感知器會自動調(diào)整聯(lián)系單元與反應單元間的權(quán)重，比如：當反應單元的激活量為0時，而實際光條為垂直，說明反應單元所接收到的總激活量小于閾限，此時，則應增大那些被激活的聯(lián)系單元與反應單元間的連接權(quán)重，以提高總激活量，使其更有可能達到閾限，致使在下次刺激呈現(xiàn)時，感知器更易做出正確反應。當然，Rosenblatt的感知器除了能調(diào)整權(quán)重外，還會調(diào)整反應單元閾限。這種通過逐步調(diào)整連接權(quán)重和閾限，以減少感知器反應和正確反應間的差距的方法就是著名的感知器收斂法則（perceptron convergence rule）。不過，調(diào)整閾限的方法對于擁有多個反應單元的模型來說過于復雜，所以未被以后的人工神經(jīng)網(wǎng)絡(luò)模型采納。

可見，Rosenblatt的貢獻是卓越的，他給出了人工神經(jīng)網(wǎng)絡(luò)的基本工作原理，基于感知器收斂法則發(fā)展而來的delta法則與斜率遞減（gradient descent）法已成為如今人工神經(jīng)網(wǎng)絡(luò)最主要的算法，本文第3點中將對此做詳細介紹。然而，值得注意的一點是感知器僅在聯(lián)系層和反應層間使用了權(quán)重概念，學習過程也僅發(fā)生在這兩層之間，所以從本質(zhì)上講，感知器只屬于包含一個輸入層和一個輸出層的單層網(wǎng)絡(luò)（single layer network），這種單層網(wǎng)絡(luò)在解決某些實際問題時，遇到了障礙。Minsky等（1969）指出感知器甚至無法模擬諸如XOR（異或）等簡單運算[3]。因此，在接下來的將近20年中，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展一度進入低迷期。直到80年代中期，逆向傳導法（back propagation）[6]、自動聯(lián)系者（atuoassociator）[7]、循環(huán)模型（recurrent model）[8,9]一一提出，多層網(wǎng)絡(luò)廣泛應用智能模擬任務(wù)中，人工神經(jīng)網(wǎng)絡(luò)才得以迅速發(fā)展。然而，這些算法和模型的基本工作原理與最初的感知器卻并無兩樣。

2.2 人工神經(jīng)網(wǎng)絡(luò)模型研究內(nèi)隱學習的適用性

如上述，人工神經(jīng)網(wǎng)絡(luò)的工作原理為通過調(diào)整權(quán)重逐步學會正確反應。那么，這些基于調(diào)整權(quán)重來學習正確反應的人工神經(jīng)網(wǎng)絡(luò)模型是否適于研究內(nèi)隱學習呢？內(nèi)隱學習這一概念強調(diào)的是兩個特征：第一，它是學習的一種形式；第二，這種學習是內(nèi)隱的、無需意識努力的。人工神經(jīng)網(wǎng)絡(luò)的工作原理極好地匹配了這兩個特征。首先，要建立針對某一心理活動的合適的網(wǎng)絡(luò)模型，必須要經(jīng)過長期的訓練和學習過程，即向模型呈現(xiàn)許多刺激，要求其做出反應，并將模型反應與要求的正確反應進行比較，據(jù)此逐步調(diào)整內(nèi)部結(jié)構(gòu)，使模型在以后的刺激情景中，更易做出正確反應。這種學習過程和人類的學習有著驚人的相似，人類在幼年時，雖然腦神經(jīng)已發(fā)展完全，但是他們?nèi)匀徊荒軋?zhí)行各種認知任務(wù)，這時候的人腦就好比初始狀態(tài)的神經(jīng)網(wǎng)絡(luò)模型，雖然，已對模型基本結(jié)構(gòu)做了設(shè)定（比如，模型由幾個加工單元層組成，每層有幾個單元，哪些單元和哪些單元間存在聯(lián)系），但是由于所有的連接權(quán)重都是隨機設(shè)置的，模型不知道刺激與反應間的聯(lián)系，常常會給出錯誤反應，而當經(jīng)過幾年的學習之后，人類嬰孩不斷地從外界接收刺激，做出反應，并接收來自外界的反饋，將之與自己的反應做比較，逐步通過內(nèi)部結(jié)構(gòu)的改變，來調(diào)整自己的行為，從而能夠知覺事物、理解言語、控制自身的機體運動，這就好比初始狀態(tài)的網(wǎng)絡(luò)模型，能夠通過調(diào)整權(quán)重，達到穩(wěn)定狀態(tài)，對刺激模式做出正確反應?？梢?，人工神經(jīng)網(wǎng)絡(luò)模型很好地匹配了內(nèi)隱學習地第一個特征――兩者都是學習過程。其次，內(nèi)隱學習強調(diào)學習是內(nèi)隱地進行的。由于無法直接探索學習過程是否是內(nèi)隱的，研究者往往通過驗證學習中所獲得的知識是內(nèi)隱的來間接推斷學習過程是內(nèi)隱的，當被試在分類或選擇任務(wù)中的表現(xiàn)高于隨機，卻不知道自己是依據(jù)何種知識做出正確判斷時，習得的知識被認為是內(nèi)隱的，從而進一步推斷學習過程也是內(nèi)隱的[10~12]。人工神經(jīng)網(wǎng)絡(luò)模型也一樣，從根據(jù)輸出結(jié)構(gòu)來調(diào)整權(quán)重的過程來看，根本無法判斷學習過程是否是內(nèi)隱的，而類似的，人工神經(jīng)網(wǎng)絡(luò)的知識表征形式顯示神經(jīng)網(wǎng)絡(luò)模型所獲得的知識很有可能是內(nèi)隱的。當人工神經(jīng)網(wǎng)絡(luò)能做到正確反應時，指導模型該如何反應的知識似乎是存在于單元的組織結(jié)構(gòu)和他們之間的連接權(quán)重上，根本無法直接從這種無序而雜亂的結(jié)構(gòu)和權(quán)重上看出什么規(guī)則，例如：上述判斷光條垂直和水平的感知器，我們并無法從直觀上判斷哪些單元表征垂直光條，哪些單元表征水平光條，這種知識表征形式很有可能是內(nèi)隱的。這種知識的表征形式被稱為分布式表征（distributed representation），它和傳統(tǒng)的局部表征（local representation）很不一樣，局部表征中，每個用不同的單元表征不同的事物，例如：單元1表征事物1，單元2表征事物2……，在知識提取時，就好比查字典一樣，根據(jù)不同的事物，找到表征的位置，便可以獲悉有關(guān)事物的各種知識。而分布表征可以將不同的事物表征在同一組單元中，比如垂直光條和水平光條，在知識提取時，往往只需輸入新刺激的內(nèi)容，比如光條激活了視網(wǎng)膜的哪些區(qū)域，便能根據(jù)內(nèi)容找到合適的反應。

3 廣泛應用于內(nèi)隱學習領(lǐng)域的兩種人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)模型很好地匹配內(nèi)隱學習的兩大基本特征。因此，許多研究者針對不同的內(nèi)隱學習任務(wù)，選擇不同的人工神經(jīng)網(wǎng)絡(luò)模型來擬合內(nèi)隱學習過程，以探討內(nèi)隱學習的本質(zhì)和機制[13~17]。

縱觀近40年來的內(nèi)隱學習研究，雖然不同的研究者開發(fā)了許多不同的任務(wù)形式，獲得了許多可喜的研究成果，但是這些任務(wù)都離不開兩種根本的任務(wù)形式――人工語法學習和序列學習。相應地，根據(jù)兩個任務(wù)的不同特點，研究者選擇了兩種不同的模型――自動聯(lián)系者和簡單循環(huán)網(wǎng)絡(luò)（simple recurrent network，簡稱SRN）――分別對之加以模擬。

3.1 人工語法學習與自動聯(lián)系者

人工語法學習任務(wù)通常是：在學習階段，要求被試在不知道內(nèi)在規(guī)則的情況下記憶一大堆合法字符串，然后，在測試階段，向被試呈現(xiàn)一批新的合法和非法字符串，并告知前面學習的字符串是一類符合語法規(guī)則的合法字符串，要求被試根據(jù)前面的學習，判斷新的字符串是否合法[10]。從測試階段的要求、學習階段的要求和所學習的知識這三個不同的角度來看，人工語法學習具有三個主要特征：

第一，測試階段要求被試進行的是一項典型的分類任務(wù)。相應地，檢索1943年以來，人工神經(jīng)網(wǎng)絡(luò)模型發(fā)展的這段歷史，便可以發(fā)現(xiàn)只有模式聯(lián)系者（pattern associator）是專門針對模式識別和分類而開發(fā)出來的模型。模式聯(lián)系者的誕生源自于條件反射的思想，即建立刺激和反應間的聯(lián)系。用模式聯(lián)系者的話說，就是對于特定的輸入刺激模式，給出相應的反應模式。有趣的是，當用一組單元表示輸入模式，另一組單元表示輸出模式，它們兩兩連接在一起（如圖2），并使用Hebb法則Wij=εαiαi更新權(quán)重時（其中，ΔWij為輸入單元j和輸出單元i之間權(quán)重的變化量，ε為學習速率，是常數(shù)，aWi為輸出單元的激活量，aWj為輸入單元的激活量），模式聯(lián)系者便能在同一個模型中存儲不同的輸入模式，將反應模式相同的輸入模式歸于同一類，并且當模式中的某些量缺失時，比如某個輸入單元損壞，模型仍能正常運行[3]?？梢姡Ｊ铰?lián)系者能夠有效地模擬分類任務(wù)，甚至是某些腦神經(jīng)受損病人（相當于某些輸入或輸出單元受損）的分類活動。然而，人工語法學習并不僅是單純的分類任務(wù)，它還具有其他特征，因此，只模擬測試階段的分類任務(wù)是遠遠不夠的。

第二，人工語法學習的另一個特征是，學習階段要求被試在沒有任何指導（反饋）的情況下學習字符串，即并沒有在被試學習某一字符串的同時，告訴他們這一字符串屬于哪一類，合法還是非法。投射到模式聯(lián)系者中，就是在學習對特定刺激模式的分類時，不伴隨相應的反應模式，即沒有輸出單元。事實上，人類的許多學習過程都是在沒有外部指導的情況下進行的。比方說，當孩子看到麻雀和燕子（刺激模式）時，家長告訴他這是鳥（反應模式），但很多時候，家長并不在身邊，比如，當孩子看到鴿子時，沒有外在反應模式指導，孩子仍能反應為鳥，人類似乎能夠在沒有外在的反應模式引導教育的情況下，學會分類。人工語法學習也是一樣，雖然在學習時，沒有被告知哪些合法，哪些不合法，但是被試仍能學會分類規(guī)則。這些事實提示研究者：必須開發(fā)一種沒有外在引導者的自適應模型。于是，McClelland 和Rumelhart（1985）在對模式聯(lián)系者稍做調(diào)整的基礎(chǔ)上，提出了模式聯(lián)系者的一個自適應特例――自動聯(lián)系者[7]。由于沒有外部引導，任何自適應模型必須具備自我反饋的功能，自動聯(lián)系者也一樣，如圖3所示，每個單元除了接收外部輸入（e）以外，還必須接收來自其他單元的內(nèi)部輸入（i），這種存在內(nèi)部反饋的模型被稱為循環(huán)模型。為了達到分類的目的，自動聯(lián)系者旨在再現(xiàn)單元的外部輸入模式，就好像人工語法學

圖3 含有8個單元的自動聯(lián)系者（資料來源：文獻[7]）

習中，記憶字符串一樣。而為了達到這一點，必須調(diào)節(jié)連接權(quán)重，使單元的內(nèi)部輸入能匹配外部輸入，用公式表示為：

aWj為單元j的激活量。雖然，自動聯(lián)系者模型沒有可比對的反應模式，但是，上述算法的核心仍是用內(nèi)部狀態(tài)去匹配外部狀態(tài)，盡量減少兩者間的差異，因此，上述公式仍可看成delta法則*的變式。當然，除了使用delta法則來訓練自動聯(lián)系者外，也有研究者（例如，文獻[14]）使用類似模式聯(lián)系者的Hebb法則訓練該模型。和模式聯(lián)系者一樣，自動聯(lián)系者也能習得不同的外部輸入模式，并對此做出分類。可見，自動聯(lián)系者能夠很好地模擬人工語法學習任務(wù)學習和測試階段的表面屬性――無外部引導的分類學習任務(wù)。然而，它是否能模擬語法學習這一內(nèi)部屬性呢？

第三，人工語法學習的本質(zhì)特征在于所獲得的是有關(guān)語法的知識。雖然，如前所述，自動聯(lián)系者獲得的是一種無法外顯的分布性表征的知識，但是，有意思的是這種表征似乎代表了某一類別的原型。而原型或許就好比語法的抽象表示方法。McClelland 和Rumelhart（1985）曾構(gòu)建了一個由24個單元組成的自動聯(lián)系者，將一些有關(guān)狗的信息輸入這24個單元[7]，其中前8個單元輸入的是狗的名字信息，后16個單元輸入的是狗的外貌信息，結(jié)果發(fā)現(xiàn)經(jīng)過訓練后，模型的權(quán)重矩陣呈現(xiàn)出特殊的構(gòu)造，即前8個單元之間及前3個單元與后16個單元間的權(quán)重處于隨機水平，而后16個單元間的權(quán)重卻出現(xiàn)某種固定的模式，McClelland和Rumelhart認為這種固定的模式就是狗視覺表象的原型。雖然，無法從這種固定的權(quán)重模式中，看出典型的狗應該具有哪些特征，但是至少可以認為，如果兩個單元間的連接權(quán)重比較大，那么當這兩個單元同時被激活時，模型有可能將目標判斷為狗。也就是說，原型所表征的是每個視覺特征間的聯(lián)系。這就好比，人工語法學習中的語法知識，語法或許是由字母間的聯(lián)系所表征的。所以，從這點意義上來，自動聯(lián)系者習得的原型或許就是語法知識。

3.2 序列學習和簡單循環(huán)網(wǎng)絡(luò)

序列學習任務(wù)要求被試對一系列規(guī)則序列進行選擇反應，其假設(shè)為：如果被試習得了序列間存在的固定規(guī)則，則他們可以依據(jù)前面呈現(xiàn)的序列來預測下一個項目是什么，成功的預測將會縮短被試的反應時[11]。序列學習和人工語法學習之間的本質(zhì)區(qū)別在于：它是一項預測任務(wù)，而非分類任務(wù)，被試對某一項目的反應依賴于前面的項目。

1990年，Elman開發(fā)了簡單循環(huán)網(wǎng)絡(luò)，專門用來模擬這類預測任務(wù)[9]。簡單循環(huán)網(wǎng)絡(luò)的目的是根據(jù)當前輸入的項目來預測下一個項目，它的基本結(jié)構(gòu)如圖4所示，由4個加工單元層組成，它們分別是輸入單元層、隱含單元層、上下文單元層和輸出單元層。輸入單元層用于表征當前輸入的項目，輸出單元層用于表征模型所預測的項目，上下文單元層用于表征在當前項目之前出現(xiàn)的項目序列，而隱含單元層負責在輸入、輸出和上下文單元層間的信息傳遞。簡單循環(huán)網(wǎng)絡(luò)的工作原理為：在接收第一

圖4 簡單循環(huán)網(wǎng)絡(luò)的基本結(jié)構(gòu)（資料來源：文獻[16]）

個項目時，輸入層中的某些單元被激活，并將激活傳遞給隱含層中的單元，隱含層除了將激活進一步傳遞給輸出層，由輸出層預測第二個項目外，還將自己的激活水平復制于上下文層，當接收第二個項目時，隱含層除了收到來自輸入層的激活外，還將收到來自上下文層的激活，因此，它向輸出層傳遞的激活則包含了第一和第二兩個項目的信息，依此類推，輸出層所做出的預測是基于包含當前項目之內(nèi)的所有項目的信息。當然，和其他許多人工神經(jīng)網(wǎng)絡(luò)模型一樣，簡單循環(huán)模型依據(jù)delta法則來調(diào)整權(quán)重的，即將模型給出的預測與真實出現(xiàn)的后續(xù)項目進行比較，來調(diào)整權(quán)重。不過，簡單循環(huán)網(wǎng)絡(luò)所使用的delta法則和自動聯(lián)系者有兩點差異：（1）權(quán)重調(diào)整是通過斜率遞減法進行的，即尋求預測反應和真實項目之間誤差方差的最小值，用公式表示為：

其中，tout為真實的正確輸出，aout為模型的預測輸出；（2）不同于自動聯(lián)系者，簡單循環(huán)網(wǎng)絡(luò)是多層模型，當調(diào)整輸出層單元和隱含層單元間的權(quán)重時，計算預測和真實項目間的誤差方差是可以直接計算獲得的，然而當要調(diào)整隱含層單元與輸入層單元或上下文層單元間的權(quán)重時，由于不存在真實的正確反應，誤差方差則無從計算，所以Rumelhart和McClelland（1986）提出可以用輸出層單元的誤差來估計隱含層單元的誤差，即某一隱含單元的誤差為所有與之連接的輸出層單元的誤差與它們之間權(quán)重乘積求和的函數(shù)[6]

然后，同樣用斜率遞減法求出權(quán)重的變化量，這種誤差計算的法則和簡單循環(huán)網(wǎng)絡(luò)中原有的信息流方向正好相反，所以又被稱為逆向推導。

簡單循環(huán)網(wǎng)絡(luò)能有效地模擬序列學習中的預測機制，因此，它剛提出不久，就被用于模擬內(nèi)隱序列學習，用來研究序列學習的抽象性等問題[13,15,16]。

總之，針對不同的內(nèi)隱學習任務(wù)，為了得到更佳的模擬效果，研究者往往傾向于選擇不同人工神經(jīng)網(wǎng)絡(luò)模型加以模擬。然而，就像是任務(wù)之間的劃分并不絕對一樣（比如：Cleeremans等就曾將人工語法和序列學習結(jié)合在同一個任務(wù)中），神經(jīng)網(wǎng)絡(luò)模型和內(nèi)隱學習任務(wù)間的匹配也并不絕對，比如：Boucher等（2003）就層用簡單循環(huán)網(wǎng)絡(luò)來模擬序列學習[17]。

4 小結(jié)

基于權(quán)重調(diào)整來學習正確反應的人工神經(jīng)網(wǎng)絡(luò)模型和內(nèi)隱學習的兩大本質(zhì)特征間有著極優(yōu)的匹配，人工神經(jīng)網(wǎng)絡(luò)模型在內(nèi)隱學習領(lǐng)域的適用性毋庸置疑。在這樣的背景下，出于深入探討內(nèi)隱學習的目的，研究者紛紛根據(jù)不同的內(nèi)隱學習任務(wù)，選用不同的人工神經(jīng)網(wǎng)絡(luò)模型對之加以模擬[18]。到目前為止，針對兩種較為普遍的內(nèi)隱學習任務(wù)，也相應地出現(xiàn)了兩種使用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型――自動聯(lián)系者和簡單循環(huán)網(wǎng)絡(luò)。在實際研究中，合理地使用這兩個模型，必將為內(nèi)隱學習的理論和人工模擬提供更有力的證據(jù)。

參考文獻

[1] Cleeremans A. Mechanisms of Implicit Learning: Connectionist Models of Sequence Processing. In: Jeffrey L E ed. Neural Network Modeling and Connectionism. London: MIT Press, 1993

[2] Dienes Z, Perner J. Implicit knowledge in people and connectionist networks. In: Underwood G.. Implicit cognition. Oxford: Oxford University Press, 1996

[3] McLeod P, Plunkett K, Rolls E T. Introduction to Connectionist Modelling of Cognitive Processes. Oxford: Oxford University Press, 1998

[4] Milner P. A Brief History of the Hebbian Learning Rule. Canadian Psychology, 2003, 44(1): 5~9

[5] Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Reviews, 1958, 65: 386~408

[6] Rumelhart D, McClelland J. Parallel distributed processing (vol. 1). Cambridge: MIT press, 1986a

[7] McClelland J, Rumelhart D. Distributed Memory and the Represantation of General and Specific Information. Journal of Experimental Psychology: General, 1985, 114(2): 159~188

[8] Jordan M. An introduction to linear algebra in parallel distributed processing. In: Rumelhart D, McClelland J ed. Parallel distributed processing (vol. 1). Cambridge: MIT press, 1986a. 365~422

[9] Elman J. Finding structure in time. Cognitive Science, 1990, 14(2): 179~212

[10] Reber A S. Implicit learning of artificial grammars. Journal of Verbal Learning and Verbal Behavior, 1967, 6(2): 317~327

[11] Nissen M J, Bullemer P. Attentional requirement of learning: Evidence from performance measures. Cognitive Psychology, 1987, 19(1): 1~32

[13] 郭秀艷, 鄒玉梅, 李強等. 中學生顏色內(nèi)隱學習特征的實驗研究. 心理與行為研究, 2003, 1(2): 122~127

[14] Cleeremans A, McClelland J L. Learning the Structure of Event Sequence. Journal of Experimental Psychology: General, 1991, 120(3): 235~253

[15] Dienes Z. Connectionist and Memory-Array Models of Artificial Grammar Learning. Cognitive Science, 1992, 16(1): 41~79

[16] Jiménez L, Méndez C, Cleeremans A. Comparing Direct and Indirect Measures of Sequence Learning. Journal of Experimental Psychology: Learning, Memory, and Cognition, 1996, 22(4): 948~969

[17] Dienes Z, Altmann G, Gao S J. Mapping across Domains Without Feedback: A Neural Network Model of Transfer of Implicit Knowledge. Cognitive Science, 1999, 23(1): 53~82

第5篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

關(guān)鍵詞：供需平衡；可持續(xù)發(fā)展；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：F2

文獻標識碼：A

文章編號：1672.3198（2013）04.0060.02

人與自然的矛盾，發(fā)展與限制的矛盾逐漸被人們所認識，現(xiàn)已經(jīng)成為研究的熱點?？沙掷m(xù)發(fā)展的概念就是在這樣的背景下提出的。我國的房地產(chǎn)業(yè)正逐漸發(fā)展成為國民經(jīng)濟支柱產(chǎn)業(yè)之一，因此研究房地產(chǎn)經(jīng)濟的可持續(xù)發(fā)展問題具有非常重要的戰(zhàn)略意義。

1問題分析

住房需求與住房供給，二者之間相關(guān)制約、相互關(guān)聯(lián)，它們是房地產(chǎn)行業(yè)的兩大基本特征。住房需求和供給都是眾多影響因素共同作用的結(jié)果，需求量和供給量僅僅是其外在體現(xiàn)。同時，他們的主要影響因素不完全一致，即使對于相同因素，其影響的方向和程度也不盡相同。因此，需求與供給各自孤立的發(fā)展，可能就會導致住房的供不應求或者供過于求現(xiàn)象，這都會影響房地產(chǎn)行業(yè)的穩(wěn)定。

因此，本文將住房需求和供給的合理匹配與協(xié)調(diào)，視為房地產(chǎn)行業(yè)可持續(xù)發(fā)展的基本條件。需求和供給的協(xié)調(diào)程度的度量（簡稱協(xié)調(diào)度）定義如下：

式中，ρ（t）為第t期住房供需協(xié)調(diào)度；D（t）為第t期的需求，S（t）為第t期的供給。

顯然，供需協(xié)調(diào)協(xié)調(diào)度為無量綱。特別地，當D（t）=0或S（t）=0時，ρ（t）=0；當D（t）=S（t）時，ρ（t）=1。該系數(shù)的取值范圍為，且絕對值越大，意味著供需越協(xié)調(diào)。

基于以上分析，房地產(chǎn)行業(yè)的可持續(xù)發(fā)展問題可以描述為：通過控制住房需求影響因素以及住房供給影響因素的變化，達到需求和供給在一定容許范圍內(nèi)協(xié)調(diào)。換句話說，原問題轉(zhuǎn)化為經(jīng)典的控制問題。本文的控制策略調(diào)是單因素控制，也即是每次僅控制一個輸入，保持其他輸入不變。

2 模型建立

2.1 BP網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是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(quán)系數(shù)相連接，信息分布式存儲于這些連接權(quán)系數(shù)中，使得網(wǎng)絡(luò)具有很高的魯棒性和容錯性，能夠解決噪聲干擾等影響。本文建立基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)行業(yè)可持續(xù)發(fā)展模型。

房地產(chǎn)行業(yè)可持續(xù)發(fā)展神經(jīng)網(wǎng)絡(luò)模型，本文選擇反饋型的Hopfield網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示，包含一個輸入層、一個隱含層和一個輸出層。其中：

（1）輸入層神經(jīng)元：需求影響因素和供給影響因素，共N個（相同影響因素算為一個），神經(jīng)元分別記為{Z1，Z2，…，ZN}；

（2）輸出層神經(jīng)元：實際代表協(xié)調(diào)度，僅一個；

（3）隱含層神經(jīng)元：個數(shù)為M，神經(jīng)元記為{H1，H2，…，HM}。

3 模型求解

3.1輸入層神經(jīng)元的確定

根據(jù)文獻[2]分析，選取城鎮(zhèn)總?cè)丝跀?shù)、商品房銷售價格、城鎮(zhèn)家庭恩格爾系數(shù)三項因素作為四川省住房需求影響因素；根據(jù)文獻[3]分析，選取城市人均住宅建筑面積和城鎮(zhèn)家庭恩格爾系數(shù)兩項作為供給影響因素。因此，BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元為：城鎮(zhèn)總?cè)丝跀?shù)；商品房銷售價格；城鎮(zhèn)家庭恩格爾系數(shù)；城市人均住宅建筑面積，共四個。

3.2訓練樣本的確定

由于1998年我國取消福利分房推行住房分配貨幣化，本文將研究時段取為1998-2010年，具體為國家統(tǒng)計局網(wǎng)站上查詢的年度數(shù)據(jù)。

對應的的輸出，按照式（1）計算協(xié)調(diào)度。經(jīng)計算，2008年的協(xié)調(diào)度最小。以該樣本作為模型的測試樣本，設(shè)定協(xié)調(diào)度閾值為0.85。每次僅控制一個輸入，保持其他輸入不變。經(jīng)編程，分別計算四個輸入的調(diào)整量，分別為：-3346、-295、-2.94、1.71。

4 結(jié)語

本文研究了房地產(chǎn)行業(yè)的可持續(xù)發(fā)展問題。研究思路為：將住房需求和供給的合理匹配與協(xié)調(diào)，視為房地產(chǎn)行業(yè)可持續(xù)發(fā)展的基本條件，并引入需求和供給的協(xié)調(diào)度概念，在此基礎(chǔ)上，將該問題轉(zhuǎn)化為控制問題：通過控制住房需求影響因素以及住房供給影響因素的變化，滿足協(xié)調(diào)度在一定容許范圍內(nèi)?；贐P神經(jīng)網(wǎng)絡(luò)，建立需求供給因素的反饋控制模型。實例計算驗證了模型的可行性。

參考文獻

[1]邊肇慶，張學工.模式識別[M].北京：清華大學出版社，2000.

[2]張莉莉.四川省住房需求逐步回歸模型研究[J].現(xiàn)代商貿(mào)工業(yè)，2012，（13）：56.57.

第6篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

關(guān)鍵詞：自主角色; 神經(jīng)網(wǎng)絡(luò); 遺傳算法

中圖分類號： TP183

文獻標識碼：A

0引言

隨著計算機圖形學和硬件技術(shù)的高速發(fā)展，計算機游戲近十幾年也取得了很大的發(fā)展，游戲軟件已成為軟件產(chǎn)業(yè)中非常重要的內(nèi)容。游戲的類型主要包括FPS（第一人稱射擊）、RPG（角色扮演類型）和RTS（即時戰(zhàn)略游戲）等幾種類型，這些不同類型的游戲都要求游戲控制的角色（NPC）與玩家控制的角色（PLAYER）要有行為的交互，交互的方式直接影響玩家對游戲的興趣度。因此，對NPC與PLAYER之間的角色交互行為方式的研究已經(jīng)成為游戲軟件中的一個非常重要的研究課題。

目前大多數(shù)游戲中的角色行為的交互方式采用的是確定型的交互行為，其特征主要表現(xiàn)在角色的行為都是預先確定的，這種類型的行為實現(xiàn)起來較為簡單，也是目前大多數(shù)游戲所采用的交互方式。像這種確定性的行為往往體現(xiàn)不出角色的自主性，而且還會導致角色行動單調(diào)乏味，其行動很容易被玩家所預測,降低游戲的可玩性。為此,我們需要在游戲軟件中設(shè)計和實現(xiàn)這樣的NPC角色，它能夠根據(jù)當前環(huán)境的變化以及以往的經(jīng)驗知識來動態(tài)地改變對PLAYER的行為。具有這種能力的角色，我們稱之為自主角色,也稱為自適應角色。具有自主和自適應特點的角色可具有推理能力和自適應能力,在游戲環(huán)境下可更受玩家的歡迎。

一款擁有自主角色的游戲能夠牢牢地吸引玩家的注意力，從而延長這款游戲的生命周期，因此促使游戲開發(fā)人員花更多的時間來研究自主角色的實現(xiàn)。一些公司已經(jīng)開始嘗試從人工智能領(lǐng)域發(fā)展出更加高級的技術(shù)，如采用決策樹或者強化學習來實現(xiàn)角色的自主性，也有的像著名的游戲Colin McRae Rally2則采用了學習系統(tǒng)和神經(jīng)網(wǎng)絡(luò)來實現(xiàn)角色的自主性。

有關(guān)自主角色行為的論文已經(jīng)有很多做出了卓有成效的成績，如在Reynolds的文獻［1］中，對自主角色的群體行為進行了描述。Blumberg和Galyean［2］中引入更多的行為控制機制，并考慮了行為學習這樣一個令人感興趣的問題。對于自主角色的更高層次的認知能力方面，John David Fungc［3］中指出，認知模型是用于創(chuàng)建虛擬世界的模型“金字塔”的頂層，底層的行為模型作為認知模型和物理學模型之間的緩沖區(qū)，并將情景演算(situation calculus)［4］用于高度動態(tài)的虛擬世界。

但是，上述各種方法因為側(cè)重點不同，各有優(yōu)缺點，且相互之間較為獨立，因此本文結(jié)合上述一些方法的優(yōu)點，在此基礎(chǔ)上提出了基于認知角色建模，采用神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的游戲自主角色的設(shè)計思路。基于此，各小節(jié)安排如下：

第一節(jié)確定了基于認知建模方法的游戲自主角色模型；第二節(jié)介紹了神經(jīng)網(wǎng)絡(luò)在實現(xiàn)自主角色中的應用；第三節(jié)說明了遺傳算法對神經(jīng)網(wǎng)絡(luò)的優(yōu)化；第四節(jié)對自主角色的實驗進行了分析。

1基于認知建模的角色自主性模型

由于認知建模方法能夠采用精確的數(shù)學方式來定義自主角色的行為和學習模式，因此本文采用認知建模方法來對游戲角色的自主性進行建模。這里將游戲中存在的非玩家控制的角色簡稱為NPC,通過認知建模方法研究NPC的高級行為規(guī)劃，指導NPC,提高NPC的智能水平能力，使NPC能夠?qū)Νh(huán)境作出判斷，并根據(jù)當前的狀態(tài)進行推理，進而完成相應的行動序列,有利于創(chuàng)建聰明自主的智能體――具有認知能力的自主的角色。

在計算機游戲中，我們將游戲角色關(guān)于他所在世界的內(nèi)部模型稱“認知模型”(Cognitive Model)。認知模型可以用于游戲中，控制一類自主的角色。通過認知模型支配游戲角色對其所在環(huán)境的了解程度，如何獲取知識，以及如何利用知識選擇行動。

NPC的行為分為“預定義的”和“非確定性的”兩種，建立的認知模型也各不相同。建立預定義行為的認知模型比較簡單，只要將事先定義好的NPC所在環(huán)境的領(lǐng)域知識賦予NPC系統(tǒng)，NPC就可以根據(jù)人們的要求采取某種行動。而非確定性的行為不容易控制。為了實現(xiàn)人為的控制，我們采取一種折中的方法，即將領(lǐng)域知識和人的指導賦予NPC，使NPC主動地向人們希望它達到的目標發(fā)展?？捎上旅娴墓奖硎?

知識+指導=行為

領(lǐng)域知識能夠用來規(guī)劃目標，而指導對如何達到目標提供一種框架計劃。

當然NPC在決定采取什么樣的行動時并不需要整個虛擬世界的知識。所以，我們認為NPC的認知模型是角色對其虛擬世界的一種內(nèi)部簡化模型〔simplified model〕。

為此我們在現(xiàn)有游戲系統(tǒng)之上營造一個通過認知模型定義的高級行為規(guī)劃器來實現(xiàn)對NPC的行為指導。規(guī)劃器模型設(shè)計如圖1所示。

NPC的預定義行為和非確定行為都可以形式化為認知模型，通過認知模型來指導NPC高級行為規(guī)劃器，由于神經(jīng)網(wǎng)絡(luò)在非確定中的強大的學習作用，因此本項目通過神經(jīng)網(wǎng)絡(luò)來實現(xiàn)NPC高級行為規(guī)劃器的三個方面：目標引導、行為協(xié)調(diào)、約束滿足。

2基于人工神經(jīng)網(wǎng)絡(luò)的角色自主系統(tǒng)

這里,我們采用的是神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)作為NPC的感知系統(tǒng)。BP算法是一種用于多層前向網(wǎng)絡(luò)的學習算法，它包括輸入層、輸出層和隱含層，隱含層可以是多層結(jié)構(gòu)。BP網(wǎng)絡(luò)的學習過程包括兩個階段:第一階段計算前向輸出;第二階段從反向調(diào)整連接權(quán)矩陣。

在前向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層神經(jīng)元的輸出作為上層神經(jīng)元的輸入.如果在輸出層，實際輸出值與期望輸出值有誤差時，則以反向?qū)⒄`差信號逐層修改連接權(quán)系數(shù)并且反復迭代，最后使實際輸出值與期望值的均方差為最小。在修正連接權(quán)系數(shù)時，通常采用梯度下降算法。

BP神經(jīng)網(wǎng)絡(luò)使用的是指導式的學習方法,即在學習過程中,向網(wǎng)絡(luò)提供有明確輸入和輸出目標的樣本對。BP學習算法是基于最小二乘法LMS 算法,運用梯度下降方法,使網(wǎng)絡(luò)的實際輸出與期望輸出的均方差最小。網(wǎng)絡(luò)的學習過程是一種誤差邊向后傳播邊修正連接權(quán)的過程。因為BP網(wǎng)絡(luò)對以分類為主要目的的學習非常有效,所以,我們采用B P網(wǎng)絡(luò)進行NPC分類的自學習。需要輸入NPC自主系統(tǒng)中BP網(wǎng)絡(luò)的特征參數(shù)主要是NPC的生命值,NPC的攻擊力，NPC的防御力，NPC的情感值等，玩家虛擬角色的生命值,玩家虛擬角色的攻擊力，玩家虛擬角色的防御力，玩家虛擬角色的情感值等。

NPC在虛擬游戲環(huán)境下，在與玩家的不斷交互中刺激著感知系統(tǒng)，在外界環(huán)境發(fā)生變化時產(chǎn)生認知模型指導下的自主行為，通過神經(jīng)網(wǎng)絡(luò)最終演化成具有自主性的行為系統(tǒng)，同時，利用遺傳算法使適應度有一定程度的增加，使NPC更適應外界環(huán)境的變化。關(guān)于NPC的感知系統(tǒng)的設(shè)置如下：

1） 輸入?yún)?shù)的確定

NPC的感知系統(tǒng)由人工神經(jīng)網(wǎng)絡(luò)構(gòu)成，虛擬游戲環(huán)境的特征參數(shù)作為輸入送入神經(jīng)網(wǎng)絡(luò)進行學習。在我們的游戲項目中，輸入主要包括三種類型：布爾類型、枚舉類型和連續(xù)類型三種，但是這三種類型都需要轉(zhuǎn)化成神經(jīng)網(wǎng)絡(luò)所認可的實數(shù)類型。

2） 權(quán)重的確定

權(quán)重有些類似于生物神經(jīng)網(wǎng)絡(luò)的樹突聯(lián)結(jié)，權(quán)重影響了輸出變量的值，并且定義了神經(jīng)網(wǎng)絡(luò)的行為，實際上訓練或者演化神經(jīng)網(wǎng)絡(luò)的主要目標就是確定NPC神經(jīng)網(wǎng)絡(luò)的權(quán)重。為了確定每個輸入?yún)?shù)的權(quán)重，需要確定激活函數(shù)。

3） 激活函數(shù)的確定

激活函數(shù)確定了輸入與輸出參數(shù)之間的映射關(guān)系，針對NPC自主角色的神經(jīng)網(wǎng)絡(luò)，我們采用的是非線性激活函數(shù)，具體采用的是S型激活函數(shù)。

3基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化

神經(jīng)網(wǎng)絡(luò)的基本特征是大規(guī)模并行處理、容錯性、自適應性和自組織性，適合處理直覺和形象思維信息。神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合使神經(jīng)網(wǎng)絡(luò)的訓練有了一個嶄新的面貌，目標函數(shù)既不要求連續(xù)，也不要求可微，僅要求該問題可計算，而且它的搜索始終遍及整個解空間，因此容易得到全局最優(yōu)解。用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，可以使得神經(jīng)網(wǎng)絡(luò)具有自進化、自適應能力，從而構(gòu)造出進化的神經(jīng)網(wǎng)絡(luò)(ENN)［5］。

研究NPC的進化,要建立NPC在虛擬環(huán)境中進行的各種行為模型。另外,同虛擬環(huán)境本身也會發(fā)生競爭。由于適應度是NPC競爭力大小的直接反映,為了建立NPC的競爭機制,首先要建立NPC的適應度函數(shù)。

首先,NPC的適應度函數(shù)和NPC的種類相關(guān)。在同一環(huán)境下,不同NPC的適應度肯定是不相同的［6］。同時,為了表現(xiàn)NPC自學習對進化的影響,有了學習能力的同種NPC適應度的取值也有所不同。其次,NPC的適應度還與其所處的不同階段有關(guān)。適應度取值在其不同階段中不是一成不變的。

在環(huán)境不發(fā)生變化時,NPC的適應度函數(shù)F(t)可以用此函數(shù)表示:

其中,參數(shù)a表示NPC的生命力值;參數(shù)k表示NPC的類型,不同的NPC對同一游戲環(huán)境的適應性是不一樣的,當k取不同的值時,會得到適應度不同的各種NPC。接著按照以下工作步驟操作：

1） 從NPC神經(jīng)網(wǎng)絡(luò)中提取權(quán)重向量；

2） 用遺傳算法演化出一個新的網(wǎng)絡(luò)權(quán)重群體；

3） 把新的權(quán)重插入到NPC神經(jīng)網(wǎng)絡(luò)；

4） 轉(zhuǎn)到第一步進行重復，直至獲得理想的性能。

4試驗分析

我們的實驗測試場景如下：

在一個仿真的三維游戲環(huán)境下,游弋著若干個NPC角色和一個玩家控制的虛擬角色,主角可以漫游整個游戲場景,這些NPC當遇到主角后,可能會對主角采取不同的行為,比如攻擊行為,逃避行為,團隊作戰(zhàn)行為,對話行為等,所有這些行為的決策都取自于神經(jīng)網(wǎng)絡(luò)的訓練。

在采用神經(jīng)網(wǎng)絡(luò)算法之前，所有的NPC無論強弱，都會主動向玩家角色發(fā)起攻擊，而在采用神經(jīng)網(wǎng)絡(luò)算法之后，這些NPC都具有了一個人工大腦，每個NPC在與玩家角色的交互過程不斷地學習，不斷地演化，最終變成自主角色，具體表現(xiàn)在：NPC根據(jù)以往與玩家角色交互過程中的經(jīng)驗，從而產(chǎn)生較為理智的行為，比如當NPC感覺玩家的綜合實力要高于自己時，它可能會采取逃避的行為，而當NPC感覺其綜合實力要高于玩家時，它往往會主動攻擊玩家。

表1和表2列舉了應用神經(jīng)網(wǎng)絡(luò)算法前后的測試數(shù)據(jù)。

應用神經(jīng)網(wǎng)絡(luò)算法所采取的實驗方案如下：

(1) 對于NPC感知系統(tǒng)的輸入，包括與虛擬玩家角色的距離， 虛擬玩家的攻擊力，防御力，生命力，魔法力，信譽度，NPC自身的攻擊力，防御力，生命力，魔法力，信譽度。并將參數(shù)歸一化，使最終的參數(shù)范圍位于[-1, 1]之間；

(2) 對于NPC感知系統(tǒng)的輸出，包括躲避，單獨攻擊，潛伏，召喚同伴，團隊攻擊等行為。即將神經(jīng)元的輸出元設(shè)計成五個，這些行為通過一些標志符來確定，例如， 如果代表攻擊的輸出位為1，則其他位為零。

通過對比兩組測試試驗,可以發(fā)現(xiàn)后一組試驗中,NPC能夠根據(jù)自己的實力和玩家的實力對比，理智的采取一些行為（比如退避，呼喚同伴協(xié)同作戰(zhàn)）而不是一味盲目攻擊， NPC的存活率顯然就很高，因此也顯得較為智能。

第7篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

關(guān)鍵詞：電力系統(tǒng)；自動化控制；技術(shù)；應用

中圖分類號：TM73文獻標識碼： A 文章編號：

1.引言

目前狀況下，我國的經(jīng)濟發(fā)展十分迅速，各種新科學、新技術(shù)層出不窮，這為電力系統(tǒng)的發(fā)展提供了良好的外部環(huán)境。而我國的電力系統(tǒng)也是不斷吸取新的科技，將之與電力系統(tǒng)相結(jié)合，取得了進一步的發(fā)展與完善。新興智能技術(shù)永遠都是電力系統(tǒng)發(fā)展的新鮮血液，它可以對電力系統(tǒng)結(jié)構(gòu)方面的問題進行有效的解決。在這些技術(shù)當中，自動化控制技術(shù)的表現(xiàn)尤為突出，在電力系統(tǒng)的運行之中也有著十分重要的地位與作用。通過對自動化控制技術(shù)進行有效的利用，電力部門可以對自身的管理水平以及管理效率進行較大程度上的提高。電力與人們的生活息息相關(guān)，在人們的生產(chǎn)、生活當中有著十分廣泛的應用。而隨著人民生活水平的提高，對電能的穩(wěn)定性、有效性提出了更高的要求。這就要求在電力系統(tǒng)之中不斷引入新技術(shù)，進一步提高其自動化水平。所以，對電力系統(tǒng)自動化控制技術(shù)及其進行研究與分析，可以對人力資本的投入進行一定程度的減小，同時又有效的提高了電力系統(tǒng)運行的效率，具有十分重要的現(xiàn)實意義。

2.電力系統(tǒng)的自動化控制技術(shù)

2.1 電力系統(tǒng)自動化的基本內(nèi)容

對于電力系統(tǒng)自動化來說，它主要指的是先進的系統(tǒng)運行理念以及自動化程度較高的電力系統(tǒng)運行方法，其主要內(nèi)容是電工的二次系統(tǒng)。換句話說，也就是指對各種裝置、信號系統(tǒng)以及數(shù)據(jù)傳輸系統(tǒng)進行有效的利用，一次來對電力系統(tǒng)之中的部分元件、局部系統(tǒng)或者是全部系統(tǒng)進行一定程度上的監(jiān)視、協(xié)調(diào)以及控制，在這一過程中保證了高度的自動化水平。值得一提的是，在對系統(tǒng)進行監(jiān)視、協(xié)調(diào)以及控制的過程之中，發(fā)揮作用的裝置具有三項基本功能，分別是自動檢測、自主決策以及自我控制。這樣一來，就可以對電力系統(tǒng)運行的安全性、穩(wěn)定性進行有效的保證。

2.2 電力自動化系統(tǒng)的基本組成要素

電力系統(tǒng)在長期的發(fā)展過程當中，不斷對已有技術(shù)進行發(fā)展與更新，同時又引入新的技術(shù)，為其注入新鮮血液，當這種發(fā)展達到了一定階段，就形成了電力自動化系統(tǒng)。對于電力系統(tǒng)的自動化控制來說，它所涉及的內(nèi)容較為廣泛，主要包含以下幾個方面的內(nèi)容：首先是系統(tǒng)調(diào)度的自動化。在經(jīng)濟迅速發(fā)展以及科學技術(shù)水平不斷提高的大環(huán)境之下，電力系統(tǒng)的自動化一直保持較高的優(yōu)越性，而系統(tǒng)調(diào)度的自動化是其最為突出的表現(xiàn)，其功能主要是對與電力系統(tǒng)具有較大關(guān)聯(lián)的數(shù)據(jù)進行有效的采集與監(jiān)控。除了系統(tǒng)調(diào)度自動化以外，它還包含了電力系統(tǒng)經(jīng)濟運行與調(diào)度、電力市場運營與可靠性、發(fā)電廠運營決策、變電站綜合自動化等內(nèi)容。電力自動化系統(tǒng)存在著多個方面、多個環(huán)節(jié)的自動化控制，而在這些自動化控制當中，調(diào)度的自動化是電力系統(tǒng)自動化當中的一項核心技術(shù)，具有基礎(chǔ)性地位，它可以對自動化系統(tǒng)運行的穩(wěn)定性進行有效的保證。

2.3 變電站相關(guān)的自動化技術(shù)

在變電站的自動化技術(shù)之中，融合了多項先進技術(shù)，主要包含了計算機技術(shù)、現(xiàn)代電子技術(shù)、通信技術(shù)以及相應的現(xiàn)代信息處理技術(shù)。這些技術(shù)有機結(jié)合，融合成一個整體，有效的實現(xiàn)了對于變電站的二次設(shè)備的各種功能的重新優(yōu)化與組合。對于這些二次設(shè)備來說，主要包含有繼電保護設(shè)備、控制設(shè)備、測量設(shè)備以及其他各種自動裝置等。通過對這些裝置進行有效的設(shè)置與優(yōu)化，能夠?qū)ψ冸娬镜木唧w情況進行一定程度上的監(jiān)視以及測量。除此之外，在發(fā)現(xiàn)存在異常情況時，可以及時的對其進行控制與調(diào)節(jié)。綜上所述：變電站的自動化系統(tǒng)具有較強的綜合性，可以對變電站設(shè)備的運行情況進行有效的監(jiān)視、測量、控制與協(xié)調(diào)。

3.電力系統(tǒng)的自動化控制的各項基本技術(shù)

當前狀況下，我國經(jīng)濟發(fā)展迅速，而且科學技術(shù)水平也取得了一定程度上的提高。相關(guān)的電力企業(yè)應當抓住機遇，引進新興技術(shù)，進一步對電力系統(tǒng)的運行質(zhì)量以及運行效率進行有效的提高，以滿足人們對電力更高更嚴格的要求。下面我們對電力系統(tǒng)的自動化控制的各項基本技術(shù)進行一一闡述。

3.1 基于神經(jīng)網(wǎng)絡(luò)控制基本原理的控制技術(shù)

從理論的角度來看，神經(jīng)網(wǎng)絡(luò)控制存在著三項基本特征，它具有一定的非線性、并行處理性以及魯棒性。除了這三項基本特征之外，神經(jīng)網(wǎng)絡(luò)控制還存在著一個十分顯著的特點，即自組織學習能力。神經(jīng)網(wǎng)絡(luò)控制的這些特征與特點也正是其優(yōu)點所在。其連接機理主要如下：將具有較大數(shù)量的神經(jīng)元按照特定的方式進行有效的連接，這樣一來，在連接的權(quán)值之上就會隱含了大量的有效信息。然后，只需要通過相應的算法對權(quán)值進行一定程度上的調(diào)節(jié)。這樣一來，就可以實現(xiàn)神經(jīng)網(wǎng)絡(luò)的復雜映射，主要是從一個維度的空間向另一維度的空間進行映射，而且這種映射是非線性的。

3.2 專家系統(tǒng)的基本控制技術(shù)

對于專家系統(tǒng)來說，它是電力系統(tǒng)之中使用范圍最廣的系統(tǒng)之一。它所涉及到的內(nèi)容十分廣泛。它不僅包含了對處于警告狀態(tài)或者緊急狀態(tài)等特殊狀態(tài)下的辨別能力，同時在專家系統(tǒng)之中，還包含了對突發(fā)事件的緊急處理的能力、系統(tǒng)重新恢復控制的能力以及狀態(tài)的分析與轉(zhuǎn)換等。即使專家系統(tǒng)的應用已經(jīng)十分廣泛，但它還是存在著一定的問題與弊端，具有較大的局限性，例如：無法進行對于電力專家創(chuàng)造性的有效模仿。

3.3 模糊邏輯控制的基本技術(shù)

這種模糊邏輯控制的基本技術(shù)主要是基于模糊方法理論之上的，相對于其他控制方法，它具有一定的簡易性，十分容易對其進行有效的掌握。然而，簡單并不意味著落后，它的先進性也是顯而易見，正因為如此，它在實踐之中有著十分廣泛的應用。

3.4 綜合智能控制技術(shù)

這種控制技術(shù)的最大特點表現(xiàn)在綜合性之上，它將智能控制技術(shù)、現(xiàn)代控制技術(shù)、自動化控制技術(shù)的相關(guān)理論以及基本方法進行有機的結(jié)合。這樣一來，將幾種先進的技術(shù)與先進的理念進行綜合，使其達到有效的合力，使得控制能力更強、效率更高。神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合,專家系統(tǒng)與模糊控制的結(jié)合，神經(jīng)網(wǎng)絡(luò)與模糊控制的結(jié)合，神經(jīng)網(wǎng)絡(luò)、模糊控制與自適應控制的結(jié)合是在電力系統(tǒng)中應用較為廣泛的基本方法。

4.結(jié)束語

本文主要針對電力系統(tǒng)的自動化控制技術(shù)與應用進行研究與分析。首先從電力系統(tǒng)自動化的基本內(nèi)容、電力自動化系統(tǒng)的基本組成要素以及變電站相關(guān)的自動化技術(shù)三個方面介紹了電力系統(tǒng)的自動化控制技術(shù)。然后在此基礎(chǔ)之上，重點分析了電力系統(tǒng)的自動化控制的各項基本技術(shù)，主要有基于神經(jīng)網(wǎng)絡(luò)控制基本原理的控制技術(shù)、專家系統(tǒng)的基本控制技術(shù)、模糊邏輯控制的基本技術(shù)、綜合智能控制技術(shù)。經(jīng)過實踐證明，在電力系統(tǒng)之中運用自動化控制技術(shù)，可以有效的提高電力系統(tǒng)的穩(wěn)定性、安全性以及高效性。希望我們的研究能夠給讀者提供參考并帶來幫助。

參考文獻：

[1] 李小燕，跖拓等. 電力系統(tǒng)自動化控制中的智能技術(shù)應用研究[J]. 華章，2011，(16).

[2] 唐亮. 論電力系統(tǒng)自動化中智能技術(shù)的應用[J]. 硅谷, 2008，(02).

[3] 夏永平,唐建春. 淺議電力系統(tǒng)自動化[J]. 硅谷, 2010，(06).

第8篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

關(guān)鍵詞： 人工智能 足球機器人 人工神經(jīng)網(wǎng)絡(luò) 智能控制

引言

足球機器人系統(tǒng)是一個典型的多智能體系統(tǒng)和分布式人工智能系統(tǒng)，涉及機器人學、計算機視覺[1]、模式識別、多智能體系統(tǒng)[2]、人工神經(jīng)網(wǎng)絡(luò)[3]等領(lǐng)域，而且它為人工智能理論研究及多種技術(shù)的集成應用提供了良好的實驗平臺。機器人球隊與人類足球一樣，它的勝負不但取決于機器人本身的性能，而且取決于比賽策略，只有將可靠的硬件與先進的策略結(jié)合才能取勝。人工智能技術(shù)在足球機器人的平臺上有著重要的作用。從機器人的外觀到機器人最重要的核心部分——控制、決策，都無不起著重要的作用。專家系統(tǒng)[4]、人工神經(jīng)網(wǎng)絡(luò)在機器人的路徑規(guī)劃[5]上得到充分的應用。

1.人工智能研究現(xiàn)狀

人工智能[6-8]是一門研究人類智能機理，以及如何用計算機模擬人類智能活動的學科，該領(lǐng)域的研究包括機器人、語言識別[9]、圖像識別、自然語言處理和專家系統(tǒng)等，涉及數(shù)理邏輯、語言學、醫(yī)學和哲學等多門學科。人工智能學科研究的主要內(nèi)容包括：知識表示[10][11]、自動推理和搜索方法、機器學習和知識獲取、知識處理系統(tǒng)、自然語言理解、計算機視覺、智能機器人、自動程序設(shè)計等方面。

幾乎所有的編程語言均可用于解決人工智能算法，但從編程的便捷性和運行效率考慮，最好選用“人工智能語言”[12]。常用的人工智能語言有傳統(tǒng)的函數(shù)型語言Lisp、邏輯型語言Prolog及面向?qū)ο笳Z言Smalltalk、VC++及VB等，Math-Works公司推出的高性能數(shù)值計算可視化軟件Matlab中包含神經(jīng)網(wǎng)絡(luò)工具箱，提供了許多Matlab函數(shù)。另外，還有多種系統(tǒng)工具用于開發(fā)特定領(lǐng)域的專家系統(tǒng)，如INSIGHT、GURU、CLIPS、ART等。這些實用工具為開發(fā)人工智能應用程序提供了便利條件，使人工智能越來越方便地運用于各種領(lǐng)域。

智能機器人是信息技術(shù)和人工智能等學科的綜合試驗場，可以全面檢驗信息技術(shù)和人工智能等各領(lǐng)域的成果，以及它們之間的相互關(guān)系。人工智能技術(shù)中的視覺、傳感融合、行為決策、知識處理等技術(shù)，需要使無線通訊、智能控制、機電儀一體化、計算機仿真等許多關(guān)鍵技術(shù)有機、高效地集成統(tǒng)一。人們在很多領(lǐng)域都成功地實現(xiàn)了人工智能：自主規(guī)劃和調(diào)度、博弈、自主控制、診斷、后勤規(guī)劃、機器人技術(shù)、語言理解和問題求解等。

2.人工智能主要研究領(lǐng)域

人工智能的研究領(lǐng)域非常廣泛，而且涉及的學科非常多。目前，人工智能的主要研究領(lǐng)域包括：專家系統(tǒng)、機器學習、模式識別、自然語言理解、自動定理證明、自動程序設(shè)計、機器人學、智能決策支持系統(tǒng)及人工神經(jīng)網(wǎng)絡(luò)等。下面主要介紹在足球機器人設(shè)計、制造、控制等過程中常用的人工智能技術(shù)[13]。

2.1專家系統(tǒng)

專家系統(tǒng)是一個智能計算機程序系統(tǒng)，是一個具有大量專門知識與經(jīng)驗的程序系統(tǒng)，它應用人工智能技術(shù)和計算機技術(shù)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題。專家系統(tǒng)一般具有如下基本特征：具有專家水平的專門知識；能進行有效的推理；具有獲取知識的能力；具有靈活性；具有透明性；具有交互性；具有實用性；具有一定的復雜性及難度。

2.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的機理，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷，具有自適應、自組織和實時學習的特點。神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、并行處理、自學習、自組織和非線性映射等優(yōu)點的神經(jīng)網(wǎng)絡(luò)與其他技術(shù)的結(jié)合，以及由此而來的混合方法和混合系統(tǒng)，已經(jīng)成為一大研究熱點。由于其他方法也有優(yōu)點，因此將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合，取長補短，可以達到更好的應用效果。目前這方面工作有神經(jīng)網(wǎng)絡(luò)與模糊邏輯、專家系統(tǒng)、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據(jù)理論和灰色系統(tǒng)等的融合。

2.3圖像處理

圖像處理是用計算機對圖像進行分析，達到所需結(jié)果，又稱影像處理。圖像處理技術(shù)主要包括圖像壓縮，增強和復原，匹配、描述和識別三個部分。常見的處理有圖像數(shù)字化、圖像編碼、圖像增強、圖像復原、圖像分割和圖像分析等。數(shù)字圖像處理中的模式識別技術(shù)，可以對人眼無法識別的圖像進行分類處理，可以快速準確地檢索、匹配和識別出各種東西，在日常生活各方面和軍事上用途較大。

3.人工智能在足球機器人中的應用

3.1基于專家系統(tǒng)的足球機器人規(guī)劃

路徑規(guī)劃或避碰問題是足球機器人比賽中的一個重要環(huán)節(jié)。根據(jù)工作環(huán)境，路徑規(guī)劃模型可分為基于模型的全局路徑規(guī)劃和基于傳感器的局部路徑規(guī)劃。全局路徑規(guī)劃的主要方法有：可視圖法、自由空間法、最優(yōu)控制法、柵格法、拓撲法、切線圖法、神經(jīng)網(wǎng)絡(luò)法等。局部路徑規(guī)劃的主要方法有：人工勢場法、模糊邏輯算法、神經(jīng)網(wǎng)絡(luò)法、遺傳算法[14]等。機器人規(guī)劃專家系統(tǒng)是用專家系統(tǒng)的結(jié)構(gòu)和技術(shù)建立起來的機器人規(guī)劃系統(tǒng)。大多數(shù)成功的專家系統(tǒng)都是以基于規(guī)則系統(tǒng)的結(jié)構(gòu)來模仿人類的綜合機理的。它由五部分組成：知識庫、控制策略、推理機、知識獲取、解釋與說明。隨著人工智能計算智能與進化算法研究的逐步發(fā)展，遺傳算法、蟻群算法等的提出，機器人路徑規(guī)劃問題得到了相應發(fā)展。尤其是通過遺傳算法在路徑規(guī)劃中的應用，機器人更加智能化，其運行路徑更加逼近理想的優(yōu)化要求。以動態(tài)、未知環(huán)境下的機器人路徑規(guī)劃為研究背景，利用遺傳算法采用了基于路點坐標值的可變長染色體編碼方式，構(gòu)造了包含障礙物排斥子函數(shù)項的代價函數(shù)，使得路徑規(guī)劃中的地圖信息被成功引入到了遺傳操作的實現(xiàn)過程中。同時針對路徑規(guī)劃問題的具體應用，改進了交叉和變異兩種遺傳算子，獲得了較為理想的路徑搜索效率，達到了較好的移動機器人路徑規(guī)劃效果。

3.2人工神經(jīng)網(wǎng)絡(luò)在機器人定導航中的應用

人工神經(jīng)網(wǎng)絡(luò)是一種仿效生物神經(jīng)系統(tǒng)的信息處理方法，其優(yōu)點主要體現(xiàn)在它可以處理難以用模型或規(guī)則描述的過程和系統(tǒng)；對非線性系統(tǒng)具有統(tǒng)一的描述；有較強的信息融合能力。因此在移動機器人定位與導航方面，基于神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合正是利用了神經(jīng)網(wǎng)絡(luò)的這些特性，將機器人外部傳感器的傳感數(shù)據(jù)信息作為神經(jīng)網(wǎng)絡(luò)的輸入處理對象，從而獲得移動機器人自身位置與對障礙物比較精確的估計，實現(xiàn)移動機器人的避障與自定位。

結(jié)語

隨著人工智能技術(shù)的進一步研究，足球機器人競賽水平將不斷提高。但就目前情況來看，在現(xiàn)有的基礎(chǔ)上擴大應用的范圍，增強應用的效果，還應主要在人工智能技術(shù)上做進一步的研究。專家系統(tǒng)在專家知識的總結(jié)、表述及不確定的情況下推理是目前專家系統(tǒng)的瓶頸所在。制造生產(chǎn)的多變復雜性及操作的人工經(jīng)驗性，使人工智能的應用受到限制。此外，一些工藝參數(shù)的定量化實現(xiàn)也不易。隨著技術(shù)的飛速發(fā)展，人工智能技術(shù)也在進一步完善，如多種方法混合技術(shù)、多專家系統(tǒng)技術(shù)、機器學習方法、并行分布處理技術(shù)等。隨著新型人工智能技術(shù)的出現(xiàn)，制造業(yè)將會更加光明，性能更加優(yōu)越的足球機器人也不再遙遠。

參考文獻：

[1]鄭南寧.計算機視覺與模式識別[M].北京-國防工業(yè)出版社，1998.3.

[2]Wang Hongbing Fan Zhihua She Chundong Formal Specification of Role Assignment for Open Multi Agent System Chinese of Journal Electronics[J].2007，16（2）：212-216.

[3]LIMING ZHANG AND FANJI GU NEURAL INFORMATION PROCESSING VOLUME 1[M]Fudan University Press， 2001.

[4]Cai Zixing，King-Sun Fu. Expert-System-Based Robot Planning ？Control Theory & Applications[J] .1988（2）： 35-42.

[5]張銳，吳成東.機器人智能控制研究進展[J].沈陽建筑工程學院學報（自然科學版），2003，19（1）：61-64.

[6]蔡自興，徐光祐.人工智能機器應用（第三版）清華大學出版社，2004.

[7]艾輝.謝康寧，謝百治.談人工智能技術(shù)[J]中國醫(yī)學教育技術(shù)，2004，18（2）：78-80.

[8]Nilsson NJ.Artificial Intelligence：A New Synthesis[M].Beijing：China Machine Press，2006：72-95.

[9]Han Jiqing Gao Wen Robust Speech Recognition Method Based on Discriminative Environment Feature Extraction Journal of Computer Science and Technology[J]. 2001；16（5）：458-464.

[10]Tang Zhijie Yang Baoan Zhang Kejing Design of Multi-attribute Knowledge Base Based on Hybrid Knowledge Representation Journal of Donghua University 2006，23（6）：62-66.

[11]Hu Xiangpei Wang Xuyin Knowledge representation and rule——based solution system for dynamic programming model Journal of Harbin Institute of Technology 2003，10（2）：190-194.

[12]姚根.人工智能的概況及實現(xiàn)方法[J] .2009，28（3）：108.

第9篇：神經(jīng)網(wǎng)絡(luò)的基本特征范文

關(guān)鍵詞：認知雷達；發(fā)展前景

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2014）20-4720-02

Introduction to Cognitive Radar

ZHANG Qi-wen， LIU Zhong-yi

（Radar Department of Navy Submarine Academy， Qingdao 266042，China）

Abstract： Cognitive radar is a new concept of radar， in this paper the development of cognitive radar， definitions， and the development direction of the future are expounded.

Key words： Cognitive radar； development trend

大腦視覺是一個強大的并行化信息處理機，具有完成某些任務(wù)如高可靠的目標檢測和高精度的目標跟蹤、其運行速度遠超任何傳統(tǒng)雷達系統(tǒng)的內(nèi)在能力。盡管大腦視覺和傳統(tǒng)雷達之間存在許多不同之處，但他們共享同一特征：他們都是外部世界（環(huán)境）的觀察者，雷達是一個通過發(fā)射探測信號給環(huán)境的主動感知器，然后基于雷達回波進行決策處理得到環(huán)境場景[1]。作為一個主動感知器，雷達用于認知雷達回波，并據(jù)此發(fā)射相應的雷達探測信號。關(guān)鍵問題是：我們?nèi)绾螌W腦視覺來顯著地增強傳統(tǒng)雷達的信息處理能力這個基本問題的答案在于認知，因此認知雷達（CR）的創(chuàng)新理念源于蝙蝠回波定位系統(tǒng)。注意力集中在大腦視覺己有大量地神經(jīng)科學方面的視覺系統(tǒng)的文獻[2]。

1 發(fā)展歷程

從傳統(tǒng)雷達到認知雷達（CR），最初的進化過程的描述是Kershaw和Evans[4]。在這篇論文中， 增加了從接收機到發(fā)射機的鏈接，雖然是離線方式，則系統(tǒng)轉(zhuǎn)變?yōu)橐粋€閉環(huán)雷達反饋系統(tǒng)，此后這種雷達看成一類提前主動雷達（FAR）[3]。

由此雷達可以分為三類：

傳統(tǒng)主動雷達（TAR）， 工作在前饋方式；TAR包括接收機中使用自適應濾波器（卡爾曼濾波器） 進行迭代狀態(tài)估計，及與發(fā)射波形匹配的接收處理。

提前―主動雷達（FAR）， 區(qū)別在于使用了連接接收機到發(fā)射機的反饋鏈路， 在雷達文獻中， 這種雷達定義為完全自適應， 它的全局反饋， 包括環(huán)境在內(nèi)的反饋環(huán)路， FAR包括接收機中使用自適應濾波器和發(fā)射機中自適應波束形成。在控制理論方面， 反饋便于智能化；因此也可以認為完全自適應雷達是一個受限的智能系統(tǒng)， 它是向認知雷達邁出的切實可行的第一步。

認知雷達（CR），它既不同于TAR， 也不同于FAR。主要表現(xiàn)在它能從與環(huán)境反復作用所獲取的經(jīng)驗中進行自組織的學習能力，該能力必將發(fā)揮重要的作用。

有表1可以看出，大型腦網(wǎng)絡(luò)的認知，人類認知傳統(tǒng)觀點，人腦看成模塊化范式，被認定為執(zhí)行各個專門功能的獨立處理器。然而，認知神經(jīng)科學發(fā)現(xiàn)了大腦區(qū)域的功能是相互作用的，它以一種大型網(wǎng)絡(luò)的方式工作在一起。大腦皮層在認知的信息處理中發(fā)揮關(guān)鍵的作用， 皮層微柱是皮層的基本功能單元， 感知的任務(wù)是在整個皮層區(qū)域完成的。Fuster 提出了大腦皮層中用于知識表示的“認知”的概念，此外， 進一步提出了認知的抽象模型，即感知、記憶、注意力、智力和語言。后來，Sporns 等考慮到涉及多個學科的腦網(wǎng)絡(luò)的復雜性， 擴展了腦區(qū)的功能的新范式。這里涉及的學科從生物到物理、社會學到信息學[6]。基于此，強調(diào)了如何研究復雜網(wǎng)絡(luò)的結(jié)構(gòu)和動力學才會有助于理解大腦和認知功能， 并嘗試確定未來的信息處理領(lǐng)域?qū)嶒炁c理論探討。

控制論是研究調(diào)節(jié)系統(tǒng)的基礎(chǔ)結(jié)構(gòu)，主要是信息、控制和系統(tǒng)方面的理論，適用于閉環(huán)反饋調(diào)節(jié)系統(tǒng)，其因果循環(huán)關(guān)系是控制論的基本特征。1948年，維納對控制論進行了描述，主要研究動物（人）和機器方面的控制和通信。McCulloch發(fā)展了控制論，1953年，提出了人工神經(jīng)網(wǎng)絡(luò)。Walter實現(xiàn)了初期的自適應機器人，能簡單地模仿動物和人的大部分基本行為。

人工神經(jīng)網(wǎng)絡(luò)，長期與外部世界相互作用中進行學習的能力是大腦的一個鮮明特征。為了建立模仿人的學習模型，一種常用的方法是訓練一個人工神經(jīng)網(wǎng)絡(luò)，它是由一組稱之為神經(jīng)元的計算單元組成。對于給定的神經(jīng)網(wǎng)絡(luò)，利用監(jiān)督學習或無監(jiān)督學習，算法上模仿其學習過程。

受大腦視覺啟發(fā)，我們提出了一種新的將認知可控的傳感引入雷達系統(tǒng)的途徑。認知雷達的構(gòu)建是基于感知―執(zhí)行周期，它是認知的初始階段。感知部分基于貝葉斯濾波器和尋求貝葉斯最優(yōu)性；執(zhí)行部分基于貝爾曼動態(tài)規(guī)劃下的最佳控制器。將記憶和注意力加入到感知―執(zhí)行周期中，雷達能夠達到的性能水平可以理解為真正意義上體現(xiàn)了智能行為。

2 認知雷達的定義

具有感知周圍環(huán)境能力的智能、動態(tài)閉環(huán)系統(tǒng)。其通過先驗知識以及對環(huán)境的交互學習來感知環(huán)境，在此基礎(chǔ)上，實時的調(diào)整發(fā)射機和接收機適應環(huán)境的變化，以有效地、可靠地、穩(wěn)健地達到預定的目標。其主要包括三個基本要素：

1） 智能信息處理。它的主要任務(wù)是通過與環(huán)境的不斷交互，獲得并提高雷達對環(huán)境的認知；

2） 接收機到發(fā)射機的信息反饋。接收機截獲雷達信號，經(jīng)智能信息處理得到目標信息，然后將其反饋給發(fā)射機，使得發(fā)射機能夠自適應調(diào)整發(fā)射信號，以期望提高整機性能；

3） 雷達回波數(shù)據(jù)的存儲。通過更多雷達回波的積累效果，以提高雷達認知環(huán)境的精確程度。

3 認知雷達的未來發(fā)展方向

盡管對認知雷達的研究取得了一定的進展但至今還沒有認知雷達的問世，編者認為網(wǎng)絡(luò)化是未來雷達發(fā)展的重要方向。多部雷達互相合作可實現(xiàn)遠程感知能力。認知雷達網(wǎng)絡(luò)、可采用分布式（每部雷達都有認知功能）或集中式（設(shè)有中心基站，只有該中心基站具有認知功能），將認知雷達和傳統(tǒng)雷達組網(wǎng)概念結(jié)合，即可充分利用傳統(tǒng)雷達組成網(wǎng)絡(luò)的節(jié)點，提高雷達系統(tǒng)的綜合能力的同時降低了成本，而網(wǎng)絡(luò)節(jié)點上的單部雷達可以是傳統(tǒng)雷達，也可以是具有接收系統(tǒng)的被動雷達[5]。

參考文獻：

[1] B. R. Frieden， Science From Fisher Information： A Unification. Cambridge， U.K.： Cambridge Univ. Press， 2004.

[2] S. Haykin， Cognitive radar： A way of the future， IEEE Signal Process. Mag.， vol. 23， no. 1， pp. 30-40， Jan. 2006.

[3] S. Haykin， New generation of radar systems enabled with cognition， presented at the IEEE Radar Conf.， Arlington， VA， May 2010， Keynote Lecture.