前言:中文期刊网精心挑选了神经网络的发展范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。
神经网络的发展范文1
关键词:林区经济可持续发展;指标体系;预警;警兆分析;BP神经网络
收稿日期:20130510
作者简介:王 刚(1971—),男,四川叙永人,工程师,主要从事林业生产及经济管理工作。中图分类号:S7 文献标识码:A
文章编号:16749944(2013)07026002
1 引言
近年来林区经济的发展对国民经济做出了巨大的贡献,然而随着林业可再生资源的逐渐枯竭,林区的一些经济问题也日趋严重[1],对林区经济情况进行检测和预警,确保林区经济稳定、健康、可持续的发展,是当前工作中的首要问题。
林区经济作为社会经济系统的一个子系统,具有非线性复杂系统的特性。林区经济的可持续发展,不仅涉及到经济问题,还与林区生态、环境、资源、人口等问题交织缠绕,难以使用传统的统计预测技术进行预测和预警。对林区经济可持续发展预警,首先要根据林区经济发展规划,构建可持续发展警兆指标体系,在此基础上运用可动态调整、自主学习的预测分析算法,使用过往数据进行训练,从而得到对未来发展的预测和预警。
2 林区经济可持续发展预警指标体系的构建
2.1 指标体系构建的原则
林区经济可持续发展预警系统是一种多警情并列式系统[2],其指标体系应具备系统性、层次性、逻辑性、稳定性和可操作性等特点。
系统性原则是指从整体上看,指标体系的构建应具有支撑整个系统运作的全方位特点,涵盖林区经济、生态、环境、资源等多方面指标,将林区经济发展的各方面因素有机结合起来。
层次性原则是指体系应能全面反映警情、警源和警兆,体现各指标之间的相关关系、符合经济发展的逻辑规律。根据各指标间的相关性将其分成不同类别和多个层次,从上到下逐渐细化指标,以便研究分析。
林区经济的发展是一个长期渐进的动态过程,因此要对林区经济进行长期监测和预警,需要选定可以保持相对稳定,同时具有一定灵活性的预警指标。
林区经济发展预警系统的构建目的是为经济管理和规划提供决策依据,同时为降低预警系统运行的成本,指标的选取应简单明了,数据应较容易获取或采集,且以较为简单的形式体现[3]。
2.2 林区经济可持续发展指标体系
根据学科领域的不同,可持续发展的指标体系有多种不同的分类方法[4]。一个林区是一个结构复杂的系统,包含多个相互作用、相互关联的子系统。在设计上,层次化的思路将林区经济可持续发展的指标分为经济指标、生态环境指标和社会指标3个子系统。在此基础上进行按预警指标、警兆指标进行细化,如表1所示。
3 林区经济可持续发展预警系统的组成要素
林区经济可持续发展预警是一个复杂的统计分析与预测过程,需要结合预警理论和林区经济可持续发展的指标体系,合理的设计预警系统的结构。系统由警情、警源、警兆和警度等要素构成。警情是在预警时需要检测和预报的内容。警源是警报情况产生的根源,在林区经济可持续发展预警中,警源通常来自于自然因素(如林木蓄积量低于阈值)、外在因素(如国家林业经济政策变化)和内部因素(如林区造林投资下降)。
警兆是指警情爆发前的先兆,对警兆进行分析是预警过程中的关键环节。通常来说,不同的警情对应不同的警兆。警兆和警情之间存在直接或间接的相关关系。
警度即警告级别,是根据警兆的变化对警情严重程度的描述。警度确定的关键是根据据历史分析、专家调查、国际对比、数学方法等综合因素确定警线。本文借鉴文献[5]中的方法,将警度划分为无警、弱警、中警和重警等4个警线。
4 基于BP神经网络的警兆分析
人工神经网络采用一定的简单数学模型来对生物神经网络结构进行描述,能在某种程度上模拟生物神经网络所具有的智能行为,解决传统算法不能胜任的智能信息处理问题[6]。人工神经网络具有平行分散式的处理模式,具有强大的函数拟合能力和自主学习能力,可以根据新的数据资料进行自我学习和训练。因此特别适合对复杂多变的经济发展警兆指标进行处理,拟合警兆和警情间的非线性映射关系,从而预报未来林区经济可持续发展警情。
在多种神经网络中,BP神经网络的理论研究和实践应用较为成熟。BP神经网络是一种单向传播的多层前向网络。除输入节点外,有一层或多层的隐层节点,同一层的节点间没有任何耦合。输入信号从输入层节点输入,依次传过各隐层节点,最终传递到输出接点。实际上,BP网络是一种输入到输出的高度非线性映射,通过对非线性函数进行多次复合,可实现对复杂函数的拟合。BP神经网络采用有导师学习模式,其训练过程就是一个根据已有样本,对复杂函数进行拟合的过程,通常分为信号前向传输、误差反向传输以及权值和偏置值调整三个步骤。通过不断地修正权值和偏置值,拟合的误差会逐步缩小直至满足要求。
对于传统的统计预警方法而言,由于存在对警兆资料数据要求高、自身容错性差、不能自主学习等缺陷,因此采用模式识别或人工智能等非线性的分析方法进行警兆分析[7],是各种经济预警系统的发展趋势。
BP神经网络具有的非线性、自组织自学习的特点,可以很好的适应警兆指标和警情关系的频繁变化。对于过往经济情况的分析,可以将历年警兆指标值和警情警度错位地组成样本进行训练,得出警兆指标和未来某一年林区经济发展之间的映射关系。在此基础上,通过输入当前的警兆指标数据,即可预报未来特定时间的警情和警度。
5 基于BP神经网络的林区经济可持续发展预警系统设计
根据前述讨论设计的林区经济可持续发展预警系统如图1所示。在政府经济管理部门、林业部门等联合对林区经济社会可持续发展做出规划后,可根据林区经济社会可持续发展指标体系采集预警系统运行所需的警兆数据。对警兆数据进行分析和预测,根据预测结果警报。其中,警兆数据作为BP神经网络的输入层,警兆分析和预测在BP神经网络的隐藏层运行,BP神经网络的输出即为系统警报。
图1 基于BP神经网络的林区经济发展预警系统设计
参考文献:
[1] 王 刚,陈建成.基于人口承载力的国有林区可持续发展研究[J].中国林业经济,2010(3):6~9.
[2] 尹 豪,方子节.可持续发展预警的指标构建和预警方法[J].农业现代化研究,2000(11):332~336.
[3] 王 海.吉林省国有林区可持续发展综合评价指标体系研究[J].林业经济,2000(6):32~36.
[4] 谢洪礼.关于可持续发展指标体系的述评(三)[J].统计研究,1999(2):61~64.
[5] 王汉斌,李志铎.矿区可持续发展预警机制构建及方法[J].工业技术经济,2011(04):7~12.
神经网络的发展范文2
关键词:教育经济;林业行业;网络教育
中图分类号:F12 文献标志码:A 文章编号:1673-291X(2014)06-0273-02
中国林区地域广阔,而且经济发展不平衡等限制因素,林业行业教育尤其高等教育的基础仍然相当薄弱。经济不发达地区林业行业工作人员没有受教育机会,在知识经济时代,尤其是加入WTO以后,各个行业对各类人才的需求,无论从质量上还是从数量上都表现得愈加迫切,只靠大量兴建传统行业学校、继续以传统教学模式授课,根本无法满足改革开放和林业行业建设的需要。
网络教育因其时效性、个性化、信息存储量大、数据检索处理便捷、教学资源共享等优势,可以改善师生比例、提高现有设施的利用率、形成以学生为主的教学模式,极大地缓解在校教育的压力、弥补校际间教学水平的差距,使得没有机会继续上学的学生有了自主学习成才的良好途径,使得处于教育资源匮乏地区的学生能同样受到名校名师的教育,使得人们接受新知识成为终生行为。网络教育的建立和实施,为发展高等教育、深化教育改革、促进终身教育、解决中国高中毕业生上大学、提高国民素质提供了一个难得的历史机遇。
教育部制定了《关于发展中国现代远程教育的意见》,阐述了发展中国现代远程教育的指导方针、目标和任务,指出中国发展远程教育的十六字方针是: 统筹规划、需求推动、扩大开放、提高质量 。应当说,在有条件的地方重点试办网络学院、网络学校的做法是符合国情的。在高校及有条件的少数中学可以以计算机局域网为基础开展网上教学,对满足社会需要具有重要作用。
一、林业行业网路教育的规模与质量之间的关系
行业教育可以为经济发展提供各级各类高质量人才从而促进经济发展,教育的发展同样也会受到行业经济发展的制约。当然,教育在规模和速度上的扩张,除外部宏观经济因素外,亦来源于其自身发展对效率的追求,但扩张的速度过快将有悖于效率自身的定义,美国著名经济学家奈特(F1H1Knight)曾告诫人们“效率和规模之间的关系是最严肃的经济学问题之一……”。根据规模经济理论,学校规模是否适度是影响教育投资利用效率的一个重要因素。如果投入以一定比例增加,而产出增加的比例比投入增加的比例大,就会产生规模收益递增现象,这就是规模经济;如果规模扩大至相当程度后,由于组织内部沟通与协调的困难,致使产出增加的比例低于投入增加的比例,则会产生规模收益递减现象,称为规模不经济(Diseconomic of Scale)。因此,在教育经济学中强调,学校规模应保持适度。所谓适度,是指在度的两个临界点之间点数量范围 。学校规模的度一端是规模过小,由此带来的后果主要是教师学生比例很难合理,设备利用率低,从而造成资源浪费,效益低下;一端是规模过大,其衍生的缺陷,主要是人际关系的疏远和行政僵化,从而影响到教师教授和学生学习的质量。如果说,中国许多传统学校尤其部分高校是由于学校规模过小而产生“不经济”的现象,那么目前有些网校盲目扩招的情况,则会带来真正的规模不经济,影响到人才培养的质量,进而影响中国经济的长远发展。
二、林业行业教育基础薄弱,推进网络教育成本高昂
由于林业行业是公益产业,经济附加值较少,所以行业教育投入的经费也非常少,林业行业网络教育还是处在刚刚开始的阶段,大量的基础设备、网络资源的建设都处在相对“昂贵”的阶段。
从学校角度,要想发展林业行业网络教育至少需要相对稳定、速度足够快的网络资源,需要开展网络教学必备的计算机,必须在各地的林区建立相应的教学点(站)等,然后,在这些硬件都具备的基础上,还需要具有相应的能够实现教学管理和教学任务的网络平台系统、相应的网络课程材料以及技术支持和教学支助系统等软件支持,这些前期的种种投入耗资巨大。
林业行业的网路教育开始运营之后的经常性维护费用价格不菲。在英国,建立一个拥有15个联网资源中心站的预算是3.7万英镑(大约相当于40万元人民币),其经常运行费用是每年6000英镑(约合7万元人民币左右),并且其设备通常三年需要更新一次,这对任何一个准备开展网络教育的行业来说,都是不小的负担,更何况林业这种经济效益不高的行业。
另外,网上课程资料的开发需要很大投入。对于网上课程资料的开发成本,已有的报告差异很大,例如,在加拿大基于计算机的学习材料的开发成本为每学生一小时2 600加元(约合人民币13 000元)到21 170加元(约合10.6万元人民币);而在美国,不同呈现类型的材料,每一个三单元的课程开发成本从6 000美元到100万美元不等。根据对北京林业大学现代远程教育中心网络课程开发成本的了解,一般每门网络课程(约60学时) 的开发成本平均都在10万元以上,要想实现真正的网络教学,必须拥有相当数目、高质量的网络课程资料,其开发对每个网校来说都是一笔巨大的开支。
从学习者角度,一个人要想接受网络教育必须满足以下基本条件:(1)必须有一台运算速度很快、内存较大的电脑(一般要3 000元以上,林业行业产业工人平均月收入为2 000元左右);(2)宽带互联网(中国很多林区大多在偏远地区,互联网并没有普及);(3)交纳网络学习和培训的学费(学历教育约为5 000元每年,培训约为800元每年)。
中国林业行业第一线的产业工人的平均月收入只有1 000多元,部分经济落后地区的只有几百元。因此,尽管网络教育具有种种优势,但相对于中国目前林业行业的现状来讲,其成本相对较高,尤其是在一些经济还不发达地区。
三、林业行业网络教育有重复建设现象,资源使用率低下
目前,林业行业网络教育由林业高校、地方主管单位、行业协会、社会培训机构等众多单位参与,各种网络教学平台、支持系统等重复开发。网络教育的优势是即时性、互动性、个性化、资源共享,但由于缺乏统一的规划和指导,目前中国各个开展网络教育的机构基本处于各自为政的局面,各机构在网站、平台系统等方面投入了大量的人力、物力、财力进行独立开发。由于可投入资金及开发人员自身水平的限制,各单位所开发出来的平台系统,功能大同小异,水平参差不齐,导致各平台、支持系统之间互不兼容,网络教育的优势也无法发挥,造成资源的巨大浪费。
其次,网络课程重复设置,大量课件在重复开发。由于目前对网络教育课程研究方面的局限,许多开设的课程非常雷同,而且质量不高。其实许多行业管理部门并不是以这些课程见长,又缺少真正了解教育心理学、教育技术学以及有实际教学经验的制作者对课件进行科学的设计和制作,常常出现课堂搬家、传统教案网页化等做法,使得大部分网络课程没有任何特色,耗费大量有限的资源,却只能提供重复、低质量的课程。
再次,资源利用效率低下。根据网络教育自身的特征和规律分析,可以说,目前林业行业的网络教育并没有体现出网络教育的特性和林业行业的特色。许多单位对网络的利用仅限于形象工程,个别时候带学生“上一次网”,把上网当作传统课堂教学过程中的一次(或几次)“开眼界”的实习课、见习课,这对于巨大的网络投资、对网上丰富的教学资源来说也是一种极大的浪费。
四、缺乏有效的行业管理,和行业准入制度
制度对社会的发展具有重大作用。建立制度的目的在于设定准入门槛,避免重复建设。
中国网络教育发展迅速,政府部门已对其管理制定了相关政策。例如,教育部2000年4月20日了《关于加强对教育网站和网校进行管理的公告》,强调了在国内举办“网络学校(大学)”、建立教育网站或利用卫星网络开展远程教育必须经过有关部门审批同意。2000 年7月,教育部又颁布了《教育网站和网校暂行管理办法》,表明了教育部对教育网站和网校的领导权,并对网站不可传播的内容进行了规定。但不可否认,这些制度中仍存在不够完善、合理的方面,导致了执行中的困难。但是林业行业的网络教育准入制度并没有建立起来,这就导致林业行业网络教育重复建设严重,质量没法保证。管理首先要从制度入手,基本制度的存在和健全能使林业行业网络教育的发展得以正常进行。另一方面,由于网络教育是新生事物,人们对其的认识还不够深入,行业主管部门对它的认识还非常不全面,推动行业整体对网络教育从新认识任重而道远。
总之,林业行业网络教育对于深化林业行业改革,提高林业行业生产效率都有着不可或缺的作用。因此我们一定要真正的发展林业行业网络教育。要在结合行业特色的基础上,按照客观规律办事,加强林业行业网络教育理论和技术的研究,通过不断地学习、培训转变观念,使其为全行业服务;加强准入制度的建设,通过制度、标准等在实践中加强管理;大力推广和宣传林业行业网络教育,让更多的一线产业工人能通过网络学习到知识;联合相关行业单位,统筹网络资源建设,减少浪费,提高效率,建立有效的学习和反馈渠道。只有这样,林业行业的网络教育才能健康、顺利的发展。
参考文献:
[1] 靳希斌.20世纪人力资本学说·教育经济学[M].济南:山东教育出版社,1995:400.
[2] 夏晋祥.高校扩招:一个需要研究的经济学问题[J].教育与经济2000,(2).
[3] 何玉静.论中国高校点适度规模及实现途径[J].河南教育学院学报(哲学社会科学版),1998,(1).
[4] 胡隆.现阶段网络辅助教学的不足与改进[J].外语电化教学,1999,(4).
[5] 肖溪.学习方式的革命——中国人民大学网络教育的实践与探索[J].中国远程教育,2000,(7).
[6] 蔡帼芬,吴燕春.中国网络教育发展分析[J].现代传播,2000,(4).
[7] Greville Rumble.网上教育将如何影响远程教育的成本和结构[J].丁兴富,译.中国远程教育,1999,(增刊).
神经网络的发展范文3
关键词:计算机网络模型;神经网络算法
计算机网络在人们日常生活越来越重要,被广泛应用到各个行业。随着社会不断发展,人们需求不断加高,使计算机得到良好改善,目前,计算机网络运用集线式服务器来实现网络互连,促进网络发展。但是也有很大弊端,过多的联想信息虽然满足人们需求,但是对技术的要求也更加苛刻,现有的技术满足不了计算机网络运行,使人们日常操作不方便。为了解决这一问题,研究人员需要全面优化计算机网络,提高运行能力和性能,运用神经网络算法,使计算机更加适合现代社会发展,储存更多信息。
1神经网络算法概论分析
1.1神经网络算法整体概论神经网络算法是按照人体大脑的思维方式进行模拟,根据逻辑思维进行推理,将信息概念化形成人们认知的符号,呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造,使计算机执行。目前,神经网络被广泛使用,使直观性的思维方式分布式存储信息,建立理论模型。优化网络的神经网络主要是Hop?eld神经网络,是1982年由美国物理学家提出的,它能够模拟神经网络的记忆机理,是全连接的神经网络。Hop?eld神经网络中的每个神经元都能够信号输出,还能够将信号通过其他神经元为自己反馈,那么其也称之为反馈性神经网络。
1.2优化神经网络基本基础Hop?eld神经网络是通过能量函数分析系统,结合储存系统和二元系统的神经网络,Hop?eld神经网络能收敛到稳定的平衡状态,并以其认为样本信息,具备联想记忆能力,使某种残缺信息进行回想还原,回忆成完整信息。但是Hop?eld神经网络记忆储存量有限,而且大多数信息是不稳定的,合理优化计算机联想问题,使Hop?eld神经网络能够建设模型。
1.3神经网络算法优化步骤简述人工神经网络是模拟思维,大多是根据逻辑思维进行简化,创造指令使计算机执行。神经网络算法是按照人体思维进行建设,通过反应问题的方法来表述神经思维的解;利用有效条件和能量参数来构造网络系统,使神经网络算法更加可靠;大多数动态信息需要神经网络来根据动态方程计算,得出数据参数来进行储存。
2神经网络算法的特点与应用
2.1神经网络主要特点神经网络是根据不同组件来模拟生物体思维的功能,而神经网络算法是其中一种程序,将信息概念化,按照一定人们认知的符号来编程指令,使计算机执行,应用于不同研究和工程领域。神经网络在结构上是由处理单元组成,模拟人体大脑神经单元,虽然每个单元处理问题比较简单,但是单元进行组合可以对复杂问题进行预知和处理的能力,还可以进行计算,解决问题能力突出,能够运用在计算机上,可以提高计算机运算准确度,从而保障计算机运行能力。而且一般神经网络有较强容错性,不同单元的微小损伤并不阻碍整体网络运行,如果有部分单元受到损伤,只会制约运算速度,并不妨碍准确度,神经网络在整体性能上能够正常工作。同时,神经网络主干部分受到损伤,部分单元会进行独立计算,依然能够正常工作。
2.2神经网络信息记忆能力神经网络信息存储能力非常强,整体单元组合进行分布式存储。目前,神经网络算法是单元互相连接,形成非线性动态系统,每个单元存储信息较少,大量单元互相结合存储信息大量增加。神经网络具备学习能力,通过学习可以得到神经网络连接结构,在进行日常图像识别时,神经网络会根据输入的识别功能进行自主学习,过后在输入相同图像,神经网络会自动识别。自主学习能力给神经网络带来重要意义,能够使神经网络不断成长,对人们未来日常工作能够很好预测,满足人们的需求。
2.3神经网络的突出优点近年来,人工神经网络得到越来越多人重视,使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成,对人脑功能的部分特性进行模仿和简化,人工神经网络具备复杂线性关系,与一般计算机相比,在构成原理和功能特点更加先进,人工神经网络并不是按照程序来进行层次运算,而是能够适应环境,根据人们提供的数据进行模拟和分析,完成某种运算。人工神经系统具备优良容错性,由于大量信息存储在神经单元中,进行分布式存储,当信息受到损害时,人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习,然后进行工作。目前,人工神经网络已经逐步具备自适应和自组织能力,在学习或训练过程中改变突触权重值,以适应周围环境的要求。通过一定学习方式和某些规则,人工神经网络可以自动发现环境特征和规律性,更贴近人脑某些特征。采用并行分布处理方法,使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现,可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构,能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络(如Hop?eld网络)的算法。该算法以SIMD(SingleInstructionMultipleData)为主要计算结构,结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络,能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制,提出了一种基于粒子群优化的并行学习神经网络集成构造方法。
3结束语
全球化的发展,信息交流不断加快,促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势,神经网络研究内容相当广泛,神经网络算法能够与其它算法相互结合,在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下,梯度下降法不准确,所以需要有关人员进行深度研究,探索神经网络算法,使其更加完善,从而保证计算机整体性能的提高。
参考文献:
[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程,2014(19).
神经网络的发展范文4
【关键词】人工神经网络 BP神经网络 图像识别 识别技术
通常而言,所谓图像处理与识别,便是对实际图像进行转换与变换,进而达到识别的目的。图像往往具有相当庞大的信息量,在进行处理图像的时候要进行降维、 数字化、滤波等程序,以往人们进行图像识别时采用投影法、不变矩法等方法,随着计算机技术的飞速发展,人工神经网络的图像识别技术将逐渐取代传统的图像识别方法,获得愈来愈广泛的应用。
1 人工神经网络图像识别技术概述
近年来,人工智能理论方面相关的理论越来越丰富,基于人工神经网络的图像识别技术也获得了非常广泛的应用,将图像识别技术与人工神经网络技术结合起来的优点是非常显著的,比如说:
(1)由于神经网络具有自学习功能,可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。
(2)在一般情况下,神经网络的信息都是存储在网络的连接结构以及连接权值之上,从而使图像信息表示是统一的形式,如此便使得知识库的建立与管理变得简便起来。
(3)由于神经网络所具有的并行处理机制,在处理图像时可以达到比较快的速度,如此便可以使图像识别的实时处理要求得以满足。
(4)由于神经网络可增加图像信息处理的容错性,识别系统在图像遭到干扰的时候仍然能正常工作,输出较准确的信息。
2 图像识别技术探析
2.1 简介
广义来讲,图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次,分为:图像处理、图像分析以及图像理解,该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉,与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外,随着计算机技术的发展,对图像技术的进一步研究离不开神经网络、人工智能等理论。
2.2 图像处理、图像识别与图像理解的关系
图像处理包括图像压缩、图像编码以及图像分割等等,对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声,并对这些信息进行确定。常用方法有灰度,二值化,锐化,去噪等;图像识别则是将经过处理的图像予以匹配,并且对类别名称进行确定,图像识别可以在分割的基础之上对所需提取的特征进行筛选,然后再对这些特征进行提取,最终根据测量结果进行识别;所谓图像理解,指的是在图像处理与图像识别的基础上,根据分类作结构句法分析,对图像进行描述与解释。所以,图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言,输入是图像,输出是对图像的描述解释 。
3 人工神经网络结构和算法
在上个世纪八十年代,McClelland与Rumelhant提出了一种人工神经网络,截止现在,BP神经网络已经发展成为应用最为广泛的神经网络之一,它是一种多层前馈神经网络,包括输入层、输出层和输入层输出层之间隐藏层,如图1所示,便是一种典型的BP神经网络结构。
BP神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望,由输出向输入层反向计算误差,从而通过梯度下降方法不断修正各层权值的网络。
BP神经网络结构算法如下所述:
(1)对权值矩阵,学习速率,最大学习次数,阈值等变量和参数进行初始化设置;
(2)在黑色节点处对样本进行输入;
(3)对输入样本,前向计算人工神经网络隐层及输出层各层神经元的输出;
(4)使用梯度下降方法不断修正各层权值及阀值,由梯度算子得到的权值为
(6)判断,判断是否大于最大迭代次数或者是否误差已经达到要求。如果大于最大迭代次数或误差达到要求,那么便直接转到第(7)步,否则,转到第(4)步对各个矩阵的权值继续修正,反复训练;
(7)看是否遍历所有样本,是则结束,否则跳回第(3)步继续。
BP神经网络操作简单而有效,可通过Opencv的CvANN_MLP类, Matlab的模式识别工具箱Nprtool等实现,经验得出在如下情况中人工神经网络尤为适用:
(1)大量数据可用,却不知道与输出之间关系;
(2)问题的解决方案随时间变化而变化;
(3)输出是模糊的函数关系,而非精确数字。
4 人工神经网络图像识别
传感器或摄像仪输入图像识别系统以后,其目标图像不能够与系统全部的参考图像完全一样, 这是由于对应噪声干扰,光线不足和放缩旋转等问题。 基于人工神经网络对畸变图像识别进行深层分析,并且利用 CCD 摄像头对图像信息进行采集,在此过程之中通过对摄像头方位进行更改对易出现畸变的图像进行采集,从而使得畸变图像所带信息组成样本库。在电脑里面输入样本库中的图像信息,并且进行模数的转化,变成数字图像,利用数字滤波来对数字图像信息进行处理。在神经网络之中输入样本图像数字信息来进行训练,一方面可以基于数字图像的像素点集合组成输入矩阵,用高维数据作为训练样本,通过主成分分析(PCA)的方法进行降维,大大简化计算量;一方面可以基于数字图像的特征空间进行聚类分割,提取几何特征或者统计特征,输入到SOFM神经网络或者Hopfield神经网络,从而使其生成图像识别神经网络系统。在进行图像识别的时候使用CCD 摄像头来采集识别图像,并且把其模型转化为数字图像,预处理后,将其输入到训练好的神经网络识别系统里面,就其可以开展快速的计算,并进行识别。把图像识别技术与人工神经网络理论有机结合起来,可以非常有效地实现神经网络信息系统的一致性, 此外,还可以将其对网络连接结果与权值进行存储,促进管理效率的提高,并对于知识库的构建也具有积极的作用。
5 结论
本文就基于人工神经网络的图像识别技术进行了详细地阐述,由综上研究可以基于人工神经网络的图像识别技术具有比较多的优点以及比较高的可行性,然而,我们对该技术存在的网络规模及复杂图像识别准确度上还应继续进行深入研究,以求技术突破。在将来,图像识别技术随着科技的不断发展将会获得更多的应用,其势必会发展为一门独立且具备强大生命力的学科
参考文献
[1]王强,张小溪,韩一红.基于神经网络的图像识别[J].电子设计工程,2012.
[2]雷建锋,孙俊逸.基于人工神经网络下的图像识别的研究[J].现代电子技术,2008.
神经网络的发展范文5
关键词:计算机网络模型;神经网络算法;分析
中图分类号:TP393 文献标识码:A 文章编号:1009-3044(2016)35-0212-02
计算机网络是人们多年研究科技进步最重要的成果,其被广泛运用到教育、工作、科学等方面,也具有良好的成就。目前,基于服务器的集线式网络具有实现网络互连的功能,但也成为了网络进一步发展的阻碍。虽然大量的信息能够丰富网络中的内容,但是其中的多媒体技术发展却使网络运行力不从心,比如图像、声音等,全面优化计算机网络整体性能是其发展的必要途径。将神经网络算法与计算机网络相结合,能够有效解决大规模复杂性的问题。
1浅析神经网络算法
1.1神经网络算法内涵
思维界认为,人类大脑思维包括灵感思维、逻辑思维、形象思维三种方式,神经网络模拟的就是人类思维的形象思维,是一种非线性动力学系统。神经网络算法指的是逻辑性思维根据逻辑规则推理的过程。神经网络的内容目前被广泛研究,包括建立理论模型、生物原型研究、建立网络模型与算法研究、人工神经网络应用系统等。
优化网络的神经网络主要是Hopfield神经网络,是1982年由美国物理学家提出的,它能够模拟神经网络的记忆机理,是全连接的神经网络。Hopfield神经网络中的每个神经元都能够信号输出,还能够将信号通过其他神经元为自己反馈,那么其也称之为反馈性神经网络。
1.2神经网络优化的基础
Hopfield神经网络其实是一个分线性动力系统演变的过程,通过能量函数分析系统的稳定性,将能量函数看做需要优化的问题目标函数。将能量函数的初始状态转变为稳定点这一过程,就成为求解优化问题过程,这个过程也可以称为在计算机联想记忆基础上解决优化问题的过程。
1.3神经网络优化模型的算法
反馈网络的联想记忆和优化是相对的,通过优化计算得知W,其目的就是为了找出E的最小稳定状态;联想记忆的稳定状态是特定的,要通过一些过程才能够找到适合的W。这个过程中的关键就是将问题的目标函数通过二次型能量函数进行表达。如下式所述:
Hopfield神经网络比较常见的类型有DHNN(离散型)和CHNN(连续性)两种,他们的动态方程分e为:
DHNN(离散型)动态方程:ui=fi(v1,v2,...,vN)
Vi=g(ui),vi∈{0,1},i=1,2,...,N
式子中的gi表示为阶跃函数,vi=g(ui)[(1, ui>0)(0, ui
CHNN(连续性)动态方程:dui/dt=fi(v1,v2,...,vN)
Vi=gi(ui),i=1,2,...,N
式子中的gi表示为常用函数sigmoid,vi=gi(ui)=1/2[1+tanh(ui/u0)],u0表示的为可控函数的斜率,当u0=0的时候,gi就为阶跃函数。【1】
1.4神经网络算法的优化步骤
其一,通过合适的问题将方法表述出来,使神经网络的输出和这一问题的解相互对应;
其二,创建有效的能量函数,要求问题的最优解能够对应最小值;
其三,使用有利条件和能量函数创建网络参数;
其四,创建对应的动态方程和神经网络;
其五,使用有效的初值,要求网络根据动态方程进行验算,直到收敛。
2基于神经网络算法的网络流优化模型
网络流优化模型的关键就是最小切割、图的划分和最大流问题,下面一一描述:
最小切割:最小切割是指寻找使隔集容量达到最小的切割。图的切割是指划分一个N―n1Un2,一个隔集为一组弧(i,j),i∈n1,j∈n2,隔集弧的权值总和为它的容量。使N=(W,T)是T=0的网络,要求能量最小为N图的最小切割。
图的划分:图的划分指的是将图划分为K个部分,要求每个部分中的节点数都相等。
最大流问题。要求有向图G(v,e)中的开始点为S,结束点为Z,边容量为Cij。如果每条边都有非负数fij,并且每条边为fij≤Cij且除了S和Z之外具有∑fij=∑fki。当S和Z有∑fsi=∑fiz=W的时候,W的最大值≤任何切割的容量。【2】
3基于神经网络算法的动态路由选择模型
通信网中的物理网络的连接一般是点到点,其可以用无向图G=(v,e)来表示,将交换节点表示为顶点,通路表示为边,每一边都有最大容量,为了能够满足网络中点和点能够相互通信,还E能够根据网络业务的量和用户呼叫为基础进行路由安排。现在一般使用的都是静态方式,能够提供给动态路由一些可能性,其的优化模型是:
如果网络图是G=(v,e),而且对网络中的边进行编号,路径经过的边表示为1,路径不经过的边表示为0,L*M神经元表示为L需要这多个路由,将备选的路由数量表示为M,如果通信网中具有N个节点,那么目标函数就是E=E1+E2+E3。【3】
4结束语
基于神经网络算法的优化网络模型有着简单、稳定、快速、规范的优势,其与其他算法相结合,能够较大程度的提高计算机网络模型的整体性能。但是Hopfield神经网络算法中的优化网络模型并不严格,它有着核心策略下降的缺点,那么在使用过程中会出现网络收敛的最优解呈局面状态、网络收敛解不可行、网络参数的不正当选择会导致偏差等,所以在今后就要深入研究计算机网络模型中的神经网络算法,使其更加完善。
参考文献:
[1]丁建立.基于神经网络算法的计算机网络优化模型研究[J].洛阳师范学院学报,2003, 22(2):59-62.
神经网络的发展范文6
【关键词】神经网络;网络流量;预测径向基算法;BP算法
随着网络的迅速发展,网络上承载的业务和应用日益丰富。加强网络管理、有效提高网络运行速度和利用率,网络流量预测是关键,也就是对网络出口的流量发展进行动态分析,并在定性基础上对流量进行定量的计算。有很多种因素可以影响网络流量,在实际发生的时间序列中,弱相依性、突变性和随机性等复杂非线性特征对网络流量预测都存在很大的影响,而且在以往的学者中针对于这些特点所构建的数学模型也不是很完善,还不够成熟。针对这些特点本文将在时间序列的预测中结合使用径向基神经网络的方法,在时间序列的延迟性中运用自相关分析技术进行合理分析,建立基于MATLAB6.5环境下的黑龙江信息技术职业学院网络出口流量预测的径向基神经网络数学模型,并对实际网络出口流量数据惊醒有效的验证。
1、建立径向基神经网络流量的预测模型
对于网络流量这样的非线性系统进行建模时,本文采用径向基神经网络技术,针对隐层节点的数量处选择合理的改进方法。经过实际操作的甄选后选择网络流量的均方误差的目标值为0.001,隐层节点数选择最大为23个。除此之外,为了保证径向基神经网络泛化能力的良好运行,并且保证径向基函数的输人输出范围足够大,就需要对输入的训练值进行postmnmx归一化处理。
从隐含层到输出层之间的权值是基于径向基神经网络函数来调整,并采用线性传递函数进行实现的,综合考虑,这样就不存在在局部会出现极小点的问题。对于这种基于径向基神经网络的局部函数,会有很快的网络学习速度,对于函数迫近时的收敛速度问题,能够很好地克服。
2、算例分析
对基于径向基神经网络函数是有一定的精度要求的,本文采用newrb函数进行设计,并满足函数的精度要求。函数格式为:net=newrb(a,b,m,n),采用基于径向基神经网络函数进行逼近原始函数时,newrb函数能够自动增加基于径向基神经网络的隐层神经元,直到均方误差满足为止。对于输入向量矩阵、目标向量矩阵、均方误差和径向基的分布分别使用式中变量a,b,m,n来表示。
在时间序列的预测上采用用sim函数进行预测。函数格式为:y= sim(net,x),对于待评价时间序列的输入向量和用基于径向基神经网络对时间序列进行计算的预测值分别使用式中的x,y进行表示。基于径向基神经网络的网络流量预测模型是在Matlab6.5环境下的,并对网络流量在时间序列上进行预测。
基于径向基神经网络采用1个输出单元和23个输人单元,并对基于径向基神经网络进行训练,自动调整网络训练程序的最终隐含层节点数,调整后的节点数为23个。最后比较网络流量预测模型所得的最后的网络输出和实际的网络流量数据,其结果如图1所示。
把表1中2013年10月28日实际发生的网络流量真实值作为训练的样本,在MATLAB6.5环境下的基于径向基神经网络模型对2013年10月28日我校网络流量进行预测,其预测的结果如表1所示,在MATLAB6.5环境下的网络训练的图形输出结果及预测结果如图1所示。
在表1中实际数据值和预测值可以看出,经过多次的历史预测,每次模型预测的绝对误差值均为0,可以总结为采用的训练样本的合格率均为100%,具有较好的拟合精度和预测精度。
在图1中我们可以看到,基于径向基神经网络模型通过训练对网络流量能够准确的预测,在泛化能力上也有很大的提高。经过后期计算,通过网络训练的均方误差为MSE=2.1731e-010,预测的均方误差为MSE=0.0012。从误差变化曲线能够表示出,训练到达第22步时,网络流量预测模型的精度要求基本满足。