前言：中文期刊网精心挑选了神经网络的思想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。
神经网络的思想范文1
关键词： 神经网络；模拟电路；故障智能诊断
Applications of Neural network in analog circuit fault intelligent diagnosis
Huang Qian1 ，Lu Li2
Nanchang institute of technology JiangXi NanChang 330029
Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.
Keyword： Neural network；Analog circuits；Intelligent fault diagnosis
引 言
随着神经网络等人工智能技术的发展， 模拟电路故障诊断的研究又开辟了一条新路， 基于神经网络的模拟电路故障诊断方法已经成为新的研究热点。20世纪80年代末期起有学者研究将人工神经网络应用到模拟电路的故障诊断中，现阶段已经提出多种基于神经网络的模拟电路故障诊断方法，有些方法如BP（ Error Back Propagation Network）神经网络故障字典法已经能有效应用于滤波电路、模拟放大电路等非线性容差电路的故障诊断， 效果优于传统的故障字典法。
1神经网络故障字典法
神经网络故障字典法把模拟电路的故障诊断看成是一个分类问题， 利用神经网络的分类功能来诊断故障。在测前把神经网络训练成一部故障字典， 字典的信息蕴含在网络的连接权值中， 只要输入电路的测量特征， 就可以从其输出查出故障。
1.1 BP 神经网络故障字典法
BP 是一种多层网络误差反传学习算法。
1）初始化，随机给定各连接权[w]，[v]及阀值θi，rt。
（2）由给定的输入输出模式对计算隐层、输出层各单元输出
式中：bj为隐层第j个神经元实际输出；ct为输出层第t个神经元的实际输出；wij为输入层至隐层的连接权；vjt为隐层至输出层的连接权。
式中：dtk为输出层的校正误差；ejk为隐层的校正误差。
（3）计算新的连接权及阀值，计算公式如下：
（4）选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
应用BP 神经网络故障字典法进行模拟电路故障诊断步骤如下：
（1）确定待测电路的故障集和状态特征参量， 采用电路仿真或实验的方法获取电路每一故障状态下的状态特征数据， 经筛选和归一化处理后构造训练样本集。设计BP 神经网络并进行训练。
（2）用训练样本集中的样本训练好网络， 即完成学习的过程。一般采用3 层BP 神经网络， 输入层节点数与电路状态特征参量的维数相同， 输出层节点数可与电路待测故障类别数相同，也可小于待测故障类别数， 隐层节点数则需按经验公式试凑。实际诊断时给被测电路加相同的测试激励， 将测得的实际状态特征参量输入到训练好的BP 神经网络， 则其输出即可指示相应的故障状态。
1.2 SOM神经网络故障字典法
SOM （Self - organizing Feature Map）神经网络是芬兰教授Kohonen于1981 年提出的一种自组织特征映射神经网络。这种自组织特征映射神经网络通过对输入模式的反复学习，使连接权矢量空间分布密度与输入模式的概率分布趋于一致， 即连接权矢量的空间分布密度能反映输入模式的统计特性。
SOM二维网络拓扑结构图
SOM 网络能对输入模式自动分类，通过输入模式的自组织学习， 在竞争层将分类结果表示出来。应用SOM 神经网络建立模拟电路故障诊断字典的具体步骤如下：
（1）确定电路的故障集和激励信号。通过仿真获取电路在每一故障状态下的状态特征向量， 并进行预处理得到训练样本数据。
（2） 确定SOM 网络结构。 SOM 网络只有输入层和输出层两层， 没有隐层，输入层的形式与BP 网络相同， 其结点数应与电路状态特征向量的维数相同。输出层即竞争层的神经元一般采用二维平面阵结构排列， 也可采用一维线阵或三维栅格阵的结构排列。采用一维线阵时， 输出层结点数可与电路的故障类别数相同。
（3）经过SOM 训练形成具有容差的故障字典。SOM 网络的学习算法可采用标准的Kohonen 算法。可以看出， SOM 网络法与BP 网络法构建故障字典的方法步骤完全相似，SOM 网络法一般适用于交流电路， 以电路响应的频域参量为状态特征，它能更有效地克服容差因素对故障定位的影响，SOM 网络法实际诊断时容易出现模糊故障集， 诊断过程要比BP网络法复杂。
1.2神经网络故障字典法难点
同经典的故障字典法相比， 神经网络故障字典法突出的优点是测后诊断速度快，实时性强，其原因是该方法利用了神经网络高度并行的信息处理能力。经典的故障字典法需要进行繁琐的模糊集分割处理， 且一般只能诊断硬故障。而神经网络故障字典法由于神经网络的泛化能力，可以诊断容差模拟电路， 而且对软故障情况也有很好的应用前景。应用该方法难点包括以下几个方面：
（1）神经网络的结构和参数等只能依据经验反复调试， 难以确定所设计的神经网络是最优的。
（2）数据预处理技术和训练样本集的筛选至关重要，神经网络故障字典法的诊断效果主要依赖于此。如何根据实际电路对原始数据进行预处理以突出故障特征信息及如何优选训练样本。
2 神经网络优化诊断法
传统的优化诊断法依据被测电路的解析关系， 按照一定的判据（目标函数） ， 估计出最有可能出现故障的元件。优化诊断法是一种测后模拟的逼近法， 可在较少的测量数据下诊断故障，避免元件的容差问题， 可以诊断软故障和多故障但传统优化诊断法存在一个复杂的重复过程， 需要多个优化过程和多次电路模拟， 测后计算量很大。
神经网络优化诊断法对传统方法进行改进， 利用Hopfield 神经网络的优化计算功能寻优， 克服了传统的优化诊断方法测后计算量大、实时性差的缺点。由于该方法最终是通过求解元件参数或参数增量来判定故障元件的。
神经网络优化诊断法的基本思想是将模拟电路的故障诊断方程转换为带约束条件的优化问题， 然后利用Hopfield 神经网络进行优化问题的求解。将优化问题映射到一种神经网络的特定组态上， 此组态相应于优化问题的可能解， 然后再构造一个适合于待优化问题的能量函数（对应于目标函数）， 当Hopfield 神经网络从某一初始状态沿着能量函数减小的方向运动， 其稳定平衡解即对应于优化问题的解。对于线性电阻电路， 可以以元件参数增量和可测节点电压变化量建立故障诊断方程， 该诊断方程通常为一组欠定方程。
应用Hopfield 神经网络求解此类带约束条件的优化问题的步骤如下：
（1）分析问题： 分析网络输出与问题的解相对应。
（2）构造网络能量函数： 将实际待解决优化问题的目标函数表达成能量函数的相应形式， 能量函数最小值对应问题最佳解。
（3）设计网络结构： 将能量函数与目标函数相比较， 求出能量函数中的权值和偏流。
（4）运行网络求出稳定平衡态： 由网络结构建立网络的电子线路， 运行该电子线路直至稳定， 所得稳态解即为优化问题所希望的解。
3 其它神经网络故障诊断法
ART （Adaptive Resonance Theory）神经网络故障诊断法。ART 神经网络是一种基于自适应共振理论ART的学习算法， 包括ART1 型、ART2 型和ART3 型三种结构形式。文献三中的作者探讨了一种采用ART1 型神经网络进行模拟电路故障诊断的方法，将电路的各种故障分出层次，并按一定特征给故障类型进行编码形成故障数据样本，将故障数据样本输入ART1型神经网络进行训练， 训练完成后该ART 网络即可用于诊断。ART最大的特点是既能识别已有的故障模式， 又能较好地诊断新发故障。基于神经网络的网络撕裂法。网络撕裂法是一种大规模模拟电路分层诊断的方法， 将网络撕裂法与神经网络故障字典法相结合就形成基于神经网络的网络撕裂法。
ART的基本思路是， 当电路网络分解到一定程度后， 电路子网络继续分解往往越来越困难， 这时可以引入神经网络故障字典法， 分别为每一电路子网络构建一个神经网络， 则电路子网络级的诊断采用神经网络故障字典实现。
与传统的网络撕裂法相比， 该方法测后工作量小， 诊断过程更加简单，诊断速度加快。基于神经网络求解非线性方程的模拟电路故障诊断方法。
4 模拟电路神经网络诊断法发展趋势
近年来， 一个值得重视的现象是神经网络与专家系统、模糊控制、遗传算法和小波分析等技术相结合应用于模拟电路的故障诊断领域的研究。如神经网络与模糊逻辑理论相结合， 即所谓的“模糊神经网络”用于模拟电路的故障诊断， 其基本思想是在BP 神经网络的输入层与输出层中间增加1到2 层模糊层构造模糊神经网络，利用神经网络处理低层感知数据， 利用模糊逻辑描述高层的逻辑框架，其对模拟电路软故障的诊断效果优于单一的神经网络分类器。又如小波分析与神经网络结合应用于模拟电路的故障诊断。
小波与神经网络的结合有以下两个途径：
（1） 辅助式结合， 比较典型的是利用小波分析对信号进行预处理， 然后用神经网络学习与判别。
（2）嵌套式结合， 即把小波变换的运算融入到神经网络中去， 其基本思想是用小波元代替了神经元，即激活函数为已定位的小波函数基， 通过仿射变换建立小波变换与神经网络的联接，小波神经网络由于把神经网络的自学习特性和小波的局部特性结合起来，具有自适应分辨性和良好的容错性。
参考文献
[1] 王显强.谈谈神经网络在模拟电路故障诊断中的应用问题[J]
电路技术.2012（06）
[2] 刘华.基于神经网络的模拟电路故障诊断方法研究[J]微电子学报.2010（03）
[3]董伟.谈ART1 型神经网络进行模拟电路故障诊断方式分析. [J]电路科技. 2012（05）
[4]王承. 基于神经网络的模拟电路故障诊断方案探究.[J]电路科技. 2013（06）
[5]张宇. 基于神经网络的模拟电路故障诊断方案探究.[J]计算机测量与控制. 2012（07）
[6]王承. 基于神经网络的模拟电路故障诊断方案探究.[J]电路故障. 2013（02）
[7]刘盛灿. 神经网络的模拟电路故障的应用.[J]电路科技. 2013（06）
[8] 万磊.神经网络在模拟电路故障诊断中的应用若干问题探讨[J]
电路技术.2011（08）
[9] 郭明强.神经网络在模拟电路故障诊断中的发展历程分析[J]电路技术.2013（08）
神经网络的思想范文2
【关键词】 遗传算法 BP神经网络 结构参数 优化
一、引 言
传统的滤波器设计需要大量繁琐计算和曲线查找，在商用电磁仿真软件出现后，微波滤波器的设计得到了很大的改善，但是在实际操作中对经验依赖性还是很强。如何快速准确的设计出符合要求的滤波器，是传统的滤波器设计方法和目前的商用电磁仿真软件难以有效解决的。针对以上问题，本文将遗传算法和BP神经网络结合[1]，在MATLAB环境下实现了对腔体滤波器结构参数的设计。
二、遗传神经网络优化
BP神经网络尤其适用在有大量实验数据，而数据间的内在关系很难用明确的表达式的非线性系统中，但在实际应用中神经网络存在学习时间长，容易陷入局部极小点等弊端。因为该算法从本质上来说属于局部寻优算法，为此利用遗传算法全局搜索能力强的特点，结合神经网络的局部寻优能力，可以更好的实现对非线性系统的预测，其基本思想是通过遗传算法得到更好的网络初始权重。
2.1算法实现过程
遗传神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。本文是以三腔体滤波器为例，将滤波器的频率f和耦合系数c作为输入向量
其次，使用改进的遗传算法对网络初始权重进行优化，将初步得到的权重赋给尚未开始训练的BP神经网络。然后，设置训练参数，开始训练网络，将 90组数用于网络训练，10组作为测试样本。最后将预测结果反归一化，观察得到的误差值，其流程图如图1所示。
2.2 优化结果
采用上述遗传神经网络算法对腔体滤波器的结构参数进行优化，均方误差为5.0972×10-5， 时间为1.056s；BP网络的均方误差为2.8871×10-4，时间为2.103s，可以看出遗传神经网络优化值更加精确，速度快。
三、结论
本文针对遗传算法和神经网络的优缺点，将遗传算法与BP神经网络有机地结合在一起，应用在腔体滤波器结构参数的优化中，优化结果表明此方法可以在较短的时间内达到精度范围内的优化值，为腔体滤波器的结构参数优化设计提供了一种新方法。
神经网络的思想范文3
人脸识别是指利用计算机分析人脸图像，在安全系统、刑侦方面有非常大的应用空间，本文主要分析基于子图分割和BP神经网络的人脸识别研究，证明该方法运行速度快、效果好，具有使用价值。
【关键词】人脸识别 子图分割 BP神经网络
当前人脸识别已经发展到三维的复杂背景的人脸识别，所涉及的背景也是更加复杂，在人脸识别的的研究中存在不少的困难，本文主要基于子图分割思想和BP神经网络的开发，构建人脸识别流程，希望能为人脸识别提供一些参考。
1 子图分割和BP神经网络概述
子图分割思想是将原始的人脸图像转化为灰度矩阵，把分割的子图进行奇异值分解变化，进而归一化处理。神经网络有很多简单单元组成，属于并行的分布式系统，具有自组织学习的优点。BP算法主要是推算前导层的误差，进而得到其他各层的误差估计，BP神经网络当前存在些问题，理论研究还不够完善，想要提高人脸图像的识别率，还需要进行改进和完善。
2 基于子图分割和BP神经网络的人脸识别方法构建
基于子图分割和BP神经网路的人脸识别框架图包括训练过程和识别过程，主要包括人脸图像的载入、预处理、特征图像的提取以及识别等步骤。
2.1 试验环境
试验硬件主要是1.6GHzCPU，内存512MB，编程工具为Matlab7.0平台，这种编程平台语法结构简单，图像功能比较完善，方便开展神经网络训练。
人脸图像样本库采用剑桥大学的ORL人脸数据库，实验者拍摄不同的图像，由于拍摄的时间不同，各个图像之间在光照、脸部以及面部表情等方面存在很多的不同。在本研究中采用200幅图像作为样本库。
2.2 特征提取
为控制神经网络的输入层节点数，对人脸图像进行压缩，在提取人脸特征时先将人脸图像转化为灰度矩阵，选择子图的最大奇异值，归一化处理。依照子图分割影响，将人脸图像分割成16维、32维、48维。经过子图分割后，图像矩阵大小相等，组合每个子图矩阵的最大奇异值，归一化处理组合后的向量。
在设计中将BP神经网络作为识别分类器，输入层节点由特征向量的维数决定，试验研究中输入层节点数根据上文确定的人脸分割图像维度分别为16、32、48。在隐含层数的选择中，增加隐含层可以进一步降低误差，但是也会导致神经网络更加复杂化。增加隐含层节点数也会提高训练的误差精度，更加易于观察和调整。BP神经网络的隐含层的选择也会影响神经网络的性能，若是节点过少，可能训练不出来，若是节点过高，会增加一次训练的时间，降低神经网络分类器的推广，在本试验中层内节点数设定为40、60、80。
确定训练数据和拓扑结构后，就能确定传递函数，由于神经网络是非线性的，若是初始权值过大，会导致导数过小，一般情况下，要求初始加权后的神经元都不接近零。因此神经网络的初始权值确定为[-1，1]。神经网络在学习训练中受到学习速率η影响，若是速率较小，时间就会比较长，若是速率过大，就难以得到恰当的值。在本实验中设定学习速率为0.01，得到较快的收敛速度。
传递函数设定为双曲面正切S型函数，若是输入向量不合适，会导致输出函数斜率无线接近零，若是无法得到最优值会使得训练结束。权值大小与幅值无关的修正值密切相关，本试验中采用弹性梯度下降算法，增量因子和减量因子分别设置为1.2和0.5.人脸识别程序主要代码包括读入人脸图像M=double（imread（e）），根据特征矩阵对抽样训练集进行归一化处理，构建BP神经网络，num_train=5;func_hidden=tansig，调用MATLAB神经网络工具箱，构建BP神经网络[netl，trl]=train（net，pnl，tl），用训练好的神经网络进行识别result _test=sim（net2，pnewn），[C，I]=max（result_test）确定测试集图像数目count_test=count_test+1;计算识别率Test_reg=conut_test/total_test。
2.3 试验结果
对不同输入层特征向量个数和隐含层节点数进行试验，训练集数目、测试集数目均为5，隐含层到输入层的传递函数为purelin，BP神经网络训练目标为0.001，学习效率为0.01，结果表示输入层特征向量32个，人脸识别率最高为86.5%，增加特征向量的个数能够提高人脸识别率，增加神经网络的隐含层节点数，能够提高人脸识别率。
3 结束语
综上所述，本文主要分析构建子图分割和BP神经网络的人脸识别方法，试验表明该方法人脸识别率比较好，由于研究时间比较短，基于ORL人脸图像样本库，范围比较小，还不能很好的解决光照强弱等问题，会受到网络参数很大的影响，这些还需要人们更多的研究。
参考文献
[1]冯玉涵.BP神经网络在人脸识别中的应用研究[J].计算机光盘软件与应用，2014（02）：152+154.
[2]吴岸雄.基于RBF神经网络的人脸识别方法[J].肇庆学院学报，2014（02）：27-31.
[3]许S. 基于子图分割和神经网络的人脸识别研究[D].中山大学，2010.
作者简介
唐守军（1980-），男 ，山东省淄博市人。现为广东开放大学、广东理工职业学院讲师。主要研究方向为神经网络、数据库性能优化、人脸识别。
作者单位
神经网络的思想范文4
【关键词】计算机网络连接 增强优化 神经网络算法
计算机网络是一种先进的科技技术，自出现以来就极大程度的改变了人们的生活生产方式，带来了非常大的便利。我国现阶段的计算机网络连接相对比较薄弱，存在很多不完善的地方。因此，有必要采取措施优化计算机网络连接，进而维护计算机网络连接的安全稳定，营造良好的上网环境。
1 计算机网络连接增强优化
1.1 计算机网络连接增强优化的必要性
网络连接对于计算机网络的重要性不言而喻。如果出现网络连接断开的问题，就会导致计算机设备无法与通信网络进行有效的信息沟通。因此，必须优化计算机网络连接，拓扑扩展计算机网络，提升信息交流的有序性和有效性，降低影响所带来的损失。因此，在现有的网络环境中，加入合适的结点，进而完善计算机网络连接的有效率，以及提高网络容量，拓展现有网络结构，使得信息交流的交互性进一步增强，最终实现计算机网络连接的优化目的，拓扑扩展了计算机网络。现阶段，存在非常多的措施能够提升计算机网络连接的效率，扩展网络容量，以及上网环境的优化。但是，很多方法措施需要投入大量的资金作为支持，不具有实用性和经济性。而计算机网络应用要求计算机网络连接优化措施适当合理，在最小的经济支出情况下解决问题，因此，只有采取增强优化下的神经网络算法。
1.2 计算机网络拓扑结构
计算机网络拓扑结构主要是指，网上计算机或设备与传输媒介形成的结点与线的物理构成模式。通信子网直接影响计算机网络拓扑结构的形式，拓扑结构能够在一定程度上保证网络信息数据系统的安全性、可靠性、完整性，此外能够对数据信息进行共享、处理以及交换等内容。根据网络拓扑结构框架分析，可以清楚的明确计算机网络结构是由链路和节点所组成，也可以这样理解，计算机网络拓扑是由计算机组成的，网络之间设备的分布情况以及连接状态所形成的拓朴图。通常情况下计算机网络用G= 来表示，V指的是网络结点集，E指的是链路集。如果增加结构中的结点集用Va表示，增加的连接集用Eb表示，进而得出计算机网络结构为G’=。
2 基于计算机网络连接优化中的神经网络算法
2.1 神经网络算法
思维学普遍认为，人类大脑的思维分为抽象思维、形象思维和灵感思维三种基本方式。而抽象思维是一种逻辑化思想，形象思维是一种直观化思想，灵感思维是一种顿悟性和创造性思想。而神经网络思维，就是通过对上述理论的分析实践，模拟人类大脑思维的第二种方式。人工神经网络，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 相对人工神经网络来说，人工神经网络应用系统更加高级，通过对网络算法以及网络模型的合理运用，合理处理信号，或者识别某种运行模式，最终形成一套独立完善的专家系统，或者智能化的机器人。
现阶段，社会中越来越多的领域开始应用人工神经网络，在生产领域上取得了明显效果。人们也越发提高对人工神经网络算法的重视程度，神经网络算法是在此基础上逐渐发展完善的，是监督性的学习算法。但是在实际应用过程中，人工神经网络算法还存在一些不足之处，没有合理解决收敛速度缓慢的问题，无法控制收敛程度到最小点，因此增加了计算机网络记忆和学习的不稳定性，同时计算机网络连接效果也受此影响。
2.2 均场神经网路算法
通过建立科学合理的场均神经网络模型，有利于进行计算机网络连接增强优化中的均场神经网络算法研究工作，进而评判网络效果。需要注意的是，利用函数法构建模型时，应当加强目标函数的构建问题工作，可以用以下方式表现构建模型：Hopfield计算网络中的神经元状态，可以用Fi进行表示，如果Fi=1，那么表示网络选中了连接i，能够正常连接；如果Fi=0，那么表示网络没有选中连接i，不能正常连接。之后可以利用罚函数法结构，创建网络模型，保证Z=max（ΣPi*Xi） 和 ΣMi*Xi ≤ A成立，需要对目标函数进行控制，主要有I = ?γ/2*[∑ρiFi]2+ψ/2*[a ?∑mifi]2，其中a=（γripi-ψmimi）d，Ii=βami，γ和ψ表示Lagrange 参数，构造Lyapunov能量函数为：E = ?1/2*∑∑AiFiFi ? ∑ IiFi，Hopfield神经网络结构为：Fi=1/2*[1+tanh（Bi/T）]，Bi=∑AiFi + I。利用均退火技术，将随机变量函数的均值由随机变量均值的函数替代，可以得出：〈Fi〉=1/2*[1+tanh{}]，〈Bi〉=〈∑AiFi + Ii〉=∑Ai Fi + Ii。如果随机变量均值〈Fi〉由均场变量Ri替换，可以得出均场网络结构：Ri=1/2[1+tanh（∑AiRi+Ii/T）]，均场网络的能量函数为：E（v）= ?1/2∑∑AiRiRi ? ∑ IiRi。通过对算法步骤的简单分析，可以看出：第一、根据问题设置参数；第二、初始化，Ri=rand（d，1-d），i可以是大于零的整数；第三、重复以上操作，知道满足停止规则。
3 总结
总而言之，计算机网络在社会各个领域中，都在发挥的无可替代的作用。如果计算机网络连接出现问题，将会严重影响相关企业或者设备的正常运转，进而降低经济效益。因此，必须提高计算机网络连接的重视程度，进一步完善优化连接效率，维护网络连接的稳定性和可靠性，为我国计算机事业的未来发展奠定坚实的基础。
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）：16-16.
[2]王颖华，金爱花.计算机网络连接增强优化中的均场神经网络算法[J].硅谷，2013（15）：61-62.
[3]李盼池，许少华.基于过程神经网络和遗传算法的系统逆向过程求解[J].计算机测量与控制，2015（10）：948-950.
神经网络的思想范文5
关键词：人工神经网络；机械工程；应用
中图分类号：TP183文献标识码： A
1 人工神经网络类简介
人工神经网络（Artificial Neural Networks)是采用物理可实现的系统来模仿人脑神经细胞的结构和功能。它反映了生物神经系统的基本特征，是对生物神经系统的某种抽象、简化与模拟。人工神经网络早在20 世纪 40～50 年代已被提出，但直到 20 世纪 80 年代后期，该技术才被人们广为重视并应用。神经网络的特征有：
1） 非线性。人类大脑的智慧就是一种非线性现象。处理元素处于激活或抑制两种不同的状态，这在数学上就是一种非线性关系。利用神经网络可以实现多变量之间的多种非线性映射，因而可以描述大规模非线性复杂系统。
2） 自学习自适应能力。神经网络经过前期的训练，能够处理大量信息，并允许信息是变化的。除此以外，神经网络在处理信息的同时，能够总结、综合输入信息和输入信息以及已有信息之间的规律，采用迭代过程优化自身的拓扑关系，丰富自身的知识和经验，从而提高处理分析数据的能力。
3）并行性。输入到神经网络中的信息是各处理元素并行处理的。现代计算机CPU相当于计算机的司令部，所有指令由CPU一条一条发出，串行工作。工作量很大时，效率必然很低。而神经网络所不同的是，每个处理元素相当于一个独立的微型CPU，各自独立地从其他处理元素采集数据，分析综合后再输入到其他神经元素。各个神经元素相互独立，又相互配合，无统一指挥。神经网络这一特性，使其对信息的响应和处理效率大大提高。
4） 分布式信息存储。神经网络的信息存储不是分别存储在各个处理元素中，而是存储在处理元素之间的拓扑关系中。处理元素之间不同行的联接方式反映了不同的存储信息。输入的信息在神经网络中传播、调整，直到找到与之最佳匹配的存储信息。在这一过程中，神经网络各部分信息相互补充，相互支持，并可以为不完整的信息找到最佳匹配。因此，神经网络具有很强的联想能力和容错能力。
2 、神经网络在机械工程中的应用
2.1 CAD技术
目前，CAD技术已经从传统的绘图功能发展为集需求分析、原理方案设计、初步结构设计与分析、详细设计、工程分析、工艺设计等功能于一身的CAD专家系统。但CAD专家系统存在自身缺陷。第一，知识的获取存在“瓶颈”，主要来源于专家。第二，知识量越丰富，推理链越长，效率越低。第三，求解问题所需知识超出其知识库，系统无能为力。而神经网络的应用弥补了上述缺陷。其知识的获取一部分通过前期训练，另一部分通过自身实践。其信息处理过程是在自身知识网络中寻找最佳匹配的过程，冗余知识耗用时间少。再有，神经网络的联想能力和容错能力使其处理问题时能够克服自身知识量的约束。可见，神经网络可作为CAD专家系统很好的补充。
2.2 机械优化设计
机械优化设计，就是根据机械设计的规范，从设计问题中抽象出数学模型，采用数学归纳法和计算机技术，在约束条件下求目标函数的最优解。可应用于机械优化设计的主要有 BP 神经网络、反馈神经网络。
BP 神经网络BP 神经网络是一种应用比较广泛的人工神经网络，是模仿大脑神经网络结构和功能而建立的一种新型智能信息处理系统。它通过对人脑的形象思维、联想记忆等的模拟和抽象来实现与人脑相似的识别、记忆等信息处理功能。BP 网络具有较强的自适应性和自组织性、高度并行信息处理能力、强大的非线性映射能力，硬件实现后分类速度快，可以快速准确的实时处理等。根据 Kosmagoro定理：在有合理的结构和恰当权值的条件下，三层前馈网络可以逼近任意的连续函数，所以从简捷实用的角度一般只选取一个隐层。标准的 BP 网络相邻两层的神经元之间全连接，每层内的神经元没有连接。机械优化设计中，可利用 BP 神经网络的非线性映射能力进行机械系统的结构优化设计和多目标优化设计。利用BP 神经网络模型还可以进行机械产品的多目标优化设计。利用BP神经网络的非线性映射能力，在进行优化设计时，可以避开确定各个目标函数的权重，较为有效地进行多目标优化设计。其方法是：首先根据产品的具体情况构造一个 BP 神经网络，以各个设计变量作为这个神经网络的输入向量，以各个分目标函数作为这个神经网络的输出向量，利用已有的经验数据训练该网络，确定网络各个联接的联接权重，即确定设计变量空间到目标函数空间的映射关系，然后在进行系列产品设计时，根据业已确定的设计变量空间到目标函数空间的映射关系，确定各个设计变量的取值，从而达到新产品的综合性能最优，达到多目标优化设计的目的。
2） 反馈神经网络
1982 年，美国加州理工学院生物物理学家 J.Hopfield，提出了模拟人脑联想记忆功能的神经网络模型- 反馈神经网络。该神经网络模型是由一些相互双向连接的神经元组成，每个联接有一个权值。网络中每个神经元的输出均反馈到同一层次其它神经元的输入上。由这种拓扑结构构成的网络在没有外部输入的情况下，网络自身状态的演化使得网络收敛到一个稳定态；在该稳定状态下，两神经元之间的联接权值相等，网络趋于平衡，Hopfield 等人将能量函数引入到该网络结构中，并以此来判定该方法的稳定性。将 Hopfield 神经网络模型应用到机械优化设计中，其关键是在机械优化设计问题与Hopfield 神经网络模型之间建立一种对应关系，用人工神经网络有效地表示优化设计中的设计变量、约束条件和目标函数，将该种神经网络的动态演化过程与机械优化设计的在解空间寻优过程对应起来。
2.3 故障诊断
机械故障诊断在产品维修保养方面有广阔的应用前景，受到广泛重视。故障状态信息和故障原因之间是一种非线性映射关系。而神经网络对处理非线性复杂问题有独特的优越性。首先，从传感器获得的信息是工况信息的集合，神经网络可以从中提取出故障征兆信息，相当于滤波；然后利用联想能力和自适应能力对故障征兆进行分析，从而判断是否有故障或者故障类型；最后将处理结果作为输出。
2.4 工况检测与控制
机械加工制造过程中的参数如温度、应力、振动、惯性力等具有复杂性和随机性。传统的精确数学模型应用受到一定限制。而神经网络为复杂的非线性映射问题提供了解决办法。神经网络经过前期培训和学习，对输入的非线性复杂信号进行分析，识别出工艺系统的状态，并根据经验给出控制策略，实现在线控制，主动控制。
2.5 智能控制与机器人工程
对于可抽象精确数学模型的问题，传统的控制方法已非常有效，但对于复杂的控制系统，如机器人控制系统，很难建立精确数学模型。其接受的信号为非确定的非线性信号。利用神经系统的自适应性，充分逼近已有数学模型，利用自身组织能力迅速作出反馈，其联想能力和容错能力大大提供了系统处理不确定信号的能力。因此，可作为机器人的自适应控制器。此外，神经网络在可靠性设计、自动设计、专家系统、几何建模等方面也得到较广泛的应用。
3 结语
随着人工神经网络相关理论的研究，更多优化网络模型的建立，以及计算机技术的发展，神经网络在机械方面会得到更加充分的利用。从而为机械产品在设计、制造、评估、使用和维护等阶段提供巨大便利，推动机械制造业向前飞速发展。
参考文献
[1]徐秉铮.神经网络理论与应用.广州：华南理工大学出版社.
[2]黄洪钟，黄文培，王金诺.神经挽留过技术在机械工程中的应用与展望.机械科学与技术，1995.4
神经网络的思想范文6
【关键词】气体识别;自组织神经网络
1.引言
气体识别在环境保护、化工控制、家用报警、食品保鲜、温室环境控制、航空航天等领域有着广泛的应用。应用气体传感器进行多组份气体的定性定量研究，可以极大的降低测量成本，减小测量周期，并可实现在线的实时测量。但由于当前气体传感器普遍存在着交叉敏感和选择性差等缺点，使用单一传感器很难实现多组份气体的检测分析。为解决以上问题，一方面可以采用新材料、新工艺来改善传感器本身的性能;另一方面可以将现有的气体传感器构成阵列，并与自组织神经网络技术相结合。本文采用后者的原理，即通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络模式识别算法进行气体识别分析。
人工神经网络（Artificial Neuron Networks，ANN）人工神经网络（Artificial Neutral Networks，ANN）是一个由大量简单处理单元广泛连
接而成的复合网络系统。神经元结构是受到生物神经元的启发而得来的。目前应用的神经网络类型有很多，其中应用最广的是BP神经网络，神经网络需要学习的过程，即利用外部条件作用于神经网络，使其能重新对外界做出反应。将气体传感器阵列与采用BP算法进行训练的人工神经网络模式识别技术相结合形成的气体识别系统，是利用传感器阵列对混合气体的高维响应模式来实现对混合气体的定量检测。其中传感器阵列的选取、传感器信号的预处理方法、BP神经网络的结构和参数以及测量环境是影响系统性能的可能因素。
2.人工嗅觉系统
人工嗅觉系统是一种化学分析系统，它由一个具有部分专一性的电子化学传感器阵列和一个合适的模式识别系统组成。由于人工嗅觉系统主要模仿的是生物的嗅觉系统，所以人工嗅觉系统也可被称为“电子鼻”或者电子嗅觉系统。
2.1 电子鼻简介
电子鼻这个术语开始出现于二十世纪八十年代晚期，当时它被用于1987年的一个学术会议。较为科学的电子鼻的概念出现于1994年英国Warwick大学的J.W.Gardner发表的文章中，并且J.W.Gardner综述了世界各国人工嗅觉系统的发展概况。
电子鼻模仿人的鼻子的功能，以电讯号的方式予以表达，可以工作在恶劣或有毒的环境下，在食品、化工、环保、医疗诊断、检验等方面有很重要的应用，其关键技术就是气体传感器阵列。
2.2 人工嗅觉系统的原理及基本组成部分
人工嗅觉系统主要是受生物的嗅觉系统启发和影响，以下是该系统中的关键因素：
（1）对微量、痕量气体分子瞬时敏感的监测器，以得到与气体化学成分相对应的信号;
（2）对检测到的信号进行识别与分类的数据处理器，将有用的信号与噪声加以分离;
（3）将测量数据转换为感官评定指标的智能解释器，得到合理的感官结果。
2.3 气体传感器
气体传感器是一种将气体的成分、浓度等信息转换为可以被人员、仪器仪表、计算机等利用的信息的装置。
2.3.1 半导体气体传感器
半导体气体传感器在气体传感器中约占60%，根据其机理分为电导型和非电导型，电导型中又分为表面型和容积控制性。
2.3.2 表面敏感型传感器元件
表面敏感型传感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可检测气体为CO、NO2和氟利昂等，传感材料Pt-SnO2的气体传感器可检测气体为可燃性气体如H2、CO、CH4等。
2.3.3 容积控制型传感材料
容积控制型传感材料有TiO2、CoO-MgO-SnO2等，其半导体气体传感器可检测气体为液化石油气、酒精和燃烧炉气尾气等。
3.神经网络
人工神经网络（Artificial Neuron Networks，ANN）是近年来人工智能的一个重要科学分支。二十世纪五十年代末人工神经网络系统开始作为人工智能的一种重要计算工具逐渐受到重视。进入二十世纪八十年代后期，人工神经网络的研究进入了一个新的。主要原因是：一方面经过几十年迅速发展起来的以逻辑符号处理为主的人工智能理论和冯-诺依曼计算机在处理诸如视觉、听觉、形象思维和联想记忆等智能信息问题时遇到挫折;另一方面，具有并行分布处理模式的人工神经网络本身的研究取得了巨大的进展。
神经网络具有一些不同于其它计算方法的性质和特点以及它自身是基于人类大脑结构和功能而建立起来的，因此具有很多和人类智能类似的特点。首先，神经网络将信息存储在大量的神经元中，具有内在的知识索引功能。信息在网络中使用两种方式被保留：一种是神经元之间的连接，另一种是连接权重因子。其次，人工神经网络具有对周围环境自学习、自适应功能，也可用于处理带噪声的、不完整的数据集。在人工神经网络中，输入与输出的关系不是由单独的神经元直接负责的，相反是与神经元的输入输出有关。最后，人工神经网络模拟人类的学习过程。人类大多数的学习和求解过程都是采用尝试法，而人工神经网络可以以相同的方式运行。
神经元（neuron）即神经网络中的基本处理单元，也就是节点。一般节点由输入与输出、权重因子、内部阀值和函数形式四部分组成。
图1 神经元模型
图1给出了一个基本的神经元模型，它具有R个输入，每个输入都通过一个适当的权值wli和下一层相连，网络输出可表示为：
式中，n为该神经元（序号l）的总输入;
f（n）为神经元输入输出关系的函数，称为作用函数、响应函数或传递函数。
人工神经网络的拓扑结构是指它的处理单元是如何相互连接的，主要由输入层、隐含层和输出层组成。每一节点的输出被送到下一层的所有节点。通过将这些处理单元组成层，将其相互连接起来，并对连接进行加权，从而形成神经网络的拓扑结构，将若干个人工神经元作为有向图的节点，可连接成人工神经网络。其中每一层对于人工神经网络的成功都非常关键。可以将人工神经网络输入层、隐含层和输出层看成为一个通过输入层的所有节点输入特定信息的黑箱。人工神经网络通过节点之间的相互连接关系来处理这些信息，最后从输出层的节点给出最终结果。
4.误差反向传播网络（BP网络）
1985年，以Rumelhart和McClelland为首提出了至今仍广泛接受和使用的误差反向传播学习算法。按照这一算法进行训练的多层神经网络被直接称为BP神经网络。BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。其权值的调整采用反馈传播学习算法。
目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。BP网络主要用于以下四方面：
（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络以逼近一个函数;
（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来;
（3）分类：把输入矢量所定义的合适方式进行分类;
（4）数据压缩：减少输出矢量维数以便于传输和存储。
对于神经网络算法，使用基于误差反向传递的神经网络算法设第p个模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N为模式个数），将其视为BP网络的输入，yip为其实际输出，隐含层和输出层各单元的激活函数采用sigmoid函数，即：
一般基于BP的神经网络算法具体步骤如下：
Step1、构造网络，初始化网络的权矩阵，设置学习因子，动态因子，跌代次数和允许误差;
Step2、从一个网络开始，提供训练模式;
Step3、开始训练第k个网络;
Step4、前向传播过程，对所有训练模式，计算网络的实际输出并与目标输出相比较，如果误差超过运行误差，则进行下一步，否则训练第k+1个网络;
Step5、反向传播过程：计算隐含层和输出层各单元的误差精度，修正权值和阀值：
式中，为学习效率;
di为教师信号或希望输出;
为实际输出yi与希望输出di之差，其中yi和xj是取1或0的离散值。
Step6、继续训练第k个网络。
BP网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP网络的简单性，在人工嗅觉系统的模式识别部分占有很大的比例，许多以前和现在的一些成熟人工嗅觉系统的产品仍然使用BP神经网络进行模式识别。
BP网络的学习是通过求解一个优化问题完成的，从数学的角度看，它是通过函数逼近拟合曲面（线）的想法，并且将其转化为一个非线性优化问题而求解。BP网络是对简单的非线性函数进行复合，经过多次复合后，则可以实现复杂的函数，但存在BP学习算法收敛速度慢、不完备性和隐节点数只能凭经验选取。
由于存在上述问题，科学家们从利用线性的自适应步长加速BP算法和增加动量项来去除收敛过程中的局部最小点。模拟退火（Simulated Annealing，简称SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小点的出现，把它用在优化中是由Kirkpatrick等人提出的。组合优化问题的解空间中的每一个点都代表一个解。不同的解有着不同的目标函数值。优化过程就是在解空间中寻找目标函数的最小解。
SA算法的特点是通用性强、可达到全局最小。传统的启发式搜索算法如快速下降法，每次都是向改进解的方向搜索，往往只能找到一个局部最优解，而不是全局最优解。而SA算法在系统朝能量减少这个总趋势的过程中，允许解的搜索以一定的概率向较差的方向走，以避开局部最小，而最终稳定到全局能量最小的状态。
5.利用自组织神经网络进行气体识别
将被测气体按所需测量精度和浓度范围按成份分成不同的浓度等级，采用标准气体配置这些等级的不同成份气体的所有组合作为标准模态来训练神经网络。通过识别某一未知气体样本的模式，即可以得到未知气体的成份浓度。例如，选用N种互相参比配制混合气体样本。根据传感器的灵敏范围，将配制的气体浓度限制在a1到am以内，浓度变化间隔为l。这样每种气体有m种浓度模式，共计可得到mN个样本。采用这些样本作为原始数据训练自组织神经网络，就可以实现在这一浓度范围内的最大误差为l的气体定量测量。
