前言：中文期刊网精心挑选了人工神经网络的概念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。
人工神经网络的概念范文1
关键词：脉冲耦合神经网络（PNCC）；人工神经网络；车轮定位；侧滑
随着交通系统的越来越发达，特别是高速公路的迅速发展，人们驾驶汽车的速度也是越来越快。随着行车速度的提高，汽车的操控是否稳定对汽车的驾驶人员的安全来讲至关重要。而汽车操控的稳定性则由汽车的车轮定位参数来决定。车轮的定位主要有2种即前轮的定位和后轮的定位。而前轮的定位参数有：前轮前束、前轮后倾角、主销后倾角、主销内倾角等组成；后轮定位参数有：后轮前束、后轮后倾角等组成。对于不同档次的汽车有的只有前轮定位，有的前轮定位和后轮定位都有。不管前后轮定位是不是都有，只要有一个定位参数有错误将会产生非常严重的影响，主要是影响汽车的操控稳定性。如果主销后倾角过大时则会使转向沉重；而主销后倾角过小则很容易引起前轮摆振，方向盘摇摆不稳以及方向盘自动回正能力变差；如果汽车左右后倾角偏差过大那么就会将引起直线行驶时跑偏，而后轮前束不正确则不仅会引起直线行驶时跑偏，还会造成轮胎非正常磨损等。总之，汽车的车轮定位检测对于汽车的驾驶者来讲是非常重要的。
1汽车诞生之后出现的车轮定位检测的方法
在最早的时候，主要是使用专用的定位测量工具来测量的，如前束尺、外倾角、后倾角等测量工具。随着汽车技术的迅猛发展，使用这些定位测量工具远远满足不了现在定位检测的要求。为了提高定位检测的效率，在市面上出现了一种采用激光技术测量前束的光学水准定位仪。使用这种定位仪的时候操作比较简单，价格也比较低，但是使用它测量的时候仍然需要人工来读取数据。再后来随着电脑式四轮定位仪的出现，大大提高了原先的定位检测效率。这种电脑式的四轮定位仪由电脑主机、显示器、打印机、前后车轮检测传感器、传感器支架等硬件组成，并且还配有数字视频图像数据库，通过数据库可以显示检查和调整的准确位置等。为了更智能化地进行车轮的定位检测，最新的车轮定位系统开始引入了第三代人工神经网络模型，也就是专业上来讲的脉冲耦合神经网络。这一概念的引入给汽车车轮定位检测系统带来了智能化。
2人工神经网络系统
它是一种采用类似人的大脑神经的工作模式，将复杂的人类大脑用于处理某些复杂的信息并具有一定的智能性。人工神经网络以其大规模的并行计算能力、自适应性和容错性，在工业过程中发挥了非常重要的作用，并迅速应用到了各个应用领域。第三代人工神经网络，是一种新型的人工神经网络。称为脉冲耦合神经网络（PCNN：Pulse Coupled NeuralNetwork）。这种模型已经开始在汽车车轮定位检测系统中得到了应用。特别是近几年，人工神经网络技术逐步开始应用在汽车故障预测、监测和诊断领域等方面。本文将对第三代人工神经网络即脉冲耦合神经网络（PNCC）在汽车车轮定位检测中的应用进行简要的分析。
人工神经网络因为是源于生物类的大脑活动模式，所以这种人工神经网络也是由很多的神经元组成的。这些神经元相互连接，就形成了人工神经网络。因为人脑工作模式的特殊性，这些人工神经网络的工作模式也不是一般的线性元素所能完成的。和人类大脑一样，神经元也是人工神经网络的基础处理单位。输入的信号可以是多种的，而输出的结果只有一种，这和人类的大脑工作模式是一致的。通过了解，人们知道这种脉冲耦合神经网络的应用已经非常广泛了。特别是应用在日常生活中所见到的图像处理中。因应用方向不同，在引入这种脉冲耦合神经网络的时候所采用的各种方法手段及其设置也都不一样。这些参数的设置直接影响着输出结果。所以一旦引入了这个概念，就需要通过大量的实验来验证参数设置的正确性以及有效性。避免因为前期的设置问题，导致后期出结果的时候有较大的偏差。所以应该把重点放在前期的实验数据上。特别是数据的选择及环境的选择上。人工神经网络是不同于任何网络的一种类似智能的网络架构，它的工作模式和任何的其它网络都不一样，它的这一特性，让人们能够从中理解了这种类似大脑的神经元工作模式。大脑在工作的时候主要靠这些相互连接的神经元相互作用，传送信号，当然这些看似零乱的神经元也是有一定的组织结构的，之间也形成了一种特殊的网络拓扑结构。在传递信号的时候，可以通过各种刺激来增强或减弱相关的神经元的传递信号。当然这种神经元信号在传递的时候速度是非常快的，仅次于人类的神经元传递速度。而要远快于计算机信号的传递速度，人工神经网络在工作的时候，除了可以传递信号外，还可以通过各种刺激来增强或减弱相关的神经元信号。正是因为这种特性，才让人们选择了将脉冲耦合神经网络应用在各个领域中。因为这些优势，它的应用正在逐步扩大，开始应用在各行各业中。
3脉冲耦合神经网络
同人类的神经网络系统一样，脉冲耦合神经网络是由大量的神经元组成的，这些神经元都是简单结构的，但是神经元都是相互连接的，彼此可以接受其它大量神经元传输过来的信息。每一个神经元都可以接收和输出信息。当然这些输入、输出的信息都不是传统形式的信息。它的输入、输出不是线性关系的输入、输出。这样每个不同位置的神经元都在接收和输出非线性关系的信息。它们之间相互影响、相互制约，最终影响到结果的输出。同人类的大脑神经网络一样，人工神经网络系统也需要学习。就像人类从诞生开始就要接受学习一样，人类通过年龄的增长，逐步学习到相应的知识，最终形成了成人的大脑神经网络，当人们遇到事情需要处理的时候，大脑神经网络就开始接收外界的信息，然后根据收到的信息进行非线性运算，最终得出结果或结论。人工神经网络也需要进行这样的学习，只不过这样的学习和人类的学习不太一样，人工神经网络学习有各种各样的算法。而脉冲耦合神经网络和传统的人工神经网络还不太一样，这种系统不需要对传统的网络参数进行学习，这种系统需要在前期对不同环境下的参数进行特定的设置。这是传统神经网络发展的趋势。包括从人工神经网络的信号输入到信号输出都有别于传统的人工神经网络。人的大脑在人出生的时候只是决定了这个神经网络的基础，后天的影响因素能够起到非常重要的作用。而人工神经网络在这一点上则不同于人的大脑。当然人工神经网络的工作原理和计算机的工作原理也不一样，计算机只会根据提供的信息进行一步一步的计算，每一步的计算都有依据，有很强的逻辑性。而人工神经网络在工作的时候，则是依据正常的大脑工作原理，进行非线性甚至非逻辑的运算，最终迅速得出结论或结果。
综上所了解的知识，得出了需要利用人工神经网络技术中的BP神经网络算法对车轮的两个定位参数外倾角和前束角进行检测。同时，由前面理论可以了解到：当汽车发生侧滑的时候很可能是因为车轮的外倾角或汽车的前束角引起的。所以，就要通过使用人工神经网络系统对这一可能引起侧滑的位置进行检测。本文主要通过对映射反推原理对车轮的外倾角、前束角等进行定位检测。通过反射的定位角度，还确定是否有问题。当然这些都需要提前做大理的工作准备。首先需要进行大量的神经网络模型训练，然后通过前期设置的车轮定位参数，将最终得出的结果进行比较，最后建立一个可以准确诊断的数学模型。这样以后就要以通过这个建立的数学模型进行定位角的测量了。
人工神经网络的概念范文2
Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.
关键词： 财务管理；神经网络；决策支持系统；专家系统
Key words: financial management；nerve network；decision support system （DSS）；expert system
中图分类号：F275 文献标识码：A 文章编号：1006-4311（2012）03-0126-02
0 引言
DSS是80年代迅速发展起来的新型计算机科学。它是一个有着广泛应用背景的十分热门的交叉科学。神经网络是一个具有高度非线性的超大规模连续时间的动力系统。结合神经网络的智能决策支持系统是目前研究的前沿之一，它极具理论和使用价值。
财务管理的信息化、数字化是财务规范和科学管理的趋势。与DSS的结合将更加有利于数据标准的统一，有利于数据采集的模块化，有利于决策支持的科学化，有利于财务公开的透明化。
1 财务管理决策支持系统的研究现状
决策支持系统经过二十多年的发展，形成了如图1所示公认的体系结构。它把模型并入信息系统软件中，依靠管理信息系统和运筹学这两个基础逐步发展起来。它为解决非结构化决策问题提供了相应的有用信息，给各级管理决策人员的工作带来了便利。
从图1可以看出决策支持系统体系结构可划分为三级，即语言系统（LS）级、问题处理系统（PPS）级和知识系统（KS）级。其中问题处理系统级包括推理机系统（RS）、模型库管理系统（MBMS）、知识库管理系统（KBMS）及数据库管理系统（DBMS）。知识系统级包括模型库（MB）、知识库（KB）及数据库（DB）。
九十年代中期，兴起了三个辅助决策技术：数据仓库（DW）、联机分析处理（OLAP）和数据挖掘（DM）。联机分析处理是以客户/服务器的方式完成多维数据分析。数据仓库是根据决策主题的需要汇集大量的数据库，通过综合和分析得到辅助决策的信息。数据挖掘顾名思义，是为了获得有用的数据，在大量的数据库中进行筛选。人工智能技术建立一个智能的DSS人机界面，可进行图、文、声、像、形等多模式交互，人机交互此时变得更为自然和谐，人们能沉浸其中，进行合作式、目标向导式的交互方法。
从目前情况来看，财务决策支持系统的研究还处于初级发展阶段，财务数据的保密性、特殊性决定了财务决策不能全部公开化、透明化，但随着中央及国务院相关部门财务预决算数据的公开，财务决策系统及其支持系统和过程也将随之公开，这就要求决策者充分利用财务知识和决策支持系统的知识“聪明”决策、合理决策、科学决策、规范决策。
2 财务管理神经网络智能决策支持系统总体研究框架
2.1 神经网络运行机制 神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分，来弥补计算机的不足之处，而不是单单用物理的器件去完整地复制。
第一，神经网络中的链接的结构和链接权都可以通过学习而得到，具有十分强大的学习功能；第二，神经网络所记忆的信息是一种分布式的储存方式，大多储存在神经元之间的权中；第三，神经网络部分的或局部的神经元被破坏后，仍可以继续进行其他活动，不影响全局的活动，因此说，神经网络的这种特性被称作容错性；第四，神经网络是由大量简单的神经元组成的，每个神经元虽然结构简单，但是它们组合到一起并行活动时，却能爆发出较快较强的速度来。
我们可以利用神经网络的上述特点，将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。
2.2 财务管理神经网络集成智能财务DSS的必然性 在企业经营管理、政府机构财务活动中，人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程，一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中，各种指标之间的关系很难明确，而且还受评价者的效用标准和主观偏好所左右。因此，很难在指标体系和评价目标间建立起准确的定量或定性模型。因此，我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然，利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势[4]。
2.3 财务管理神经网络集成智能DSS系统框架 神经网络智能决策支持系统主要以知识、数据和模型为主体，结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架[2]。研究中有两个重点，即神经网络推理系统和神经网络数据开采系统。
2.3.1 神经网络数据开采系统 神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务：相关分析、聚类、概念描述、偏差监测、预测。
常用的前馈式神经网络，如BP网络，可用于进行概念描述及预测。对向传播（Counter Propagation，简称CP）神经网路可用来进行统计分析和聚类。
CP网络是美国神经计算专家Robert Hecht-Nielsen提出的一种新型特征映射网络，其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点，又采纳了有教师示教型网络分类精细、准确的好处，使两者有机地结合起来。由竞争层至输出层，网络按基本竞争型网络学习规则得到各输出神经元的实际输出值，并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习，可以将任意输入模式映射为输出模式。
2.3.2 财务管理神经网络推理系统 财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”，等问题。在神经网络系统中，计算与存储时完全合二为一的，即信息的存储体现在神经元互连的分布上，并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程，这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点，系统最终会流向期望的最小点，计算也就在运动过程中悄悄地完成了。因而，可用双向联想记忆（BAM）网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式，且将之分为X和Y两部分。网络通过提供的样本对进行充分的学习后，就可用来进行模式间的联想推理。
3 财务管理神经网络智能DSS研究展望
当前世界上最热门的研究课题，是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术，但由于自身的局限性，它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好，但真遇到解决复杂的问题的时候，它就显得力不从心了，所以，这个时候我们可以将两种技术结合起来解决，除了它们要自身不断发展和完善外，还要注重两者的协调配合，神经网络DSS未来的发展趋势就是依靠这两种技术不断结合，从而能帮助我们解决更多的实际问题。
3.1 财务管理神经网络支持专家系统 常见的财务管理神经网络支持专家系统主要包括几个方面：知识维护、知识表示、知识获取、推理等，我们针对各个步骤展开讨论。
3.1.1 知识维护。如果知识是通过人工神经网络来获取的，我们就可以同样利用人工神经网络，来让维护工作变得更加方便快捷，维护可以通过人工神经网络来自动完成，我们需要做的只是重新运行网络模块，或者重新训练网络模块，又或是增加新的网络模块。
3.1.2 推理。一般的专家系统只是求解专门性问题，应用的领域非常狭窄，同时由于控制策略不灵活，推理方法简单，容易出现一些这样或那样的问题，推理效率低、速度慢。人工神经网络可以解决这一问题，从根本上提升工作效率，提高工作速度，它可以拓展知识空间，不只局限在狭窄的领域。
3.1.3 知识表示。很多专家知识事实上很难用规则表示出来，但在现实工作中，我们大部分财务管理专家却都采取这种方式，无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题，我们可以采用人工神经网络系统来将知识提供给专家系统，这样做就可以避免这一问题，当专家系统需要相应知识时，就不需要用规则来表示知识，直接调用人工神经网络就可以了。
3.1.4 知识获取。人工神经网络可以帮专家系统来获取知识，知识获取是通过人机对话的形式进行的。首先，专家系统向专家提出问题，人工神经网路则负责对这些信息进行收集、处理，在人工神经网络的联结权值中已经具有通用的知识，所以这一步骤会很方便，之后再产生相应的数据结果。接着，专家系统在对这些数据进行进一步的分析。在这一过程中，专家系统只运用很少的规则就可以获得相关的知识，大大提高了工作效率。
3.2 财务管理专家系统支持神经网络 财务管理专家主要通过三种方式来对神经网络提供必要的支持：第一，提供相应的必要的解释；第二，进行预处理；第三，联合应用。
3.2.1 解释。作为专家系统的人工神经网络，它做不到同其他专家系统那样，具体详细地跟踪问题求解的过程，以获得答案的原因，它只能依靠增加一个小型的专家来解决这一问题，以获得答案的原因，这个专家系统可以反向推理，从结果到初始输入，系统提供具体的解决方法。
在这种模式中，经过训练的人工神经网络来解决问题。当用户要求解释的时候，就可以通过网络输入一个并行的专家系统。
3.2.2 预处理。对于人工神经网络来说，处理数据这项工作比较难。专家系统可以帮助人工神经做好这些工作：选择合适的收敛算法，确定训练神经网络的样本的数量，选择合适的神经网络。收集正确数据的工作，对于人工神经网络来说至关重要，事先对它们进行预处理，可以确保各项工作顺利的完成。
3.2.3 联合应用。将一个复问题分解为几个子问题，如下图3所示，再将各个子问题来逐个解决，这就是我们所常说说的联合应用方法。它可以直接采用人工神经网络、专家系统以及其种可能的方法来解决问题，指导实际应用。
我们当前计算机所要解决的主要问题，是如何解决半结构化和非结构化的决策等问题，它是人们在日常生活中所经常遇到的，在财务活动中会大量存在。如何更科学、更合理地处理这些问题是我们当前工作的主要方向。运用人工神经网络技术处理半结构化和非结构化的决策是一种智能化的求解方式。但是此种方式并不是完美无缺的，它还存在着一定程度上的缺点，我们只有改善这种技术上的不成熟，将智能化研究进行到底，才能让神经网络决策支持系统的研究出现新的进展。
参考文献：
[1]陈文伟.智能决策技术.电子工业出版社，1998年.
[2]钟义信.智能理论与技术——人工智能与神经网络.人民邮电出版社，1992年.
人工神经网络的概念范文3
关键词：相似性；可塑性；阻变机理
DOI：10.16640/ki.37-1222/t.2016.03.102
0 引言
人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。神经元之间突触的联系强度是可变，这是学习和记忆的基础。人工神经网络可以通过“训练”而具有自学习和自适应的能力。神经网络技术的关键是权重设计，权重的硬件实现需要一个长期保持记忆且不耗能的纳米级元件。传统的人工神经网络技术都是在传统计算机基础上进行的，其主要缺点是运算量巨大且运算不是并行处理。如果在硬件上实现人工神经网络的并行分布式处理、非线性处理，自我学习功能和自适应性等功能，就能够解决了人工神经网络在传统计算机上运算量巨大的缺点。而单个忆阻器便可实现神经突触功能的模拟，而且忆阻器能够很容易与纳米交叉连接技术相结合，具有大规模并行处理、分布式信息存储、巨大存储量等优势。所以利用忆阻系统是人工神经网络实现神经突触功能的模拟的最好的方式之一，因而成为近年来研究的热点。
1 忆阻与神经突触的相似性
神经元是大脑处理信息的基本单元。人脑大约含有1011-1012个神经元，神经元互相连接成神经网络。突触是神经元间信息传递的关键部位，决定了前后神经元之间的联系强度。图1.神经突触的结构示意图。神经递质通过突触前膜释放到突触间隙，作用于突触后膜上的受体，使突触后膜发生电位变化，使下一个神经元产生兴奋或抑制。生物系统记忆和学习功能是以精确控制通过神经元及突触的离子流为基础建立的。突触能够随外界的电位刺激变化，粒子流产生动态连续的变化，联系强度增强或者减弱，即突触的可塑性。在忆阻器件出现之前，人工神经网络突触的的硬件实现需要集成电路甚至超大规模的集成电路，而且人工神经网络的密度也很难达到生物神经网络的密度，因而电路复杂体积庞大，制约了人工神经网络对于复杂的人脑功能模拟的实现。忆阻器的出现解决了这个问题，世界各地多个研究小组已实现了具有不同忆阻模型和忆阻特性的忆阻器件。由于忆阻器的电阻可变和电阻记忆特性，与突触的功能上有很强的相似性，因此忆阻在人工神经网络电路中可以模拟突触在生物神经网络中的作用。
2 神经突触的可塑性特性
神经突触一个重要的特征是突触的可塑性，电信号刺激能够加强或者弱化突触，突触连接强度可连续调节。利用忆阻器模拟生物突触最基本的依据是由于它具有电阻缓变的特性，当施加电压下器件的阻值可实现从高（低）阻值到低（高）阻值的缓变过程，器件的导电性（或阻值）相当于突触权重，导电性增大和减小的过程分别对应突触的增强和抑制过程。记忆是通过大脑中大量突触之间的相互连接所表现出来，因此，突触可塑性被认为是学习和记忆重要的神经化学基础。实现突触学习功能时，一个典型特性是电脉冲时间依赖可塑性（STDP）。人类大脑中记忆或者突触可塑性按保留时间可以分为短程记忆和长程记忆。短时程可塑性与神经元的信息传递和处理有着密切的关系。神经系统每时每刻都接受数以千计来自外界的刺激，短时可塑性对如何在大量的输入信息中提取有用信息扮演重要角色。长时程可塑性促使突触在数小时到数天之内发生持续性的变化，人们认为其在学习和记忆存储的突触机制中发挥重要作用。
3 忆阻器件的阻变机理
早在1971年，美国校华裔科学家蔡少棠就通过理论计算预言，在电阻、电容和电感之外必定存还在第四种无源电子元件，即忆阻器。如图3所示，电路的3个基本元件电阻、电感和电容，可以分别有由4个电路变量变量电压（v）、电流 （i）、电荷量（q）和磁通量（φ）中的两个来定义，分别为：由电压和电流定义的电阻R、由电荷和电压定义的电容 C 以及由磁通量和电流定义的电感L。出于逻辑完备性，蔡绍棠认为应该还存在由电荷量和磁通量定义的第4类基本电路元器件即忆阻器。然而学界却一直没有找到这个在理论上成立的无源元器件，直到37年后（2008年），美国惠普公司宣布在Pt/TiO2Cx/Pt两端器件实现了具有忆阻功能的器件结构（图4），从而找到这个一直缺失的电路元件，至此忆阻器开始引起更多学者的研究兴趣，并迅速成为电路、材料、生物等领域的研究热点。
随着人们对忆阻器研究的深入，多种忆阻器件和模型在各研究领域相继提出和实现。目前，阻变机理主要有边界迁移模型、丝电导模型、电子自旋阻塞效应、氧化还原反应等。中科院诸葛飞课题组在锥形纳米孔洞结构的非晶碳薄膜材料中，实现了纳米导电丝机制的忆阻器件。非晶碳膜阻变器件的电致电阻效应决定于通孔中的纳米导电细丝的通断（如图4）。
4 结论与展望
本文对神经网络的概念、忆阻器与神经突触的相似性、神经突触的可塑性、忆阻器的阻变机理进行了综述，指出了目前很多忆阻器是利用人工神经网络实现人工智能及超级计算机的硬件基础。目前忆阻器材料研究存在的两个主要问题是阻 变机理不够清楚和阻变性能不够稳定。忆阻器材料非常之多，甚至把任意绝缘材料做到纳米级，就很有可能具有阻变特性。找出隐藏在众多阻变现象之后的机理有无共同的规律，研究阻变特性是由材的化学成分决定还是由材料的微 观结构决定，这将是以后研究中需要回答的问题。
人工神经网络的概念范文4
关键词经济活动预测模型人工神经网络
经济活动诸如商品价格走势、生产活动的产量预测、加工的投入产出分析、工厂的成本控制等方面都是重要的技术经济层面。定量化的经济活动分析是经济学研究的必由之路，而建模是量化分析的基础，这是因为模型为科学分析和质量、成本等控制提供了理论依据。本文针对经济活动中大多数研究对象都具有的非线性特点，给出了用人工神经网络（ArtificialNerveNetwork）模型建立经济活动的预测模型的原理和方法，并描述了神经网络与各种先进的建模方法相结合的模型化方法，为经济活动的分析、预测与控制提供了理论基础。
1神经网络模型方法
现实的经济系统是一个极其复杂的非线性系统，客观上要求建立非线性模型。传统上使用回归与自回归模型刻画的都是线性关系，难于精确反映因变量的变化规律，也终将影响模型的拟合及预报效果。为揭示隐含于历史记录中的复杂非线性关系必须借助更先进的方法———人工神经网络(ANN)方法。
人工神经网络具有并行处理、自适应、自组织、联想记忆及源于神经元激活函数的压扁特性的容错和鲁棒性等特点。数学上已经证明，神经网络可以逼近所有函数，这意味着神经网络能逼近那些刻画了样本数据规律的函数，且所考虑的系统表现的函数形式越复杂，神经网络这种特性的作用就越明显。
在各类神经网络模型中，BP（Back－Propagation误差后向传播）神经网络模型是最常用的也是最成熟的模型之一。本质上，BP模型是对样本集进行建模，即建立对应关系RmRn,xk∈Rm,ykRn。数学上，就是一个通过函数逼近拟合曲线/曲面的方法，并将之转化为一个非线性优化问题来求解。
对BP神经网络模型，一般选用三层非循环网络。假设每层有N个处理单元，通常选取连续可微的非线性作用函数如Sigmoid函数f(x)=1/(1+e-x)，训练集包括M个样本模式{(xk,yk)}。对第P个训练样本（P＝1，2，…，M），单元j的输入总和记为apj，输出记为Opj，则:
apj=WQ
Opj=f(apj)=1/(1+e-apj)（1）
对每个输入模式P，网络输出与期望输出（dpj）间误差为：
E=Ep=((dpj-Opj)2)（2）
取BP网络的权值修正式：
Wji(t+1)=Wji(t)+?浊?啄pj+?琢(Wji(t)-Wji(t-1))（3）
其中，对应输出单元?啄pj=f’,(apj)(dpj-Opj)；对应输入单元?啄pj=f’,(apj)?啄pkWkj；
?浊是为加快网络收敛速度而取值足够大又不致产生振荡的常数；?琢为一常数项，称为趋势因子，它决定上一次学习权值对本次权值的影响。
BP学习算法的步骤：初始化网络及学习参数；提供训练模式并训练网络直到满足学习要求；前向传播过程,对给定训练模式输入，计算网络的输出模式，并与期望比较，如有误差，则执行下一步，否则返回第二步；后向传播过程,计算同一层单元的误差?啄pj,按权值公式（3）修正权值;返回权值计算公式（3）。BP网络的学习一般均需多周期迭代，直至网络输出与期望输出间总体的均方根误差ERMS达到一定要求方结束。
实践中，BP网络可能遇到如下问题：局部极小点问题；迭代收敛性及收敛速度引起低效率问题。此外还有，模型的逼近性质差；模型的学习误差大，记忆能力不强；与线性时序模型一样，模型网络结构及节点作用函数不易确定；难以解决应用问题的实例规模与网络规模之间的矛盾等。为克服这样的一些问题，同时为了更好地面向实际问题的特殊性，出现了各种基于神经网络模型或与之结合的模型创新方法。
2灰色神经网络模型
灰色预测和神经网络一样是近年来用于非线性时间序列预测的引人注目的方法，两种方法在建模时都不需计算统计特征，且理论上可以适用于任何非线性时间序列的建模。灰色预测由于其模型特点，更合用于经济活动中具有指数增长趋势的问题，而对于其他变化趋势，则可能拟合灰度较大，导致精度难于提高。
对于既有随时间推移的增长趋势，又有同一季节的相似波动性趋势，且增长趋势和波动性趋势都呈现为一种复杂的非线性函数特性的一类现实问题，根据人工神经网络具有较好的描述复杂非线性函数能力特点，用其对季节性建模；最后根据最优组合预测理论，建立了兼有GM（1，1）和ANN优点的最优组合预测模型。该模型能够同时反映季节性时间序列的增长趋势性和同季波动性的双重特性，适用于一般具有季节性特点的经济预测。
首先，建立GM（1，1）模型，设时间序列x(0)=(x(0)(1),x(0)(2),?撰,x(0)(n))，作一阶累加生成：
x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）
其中x(1)(k)=(x(0)(i),k=1,2,?撰,n
构造一阶线性灰色微分方程并得到该方程的白化微分方程：
+ax=u
用最小二乘法求解参数a，u，得到x(1)的灰色预测模型：
(1)(k+1)=(X(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)（5）
其次，根据上节方法建立BP人工神经网络模型。
第三，将两模型优化组合。设f1是灰色预测值，f2是神经网络预测值，fc是最优组合预测值，预测误差分别为:e1,e2,ec，取w1和w2是相应的权系数，且w1+w2=1,有fc=w1f1+w2f2，则误差及方差分别为ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)
对方差公式求关于w1的极小值，并取cov(e1,e2)=0，即可得到组合预测权系数的值。
2基于粗糙集理论的神经网络模型
粗糙集理论与模糊集理论一样是研究系统中知识不完全和不确定问题的方法。模糊集理论在利用隶属函数表达不确定性时，为定义一个合适的隶属函数，需要人工干预，因而有主观性。而粗糙集理论由粗糙度表示知识的不完全程度，是通过表达知识不精确性的概念计算得到的，是客观的，并不需要先验知识。粗糙集通过定义信息熵并进而规定重要性判据以判断某属性的必要性、重要性或冗余性。
一般来说，BP神经网络模型对模型输入变量的选择和网络结构确定等都基本凭经验或通过反复试验确定，这种方法的盲目性会导致模型质量变差。用粗糙集理论指导，先对各种影响预测的因素变量进行识别，以此确定预测模型的输入变量；再通过属性约简和属性值约简获得推理规则集；然后以这些推理规则构造神经网络预测模型，并采用加动量项的BP的学习算法对网络进行优化。有效改善了模型特性，提高了模型质量。其建模步骤为：由历史数据及其相关信息历史数据构造决策表；初始化；对决策表的决策属性变量按划分值域为n个区域的方式离散化；采用基于断点重要性的粗糙集离散化算法选择条件属性变量和断点（分点），同时计算决策表相容度，当决策表相容度为1或不再增加时，则选择条件属性变量和分点过程结束；由选择的条件属性变量及其样本离散化值构造新的决策表，并对其约简，得到推理规则集；由推理规则集建立神经网络模型；对神经网络进行训练；若神经网络拟合误差满足要求，则结束，否则，增加n。必须指出，区间分划n太小，会使得拟合不够，n太大，即输出空间分得太细，会导致过多的区域对应，使网络结构过于复杂，影响泛化（预测）能力。
3小波神经网络模型
人工神经网络模型存在的网络结构及节点函数不易确定问题，结合小波分析优良的数据拟合能力和神经网络的自学习、自适应特性建模，即用非线性小波基取代通常的非线性S型函数。
设非线性时间序列变化函数f(t)∈L2(R)，定义其小波变换为：
Wf(a,b)==f(t)?渍()dt（6）
式中，?渍ab(t)称为由母小波?渍t（定义为满足一定条件的平方可积函数?渍(t)∈L2(R)如Haar小波、Morlet小波、样条小波等）生成的依赖于参数a、b的连续小波，也称小波基。参数a的变化不仅改变小波基的频谱结构，还改变其窗口的大小和形状。对于函数f(t)，其局部结构的分辩可以通过调节参数a、b，即调节小波基窗口的大小和位置来实现。
用小波级数的有限项来逼近时序函数，即：
(t)=wk?渍()（7）
式中(t)，为时间序列y(t)的预测值序列；wk,bk,ak分别为权重系数，小波基的平移因子和伸缩因子；L为小波基的个数。参数wk,bk,ak采用最小均方误差能量函数优化得到，L通过试算得到。
4模糊神经网络模型
模糊集合和模糊逻辑以人脑处理不精确信息的方法为基础，而人工神经网络是以大量简单神经元的排列模拟人脑的生理结构。二者的融合既具有神经网络强大的计算能力、容错性和学习能力，又有对于不确定、不精确信息的处理能力，即同时具有底层的数据处理、学习能力和高层的推理、思考能力。
一种应用模糊理论的方法是把模糊聚类用来确定模糊系统的最优规则数，从而确定模糊神经网络的结构。这样确定的网络结构成为四层：第一层为直接输入层；第二层为模糊化层，对输入做模糊化处理；第三层为模糊推理层，对前层模糊结果做模糊推理；第四层为非模糊化层，可以采用重心非模糊化法，产生网络输出。该网络采用动态处理法，增强了其处理能力，且适用性强、精度高。
5结语
除上述几种结合式神经网络方法之外，人工神经网络模型在算法设计方面一直在取得巨大的进步。神经网络模型方法是一种先进的具有智能的非线性建模方法，其在自然科学、经济现象、社会活动等方面的应用正在不断深化，把神经网络方法引入经济活动的分析和预测中，并紧密联系诸多先进的建模方法，是使工业经济、商业经济及其对经济本质规律的研究等各项工作推向前进的重要理论武器。
参考文献
人工神经网络的概念范文5
【关键词】人工智能 医学领域
1 引言
人工智能（AI）是上世纪50年展起来的新兴学科，主要内容包括：知识表示、自然语言理解、机器学习和知识获取、知识处理系统、计算机视觉、自动推理和搜索方法、智能机器人、自动程序设计等方面。在过去的几十年里人工智能涌现出了大量的方法，大致可分为两大类：第一类是基于Newell和Simon的物理符号系统假说的符号处理方法。这种方法大多采用从知识阶段向下到符号和实施阶段的自上而下的设计方法，第二类是采用自下而上设计的“字符号”方法。
2 人工智能的发展
全球对人工智能的研发经历了已经有70年的发展，从上个世纪的50年代开始一直到今天，历经了两次大起大落，但伴随着深度学习的重燃、庞大的大数据支撑以及计算能力的不断提升和成本的不断下降这些因素的出现，尤其是在摩尔定律、大数据、互联网和云计算、新方法这些人工智能进步的催化剂作用下，将迎来人工智能新的春天。
3 人工智能在医学领域上的应用
3.1 在神经网络中人工智能的应用
在医学诊断中人工智能的应用会出现一些难题，例如知识获取比较难、推理速度慢、自主学习以及自适应变化能力弱。研究人脑连接发现了以人工神经为特点可以解决在获取知识中所出现的瓶颈和知识种类繁琐问题，能够提高对知识的推理能力，包括自主学习，自组织等方面的能力，促进了神经网络在医学专家系统中的快速发展。
人工智能领域ANN，有不同于其他人工智能的方法，在传统的结构上，它只是AI分支中的一个，只能通过逻辑符号来模拟人脑的思维方式，进一步来实现人工智能，与之相比，不同的ANN是学习和训练为一体来达到智能的。ANN具有学习的能力及特殊方法，用户不用编写复杂的程序来解决所遇到的问题，只用提供有效的数据就可以完成。迄今为止，医学领域中对大部分的病理原因无法解释，无法确定病理原因，加上各种疾病的表现种类复杂多变。在医学的日常实践中，疾病相应的治疗只能以经验为基础来判断。所以，ANN有着记忆，学习和归纳总结为一体的人工智能服务，在医学领域有很好的应用发展趋势。
3.2 在中医学中人工神经网络的应用
在中医学中，所提出的“辨证论治”中的“证”具有模棚性、不确定性的特点，主观性比较强，因此中医的诊断方法和治疗手段与医师的经验水平有很大联系。数年来在实验研究，临床观察，文章整理，经验总结上，都有着对“证”的研究思想的深入调查。一部分“辨证”的过程可以用人工神经网络来替换使用。恰当的中医症状可以作为基本输入和适当人工神经网络模型，人工神经网络能够根据以往的学习“经验”来进行综合分析，从而提出中医诊断方法。
由神经元结构模型、网络连接模型、网络学习算法等几个要素组成了人工神经网络。具有某些智能系统的功能。 按照网络结构来划分，人工神经网络有很多不同的种类，例如感知器、BP网络、Hopfield网络等，目前应用最为广泛的神经网络就是其中的BP网络。这种前沿网络非 BP网络所属，网络的结构与权值能够表达复杂的非线性 I/0映射关系。凭借 BP网络优良的自主学习功能，既可以通过误差的反向传播方法，对照已知样本反复进行训练，也可以调整网络的权值，直到网络的 I/0关系在某一块训练指标下最接近样本为止。
3.3 人工智能在临床医疗诊断中的应用
计算机编写的程序主要根据专家系统的设计原理和方法来模拟医生的医学诊断，以及通常治疗手段的思维过程来进行。医疗专家系统是临床医疗诊断中人工智能的很好体现，不仅能够处理较为复杂的医学治疗问题，还能当做医生诊断疾病的重要工具，更重要的是传承了专家们的宝贵医学治疗经验。
3.4 人工智能技术在医学影像诊断中的应用
目前，在医学影像中存在着的问题，比如：误诊率高、缺口大。这些问题需要通过人工智能的方法来解决。在医学影像技术领域人工智能的应用包括主要的两个方面，分别是：第一个方面为图像识别，第二个方面为深度学习，其中人工智能应用最核心的部分实深度学习。这两个部分都是基于医学影像大数据所进行的数据上的挖掘和应用。这两个方面所进行的数据挖掘及其应用都是依据医学影像大数据来完成的。
Geoffrey Hinton教授是神经网络领域的大师，2006年，他与其博士生在《Science》和相关的期刊上发表了论文，第一次提出了“深度信念网络”的概念。2012年，由斯坦福大学Fei-Fei Li教授举办的ImageNet ILSVRC大规模图像识别评测任务是由Hinton教授的研究团队参加的。这个任务包括了120万张高分辨率图片，1000个类比。Hinton教授团队使用了全新的黑科技多层卷积神经网络结构，将图像识别错误率突破性地从26.2%降低到了15.3%。 这个革命性的技术，让神经网络深度学习以迅速的速度进入了医疗和工业的领域范围，随后这一技术被陆续出现的医疗影像公司使用。例如：国际知名的医学影像公司Enlitic和国内刚刚获得有峰瑞资本600万天使轮融资的DeepCare。都是不断积累大量影像数据和诊断数据，继续对神经元网络进行深度的学习训练，从而有效的提高了医生诊断的准确率。
人工智能不仅能使患者的健康检查快速进行，包括X光、B超、核磁共振等。另外还能大量减少医生的读片时间，提升了医生的工作效率，降低误诊率。
4 总结
人工智能软件工作效率远远超过了人类大脑，不仅能够更快速的找到数据的模式和相似性，还能有效帮助医生和科学家提取重要的信息。随着人工智能的发展及其在医学领域的逐渐普及和应用，两者的互相融合在未来必定成为医学发展的重要方向。
参考文献
[1]冯伍，张俊兰.人工智能在医学上的应用[J].电子设计工程，2010（01）.
[2]杨琴，陈家荣.人工智能在医学领域中的应用[J].科技风，2012（12），100-101.
[3]王宇飞，孙欣.人工智能的研究与应用[J].信息与电脑，2016（05）.
[4]铅笔道.人工智能与影像诊断相结合的医生界阿尔法狗，2016（03）.
人工神经网络的概念范文6
应用遥感技术进行土地利用变化监测主要有两种方式：一是将两时相影像数据进行融合来实现变化监测；二是利用单时相遥感影像与土地利用资料结合的方法，本文主要研究了这种方法，应用BP神经网络分类器作为判别规则，采用面向图斑的变化监测方法。
在遥感影像与土地利用矢量图精确配准的基础上进行空间叠加，以图斑单元为单位，将BP神经网络分类结果作为判别规则，自动发现并描绘出土地利用变化图斑，并对监测区域的变化图斑进行统计，分析与变化监测精度评定。
关键词：BP神经网络、土地利用变化监测
Change monitoring of land use in remote sensing Technology has mainly two ways. One is realization of change monitoring by the fusion of two temporal image. The other is method of combination of single temporal remote sensing image and land use datum. This paper mainly studies this method that applying BP neural network classifier asdiscrimination rule，adopts the span-Oriented method.
Based on overlaying the remote sensing image with land use vector map，BP neutral network according to discrimination rule classifies the span unit. It automatic finds and describes the change span in land use, and obtains the statistics, analysis and accuracy assessment of change span of monitoring area.
Key words：BP neutral network; texture feature
中图分类号：D912.3文献标识码：A 文章编号：
研究背景和意义
土地利用变化研究是全球环境变化研究的一个重要方面，同时也是从自然和社会经济两方面综合研究全球和区域环境变化的突破口之一。选择较小空间范围的典型地区进行区域综合性和空间差异性研究，是深入分析土地利用/土地覆盖时空变化规律、及其驱动机制的有效手段，开展这方面的研究不仅可以为地方经济发展提供决策支持，而且对丰富全球土地利用变化研究具有重要意义。
1土地利用变化监测的概念
传统意义上土地利用变化监测是指通过两个不同时相间的遥感影像(航片或卫片)进行的变化监测。考虑变化监测方法的新特点，我们认为，土地利用变化监测是指：以土地变更调查的数据、图件与多源遥感数据为基础，运用遥感图像处理与识别技术，从遥感图像上提取变化信息，从而达到对耕地及建设用地等土地利用变化情况的定期监测的目的。
2影像的光谱特征
2.1 影像光谱统计特征
通常是以地物在多光谱图像上的亮度体现出来的，即不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同的地物在多个波段图像上亮度的呈现规律也不同，这就构成了我们在图像上区分不同地物的物理依据。光谱特征的基本统计量包括灰度的均值、中值、众数、值域、反差等，反映了与位置无关的不同灰度值出现情况。
2.2影像的纹理特征库
纹理反映的是亮度(灰度)的空间变化情况[1]，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组合的；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称确定性纹理(如人工纹理)，后者称随机纹理(或自然纹理)。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。
3 BP神经网络工作原理
人工神经网络是受生物神经网络的启发构造而成的，虽然没有人脑那么复杂，但它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。人工神经网络是由大量的、简单的处理单元——神经元，广泛互相连接而形成的复杂系统，它可以看成是由许多非线性计算元素(神经元)组成的数学模型，并行操作，大量的连接通过不同的权值互连。
3.1 神经元
构成 BP 网络的神经元与一般的人工神经网络中定义的神经元一样，由图3-1可以看出，它相当于一个多输入单输出的非线性阈值器件。按照 BP 算法的要求，这些神经元所用的激活函数必须是处处可导的。一般地，多数设计者都使用 s 形函数。对一个神经元来说，取它的网络输入 ，其中，为该神经元所接受的输入，即分别是它们对应的联接权。
图 3-1 神经元模型
该神经元的输出为：………………………………(3-1)
3.2 BP神经网络的拓扑结构
BP算法是前馈多层网络结构，含有输入层、输出层以及处于输入输出层之间的中间层，由于它们和外界没有直接的联系，故也称为隐层，中间层有单层或多层，一般为单层。在隐层中的神经元也称隐单元层。
一般地，设BP网络的输入样本集为(X，Y) X为输入向量，Y为X对应的理想输出向量，输入样本X通过输入层经隐层处理计算得到BP网络的实际输出O。若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值，并根据此差调节权值W。由此可见，隐层虽然和外界不连接。但是，它们的状态则影响输入输出之间的关系。这就是说，改变隐层的权系数，可以改变整个多层神经网络的性能。相邻层次的神经元之间用连接权系数相互连接，而各层内的神经元之间没有连接，显然，输入向量、输出向量的维数是由问题所直接决定的，然而，网络隐藏层的层数和各个隐藏层神经元的个数则是与问题相关的。目前的研究结果还难以给出它们与问题的类型及其规模之间的函数关系。
4BP神经网络的遥感影像分类
4.1BP神经网络模型构造
BP神经网络模型的构造主要包括三方面内容：
a. 网络拓扑结构的设计，包括隐层数目的确定、隐层神经元的数目和激励函数的选择。
b. 网络主要参数的确定，包括初始权值、学习速率、学习次数等的确定。
c. 训练样本的组织。包括样本的选择和预处理。
