前言：中文期刊网精心挑选了人工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。
人工神经网络的发展范文1
随着计算机网络、信息技术、自动化技术的进步，极大的改变了我们的生活。人工神经网络技术是一种全新的控制技术，通过互联网进行动态模拟，从而建立一种新的控制互联网的系统。经过十几年的发展，人工神经网络技术研究取得了巨大的进步，已经广泛应用在社会各个领域，使现代计算机中的难题得到了解决。本文主要从人工神经网络技术的概念出发，探讨了它在现代社会领域的具体应用。
【关键词】人工神经网络 信息技术 发展趋势
人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的l展，人工神经网络技术得到了快速的发展阶段。
1 人工神经网络技术
人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点――神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。
2 人工神经网络技术应用分析
随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。
2.1 生物信号的检测分析
目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。
2.2 医学专家系统
传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。
2.3 市场价格预测
在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。
2.4 风险评价
在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。
3 人工神经网络技术未来发展
人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。
4 结语
通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。
参考文献
[1]周文婷，孟琪.运动员赛前心理调控的新策略――基于人工神经网络技术的比赛场地声景预测（综述）[J].哈尔滨体育学院学报，2015，33（03）：15-21.
[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信，2014（02）：76-76.
[3]张广军.人工神经网络技术在光电检测中的应用[J].北京航空航天大学学报，2001，27（05）：564-568.
人工神经网络的发展范文2
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。
人工神经网络的发展范文3
关键词：人工神经网络模型；卫生人力；人力资源测算
卫生人力是指经过专业培训、在卫生系统工作、提供卫生服务的人员，包括直接从事医疗、卫生、保健服务的卫生技术人员以及管理、工勤等其他人员。由于卫生系统本身具有复杂性和时变性的双重特性，因此卫生人力受许多因素影响，如人口、经济、社会与文化、资源利用效率、健康状况等等，而且多个因素间相互作用、相互影响。
我国的卫生事业虽然取得了很大的发展，但却存在明显的卫生人力资源失衡现象，突出表现在：卫生人员总量过剩、人员地区分布不均衡尤其是城乡差距较大、卫生人员总体素质不高。因而迫切需要加强卫生人力预测研究，使其更合理地从数量上、质量上和分布上调整现有存量、优化增量，以推动整个卫生事业的发展进程[1，2]。
人工神经网络作为一种综合信息处理和模拟技术，其特有的非线性适应性信息处理能力，克服了传统方法的局限性，而且还具有学习预测精度高、容错能力强和预测速度快的特点[3]。本研究基于人工神经网络方法，构建出一套合理、有效的测算卫生人力需求量的指标体系。
1人工神经网络简介
人工神经网络基本组成单位是神经元（节点），神经元之间按一定的方式相互连接，构成神经网络系统，可以通过预先提供的一批相互对应的输入--输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果[4，5]。
迄今为止，已有多种人工神经网络模型被开发和应用。本文应用较为成熟的误差反向传播学习算法人工神经网络（BP-ANN）。BP神经网络从模拟生物的神经网络出发[6]，其最基本的结构是3层前馈网络，即输入层、隐含层、输出层（见图1），层与层之间多采用全互连方式，同一层单元间不存在相互连接。
图1 人工神经网络结构
BP网络模型的应用过程包括训练和预测两个过程。训练时，输入信息从输入层经隐含层逐层处理，并传向输出层。如果输出层得不到期望的输出，则将误差信号沿原来的连接通道返回，通过修改各层神经元的连接权值，使得误差最小。网络重复以上过程进行迭代计算，直至收敛，由此构成了非线性映射模型，掌握了隐含在样本内部各元素间的特殊关系[7]。经训练后的人工神经网络不仅对拟合过的样本有效，而且对未经拟合的样本也可以较准确地预测。人工神经网络以其独特的信息储存方式、良好的容错性、大规模的非线性并行处理方式[8]以及强大的自组织自拟合和自适应能力，已应用于信号处理、模式识别、综合评价、预测分析等领域。
2指标筛选
本文的研究对象是卫生人力的数量。人工神经网络要求选择那些影响输出的主要因素作为输入层，选定的输入变量数必须足够且具有代表性[9，10]，基于这一点，经过文献评阅分析及专家小组讨论，本研究对于输入变量，即测算指标的选择主要从以下几方面进行：
2.1人口数量变化 人口数量的变化是影响卫生人力需求量的最重要的因素。人口的增减会引起卫生服务需求量的增减，从而引起卫生人力需求量的波动。对应的变量选择了总人口数、就诊人次数、住院人次数。
2.2经济发展水平 随着社会经济迅猛发展，居民的生活水平不断提高，人们对生活质量要求也逐步提高，而健康是衡量生活质量的重要指标之一，所以随着居民对健康意识的增强，卫生服务需求量将会加大，卫生人力的需求量也随之增加[11，12]。对应的变量选择了卫生总费用、人均卫生费用、人均国民生产总值。
2.3医院发展规模 医院规模直接影响整个卫生人力需求量和卫生人力内部构成。医院规模的大小通常是以病床数来衡量的，而病床数又是人员编配的重要标准[13]。对应的变量选择了医院机构数、总床位数。
2.4卫生人力供给 每年都有大量的医学生走向工作岗位，为医疗系统注入新的血液。对应的变量选择了高等医学院校毕业生数、中等医学院校毕业生数[14]。
3结果与讨论
得到卫生人力的测算指标包括总人口数（万人）、就诊人次数（亿次）、住院人次数（万人）、卫生总费用（亿元）、人均卫生费用（元）、人均国民生产总值（元）、医院机构数、总床位数（万张）、高等医学院校毕业生数、中等医学院校毕业生数10项指标。鉴于年鉴收录自国家及各省市地方统计局的历年统计资料，具有资料翔实，信息密集的特点，所有数据均从统计年鉴中获取，按照年份顺序进行整理，过滤缺失的数据，建立起从1990～2008年的有关卫生人力资源的数据库。
参考文献：
[1]薛娅，高歌，沈月平.常州市卫生人力需要量统计预测研究[J].中国卫生统计，2007，24（3）：287.
[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.
[3]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2002.
[4]任宏，姜庆五.人工神经网络及其在预防医学领域的应用[J].上海预防医学，2003，15（1）：22.
[5]黎衍云，李锐，张胜年.人工神经网络及其在疾病筛查中的应用前景[J].环境与职业医学，2006，23（1）：71.
[6]钱玲，施侣元，程茂金.应用人工神经网络预测糖尿病/糖耐量异常[J].中国公共卫生，2003，19（10）：1272.
[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.
[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.
[9]薛娅，高歌. 卫生人力需求量预测研究综述[J].上海预防医学杂志，2005，17（12）：589.
[10]钟珞，饶文碧，邹承明.人工神经网络及其融合应用技术[M].北京：科学出版社，2007：12.
[11]陈力凌.江苏省卫生人力资源现状及需要量预测研究[D].硕士学位论文，2006：23.
[12]左延莉.广西卫生人力资源配置现状与预测研究[D].硕士学位论文，2002：12.
人工神经网络的发展范文4
关键词：成都中小微企业 人工神经网络 预测
1、人工神经网络
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
2、基于人工神经网络的预测模型的构建
在运用ANN预测模型预测这两个指标时，我们采取下面的预测步骤：
（1）首先将1-6月份的数据标准化，及转化为0-1之间的标准化数据；
（2）我们将输入设为1月份、2月份、3月份、4月份的数据，输出设为5月份的数据；
（3）在matlab中调用newff函数，建立一个5个输入节点、10个隐含层节点、一个输出节点的BP神经网络，隐含层和输出层转移函数分别采用tansig（tansig（n） = 2/（1+exp（-2*n））-1）和purelin（y=x），训练函数选择贝叶斯正则化算法trainbr，得到网络仿真数据；
（4）通过得到的网络仿真数据与实际的数据进行比较，我们可以发现该预测模型的精度很高。从而我们可以利用该预测模型预测未来月份的数据，作为决策者进行决策的依据。
3、分圈层企业运行态势预测模型
3.1一圈层企业运行态势预测模型
一圈层主要包括成华区、高新区、金牛区、锦江区、青羊区和武侯区。
我们按照上述步骤，得到最终的预测值，如表1所示，可见，预测值与实际值之间相差并不大，误差为0.099933%。
表1运行监测指标按圈层（一圈层）ANN预测模型实际值与预测值对比表
3.2二圈层企业运行态势预警模型
二圈层主要包括龙泉、郫县、青白江、双流、温江和新都。
我们按照上述步骤，得到最终的预测值，如表2所示，可见，预测值与实际值之间相差并不大，误差为0.09995%。
表2运行监测指标按圈层（二圈层）ANN预测模型实际值与预测值对比表
3.3三圈层企业运行态势预警模型
三圈层包括崇州、大邑、都江堰、金堂、蒲江、邛崃和新津。
我们按照上述步骤，得到最终的预测值，如表3所示，可见，预测值与实际值之间相差并不大，误差为0.1%。
表3 运行监测指标按圈层（三圈层）ANN预测模型实际值与预测值对比表
4、结束语
运行监测指数和信心指数能很好的反映成都市中小企业的发展运营情况，本报告运用人工神经网络这种高精度的预测方法，对这两种指数进行了预测，预测结果精确，经济意义显著。能很好预测未来月份的中小企业的指标值，从而为决策者的决策提供有力的支持和依据。
参考文献：
[1]张乃尧，阎平凡.神经网络与模糊控制[M].北京： 清华大学出版社，1998.
人工神经网络的发展范文5
【关键词】计算机神经网络 Matlab 应用
近年来，大多控制系统的高品质控制都少不了对系统的仿真进行研究。根据仿真研究可以优化设定的控制参量，因此，控制系统的模拟与仿真一直是研究的重点。通常来说，控制系统进行计算机仿真必须首先创建系统模型，之后根据模型设定仿真城西，充分运用计算机对其进行动态模拟并展示结果。本文以计算机神经网络为研究视角，介绍了人工神经网络及BP网络模型，提出设计基于Simulink控制系统及动态仿真。
一、简述人工神经网络
人工神经网络又被称为神经网络，是由人脑结构的启发之下创建的计算模型，人工神经网络不单单是高度非线性动力学系统，也是自适应组织系统。神经网络的主要特征表现在他的学习、组织及容错能力方面。神经网络可以采用被训练的状态实现特定任务，从而为系统提供独具代表性的描述问题样本，就是其可以成组的输入、输出样本，神经网络可以推测出输入与输出数据之间的关系。等到训练完成之后，神经网络又能永凯训练和识别任意样本之间相似的新数据。同时，神经网络也能对不完整或存在噪音的数据进行识别，这一特征被广泛使用到预测、诊断、控制方面。在最抽象的层次上，神经网络可以看做一个黑箱，数据由一边输入，通过神经网络处理之后给予相应的输出。对比输出及目标数值，采用产生的误差调整网络内部之间的链接权重。人工神经网络功能如图1所示。
二、创建BP网络模型
BP网络是现今使用最广泛的神经网络模型。该模型的学习规则是采用反向传播（BP）对网络的权值和阀值进行调整，却阿伯网络误差的平方和达到最小状态。这是根据最下速下降方向上进行调整网络权值和阀值完成的。BP网络拥有超强的非线性映射和泛化性能，任何一连续函数或映射都可以使用三层网络来实现。如此一来，把其看做控制器就可以找到最佳的答案。使用控制器之前馈网络通常采用m-n-1结构，这一网络输入层具有m个神经元，隐层存在n个神经元，输出层则只有单一的神经元。本网络隐层转换为函数取tansig函数，可以把该神经元取值范围设定为（）映射到（-1，+1），这个是可微函数，比较适合采用BP训练神经元。若BP网络的最后层是sigmoid型神经元，此时整个网络的输出就限定在比较小的范围之内。若purelin型线性神经元，那么整个网络的输出可以采用任意值，选取purelin型函数当做输出层的变换函数。
三、设计基于Simulink控制系统及动态仿真
创建Simulink动态仿真时在matlab环境下完成的动态系统建模、仿真的环境，可以采用功能模块建立控制系统展开仿真。这种方框图示的建模办法比较容易把复杂的数学模型输入至计算机内，从而简化编程过程。
（一）设置网络控制器
本文建立的控制系统其核心为网络控制器，基于matlab5.2应用环境基础上，采用两种方法构建网络控制器：①进入Simulink环境之后，采用Block&Toolboxes模块库，随之选取Neural Network子库的Transfer Function、Net Input Func―Tion、Weight Function三个功能模块来建立网络。简言之就是先创建单个神经元模型，随之根据阀值、权值、转移函数一次创建输出层、隐层，最后进行打包、封装就形成所需的网络，整个工作流程借助鼠标完成，便于操作。②基于M文件编辑器创建网络控制器的S-函数，随之调用Nonlinear模块库中的S―Function功能模块，如此一来可以获取新的功能模块，这种办法适合建立Simulink中不存在现成的模块。S-函数比较简单，容易编辑。
（二）构造控制系统
控制器构造和封装完工之后，从Simulink的Source、Sinks、Linear模块库中调用所需的功能模块，该控制系统采用示波器可以清楚观察其输出曲线，也能把数据存储至MATLAB工作空间内，使用绘制命令Plot把控制系统与原系统的响应曲线画出来。由仿真结果可知，BP网络控制系统的性能远比原系统要好。
四、结束语
本文从人工神经网络和BP网络模型进行分析，采用Matlab构造与仿真控制系统，达到优化控制系统仿真的效果的目的，仿真结果表示该办法正确、有效。因此，大范围推广使用这一软件，可以有效利用Matlab各种资源，进一步提升工程实践水平。
参考文献：
[1] 卓先德.网络安全评估的仿真与应用研究[J].计算机仿真，2011，28（6）：177-180.
人工神经网络的发展范文6
函数逼近在纯数学领域、工程和物理学领域得到了广泛的应用。利用人工神经网络映射能力，通过样本不断学习实现对未知函数的逼近。利用BP神经网络研究人工神经网络在函数逼近中的应用，研究过程利用MATLAB神经网络工具箱设计网络并进行仿真实验。
【关键词】人工神经网络 函数逼近 BP神经网络
1 引言
运用逼近的思想可解决日常生活中的很多问题，随着科学技术的发展形成了一种新的理论--函数逼近论，这种函数逼近论在数学领域、工程和物理学领域得到了广泛的应用。本文研究人工神经网络在函数逼近中的应用，并就网络结构和参数的设计对逼近性能的影响进行分析。
2 函数逼近与BP神经函数网络
在数值计算中，通常需要对函数值进行计算，例如，计算基本初等函数和其他特殊函数。如果函数只在有限点集上给定函数值时，给出一个简单的函数表达式，该函数在包含有限点集的区间内。这涉及到在一区间上使用一个简单的函数来逼近复杂的函数，这是一个函数逼近问题。
BP神经网络一般是指基于误差反向传播算法（Error Back Propagation，BP算法）的多层前向神经网络，BP神经网络的神经元的传递函数一般都是采用Sigmoid型的可微函数，该传递函数可用以实现任意的非线性的输入与和输出间的映射，在数据处理与数据压缩、模式识别与智能系统、函数逼近等领域BP神经网络都有着广泛应用。
3 利用BP神经网络实现函数逼近
下面研究BP神经网络在函数逼近中的应用。对于非线性函数，设计一个BP神经网络实现对该函数的逼近。假设在频率参数设为时对该非线性函数进行仿真研究，通过改变调节隐层神经元的数目n研究函数逼近能力与信号的隐层节点之间的关系。
通过改变非线性函数中的频率参数k和该函数的隐层神经元的数目n，k和n的改变对函数逼近的影响有一定的影响。一般来说，如果非线性函数的非线性的程度越高，对需要设计的BP神经网络的要求则就越高，而且在用相同的BP神经网络来进行逼近时其效果则更差；而且隐层神经元的数目n对于BP神经网络逼近的效果也有很大影响，一般来说BP神经网络逼近非线性函数的能力越强，隐层神经元数目n就需要越大。
现将非线性函数的频率参数设为k=10，在当隐层神经元数目分别取n=10、n=20时，经仿真得出经过训练后的BP神经网络的输出结果如图1和图2所示。
通过上述仿真结果可知，当n=20时，BP神经网络对函数逼近取得了较好的逼近效果。由此可见，隐层神经元的数目n取不同的数值对函数逼近的效果有较大的影响。实验表明，改变BP神经网络的隐层神经元的数目n，可以改变BP神经网络对于函数的逼近效果。BP神经网络的隐层神经元的数目n越多，用BP神经网络逼近非线性函数的能力则越强。
4 结论
本文讨论BP神经网络在函数逼近中的应用，给出了BP神经网络逼近类神经网络模型，研究并讨论BP神经网络的函数逼近性能。应用MATLAB神经网络工具箱设计网络，并通过仿真实验分析了BP神经网络结构与设计对逼近性能的影响。
参考文献
[1]谢庭藩，周颂平.函数逼近论[M].杭州：杭州大学出版社，1997.
[2]飞思科技产品研发中心.神经网络理论与MATLABR2007实现[M].北京：电子工业出版社，2007.
[3]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2005.
[4]张立明.人工神经网络的模型及其应用[M].上海：复旦大学出版社，2003.
[5]WANG W B，ZHEN G P，LI J Y.Application of BP NN and RBF NN in modeling activated sludge system[J].Transactions of Tianjin University，2003，9（3）：235-240.
作者简介
高坤（1978-），男，山东省高密市人。现为滨州学院航空工程学院讲师。主要从事电路与系统等课程的教学与研究。
