人工神经网络范例

1人工神经技术

1.1拓扑结构调节

通过对静态邻域的各种结构以及它们对技术性能影响进行分析后得出，在拓扑适应性方面星形拓扑、VonNeumann拓扑以及环形拓扑最好。此外，人工神经网络技术性能与邻域密切相关，处理复杂问题时小邻域的人工神经网络技术性能较好，但是处理简单问题上大邻域的人工神经网络技术性能会更好。Chend从改进人工神经网络结构的角度出发，提出了一种具有双结构的人工神经网络技术。技术将神经网络单元分为M+1层，其中“1”指顶层，技术通过获得顶层神经网络单元的全局最优值影响其余各层的粒子对最优值的探索，以此提高神经网络单元搜索结果的多样性。该技术考虑到神经网络单元体表现以及粒子个体的表现，并将其作为触发条件控制领域变化从而提高寻优效率。提出了KRTG-人工神经网络技术，通过产生随机动态的网络拓扑结构并将平均值引入到粒子更新公式中，增加了种群的多样性，改善了粒子间信息的传播速度。

1.2结合其他技术改进

相关研究将遗传技术中遗传算子的选择、交叉、变异等过程与人工神经网络技术相结合，提出一种混合技术。改进后的技术提高人工神经网络技术的性能，增加种群的多样性并提高逃离局部最小的能力，可以将差分进化技术和人工神经网络技术相结合，通过两种技术的交叉执行来提高改进技术的效率。白俊强等将二阶振荡和自然选择两种方法融入到人工神经网络技术中，通过二阶振荡对技术速度公式进行更新，通过自然选择提高了神经网络单元中靠近最优值粒子的比重。通过收集粒子的取值信息构建记忆库，让库中信息和粒子自身极值共同决定粒子的寻优方向，从而提高寻优准确性。

2人工神经网络技术在计算机系统中的应用

2.1系统管理模块

1互联网人工神经网络技术的重要起源以及发展过程

在上世纪九十年代初期，利用数学知识将感知器模型的弊病全面提出，致使社会各界对于人工神经网络的探究非常少。另一方面，针对逻辑运算的人工神经网络研究存在一定的弊端，一直没有被大家发现，因此，致使人工神经网络探究工程进入严重的低谷期。

关于人工神经网络技术飞速发展时期，九十年代初期，对于人工神经网络技术的弊端予以充分解决，尤其是Hopefield的人工神经网络技术模型的提出，致使对于互联网的稳定性以及收敛性的探究有了充分的理论依据。而且将人工神经网络模型全面应用到具体的实践中，并且得到全面推广，同时，将科学技术和人工神经网络进行有机结合，使人工神经网络技术更加具有可研究性。

2关于人工神经技术的构造以及典型模型

互联网人工神经技术的构造的组成包括以神经元件为主，同时，这项包含多种神经元结构的互联网信息处理技术是可以并行存在的。每一个具体的人工神经元件可以单一输出，还可以和其他的神经元件相结合，并且具有非常多的连接输出方法，每一种连接措施都会有相应的权系数。具体的人工神经网络技术的特点有：（1）针对每一个节点i，都会有相应的状态变量Xi存在；（2）节点j到节点i之间，是相应的权系数Wij存在；（3）在每一个节点i的后面，具体存在相应的阈值θi；（4）在每一个节点i的后面，存在变换函数fi（Xi，Wijθi），但是，通常情况来说，这个函数取fi(∑，WijXi-θi)的情况。

3将人工神经网络技术进行全面使用

互联网的人工神经网络技术具有独特的结构和处理措施，具体包括在：自动控制处理和网络技术模式识别、模型图像处理和相应的传感器信号处理技术。信号处理技术和机器人控制处理技术、地理领域和焊接、在电力系统应用和相关数据挖掘、军事和交通行业、农业和气象行业等多个领域纷纷体现出其卓越的贡献。

1人工神经网络的生物学基础

人工神经网络直接受神经生理学和生物解剖学研究的启发。一个简单的神经细胞通常称之为神经元，细胞的胞体是一球形，由胞体延伸出来的主要管状信号传输神经纤维称为轴突，胞体上其他又细又短的纤维称为树突，整个神经细胞—胞体、轴突和树突—都包含在细胞膜内。胞体和树突接受来自其他神经元的信息，在轴突的终端附近，通常分成许多分支，称为突触区域。突触将一个神经元的信息传给其他神经细胞。信息从突触前细胞神经元传到突触后神经元。信息通过突触的传递称为化学传递，因其利用化学物质的扩散来完成信息的传递。神经元有许多不同的种类，具有相似或相关功能的神经元通常相互连接。紧密连接的神经元通常在神经系统中聚集在一起(它们具有明显的解剖学特征)，其主要原因是短突触更有效：它容易生成，所费材料少，占据更小的空间，且传递信息快。这一结构的形成原理可用于城市规划、网络建没和研究各种自然现象的自组织行为。自组织特征映射算法便是基于这一结构的形成原理而设计的。大脑大致包含了数百个这样的细胞聚合块，它们的形状多为球形和盘状。短的连接出现在同一结构中，结构和结构之间由大量长神经纤维形成的束来连接，球或盘的顺序连接称为通道。大脑便通过这些以复杂方式连接起来的神经元形成的网络，处理各式各样的从外部世界输入的信息。由于现代计算技术的发展，人们对于外部世界的表示通常用一个数字向量来表示，这一表示使得人类在自然科学的诸多领域获得了巨大的成功。大脑是利用神经网络表示外部世界刺激，神经网络亦可用一组向量表示外部事件的刺激，但其计算方式却与现行的数字计算机的运算方式大相径庭。

2人工神经网络的基本功能

（1）联想记忆。人工神经网络的设计使其具有分布存储信息和并行计算的功能，所以它能对输入其中的信息和输入的模式有联想记忆的能力。

（2）非线性映射。在大多数的现实的设计中，大多数的系统的输入和输出之前不能建立线性的关系，导致不能在这种类型的系统上建立相关的熟悉模型。而设计合理的人工神经网络可以十分精准的逼近非线性映射，利用它的这一优良的能力，可以建立多维非线性函数的通用数学模型，可以应用于几乎所有的领域。

（3）分类与识别。人工神经网络对输入其中的样本具有分类与识别，能力十分强大和精准，区别于传统分类方法只能局限于同类相聚、异类分离的识别与分类问题，神经网络对非线性曲面的逼近一类问题也有很强的解决能力。

（4）知识处理。人工神经网络获取知识的路径与我们人类相同，也是通过对输入和输出的信息分析进而发现规律从而获得相关知识，并进一步在神经网络中储存。神经网络的另外一大优势，就是可以缺少先验知识的条件下，自动通过从输入的数据中抽取特征，发现规律，并构建成适合于表达的规律。

摘要:

人工神经网络属于一种对人脑结构及功能进行反映的数学抽象模型，对人的思维以及存储知识等功能进行模拟，从而完成某项工作。对于岩土工程来说，主要包括岩体和土体两项内容，且这两项内容均具备很高的复杂性。在岩土工程研究过程中，有必要借助人工神经网络，从而使岩土工程的研究得到有效进步发展。本文在分析人工神经网络的基础上，进一步对人工神经网络在岩土工程中的应用进行分析，以期为岩土工程研究的进展提供一些具有价值的参考建议。

关键词:

人工神经网络；岩土工程；应用

岩土工程的研究对象分为两大类:其一为岩体;其二为土体。岩土工程涉及的介质存在两大特性，即模糊性和随机性，这两大特性又统称为不确定性。近年来，不少学者在岩土工程研究过程中，提出了人工神经网络这一概念，即利用人工神经网络，将其应用到岩土工程研究领域当中，从而为深入了解岩土工程的某些介质特征奠定有效基础［1］。从岩土工程研究的优化及完善角度考虑，本文对“人工神经网络在岩土工程中的应用”进行分析意义重大。

1人工神经网络分析

1．1人工神经网络概念

摘要：随着车用发动机的不断发展与完善，发动机产生故障的种类也越来越多，故障现象与故障原因之间的非线性关系越来越复杂，发动机故障诊断越来越难。基于此，笔者分别对BP神经网络、RBF神经网络、PNN神经网络及SOM神经网络在汽车发动机故障诊断领域的应用及成效展开了分析。每种神经网络所应有的诊断场景有所不同，需要结合具体情况和各种神经网络的结构特点去选择。实践证明，RBF神经网络的预测精度要高于BP神经网络，同时训练时间更短，可以极大地提升对故障诊断的效率。

关键词：神经网络；故障诊断；汽车发动机

0前言

汽车发动机特别是电控发动机在近年来获得了快速发展。随着新技术新工艺不断地应用于发动机，发动机已然成为一个复杂的非线性系统，其设计变量和操作变量之间关系较为复杂，很难针对一个变量进行优化来提升发动机的性能，同时给发动机的故障检测与维修带了极大困难[1]。近年来，人工神经网络已被大量引入到汽车发动机故障诊断领域[2]，特别是“1+X”证书制度对汽车动力系统检修有了更高的要求，这就需要进一步探索汽车发动机故障检修更多的方法和途径，以更好地助推汽车发动机的快速发展[3]。当前发动机故障诊断的神经网络类型还比较单一，运用于发动机故障诊断的相关研究还处于初级阶段，存在较大的发展空间。基于此，笔者对当前应用于汽车发动机故障诊断的人工神经网络进行了系统分析，并提出了发动机故障诊断未来的发展方向。

1人工神经网络在汽车发动机故障诊断中的应用

1.1BP神经网络

BP神经网络是一种具有多层结构的前馈神经网络，其特点是信号向前传播，误差信号逆向传播，故该神经网络又称为反向传播网络，其非线性的映射能力强，推导步骤较为严谨，无论是在网络理论还是在性能方面都已经得到了广泛的认可。因此，BP神经网络是目前使用最普遍的神经网络之一。其不足之处是存在收敛速度慢、容易陷入局部极小值以及泛化能力弱的缺点[4]。林海涛等[5]利用BP神经网络建立了发动机故障诊断模型，并且利用LM算法对网络学习训练，发现当隐含层节点数为11时网络的误差是最小的。因此，将隐含层节点数确定为11，该神经网络对发动机的故障诊断正确率能达到94%。曾荣等[6]通过采集发动机噪声信号并利用小波分解技术对采集的发动机声压信号进行分解并对不同的小波分解方法进行比较，得出了相应的故障声音特征参数，然后基于这些声音特征参数建立了BP神经网络的故障诊断模型，试验证明该网络模型对发动机故障诊断准确性较高，诊断速度快，对于发动机异响类故障诊断有重要意义。

［提要］介绍人工神经网络、粒子群优化算法、人工神经网络-粒子群优化算法及相关研究。综述人工神经网络-粒子群优化算法在化工工程、机械工程、信息工程、建筑工程、水利工程、电气工程、通信工程、工业机器人、飞机制造业、工业过程优化等工业工程领域的研究。评述人工神经网络与粒子群优化交叉算法在工业工程领域中的研究前景及经济价值。

关键词：人工神经网络；粒子群优化；工业工程；经济价值；综述

近年来，人工智能、大数据、物联网和云计算的发展迅速，人工神经网络-粒子群优化算法可以在众多领域中应用，达到减少人力、物力，节约资源的效果。同时，人工神经网络-粒子群优化算法在众多工业与工程领域中也有了一定的应用，在工业与工程产业中产生了一定的经济价值。

一、人工神经网络

人工神经网络（ANN）是可用于处理实际问题的网络结构。虽然人脑和人工神经网络这两个应用程序都具有极其强大的信息处理能力，但仍然具有许多差异。Deepmin最初是由DemisHassabis，MustafaSu－leyma和ShaneLegg创立的，在AlphaGo（阿尔法围棋）击败了围棋世界冠军李世石后，逐渐得到人们的认可，也表明人工神经网络具有巨大的潜力。与人脑处理信息的方式不同，人工神经网络开发的机器人采用线性思维方式对获取的信息进行处理，与计算机进行通信，在串行算术任务中快速准确的顺序数值运算处理比人类更多。但人脑的“并行处理系统”相对人工神经网络具有绝对领先的能力。近年来，随着人工智能领域的发展，人工神经网络也进入研究者的视野，实现了不同程度的融合发展。虽然目前人工神经网络被广泛使用，但仍然面临着许多问题，在解决实际工业与工程领域问题时，需要结合其他算法进行优化。

二、粒子群优化算法

Kennedy和Eberhart共同提出粒子群优化（PSO）。VandenBerghF从理论角度对PSO算法的稳定性和收敛性进行分析和证明。2002年，Cello与Lechuga正式发表多目标粒子群优化算法的成果，用粒子群算法求解多目标优化问题，称为粒子群（MOPSO）算法。PSO算法中，将鸟群的个体位置或食物当作优化问题的解，利用群体中个体与最优个体以及群体之间的信息交互，引导整个群体中个体在保留自身多样性信息的同时，朝向群体最优个体收敛，通过不断地更新逐渐找到最优解。鸟群中个体被抽象为“粒子”，忽略其质量、体积，拓扑结构决定了每次迭代时“粒子”受到自身和群体状态信息的综合影响，即粒子的更新机制是通过种群历史最优粒子和个体历史最优粒子的有机结合得到的。

1原理与方法

1.1人工神经网络基本原理

人工神经网络是一个并行的分布式数据处理与决策系统，将人工神经网络理论应用到故障诊断当中，不仅能够提高诊断的数据处理速度和诊断精度，而且还能够按照人们的设定对特定工作环境进行学习，具有良好的环境适应能力。人工神经网络的模型时模拟人类的大脑结构和工作原理进行信息处理的，其基本单元是神经元其中，wi表示每个输入xi所占的权重，当wi为正数时表示该输入xi对神经元产生激励，为负数时代表该输入对神经元产生抑制。其中f(x)是一个非线性函数，可以是阈值函数或者Sigmoid函数中的一种，标准的BP神经网络由输入层、隐含层和输出层三层神经元结构构成，其结构如图3所示。BP神经网络通过输出层神经元的逐层向前传播，以将输出误差“分摊”隐含层和输入层的每个神经元，进而得到各个层单元的参考误差和相应的权值，最终使误差加权值能够满足系统的误差要求。

1.2决策树

决策树是从一些杂乱无章的数据中通过层层归纳总结，得到最终决策结果的过程，它的结构是自上而下的，在每一个节点处都要进行属性判断，每一个分支表示数据流的通路，每个分支的终点表示决策的一类属性。决策树的基本结构如图4所示。

2故障诊断系统设计

故障诊断系统将人工神经网络技术应用到专家系统，使系统具有了良好的学习功能，能够很好的适应矿井下复杂的工作环境，实现对采矿机械系统故障准确诊断的目的。

摘要:

基于神经网路方法实现高考英语口语成绩的采集,实现口语成绩等级手写体的识别,提高在英语口语成绩处理的效率,实现口语成绩的自动采集。目前该方案应用于苏州市高考英语口语成绩采集。

关键词:

成绩采集；模式识别；神经网络；特征提取

对于未实行高考口语人机对话的省市,高考口语还是采用打分模式。然后人工采集,为解决这一问题,通过识别手写评分和OCR识别结果比对确保成绩采集的准确。而神经网络很适合用于解决字符识别问题。

1BP神经网络

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络,是一种典型的前馈神经网络,包含输入层、隐层及输出层。BP网络是典型的多层网络,分输入层、隐含层和输出层,算法由数据流的前向计算和误差信号的反向传播两个过程构成。通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程[1]。