前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文第1篇

關(guān)鍵詞：聚類分析；K-Means聚類；系統(tǒng)聚類；自組織神經(jīng)網(wǎng)絡(luò)；人民生活質(zhì)量

一、引言（研究現(xiàn)狀）

自改革開放以來，我國生產(chǎn)力極大發(fā)展，生活水平總體上得到了提高。但是，地區(qū)間的發(fā)展不平衡始終存在，而且差距越來越大，不同地區(qū)人民的生活水平也存在顯著的差異。據(jù)此，我們利用自組織人工神經(jīng)網(wǎng)絡(luò)方法對全國31個省市自治區(qū)的人民生活水平質(zhì)量進(jìn)行分析評價。

二、指標(biāo)選取與預(yù)處理

1.指標(biāo)選取

遵循合理性、全面性、可操作性、可比性的原則，從以下5個層面共11個二級指標(biāo)構(gòu)建了人民生活質(zhì)量綜合評價指標(biāo)體系（如下表所示）。

人民生活質(zhì)量綜合評價指標(biāo)體系

2.指標(biāo)預(yù)處理

（1）正向指標(biāo)是指標(biāo)數(shù)據(jù)越大，則評價也高，如人均可支配收入，人均公園等。

正向指標(biāo)的處理規(guī)則如下（1）：

Kohonen 自組織神經(jīng)網(wǎng)絡(luò)

輸入層是一個一維序列，該序列有N個元素，對應(yīng)于樣本向量的維度；競爭層又稱為輸出層，該層是由M′N=H個神經(jīng)元組成的二維平面陣列其神經(jīng)元的個數(shù)對應(yīng)于輸出樣本空間的維數(shù)，可以使一維或者二維點(diǎn)陣。

競爭層之間的神經(jīng)元與輸入層之間的神經(jīng)元是全連接的， 在輸入層神經(jīng)元之間沒有權(quán)連接，在競爭層的神經(jīng)元之間有局部的權(quán)連接，表明競爭層神經(jīng)元之間的側(cè)反饋?zhàn)饔谩Ｓ?xùn)練之后的競爭層神經(jīng)元代表者不同的分類樣本。

自組織特征映射神經(jīng)網(wǎng)絡(luò)的目標(biāo)：從樣本的數(shù)據(jù)中找出數(shù)據(jù)所具有的特征，達(dá)到能夠自動對樣本進(jìn)行分類的目的。

2.網(wǎng)絡(luò)反饋算法

自組織網(wǎng)絡(luò)的學(xué)習(xí)過程可分為以下兩步：

（1）神經(jīng)元競爭學(xué)習(xí)過程

對于每一個樣本向量，該向量會與和它相連的競爭層中的神經(jīng)元的連接權(quán)進(jìn)行競爭比較（相似性的比較），這就是神經(jīng)元競爭的過程。相似性程度最大的神經(jīng)元就被稱為獲勝神經(jīng)元，將獲勝神經(jīng)元稱為該樣本在競爭層的像，相同的樣本具有相同的像。

（2）側(cè)反饋過程

競爭層中競爭獲勝的神經(jīng)元會對周圍的神經(jīng)元產(chǎn)生側(cè)反饋?zhàn)饔?，其?cè)反饋機(jī)制遵循以下原則：以獲勝神經(jīng)元為中心，對臨近鄰域的神經(jīng)元表現(xiàn)為興奮性側(cè)反饋。以獲勝神經(jīng)元為中心，對鄰域外的神經(jīng)元表現(xiàn)為抑制性側(cè)反饋。

對于競爭獲勝的那個神經(jīng)元j，其鄰域內(nèi)的神經(jīng)元在不同程度程度上得到興奮的側(cè)反饋，而在Nj（t）外的神經(jīng)元都得到了抑制的側(cè)反饋。Nj（t）是時間t的函數(shù)，隨著時間的增加，Nj（t）圍城的面積越來越小，最后只剩下一個神經(jīng)元，而這個神經(jīng)元，則反映著一個類的特征或者一個類的屬性。

3.評價流程

（1）對n個輸入層輸入神經(jīng)元到競爭層輸出神經(jīng)元j的連接權(quán)值為（6）式：

（2）獲勝鄰域j*（t），設(shè)定為鄰域函數(shù)（h）t，表示第i個神經(jīng)元與獲勝神經(jīng)元之間的距離函數(shù)。S2會隨著學(xué)習(xí)的進(jìn)行而減小，從而鄰域在學(xué)習(xí)初期很寬，隨著學(xué)習(xí)的進(jìn)行會變窄。因此，權(quán)值隨著學(xué)習(xí)的進(jìn)行從較大幅度調(diào)整向微小幅度調(diào)整變化。鄰域函數(shù)產(chǎn)生了有效的映射作用。其中鄰域函數(shù)的表達(dá)式如下（8）式所示

分析結(jié)果如下：

第一類：北京，天津，遼寧，上海，江蘇，浙江，廣東

第二類：福建，山東，湖北，重慶，陜西

第三類：河北，山西，內(nèi)蒙古，吉林，黑龍江，江西，湖南

第四類：安徽，河南，廣西，海南，四川，貴州，云南，，甘肅，青海，寧夏，新疆基于分類結(jié)果，得知第一類中的各地區(qū)的人民生活質(zhì)量最高，主要分布于東部沿海。這些地區(qū)共同點(diǎn)是：工業(yè)和經(jīng)濟(jì)文化實(shí)力雄厚，基礎(chǔ)設(shè)施建設(shè)齊全，醫(yī)療衛(wèi)生事業(yè)、教育水平高度發(fā)達(dá)。

對于第二類，他們的生活質(zhì)量相對于第一類次之，但比第三、四類的評價則較優(yōu)。福建是東南部沿海的經(jīng)濟(jì)大省，山東、湖北、陜西具有較強(qiáng)的工業(yè)實(shí)力和較高的教育水平；重慶市內(nèi)地唯一的直轄市，境內(nèi)有長江干道，這五省的共同他點(diǎn)在于其工業(yè)實(shí)力較強(qiáng)，教育水平發(fā)達(dá)，基礎(chǔ)設(shè)施齊全。

第三類中的諸多省份均是我國農(nóng)業(yè)和采礦業(yè)大省，相比前兩類，他們則是缺少雄厚的工業(yè)基礎(chǔ)，但有良好的氣候條件社會環(huán)境和豐富的自然資源。

第四類，造成這些地區(qū)的人民生活質(zhì)量較差的原因多且復(fù)雜。就安徽、河南而言，自古以來河南是華夏文化的中心，安徽是有名的產(chǎn)量大省，是什么因素限制了它們生活水平的發(fā)展還值得考究。廣西，海南，貴州，云南，，等的一個共性在于自然條件的劣勢。廣西，海南自古以來是官員貶庶之地；貴州、則云南困于云貴高原，交通向來閉塞；、青海更是由于自然環(huán)境惡劣而在各方面的發(fā)展較為欠缺；寧夏、甘肅、新疆則是身居內(nèi)地，生活用水奇缺，種植業(yè)較為薄弱，多以畜牧為主，自古有甘涼不毛之地之說。四川則居于天府之國，但人口基數(shù)龐大且發(fā)展不平衡，所以人民生活質(zhì)量也不是很高。

總體而言，此分類結(jié)果與實(shí)際基本吻合；但受變量體系等因素的干擾，部分地區(qū)仍然存在疑問，具體原因還值得進(jìn)一步探討。

五、模型評價

網(wǎng)絡(luò)結(jié)構(gòu)簡單、自組織自學(xué)習(xí)能力強(qiáng)和學(xué)習(xí)速度快是自組織網(wǎng)絡(luò)所具有的優(yōu)點(diǎn)，在樣本識別上具有很強(qiáng)的優(yōu)勢。此外，它將輸出表現(xiàn)成一維或者二維的概率密度分布，因此運(yùn)用越來越來廣泛。對于實(shí)際中復(fù)雜和高維度的數(shù)據(jù)，該網(wǎng)絡(luò)具有較好的適應(yīng)性和識別性。它本屬于一種無監(jiān)督的自主競爭學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)樣本的特征進(jìn)行自組織學(xué)習(xí)競爭、聚類，將高維數(shù)據(jù)映射到低維度的二維平面，能夠較好地在保持?jǐn)?shù)據(jù)拓?fù)浣Y(jié)構(gòu)不變的情況下進(jìn)行數(shù)據(jù)壓縮和識別。其聚類的客觀性，更適用于于處理海量未知數(shù)據(jù)問題。以此同時，由于模型的可視化，在人們開發(fā)和構(gòu)建新型網(wǎng)絡(luò)變得更加簡潔，易于被人們接受。

自組織神經(jīng)網(wǎng)絡(luò)的二維拓?fù)溆成鋱D的可視性很強(qiáng)，通過映射圖，可以直接觀察到數(shù)據(jù)的特征。同時，清晰的了解其分類情況。但是，傳統(tǒng)自組織特征映射神經(jīng)網(wǎng)絡(luò)采用了向量內(nèi)積、歐氏距離函數(shù)等確定輸入樣本最為相似的連接權(quán)向量，這就要求數(shù)據(jù)必須是連續(xù)的，若數(shù)據(jù)是離散的或者數(shù)據(jù)為順序型或者屬性型，則就不能勝任聚類這項任務(wù)。

參考文獻(xiàn)：

[1]張建萍，劉希玉.基于聚類分析的K-means算法研究及應(yīng)用[J].計算機(jī)應(yīng)用研究，20075（5）：166-168.

[2]么枕生.用于數(shù)值分類的聚類分析[J].海洋湖沼通報，1994（2）：2-12.

[3]劉慧，馮乃琴，南書坡，王偉.基于粗糙集理論和SOFM神經(jīng)網(wǎng)絡(luò)的聚類方法[J].計算機(jī)與應(yīng)用軟件，200926（8）：228-230.

[4]郭偉業(yè)，趙曉丹，龐英智，奇志.數(shù)據(jù)挖掘中SOM神經(jīng)網(wǎng)絡(luò)的聚類方法研究[J].情報科學(xué)，2009，7（6）：874-876.

[5]王家偉，周浩宇，同慶，田宏杰，賈花萍.基于MATLAB的自組織特征映射網(wǎng)絡(luò)的實(shí)際應(yīng)用[J].電子設(shè)計工程，2013，21（6）：47-48.

[6]郭麗華.人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M].哈爾濱：哈爾濱工程大學(xué)出版社，2008.

[7]王國梁，何曉群.多變量經(jīng)濟(jì)數(shù)據(jù)統(tǒng)計分析[M].西安：西安陜西科學(xué)技術(shù)出版社，1993.

[8]宋浩遠(yuǎn).基于模型的聚類方法研究[J].重慶科技學(xué)院學(xué)報，2008（7）：71-71.

[9]何曉群.多元統(tǒng)計分析[M].3版.北京：北京中國人名大學(xué)出版社，2012.

[10]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及運(yùn)用[M].北京：北京化學(xué)工業(yè)出版社，2007.

神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文第2篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；金屬切削刀具；磨損檢測

1.前言：

隨著我國的工業(yè)飛速發(fā)展，對于工件的要求也愈發(fā)嚴(yán)格，但是從工廠中制造出的工件或多或少都有些不盡人意，所以必須依靠金屬切削技術(shù)對工件進(jìn)行二次加工。但隨著時間流逝，金屬刀具的磨損逐漸成為了一個問題。而且隨著機(jī)器的柔性化與機(jī)械化愈發(fā)提高，人工觀測刀具磨損狀況的方法也愈發(fā)得不可取。無數(shù)科學(xué)家為此進(jìn)行了大量研究，討論出了是數(shù)種方法，而人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于金屬切削機(jī)的技術(shù)也應(yīng)運(yùn)而生。人工神經(jīng)網(wǎng)絡(luò)是一種以模擬動物神經(jīng)網(wǎng)絡(luò)而創(chuàng)造的數(shù)學(xué)模型，人工神經(jīng)網(wǎng)絡(luò)有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學(xué)習(xí)和記憶、歸納的能力。目前，人工神經(jīng)網(wǎng)絡(luò)在智能控制、優(yōu)化計算與信息處理中都有很大的進(jìn)展，人工神經(jīng)網(wǎng)絡(luò)的前景不可估量。

2.人工神經(jīng)網(wǎng)絡(luò)在金屬切削刀具中的應(yīng)用

2.1人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識

人工神經(jīng)網(wǎng)絡(luò)是一種建立在現(xiàn)代醫(yī)學(xué)對于人腦的研究上的一種模擬人腦的數(shù)學(xué)模型。它是由大量簡單的處理單元組成的復(fù)雜網(wǎng)絡(luò)，用以模仿人類大腦的神經(jīng)活動與規(guī)律。所以，人工神經(jīng)網(wǎng)絡(luò)擁有人類大腦的基本特征，即：學(xué)習(xí)、記憶與歸納功能。雖然人工神經(jīng)網(wǎng)絡(luò)與人類大腦相比略有不足，但是由于其獨(dú)特的結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡(luò)可以對己輸入信息進(jìn)行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經(jīng)網(wǎng)絡(luò)在邏輯學(xué)推理演算中，比起人類大腦更加有優(yōu)勢。故，人工神經(jīng)網(wǎng)絡(luò)在一些比較簡單同時需要大量計算的工作上比起人腦更有優(yōu)勢。于是，人工神經(jīng)網(wǎng)絡(luò)被廣泛用于金屬切削技術(shù)，并獲得了大量的好評。

2.2人工神經(jīng)網(wǎng)絡(luò)使金屬切削的過程更加智能化

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、聯(lián)想存儲與優(yōu)化計算的能力，在金屬切削中被大量運(yùn)用。人工神經(jīng)網(wǎng)絡(luò)在金屬切削中起著多傳感器多信息融合與模式聯(lián)想器的作用。在對選定的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與記錄作用，將人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練為模型，并將這個模型運(yùn)用于金屬切削中，使金屬切削過程智能化。1992年王衛(wèi)平博士使用人工神經(jīng)網(wǎng)絡(luò)令金屬切削機(jī)在金屬切削的過程中智能化。李旭東利用BP網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性，實(shí)現(xiàn)了金屬切削加工的智能化選擇。實(shí)際上，國內(nèi)有許許多多的人用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊伍中來。

并且隨著我國技術(shù)的逐漸加強(qiáng)，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的逐漸完善，金屬切削智能化的程度只會越來越強(qiáng)。

2.3人工神經(jīng)網(wǎng)絡(luò)對于刀具磨損的檢測

人工神經(jīng)系統(tǒng)被運(yùn)用于金屬切削領(lǐng)域的初衷，就是希望借助它的智能化與信息處理的優(yōu)越性，代替人工來檢驗刀具的磨損程度。

通過人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性，可以輕易在網(wǎng)絡(luò)中建模，使人工神經(jīng)網(wǎng)絡(luò)可以輕易地檢測出刀具的正常狀態(tài)與非正常狀態(tài)――即刀具是否磨損。當(dāng)?shù)毒咛幱谀p狀態(tài)時，人工神經(jīng)網(wǎng)絡(luò)可以發(fā)出警告。實(shí)際上，在刀具磨損狀態(tài)下發(fā)出警報已經(jīng)不再是現(xiàn)在的研究重點(diǎn)了，在無人參與定情況下，對整個金屬切削過程進(jìn)行識別，當(dāng)?shù)毒甙l(fā)生磨損，人工神經(jīng)網(wǎng)絡(luò)可以進(jìn)行自主替換，這，才是理想中的智能刀具檢驗系統(tǒng)，同時也是研究熱點(diǎn)。如果要實(shí)現(xiàn)上述內(nèi)容，應(yīng)該具備這些特點(diǎn)：對于來自多個傳感器的信息可以快速處理；在擁有樣本數(shù)據(jù)的情況下可以快速學(xué)習(xí)；可以根據(jù)外界數(shù)據(jù)的變化，快速調(diào)整自身，以適應(yīng)周遭環(huán)境。

2.4通過人工神經(jīng)網(wǎng)絡(luò)的計算，預(yù)測金屬切削加工中的狀態(tài).

在人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于金屬切削中的一個重要研究，便是通過人工神經(jīng)網(wǎng)絡(luò)的計算來預(yù)測金屬切削加工中的狀態(tài)?？上н@項技術(shù)現(xiàn)在還只是處于理論研究與建模模擬的狀態(tài)下，跟可以正式使用還有一定的距離。如果這項技術(shù)可以得到突破，那么，毋庸置疑得，不止在金屬切削領(lǐng)域是一大進(jìn)步，更加可以推動工廠全智能化、C械化，這無疑是一場重工業(yè)的一場大地震與大革命。

神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文第3篇

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)技術(shù) 應(yīng)用 現(xiàn)狀

一、人工神經(jīng)網(wǎng)絡(luò)概述

要對人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用進(jìn)行了解，首先要掌握人工神經(jīng)網(wǎng)絡(luò)的基本模型和結(jié)構(gòu)。它的結(jié)構(gòu)是并行分布的，通過大量的神經(jīng)元的模型組成，是用來進(jìn)行信息處理的網(wǎng)絡(luò)。各個神經(jīng)元之間相互聯(lián)系，相互之間聯(lián)系的方式很多，每個特定的鏈接之中都有相應(yīng)的權(quán)系數(shù)，而各個神經(jīng)元的輸出是特定的。

二、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀

人工神經(jīng)網(wǎng)絡(luò)技術(shù)由于其結(jié)構(gòu)上的優(yōu)勢和對信息處理的高效性，使得在很多方面都有廣泛的應(yīng)用，例如，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行圖像處理、智能識別、自動監(jiān)控、信號處理、機(jī)器人監(jiān)控等，使得其在生活的各個方面都發(fā)揮了重要的作用，為交通、電力、軍事等部門提供了便利。下面對人工神經(jīng)網(wǎng)絡(luò)技術(shù)的具體應(yīng)用做簡單的分析。

第一，BP神經(jīng)網(wǎng)絡(luò)。基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的BP神經(jīng)網(wǎng)絡(luò)，在進(jìn)行優(yōu)化預(yù)測、分類和函數(shù)逼近等方面有著廣泛的應(yīng)用。網(wǎng)絡(luò)的應(yīng)用大體有分類、函數(shù)逼近、優(yōu)化預(yù)測等方面。比如，將胃電圖和心電圖進(jìn)行分類，對某些函數(shù)的最小二乘進(jìn)行逼近，對工業(yè)生產(chǎn)過程中的數(shù)據(jù)進(jìn)行整合，對電力系統(tǒng)中的負(fù)荷量和一些數(shù)據(jù)進(jìn)行優(yōu)化和預(yù)測等。特別是在進(jìn)行時間序列的預(yù)測中，發(fā)揮著重要的積極作用。使用BP神經(jīng)網(wǎng)絡(luò)還能對國家經(jīng)濟(jì)發(fā)展中的一些數(shù)據(jù)進(jìn)行處理。相對其它人工神經(jīng)網(wǎng)絡(luò)技術(shù)的網(wǎng)絡(luò)而言，BP網(wǎng)絡(luò)復(fù)雜性較低，所以在很多工業(yè)產(chǎn)業(yè)上應(yīng)用較多。在某些需要進(jìn)行控制的系統(tǒng)內(nèi)，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)ο到y(tǒng)進(jìn)行有效的控制。其具體的優(yōu)勢主要有以下幾點(diǎn)：利用BP神經(jīng)網(wǎng)絡(luò)在識別和分類中的優(yōu)勢，能夠及時快速的判斷一些系統(tǒng)中的故障，相比以往的譜分析技術(shù)，其工作效率有了較大的提高。BP神經(jīng)網(wǎng)絡(luò)中也存在著一些不足，表現(xiàn)在其網(wǎng)絡(luò)的魯棒性和容錯性不夠，在對故障進(jìn)行判斷和檢測時，不能有效地確保其準(zhǔn)確性。此外，這種算法的收斂速度不快，在選擇網(wǎng)絡(luò)隱層節(jié)點(diǎn)中還沒有形成完善的配套理論。這些都在某種程度上對其應(yīng)用造成了影響。

第二，ART神經(jīng)網(wǎng)絡(luò)?；谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)的ART神經(jīng)網(wǎng)絡(luò)，廣泛的應(yīng)用在對圖像、語音。文字等的識別過程中。其在某些工業(yè)產(chǎn)業(yè)中也普遍應(yīng)用，主要應(yīng)用在對系統(tǒng)的控制方面。例如，對故障判斷，問題預(yù)警和事故檢測等較為繁瑣的生產(chǎn)過程進(jìn)行控制，進(jìn)行數(shù)據(jù)挖掘，從有關(guān)的數(shù)據(jù)中找到能夠應(yīng)用的數(shù)據(jù)。ART神經(jīng)網(wǎng)絡(luò)在應(yīng)用中的優(yōu)勢主要是其具有很強(qiáng)的穩(wěn)定性，能夠在環(huán)境變化的情況下穩(wěn)定的工作，其算法也十分簡單而且為快速。其缺點(diǎn)主要是在要求對參數(shù)和模型等進(jìn)行準(zhǔn)確的判斷時，其網(wǎng)絡(luò)的結(jié)構(gòu)還需要進(jìn)行完善。

第三，RBF神經(jīng)網(wǎng)絡(luò)?；谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)的RBF神經(jīng)網(wǎng)絡(luò)目前在建模、分類、函數(shù)近似、識別、信號處理等方面有著廣泛的引用。比于其他的神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)較為簡單，其在非線性的逼近上的效果較為顯著，收斂的速度也較快，能夠有效的對整體進(jìn)行收斂。其存在的缺點(diǎn)是，在函數(shù)逼近方面還不夠完善，仍然要進(jìn)行性改進(jìn)。

第四，Hopfield神經(jīng)網(wǎng)絡(luò)。作為反饋神經(jīng)網(wǎng)絡(luò)的一種，Hopfield神經(jīng)網(wǎng)絡(luò)能夠在連接性較高的神經(jīng)網(wǎng)絡(luò)中進(jìn)行集中自動的計算。目前其在工業(yè)產(chǎn)業(yè)中有著廣泛的應(yīng)用。優(yōu)點(diǎn)是，對于一些線性問題，避免了只是用數(shù)學(xué)方法所帶來的繁瑣，在進(jìn)行數(shù)模之間的轉(zhuǎn)化時，能夠快速準(zhǔn)確的進(jìn)行。

三、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展

人工神經(jīng)網(wǎng)絡(luò)技術(shù)和理論的不斷發(fā)展和進(jìn)步，在較多領(lǐng)域中，人工神經(jīng)網(wǎng)絡(luò)技術(shù)引起了人們的關(guān)注。但是，目前在技術(shù)的運(yùn)用和技術(shù)本身仍存在著一些問題。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，對數(shù)學(xué)領(lǐng)域的發(fā)展提出了要求，對有關(guān)的制造技術(shù)和科學(xué)技術(shù)也提出相應(yīng)的要求，這就需要我們要加快與其相關(guān)的各種技術(shù)的快速發(fā)展，使這些技術(shù)能與人工神經(jīng)網(wǎng)絡(luò)技術(shù)相互匹配。在發(fā)展人工神經(jīng)網(wǎng)絡(luò)技術(shù)的同時，要加強(qiáng)與其它相關(guān)學(xué)科的相互聯(lián)系，這對于更好的發(fā)展人工神經(jīng)網(wǎng)絡(luò)技術(shù)有著積極重要的作用。

神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文第4篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)方法 環(huán)境色譜法 多個節(jié)點(diǎn) 信息模型

中圖分類號：X83 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2017）05（a）-0126-02

從近幾年在國內(nèi)神經(jīng)網(wǎng)絡(luò)的使用來看，在環(huán)境監(jiān)測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環(huán)境的評價都帶來了很多新的成果。該文主要是通過對神經(jīng)網(wǎng)絡(luò)相關(guān)分類的闡述，結(jié)合神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中的應(yīng)用效果，希望能給神經(jīng)網(wǎng)絡(luò)對環(huán)境監(jiān)測中做一些回顧和總結(jié)[1]。

1 網(wǎng)絡(luò)方法類別

由于著重的角度關(guān)系，網(wǎng)絡(luò)法會有多種不同的類別，由于神經(jīng)網(wǎng)絡(luò)是多個節(jié)點(diǎn)的連接，有相當(dāng)多復(fù)雜的算法，基于神經(jīng)網(wǎng)絡(luò)，可以總共闡述兩大類的情況，包括有管理和無管理的網(wǎng)絡(luò)方法。關(guān)于這兩種的不同點(diǎn)就在于它們是否需要對現(xiàn)有的樣本進(jìn)行訓(xùn)練。有管理的網(wǎng)絡(luò)方法是需要訓(xùn)練，而無管理的網(wǎng)絡(luò)方法是無需進(jìn)行訓(xùn)練，它需要與其他的化合物相結(jié)合使用，里面會涉及到網(wǎng)絡(luò)與遺傳法、偏最小二乘法等分析方法來進(jìn)行分析比較。另外根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)不同，也可以把網(wǎng)絡(luò)方法給分成前向和后向的網(wǎng)絡(luò)方法，而如果是從網(wǎng)絡(luò)活動方式的差別，也可以將其分為隨機(jī)和確定兩種網(wǎng)絡(luò)方法。

2 關(guān)于環(huán)境監(jiān)測的化學(xué)方面的應(yīng)用

在化學(xué)方面，國內(nèi)與有很多用于化合物的一些研究，比如一些有機(jī)結(jié)構(gòu)分析，還有化學(xué)反應(yīng)、蛋白質(zhì)結(jié)構(gòu)等等的分析。在進(jìn)行定量的構(gòu)效關(guān)系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關(guān)網(wǎng)絡(luò)模型，然后對生物的毒性進(jìn)行進(jìn)一步預(yù)測，當(dāng)然，在分析過程中還存在著很多的問題，通過比較一些網(wǎng)絡(luò)模型，然后計算它們之間的權(quán)值，再篩選相出相應(yīng)的參數(shù)，學(xué)者們在分析的時候也會對多層前傳網(wǎng)絡(luò)進(jìn)行探討分析，盡量減低誤差，通過多方向的非線性校準(zhǔn)，并且進(jìn)行數(shù)據(jù)解析，然后表明引射能力，通過建立神經(jīng)網(wǎng)絡(luò)來不斷接近規(guī)律的程度，擬定相關(guān)的指標(biāo)數(shù)[2]。

3 分光光度的方法應(yīng)用

在化學(xué)分析進(jìn)程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關(guān)方法的不斷普及，目前大多數(shù)是使網(wǎng)絡(luò)和現(xiàn)有的紫外光譜法相互關(guān)聯(lián)，利用線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等來用于多個分組的報道[3]。鄧勃等[4]學(xué)者在分析的時候，認(rèn)為除了人工神經(jīng)網(wǎng)絡(luò)，迭代目標(biāo)轉(zhuǎn)換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優(yōu)勢，并且產(chǎn)生的網(wǎng)絡(luò)法的誤差一般都不會很大。孫益民等專家在分析時，利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)先后側(cè)出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

4 神經(jīng)網(wǎng)絡(luò)對X射線中的熒光光譜法的應(yīng)用

研究人員通過神經(jīng)網(wǎng)絡(luò)建立與X射線熒光譜譜法的關(guān)系，通過多個不同的神經(jīng)網(wǎng)絡(luò)來應(yīng)用，可以通過他們之間的連接來測定酸溶鋁，通過神經(jīng)網(wǎng)絡(luò)的設(shè)置，可以測定里面的最低的鋁值，通過神經(jīng)網(wǎng)絡(luò)與BP的網(wǎng)絡(luò)模型的設(shè)立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側(cè)出酸溶出來的鋁的數(shù)值。BP模型可以結(jié)合現(xiàn)有的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，充分的在現(xiàn)有的信息模型上應(yīng)用，通過利用網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu)，不僅可以做一些化學(xué)分析，還可以通過神經(jīng)網(wǎng)絡(luò)來檢測環(huán)境監(jiān)測中涉及到的紅外譜圖等的分析，這為環(huán)境分析提供了非常有意義的方向，并且給環(huán)境監(jiān)測提供了新的檢測方法[6]。

5 環(huán)境監(jiān)測中的色譜法的研究

在關(guān)于色譜法的研究中，人工神經(jīng)網(wǎng)絡(luò)也有可以應(yīng)用的方向[7]。色譜法中的小波分析，與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運(yùn)用神經(jīng)網(wǎng)絡(luò)分析之后，可以在其中建立相關(guān)的模型，通過兩者的結(jié)合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復(fù)雜的工程，它們之間需要運(yùn)用大量的元素來分開，效率極低，極其浪費(fèi)時間。因為其內(nèi)里復(fù)雜的重疊組織，而現(xiàn)在，人工神經(jīng)網(wǎng)絡(luò)為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經(jīng)網(wǎng)絡(luò)的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經(jīng)網(wǎng)絡(luò)的時候，會運(yùn)用藥物來優(yōu)化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環(huán)境監(jiān)測中的評價

通過之前提到的BP網(wǎng)絡(luò)，通過介紹與人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)合，來闡述了整個模型應(yīng)用的原理，通過綜合相關(guān)的分析方法可以對環(huán)境監(jiān)測中的適用性進(jìn)行分析評價，這樣表現(xiàn)出來的結(jié)果會更加客觀。研究者可以從有預(yù)測模型中表現(xiàn)的結(jié)果，在水庫里進(jìn)行抽樣，提取水庫中的相關(guān)元素進(jìn)行預(yù)測，確認(rèn)是否與實(shí)際結(jié)果一致，可以通過建立人工神經(jīng)網(wǎng)絡(luò)來對水質(zhì)中的污染指數(shù)進(jìn)行評價，然后得出相應(yīng)的成果。

7 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在整個環(huán)境監(jiān)測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結(jié)為以下3個方面：第一，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)的特性。可以通過大量的圖像來設(shè)計，進(jìn)行相關(guān)的圖像識別，把不同的幾個圖像進(jìn)行整合分析，并且把與之相互對應(yīng)的結(jié)果嵌入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，系統(tǒng)會根據(jù)自己特有的自學(xué)功能，對以后相關(guān)的圖像進(jìn)行識別操作，它可以給人們提供一些預(yù)測結(jié)果，甚至在未來的無論是經(jīng)濟(jì)還是政治等方面提供一些預(yù)測，預(yù)測經(jīng)濟(jì)和市場，給未來的發(fā)展提供引導(dǎo)。第二，系統(tǒng)具有可存儲的特性。人工神經(jīng)網(wǎng)絡(luò)里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯(lián)系不同元素之間的關(guān)系，得出一些可能的聯(lián)想信息。最后，神經(jīng)網(wǎng)絡(luò)還有一項功能便是優(yōu)化得出答案的能力。

一般問題的因果關(guān)系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優(yōu)化整個系統(tǒng)，是神經(jīng)網(wǎng)絡(luò)的一個主要的功能，它可以通過計算來得到最優(yōu)化的解，即便其中的運(yùn)算量牽連的比較多，但是結(jié)合神經(jīng)網(wǎng)絡(luò)中反饋聯(lián)想的功能，再包括計算機(jī)強(qiáng)大的運(yùn)算效率，那么得到答案有時候也是比較容易的。

人工神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中表現(xiàn)的效果比較好，但是除此之外，在其他領(lǐng)域，運(yùn)用神經(jīng)系統(tǒng)也可以得到一些相關(guān)的數(shù)據(jù)，比如經(jīng)濟(jì)領(lǐng)域，它可以通過建立信息模型，來進(jìn)行市場預(yù)測和風(fēng)險評估，這些都是很好的應(yīng)用方式。在未來的實(shí)踐中，隨著經(jīng)驗的積累，神經(jīng)網(wǎng)絡(luò)的應(yīng)用在環(huán)境監(jiān)測中會不斷地深入，通過在色譜、光度等領(lǐng)域的剖析，為未來的環(huán)境監(jiān)測效果提供了更多的可能性。

參考文獻(xiàn)

[1] 黃勝林.遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形監(jiān)測中的應(yīng)用[D].遼寧工程技術(shù)大學(xué)，2012.

[2] 熊勛.人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價和預(yù)測中的應(yīng)用研究[D].華中科技大學(xué)，2009.

[3] 王學(xué).無線傳感器網(wǎng)絡(luò)在遠(yuǎn)程環(huán)境監(jiān)測中的應(yīng)用[D].山東師范大學(xué)，2011.

[4] 武藝.人工神經(jīng)網(wǎng)絡(luò)在土壤質(zhì)量監(jiān)測中的應(yīng)用[D].浙江海洋學(xué)院，2015.

[5] 黃湘君.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用[J].科技信息：科學(xué)?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經(jīng)網(wǎng)絡(luò)在機(jī)器人視覺中的應(yīng)用[J].制造業(yè)自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經(jīng)網(wǎng)絡(luò)在福利彩票預(yù)測中的應(yīng)用[A].中國智能計算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經(jīng)網(wǎng)絡(luò)在電力需求決策中的應(yīng)用[J].現(xiàn)代經(jīng)濟(jì)信息，2009（22）：325-326.

神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文第5篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；教學(xué)實(shí)踐；教學(xué)方法；生物信息學(xué)

中圖分類號：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-9324（2014）17-0208-03

人工神經(jīng)網(wǎng)絡(luò)是在神經(jīng)生理學(xué)、生物學(xué)、數(shù)學(xué)、計算機(jī)學(xué)等學(xué)科發(fā)展的基礎(chǔ)上提出的，模擬人類大腦的結(jié)構(gòu)和思維方式處理、記憶信息的一門學(xué)科。具體來說，早在20世紀(jì)40年代，隨著醫(yī)學(xué)、生物學(xué)家們對人腦神經(jīng)的結(jié)構(gòu)、組成以及信息處理的工作原理的認(rèn)識越來越充分，有學(xué)者提出以數(shù)學(xué)和物理方法對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立簡化的模型，用以進(jìn)行信息處理，這種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，稱之為人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）[1]。

在人工神經(jīng)網(wǎng)絡(luò)中，各種待處理的對象（數(shù)據(jù)、特征、字符、抽象的模式等等）都可用神經(jīng)元處理單元表示。這些神經(jīng)元主要可以分為輸入神經(jīng)元、隱含神經(jīng)元和輸出神經(jīng)元三大類。其作用各不相同，作為輸入神經(jīng)元的處理單元用來與外界產(chǎn)生連接，接收外界的信號輸入；隱含神經(jīng)元處于中間層，為信息處理的不可見層；輸出神經(jīng)元主要實(shí)現(xiàn)結(jié)果的輸出。神經(jīng)元之間相互連接，連接的權(quán)重反映了各神經(jīng)元之間的連接強(qiáng)度，神經(jīng)元之間的連接關(guān)系中蘊(yùn)含著信息的表示和處理。人工神經(jīng)網(wǎng)絡(luò)主要是在不同程度、不同層次上模擬大腦處理信息的風(fēng)格，具有非程序化、較強(qiáng)的適應(yīng)性、自組織性、并行分布式等特點(diǎn)，其實(shí)現(xiàn)主要是通過網(wǎng)絡(luò)的變換和動力學(xué)行為，涉及數(shù)學(xué)、生物學(xué)、人工智能、計算機(jī)科學(xué)、非線性動力學(xué)等多個學(xué)科[1]。作為一門活躍的邊緣叉學(xué)科，在處理信息方面，相比于傳統(tǒng)人工智能方法具有非線性適應(yīng)性，成功地應(yīng)用于神經(jīng)專家系統(tǒng)、模式識別、組合優(yōu)化、預(yù)測等多個領(lǐng)域，尤其在生物信息學(xué)領(lǐng)域得到了廣泛的應(yīng)用。生物信息學(xué)是20世紀(jì)末發(fā)展起來的一極具發(fā)展?jié)摿Φ男滦蛯W(xué)科。人類的基因中蘊(yùn)含著大量有用信息，利用神經(jīng)網(wǎng)絡(luò)可以對這些海量的信息進(jìn)行識別與分類，進(jìn)而進(jìn)行相關(guān)的生物信息學(xué)分析。如利用神經(jīng)網(wǎng)絡(luò)分析疾病與基因序列的關(guān)系，基于神經(jīng)網(wǎng)絡(luò)對蛋白質(zhì)結(jié)構(gòu)的預(yù)測，基因表達(dá)譜數(shù)據(jù)的分析，蛋白質(zhì)互作位點(diǎn)的預(yù)測等等，都取得了很好的效果[2]。

因此，在生物信息相關(guān)專業(yè)的本科生中開設(shè)人工神經(jīng)網(wǎng)絡(luò)課程尤為重要。經(jīng)過多年的研究發(fā)展，已經(jīng)提出上百種的人工神經(jīng)網(wǎng)絡(luò)模型，這就需要教師針對不同的專業(yè)背景，不同層次的學(xué)生，講授不同模型的核心思想、推導(dǎo)過程、實(shí)際應(yīng)用等等。本文主要根據(jù)人工神經(jīng)網(wǎng)絡(luò)在生物信息學(xué)相關(guān)專業(yè)的教學(xué)實(shí)踐，從以下幾個方面進(jìn)行探討。

一、引導(dǎo)式教學(xué)，激發(fā)學(xué)生的學(xué)習(xí)積極性

神經(jīng)網(wǎng)絡(luò)作為一門偏于理論分析的學(xué)科，傳統(tǒng)的教學(xué)模式，即首先講解模型的起源，接下來介紹模型的核心思想，然后就是一連串的數(shù)學(xué)公式推導(dǎo)，面對滿黑板的公式，學(xué)生很難提起興趣去認(rèn)真學(xué)習(xí)相應(yīng)的模型。所以，如何激發(fā)起學(xué)生的學(xué)習(xí)積極性，讓學(xué)生重視這門課程，更好地掌握課程內(nèi)容，掌握相關(guān)的模型理論基礎(chǔ)、核心思想，更好地服務(wù)于本專業(yè)，是人工神經(jīng)網(wǎng)絡(luò)教學(xué)者亟待解決的問題。

首先，在導(dǎo)課的時候要生動，以引起學(xué)生對將要學(xué)習(xí)的內(nèi)容的好奇心，讓學(xué)生有興趣投入到課堂學(xué)習(xí)內(nèi)容中去。布盧姆說過：“最大的學(xué)習(xí)動機(jī)莫過于學(xué)生對所學(xué)知識有求知的興趣?！敝挥性谶@種動機(jī)下的學(xué)習(xí)，才會提高自身的主動性與自覺性，達(dá)到提高教學(xué)質(zhì)量的目的[3]。例如，在講解hopfield神經(jīng)網(wǎng)絡(luò)的時候，通過舉例對蘋果、橘子的質(zhì)地、形狀、重量等特征的描述，運(yùn)用“0，1”進(jìn)行量化描述，然后應(yīng)用神經(jīng)網(wǎng)絡(luò)就可以進(jìn)行有效地分類；對于旅行商TSP問題，也可以通過hopfield神經(jīng)網(wǎng)絡(luò)尋找到最優(yōu)路徑。那么，這些問題是如何解決的呢？就需要大家來一起揭開hopfield神經(jīng)網(wǎng)絡(luò)的神秘面紗。其次，由于神經(jīng)網(wǎng)絡(luò)涉及大量的數(shù)學(xué)公式與數(shù)學(xué)方法，學(xué)生往往會有畏懼的心理，這就需要教師幫學(xué)生澄清思想誤區(qū)，現(xiàn)在很多用于數(shù)據(jù)分析與計算的軟件，如matlab工具箱、R軟件里面都有很成熟的人工神經(jīng)網(wǎng)絡(luò)軟件包，所以，學(xué)生只需要理解其工作原理、核心思想，學(xué)會使用現(xiàn)成的人工神經(jīng)網(wǎng)絡(luò)軟件包處理數(shù)據(jù)，在熟練應(yīng)用程序包的基礎(chǔ)上，對相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，改進(jìn)，并且與其他的人工智能算法相結(jié)合，更好地為本專業(yè)服務(wù)。第三，在講授人工神經(jīng)網(wǎng)絡(luò)理論內(nèi)容的時候，要摒棄傳統(tǒng)的呆板式的推導(dǎo)過程，以往的神經(jīng)網(wǎng)絡(luò)教學(xué)方法注重理論分析，通常是一連串的公式推導(dǎo)，公式中又涉及大量的符號，計算起來復(fù)雜又煩瑣，學(xué)生會覺得索然無趣，厭學(xué)情緒嚴(yán)重。在教學(xué)過程中，教師要精心設(shè)計，創(chuàng)設(shè)出特定的問題環(huán)境，將所學(xué)內(nèi)容與本專業(yè)相結(jié)合起來，多講應(yīng)用，啟發(fā)和誘導(dǎo)學(xué)生選取合適的神經(jīng)網(wǎng)絡(luò)模型來解決本專業(yè)的實(shí)驗數(shù)據(jù)分析與處理等問題。

二、理論教學(xué)與實(shí)驗教學(xué)相結(jié)合

除了在理論課堂上將基本的理論知識傳輸給學(xué)生，教師還應(yīng)該安排若干實(shí)驗教學(xué)內(nèi)容，讓學(xué)生以實(shí)驗為主，將理論課上所學(xué)的知識運(yùn)用到解決實(shí)際問題中來，理論聯(lián)系實(shí)際，主動操作思考，觀察，分析，討論，以培養(yǎng)學(xué)生解決問題的能力。一旦學(xué)生自己動手處理一些問題后，很自然地就會對人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生一種親切感，并能強(qiáng)烈激發(fā)起學(xué)生繼續(xù)探究下去的興趣。對于同一問題，可以讓學(xué)生選取不同的網(wǎng)絡(luò)模型，設(shè)置不同的參數(shù)，甚至可以讓學(xué)生自己動手編寫相應(yīng)的網(wǎng)絡(luò)模型程序，并且給予改進(jìn)，根據(jù)得出的結(jié)果來評價模型在解決實(shí)際問題時的好壞，以及模型改進(jìn)的效果。作為授課教師，需要不斷優(yōu)化實(shí)驗教學(xué)內(nèi)容，在生物信息學(xué)專業(yè)開設(shè)人工神經(jīng)網(wǎng)絡(luò)課程，實(shí)驗教學(xué)主要是針對生物信息專業(yè)的海量生物數(shù)據(jù)處理與分析的實(shí)際需要，培養(yǎng)學(xué)生綜合運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方法和生物信息學(xué)知識，進(jìn)行信息的分析與處理。除了在實(shí)驗課堂上給學(xué)生最大的自由發(fā)揮空間外，課后作業(yè)也盡量以開放式問題的形式給出，比如，可以讓學(xué)生選取相應(yīng)的網(wǎng)絡(luò)模型處理本專業(yè)的一些實(shí)際問題，例如，數(shù)據(jù)的分類、聚類等等，其中，數(shù)據(jù)來源可以不同，類型也可自由選取，最后給出相應(yīng)的模型參數(shù)設(shè)置、方法的改進(jìn)、實(shí)驗結(jié)果，也可以安排學(xué)生自己查詢文獻(xiàn)進(jìn)行學(xué)習(xí)，并安排學(xué)生作報告。這樣，學(xué)生可以在世界范圍內(nèi)了解神經(jīng)網(wǎng)絡(luò)的在本專業(yè)的應(yīng)用情況，又能提高英語的讀寫能力，還能鍛煉學(xué)生做科研報告的能力。

三、加強(qiáng)師資隊伍建設(shè)以及其他基本條件的建設(shè)

由于生物信息學(xué)是一門新興的交叉學(xué)科[4]，這就要求人工神經(jīng)網(wǎng)絡(luò)的授課教師要熟練掌握生物信息相關(guān)專業(yè)的知識，教師的業(yè)務(wù)水平必須得到充分保證，才能給學(xué)生以全面透徹的指導(dǎo)。學(xué)院應(yīng)該本著自主培養(yǎng)與重點(diǎn)引進(jìn)的原則，優(yōu)化教師隊伍的專業(yè)結(jié)構(gòu)和學(xué)歷結(jié)構(gòu)，提高教師的自身修養(yǎng)。授課教師要將課堂的理論知識聯(lián)系實(shí)際生物問題進(jìn)行講授，讓學(xué)生感受到人工神經(jīng)網(wǎng)絡(luò)在本專業(yè)的應(yīng)用，提高學(xué)生的學(xué)習(xí)效率，同時也需要閱讀大量的專業(yè)文獻(xiàn)，提高編程技巧和數(shù)據(jù)庫應(yīng)用能力，讓自己成為一名合格的復(fù)合型教師。同時，人工神經(jīng)網(wǎng)絡(luò)課程的實(shí)驗，高度依賴于計算機(jī)網(wǎng)絡(luò)等設(shè)備，因此，相關(guān)的軟硬件設(shè)施的建設(shè)也必不可少，由于，基因組測序技術(shù)的發(fā)展，目前生物信息學(xué)研究所用的數(shù)據(jù)都是海量的，神經(jīng)網(wǎng)絡(luò)訓(xùn)練起來所需時間太長，不能用普通的電腦完成，需要專門的服務(wù)器來處理，學(xué)校有關(guān)部門應(yīng)在條件允許的情況下，配備機(jī)房，購買服務(wù)器，以及相關(guān)的軟件，為學(xué)生創(chuàng)造良好的環(huán)境，讓學(xué)生完成課程內(nèi)容。

最后，人工神經(jīng)網(wǎng)絡(luò)涉及數(shù)學(xué)、計算機(jī)、人工智能和神經(jīng)學(xué)等專業(yè)知識，因此，需要授課教師加強(qiáng)與其他相關(guān)專業(yè)教師的交流與合作，并滲透到授課過程中去，讓學(xué)生在學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)時能將各專業(yè)聯(lián)系起來，更好地解決生物信息學(xué)中的問題，要想成為一名合格的人工神經(jīng)網(wǎng)絡(luò)課程教師，首先要成為一名復(fù)合型的教師，不僅要具備教學(xué)和科研能力，同時也要具備計算機(jī)、生物學(xué)、信息學(xué)等多學(xué)科的知識。

參考文獻(xiàn)：

[1]朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京：科學(xué)出版社，2006.

[2]朱偉，史定華，王翼飛.人工神經(jīng)網(wǎng)絡(luò)在蛋白質(zhì)二級結(jié)構(gòu)預(yù)測中的應(yīng)用[J].自然雜志，2003，（3）：167-171.

[3]趙俊，李曉紅.趣味教學(xué)法在預(yù)防醫(yī)學(xué)教學(xué)中的運(yùn)用[J].現(xiàn)代醫(yī)藥衛(wèi)生，2005，21（15）：2089-2090.