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篇人工神經(jīng)網(wǎng)絡(luò)的不足范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

人工神經(jīng)網(wǎng)絡(luò)的不足范文第1篇

［關(guān)鍵詞］BP神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)工程農(nóng)業(yè)管理農(nóng)業(yè)決策

一、引言

采用神經(jīng)網(wǎng)絡(luò)算法的信息處理技術(shù)，以其較強(qiáng)的計(jì)算性和學(xué)習(xí)性，現(xiàn)如今已經(jīng)在各工程領(lǐng)域內(nèi)得到了廣泛應(yīng)用。隨著科技不斷的發(fā)展和研究的不斷深入，農(nóng)業(yè)系統(tǒng)中采用的傳統(tǒng)分析和管理的方法已經(jīng)不能滿足農(nóng)業(yè)工程領(lǐng)域快速發(fā)展的需要。在農(nóng)業(yè)系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)技術(shù)可在一定程度上可彌補(bǔ)傳統(tǒng)方法的不足，現(xiàn)已成為實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的一個(gè)重要途徑。神經(jīng)網(wǎng)絡(luò)現(xiàn)已在農(nóng)業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)得到廣泛的應(yīng)用，從作物營(yíng)養(yǎng)控制、作物疾病診斷、產(chǎn)量預(yù)測(cè)到產(chǎn)品分級(jí)，顯示了巨大的潛力，并正以很快的速度與生產(chǎn)實(shí)際相結(jié)合。目前應(yīng)用比較多的BP神經(jīng)網(wǎng)絡(luò)，可通過學(xué)習(xí)以任意精度逼近任何連續(xù)映射，在農(nóng)業(yè)生產(chǎn)與科研中展示出了廣闊的應(yīng)用前景。

BP人工神經(jīng)網(wǎng)絡(luò)方法。人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)化和模擬的一種信息處理系統(tǒng)，具有很強(qiáng)的信息存貯能力和計(jì)算能力，屬于一種非經(jīng)典的數(shù)值算法。通?？煞譃榍跋蛏窠?jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，可通過連續(xù)不斷的在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值以及偏差的變化而逐漸逼近目標(biāo)值，每一次數(shù)字和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示，BP神經(jīng)網(wǎng)絡(luò)可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網(wǎng)絡(luò)結(jié)點(diǎn)之間沒有連接。每個(gè)網(wǎng)絡(luò)結(jié)點(diǎn)表示一個(gè)神經(jīng)元，其傳遞函數(shù)通常采用Sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡(luò)相當(dāng)于從輸入到輸出的高度非線性映射，對(duì)于樣本輸入和輸出，可以認(rèn)為存在某一映射函數(shù)g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數(shù)，xi為輸入樣本，yo為輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著優(yōu)點(diǎn)就是其可進(jìn)行自學(xué)習(xí)，能夠通過訓(xùn)練得到預(yù)期的效果。其學(xué)習(xí)過程由正向傳播和反向傳播組成，神經(jīng)網(wǎng)絡(luò)的輸入值經(jīng)過非線性變換從輸入層經(jīng)隱含層神經(jīng)元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài)。如果輸出層得到的數(shù)值與期望輸出有一定的偏差，則轉(zhuǎn)入反向傳播過程。神經(jīng)網(wǎng)絡(luò)通過對(duì)輸入值和希望的輸出值(教師值)進(jìn)行比較，根據(jù)兩者之間的差的函數(shù)來調(diào)整神經(jīng)網(wǎng)絡(luò)的各層的連接權(quán)值和各個(gè)神經(jīng)元的閾值，最終使誤差函數(shù)達(dá)到最小。其調(diào)整的過程是由后向前進(jìn)行的，稱為誤差反向傳播BP算法。具體學(xué)習(xí)過程如下：

（1)隨機(jī)給各個(gè)權(quán)值賦一個(gè)初始權(quán)值，要求各個(gè)權(quán)值互不相等，且均為較小的非零數(shù)。

（2)輸入樣本集中每一個(gè)樣本值，確定相應(yīng)的網(wǎng)絡(luò)實(shí)際輸出值。

（3)計(jì)算實(shí)際的輸出值與相應(yīng)的樣本集中的相應(yīng)輸出值的差值。

（4)按極小誤差方式調(diào)整權(quán)值矩陣。

（5)判斷網(wǎng)絡(luò)誤差是否小于訓(xùn)練前人為設(shè)定的一個(gè)較小的值，若小于，則跳出運(yùn)算，此時(shí)的結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果；若大于，則繼續(xù)計(jì)算。

（6）判斷最大迭代次數(shù)是否大于預(yù)先設(shè)定的數(shù)，若小于，返回（2）;若大于，則中止運(yùn)算，其結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果。

上述的計(jì)算過程循環(huán)進(jìn)行，直到完成給定的訓(xùn)練次數(shù)或達(dá)到設(shè)定的誤差終止值。

二、BP神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程領(lǐng)域中的應(yīng)用

1.在農(nóng)業(yè)生產(chǎn)管理與農(nóng)業(yè)決策中的應(yīng)用

農(nóng)業(yè)生產(chǎn)管理受地域、環(huán)境、季節(jié)等影響較大，用產(chǎn)生式規(guī)則完整描述實(shí)際系統(tǒng)，可能會(huì)因組合規(guī)則過多而無法實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著的優(yōu)點(diǎn)就是其具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自組織能力，通過對(duì)有代表性的樣本的學(xué)習(xí)可以掌握學(xué)習(xí)對(duì)象的內(nèi)在規(guī)律，從而可以在一定程度上克服上述信息量大的問題。神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)生產(chǎn)管理方面可用于農(nóng)作物生長(zhǎng)過程中對(duì)農(nóng)作物生長(zhǎng)需求進(jìn)行預(yù)測(cè)，從而通過對(duì)養(yǎng)分、水分、溫度、以及PH值的優(yōu)化控制達(dá)到最優(yōu)的生長(zhǎng)狀況。采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的主要思想可描述為：（1）收集一定規(guī)模的樣本集，采用BP算法進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)收斂到預(yù)定的精度；（2）將網(wǎng)絡(luò)權(quán)值矩陣保存到一存儲(chǔ)介質(zhì)中，例如文本文件或數(shù)據(jù)庫中；（3）對(duì)于待預(yù)測(cè)數(shù)據(jù)的輸入部分，從存儲(chǔ)介質(zhì)中讀出網(wǎng)絡(luò)連接權(quán)值矩陣，然后通過BP神經(jīng)網(wǎng)絡(luò)的前向傳播算法計(jì)算網(wǎng)絡(luò)輸出，輸出結(jié)果既是預(yù)測(cè)出來的數(shù)值向量。如霍再林等針對(duì)油葵不同階段的相對(duì)土壤含鹽濃度對(duì)其產(chǎn)量的影響有一定的規(guī)律的現(xiàn)象，以油葵的6個(gè)成長(zhǎng)階段的土壤溶液含鹽的相對(duì)濃度為輸入樣本，相對(duì)產(chǎn)量為輸出樣本，通過比較發(fā)現(xiàn)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能較好預(yù)測(cè)油葵產(chǎn)量，采用此方法可補(bǔ)充傳統(tǒng)模型的不足，為今后進(jìn)一步的研究開辟了新路。

在農(nóng)業(yè)決策方面，主要將農(nóng)業(yè)專家面對(duì)各種問題時(shí)所采取的方法的經(jīng)驗(yàn)，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，從而采用神經(jīng)網(wǎng)絡(luò)建立的專家系統(tǒng)將從一定程度上彌補(bǔ)了傳統(tǒng)方法的不足，將農(nóng)業(yè)決策智能化。如何勇、宋海燕針對(duì)傳統(tǒng)專家系統(tǒng)自學(xué)習(xí)能力差的缺點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)可自我訓(xùn)練的優(yōu)點(diǎn)，將神經(jīng)網(wǎng)絡(luò)引入專家系統(tǒng)中。將小麥缺素時(shí)的田間宏觀表現(xiàn)，葉部、莖部、果實(shí)癥狀及引起缺素的原因這五個(gè)方面的可信度值作為神經(jīng)網(wǎng)絡(luò)的輸入量，將農(nóng)業(yè)專家診斷的結(jié)論作為輸出量，將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。實(shí)際應(yīng)用表明此系統(tǒng)自動(dòng)診斷的結(jié)果與專家現(xiàn)場(chǎng)診斷的結(jié)果基本一致，從而采用該系統(tǒng)能夠取代專家，實(shí)現(xiàn)作物的自我診斷，為農(nóng)業(yè)管理方面提供了極大的幫助。如馬成林等針對(duì)于傳統(tǒng)施肥決策方法中非線性關(guān)系描述不足的問題，基于數(shù)據(jù)包分析和BP神經(jīng)網(wǎng)絡(luò)，建立了施肥決策模型，應(yīng)用表明，在有限的范圍內(nèi)，模型預(yù)測(cè)結(jié)果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經(jīng)網(wǎng)絡(luò)應(yīng)用在農(nóng)業(yè)生產(chǎn)決策中，以莜麥播種方式?jīng)Q策為例，通過對(duì)產(chǎn)生式規(guī)則的分析導(dǎo)出神經(jīng)網(wǎng)絡(luò)輸入、輸出單元數(shù)，并通過多次試驗(yàn)確定隱層單元數(shù)，用MATLAB方針結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)作為農(nóng)業(yè)生產(chǎn)決策的方法，取得了較好的效果。譚宗琨提出將基于互聯(lián)網(wǎng)環(huán)境下的神經(jīng)網(wǎng)絡(luò)應(yīng)用在玉米智能農(nóng)業(yè)專家系統(tǒng)中，根據(jù)農(nóng)作物發(fā)育進(jìn)程分成若干個(gè)發(fā)育期，分別對(duì)各個(gè)發(fā)育期建立管理模型，依照作物各發(fā)育期進(jìn)程時(shí)間間隔，由計(jì)算機(jī)系統(tǒng)自動(dòng)選取相應(yīng)的模型進(jìn)行決策。應(yīng)用分析的結(jié)果表明采用神經(jīng)網(wǎng)絡(luò)的玉米智能專家系統(tǒng)已初步接近農(nóng)業(yè)生產(chǎn)的實(shí)際。

2.在農(nóng)產(chǎn)品外觀分析和品質(zhì)評(píng)判

農(nóng)產(chǎn)品的外觀，如形狀、大小、色澤等在生產(chǎn)過程中是不斷變化的，并且受人為和自然等復(fù)雜因素的影響較大。農(nóng)產(chǎn)品的外觀直接影響到農(nóng)產(chǎn)品的銷售，研究出農(nóng)作物外觀受人為和自然的影響因素，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行生產(chǎn)預(yù)測(cè)，可解決農(nóng)產(chǎn)品由于不良外觀而造成的損失。如Murase 等針對(duì)西紅柿表皮破裂的現(xiàn)象，西紅柿表皮應(yīng)力的增長(zhǎng)與西紅柿果肉靠近表皮部分水分的增加有關(guān)，當(dāng)表皮應(yīng)力超過最大表皮強(qiáng)度時(shí)，將導(dǎo)致表皮破裂。用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，預(yù)測(cè)在環(huán)境溫度下的表皮應(yīng)力，可通過控制環(huán)境變量來減少西紅柿表皮破裂所造成的損失。

在農(nóng)業(yè)科研和生產(chǎn)中，農(nóng)產(chǎn)品的品質(zhì)評(píng)判大多是依賴于對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)。例如對(duì)果形尺寸和顏色等外觀判別果實(shí)的成熟度，作物與雜草的辨別，種子的外觀質(zhì)量檢測(cè)。由于農(nóng)業(yè)環(huán)境的復(fù)雜性和生物的多樣性，農(nóng)產(chǎn)品的外觀不具有較確定的規(guī)律性和可描述性，單一采用圖像處理技術(shù)辨識(shí)農(nóng)產(chǎn)品的外觀時(shí)不宜過多采取失真處理和變換，否則則增加圖像處理的復(fù)雜性，特征判別也相對(duì)困難。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)、自組織的能力，比較適宜解決農(nóng)業(yè)領(lǐng)域中許多難以用常規(guī)數(shù)學(xué)方法表達(dá)的復(fù)雜問題，與圖像處理技術(shù)相結(jié)合后，可根據(jù)圖像特征進(jìn)行選擇性判別。采用此方法可以部分替代人工識(shí)別的工作，提高了生產(chǎn)效率，也有利于實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如Liao等將玉米籽粒圖像用34個(gè)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，將輸出的種粒形態(tài)分為5類，經(jīng)過學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)對(duì)完整籽粒分類的準(zhǔn)確率達(dá)到93％，破籽粒分類的準(zhǔn)確率達(dá)91％。

3.蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定

在農(nóng)業(yè)生產(chǎn)中，蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定是通過對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)進(jìn)行的。傳統(tǒng)的農(nóng)產(chǎn)品外觀的辨識(shí)方法費(fèi)時(shí)費(fèi)力、預(yù)測(cè)可靠度很低，而且多采用人工操作，評(píng)價(jià)受到操作者主觀因素的影響，評(píng)判的精度難以保證。利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合圖像處理技術(shù)可部分代替以往這些主要依靠人工識(shí)別的工作，從而大大提高生產(chǎn)效率，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動(dòng)化和智能化。

利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)農(nóng)產(chǎn)品果形尺寸和顏色等外觀評(píng)判，目前國(guó)內(nèi)外已有不少成果用于實(shí)際生產(chǎn)中。何東健等以計(jì)算機(jī)視覺技術(shù)進(jìn)行果實(shí)顏色自動(dòng)分級(jí)為目的，研究了用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色分級(jí)的方法。分別用120個(gè)著色不同的紅星和紅富士蘋果作為訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。兩個(gè)品種的蘋果先由人工依據(jù)標(biāo)準(zhǔn)按著色度分成4級(jí)，對(duì)每一個(gè)品種分別求出7個(gè)模式特征值作為BP網(wǎng)絡(luò)的輸入，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行分級(jí)。結(jié)果表明紅富士和紅星果實(shí)的平均分級(jí)一致率分別為94.2％和94.4％。劉禾等用對(duì)稱特征、長(zhǎng)寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網(wǎng)絡(luò)與人工智能相結(jié)合，建立果形判別人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。試驗(yàn)水果品種為富士和國(guó)光。試驗(yàn)表明系統(tǒng)對(duì)富士學(xué)習(xí)率為80％，對(duì)非學(xué)習(xí)樣本的富士蘋果的果形判別推確率為75％，系統(tǒng)對(duì)國(guó)光學(xué)習(xí)率為89％，對(duì)非學(xué)習(xí)樣本的國(guó)光蘋果果形判別系統(tǒng)的難確率為82％。

三、未來的發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)現(xiàn)已在農(nóng)業(yè)工程領(lǐng)域內(nèi)得到了迅速的應(yīng)用，采用人工神經(jīng)網(wǎng)絡(luò)算法的農(nóng)業(yè)系統(tǒng)能夠從一定程度上改善控制效果，但此技術(shù)在農(nóng)業(yè)范圍內(nèi)還不夠成熟，有待于進(jìn)一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

人工神經(jīng)網(wǎng)絡(luò)算法由于本身具有一定的缺點(diǎn)，從而采用人工神經(jīng)網(wǎng)絡(luò)的算法的信息處理技術(shù)在應(yīng)用過程中具有一定的局限性。在今后的研究中，可以從人工神經(jīng)網(wǎng)絡(luò)方向著手，改進(jìn)人工神經(jīng)網(wǎng)絡(luò)算法，從而實(shí)現(xiàn)其在農(nóng)業(yè)領(lǐng)域內(nèi)更好的應(yīng)用。近年來隨著模糊算法、蟻群算法等算法的相繼出現(xiàn)，將神經(jīng)網(wǎng)絡(luò)與其他算法結(jié)合在一起已經(jīng)成為了研究的熱門話題，也是未來算法研究的主要方向之一。

2.應(yīng)用領(lǐng)域的擴(kuò)展

人工神經(jīng)網(wǎng)絡(luò)算法在農(nóng)業(yè)工程方面現(xiàn)已得到了迅速的發(fā)展，擴(kuò)展其在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用范圍是未來的一個(gè)主要研究方向。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)能力，可對(duì)農(nóng)業(yè)系統(tǒng)的非線形特性進(jìn)行較好的描述，采用人工神經(jīng)網(wǎng)絡(luò)可解決傳統(tǒng)方法的不足，從而實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如何將神經(jīng)網(wǎng)絡(luò)較好地引入到農(nóng)業(yè)系統(tǒng)，解決農(nóng)業(yè)工程中的部分問題，已是今后農(nóng)業(yè)科研中的一個(gè)方向。

四、結(jié)束語

神經(jīng)網(wǎng)絡(luò)作為一種人工智能范疇的計(jì)算方法，具有良好的自學(xué)習(xí)與數(shù)學(xué)計(jì)算的能力，可通過計(jì)算機(jī)程序進(jìn)行模擬運(yùn)算，現(xiàn)已廣泛用于模式識(shí)別、管理決策等方面。隨著計(jì)算機(jī)硬件和軟件的不斷發(fā)展與農(nóng)業(yè)工程方面的研究的不斷深入，神經(jīng)網(wǎng)絡(luò)將在農(nóng)業(yè)管理、農(nóng)業(yè)決策、農(nóng)作物外觀分類、品質(zhì)評(píng)判等方面充分發(fā)揮其自學(xué)習(xí)能力強(qiáng)，計(jì)算能力強(qiáng)的優(yōu)勢(shì)，通過對(duì)樣本數(shù)據(jù)的學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可較好地解決農(nóng)作物生長(zhǎng)過程中的作物分類、預(yù)測(cè)等非線形的問題。在農(nóng)業(yè)工程領(lǐng)域內(nèi)，神經(jīng)網(wǎng)絡(luò)擁有廣闊的科研前景。

參考文獻(xiàn):

[1]余英林李海洲:神經(jīng)網(wǎng)絡(luò)與信號(hào)分析[M]. 廣州: 華南理工大學(xué)出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經(jīng)網(wǎng)絡(luò)的作物水―鹽響應(yīng)初步研究[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2003，24（3）：66～70

[3]何勇宋海燕:基于神經(jīng)網(wǎng)絡(luò)的作物營(yíng)養(yǎng)診斷專家系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數(shù)據(jù)包絡(luò)分析和人工神經(jīng)網(wǎng)絡(luò)的變量施肥決策方法研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式?jīng)Q策的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 太原理工大學(xué)學(xué)報(bào)，2006,37(5):119～121

[6]譚宗琨: BP人工神經(jīng)網(wǎng)絡(luò)在玉米智能農(nóng)業(yè)專家系統(tǒng)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

人工神經(jīng)網(wǎng)絡(luò)的不足范文第2篇

【摘要】 目的：應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計(jì)一種類風(fēng)濕關(guān)節(jié)炎疾病診斷的方法。方法：選用對(duì)類風(fēng)濕關(guān)節(jié)炎敏感的8個(gè)指標(biāo)，作為BP人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)。結(jié)果：BP人工神經(jīng)網(wǎng)絡(luò)經(jīng)通過對(duì)150例樣本的運(yùn)算，訓(xùn)練集的113例樣本，訓(xùn)練正確率為97.4%;預(yù)測(cè)集的37例樣本，預(yù)測(cè)正確率為91.9%。結(jié)論：BP人工神經(jīng)網(wǎng)絡(luò)能為類風(fēng)濕關(guān)節(jié)炎作出較準(zhǔn)確的診斷，能提高診斷的客觀性。

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò); 類風(fēng)濕關(guān)節(jié)炎; 預(yù)測(cè)

類風(fēng)濕關(guān)節(jié)炎(Rheumatoid arthritis ，RA)是一種以關(guān)節(jié)滑膜發(fā)生慢性炎性病變的自身免疫性疾病，其病程多呈進(jìn)行性進(jìn)展，致殘率高，治愈率低下[1]，早期臨床表現(xiàn)不典型，單項(xiàng)自身抗體檢測(cè)的靈敏度和特異性均有不足，類風(fēng)濕因子的檢出率也偏低，容易造成誤診[2，3]。因此醫(yī)務(wù)人員主要是通過敏感性互補(bǔ)的幾個(gè)檢驗(yàn)指標(biāo)和臨床表現(xiàn)對(duì)類風(fēng)濕關(guān)節(jié)炎作出診斷[4]，但在疾病的診斷中往往帶有很多的主觀因素。近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)是種理論化的數(shù)學(xué)模型，是模仿人腦神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)及其功能而建立起來的一種信息處理系統(tǒng)，具有自行學(xué)習(xí)、聯(lián)想記憶、錯(cuò)誤容納和強(qiáng)大的非線性處理能力[5]。因此人工神經(jīng)網(wǎng)絡(luò)常常被應(yīng)用到臨床醫(yī)學(xué)疾病的診斷上。本研究結(jié)合類風(fēng)濕關(guān)節(jié)炎診斷的8個(gè)主要指標(biāo)，設(shè)計(jì)一種基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過對(duì)150例樣本的網(wǎng)絡(luò)運(yùn)算，探討了人工神經(jīng)網(wǎng)絡(luò)對(duì)類風(fēng)濕關(guān)節(jié)炎診斷的可行性。

1 人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)可以通過對(duì)外界信息的學(xué)習(xí)，以特定的方式對(duì)這些信息進(jìn)行處理和概括，從而具備了對(duì)這些信息的識(shí)別功能，并產(chǎn)生了一個(gè)相對(duì)應(yīng)的結(jié)論。因此，再次給人工神經(jīng)網(wǎng)絡(luò)這樣一個(gè)相似的條件時(shí)，神經(jīng)網(wǎng)絡(luò)就會(huì)根據(jù)已學(xué)到的知識(shí)，自行推理判斷，得到一個(gè)我們需要的結(jié)果。

1.1 人工神經(jīng)元

人工神經(jīng)元是組成人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，簡(jiǎn)稱為神經(jīng)元。如圖1顯示了一個(gè)具有r個(gè)輸入分量的人工神經(jīng)元模型[6]。

圖1中p(r=1，2，…，r) 為該神經(jīng)元的輸入數(shù)據(jù);Wr 為該神經(jīng)元分別與各輸入數(shù)據(jù)間的連接強(qiáng)度，稱為連接權(quán)重，權(quán)重值的大小代表上一級(jí)神經(jīng)元對(duì)下一級(jí)神經(jīng)元的影響程度。b為該神經(jīng)元的閾值，f(x)為作用于神經(jīng)元的激勵(lì)函數(shù)，通常采用的是S 型函數(shù)，其數(shù)學(xué)表達(dá)式見式(1)[7]：

f(x)=(1+e-Qx)-1(1)

a為神經(jīng)元的輸出數(shù)據(jù)。神經(jīng)元將接收信息pi與連接權(quán)重wi 的點(diǎn)乘積求和構(gòu)成其總輸入， 在神經(jīng)元閾值b的作用下經(jīng)函數(shù)f(x)的作用，產(chǎn)生信號(hào)輸出a。

圖1 人工神經(jīng)元模型

1.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由多個(gè)不同的神經(jīng)元連接而成，一般含有多個(gè)層次，每個(gè)層次又包含了多個(gè)神經(jīng)元，上一層次的神經(jīng)元只能對(duì)下一層的神經(jīng)元產(chǎn)生作用，同層神經(jīng)元間無相互作用[7]。根據(jù)神經(jīng)元的不同連接方式，就形成了不同功能的連接網(wǎng)絡(luò)模型。比如BP神經(jīng)網(wǎng)絡(luò)，Kohonen神經(jīng)網(wǎng)絡(luò)，Hopfield神經(jīng)網(wǎng)絡(luò)等等，多達(dá)數(shù)十種。在醫(yī)學(xué)中應(yīng)用比較廣泛的是BP神經(jīng)(Back Propagation)，也就是誤差逆向傳遞網(wǎng)絡(luò)[8]，本研究中采用的也是BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)一般由輸入層，隱含層和輸出層構(gòu)成，其結(jié)構(gòu)模型如圖2所示。

神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元是接受外界信息的端口，不包括數(shù)據(jù)運(yùn)算功能，他將外界的輸入數(shù)據(jù)通過一個(gè)連接權(quán)重傳遞給下一隱含層的神經(jīng)元。隱含層是神經(jīng)網(wǎng)絡(luò)的核心部分，數(shù)量上可以有一個(gè)或多個(gè)層次，隨著層次的增多，網(wǎng)絡(luò)結(jié)構(gòu)變得更復(fù)雜，網(wǎng)絡(luò)數(shù)據(jù)處理功能也增強(qiáng)。網(wǎng)絡(luò)的最后一層是輸出層，輸出層接收到隱含層的各項(xiàng)信息，然后經(jīng)過轉(zhuǎn)換把信息傳給外界。

輸入層 隱含層 輸出層

圖2 BP人工神經(jīng)網(wǎng)絡(luò)模型

1.3 人工神經(jīng)網(wǎng)絡(luò)工作原理

為了解決臨床上對(duì)疾病的預(yù)測(cè)或識(shí)別等問題，神經(jīng)網(wǎng)絡(luò)主要是通過學(xué)習(xí)來獲取"知識(shí)"或"經(jīng)驗(yàn)"的，這一過程總體上可分為訓(xùn)練和預(yù)測(cè)兩個(gè)階段。所謂訓(xùn)練就是形成一種病因與疾病之間的函數(shù)映射關(guān)系，即給定一個(gè)實(shí)際輸出與期望輸出的目標(biāo)誤差值，將病人的各種病因、實(shí)驗(yàn)室檢查、影像超聲檢查、臨床表現(xiàn)等作為網(wǎng)絡(luò)的輸入信息加到其輸入端，輸入信息經(jīng)過隱含層神經(jīng)元的處理后，傳遞給輸出層。如果輸出層得到的結(jié)果大于預(yù)先給定的誤差目標(biāo)值時(shí)，神經(jīng)網(wǎng)絡(luò)將這種誤差信號(hào)沿原來的傳遞路線逐層返回，并調(diào)節(jié)各個(gè)層次間神經(jīng)元連接的權(quán)重值，這種過程不斷交替進(jìn)行，直到誤差達(dá)到目標(biāo)值時(shí)，訓(xùn)練過程結(jié)束。經(jīng)過訓(xùn)練可使疾病的各種情況分布到連接權(quán)上， 使學(xué)習(xí)后的網(wǎng)絡(luò)權(quán)重值存儲(chǔ)了臨床癥狀和疾病類型等相關(guān)的知識(shí)，此時(shí)可以認(rèn)為神經(jīng)網(wǎng)絡(luò)建立起了病人的各種因素與該病人是否患有某種疾病的映射關(guān)系，這種映射關(guān)系就是一個(gè)預(yù)測(cè)疾病的判別函數(shù)。預(yù)測(cè)就是檢驗(yàn)判別函數(shù)的可靠程度，利用一些未包括在訓(xùn)練集中的樣本構(gòu)成預(yù)測(cè)集，將預(yù)測(cè)集中與疾病相關(guān)的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中去，在訓(xùn)練階段所得到的判別函數(shù)的作用下，就可以得到一個(gè)測(cè)試結(jié)果，從網(wǎng)絡(luò)的輸出端就可以診斷病人是否為疾病患者。

2 人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎實(shí)例

2.1 病例選取及變量確定

實(shí)驗(yàn)數(shù)據(jù)來源于哈爾濱醫(yī)科大學(xué)附屬醫(yī)院，總共有150例。其中類風(fēng)濕關(guān)節(jié)炎患者83例，女71例，占85.5%;男12例，占14.5%。年齡范圍為20～79歲，平均年齡為48.92歲。所有患者均符合1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)。用來作正常對(duì)照的有67例，其中女62例，占92.5%;男5例，占%7.5，年齡范圍為18～79歲，平均年齡為43.63歲。病人資料主要包括臨床癥狀與體征，相關(guān)實(shí)驗(yàn)室檢查，相應(yīng)影像學(xué)檢查。

根據(jù)中華醫(yī)學(xué)會(huì)風(fēng)濕病學(xué)分會(huì)制定的類風(fēng)濕關(guān)節(jié)炎診斷指南，典型的類風(fēng)濕關(guān)節(jié)炎按照1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)來診斷并不困難，但某些不典型、早期類風(fēng)濕關(guān)節(jié)炎，常常被誤診或漏診。2008年，胡勇等[9]通過研究發(fā)現(xiàn)，抗CCP抗體對(duì)類風(fēng)濕關(guān)節(jié)炎的敏感性和特異性分別為80.0%和93.7 %，聯(lián)合抗CCP抗體和RF可以提高診斷的準(zhǔn)確性，對(duì)類風(fēng)濕關(guān)節(jié)炎的早期診斷有重要意義。因此為了提高神經(jīng)網(wǎng)絡(luò)診斷各種類型類風(fēng)濕關(guān)節(jié)炎的準(zhǔn)確率，我們選取了x1(關(guān)節(jié)晨僵)、x2(對(duì)稱性關(guān)節(jié)炎)、x3(腕、掌指或者近端指間關(guān)節(jié)至少有一個(gè)關(guān)節(jié)腫)、x4(3個(gè)或者3個(gè)以上關(guān)節(jié)部位腫)、x5(關(guān)節(jié)X線改變)、x6(皮下結(jié)節(jié))、x7(RF )和x8(抗CCP抗體)這8個(gè)指標(biāo)來作為神經(jīng)網(wǎng)絡(luò)運(yùn)算的輸入數(shù)據(jù)。其中x1、x2、x3、x4、x5、x6和x7這幾個(gè)輸入數(shù)據(jù)是1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)所包含的內(nèi)容，x8是為了提高對(duì)不典型、早期類風(fēng)濕關(guān)節(jié)炎的診斷所采用的輸入數(shù)據(jù)。上述x1、x2、x3、x4、x5、x6是定性變量(離散變量)，臨床上常用陽性和陰性來描述，實(shí)驗(yàn)中用1和0對(duì)這些變量進(jìn)行賦值，當(dāng)變量值為1時(shí)表示陽性，為0時(shí)表示陰性;而變量x7、x8是定量變量(連續(xù)變量)，用原始數(shù)據(jù)來描述。

2.2 確定訓(xùn)練樣本及預(yù)測(cè)樣本

在以上150例樣本中(83例類風(fēng)濕關(guān)節(jié)炎和67例正常對(duì)照)中分別選取63例類風(fēng)濕關(guān)節(jié)炎和50例正常對(duì)照的樣本，用來組成訓(xùn)練集，并用1～113的數(shù)字對(duì)其進(jìn)行順序編號(hào)，1～63號(hào)代表是類風(fēng)濕關(guān)節(jié)炎，64～113號(hào)代表的是正常對(duì)照組的樣本。剩余的樣本用來組成預(yù)測(cè)集，集中樣本總數(shù)為37例，其中類風(fēng)濕關(guān)節(jié)炎患者有20例，正常對(duì)照組有17例，也用同樣的方法進(jìn)行編號(hào)。訓(xùn)練集與預(yù)測(cè)集樣本比例大約為4:1。

2.3 網(wǎng)絡(luò)參數(shù)的設(shè)定及算法程序

首先對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定如下：輸入神經(jīng)元個(gè)數(shù)為8，輸出神經(jīng)元個(gè)數(shù)為1，期望目標(biāo)輸出值用0表示正常，用1表示類風(fēng)濕關(guān)節(jié)炎，隱含層采用tansig函數(shù)。訓(xùn)練次數(shù)為6000次，訓(xùn)練目標(biāo)為0.06，學(xué)習(xí)速度為0.05，網(wǎng)絡(luò)連接權(quán)重初始值是[-1，1]之間的隨機(jī)數(shù)，其次網(wǎng)絡(luò)進(jìn)行運(yùn)算所采用的是批動(dòng)量梯度下降算法，應(yīng)用MATLAB6.5來編寫該程序算法。

2.4 訓(xùn)練及預(yù)測(cè)結(jié)果

將訓(xùn)練集樣本的8個(gè)指標(biāo)輸入到BP網(wǎng)絡(luò)的算法程序中，網(wǎng)絡(luò)經(jīng)過500次的訓(xùn)練后，達(dá)到了訓(xùn)練目標(biāo)的要求，訓(xùn)練結(jié)果如圖3所示，預(yù)測(cè)輸出以0.5為閾值，>0.5者為類風(fēng)濕關(guān)節(jié)炎患者，

圖3 113例樣本訓(xùn)練結(jié)果從訓(xùn)練得到的圖形可以看出，63例類風(fēng)濕關(guān)節(jié)炎患者中有54例訓(xùn)練結(jié)果都在目標(biāo)輸出值1附近，而且非?？拷?。只有9例稍微偏離了目標(biāo)輸出值1，由于輸出結(jié)果均在0.5～1.5的范圍內(nèi)，可以認(rèn)為訓(xùn)練結(jié)果與實(shí)際相吻合。類似的在50例正常對(duì)照組中，有47例輸出結(jié)果都在目標(biāo)值0的附近，輸出值都在0～0.5之間，訓(xùn)練結(jié)果與實(shí)際也相吻合。而編號(hào)為64、75、92的3例樣本，其輸出值大于0.5，明顯大于目標(biāo)輸出值0，樣本訓(xùn)練結(jié)果有錯(cuò)誤。綜上所述，訓(xùn)練集中113例樣本有110訓(xùn)練正確，訓(xùn)練正確率達(dá)到97.4%。

經(jīng)過訓(xùn)練可以得到一個(gè)能反映類風(fēng)濕關(guān)節(jié)炎疾病情況的神經(jīng)網(wǎng)絡(luò)模型。把預(yù)測(cè)集樣本的數(shù)據(jù)導(dǎo)入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，進(jìn)行預(yù)測(cè)，預(yù)測(cè)的結(jié)果如圖4。

圖4 37例樣本預(yù)測(cè)結(jié)果從上圖的輸出結(jié)果可以看出，在20例類風(fēng)濕關(guān)節(jié)炎樣本的預(yù)測(cè)中，19例樣本的輸出結(jié)果主要集中在目標(biāo)輸出值1附近，沒有超出0.5～1.5的范圍，可以視為預(yù)測(cè)結(jié)果與實(shí)際相符合，而編號(hào)為1的樣本，其輸出值小于0.5，偏離了目標(biāo)輸出值1，預(yù)測(cè)結(jié)果錯(cuò)誤。另外17例正常對(duì)照組中，15例預(yù)測(cè)結(jié)果與實(shí)際相符合，而編號(hào)為27、33號(hào)的樣本其輸出值大于0.5，明顯偏離目標(biāo)輸出值0，預(yù)測(cè)不正確。所以對(duì)于預(yù)測(cè)的總體樣本來說，34例預(yù)測(cè)正確，準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%。

訓(xùn)練集和預(yù)測(cè)集的樣本，經(jīng)BP神經(jīng)網(wǎng)絡(luò)運(yùn)算，其結(jié)果如表1所示。表1 BP神經(jīng)網(wǎng)絡(luò)測(cè)試樣本的計(jì)算結(jié)果

3 討論

由表1可知，2例預(yù)測(cè)有誤的樣本，它們來源于預(yù)測(cè)集的正常對(duì)照組中。同樣在訓(xùn)練階段，運(yùn)算有誤的3例樣本也全都來源于訓(xùn)練集的正常對(duì)照組中。由此可見，運(yùn)算有誤的樣本在訓(xùn)練集和預(yù)測(cè)集之間存在一種對(duì)應(yīng)關(guān)系，即神經(jīng)網(wǎng)絡(luò)對(duì)樣本訓(xùn)練的錯(cuò)誤率越高，其預(yù)測(cè)的準(zhǔn)確率就越低。同時(shí)，一些樣本的訓(xùn)練和預(yù)測(cè)結(jié)果也出現(xiàn)了較大范圍的波動(dòng)，沒有集中在目標(biāo)值為1和0的這兩條直線上。出現(xiàn)這種結(jié)果的原因可能是：有些樣本數(shù)據(jù)偏倚，訓(xùn)練樣本總數(shù)又不是很多，從而導(dǎo)致這些數(shù)據(jù)偏倚的樣本所占的比例較大，在總體中表現(xiàn)出來的作用也就較強(qiáng)。因此加大訓(xùn)練樣本的數(shù)量，選擇數(shù)據(jù)偏倚較少或者更有代表性的樣本來學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就能更準(zhǔn)確的反映疾病自身情況，同時(shí)網(wǎng)絡(luò)所包含的病因與疾病間相映射的函數(shù)關(guān)系也就更具有普遍性。

對(duì)疾病診斷過程而言，人工神經(jīng)網(wǎng)絡(luò)能夠模擬專家級(jí)醫(yī)師診斷疾病的思維過程和獲得診斷疾病的相關(guān)知識(shí)。此后對(duì)疾病進(jìn)行預(yù)測(cè)時(shí)就可以避免醫(yī)師對(duì)疾病診斷的主觀性及思維定勢(shì)，因此能提高疾病診斷的客觀性。盡管臨床上也存在一些疾病患者，往往因?yàn)樵\斷數(shù)據(jù)的缺失，給醫(yī)師診斷帶來了很多的困難或是誤診，然而神經(jīng)網(wǎng)絡(luò)具有的容錯(cuò)性質(zhì)以及能根據(jù)訓(xùn)練得來的知識(shí)和處理問題的經(jīng)驗(yàn)，對(duì)上述缺失的數(shù)據(jù)等這種復(fù)雜的問題，做出合理的判斷與推理，從而為病人做出較正確的診斷。

在疾病診斷方面， 按照1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)，對(duì)一些不典型，早期的類風(fēng)濕關(guān)節(jié)炎常常不能作出正確的診斷，特異性也低，往往造成誤診。然而基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過對(duì)37例樣本的預(yù)測(cè)，預(yù)測(cè)結(jié)果表明：本方法對(duì)類風(fēng)濕關(guān)節(jié)炎的診斷，其準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%，可作為疾病診斷的一種新方法。當(dāng)然，實(shí)驗(yàn)中也存在一些問題有待于進(jìn)一步研究，如輸入變量的選擇及其數(shù)據(jù)處理，網(wǎng)絡(luò)初始權(quán)重的計(jì)算，網(wǎng)絡(luò)訓(xùn)練的最佳原則，隱含層數(shù)的設(shè)計(jì)等等。隨著研究的進(jìn)一步深入，人工神經(jīng)網(wǎng)絡(luò)必將得到臨床工作者的認(rèn)同并為疾病研究帶來諸多的便利。

【參考文獻(xiàn)】

1 顧福榮，張義東，施錦杰.抗CCP抗體、抗RA33抗體、抗Sa 抗體和RF聯(lián)合檢測(cè)對(duì)類風(fēng)濕性關(guān)節(jié)炎診斷的意義.江西醫(yī)學(xué)檢驗(yàn)，2007，25(1):24～25.

2 Matsuo K，Xiang Y，Nakamura H，et al.Identification of novel eitrullinated autoantigens of synovium in rheumatoid arthritis using a proteomie approach.Arthritis Res Ther，2006，8(6):1～3.

3 Harrison MJ，Paget SA. Anti2CCP antibody testing as a diagnostic and prognostic tool in rheumatoid arthritis.QJM，2007，100(4):193～201.

4 王青青.類風(fēng)濕性關(guān)節(jié)炎的診斷與治療.全科醫(yī)學(xué)臨床與教育.2008，6(2):92～94.

5 孫文恒，王煒，周文策.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在胰腺癌診斷中的應(yīng)用.蘭州大學(xué)學(xué)報(bào)，2008，44(7)：224～227.

6 宋燁，楊本付，人工神經(jīng)網(wǎng)絡(luò)及其在疾病診斷中的應(yīng)用，中華醫(yī)學(xué)實(shí)踐雜志，2006，5(3):275～277.

7 王俊杰，陳景武.BP神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測(cè)中的應(yīng)用.理理醫(yī)藥學(xué)雜志，2005，21(3):259～262.

人工神經(jīng)網(wǎng)絡(luò)的不足范文第3篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：

引言

BP人工神經(jīng)網(wǎng)絡(luò)算法是現(xiàn)今應(yīng)用較為廣泛的多層前向反饋式神經(jīng)網(wǎng)絡(luò)算法，BP人工神經(jīng)網(wǎng)絡(luò)有較好的容錯(cuò)能力、魯棒性、并行協(xié)同處理能力和自適應(yīng)能力，受到了國(guó)內(nèi)外眾多領(lǐng)域?qū)W者的關(guān)注。由于神經(jīng)網(wǎng)絡(luò)高效率的集體計(jì)算能力和較強(qiáng)的魯棒性，它在圖像分割方面的應(yīng)用已經(jīng)很廣泛，Jain和Karu采用了多通道濾波與前向神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法實(shí)現(xiàn)圖像紋理分割算法。神經(jīng)網(wǎng)絡(luò)算法在特征提取階段，壓縮特征數(shù)量，以提高分類速度和精度。在圖像識(shí)別領(lǐng)域中神經(jīng)網(wǎng)絡(luò)作為分類器的研究也得到了很大的進(jìn)展，尤其是其學(xué)習(xí)能力和容錯(cuò)性對(duì)于模式識(shí)別是非常有利的，在一定程度上提高了訓(xùn)練速度和識(shí)別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識(shí)別，每一層神經(jīng)網(wǎng)絡(luò)處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)的研究起源于對(duì)生物神經(jīng)系統(tǒng)的研究，它將若干處理單元（即神經(jīng)元）通過一定的互連模型連結(jié)成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)通過一定的機(jī)制可以模仿人的神經(jīng)系統(tǒng)的動(dòng)作過程，以達(dá)到識(shí)別分類的目的。人工神經(jīng)網(wǎng)絡(luò)區(qū)別于其他識(shí)別方法的最大特點(diǎn)是它對(duì)待識(shí)別的對(duì)象不要求有太多的分析與了解，具有一定的智能化處理的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程實(shí)際上就是不斷地調(diào)整權(quán)值和閾值的過程。根據(jù)有無訓(xùn)練樣本的指導(dǎo)可以將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式分為兩種：監(jiān)督學(xué)習(xí)方式和非監(jiān)督學(xué)習(xí)方式，也稱為有導(dǎo)師指導(dǎo)學(xué)習(xí)方式和無導(dǎo)師指導(dǎo)學(xué)習(xí)方式。監(jiān)督學(xué)習(xí)方式，是在給定固定的輸入輸出樣本集的情況下，由網(wǎng)絡(luò)根據(jù)一定的學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練學(xué)習(xí)，每一次學(xué)習(xí)完成后，通過對(duì)比實(shí)際的輸出和期望的輸出，以此決定網(wǎng)絡(luò)是否需要再學(xué)習(xí)，如果還沒有達(dá)到期望的誤差，則將實(shí)際誤差反饋到網(wǎng)絡(luò)，進(jìn)行權(quán)值和閾值的調(diào)整，使實(shí)際的誤差隨著學(xué)習(xí)的反復(fù)進(jìn)行而逐步減小，直至達(dá)到所要求的性能指標(biāo)為止。非監(jiān)督學(xué)習(xí)方式，是在沒有外界的指導(dǎo)下進(jìn)行的學(xué)習(xí)方式，在學(xué)習(xí)過程中，調(diào)整網(wǎng)絡(luò)的權(quán)重不受外來教師的影響，但在網(wǎng)絡(luò)內(nèi)部會(huì)對(duì)其性能進(jìn)行自適應(yīng)調(diào)節(jié)。

BP神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層、一個(gè)或多個(gè)隱含層所組成。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定之后，通過對(duì)輸出和輸入樣本集進(jìn)行訓(xùn)練，反復(fù)修正網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到學(xué)習(xí)訓(xùn)練的期望誤差，以使網(wǎng)絡(luò)能夠?qū)崿F(xiàn)給定的輸入輸出映射關(guān)系。BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)階段，第一階段是輸入己知的學(xué)習(xí)樣本數(shù)據(jù)，給定網(wǎng)絡(luò)的結(jié)構(gòu)和初始連接權(quán)值和閾值，從輸入層逐層向后計(jì)算各神經(jīng)元的輸出；第二階段是對(duì)權(quán)值和閾值進(jìn)行修改，即根據(jù)網(wǎng)絡(luò)誤差從最后一層向前反饋計(jì)算各層權(quán)值和閾值的增減量，來逐層修正各層權(quán)值和閾值。以上正反兩個(gè)階段反復(fù)交替，直到網(wǎng)絡(luò)收斂。具體實(shí)現(xiàn)步驟如下：

(1) 網(wǎng)絡(luò)的初始化：首先對(duì)輸入的學(xué)習(xí)訓(xùn)練樣本進(jìn)行歸一化處理，對(duì)權(quán)值矩陣W和閾值向量賦初值，將網(wǎng)絡(luò)計(jì)數(shù)器和訓(xùn)練次數(shù)計(jì)數(shù)器置為1，網(wǎng)絡(luò)誤差置為0。

(2) 輸入訓(xùn)練樣本，計(jì)算輸入層，隱含層以及輸出層的實(shí)際輸出。

(3) 計(jì)算網(wǎng)絡(luò)輸出誤差。將實(shí)際的輸出和期望的輸出值進(jìn)行對(duì)比，采用均方根誤差指標(biāo)作為網(wǎng)絡(luò)的誤差性能函數(shù)。

(4) 若誤差還沒達(dá)到期望標(biāo)準(zhǔn)，則根據(jù)誤差信號(hào)，逐層調(diào)整權(quán)值矩陣和閾值向量。

(5) 若最終調(diào)整之后的網(wǎng)絡(luò)輸出達(dá)到了誤差范圍之內(nèi)，則進(jìn)行下一組訓(xùn)練樣本繼續(xù)訓(xùn)練網(wǎng)絡(luò)。

(6) 若全部的訓(xùn)練樣本訓(xùn)練完畢，并且達(dá)到了期望的誤差，則訓(xùn)練結(jié)束，輸出最終的網(wǎng)絡(luò)聯(lián)接權(quán)值和閾值。

BP神經(jīng)網(wǎng)絡(luò)可以逼近任意連續(xù)函數(shù)，具有很強(qiáng)的非線性映射能力，而且BP神經(jīng)網(wǎng)絡(luò)中間層數(shù)、各層神經(jīng)元數(shù)及網(wǎng)絡(luò)學(xué)習(xí)速率等參數(shù)均可以根據(jù)具體情況設(shè)定，靈活性較強(qiáng)，所以BP神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域中廣泛應(yīng)用。一般來說，神經(jīng)網(wǎng)絡(luò)方法應(yīng)同傳統(tǒng)的人工智能方法相聯(lián)系的。神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)及性能上的特點(diǎn)使其對(duì)問題的處理更富有彈性，更加穩(wěn)健。神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)是采用自下而上的設(shè)計(jì)思路，使其容易確定具體的目標(biāo)分割或識(shí)別算法，在增加了不確定因素的同時(shí)也產(chǎn)生了網(wǎng)絡(luò)最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實(shí)踐中并非所有的偽狀態(tài)對(duì)應(yīng)完全失敗的結(jié)果，但是畢竟這不符合對(duì)之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經(jīng)網(wǎng)絡(luò)同人工智能結(jié)合起來，相當(dāng)于賦予神經(jīng)網(wǎng)絡(luò)高層指導(dǎo)的知識(shí)及邏輯推理的能力，具有潛在的優(yōu)勢(shì)。

輸入層中間層 輸出層

圖1 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括兩方面內(nèi)容：一是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定，特別是隱含層層數(shù)及隱含層單元數(shù)目的確定；二是高精度收斂問題，隱含層和隱含層單元數(shù)過多，將導(dǎo)致訓(xùn)練時(shí)間過長(zhǎng)并出現(xiàn)過度擬和的問題，隱含層單元數(shù)過少又導(dǎo)致網(wǎng)絡(luò)收斂速度慢甚至不收斂，達(dá)不到誤差精度要求。在確定隱含層層數(shù)以及隱含層單元數(shù)目時(shí)，沒有一個(gè)嚴(yán)格的理論依據(jù)指導(dǎo)，需要根據(jù)特定的問題，結(jié)合經(jīng)驗(yàn)公式確定大致范圍來進(jìn)行逐步試算比較得到。

4.2 數(shù)據(jù)預(yù)處理

為了加快網(wǎng)絡(luò)的訓(xùn)練速度，通常在網(wǎng)絡(luò)訓(xùn)練前進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)預(yù)處理，即將每組數(shù)據(jù)都?xì)w一化變?yōu)閇-1,1]之間的數(shù)值的處理過程。

4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

%當(dāng)前輸入層權(quán)值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show = 1000;%限時(shí)訓(xùn)練迭代過程

net.trainParam.lr = 0.1; %學(xué)習(xí)率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓(xùn)練次數(shù)，缺省為100

net.trainParam.goal = 0.001; %訓(xùn)練要求精度，缺省為0

[net,tr]=train(net,P,T);%調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)

A = sim(net,P) %對(duì) BP 網(wǎng)絡(luò)進(jìn)行仿真

E = T - A;%計(jì)算仿真誤差

MSE=mse(E)

結(jié)束語

BP網(wǎng)絡(luò)因?yàn)榫哂休^強(qiáng)的學(xué)習(xí)性、自適應(yīng)型和容錯(cuò)性，在很多領(lǐng)域均已經(jīng)大量運(yùn)用。本文將BP人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于圖像的識(shí)別，探索人工神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域中的重要的現(xiàn)實(shí)意義。研究表明，BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別在一定程度上提高了識(shí)別的效率和準(zhǔn)確率。但是，BP神經(jīng)網(wǎng)絡(luò)算法還存在以下幾點(diǎn)不足之處：（1）權(quán)的調(diào)整方法存在局限性，容易陷入局部最優(yōu)；（2）網(wǎng)絡(luò)的結(jié)構(gòu)需要提前指定或者在訓(xùn)練過程中不斷的修正；（3）過分依賴學(xué)習(xí)樣本，由于學(xué)習(xí)樣本是有限的或者學(xué)習(xí)樣本質(zhì)量不高，那么會(huì)導(dǎo)致訓(xùn)練達(dá)不到效果；（4）對(duì)于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點(diǎn)、判斷不準(zhǔn)確等缺陷?？傊?，如何解決以上問題，如何進(jìn)一步提高識(shí)別精度，擴(kuò)大識(shí)別范圍，使之更具有更好的工程實(shí)用性，是有待進(jìn)一步研究的內(nèi)容。

參考文獻(xiàn)：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學(xué)工．模式識(shí)別（第二版）[M]．清華大學(xué)出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實(shí)用數(shù)字圖像處理[M]．科學(xué)出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別研究[J]．武漢科技大學(xué)學(xué)報(bào)（自然科學(xué)版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第2版）[M]．北京：中國(guó)科學(xué)技術(shù)出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計(jì)算機(jī)工程與科學(xué)．2005．27（12）．68-71．

[9] 賈花萍．基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法研究[J]．網(wǎng)絡(luò)安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．?dāng)?shù)字圖像處理與分析[M]．清華大學(xué)出版社，北京．2006．7．

人工神經(jīng)網(wǎng)絡(luò)的不足范文第4篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；東盟自由貿(mào)易區(qū)；人才需求預(yù)測(cè)

中圖分類號(hào)：C962 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-723X（2014）04-0083-05

中國(guó)-東盟自由貿(mào)易區(qū)不僅是目前世界上第三大自由貿(mào)易區(qū)，也是由發(fā)展中國(guó)家組成的最大的自由貿(mào)易區(qū)。中國(guó)通過中國(guó)-東盟自由貿(mào)易區(qū)加強(qiáng)了與東盟國(guó)家在各個(gè)領(lǐng)域的合作，中國(guó)的資金、技術(shù)以及人才的流動(dòng)從國(guó)內(nèi)轉(zhuǎn)向國(guó)際，“人才是關(guān)鍵”，這是中國(guó)與東盟國(guó)家已達(dá)成的共識(shí)。同時(shí)，伴隨著東盟自由貿(mào)易區(qū)的快速發(fā)展，東盟自由貿(mào)易區(qū)對(duì)人才需求也將大大增加，人才需求的類型也由原來較為單一的翻譯、經(jīng)貿(mào)以及旅游等方面人才而轉(zhuǎn)向更加多樣化的人才。因此，關(guān)于東盟自由貿(mào)易區(qū)未來人才需求量的預(yù)測(cè)的研究就勢(shì)在必行。作為與東盟國(guó)家臨近的中國(guó)省份，自從中國(guó)-東盟自由貿(mào)易區(qū)建立以來，云南省由一個(gè)中國(guó)邊疆省份成為對(duì)外開放的前沿，云南省也加強(qiáng)了與東盟國(guó)家的合作。隨著東盟國(guó)家對(duì)人才需求量的增加，云南省外向型高級(jí)人才也十分緊缺，云南省與發(fā)達(dá)省區(qū)的差距最為明顯的也是人才上的差距，這是云南面對(duì)種種挑戰(zhàn)中最為嚴(yán)峻的挑戰(zhàn)?；诖?，本文選用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)東盟自由貿(mào)易區(qū)人才需求趨勢(shì)進(jìn)行預(yù)測(cè)，并提出云南省在人才培養(yǎng)中的應(yīng)對(duì)措施，具有一定的理論和現(xiàn)實(shí)意義。

一、相關(guān)研究文獻(xiàn)回顧

人工神經(jīng)網(wǎng)絡(luò)理論是20世紀(jì)80年展起來的一個(gè)前沿研究領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的重要模型之一，拉皮得（Lapedees）等人（1987）首先采用非線性神經(jīng)網(wǎng)絡(luò)對(duì)由計(jì)算機(jī)產(chǎn)生的時(shí)間序列仿真數(shù)據(jù)進(jìn)行了學(xué)習(xí)和預(yù)測(cè)，并將神經(jīng)網(wǎng)絡(luò)引入預(yù)測(cè)工作中。此后，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的應(yīng)用領(lǐng)域逐步擴(kuò)大，被廣泛應(yīng)用于經(jīng)濟(jì)、管理以及工程等領(lǐng)域，取得了很好的預(yù)測(cè)效果[1]（P21）。

國(guó)內(nèi)相關(guān)學(xué)者運(yùn)用神經(jīng)網(wǎng)絡(luò)理論進(jìn)行了大量的研究。常引（2008年）運(yùn)用BP神經(jīng)網(wǎng)絡(luò)理論，找出影響農(nóng)民收入的主要因素，建立了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，在此基礎(chǔ)上以陜西省歷年農(nóng)民收入數(shù)據(jù)為實(shí)例樣本，對(duì)陜西省農(nóng)民收入進(jìn)行預(yù)測(cè)[2]（P3）；何永貴等（2005）分別使用多元線性回歸、灰色相關(guān)方法和神經(jīng)網(wǎng)絡(luò)方法對(duì)某供電企業(yè)的人力資源需求進(jìn)行預(yù)測(cè)，在此基礎(chǔ)上將三種預(yù)測(cè)結(jié)果進(jìn)行誤差分析和比較，最后確定神經(jīng)網(wǎng)絡(luò)方法為比較理想的預(yù)測(cè)方法，該方法可以作為較好預(yù)測(cè)供電公司人力資源需求[3]（P80）；鄒子建（2010）運(yùn)用 BP 神經(jīng)網(wǎng)絡(luò)理論，結(jié)合衡水市歷年經(jīng)濟(jì)總量數(shù)據(jù)，構(gòu)造出區(qū)域經(jīng)濟(jì)預(yù)測(cè)模型，在此基礎(chǔ)上借助MATLAB軟件，對(duì)衡水市未來經(jīng)濟(jì)總量進(jìn)行預(yù)測(cè)。本文作者對(duì)預(yù)測(cè)值和實(shí)際值進(jìn)行了比較分析，證明BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)經(jīng)濟(jì)總量預(yù)測(cè)具有較高的預(yù)測(cè)精度。因此，BP神經(jīng)網(wǎng)絡(luò)方法可以廣泛運(yùn)用到對(duì)某一區(qū)域的經(jīng)濟(jì)預(yù)測(cè)中[4]（P3）。

綜上所述，基于BP人工神經(jīng)網(wǎng)絡(luò)理論的預(yù)測(cè)方法已經(jīng)比較成熟，利BP人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用的領(lǐng)域也越來越廣泛。但是到目前為止，尚未發(fā)現(xiàn)將BP人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于東盟自由區(qū)人才需求量預(yù)測(cè)方面的研究成果。本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)東盟自由貿(mào)易區(qū)的人才需求量進(jìn)行預(yù)測(cè)，在此基礎(chǔ)上提出云南省的應(yīng)對(duì)措施，以期對(duì)相關(guān)部門的決策提供理論支持。

二、基于BP人工神經(jīng)網(wǎng)絡(luò)模型的

東盟自由貿(mào)易區(qū)人才需求趨勢(shì)

預(yù)測(cè)過程及結(jié)果 BP人工神經(jīng)網(wǎng)絡(luò)（Back Propagation Artificial Neural Network）也被稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，BP人工神經(jīng)網(wǎng)絡(luò)大量應(yīng)用于經(jīng)濟(jì)管理、優(yōu)化控制以及趨勢(shì)預(yù)測(cè)等方面。從結(jié)構(gòu)上講，BP人工神經(jīng)網(wǎng)絡(luò)具有輸入層、隱含層和輸出層三層結(jié)構(gòu)，同一層單元之間不存在相互連接，層與層之間多采用全連接的方式[5]（P38）。我們運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)東盟自由貿(mào)易區(qū)人才需求量進(jìn)行預(yù)測(cè)如下：

（一）樣本數(shù)據(jù)的選取和處理

首先，需要對(duì)東盟自由貿(mào)易區(qū)人才需求進(jìn)行量化分析。因?yàn)槭芙y(tǒng)計(jì)資料的限制，我們難以從統(tǒng)計(jì)資料中查找到歷年東盟自由貿(mào)易區(qū)人才需求量數(shù)據(jù) ，但是從東盟統(tǒng)計(jì)年鑒2011年中可以查找到歷年東盟自由貿(mào)易區(qū)勞動(dòng)力總數(shù)數(shù)據(jù)。我們可以將東盟自由貿(mào)易區(qū)勞動(dòng)力總數(shù)的10%作為東盟自由貿(mào)易區(qū)人才需求量數(shù)據(jù)，這種替代方法也是具有一定道理的。

其次，需要對(duì)東盟自由貿(mào)易區(qū)人才需求量的影響因素進(jìn)行分析。應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)東盟自由貿(mào)易區(qū)人才需求量趨勢(shì)進(jìn)行預(yù)測(cè)，需要找出東盟自由貿(mào)易區(qū)人才需求量的影響因素，這是至關(guān)重要的。目前學(xué)術(shù)界普遍認(rèn)為，東盟自由貿(mào)易區(qū)比較緊缺的人才是外語人才、經(jīng)貿(mào)人才、法律人才、文化人才以及宗教人才。而這些人才的緊缺是與東盟自由貿(mào)易區(qū)經(jīng)濟(jì)快速發(fā)展、進(jìn)出口貿(mào)易總額快速增長(zhǎng)、吸引外資量和吸引旅游者人數(shù)大大增加有著較為密切的關(guān)系。因此，我們將東盟自由貿(mào)易區(qū)人才需求量的影響因素定為人均GDP、吸引FDI量、吸引旅游者人數(shù)和進(jìn)出口貿(mào)易總額。這些指標(biāo)數(shù)據(jù)也可以從東盟統(tǒng)計(jì)年鑒2011年中查找到（如表1所示）。

最后，通過各解釋變量的時(shí)間序列模型預(yù)測(cè)出各解釋變量2011～2020年的數(shù)年。人才需求預(yù)測(cè)各解釋變量的時(shí)間序列模型，包括人均GDP時(shí)間序列模型、吸引FDI量時(shí)間序列模型、吸引旅游者人數(shù)時(shí)間序列模型以及進(jìn)出口貿(mào)易總額時(shí)間序列模型。通過對(duì)這些時(shí)間序列模型進(jìn)行研究，可以對(duì)未來東盟的人才需求量進(jìn)行簡(jiǎn)單的總結(jié)歸納。根據(jù)2000年～2010年的時(shí)間序列數(shù)據(jù)，運(yùn)用普通最小二乘法（OLS），并利用EViews軟件可得各時(shí)間序列模型的表達(dá)式如下：

其中，Xt表示各時(shí)間序列模型的被解釋變量（i=2000，2001，…2010），t表示年份數(shù)（t=1，2，…，10），Ut表示隨機(jī)誤差項(xiàng)。

上述模型就是利用EViews軟件得出的人才需求預(yù)測(cè)解釋變量時(shí)間序列模型，將上述模型的自變量即（2011～2020年）代入上述模型，可得東盟自由貿(mào)易區(qū)人均GDP、吸引FDI量、吸引旅游者人數(shù)以及進(jìn)出口貿(mào)易總額在2011～2020年的大體數(shù)據(jù)（如表2所示）?？紤]到這些評(píng)價(jià)指標(biāo)數(shù)據(jù)的量綱和數(shù)量級(jí)不一致，如果直接用這些數(shù)據(jù)進(jìn)行計(jì)量分析，BP神經(jīng)網(wǎng)絡(luò)難以做出有效判斷，因此，需要對(duì)這些數(shù)據(jù)進(jìn)行無量綱化處理（無量綱化處理后的數(shù)據(jù)略）。

（二）基于BP人工神經(jīng)網(wǎng)絡(luò)模型的東盟自由貿(mào)易區(qū)人才需求趨勢(shì)預(yù)測(cè)過程

在建立模型過程中，我們確定將2000～2010年影響東盟自由貿(mào)易區(qū)人才需求量四個(gè)因素?cái)?shù)據(jù)作為輸入變量，將2000～2010年東盟自由貿(mào)易區(qū)人才需求量數(shù)據(jù)作為輸出數(shù)據(jù)。在此基礎(chǔ)上，要把樣本分為訓(xùn)練樣本和測(cè)試樣本兩部分。我們將2000～2009年東盟自由貿(mào)易區(qū)人才需求量數(shù)據(jù)作為訓(xùn)練樣本，將2010年東盟自由貿(mào)易區(qū)人才需求量數(shù)據(jù)作為測(cè)試樣本，用2000～2009年東盟自由貿(mào)易區(qū)人才需求量數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在這里我們假定2010年東盟自由貿(mào)易區(qū)人才需求量數(shù)據(jù)是未知的，然后將2010年東盟自由貿(mào)易區(qū)人才需求量影響因素輸入到我們訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型中，得到預(yù)測(cè)值，再來看一下預(yù)測(cè)值跟實(shí)際值之間是否能達(dá)到預(yù)期的誤差范圍之內(nèi)。

我們建立一個(gè)輸入層（包括四個(gè)輸入變量）、一個(gè)隱含層、一個(gè)輸出層（包括一個(gè)輸入變量）的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱含層的節(jié)點(diǎn)數(shù)（神經(jīng)元數(shù)目）方面，如果隱含層節(jié)點(diǎn)數(shù)過少，網(wǎng)絡(luò)很難識(shí)別樣本，網(wǎng)絡(luò)的容錯(cuò)性差，導(dǎo)致網(wǎng)絡(luò)預(yù)測(cè)能力下降。如果隱含層節(jié)點(diǎn)數(shù)過多，則會(huì)增加網(wǎng)絡(luò)的迭代次數(shù)，從而延長(zhǎng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，也會(huì)導(dǎo)致網(wǎng)絡(luò)預(yù)測(cè)能力下降。在具體設(shè)計(jì)時(shí)， 首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層節(jié)點(diǎn)數(shù)， 然后通過對(duì)不同隱含層節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比， 再最終確定隱含層節(jié)點(diǎn)數(shù)。通用的隱含層隱含層的確定經(jīng)驗(yàn)公式有：

（三）基于BP人工神經(jīng)網(wǎng)絡(luò)模型的東盟自由貿(mào)易區(qū)人才需求趨勢(shì)預(yù)測(cè)結(jié)果

運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)東盟自由貿(mào)易區(qū)人才需求趨勢(shì)進(jìn)行預(yù)測(cè)是一個(gè)多次訓(xùn)練過程，經(jīng)過多次訓(xùn)練，終于得到訓(xùn)練好的BP人工神經(jīng)網(wǎng)絡(luò)，BP人工神經(jīng)網(wǎng)絡(luò)經(jīng)過兩步后收斂。運(yùn)用訓(xùn)練好的BP人工神經(jīng)網(wǎng)絡(luò)可以得到2010年東盟自由貿(mào)易區(qū)人才需求量為1.216，與真實(shí)值（1.222）的偏離程度是（-0.5%），差距已經(jīng)非常小了，可以較好預(yù)測(cè)2011～2020年東盟自由貿(mào)易區(qū)人才需求量。我們運(yùn)用訓(xùn)練好的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)2011～2020年東盟自由貿(mào)易區(qū)人才需求量分別為：1.245、1.336、1.372、1.391、1.409、1.434、1.471、1.508、1.540、1.565。將這些數(shù)據(jù)還原后得到2011～2020年東盟自由貿(mào)易區(qū)人才需求量真實(shí)數(shù)據(jù)為：2661.773萬人、2856.328萬人、2933.295萬人、2973.916萬人、30124萬人、3065.849萬人、3144.954萬人、3224.059萬人、3292.474萬人、3345.923萬人。

三、基于BP人工神經(jīng)網(wǎng)絡(luò)模型

預(yù)測(cè)結(jié)果的云南省人才培養(yǎng)

存在問題及應(yīng)對(duì)措施 本文運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)東盟自由貿(mào)易區(qū)的人才需求量進(jìn)行預(yù)測(cè)，經(jīng)過分析可以得出2020年東盟自由貿(mào)易區(qū)人才需求量達(dá)到3345.923萬人，是2000年東盟自由貿(mào)易區(qū)人才需求量的1.56倍。隨著中國(guó)與東盟諸國(guó)全方位、多層次、寬領(lǐng)域的合作與交往的日益增多，今后面向東盟的人才需求是大量的。沒有各方面人才資源的支持，我們將會(huì)喪失很多的機(jī)遇。誰擁有人才，誰就會(huì)占有先機(jī)，并擁有廣闊的發(fā)展空間，因此，中國(guó)應(yīng)該制定好相應(yīng)的人才應(yīng)對(duì)措施。由于地緣關(guān)系，中國(guó)面向東盟自由貿(mào)易區(qū)的人才培養(yǎng)較積極的主要在西南一些省區(qū)，而這些省區(qū)工業(yè)基礎(chǔ)相對(duì)薄弱，經(jīng)濟(jì)和教育發(fā)展水平不如東部省份。以云南省區(qū)為例，云南省經(jīng)濟(jì)不夠發(fā)達(dá)，人才培養(yǎng)方面普遍存在著人才總量不足、人才結(jié)構(gòu)不合理、高層次人才復(fù)合型人才不多以及人才流失嚴(yán)重等問題。此外，云南省雖然與東盟諸國(guó)是近鄰，但過去對(duì)東盟諸國(guó)的研究并不多，這方面的人才儲(chǔ)備也不足。盡管國(guó)家在政策上給予支持，但云南省現(xiàn)有人才總量以及結(jié)構(gòu)不能適應(yīng)中國(guó)與東盟各國(guó)在自由貿(mào)易區(qū)的經(jīng)濟(jì)交流和擴(kuò)大經(jīng)貿(mào)往來的需要。我們認(rèn)為，為進(jìn)一步應(yīng)對(duì)東盟自由貿(mào)易區(qū)對(duì)人才的需求，以下幾條措施可供參考：

（一）加快專業(yè)課程調(diào)整的步伐

如前所述，伴隨著東盟自由貿(mào)易區(qū)的快速發(fā)展，東盟自由貿(mào)易區(qū)對(duì)人才需求的類型由原來較為單一的翻譯、經(jīng)貿(mào)以及旅游等方面人才而轉(zhuǎn)向更加多樣化的人才。因此云南省應(yīng)該加快專業(yè)課程調(diào)整，以應(yīng)對(duì)新形勢(shì)下東盟自由貿(mào)易區(qū)對(duì)人才的需求。專業(yè)調(diào)整方面，云南省一些高校應(yīng)該增加諸如：小語種、國(guó)際經(jīng)濟(jì)與貿(mào)易、國(guó)際文化交流、國(guó)際經(jīng)濟(jì)法、商貿(mào)外語、旅游管理以及宗教學(xué)等專業(yè)，已經(jīng)設(shè)置這些專業(yè)的高校應(yīng)該擴(kuò)大招生規(guī)模。課程調(diào)整方面，可以向法律專業(yè)的學(xué)生設(shè)置經(jīng)濟(jì)類課程；可以向英語類專業(yè)的學(xué)生設(shè)置小語種類課程、經(jīng)濟(jì)管理類課程或者旅游管理類課程；可以向經(jīng)濟(jì)管理類的學(xué)生設(shè)置旅游管理類課程、小語種類課程或者國(guó)際法課程；可以向其他專業(yè)的學(xué)生設(shè)置小語種類課程、經(jīng)濟(jì)管理類課程、國(guó)際關(guān)系類課程、國(guó)際政治類課程、宗教類課程或者旅游管理類課程等等。

（二）加強(qiáng)開展與東盟國(guó)家的教育合作

本文預(yù)測(cè)結(jié)果表明，2020年東盟自由貿(mào)易區(qū)人才需求量達(dá)到3345.923萬人，是2000年東盟自由貿(mào)易區(qū)人才需求量的1.56倍。因此，為了應(yīng)對(duì)東盟自由貿(mào)易區(qū)人才需求量快速增加的勢(shì)頭，應(yīng)該實(shí)施走出去請(qǐng)進(jìn)來的教育合作方式，構(gòu)筑中國(guó)與東盟國(guó)家教育交流與合作的平臺(tái)，廣泛開展云南與東盟國(guó)家教育合作。首先，要擴(kuò)大留學(xué)生引進(jìn)規(guī)模。云南省各高校應(yīng)突出各自的學(xué)科專業(yè)優(yōu)勢(shì)，整合校際教育資源，通過多種形式的獎(jiǎng)學(xué)金和國(guó)際通行的獎(jiǎng)學(xué)金管理辦法吸引東盟國(guó)家的留學(xué)生，尤其應(yīng)向緬甸、柬埔寨和老撾等教育比較落后的國(guó)家提供政府獎(jiǎng)學(xué)金，并且歡迎這些國(guó)家自費(fèi)留學(xué)生到我國(guó)學(xué)習(xí)深造；其次，要擴(kuò)大留學(xué)生輸出規(guī)模。鼓勵(lì)和支持國(guó)內(nèi)學(xué)生到東盟國(guó)家尤其是新加坡和泰國(guó)等高等教育比較發(fā)達(dá)的國(guó)家留學(xué)，當(dāng)前要加快培養(yǎng)中國(guó)-東盟自由貿(mào)易區(qū)建設(shè)所需的大量外語人才、科技人才、經(jīng)貿(mào)人才，特別是熟悉東盟各國(guó)國(guó)情、語言以及國(guó)際經(jīng)貿(mào)知識(shí)的復(fù)合型人才；最后，要完善學(xué)位制度。在學(xué)位、學(xué)分、證書相互承認(rèn)方面制定若干辦法，提高留學(xué)生學(xué)歷以及學(xué)位教育水平和層次[7]（P38）。

（三）實(shí)施人才質(zhì)量認(rèn)證國(guó)際化戰(zhàn)略

針對(duì)東盟自由貿(mào)易區(qū)人才需求量增加及需求類型多元化的情況下，實(shí)施人才質(zhì)量認(rèn)證國(guó)際化戰(zhàn)略勢(shì)在必行。國(guó)際型人才的培養(yǎng)，畢業(yè)生質(zhì)量需要得到各國(guó)認(rèn)可，只有實(shí)施人才質(zhì)量認(rèn)證國(guó)際化戰(zhàn)略，才能使畢業(yè)生在他國(guó)就業(yè)暢通無阻。目前ISO系列標(biāo)準(zhǔn)已經(jīng)成為各國(guó)普遍承認(rèn)的國(guó)際標(biāo)準(zhǔn)，一些國(guó)家的教育機(jī)構(gòu)對(duì)他國(guó)畢業(yè)生質(zhì)量的認(rèn)定都采取ISO9000系列標(biāo)準(zhǔn)。云南省高等教育管理并沒有完全跳出單一、僵化以及封閉的模式，如果云南省高等教育管理和質(zhì)量評(píng)價(jià)不能與國(guó)際接軌， 其培養(yǎng)的畢業(yè)生就難以得到國(guó)際認(rèn)可，在國(guó)際交流與合作中將難以取得主動(dòng)。如果將ISO9000系列標(biāo)準(zhǔn)廣泛應(yīng)用于云南省高等教育管理，云南省高等教育的質(zhì)量就會(huì)得到明顯提高。目前國(guó)內(nèi)許多高校都引入ISO9000質(zhì)量標(biāo)準(zhǔn)體系，引入ISO9000質(zhì)量標(biāo)準(zhǔn)體系，也是云南省高校與國(guó)際社會(huì)接軌的一個(gè)途徑，能夠明顯改變目前云南省教學(xué)管理模式中存在的種種弊病，能夠明顯提高云南省高校教學(xué)管理水平，能夠明顯提高云南省高校培養(yǎng)人才的國(guó)際競(jìng)爭(zhēng)能力。

（四）營(yíng)造有利于國(guó)際型人才成長(zhǎng)的環(huán)境

為了應(yīng)對(duì)新形勢(shì)下東盟自由貿(mào)易區(qū)對(duì)人才的需求，除了以上措施以外，營(yíng)造有利于國(guó)際型人才成長(zhǎng)的環(huán)境也是必不可少的。人才的成長(zhǎng)需要一定的環(huán)境條件，培養(yǎng)國(guó)際型人才就需要運(yùn)用國(guó)際國(guó)內(nèi)兩種資源，營(yíng)造有利于國(guó)際型人才成長(zhǎng)的環(huán)境。我們認(rèn)為，首先應(yīng)該舉辦和承辦國(guó)際性學(xué)術(shù)會(huì)議，邀請(qǐng)國(guó)際學(xué)術(shù)界知名人士做學(xué)術(shù)報(bào)告，給廣大教師與學(xué)生提供一個(gè)學(xué)習(xí)與交流的機(jī)會(huì)；其次應(yīng)該組織教師與學(xué)生到東盟國(guó)家講學(xué)、考察、參觀以及實(shí)習(xí)等，通過這些活動(dòng)親身體驗(yàn)東盟國(guó)家的風(fēng)土人情，并且學(xué)會(huì)國(guó)際交往的知識(shí)；最后應(yīng)該在一些高校成立“中國(guó)-東盟自由貿(mào)易區(qū)研究所”“東盟研究所”以及“東盟研究院”等國(guó)際性和區(qū)域性研究機(jī)構(gòu)，積極開展東盟問題的研究[8]29。

[參考文獻(xiàn)][1]Lapedees.A.Farber.， Genetic Data Base Analysis with Neural Networks[J]， Neural Information Processing System-Nature and Synthetic，2002 （10），IEEE，1987.

[2]常引.基于BP人工神經(jīng)網(wǎng)絡(luò)的陜西省農(nóng)民預(yù)測(cè)研究[D].西安：西北農(nóng)林科技大學(xué)，2008.

[3]何永貴， 韓月娥，楊實(shí)俊，等.人力資源需求預(yù)測(cè)模型的優(yōu)選[J].華北電力大學(xué)學(xué)報(bào)，2005，（6）.

[4]鄒子建， 基于BP神經(jīng)網(wǎng)絡(luò)的衡水市經(jīng)濟(jì)預(yù)測(cè)研究[D].西安：西北農(nóng)林科技大學(xué)，2010，（5）.

[5]傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].成都：機(jī)械工業(yè)出版社，2010.

[6]焦淑華，夏冰，徐海靜，等.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MATLAB實(shí)現(xiàn)[J].哈爾濱金融高等?？茖W(xué)校學(xué)報(bào)，2009，（3）.

[7]楊行玉.中國(guó)與東盟國(guó)家高等教育合作及發(fā)展對(duì)策[J].東南亞縱橫，2012，（7）.

[8]莫光政，適應(yīng)中國(guó)-東盟自由貿(mào)易區(qū)發(fā)展需要的國(guó)際型人才培養(yǎng)的戰(zhàn)略構(gòu)想[J].東南亞縱橫，2007，（9）.

The Forecast of Talent Demand Trend of the ASEAN Free Trade

Area based on BP Artificial Neural Network Model

――On the countermeasure of Yunnan Province Concurrently

YANG Jun-sheng1， XUE Yong-jun2

（1. Business School， Yunnan Normal University， Kunming， 650106， Yunnan， China；

2. School of Economics and Management， Yunnan Normal University， Kunming， 650500， Yunnan， China）

人工神經(jīng)網(wǎng)絡(luò)的不足范文第5篇

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 手寫 識(shí)別系統(tǒng) 應(yīng)用

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，其在人們的辦公學(xué)習(xí)和日常生活成了不可替代的工具。鍵盤已經(jīng)幾乎完全替代了筆在人們生活中的地位，隨之而來的后果就是人們?cè)絹碓缴俚膮^(qū)書寫漢字，導(dǎo)致越來越多的中國(guó)人甚至都忘記了漢字該如何書寫，這種現(xiàn)象在很多研究和報(bào)道中都有體現(xiàn)。計(jì)算機(jī)和鍵盤是由西方國(guó)家發(fā)明的，其符合西方國(guó)家的語言習(xí)慣，對(duì)于中國(guó)人來說，用字母、符號(hào)去完成方塊漢字的輸入就需要使用者非常熟悉漢語拼音或者五筆編碼，對(duì)于文化程度較低的使用者來說，這些都限制著他們使用計(jì)算機(jī)。鑒于計(jì)算機(jī)鍵盤的這些缺陷，聯(lián)機(jī)手寫輸入法應(yīng)運(yùn)而生，這為計(jì)算機(jī)的輸入帶來了新的發(fā)展機(jī)遇和挑戰(zhàn)。

1 聯(lián)機(jī)漢字手寫識(shí)別的意義及難點(diǎn)

聯(lián)機(jī)漢字識(shí)別是用書寫板代替?zhèn)鹘y(tǒng)紙張，筆尖通過數(shù)字化書寫板的軌跡通過采樣系統(tǒng)按時(shí)間先后發(fā)送到計(jì)算機(jī)中，計(jì)算機(jī)則自動(dòng)的完成漢字的識(shí)別和顯示。

1.1 聯(lián)機(jī)漢字手寫識(shí)別的意義

聯(lián)機(jī)手寫漢字識(shí)別的誕生具有非常重要的意義。首先這種輸入方法延續(xù)了幾千年中華文明的寫字習(xí)慣，實(shí)現(xiàn)用戶的手寫輸入，對(duì)于長(zhǎng)時(shí)間不提筆寫字的用戶來說能夠加強(qiáng)其對(duì)漢字書寫方面的認(rèn)識(shí)，防止“提筆忘字”現(xiàn)象的繼續(xù)惡化。其次，手寫漢字輸入不需要學(xué)習(xí)和記憶計(jì)算機(jī)的漢字編碼規(guī)則，其完全符合中國(guó)人的寫字習(xí)慣，使人機(jī)之間的交流更人性化，更方便快捷。另外，隨著移動(dòng)智能終端的不斷普及，聯(lián)機(jī)漢字手寫識(shí)別的應(yīng)用范圍將進(jìn)一步擴(kuò)大，以適用于不同層次人群對(duì)信息輸入的需要，具有較大的市場(chǎng)發(fā)展前景。

1.2 聯(lián)機(jī)手寫漢字識(shí)別問題的難點(diǎn)

手寫漢字識(shí)別是光學(xué)字符讀出器中最難的部分，也是其最終的目標(biāo)，手寫漢字識(shí)別的應(yīng)用主要依賴于其正確識(shí)別率和識(shí)別速度[1]。手寫漢字識(shí)別系統(tǒng)的問題具有其特殊性：

（1）中國(guó)漢字量大。我國(guó)目前的常用漢字大概在4000個(gè)左右，在實(shí)際應(yīng)用中的漢字識(shí)別系統(tǒng)應(yīng)該能夠完全識(shí)別這些常用的字才能夠滿足需要，由于超大的漢字量，使得手寫識(shí)別的正確率和識(shí)別速度一直不高。

（2）字體多，結(jié)構(gòu)復(fù)雜。漢字的手寫字體豐富多彩，且漢字的筆畫繁多，以及復(fù)雜的結(jié)構(gòu)，再加上漢字中的形近字頗多，這些都為漢字識(shí)別系統(tǒng)的發(fā)展造成了很大的困難。

（3）書寫變化大。不同用戶在進(jìn)行手寫輸入時(shí)其字體的變化是很大的，這種變化因人而異，對(duì)漢字識(shí)別造成了很大的干擾，增加了漢字匹配的難度。

2 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是一種應(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，通常簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，是一種仿生物神經(jīng)的信號(hào)處理模型。在二十世紀(jì)四十年代初人們開始進(jìn)行神經(jīng)網(wǎng)絡(luò)的研究，經(jīng)過幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)也產(chǎn)生了一系列的突破，目前應(yīng)用最多的是Hopfield模型和BP算法。

神經(jīng)網(wǎng)絡(luò)的一般模型一般包括十個(gè)方面：環(huán)境、處理單元、傳播規(guī)則、神經(jīng)網(wǎng)絡(luò)的狀態(tài)、互聯(lián)模式、穩(wěn)定狀態(tài)、操作模式、活躍規(guī)則、活化函數(shù)和學(xué)習(xí)算法。其中，神經(jīng)元、互聯(lián)模式、學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)模型中的三個(gè)關(guān)鍵因素。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要內(nèi)容就是學(xué)習(xí)，其學(xué)習(xí)方式可以分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，其學(xué)習(xí)過程一般遵循Hebb規(guī)則，誤差修正學(xué)習(xí)算法以及勝者為王的學(xué)習(xí)規(guī)則，其中Hebb規(guī)則是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中最基本的規(guī)則。

人工神經(jīng)網(wǎng)絡(luò)具有獨(dú)特的優(yōu)越性。首先其具有主動(dòng)學(xué)習(xí)的功能，在漢字識(shí)別過程中，先將漢字模板及可能的識(shí)別結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)能夠通過其自身的學(xué)習(xí)過程來實(shí)現(xiàn)對(duì)漢字的識(shí)別，自學(xué)功能對(duì)于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)功能具有非常重要的意義。其次，神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有聯(lián)想存儲(chǔ)功能，其反饋功能能夠?qū)崿F(xiàn)這種聯(lián)想。另外，通過計(jì)算機(jī)的高速運(yùn)算能力，神經(jīng)網(wǎng)絡(luò)具有高速尋找優(yōu)化解的能力。

3 人工神經(jīng)網(wǎng)絡(luò)在聯(lián)機(jī)手寫識(shí)別系統(tǒng)中的應(yīng)用

漢字識(shí)別屬于大類別模式識(shí)別，人工神經(jīng)網(wǎng)絡(luò)可以通過函數(shù)逼近、數(shù)據(jù)分類、數(shù)據(jù)聚類三種作用方式以及“聯(lián)想”的特殊模式對(duì)漢字進(jìn)行識(shí)別。Hopfield神經(jīng)網(wǎng)絡(luò)作為反饋網(wǎng)絡(luò)的一種，其自聯(lián)想記憶網(wǎng)絡(luò)可以使系統(tǒng)不需要通過大量的訓(xùn)練即可對(duì)漢字進(jìn)行識(shí)別，因此Hopfield神經(jīng)網(wǎng)絡(luò)對(duì)于漢字識(shí)別來說具有獨(dú)特的優(yōu)勢(shì)。其中的離散型Hopfield神經(jīng)網(wǎng)絡(luò)能夠通過串行異步和并行同步的工作方式，使其反饋過程具有非常好的穩(wěn)定性，而網(wǎng)絡(luò)只有通過不斷的演變穩(wěn)定在某一吸引子狀態(tài)時(shí)，才能夠?qū)崿F(xiàn)正確的聯(lián)想。

聯(lián)機(jī)手寫識(shí)別可以分為訓(xùn)練階段和識(shí)別階段。訓(xùn)練階段流程依次為：標(biāo)準(zhǔn)書寫字符圖像預(yù)處理，提取特征并建立特征庫，建立Hopfield網(wǎng)絡(luò)模型，訓(xùn)練網(wǎng)絡(luò)，保存權(quán)值。識(shí)別階段的流程為：坐標(biāo)序列轉(zhuǎn)化為bmp圖像，預(yù)處理測(cè)試樣本，提取特征，送入網(wǎng)絡(luò)運(yùn)行，運(yùn)行網(wǎng)絡(luò)到平衡狀態(tài)，分析結(jié)果值。根據(jù)聯(lián)機(jī)手寫識(shí)別的工作流程以及Hopfield網(wǎng)絡(luò)模型的理論，基于Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識(shí)別系統(tǒng)在Matlab環(huán)境下得到了仿真模擬，效果非常理想。

4 總結(jié)

手寫識(shí)別系統(tǒng)能夠彌補(bǔ)普通鍵盤的不足，在提高漢字書寫頻率的同時(shí)，能夠滿足不同層次人群對(duì)計(jì)算機(jī)應(yīng)用的技術(shù)需要?；贖opfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識(shí)別系統(tǒng)一起自身獨(dú)特的性能，不僅能夠滿足手寫漢字識(shí)別的正確率，而且其識(shí)別過程速度非?？臁Ｒ虼怂鼘?duì)于實(shí)現(xiàn)聯(lián)機(jī)手寫識(shí)別以及圖像識(shí)別具有非常重要的意義。

參考文獻(xiàn)

[1]俞慶英.聯(lián)機(jī)手寫漢字識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].安徽大學(xué)，2005（5）.

[2]郭力賓.交叉點(diǎn)的神經(jīng)網(wǎng)絡(luò)識(shí)別及聯(lián)機(jī)手寫字符的概率神經(jīng)網(wǎng)絡(luò)識(shí)別初探[D].大連理工大學(xué)，2003（03）.

[3]趙蓉.基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D].西安電子科技大學(xué)，2011（01）.

作者簡(jiǎn)介

周珍娟（1979-）， 女，江西撫州人。計(jì)算機(jī)專業(yè)碩士?，F(xiàn)為江蘇城市職業(yè)學(xué)院講師。主要研究方向?yàn)榫W(wǎng)絡(luò)安全，模式識(shí)別。