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)的魯棒性范文，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)的魯棒性范文第1篇

關(guān)鍵詞：星圖識別；構(gòu)建識別特征星庫；GRNN網(wǎng)絡(luò)

星敏感器是衛(wèi)星中最精確的姿態(tài)傳感器。隨著光電技術(shù)的發(fā)展，星敏感器在航天器上的應(yīng)用前景十分廣闊。利用神經(jīng)網(wǎng)絡(luò)在星圖識別方面具有良好的效果，但由于訓(xùn)練效率低，難以實(shí)現(xiàn)星敏感器的在線應(yīng)用。本文將廣義回歸神經(jīng)網(wǎng)絡(luò)應(yīng)用于星圖識別過程中，在大視場條件下，通過構(gòu)建特征矢量作為網(wǎng)絡(luò)輸入，實(shí)驗(yàn)結(jié)果表明，該方法準(zhǔn)確率較高且識別時(shí)間較短。

1星敏感器原理

星敏感器是對恒星進(jìn)行觀察和分析，通過提取拍攝視場中恒星的信息與數(shù)據(jù)庫進(jìn)行比較來定位局部范圍的高精度姿態(tài)測量設(shè)備[1]。星敏感器的工作流程圖如圖1所示。利用基本星表提取出赤經(jīng)、赤緯和星等信息，并根據(jù)提取的信息進(jìn)行導(dǎo)航星庫的構(gòu)建。導(dǎo)航星庫由兩個(gè)部分組成，即基本信息庫和識別特征庫，兩者具有一一對應(yīng)的關(guān)系。基于星敏感器實(shí)際拍攝星圖的困難性[2]，使用加入噪聲的模擬星圖進(jìn)行替代。對獲取的星圖需要進(jìn)行去噪和圖像處理，即星圖預(yù)處理。經(jīng)處理后的星圖中，觀測星特征矢量的構(gòu)建方法與導(dǎo)航星庫中識別特征庫的構(gòu)建方法相同。識別特征庫中的特征矢量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集輸入數(shù)據(jù)，輸出為對應(yīng)導(dǎo)航星的赤經(jīng)和赤緯，即導(dǎo)航星的特征信息包含在連接權(quán)值中。故向神經(jīng)網(wǎng)絡(luò)輸入觀測星特征矢量時(shí)，無需多次迭代即可直接輸出對應(yīng)的赤經(jīng)、赤緯。

2導(dǎo)航星庫的構(gòu)造

2.1識別特征星庫的構(gòu)建

圖2是利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)造特征矢量[3]的方法。具體實(shí)現(xiàn)方法如下：（1）選取視場中亮度最大的8顆星，其中最亮的星為導(dǎo)航星G1，距離G1最近的星為導(dǎo)航星G2。若最亮的星有多顆，則選擇離視場中心最近的星為G1；（2）以G1G2的連線作為基線，計(jì)算其余觀測星與導(dǎo)航星G1的連線與基線的逆時(shí)針夾角，并按照夾角值由小到大命名剩余6顆觀測星G3~G8；（3）計(jì)算導(dǎo)航星G1到G2~G8的距離17r~r；（4）對于整個(gè)視場，可以得到由7個(gè)距離值r和6個(gè)夾角余弦值構(gòu)的特征矢量：

2.2驗(yàn)證集的獲取

以赤道為起點(diǎn)并根據(jù)赤道上(10°，10°)對應(yīng)的空間立體角進(jìn)行劃分，示意圖見圖3。在保證赤緯β=10°的基礎(chǔ)上，利用式2計(jì)算赤經(jīng)αn的變化值，將天球分為n個(gè)子塊，其中南北兩極處為球冠，其余部分為球面環(huán)帶。本文利用空間立體角法將天球分為386個(gè)子塊，在每個(gè)子塊中隨機(jī)抽取1顆星，并利用該星對應(yīng)的基本信息獲得其特征矢量。

3神經(jīng)網(wǎng)絡(luò)與星圖識別

神經(jīng)網(wǎng)絡(luò)進(jìn)行星圖識別屬于模式識別方法，識別的目的是獲得一個(gè)映射f,使b=f(a)，其中，a為輸入星模式，b為對應(yīng)的星信息。神經(jīng)網(wǎng)絡(luò)的輸入為特征矢量，輸出為對應(yīng)的赤經(jīng)和赤緯。在神經(jīng)網(wǎng)絡(luò)的輸入值為x1，x2，...，xn時(shí)，預(yù)測輸出值為y1，y2，...，ym，ωij和ωjk為神經(jīng)網(wǎng)絡(luò)權(quán)值；設(shè)隱含層閾值參數(shù)α，則在隱含層的輸出為利用輸出閾值參數(shù)b來計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測輸出Ok（k=1,2,...,m），并根據(jù)期望輸出值Tk確定預(yù)測誤差ek。

4實(shí)驗(yàn)結(jié)果

4.1星圖模擬

本文中為了簡化計(jì)算，將二維高斯模型的x和y方向的標(biāo)準(zhǔn)偏差取為1，并將相關(guān)系數(shù)取0，以獲得高斯模型式中，(x0,y0)為中心點(diǎn)坐標(biāo)，星點(diǎn)像素最大灰度值I0利用敏感星等對應(yīng)的最大灰度值g0與恒星星等m求得。

4.2神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

神經(jīng)網(wǎng)絡(luò)基于MATLAB平臺構(gòu)建，為驗(yàn)證廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN在星圖識別中的優(yōu)越性，測試了不同神經(jīng)網(wǎng)絡(luò)在星圖識別中的性能，并將BP神經(jīng)網(wǎng)絡(luò)與GRNN網(wǎng)絡(luò)進(jìn)行性能對比。將導(dǎo)航星特征向量輸入，其赤經(jīng)、赤緯坐標(biāo)作為輸出進(jìn)行訓(xùn)練。隨后將均勻抽取的包含384個(gè)導(dǎo)航星的驗(yàn)證數(shù)據(jù)集輸入網(wǎng)絡(luò)。我們將BP神經(jīng)網(wǎng)絡(luò)中間層設(shè)為兩層，激活函數(shù)設(shè)為tansigmoid，BP神經(jīng)網(wǎng)絡(luò)的驗(yàn)證結(jié)果輸出值與真實(shí)值相差較大，若要達(dá)到良好的效果需要花費(fèi)更多的訓(xùn)練時(shí)間成本，難以滿足要求。利用GRNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，多次試驗(yàn)尋找到合適的擴(kuò)散系數(shù)，并將驗(yàn)證集數(shù)據(jù)輸入到網(wǎng)絡(luò)中得到的赤經(jīng)與赤緯與真實(shí)值進(jìn)行對比并計(jì)算相對誤差。GRNN網(wǎng)絡(luò)輸出坐標(biāo)與實(shí)際坐標(biāo)基本一致，識別成功率很高。為進(jìn)一步驗(yàn)證GRNN網(wǎng)絡(luò)在星圖識別中的有效性，我們對其魯棒性進(jìn)行了簡要探究。魯棒性評價(jià)的目的是評估星圖識別算法的成功率受到不同干擾因素的影響程度，由于星圖中會存在一定的位置噪聲和干擾星，因此我們向驗(yàn)證集中隨機(jī)添加距離誤差和角度誤差。測試表明，在像素距離誤差為±5%、角度誤差為±2°時(shí)，驗(yàn)證樣本的識別正確率在97%以上；在像素距離誤差為±10%、角度誤差為±5°時(shí)，驗(yàn)證樣本的識別正確率在95%以上。由此可見本文算法具有很強(qiáng)的魯棒性。此外，在訓(xùn)練時(shí)間方面，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間至少需要300秒；而GRNN網(wǎng)絡(luò)訓(xùn)練時(shí)間僅為1s左右，具有明顯優(yōu)勢。

5結(jié)論

本文提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN的星圖識別方法，相比于BP神經(jīng)網(wǎng)絡(luò)，GRNN網(wǎng)絡(luò)具有訓(xùn)練時(shí)間短，魯棒性也較高。向特征矢量中添加較大角度誤差和距離誤差后，識別正確率仍然能夠保證，在像素距離誤差為±10%、角度誤差為±5°時(shí)，驗(yàn)證樣本的識別正確率在95%以上。因此本方法更適用于星敏感器的實(shí)際應(yīng)用，能夠提高星敏感器在受到較大干擾時(shí)的有效性。

參考文獻(xiàn)

[1]Toloei,Alireza1(AUTHOR);Zahednamazi,Mona1(AUTHOR);Ghasemi,Reza2(AUTHOR);Mohammadi,Fazel3(AUTHOR)(fazel@uwindsor.ca).Acomparativeanalysisofstaridentificationalgorithms.[J].Astrophysics&SpaceScience,2020,Vol.365(4):1-9.

[2]孫龍,蔡佳楠.一種折射星圖的模擬方法[J].電子科技,2018,31(03):21-23+31.

神經(jīng)網(wǎng)絡(luò)的魯棒性范文第2篇

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò);教育資源;管理系統(tǒng)

【中圖分類號】G40-057 【文獻(xiàn)標(biāo)識碼】A 【論文編號】1009―8097(2009)07―0120―04

教育資源是信息化教學(xué)的基礎(chǔ)。隨著教育信息化的深層次推進(jìn),互聯(lián)網(wǎng)中的信息資源以指數(shù)方式增長,這些資源不僅在內(nèi)容上多種多樣,在表現(xiàn)形式上更是豐富多彩。它對教育領(lǐng)域的沖擊與滲透使得網(wǎng)絡(luò)教育資源的利用受到重視,并隨之出現(xiàn)了新型教學(xué)模式,如:基于資源的自主探索式學(xué)習(xí)和協(xié)作學(xué)習(xí)等。然而海量的網(wǎng)絡(luò)教育資源既為教育帶來了強(qiáng)大的服務(wù)功能,也為資源的建設(shè)與管理帶來了新的挑戰(zhàn)。教育資源具有數(shù)據(jù)量大、形式多樣、針對性強(qiáng)、教育性強(qiáng)等諸多特點(diǎn),如何將分散、無序的資源整合起來,使“用戶能方便、高效地將其利用于自己的學(xué)習(xí)和工作之中,并在大范圍內(nèi)實(shí)現(xiàn)共享是網(wǎng)絡(luò)教育資源建設(shè)者必須慎重面對的問題?！盵1]

一 教育資源管理面臨的問題

隨著信息資源飛速增長,對教育資源管理的要求也更加苛刻。而網(wǎng)絡(luò)環(huán)境的復(fù)雜給教育資源的管理帶來許多不確定性。

1 教育資源管理系統(tǒng)在網(wǎng)絡(luò)過載,受到攻擊的情況下很容易崩潰。系統(tǒng)一旦崩潰,所有辛辛苦苦積累起來的資料化為烏有,資源的開發(fā)利用和共享無從談起。目前“教育資源管理系統(tǒng)在輸入錯(cuò)誤、磁盤故障、網(wǎng)絡(luò)過載或有意攻擊情況下,很容易死機(jī)和崩潰。”[2]而魯棒性(robustness)的大小是在異常和危險(xiǎn)情況下系統(tǒng)生存的關(guān)鍵,代表了系統(tǒng)健壯與否。簡而言之,系統(tǒng)的魯棒性有待加強(qiáng)。

2 教育資源管理系統(tǒng)需要連續(xù)不斷地吸收新的教育資源。向用戶提供可靠的信息輸出。但是在發(fā)生故障時(shí),教育資源管理系統(tǒng)容易停止工作,給用戶帶來較大的損失。而容錯(cuò)性(Fault Tolerance)是指在故障存在的情況下管理系統(tǒng)不失效,仍然能夠正常工作的特性。很明顯,管理系統(tǒng)的容錯(cuò)性較差,猶如一個(gè)經(jīng)常斷電的供電站,給廣大用戶帶來不必要的煩惱與損失。

3 教育資源的擴(kuò)張速度極快,對海量教育資源的分類顯得越來越困難。原先的人為分類跟不上信息傳遞的頻率,導(dǎo)致很難在較短的時(shí)間內(nèi)找到用戶迫切需要的資料,浪費(fèi)用戶的時(shí)間,也給教育資源的進(jìn)一步推廣使用帶來障礙。

二 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

人工智能(Artificial Intelligence)是探討人類智能的基本機(jī)理,研究如何利用各種自動(dòng)機(jī)來模擬人的某些思維過程和智能行為,從而構(gòu)造智能人工制品的科學(xué)。

人類對人工智能的研究可以分成兩種方式,對應(yīng)著兩種不同的技術(shù):基于心理角度模擬的傳統(tǒng)人工智能技術(shù)和基于生理角度模擬的人工神經(jīng)網(wǎng)絡(luò)技術(shù)。從人腦的生理結(jié)構(gòu)來觀察,人腦的每個(gè)神經(jīng)元大約有103~4個(gè)樹突及相應(yīng)的突觸,一個(gè)人的大腦總計(jì)約形成1014~15個(gè)突觸。用神經(jīng)網(wǎng)絡(luò)的術(shù)語來說,即是人腦具有1014~15個(gè)互相連接的存儲潛力。雖然每個(gè)神經(jīng)元的運(yùn)算功能十分簡單,且信號傳輸速率也較低(大約100次/秒),但由于各神經(jīng)元之間的極度并行互連功能,最終使得一個(gè)普通人的大腦在約1秒內(nèi)就能完成現(xiàn)行計(jì)算機(jī)至少需要數(shù)10億次處理步驟才能完成的任務(wù)。根據(jù)人腦的生理特點(diǎn),人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)是由大量并行分布的單元廣泛互連而成,通過各組成部分非同步化的變換,實(shí)現(xiàn)信息的整體處理任務(wù),它的這一結(jié)構(gòu)特點(diǎn)決定著人工神經(jīng)網(wǎng)絡(luò)具有高速信息處理的能力。它實(shí)質(zhì)上是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征,進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。其“工作原理是通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系,從而達(dá)到處理信息的目的?！?[3]所以它具有自學(xué)習(xí)和自適應(yīng)的能力,可以通過預(yù)先提供的一批相互對應(yīng)的輸入――輸出數(shù)據(jù),分析掌握兩者之間潛在的規(guī)律,最終根據(jù)這些規(guī)律,用新的輸入數(shù)據(jù)來推算輸出結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元處理單元可表示不同的對象,例如特征、字母、概念,或者一些有意義的抽象模式。網(wǎng)絡(luò)中處理單元的類型分為三類:輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數(shù)據(jù);輸出單元實(shí)現(xiàn)系統(tǒng)處理結(jié)果的輸出;隱單元是處在輸入和輸出單元之間,不能由系統(tǒng)外部觀察的單元。神經(jīng)元間的連接權(quán)值反映了單元間的連接強(qiáng)度,“信息的表示和處理體現(xiàn)在網(wǎng)絡(luò)處理單元的連接關(guān)系中?！盵4]人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)是通過網(wǎng)絡(luò)的變換和動(dòng)力學(xué)行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。正因?yàn)檫@個(gè)重要特征,“人工神經(jīng)網(wǎng)絡(luò)采用了與傳統(tǒng)人工智能技術(shù)完全不同的機(jī)理,克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷,具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)。”[5]它與專家系統(tǒng)的最大區(qū)別是,專家系統(tǒng)屬于人類智能的功能模擬,而人工神經(jīng)網(wǎng)絡(luò)則偏重走結(jié)構(gòu)模擬的路子。與其它智能系統(tǒng)相比,人工神經(jīng)網(wǎng)絡(luò)具有以下特點(diǎn):

1 學(xué)習(xí)能力:學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)具有智能的重要表現(xiàn),即通過訓(xùn)練可抽象出訓(xùn)練樣本的主要特征,表現(xiàn)出強(qiáng)大的自適應(yīng)能力。例如實(shí)現(xiàn)圖像識別時(shí),只有先把許多不同的圖像樣板和對應(yīng)的應(yīng)識別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)就會通過自學(xué)習(xí)功能,慢慢學(xué)會識別類似的圖像。

2 分布式結(jié)構(gòu):人工神經(jīng)網(wǎng)絡(luò)力圖“體現(xiàn)大腦的分布式并行計(jì)算和非線性等特征,依此而建構(gòu)的網(wǎng)絡(luò)是一種具有大量連接的并行分布式處理器?！盵6]具有通過學(xué)習(xí)獲取知識并解決問題的能力,且知識是分布存儲在與大腦神經(jīng)元突觸相類似的連接的權(quán)重中。在傳統(tǒng)的串行體系計(jì)算機(jī)中信息分布在獨(dú)立的存儲單元中,而在神經(jīng)網(wǎng)絡(luò)中,信息則分散在神經(jīng)元的連接上。神經(jīng)網(wǎng)絡(luò)的信息分布特性,使之具有強(qiáng)大的容錯(cuò)能力和記憶聯(lián)想能力。信息的分布存儲提供容錯(cuò)功能。由于信息被分布存放在幾乎整個(gè)網(wǎng)絡(luò)中,所以,“當(dāng)其中的某一個(gè)點(diǎn)或者某幾個(gè)點(diǎn)被破壞時(shí),信息仍然可以被存取。系統(tǒng)在受到局部損傷時(shí)還可以正常工作?！盵5]

3 并行處理:神經(jīng)網(wǎng)絡(luò)主要是對人腦的結(jié)構(gòu)模擬。各種神經(jīng)元在處理信息時(shí)是獨(dú)立完成的,不同神經(jīng)元之間具有并行性,這種并行處理使得信息處理速度大大加快。信息處理方式由原來馮•諾依曼設(shè)計(jì)的串行處理變?yōu)閷π畔⒉⑿刑幚怼?/p>

三 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于教育技術(shù)資源的管理之中

將網(wǎng)絡(luò)布線由原來的星型布線轉(zhuǎn)向神經(jīng)網(wǎng)絡(luò)布線方式。應(yīng)用神經(jīng)網(wǎng)絡(luò)軟件,網(wǎng)絡(luò)采用分布式結(jié)構(gòu),信息采用統(tǒng)一并行處理的方式處理,從而加強(qiáng)了網(wǎng)絡(luò)的魯棒性、容錯(cuò)性。同時(shí)發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力,對待不同的信息資源進(jìn)行模式分類。神經(jīng)網(wǎng)絡(luò)模型考慮采用目前比較成熟的誤差反向傳播網(wǎng)(BP神經(jīng)網(wǎng)絡(luò))。教育資源分類考慮設(shè)計(jì)關(guān)鍵詞進(jìn)行訓(xùn)練,同時(shí)設(shè)立樣本訓(xùn)練方法,用BP算法對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練結(jié)束之后,神經(jīng)網(wǎng)絡(luò)就可以作為教育資源分類器來進(jìn)行使用。

BP(Back propagation反向傳播)網(wǎng)絡(luò)又稱誤差信號反饋網(wǎng)絡(luò),是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一類。它是一種有教師的學(xué)習(xí)網(wǎng)絡(luò),能夠?qū)崿F(xiàn)從N維到M維的非線性映射,采用梯度下降法實(shí)現(xiàn)快速收斂。BP神經(jīng)網(wǎng)絡(luò)采用的是并行網(wǎng)格結(jié)構(gòu),包括輸入層、隱含層和輸出層,經(jīng)作用函數(shù)后,再把隱節(jié)點(diǎn)的輸出信號傳遞到輸出節(jié)點(diǎn),最后給出輸出結(jié)果。由圖1可見各層次的神經(jīng)元之間形成全互連連接,各層次內(nèi)的神經(jīng)元之間沒有連接。

該算法的學(xué)習(xí)過程由信息的前向傳播和誤差的反向傳播組成。在前向傳播的過程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層。第一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出結(jié)果,則轉(zhuǎn)入反向傳播,將誤差信號(目標(biāo)值與網(wǎng)絡(luò)輸出之差)沿原來的連接通道返回,通過修改各層神經(jīng)元權(quán)值,使得誤差均方最小。神經(jīng)網(wǎng)絡(luò)理論已經(jīng)證明“BP網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和泛化功能,任一連續(xù)函數(shù)或映射均可采用三層網(wǎng)絡(luò)加以實(shí)現(xiàn)?！盵3]

其BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)方案如下:輸入層、隱含層、輸出層。輸入層與外界的信息來源渠道緊密相連,稱之為接受信息的服務(wù)器。隱含層包含若干個(gè)存儲器,代表若干個(gè)知識單元。存儲器需要具備輸入輸出渠道,具備自學(xué)習(xí)能力,可以接受外界信息,也可以傳送信息。輸出層由傳送信息的服務(wù)器組成。輸出層接受到隱含層傳來的信息之后,根據(jù)用戶要求傳送相關(guān)信息。層間聯(lián)接根據(jù)模型設(shè)計(jì)方案來鋪設(shè)。神經(jīng)網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn),無論其在輸入層、隱含層、輸出層上,每臺計(jì)算機(jī)上必須有相應(yīng)的神經(jīng)元器件,以便網(wǎng)絡(luò)進(jìn)行自學(xué)與聯(lián)想記憶。BP神經(jīng)網(wǎng)絡(luò)管理系統(tǒng)的硬件實(shí)現(xiàn)。是將協(xié)處理器插入標(biāo)準(zhǔn)計(jì)算機(jī)中,通過運(yùn)行神經(jīng)網(wǎng)絡(luò)軟件包,以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的硬件功能,可以使神經(jīng)網(wǎng)絡(luò)在任何計(jì)算機(jī)硬件和軟件環(huán)境中得到所需要的教育資源處理能力。其設(shè)計(jì)的模型具有如下特點(diǎn):

1 教育資源并行分布方式處理:在神經(jīng)網(wǎng)絡(luò)中教育資源是分布儲存和并行處理的,即神經(jīng)網(wǎng)絡(luò)把教育資源分布地存儲在神經(jīng)元之間的連接強(qiáng)度上,而且對教育資源的處理是由網(wǎng)絡(luò)中神經(jīng)元集體完成的。在BP神經(jīng)網(wǎng)絡(luò)中,教育資源的存儲表現(xiàn)為神經(jīng)元之間分布式的物理聯(lián)系,它分散地表示和存儲于整個(gè)網(wǎng)絡(luò)內(nèi)的各神經(jīng)元及其連線上。每個(gè)神經(jīng)元及其連線只表示一部分教育資源,而不是一個(gè)完整具體概念。只有通過各神經(jīng)元的分布式綜合效果才能表達(dá)出特定的概念和知識。由于人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元個(gè)數(shù)眾多以及整個(gè)網(wǎng)絡(luò)存儲容量的巨大,使得它具有很強(qiáng)的不確定性處理能力。即使輸入教育資源不完全、不準(zhǔn)確或模糊不清,神經(jīng)網(wǎng)絡(luò)仍然能夠聯(lián)想思維持在于記憶中事物的完整圖像。只要輸入的模式接近于訓(xùn)練樣本,系統(tǒng)就能給出正確的推理結(jié)論。

2 魯棒性與容錯(cuò)性比較強(qiáng):人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)和其信息存儲的分布式特點(diǎn),使得它相對于其它的判斷識別系統(tǒng)如專家系統(tǒng)等,具有另一個(gè)顯著的優(yōu)點(diǎn)健壯性。當(dāng)一個(gè)人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經(jīng)網(wǎng)絡(luò)不會因?yàn)閭€(gè)別神經(jīng)元的損失(網(wǎng)絡(luò)過載、停電、突發(fā)故障)而失去對原有模式的記憶(管理功能)。另外“即使是突發(fā)事件,暫時(shí)使網(wǎng)絡(luò)的硬件實(shí)現(xiàn)還是軟件實(shí)現(xiàn)中的某個(gè)或某些神經(jīng)元失效,整個(gè)網(wǎng)絡(luò)仍然能繼續(xù)工作?！盵7]BP神經(jīng)網(wǎng)絡(luò)是一種非線性的處理系統(tǒng)。只有當(dāng)神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一閾值后才輸出一個(gè)信號。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力學(xué)系統(tǒng),可以實(shí)現(xiàn)對教育資源不間斷、長時(shí)間的持續(xù)管理。它突破了傳統(tǒng)管理系統(tǒng)的局限,標(biāo)志著教育資源管理能力的較大提升。因而神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的魯棒性與容錯(cuò)性,有聯(lián)想記憶抽象概括和自適應(yīng)能力。

3 具有自學(xué)習(xí)和自適應(yīng)能力:神經(jīng)網(wǎng)絡(luò)抽象概括和自適應(yīng)能力稱之為自學(xué)習(xí)能力,自學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)中最重要的特征。通過學(xué)習(xí),網(wǎng)絡(luò)能夠獲得教育資源的分類知識,適應(yīng)環(huán)境。在訓(xùn)練時(shí),能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的分類知識,記憶于網(wǎng)絡(luò)的權(quán)值中。并具有泛化能力,即將這組權(quán)值應(yīng)用于一般教育資源分類的能力。另外,BP神經(jīng)網(wǎng)絡(luò)的分類能力學(xué)習(xí)也可以在線進(jìn)行。

以教育學(xué)院教育技術(shù)學(xué)資源管理為例,輸入層由兩臺高性能的服務(wù)器組成,中間設(shè)七個(gè)知識單元,輸出由兩臺輸出服務(wù)器組成。隱層的七個(gè)神經(jīng)元分別為計(jì)算機(jī)軟件資源室、課堂教學(xué)資源室、“影視創(chuàng)作資源室、計(jì)算機(jī)教育應(yīng)用資源室、網(wǎng)絡(luò)技術(shù)資源室、傳統(tǒng)教學(xué)資源室、傳統(tǒng)媒體使用資源室?！盵8]模型圖如圖2所示:

教育技術(shù)學(xué)資源管理系統(tǒng)一種可編程的動(dòng)力系統(tǒng),其存貯、加工和提取教育資源均是可編程的。輸入層負(fù)責(zé)對教育技術(shù)學(xué)的相關(guān)教育資源進(jìn)行篩選比較,然后根據(jù)學(xué)習(xí)后的分類能力對資源予以分類,將所有的教育技術(shù)資源分布式存儲在隱層的各神經(jīng)元中,需要處理時(shí)根據(jù)用戶需要,從各個(gè)神經(jīng)元中取出信息并行處理,輸出到輸出服務(wù)器中,提供給用戶。用戶可以將用戶要求直接給輸出處理平臺,傳遞給輸出層后,由輸出層將用戶要求反饋給中間隱層。也可以將要求送給輸入處理平臺,傳遞給輸入層,進(jìn)行篩選之后將信息傳送給中間隱層。即使系統(tǒng)突然面臨網(wǎng)絡(luò)過載問題,由于存儲是分布式的,可以很容易地將信息資源分配下去。即使突然停電,由于相關(guān)資源已經(jīng)存儲完畢,損失微乎其微。系統(tǒng)的魯棒性大大加強(qiáng)。同時(shí)如果系統(tǒng)發(fā)生突然故障,由于輸入渠道有兩條,所以可以很輕松地用另一個(gè)服務(wù)器處理。輸出處理時(shí)也是如此。因此系統(tǒng)的容錯(cuò)性也得到提高。至于模式分類,則需要較長時(shí)間的訓(xùn)練和大量的樣本。一旦BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完畢,日后教育技術(shù)學(xué)資源分類就顯得十分輕松。只需將關(guān)鍵詞輸入準(zhǔn)確,便可以進(jìn)入相應(yīng)的知識單元存儲起來。處理信息時(shí),根據(jù)用戶需要,有不少不同類別的資源需要統(tǒng)籌規(guī)劃、聯(lián)合利用,才能得到用戶需要的結(jié)果。這兒就可以充分發(fā)揮神經(jīng)網(wǎng)絡(luò)并行處理的特點(diǎn),有條不紊地對信息加以處理。其總體示意圖如圖3所示:

四 結(jié)語

教育信息化的核心問題是教育資源的應(yīng)用和管理。神經(jīng)網(wǎng)絡(luò)式的教育資源管理系統(tǒng)把教育資源存儲、教育資源管理、教育資源分類、教育資源動(dòng)態(tài)升級四大特色功能進(jìn)行整合,全面突破了“當(dāng)前基礎(chǔ)教育信息化過程中的應(yīng)用‘瓶頸’。” [9]其最大的特點(diǎn)就是突出了教育資源的管理功能,通過以一個(gè)統(tǒng)一管理平臺為核心的方式,對各類教育資源進(jìn)行優(yōu)化、整合,改善了以往教育資源管理從單一功能角度進(jìn)行設(shè)計(jì),各功能之間不能相互結(jié)合,造成資源管理困難和資源互不兼容的問題,實(shí)現(xiàn)了教育資源的價(jià)值最大化。值得注意的是,由于管理系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)進(jìn)行設(shè)計(jì),其魯棒性、容錯(cuò)性和模式分類能力較強(qiáng),較之傳統(tǒng)教育資源管理方式比較起來,不僅提取和輸入變得十分簡單,而且對大量資源的分類式識別也大大加快,提高了管理效率。分布式存儲提高了教育資源的存儲容量,而“并行式處理又加大了教育資源的處理速度,同時(shí)系統(tǒng)在應(yīng)付突發(fā)事件和網(wǎng)絡(luò)攻擊方面,應(yīng)變能力大大增強(qiáng),”[10]其可靠性與可用性也有突破性的提高。同時(shí),在教育資源管理過程中,系統(tǒng)能抓住教育資源應(yīng)用與管理過程中的關(guān)鍵問題,關(guān)注用戶的反饋,即時(shí)更新教育資源,加強(qiáng)了教育資源的建設(shè),為教育信息化的持續(xù)發(fā)展提供了有力的保障。

參考文獻(xiàn)

[1] 余勝泉,朱凌云.教育資源建設(shè)技術(shù)規(guī)范體系結(jié)構(gòu)與應(yīng)用模式[J].中國電化教育,2006,(3):58-59.

[2] 穆肅.校本學(xué)科教學(xué)資源庫的設(shè)計(jì)和實(shí)現(xiàn)[J].中國電化教育,2004,(1):56-61.

[3] 周志華著.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用(第1版)[M].北京:清華大學(xué)出版社,2004.

[4] 張廣瑩,徐麗娜,鄧正隆.“神經(jīng)網(wǎng)絡(luò)控制”CAI課件研制中的幾個(gè)問題[J].現(xiàn)代教育技術(shù),1997,(2):32-33.

[5] 韓立群著.人工神經(jīng)網(wǎng)絡(luò)理論設(shè)計(jì)及應(yīng)用(第1版)[M].北京:化學(xué)工業(yè)出版社,2002.

[6] 陶劍文.一種分布式智能推薦系統(tǒng)的設(shè)計(jì)[J].計(jì)算機(jī)工程,2007,(15):207-208.

[7] 王國旗,張辛亥,肖.采用前向多層神經(jīng)網(wǎng)絡(luò)預(yù)測煤的自然發(fā)火期[J].湖南科技大學(xué)學(xué)報(bào)(自科版),2008,(2):20-22.

[8] 茹洪麗.教育技術(shù)學(xué)課程設(shè)置問題探略[J].電化教育研究,2005,(12):38-41.

神經(jīng)網(wǎng)絡(luò)的魯棒性范文第3篇

1 引言

在現(xiàn)代機(jī)械制造領(lǐng)域中，隨著工廠機(jī)械制造機(jī)器人的普及，機(jī)械臂已經(jīng)變得越來越重要。與傳統(tǒng)的工業(yè)機(jī)械臂相比，未來的機(jī)械臂要能夠完成更加復(fù)雜的機(jī)械加工任務(wù)。在實(shí)際的機(jī)械制造機(jī)器人應(yīng)用中，衡量機(jī)械臂的工作性能主要是工作效率和工作可靠性指標(biāo)。

機(jī)械臂是一個(gè)開鏈?zhǔn)降亩噙B桿機(jī)構(gòu)，用固定基座來進(jìn)行固定，機(jī)械臂可以根據(jù)需要在自由端安裝執(zhí)行器來實(shí)現(xiàn)工廠生產(chǎn)操作，關(guān)節(jié)之間的運(yùn)動(dòng)可以帶動(dòng)連桿運(yùn)動(dòng)，使得機(jī)械臂運(yùn)動(dòng)來達(dá)到不同的姿態(tài)。本文主要針對這個(gè)問題展開研究，探討機(jī)械臂的路徑規(guī)劃問題。

2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)介紹

神經(jīng)網(wǎng)絡(luò)具有分布式存儲、并行協(xié)同處理和對信息具有自組織自學(xué)習(xí)等優(yōu)點(diǎn)，所以廣泛應(yīng)用在人工智能方面。神經(jīng)網(wǎng)絡(luò)的大量神經(jīng)元之間的連接權(quán)值和分布分別代表著特定的信息，當(dāng)網(wǎng)絡(luò)受損時(shí)可以保證網(wǎng)絡(luò)的輸出正確，這種信息處理方式大大提高了網(wǎng)絡(luò)的容錯(cuò)性和魯棒性。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是基于函數(shù)逼近理論的，是根據(jù)系統(tǒng)的海量樣本數(shù)據(jù)來選擇隱含層神經(jīng)元的徑向基激活函數(shù)，可以用基函數(shù)來表示，能夠無限的逼近真實(shí)的算法表達(dá)，它選擇合理的隱含層單元個(gè)數(shù)和作用函數(shù)，能夠把原來的非線性不可分問題映射成線性可分問題，把不好處理的非線性問題方便的簡化為線性問題。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，在給定訓(xùn)練樣本后學(xué)習(xí)算法要解決的核心問題是：設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和求解相關(guān)的參數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)主要包括網(wǎng)絡(luò)的輸入、網(wǎng)絡(luò)的輸出個(gè)數(shù)，隱含層節(jié)點(diǎn)數(shù)目。相關(guān)的參數(shù)主要包括涉及的參數(shù)有徑向基函數(shù)的中心值、以及函數(shù)寬度和權(quán)值。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)屬于一種性能較優(yōu)的前饋型神經(jīng)網(wǎng)絡(luò)，它具有多維度非線性的映射能力和并行信息處理的能力，以及強(qiáng)大的聚類分析能力。與BP神經(jīng)網(wǎng)絡(luò)相比，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)采用的是徑向?qū)ΨQ的核函數(shù)，這樣可以大幅提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，同時(shí)能夠避免陷入局部極小，具有較好的全局尋優(yōu)能力，同時(shí)也具有較好的逼近任意非線性映射能力。

3 機(jī)械臂路徑規(guī)劃設(shè)計(jì)

機(jī)械臂軌跡規(guī)劃主要研究的是機(jī)械臂在多維空間中的運(yùn)動(dòng)路線，即給定一個(gè)初始狀態(tài)位姿，一個(gè)期望的末端執(zhí)行器的位姿，根據(jù)規(guī)定的要求來尋找連接初始狀態(tài)和期望狀態(tài)的最優(yōu)有效路徑，然后把最優(yōu)路徑轉(zhuǎn)變?yōu)闄C(jī)械臂各個(gè)關(guān)節(jié)的空間坐標(biāo)，進(jìn)一步轉(zhuǎn)化為機(jī)械臂的各個(gè)關(guān)節(jié)的位移、速度和加速度，就形成了機(jī)械臂的路徑。

機(jī)械臂的動(dòng)力學(xué)狀態(tài)模型為：

其中：D（q）為對稱正定的慣量矩陣，為哥式力與離心力矩陣，G（q）為重力項(xiàng)矩陣，q為機(jī)械臂關(guān)節(jié)角位移矢量，為機(jī)械臂的角速度矢量，為機(jī)械臂的角加速度矢量，為機(jī)械臂各關(guān)節(jié)控制力矩輸入矢量。

機(jī)械臂的動(dòng)力學(xué)參考模型為：

其中，y為2n+1的參考模型狀態(tài)矢量，r為n×1的參考模型輸入矢量。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)包括一個(gè)輸入層、一個(gè)隱層和一個(gè)輸出層。隱層由一個(gè)徑向基函數(shù)組成，和每個(gè)隱層節(jié)點(diǎn)相關(guān)的參數(shù)為網(wǎng)絡(luò)中心向量和半徑。本文選擇高斯函數(shù)作為徑向基函數(shù)。本文選擇的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法為：輸入層到隱層用無導(dǎo)師的聚類算法來訓(xùn)練，常用的是K-均值算法和模糊聚類算法，來確定神經(jīng)網(wǎng)絡(luò)的中心向量和半徑，隱層和輸出層的權(quán)值調(diào)整用有導(dǎo)師指導(dǎo)算法，來確定權(quán)重向量。

算法流程如下：首先對樣本數(shù)據(jù)進(jìn)行聚類，然后確定神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)的中心的初始值，將這些樣本進(jìn)行分組，然后將訓(xùn)練樣本按照距離的遠(yuǎn)近向隱層節(jié)點(diǎn)的中心聚類，完成后計(jì)算樣本的均值，將樣本均值賦值給隱層中心作為下一次迭代的聚類中心，下一步要判斷聚類過程是否結(jié)束，聚類結(jié)束標(biāo)志是當(dāng)劃分的每個(gè)聚類的樣本中心不再變化。然后再計(jì)算下寬度半徑，寬度半徑等于每個(gè)聚類中心與該訓(xùn)練樣本之間的平均距離。

通過算法驗(yàn)證，對機(jī)械臂的路徑規(guī)劃驗(yàn)證了算法的合理性和可行性，規(guī)劃后支反力和扭矩等動(dòng)力性能較好，完全滿足工程需求。

神經(jīng)網(wǎng)絡(luò)的魯棒性范文第4篇

關(guān)鍵詞：車牌字符；BP人工神經(jīng)網(wǎng)絡(luò)；圖像識別；模式識別

引言

近年來，神經(jīng)網(wǎng)絡(luò)的智能化特征與能力使其應(yīng)用領(lǐng)域日益擴(kuò)大，潛力日趨明顯。許多用傳統(tǒng)信息處理方法無法解決的問題采用神經(jīng)網(wǎng)絡(luò)后取得了良好的效果。其中，神經(jīng)網(wǎng)絡(luò)在車牌字符識別中的應(yīng)用效果尤為明顯。目前，車牌字符識別主要采用兩種方法，即模式匹配法和神經(jīng)網(wǎng)絡(luò)法。由于神經(jīng)網(wǎng)絡(luò)模式識別方法能夠?qū)崿F(xiàn)基于計(jì)算理論層次上的模式識別理論所無法完成的模式信息處理工作，這種方法是選用適當(dāng)?shù)淖址麍D像特征提取方法，然后使用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)并構(gòu)建一個(gè)識別網(wǎng)絡(luò)作為分類器。所以，相信未來一段時(shí)期內(nèi)神經(jīng)網(wǎng)絡(luò)在車牌字符識別領(lǐng)域中的應(yīng)用還會是趨于主導(dǎo)地位。

1 人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)來提取特征向量，把字符平均分成8份，統(tǒng)計(jì)每一份內(nèi)黑色像素點(diǎn)的個(gè)數(shù)作為8個(gè)特征, 即分別統(tǒng)計(jì)這8個(gè)區(qū)域中的黑色像素點(diǎn)的數(shù)目，可以得到8個(gè)特征。然后統(tǒng)計(jì)水平方向中間兩列和豎直方向中間兩列的黑色像素點(diǎn)的個(gè)數(shù)作為4個(gè)特征，最后統(tǒng)計(jì)所有黑色像素點(diǎn)的個(gè)數(shù)作為第13個(gè)特征。如下圖所示:

                         

 圖3 13特征提取法

神經(jīng)網(wǎng)絡(luò)的魯棒性范文第5篇

[摘要]該文介紹了神經(jīng)網(wǎng)絡(luò)的發(fā)展、優(yōu)點(diǎn)及其應(yīng)用和發(fā)展動(dòng)向，著重論述了神經(jīng)網(wǎng)絡(luò)目前的幾個(gè)研究熱點(diǎn)，即神經(jīng)網(wǎng)絡(luò)與遺傳算法、灰色系統(tǒng)、專家系統(tǒng)、模糊控制、小波分析的結(jié)合。

[關(guān)鍵詞]遺傳算法灰色系統(tǒng)專家系統(tǒng)模糊控制小波分析

一、前言

神經(jīng)網(wǎng)絡(luò)最早的研究20世紀(jì)40年代心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，他們提出的MP模型拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。神經(jīng)網(wǎng)絡(luò)的發(fā)展大致經(jīng)過三個(gè)階段：1947~1969年為初期，在這期間科學(xué)家們提出了許多神經(jīng)元模型和學(xué)習(xí)規(guī)則，如MP模型、HEBB學(xué)習(xí)規(guī)則和感知器等；1970~1986年為過渡期，這個(gè)期間神經(jīng)網(wǎng)絡(luò)研究經(jīng)過了一個(gè)低潮，繼續(xù)發(fā)展。在此期間，科學(xué)家們做了大量的工作，如Hopfield教授對網(wǎng)絡(luò)引入能量函數(shù)的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計(jì)算的途徑。1984年，Hiton教授提出Boltzman機(jī)模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)。目前，BP網(wǎng)絡(luò)已成為廣泛使用的網(wǎng)絡(luò)；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)受到國際重視，各個(gè)國家都展開研究，形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個(gè)。神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：

(1)具有很強(qiáng)的魯棒性和容錯(cuò)性，因?yàn)樾畔⑹欠植假A于網(wǎng)絡(luò)內(nèi)的神經(jīng)元中。

(2)并行處理方法，使得計(jì)算快速。

(3)自學(xué)習(xí)、自組織、自適應(yīng)性，使得網(wǎng)絡(luò)可以處理不確定或不知道的系統(tǒng)。

(4)可以充分逼近任意復(fù)雜的非線性關(guān)系。

(5)具有很強(qiáng)的信息綜合能力，能同時(shí)處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關(guān)系，適用于多信息融合和多媒體技術(shù)。

二、神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的結(jié)構(gòu)和處理信息的方法，在許多實(shí)際應(yīng)用領(lǐng)域中取得了顯著的成效，主要應(yīng)用如下：

(1)圖像處理。對圖像進(jìn)行邊緣監(jiān)測、圖像分割、圖像壓縮和圖像恢復(fù)。

(2)信號處理。能分別對通訊、語音、心電和腦電信號進(jìn)行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應(yīng)用。

(3)模式識別。已成功應(yīng)用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標(biāo)的自動(dòng)識別和定位、機(jī)器人傳感器的圖像識別以及地震信號的鑒別等。

(4)機(jī)器人控制。對機(jī)器人眼手系統(tǒng)位置進(jìn)行協(xié)調(diào)控制，用于機(jī)械手的故障診斷及排除、智能自適應(yīng)移動(dòng)機(jī)器人的導(dǎo)航。

(5)衛(wèi)生保健、醫(yī)療。比如通過訓(xùn)練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡(luò)的波形分類和特征提取在計(jì)算機(jī)臨床診斷中的應(yīng)用。

(6)焊接領(lǐng)域。國內(nèi)外在參數(shù)選擇、質(zhì)量檢驗(yàn)、質(zhì)量預(yù)測和實(shí)時(shí)控制方面都有研究，部分成果已得到應(yīng)用。

(7)經(jīng)濟(jì)。能對商品價(jià)格、股票價(jià)格和企業(yè)的可信度等進(jìn)行短期預(yù)測。

(8)另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應(yīng)用。

三、神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢及研究熱點(diǎn)

1.神經(jīng)網(wǎng)絡(luò)研究動(dòng)向

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進(jìn)一步研究。

(1)神經(jīng)計(jì)算的基礎(chǔ)理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計(jì)算的進(jìn)一步發(fā)展卻是非做不可的。

(2)除了傳統(tǒng)的多層感知機(jī)、徑向基函數(shù)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、自適應(yīng)諧振理論網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)之外，一些新的模型和結(jié)構(gòu)很值得關(guān)注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(luò)(spikingneuralnetwork)和支持向量機(jī)(supportvectormachine)。

(3)神經(jīng)計(jì)算技術(shù)與其他技術(shù)尤其是進(jìn)化計(jì)算技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，正成為一大研究熱點(diǎn)。

(4)增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性是神經(jīng)網(wǎng)絡(luò)界需要解決的一個(gè)重要問題。這方面的工作在今后若干年中仍然會是神經(jīng)計(jì)算和機(jī)器學(xué)習(xí)界的一個(gè)研究熱點(diǎn)。

(5)神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大，在未來的幾年中有望在一些領(lǐng)域取得更大的成功，特別是多媒體技術(shù)、醫(yī)療、金融、電力系統(tǒng)等領(lǐng)域。

2.研究熱點(diǎn)

(1)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在以下幾個(gè)方面：網(wǎng)絡(luò)連接權(quán)重的進(jìn)化訓(xùn)練；網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化計(jì)算；網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重的同時(shí)進(jìn)化；訓(xùn)練算法的進(jìn)化設(shè)計(jì)?；谶M(jìn)化計(jì)算的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和實(shí)現(xiàn)已在眾多領(lǐng)域得到應(yīng)用，如模式識別、機(jī)器人控制、財(cái)政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強(qiáng)提高。神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法相結(jié)合的其他方式也有待于進(jìn)一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合。灰色系統(tǒng)理論是一門極有生命力的系統(tǒng)科學(xué)理論，自1982年華中理工大學(xué)的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關(guān)聯(lián)空間為基礎(chǔ)的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎(chǔ)與內(nèi)的方法體系，以系統(tǒng)分析、建模、預(yù)測、決策、控制、評估為綱的技術(shù)體系。目前，國內(nèi)外對灰色系統(tǒng)的理論和應(yīng)用研究已經(jīng)廣泛開展，受到學(xué)者的普遍關(guān)注?；疑到y(tǒng)理論在在處理不確定性問題上有其獨(dú)到之處，并能以系統(tǒng)的離散時(shí)序建立連續(xù)的時(shí)間模型，適合于解決無法用傳統(tǒng)數(shù)字精確描述的復(fù)雜系統(tǒng)問題。

神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合方式有：(1)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)簡單結(jié)合；(2)串聯(lián)型結(jié)合；(3)用神經(jīng)網(wǎng)絡(luò)增強(qiáng)灰色系統(tǒng)；(4)用灰色網(wǎng)絡(luò)輔助構(gòu)造神經(jīng)網(wǎng)絡(luò)；(5)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合?；谏窠?jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點(diǎn)立足于將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實(shí)現(xiàn)。其研究的主要問題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實(shí)現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面。由于該混合系統(tǒng)從根本上拋開了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的技術(shù)限制，是當(dāng)前研究的熱點(diǎn)。把粗集神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用于醫(yī)學(xué)診斷，表明其相對于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達(dá)那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點(diǎn)。但它缺乏有效的自學(xué)習(xí)和自適應(yīng)能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，則網(wǎng)絡(luò)中的各個(gè)結(jié)點(diǎn)及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識來加以確定，然后利用學(xué)習(xí)算法可以很快收斂到要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)比單純的神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)所在。同時(shí)，由于它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點(diǎn)所在。模糊神經(jīng)網(wǎng)絡(luò)控制已成為一種趨勢，它能夠提供更加有效的智能行為、學(xué)習(xí)能力、自適應(yīng)特點(diǎn)、并行機(jī)制和高度靈活性，使其能夠更成功地處理各種不確定的、復(fù)雜的、不精確的和近似的控制問題。

模糊神經(jīng)控制的未來研究應(yīng)集中于以下幾個(gè)方面：

(1)研究模糊邏輯與神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系，將對模糊

控制器的調(diào)整轉(zhuǎn)化為等價(jià)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，用等價(jià)的模糊邏輯來初始化神經(jīng)網(wǎng)絡(luò)；

(2)完善模糊神經(jīng)控制的學(xué)習(xí)算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3)模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實(shí)時(shí)性與動(dòng)態(tài)性能；(4)需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動(dòng)力學(xué)特性。

關(guān)于神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機(jī)器人控制等。

(5)神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合

小波變換是對Fourier分析方法的突破。它不但在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，而且對低頻信號在頻域和對高頻信號在時(shí)域里都有很好的分辨率，從而可以聚集到對象的任意細(xì)節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡(luò)，并對學(xué)習(xí)參數(shù)加以有效約束，采用通常的隨機(jī)梯度法分別對一維分段函數(shù)、二維分段函數(shù)和實(shí)際系統(tǒng)中汽輪機(jī)壓縮機(jī)的數(shù)據(jù)做了仿真試驗(yàn)，并與神經(jīng)網(wǎng)絡(luò)、小波分解的建模做了比較，說明了小波網(wǎng)絡(luò)在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡(luò)用于機(jī)器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過半個(gè)多世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識別、自動(dòng)控制、信號處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功，但其理論分析方法和設(shè)計(jì)方法還有待于進(jìn)一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展，其將在工程應(yīng)用中發(fā)揮越來越大的作用。

參考文獻(xiàn)：

[1]張?jiān)?模糊數(shù)學(xué)在自動(dòng)化技術(shù)中的應(yīng)用[M].清華大學(xué)出版社，1997.

[2]李士勇.模糊控制·神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學(xué)出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動(dòng)駕駛中的應(yīng)用[J].自動(dòng)化與儀器儀表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，F(xiàn)ukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應(yīng)用與軟件實(shí)現(xiàn).西安交通大學(xué)出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學(xué)出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合技術(shù)探索.微機(jī)發(fā)展，2000，23(4)：67-109.