前言：想要寫(xiě)出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)范文第1篇

關(guān)鍵詞：人工智能；深度學(xué)習(xí)；教學(xué)建議

0 引言

傳統(tǒng)的人工智能課程主要包括人工智能導(dǎo)論、模式分析、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等。這些課程由各個(gè)院校根據(jù)專業(yè)情況不同而選擇，課程的內(nèi)容也有較大差別，但是，基本上都涉及人工神經(jīng)網(wǎng)絡(luò)的內(nèi)容。然而在人工神經(jīng)網(wǎng)絡(luò)的教學(xué)內(nèi)容上，一般只講解經(jīng)典的多層感知器和反向傳播算法，或再加入一些反饋網(wǎng)絡(luò)的內(nèi)容，這種教學(xué)內(nèi)容設(shè)計(jì)的一個(gè)不足是忽視了人工智能領(lǐng)域的最新發(fā)展——深度學(xué)習(xí)，它是近幾年人工智能領(lǐng)域最具影響力的研究主題，并在大規(guī)模語(yǔ)音識(shí)別、大規(guī)模圖像檢索等領(lǐng)域取得突破。

北京郵電大學(xué)計(jì)算機(jī)學(xué)院開(kāi)設(shè)人工智能科學(xué)與技術(shù)的本科專業(yè)，筆者從事深度學(xué)習(xí)的研究工作，同時(shí)承擔(dān)了本科生和研究生人工智能類課程的教學(xué)工作，因此產(chǎn)生了將深度學(xué)習(xí)內(nèi)容引人人工智能類課程的想法。本文先介紹深度學(xué)習(xí)的背景，說(shuō)明深度學(xué)習(xí)在人工智能發(fā)展中的地位，之后分析了將深度學(xué)習(xí)基本內(nèi)容引入人工智能類課程的必要性和可行性，最后給出了一些實(shí)施建議供探討。

1 深度學(xué)習(xí)背景

2006年，加拿大多倫多大學(xué)的GeoffreyHinton教授與Salakhutdinov博士在美國(guó)《科學(xué)》雜志發(fā)表了題為“Reducing the Dimensionality ofDatawith Neural Networks”的論文，該文提出一種學(xué)習(xí)多層神經(jīng)網(wǎng)絡(luò)的方法，并將這種具有多層結(jié)構(gòu)的學(xué)習(xí)方法命名為深度學(xué)習(xí)（Deep Learning），而這成為深度學(xué)習(xí)研究的一個(gè)導(dǎo)火索，從此深度學(xué)習(xí)的研究與應(yīng)用蓬勃發(fā)展起來(lái)。

深度學(xué)習(xí)在語(yǔ)音識(shí)別與生成、計(jì)算機(jī)視覺(jué)等應(yīng)用領(lǐng)域取得了突出進(jìn)展。近幾年的國(guó)際機(jī)器學(xué)會(huì)（International Conference on MachineLearning，ICML）、神經(jīng)信息處理大會(huì)（AnnualConference On Neural Information Processing Systems，NIPS）、計(jì)算機(jī)視覺(jué)大會(huì)（InternationalConference on Computer Vision，ICCV）、

聲學(xué)語(yǔ)音與信號(hào)處理大會(huì)（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、計(jì)算語(yǔ)言學(xué)大會(huì)（Annual Meeting of the Association for Computational Linguistics.ACL）、計(jì)算機(jī)視覺(jué)與模式識(shí)別（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相關(guān)的研究論文、會(huì)議教程和小組研討會(huì)（Workshop）。美國(guó)國(guó)防高級(jí)研究計(jì)劃（DARPA）也提出了關(guān)于深層學(xué)習(xí)的研究項(xiàng)目。此外，2013年6月《程序員雜志》的封面故事，采訪了周志華、李航、朱軍3位國(guó)內(nèi)的機(jī)器學(xué)習(xí)專家對(duì)于深度學(xué)習(xí)的看法，他們一致肯定了深度學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域的貢獻(xiàn)。

工業(yè)界對(duì)深度學(xué)習(xí)也寄予了很高期望。2012年6月，《紐約時(shí)報(bào)》報(bào)道了斯坦福大學(xué)計(jì)算機(jī)科學(xué)家AndrewNg和谷歌公司的系統(tǒng)專家JeffDean共同研究深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型在語(yǔ)音識(shí)別和圖像識(shí)別等領(lǐng)域獲得的巨大成功。2012年11月，微軟公司在天津公開(kāi)演示了一個(gè)全自動(dòng)的同聲傳譯系統(tǒng)，其關(guān)鍵技術(shù)也是深度學(xué)習(xí)。2013年1月，百度公司首席執(zhí)行官李彥宏先生宣布建立深度學(xué)習(xí)研究院（Institute of Deep Learning）。2013年3月，谷歌公司收購(gòu)了由深度學(xué)習(xí)創(chuàng)始人Geoffrey Hinton創(chuàng)立的公司。

從學(xué)術(shù)界與工業(yè)界的研究態(tài)勢(shì)看，深度學(xué)習(xí)已經(jīng)成為機(jī)器學(xué)習(xí)與模式識(shí)別，乃至人工智能領(lǐng)域的研究熱點(diǎn)。正是在這樣一個(gè)背景下，人工神經(jīng)網(wǎng)絡(luò)重新回到人們的視野。此前人工神經(jīng)網(wǎng)絡(luò)的發(fā)展大致可以分為兩個(gè)時(shí)期，1943年，McCulloch和Pitts提出了最早的人工神經(jīng)元，這種神經(jīng)元具有學(xué)習(xí)能力，這是人工神經(jīng)網(wǎng)絡(luò)的發(fā)端，也可以被認(rèn)為是人工智能的發(fā)端（當(dāng)時(shí)還沒(méi)有人工智能這個(gè)術(shù)語(yǔ)）。1949年，Hebb提出了Hebbian學(xué)習(xí)算法。1957年，Rosenblatt提出了感知器的神經(jīng)網(wǎng)絡(luò)模型。1969年，Minsky和Papert分析了這種感知器神經(jīng)網(wǎng)絡(luò)模型的局限性。然而，很多研究者認(rèn)為，感知器的這種局限性對(duì)于所有的神經(jīng)網(wǎng)絡(luò)模型都適用，這使人工神經(jīng)網(wǎng)絡(luò)的研究很快暗淡下來(lái)。1980年代中期，諾貝爾獎(jiǎng)得主John Hopfield提出了Hopfield神經(jīng)網(wǎng)絡(luò)模型，這種Recurrent神經(jīng)網(wǎng)絡(luò)具有的動(dòng)態(tài)性有可能用于解決復(fù)雜的問(wèn)題。同時(shí)，多層前向神經(jīng)網(wǎng)絡(luò)的后傳算法也被重新發(fā)現(xiàn)，這兩個(gè)工作使人工神經(jīng)網(wǎng)絡(luò)得到重生。這時(shí)，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能的一個(gè)重要組成部分。但是，在隨后的研究中，人們發(fā)現(xiàn)，當(dāng)學(xué)習(xí)多層神經(jīng)網(wǎng)絡(luò)包含更多的隱藏層時(shí)，后傳算法并不能學(xué)到有效的網(wǎng)絡(luò)權(quán)值，這使得神經(jīng)網(wǎng)絡(luò)的研究再次陷入低潮。此次以深層神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)重新回到研究的舞臺(tái)，其中一個(gè)重要因素是Hinton提出的逐層預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)方法治愈了多層神經(jīng)網(wǎng)絡(luò)的一個(gè)致命傷。

2 必要性與可行性

深度學(xué)習(xí)的發(fā)展使得從事教學(xué)一線的教師也無(wú)法忽視這個(gè)頗具影響力的研究主題。為此，我們提出將深度學(xué)習(xí)這個(gè)主題引入到人工智能類課程中，將它作為課題教學(xué)的一部分。

2.1 必要性

將深度學(xué)習(xí)這個(gè)主題引入到人工智能類課程中的必要性主要包括如下4點(diǎn)。

1）深度學(xué)習(xí)是人工智能的前沿。

2006年以來(lái)，深度學(xué)習(xí)的研究席卷了整個(gè)人工智能，從機(jī)器學(xué)習(xí)、機(jī)器視覺(jué)、語(yǔ)音識(shí)別到語(yǔ)言處理，都不斷涌現(xiàn)出新的研究工作和突破性進(jìn)展。深度學(xué)習(xí)不僅在機(jī)器學(xué)習(xí)領(lǐng)域成為研究熱點(diǎn)，同時(shí)在多個(gè)應(yīng)用領(lǐng)域也成為有力工具，而且，在工業(yè)界的系統(tǒng)應(yīng)用中，深度學(xué)習(xí)成為其中的關(guān)鍵解決技術(shù)。

2）深度學(xué)習(xí)是人工智能的突破。

深度學(xué)習(xí)的發(fā)端是神經(jīng)網(wǎng)絡(luò)。關(guān)于神經(jīng)網(wǎng)絡(luò)的論述，在人工智能類常見(jiàn)教科書(shū)中還停留在多層神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)的第二階段，它們大部分描述多層結(jié)構(gòu)無(wú)法訓(xùn)練的現(xiàn)象。但是，從深度學(xué)習(xí)的角度看，深層神經(jīng)網(wǎng)絡(luò)不僅可學(xué)習(xí)，而且有必要，這與第二代神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)是完全不同的。深度學(xué)習(xí)突破了原有人工神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)，超越了人工智能神經(jīng)網(wǎng)絡(luò)教科書(shū)中的原有內(nèi)容，因此，有必要將多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的可學(xué)習(xí)性告知學(xué)生，從新的視角糾正原有的觀點(diǎn)。

3）深度學(xué)習(xí)是人工智能的延伸。

深度學(xué)習(xí)不僅提供了一種可以在深層神經(jīng)結(jié)構(gòu)下訓(xùn)練網(wǎng)絡(luò)的方法，也包含了不少新的內(nèi)容，是人工智能的新發(fā)展，為人工智能補(bǔ)充了新的內(nèi)容。到目前為止，深度學(xué)習(xí)至少包括：從生物神經(jīng)網(wǎng)絡(luò)與人類認(rèn)知的角度認(rèn)識(shí)深層神經(jīng)網(wǎng)絡(luò)的必要性；如何構(gòu)建和學(xué)習(xí)深層學(xué)習(xí)網(wǎng)絡(luò)；如何將深層結(jié)構(gòu)用于解決視覺(jué)、語(yǔ)音、語(yǔ)言的應(yīng)用問(wèn)題；如何看待深度學(xué)習(xí)與原有的機(jī)器學(xué)習(xí)方法，如流形學(xué)習(xí)、概率圖模型、能量模型的直接關(guān)系；深度學(xué)習(xí)與其他學(xué)科的關(guān)系等。

4）深度學(xué)習(xí)是學(xué)生的潛在興趣點(diǎn)。

大學(xué)生對(duì)知識(shí)有著強(qiáng)烈的好奇心，加之當(dāng)前信息技術(shù)的發(fā)達(dá)，部分對(duì)智能感興趣的學(xué)生可以從其他途徑了解到這個(gè)學(xué)科發(fā)展的前沿。因此，順勢(shì)而為，將深度學(xué)習(xí)這個(gè)主題做具體講解，滿足學(xué)生的好奇心，培養(yǎng)他們對(duì)學(xué)科前沿與發(fā)展的認(rèn)識(shí)，是十分必要的。對(duì)高年級(jí)的學(xué)生而言，了解深度學(xué)習(xí)的基本知識(shí)，是他們?nèi)嬲J(rèn)識(shí)人工智能與發(fā)展前沿的一個(gè)途徑，而對(duì)于研究生，較多地了解和掌握深度學(xué)習(xí)的基本知識(shí)有助于他們研究工作的開(kāi)展。

基于以上幾點(diǎn)，筆者認(rèn)為，將深度學(xué)習(xí)這個(gè)主題引入到人工智能類課程中非常有必要。深度學(xué)習(xí)作為人工智能的前沿，既是對(duì)人工智能原有理論和技術(shù)的一個(gè)突破和補(bǔ)充。

2.2 可行性

將深度學(xué)習(xí)引入到人工智能類課程中的可行性主要包括如下3點(diǎn)。

1）深度學(xué)習(xí)與現(xiàn)有人工智能聯(lián)系密切。

深度學(xué)習(xí)并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理論與技術(shù)。深度學(xué)習(xí)是以神經(jīng)網(wǎng)絡(luò)為出發(fā)點(diǎn)，這正是深度學(xué)習(xí)教與學(xué)的切入點(diǎn)。比如，可以通過(guò)對(duì)多層感知器隱藏層的增加和后傳算法的失效來(lái)講解深度學(xué)習(xí)是如何解決這個(gè)問(wèn)題的。再者，深度學(xué)習(xí)的一個(gè)核心構(gòu)建“受限波爾茲曼機(jī)（Restricted Boltzmann Machine）”，可以被認(rèn)為是一種能量模型，而這種模型與Hopfield網(wǎng)絡(luò)都可以從物理學(xué)的能量模型角度分析，RBM可以認(rèn)為是Hopfield網(wǎng)絡(luò)的隨機(jī)擴(kuò)展?？傊?，深度學(xué)習(xí)與現(xiàn)有人工智能的聯(lián)系，使學(xué)習(xí)深度學(xué)習(xí)變得容易。

2）深度學(xué)習(xí)的基本內(nèi)容并不深。

深度學(xué)習(xí)有個(gè)很好的名字，這個(gè)名字恰當(dāng)?shù)孛枋隽颂囟ǖ膶W(xué)習(xí)結(jié)構(gòu)。比如，深度學(xué)習(xí)的核心部件受限于波爾茲曼機(jī)RBM，其結(jié)構(gòu)非常簡(jiǎn)單。從神經(jīng)網(wǎng)絡(luò)的角度，受限波爾茲曼機(jī)是一種隨機(jī)的雙向連接神經(jīng)網(wǎng)絡(luò)，信號(hào)可以從可見(jiàn)層傳遞到隱藏層，也可以從隱藏層傳遞到可見(jiàn)層。網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)是具有特定結(jié)構(gòu)的神經(jīng)元，其中的神經(jīng)元具有典型的包含自身偏置的Logistic函數(shù)的隨機(jī)單元，能夠依Logistic函數(shù)計(jì)算得到的概率輸出0狀態(tài)或1狀態(tài)。概括地說(shuō)，深度學(xué)習(xí)的基本內(nèi)容在高年級(jí)階段較易掌握。

3）深度學(xué)習(xí)的資料容易獲得。

當(dāng)前的信息資訊非常發(fā)達(dá)，有相當(dāng)多的資料可以通過(guò)互聯(lián)網(wǎng)等多種途徑獲得，這使學(xué)習(xí)深度學(xué)習(xí)成為可能。近期，中國(guó)計(jì)算機(jī)學(xué)會(huì)主辦了多個(gè)技術(shù)講座均涉及深度學(xué)習(xí)的部分；深度學(xué)習(xí)的創(chuàng)始人Hinton教授的主頁(yè)也有很多資料；Coursera網(wǎng)站有免費(fèi)的Hinton教授的神經(jīng)網(wǎng)絡(luò)課程；斯坦福大學(xué)的Ng教授提供了很多的在線教程；蒙特利爾大學(xué)Bengio教授發(fā)表的題為“Learning Deep Architectures for AI”的論文也是這領(lǐng)域的優(yōu)質(zhì)資料。

3 實(shí)施建議

在具體的教學(xué)過(guò)程中，筆者建議適當(dāng)安排深度學(xué)習(xí)的最基本內(nèi)容，內(nèi)容不宜過(guò)多，也不宜占用過(guò)多的學(xué)時(shí)，可以根據(jù)教學(xué)對(duì)象的不同進(jìn)行調(diào)整。比如，本科生的高年級(jí)專業(yè)課可以安排1學(xué)時(shí)的教學(xué)量，介紹層次訓(xùn)練的基本算法；也可以在高年級(jí)前沿講座中安排2學(xué)時(shí)，內(nèi)容覆蓋面盡可能廣泛。在研究生的教學(xué)中，可以根據(jù)教學(xué)的課程主題安排內(nèi)容與學(xué)時(shí)。比如，神經(jīng)網(wǎng)絡(luò)主題的課程可以安排4-6學(xué)時(shí)的教學(xué)內(nèi)容，包括波爾茲曼機(jī)及學(xué)習(xí)算法、深層信念網(wǎng)絡(luò)與學(xué)習(xí)算法、深層波爾茲曼機(jī)與學(xué)習(xí)算法卷、積神經(jīng)網(wǎng)絡(luò)、自動(dòng)編碼器等。結(jié)合應(yīng)用，課程還可以包含MNIST數(shù)字識(shí)別的應(yīng)用、人臉識(shí)別的應(yīng)用、圖像檢索的應(yīng)用、語(yǔ)音識(shí)別中的應(yīng)用等。另外，深度學(xué)習(xí)是一個(gè)實(shí)踐性很強(qiáng)的研究，隨機(jī)性：大規(guī)模（意味著數(shù)據(jù)不宜可視化，程序運(yùn)行時(shí)間長(zhǎng)）等多種因素混合，使深度學(xué)習(xí)在學(xué)習(xí)中不容易理解。為此，可以在條件允許的前提下，增加小規(guī)模的實(shí)驗(yàn)，輔助理解。最后，課件可以通過(guò)對(duì)優(yōu)質(zhì)資料做修改得到。

對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)范文第2篇

經(jīng)過(guò)長(zhǎng)期不懈努力，科學(xué)家認(rèn)為可以從仿制人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能出發(fā)，研究人類智能活動(dòng)和認(rèn)識(shí)現(xiàn)象。然而，客觀現(xiàn)實(shí)世界是紛繁復(fù)雜的，非線性情況隨處可見(jiàn)，人腦神經(jīng)系統(tǒng)更是如此。為了更好地認(rèn)識(shí)客觀世界，我們必須對(duì)非線性科學(xué)進(jìn)行研究。人工神經(jīng)網(wǎng)絡(luò)作為一種非線性的、與大腦智能相似的網(wǎng)絡(luò)模型，就這樣應(yīng)運(yùn)而生了。因此，首先對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了概述；而后重點(diǎn)描述BP網(wǎng)絡(luò)模型，對(duì)其基于彈性BP算法的BP網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)；最后，對(duì)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試進(jìn)行了簡(jiǎn)單的分析。

關(guān)鍵詞：

人工神經(jīng)網(wǎng)絡(luò)；數(shù)學(xué)模型；策略

神經(jīng)系統(tǒng)，是人體器官的一種較為復(fù)雜的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是對(duì)人腦的神經(jīng)結(jié)構(gòu)與機(jī)制進(jìn)行模擬，是一種區(qū)別于符號(hào)推理以及邏輯思維的人工智能技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是基于現(xiàn)代神經(jīng)生物學(xué)和認(rèn)知科學(xué)對(duì)人類信息處理研究成果的基礎(chǔ)上研發(fā)的，用來(lái)模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界的物體來(lái)做出反應(yīng)。除此之外，它還屬于一種大規(guī)模自適應(yīng)的非線性動(dòng)力學(xué)系統(tǒng)，具備非常強(qiáng)的聯(lián)想記憶和自主學(xué)習(xí)能力。人工神經(jīng)網(wǎng)絡(luò)具有非線性映射、模式識(shí)別、函數(shù)逼近、聚類分析、數(shù)據(jù)壓縮以及優(yōu)化設(shè)計(jì)的功能，并且在穩(wěn)定性、收斂性等方面都有良好的性質(zhì)，被廣泛應(yīng)用于信息處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)、優(yōu)化計(jì)算、智能控制等各個(gè)領(lǐng)域中。

一、人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，可以稱之為神經(jīng)網(wǎng)絡(luò)或者鏈接模型，是屬于一種對(duì)人腦或者自然神經(jīng)網(wǎng)絡(luò)的若干個(gè)基本特性進(jìn)行抽象和模擬的網(wǎng)絡(luò)?，F(xiàn)階段人工神經(jīng)網(wǎng)絡(luò)的研究成果基礎(chǔ)是對(duì)大腦的模擬研究，是為了模擬大腦當(dāng)中的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某個(gè)方面的功能而進(jìn)行專項(xiàng)研究的。人工神經(jīng)網(wǎng)絡(luò)具有可以充分逼近任意復(fù)雜的非線性關(guān)系，對(duì)于定量或者定性的信息會(huì)采用并行分布的處理方式，使其可以大量并且快速進(jìn)行運(yùn)算、適應(yīng)不確定的系統(tǒng)和對(duì)定量以及定性信息進(jìn)行同一時(shí)間的處理。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)越性表現(xiàn)在三方面，具有自主學(xué)習(xí)的能力，具有聯(lián)想存儲(chǔ)的能力，具有高速尋找并且尋找優(yōu)化方式的能力。對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究，可以分為理論研究和應(yīng)用研究?jī)蓚€(gè)方面的研究。在理論研究中，可以利用神經(jīng)生理與認(rèn)知科學(xué)對(duì)人類的思維以及智能機(jī)理進(jìn)行相關(guān)研究，還可以利用人腦神經(jīng)的基礎(chǔ)理論研究成果，用數(shù)理方法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更加完善、更加優(yōu)越的探索。在應(yīng)用研究方面，神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)軟件的模擬和對(duì)硬件的科學(xué)研究。而且，神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中也都得到了廣泛的研究，例如模式識(shí)別、信號(hào)處理、知識(shí)工程、專家系統(tǒng)、優(yōu)化組合以及機(jī)器人控制等領(lǐng)域。

現(xiàn)行的數(shù)理知識(shí)是建立在集合論的基礎(chǔ)上的，隨著數(shù)學(xué)階段的發(fā)展，對(duì)于人類系統(tǒng)的行為，或者對(duì)于人類復(fù)雜系統(tǒng)，比如航天系統(tǒng)、人腦系統(tǒng)以及社會(huì)系統(tǒng)等方面，其中的參數(shù)和變量有很多，各種因素也是相互交錯(cuò)的，因此，系統(tǒng)是相當(dāng)復(fù)雜的，相對(duì)的模糊性也會(huì)顯得非常明顯。就認(rèn)識(shí)方面來(lái)講，可以用模糊性這個(gè)詞語(yǔ)來(lái)概括概念外延的不確定性。因此，模糊數(shù)學(xué)的概念應(yīng)運(yùn)而生，主要的研究?jī)?nèi)容包括三個(gè)方面。首先，可以對(duì)模糊數(shù)學(xué)的理論進(jìn)行精確研究，其中包含著與精確數(shù)學(xué)以及隨機(jī)數(shù)學(xué)的關(guān)系；其次，還需要研究模糊語(yǔ)言學(xué)和模糊邏輯，人類的自然語(yǔ)言都是具有模糊性的，人們經(jīng)常會(huì)接收到迷糊語(yǔ)言和模糊的信息，并且可以對(duì)其做出正確的判斷和辨別。因此，為了可以使得自然語(yǔ)言和計(jì)算機(jī)語(yǔ)言的直接對(duì)話，就必須把人類的自然語(yǔ)言和思維的過(guò)程提煉成為數(shù)學(xué)模型來(lái)對(duì)計(jì)算機(jī)進(jìn)行指令，這樣就可以建立模糊數(shù)學(xué)的模型樣本，通過(guò)運(yùn)用此種方式，建立的就是模糊數(shù)學(xué)的模型，也是運(yùn)用數(shù)學(xué)方法的關(guān)鍵之所在。最后，研究模糊數(shù)學(xué)的應(yīng)用，模糊數(shù)學(xué)的研究對(duì)象通常是以不確定的事物為主的。模糊的集合通常都是通過(guò)數(shù)學(xué)來(lái)適用描述的復(fù)雜的事物，將研究的對(duì)象數(shù)學(xué)化，將其中的不確定性很好地和抽象的數(shù)學(xué)溝通起來(lái)，達(dá)到形象生動(dòng)直觀的效果。

二、BP網(wǎng)絡(luò)模型

1.BP網(wǎng)概述BP算法，是由PallWerbas博士在1974年首次提出的，即為誤差逆?zhèn)鞑W(xué)習(xí)算法，而對(duì)于此算法完整的提出是在1986年由Rumelhart和McCelland為首的科學(xué)家小組提出來(lái)的。后來(lái)，人們把BP算法在進(jìn)行訓(xùn)練之前的前饋型的神經(jīng)網(wǎng)絡(luò)稱之為BP網(wǎng)絡(luò)，逐漸以其簡(jiǎn)潔、實(shí)用和高度的非線性映射能力成為流行的網(wǎng)絡(luò)模型，在信號(hào)處理、模式識(shí)別、系統(tǒng)辨識(shí)以及數(shù)據(jù)壓縮中都有廣泛的應(yīng)用。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用過(guò)程當(dāng)中，大部分的模型會(huì)采用BP網(wǎng)絡(luò)或者它所擁有的變化形式，屬于前向網(wǎng)絡(luò)中的基礎(chǔ)核心部分，屬于人工神經(jīng)網(wǎng)絡(luò)中的精華部分。2.BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)BP網(wǎng)絡(luò)屬于一種前向型神經(jīng)網(wǎng)絡(luò)，其中的神經(jīng)網(wǎng)絡(luò)具有三層或者三層以上，可以對(duì)上下層之間的神經(jīng)元進(jìn)行全部的連接，也就是說(shuō)下層的每一個(gè)神經(jīng)元可以和上層的每一個(gè)神經(jīng)元實(shí)現(xiàn)連接，但是在同層之間的神經(jīng)元是沒(méi)有辦法相連的。3.BP網(wǎng)絡(luò)的工作原理以及過(guò)程對(duì)于BP網(wǎng)絡(luò)的學(xué)習(xí)可以有兩個(gè)階段。首先，需要學(xué)習(xí)信號(hào)的正向傳播過(guò)程。當(dāng)一對(duì)學(xué)習(xí)的模式進(jìn)行網(wǎng)絡(luò)提供之后，神經(jīng)元的激活值就會(huì)從輸入層當(dāng)中的各隱含層向輸出層中進(jìn)行傳播，并且在輸出層的各個(gè)神經(jīng)元內(nèi)會(huì)相應(yīng)地輸入響應(yīng)值。其次，是對(duì)正方向的傳播過(guò)程進(jìn)行誤差的修正，如果在輸出層中的輸出值和預(yù)期的有偏差，就會(huì)對(duì)實(shí)際輸入與期望輸出之間的誤差進(jìn)行逐層遞歸的計(jì)算，計(jì)算方向會(huì)按照減小期望輸出和實(shí)際輸出之間的誤差方向。對(duì)輸出層之間的各個(gè)隱含層進(jìn)行每一層的連接權(quán)進(jìn)行逐層的修正，最后再回到輸入層，這個(gè)循環(huán)的過(guò)程就稱之為“誤差逆?zhèn)鞑W(xué)習(xí)算法”?，F(xiàn)階段，這種誤差傳播的修正方式在不斷地進(jìn)行創(chuàng)新修正，網(wǎng)絡(luò)對(duì)應(yīng)的輸入模式相應(yīng)的正確率也會(huì)隨著算法的不斷發(fā)展得到相對(duì)應(yīng)地提高。4.算法流程BP的算法流程如圖2。

三、基于彈性BP算法的BP網(wǎng)設(shè)計(jì)與實(shí)現(xiàn)

1.BP網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)在1989年，RobertHecht-Nielson證明了在任何一個(gè)閉區(qū)間當(dāng)中的一個(gè)連續(xù)的函數(shù)都可以用一個(gè)隱含層的BP網(wǎng)絡(luò)來(lái)進(jìn)行逼近，這就導(dǎo)致了用一個(gè)3層的BP網(wǎng)絡(luò)可以完成任意的從N到M維的映射。輸入層節(jié)點(diǎn)的點(diǎn)數(shù)是根據(jù)樣本的輸入特征項(xiàng)來(lái)決定的，而輸出的節(jié)點(diǎn)數(shù)是根據(jù)樣本的期望輸出項(xiàng)來(lái)決定的。在隱層節(jié)點(diǎn)當(dāng)中，由于隱層節(jié)點(diǎn)的數(shù)目過(guò)多，平均的收斂速度就會(huì)變慢并且速度是極其不穩(wěn)定的，這樣就會(huì)增加初始權(quán)值的敏感度，網(wǎng)絡(luò)的泛化能力也會(huì)隨之降低，在對(duì)隱層節(jié)點(diǎn)數(shù)進(jìn)行計(jì)算的時(shí)候。其中，h代表的是隱層節(jié)點(diǎn)數(shù)，nin代表的是輸入層的節(jié)點(diǎn)數(shù)，則nout則代表的是輸出層的節(jié)點(diǎn)數(shù)。當(dāng)因?yàn)榫W(wǎng)絡(luò)發(fā)生誤差產(chǎn)生下降的時(shí)候，也就是E（網(wǎng)絡(luò)誤差）下降的速度非常緩慢的時(shí)候，這個(gè)時(shí)候網(wǎng)絡(luò)的收斂水平還需要進(jìn)一步提高的時(shí)候，就會(huì)增加一個(gè)隱層節(jié)點(diǎn)。如果遇到相反的情況，則就會(huì)減少一個(gè)相應(yīng)的節(jié)點(diǎn)。對(duì)于BP網(wǎng)絡(luò)的優(yōu)化，主要包括以下幾個(gè)步驟。首先，利用彈性BP算法來(lái)對(duì)網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行修正，利用此種算法，在很大程度上避免了使得學(xué)習(xí)（是學(xué)習(xí)）陷入局部狹小的現(xiàn)象，這樣可以加快學(xué)習(xí)收斂的速度；其次，對(duì)于隱含的節(jié)點(diǎn)數(shù)可以進(jìn)行隨意的設(shè)定；而后，在對(duì)隱含層和輸出層的激活函數(shù)之間可以在給定的5種暢通的函數(shù)當(dāng)中進(jìn)行隨意的選擇，最后就需要對(duì)輸入向量的歸一化了。

四、網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

1.訓(xùn)練樣本的聲場(chǎng)以及網(wǎng)絡(luò)的構(gòu)造如果采用100個(gè)樣本對(duì)來(lái)進(jìn)行聲場(chǎng)訓(xùn)練樣本對(duì)，這里的樣本數(shù)據(jù)采用LINSPACE（X1，X2，N）的函數(shù)生成。在本文當(dāng)中，BP網(wǎng)絡(luò)有三層構(gòu)造。在這三層構(gòu)造當(dāng)中，第一層采用tansig激活函數(shù)；第二層采用logsig激活函數(shù)，在第三層則需要采用purline激活函數(shù)來(lái)進(jìn)行。在網(wǎng)絡(luò)訓(xùn)練當(dāng)中需要用Matlab神經(jīng)網(wǎng)絡(luò)工具箱當(dāng)中的L-M法的trainlm這個(gè)函數(shù)來(lái)進(jìn)行計(jì)算。2.網(wǎng)絡(luò)學(xué)習(xí)以及等級(jí)的評(píng)價(jià)通過(guò)MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱上建立的模型，需要將學(xué)3.網(wǎng)絡(luò)測(cè)試成效從評(píng)價(jià)的結(jié)果上來(lái)看，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法最大限度地減少了人為因素的影響，在這其中可以在很大程度上減少因?yàn)閭鹘y(tǒng)方式而在設(shè)計(jì)權(quán)重過(guò)程當(dāng)中的不確定性，通過(guò)這種方式來(lái)對(duì)評(píng)價(jià)的對(duì)象進(jìn)行自動(dòng)評(píng)價(jià)。同時(shí)，BP的神經(jīng)網(wǎng)絡(luò)這種評(píng)估方式本身也具有一定的局限性，例如對(duì)網(wǎng)絡(luò)當(dāng)中的隱層節(jié)點(diǎn)個(gè)數(shù)難以確定，在學(xué)習(xí)訓(xùn)練的過(guò)程當(dāng)中最容易陷入局部最優(yōu)的問(wèn)題，在很大程度上會(huì)影響評(píng)價(jià)結(jié)果的精準(zhǔn)性。

五、結(jié)束語(yǔ)

運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方式有效解決多源、多類型以及多屬性地址處理和分析問(wèn)題，在很大程度上突破了統(tǒng)計(jì)數(shù)學(xué)模型對(duì)預(yù)測(cè)的約束力和限制力。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行復(fù)雜的地址信息的非線性整合處理，可以精準(zhǔn)的對(duì)各類資料進(jìn)行綜合分析和歸類。

參考文獻(xiàn)：

[1]李傳杰.基于模糊數(shù)學(xué)及神經(jīng)網(wǎng)絡(luò)的心理評(píng)估模型[D].山東大學(xué)，2008

[2]徐振東.人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型建立及成礦預(yù)測(cè)BP網(wǎng)絡(luò)的實(shí)現(xiàn)[D].吉林大學(xué)，2004

[3]鄧麗瓊，朱俊.基于BP神經(jīng)網(wǎng)絡(luò)的教師課堂教學(xué)評(píng)價(jià)模型[J].國(guó)土資源高等職業(yè)教育研究，2013

對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)范文第3篇

80年代初，在美國(guó)、日本、接著在我國(guó)國(guó)內(nèi)都掀起了一股研究神經(jīng)網(wǎng)絡(luò)理論和神經(jīng)計(jì)算機(jī)的熱潮，并將神經(jīng)網(wǎng)絡(luò)原理應(yīng)用于圖象處理、模式識(shí)別、語(yǔ)音綜合及機(jī)器人控制等領(lǐng)域。近年來(lái)，美國(guó)等先進(jìn)國(guó)家又相繼投入巨額資金，制定出強(qiáng)化研究計(jì)劃，開(kāi)展對(duì)腦功能和新型智能計(jì)算機(jī)的研究。

人腦是自生命誕生以來(lái)，生物經(jīng)過(guò)數(shù)十億年漫長(zhǎng)歲月進(jìn)化的結(jié)果，是具有高度智能的復(fù)雜系統(tǒng)，它不必采用繁復(fù)的數(shù)字計(jì)算和邏輯運(yùn)算，卻能靈活處理各種復(fù)雜的，不精確的和模糊的信息，善于理解語(yǔ)言、圖象并具有直覺(jué)感知等功能。

人腦的信息處理機(jī)制極其復(fù)雜，從結(jié)構(gòu)上看它是包含有140億神經(jīng)細(xì)胞的大規(guī)模網(wǎng)絡(luò)。單個(gè)神經(jīng)細(xì)胞的工作速度并不高（毫秒級(jí)），但它通過(guò)超并行處理使得整個(gè)系統(tǒng)實(shí)現(xiàn)處理的高速性和信息表現(xiàn)的多樣性。

因此，從信息處理的角度對(duì)人腦進(jìn)行研究，并由此研制出一種象人腦一樣能夠“思維”的智能計(jì)算機(jī)和智能信息處理方法，一直是人工智能追求的目標(biāo)。

神經(jīng)網(wǎng)絡(luò)就是通過(guò)對(duì)人腦的基本單元---神經(jīng)元的建模和聯(lián)結(jié)，來(lái)探索模擬人腦神經(jīng)系統(tǒng)功能的模型，并研制一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識(shí)別等智能信息處理功能的人工系統(tǒng)。本文介紹神經(jīng)網(wǎng)絡(luò)的特點(diǎn)以及近年來(lái)有關(guān)神經(jīng)網(wǎng)絡(luò)與混沌理論、模糊計(jì)算和遺傳算法等相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)研究的動(dòng)態(tài)。

一．神經(jīng)網(wǎng)絡(luò)和聯(lián)結(jié)主義

回顧認(rèn)知科學(xué)的發(fā)展，有所謂符號(hào)主義和聯(lián)結(jié)主義兩大流派。符號(hào)主義從宏觀層次上，撇開(kāi)人腦的內(nèi)部結(jié)構(gòu)和機(jī)制，僅從人腦外在表現(xiàn)出來(lái)的智能現(xiàn)象出發(fā)進(jìn)行研究。例如，將記憶、判斷、推理、學(xué)習(xí)等心理活動(dòng)總結(jié)成規(guī)律、甚至編制成規(guī)則，然后用計(jì)算機(jī)進(jìn)行模擬，使計(jì)算機(jī)表現(xiàn)出各種智能。

符號(hào)主義認(rèn)為，認(rèn)識(shí)的基本元素是符號(hào)，認(rèn)知過(guò)程是對(duì)符號(hào)表示的運(yùn)算。人類的語(yǔ)言，文字的思維均可用符號(hào)來(lái)描述，而且思維過(guò)程只不過(guò)是這些符號(hào)的存儲(chǔ)、變換和輸入、輸出而已。以這種方法實(shí)現(xiàn)的系統(tǒng)具有串行、線性、準(zhǔn)確、簡(jiǎn)潔、易于表達(dá)的特點(diǎn)，體現(xiàn)了邏輯思維的基本特性。七十年代的專家系統(tǒng)和八十年代日本的第五代計(jì)算機(jī)研究計(jì)劃就是其主要代表。

聯(lián)接主義則與其不同，其特點(diǎn)是從微觀出發(fā)。聯(lián)接主義認(rèn)為符號(hào)是不存在的，認(rèn)知的基本元素就是神經(jīng)細(xì)胞（神經(jīng)元），認(rèn)知過(guò)程是大量神經(jīng)元的聯(lián)接，以及這種聯(lián)接所引起的神經(jīng)元的不同興奮狀態(tài)和系統(tǒng)所表現(xiàn)出的總體行為。八十年代再度興起的神經(jīng)網(wǎng)絡(luò)和神經(jīng)計(jì)算機(jī)就是這種聯(lián)接主義的代表。

神經(jīng)網(wǎng)絡(luò)的主要特征是：大規(guī)模的并行處理和分布式的信息存儲(chǔ)，良好的自適應(yīng)、自組織性，以及很強(qiáng)的學(xué)習(xí)功能、聯(lián)想功能和容錯(cuò)功能。與當(dāng)今的馮．諾依曼式計(jì)算機(jī)相比，更加接近人腦的信息處理模式。主要表現(xiàn)如下：

神經(jīng)網(wǎng)絡(luò)能夠處理連續(xù)的模擬信號(hào)。例如連續(xù)灰度變化的圖象信號(hào)。

能夠處理混沌的、不完全的、模糊的信息。

傳統(tǒng)的計(jì)算機(jī)能給出精確的解答，神經(jīng)網(wǎng)絡(luò)給出的是次最優(yōu)的逼近解答。

神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時(shí)參與運(yùn)算，單個(gè)神經(jīng)元的動(dòng)作速度不高，但總體的處理速度極快。

神經(jīng)網(wǎng)絡(luò)信息存儲(chǔ)分布于全網(wǎng)絡(luò)各個(gè)權(quán)重變換之中，某些單元障礙并不影響信息的完整，具有魯棒性。

傳統(tǒng)計(jì)算機(jī)要求有準(zhǔn)確的輸入條件，才能給出精確解。神經(jīng)網(wǎng)絡(luò)只要求部分條件，甚至對(duì)于包含有部分錯(cuò)誤的輸入，也能得出較好的解答，具有容錯(cuò)性。

神經(jīng)網(wǎng)絡(luò)在處理自然語(yǔ)言理解、圖象模式識(shí)別、景物理解、不完整信息的處理、智能機(jī)器人控制等方面有優(yōu)勢(shì)。

符號(hào)主義和聯(lián)接主義兩者各有特色，學(xué)術(shù)界目前有一種看法：認(rèn)為基于符號(hào)主義得傳統(tǒng)人工智能和基于聯(lián)接主義得神經(jīng)網(wǎng)絡(luò)是分別描述人腦左、右半腦的功能，反映了人類智能的兩重性：精確處理和非精確處理，分別面向認(rèn)識(shí)的理性和感性兩個(gè)方面，兩者的關(guān)系應(yīng)該是互補(bǔ)而非互相代替。理想的智能系統(tǒng)及其表現(xiàn)的智能行為應(yīng)是兩者相互結(jié)合的結(jié)果。

接下去的問(wèn)題是，符號(hào)AI和聯(lián)接AI具體如何結(jié)合，兩者在智能系統(tǒng)中相互關(guān)系如何？分別扮演什么角色？目前這方面發(fā)表的文獻(xiàn)很多，大致有如下幾種類型：

1．松耦合模型：符號(hào)機(jī)制的專家系統(tǒng)與聯(lián)接機(jī)制的神經(jīng)網(wǎng)絡(luò)通過(guò)一個(gè)中間媒介（例如數(shù)據(jù)文件）進(jìn)行通訊。

2．緊耦合模型：與松耦合模型相比較，其通訊不是通過(guò)外部數(shù)據(jù)進(jìn)行，而是直接通過(guò)內(nèi)部數(shù)據(jù)完成，具有較高的效率。其主要類型有嵌入式系統(tǒng)和黑板結(jié)構(gòu)等。

3．轉(zhuǎn)換模型：將專家系統(tǒng)的知識(shí)轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)，或把神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成專家系統(tǒng)的知識(shí)，轉(zhuǎn)換前的系統(tǒng)稱為源系統(tǒng)，轉(zhuǎn)換后的系統(tǒng)稱為目標(biāo)系統(tǒng)，由一種機(jī)制轉(zhuǎn)成另一種機(jī)制。如果源系統(tǒng)是專家系統(tǒng)，目標(biāo)系統(tǒng)是神經(jīng)網(wǎng)絡(luò)，則可獲得學(xué)習(xí)能力及自適應(yīng)性；反之，可獲得單步推理能力、解釋能力及知識(shí)的顯式表示。當(dāng)然，轉(zhuǎn)換需要在兩種的機(jī)制之間，確定結(jié)構(gòu)上的一致性，目前主要問(wèn)題是還沒(méi)有一種完備而精確的轉(zhuǎn)換方法實(shí)現(xiàn)兩者的轉(zhuǎn)換。有待進(jìn)一步研究。

4．綜合模型：綜合模型共享數(shù)據(jù)結(jié)構(gòu)和知識(shí)表示，這時(shí)聯(lián)接機(jī)制和符號(hào)機(jī)制不再分開(kāi)，兩者相互結(jié)合成為一個(gè)整體，既具有符號(hào)機(jī)制的邏輯功能，又有聯(lián)接機(jī)制的自適應(yīng)和容錯(cuò)性的優(yōu)點(diǎn)和特點(diǎn)。例如聯(lián)接主義的專家系統(tǒng)等。

近年來(lái)神經(jīng)網(wǎng)絡(luò)研究的另一個(gè)趨勢(shì)，是將它與模糊邏輯、混沌理論、遺傳進(jìn)化算法等相結(jié)合，即所謂“混合神經(jīng)網(wǎng)絡(luò)”方法。由于這些理論和算法都是屬于仿效生物體信息處理的方法，人們希望通過(guò)她們之間的相互結(jié)合，能夠獲得具有有柔性信息處理功能的系統(tǒng)。下面分別介紹。

二．混沌理論與智能信息處理

混沌理論是對(duì)貌似無(wú)序而實(shí)際有序，表面上看來(lái)是雜亂無(wú)章的現(xiàn)象中，找出其規(guī)律，并予以處理的一門(mén)學(xué)科。早在七十年代，美國(guó)和歐洲的一些物理學(xué)家、生物學(xué)家、數(shù)學(xué)家就致力于尋求在許許多多不同種類的不規(guī)則性之間的聯(lián)系。生物學(xué)家發(fā)現(xiàn)在人類的心臟中有混沌現(xiàn)象存在，血管在顯微鏡下交叉纏繞，其中也有驚人的有序性。在生物腦神經(jīng)系統(tǒng)中從微觀的神經(jīng)膜電位到宏觀的腦電波，都可以觀察到混沌的性態(tài)，證明混沌也是神經(jīng)系統(tǒng)的正常特性。

九十年代開(kāi)始，則更進(jìn)一步將混沌和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，提出多種混沌神經(jīng)網(wǎng)絡(luò)模型，并探索應(yīng)用混沌理論的各種信息處理方法。例如，在神經(jīng)元模型中，引入神經(jīng)膜的不應(yīng)性，研究神經(jīng)元模型的混沌響應(yīng)，研究在神經(jīng)網(wǎng)絡(luò)的方程中，不應(yīng)性項(xiàng)的定標(biāo)參數(shù)，不定性時(shí)間衰減常數(shù)等參數(shù)的性質(zhì)，以及這些參數(shù)于神經(jīng)網(wǎng)絡(luò)混沌響應(yīng)的關(guān)系，并確定混沌---神經(jīng)網(wǎng)絡(luò)模型具有混沌解的參數(shù)空間。經(jīng)過(guò)試驗(yàn)，由這種混沌神經(jīng)網(wǎng)絡(luò)模型所繪出的輸出圖形和腦電圖極為相似。

現(xiàn)代腦科學(xué)把人腦的工作過(guò)程看成為復(fù)雜的多層次的混沌動(dòng)力學(xué)系統(tǒng)。腦功能的物理基礎(chǔ)是混沌性質(zhì)的過(guò)程，腦的工作包含有混沌的性質(zhì)。通過(guò)混沌動(dòng)力學(xué)，研究、分析腦模型的信息處理能力，可進(jìn)一步探索動(dòng)態(tài)聯(lián)想記憶、動(dòng)態(tài)學(xué)習(xí)并應(yīng)用到模式識(shí)別等工程領(lǐng)域。例如：

對(duì)混沌的隨機(jī)不規(guī)則現(xiàn)象，可利用混沌理論進(jìn)行非線性預(yù)測(cè)和決策。

對(duì)被噪聲所掩蓋的微弱信號(hào)，如果噪聲是一種混沌現(xiàn)象，則可通過(guò)非線性辨識(shí)，有效進(jìn)行濾波。

利用混沌現(xiàn)象對(duì)初始值的敏銳依賴性，構(gòu)成模式識(shí)別系統(tǒng)。

研究基于混沌---神經(jīng)網(wǎng)絡(luò)自適應(yīng)存儲(chǔ)檢索算法。該算法主要包括三個(gè)步驟，即：特征提取、自適應(yīng)學(xué)習(xí)和檢索。

模式特征提取采用從簡(jiǎn)單的吸引子到混沌的層次分支結(jié)構(gòu)來(lái)描述，這種分支結(jié)構(gòu)有可能通過(guò)少數(shù)幾個(gè)系統(tǒng)參數(shù)的變化來(lái)加以控制，使復(fù)雜問(wèn)題簡(jiǎn)單化。自適應(yīng)學(xué)習(xí)采用神經(jīng)網(wǎng)絡(luò)的誤差反傳學(xué)習(xí)法。檢索過(guò)程是通過(guò)一個(gè)具有穩(wěn)定吸引子的動(dòng)力學(xué)系統(tǒng)來(lái)完成，即利用輸入的初始條件與某個(gè)吸引子（輸出）之間的存在直接對(duì)應(yīng)關(guān)系的方法進(jìn)行檢索。利用這種方法可應(yīng)用于模式識(shí)別。例如黑白圖象的人臉識(shí)別。

三．模糊集理論與模糊工程

八十年代以來(lái)在模糊集理論和應(yīng)用方面，也有很大進(jìn)展。1983年美國(guó)西海岸AI研究所發(fā)表了稱為REVEAL的模糊輔助決策系統(tǒng)并投入市場(chǎng)，1986年美國(guó)將模糊邏輯導(dǎo)入OPS---5，并研究成功模糊專家系統(tǒng)外殼FLOPS，1987年英國(guó)發(fā)表采用模糊PROLOG的智能系統(tǒng)FRIL等。除此通用工具的研制以外，各國(guó)還開(kāi)發(fā)一系列用于專用目的的智能信息處理系統(tǒng)并實(shí)際應(yīng)用于智能控制、模式識(shí)別、醫(yī)療診斷、故障檢測(cè)等方面。

模糊集理論和神經(jīng)網(wǎng)絡(luò)雖然都屬于仿效生物體信息處理機(jī)制以獲得柔性信息處理功能的理論，但兩者所用的研究方法卻大不相同，神經(jīng)網(wǎng)絡(luò)著眼于腦的微觀網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)學(xué)習(xí)、自組織化和非線性動(dòng)力學(xué)理論形成的并行分析方法，可處理無(wú)法語(yǔ)言化的模式信息。而模糊集理論則著眼于可用語(yǔ)言和概念作為代表的腦的宏觀功能，按照人為引入的隸屬度函數(shù)，邏輯的處理包含有模糊性的語(yǔ)言信息。

神經(jīng)網(wǎng)絡(luò)和模糊集理論目標(biāo)相近而方法各異。因此如果兩者相互結(jié)合，必能達(dá)到取長(zhǎng)補(bǔ)短的作用。將模糊和神經(jīng)網(wǎng)絡(luò)相結(jié)合的研究，約在15年前便已在神經(jīng)網(wǎng)絡(luò)領(lǐng)域開(kāi)始，為了描述神經(jīng)細(xì)胞模型，開(kāi)始采用模糊語(yǔ)言，把模糊集合及其運(yùn)算用于神經(jīng)元模型和描述神經(jīng)網(wǎng)絡(luò)系統(tǒng)。目前，有關(guān)模糊---神經(jīng)網(wǎng)絡(luò)模型的研究大體上可分為兩類：一類是以神經(jīng)網(wǎng)絡(luò)為主，結(jié)合模糊集理論。例如，將神經(jīng)網(wǎng)絡(luò)參數(shù)模糊化，采用模糊集合進(jìn)行模糊運(yùn)算。另一類以模糊集、模糊邏輯為主，結(jié)合神經(jīng)網(wǎng)絡(luò)方法，利用神經(jīng)網(wǎng)絡(luò)的自組織特性，達(dá)到柔性信息處理的目的。

與神經(jīng)網(wǎng)絡(luò)相比，模糊集理論和模糊計(jì)算是更接近實(shí)用化的理論，特別近年來(lái)美國(guó)和日本的各大公司都紛紛推出各種模糊芯片，研制了型號(hào)繁多的模糊推理板，并實(shí)際應(yīng)用于智能控制等各個(gè)應(yīng)用領(lǐng)域，建立“模糊工程”這樣一個(gè)新領(lǐng)域。日本更首先在模糊家電方面打開(kāi)市場(chǎng)，帶有模糊控制，甚至標(biāo)以神經(jīng)---模糊智能控制的洗衣機(jī)、電冰箱、空調(diào)器、攝象機(jī)等已成為新一代家電的時(shí)髦產(chǎn)品。我國(guó)目前市場(chǎng)上也有許多洗衣機(jī)，例如榮事達(dá)洗衣機(jī)就是采用模糊神經(jīng)網(wǎng)絡(luò)智能控制方式的洗衣機(jī)。

四．遺傳算法

遺傳算法（GeneticAlgorithm：GA）是模擬生物的進(jìn)化現(xiàn)象（自然、淘汰、交叉、突然變異）的一種概率搜索和最優(yōu)化方法。是模擬自然淘汰和遺傳現(xiàn)象的工程模型。

GA的歷史可追溯到1960年，明確提出遺傳算法的是1975年美國(guó)Michigan大學(xué)的Holland博士，他根據(jù)生物進(jìn)化過(guò)程的適應(yīng)現(xiàn)象，提出如下的GA模型方案：

1．將多個(gè)生物的染色體（Chromosmoe）組成的符號(hào)集合，按文字進(jìn)行編碼，稱為個(gè)體。

2．定義評(píng)價(jià)函數(shù)，表示個(gè)體對(duì)外部環(huán)境的適應(yīng)性。其數(shù)值大的個(gè)體表示對(duì)外部環(huán)境的適應(yīng)性高，它的生存（子孫的延續(xù)）的概率也高。

3．每個(gè)個(gè)體由多個(gè)“部分”組合而成，每個(gè)部分隨機(jī)進(jìn)行交叉及突然變異等變化，并由此產(chǎn)生子孫（遺傳現(xiàn)象）。

4．個(gè)體的集合通過(guò)遺傳，由選擇淘汰產(chǎn)生下一代。

遺傳算法提出之后，很快得到人工智能、計(jì)算機(jī)、生物學(xué)等領(lǐng)域科學(xué)家的高度重視，并在各方面廣泛應(yīng)用。1989年美國(guó)Goldberg博士發(fā)表一本專著：“GeneticAlgorithmsinSearch，OptimizationandMachineLearning”。出版后產(chǎn)生較大影響，該書(shū)對(duì)GA的數(shù)學(xué)基礎(chǔ)理論，GA的基本定理、數(shù)理分析以及在搜索法、最優(yōu)化、機(jī)器學(xué)習(xí)等GA應(yīng)用方面進(jìn)行了深入淺出的介紹，并附有Pascal模擬程序。

1985年7月在美國(guó)召開(kāi)第一屆“遺傳算法國(guó)際會(huì)議”（ICGA）。以后每隔兩年召開(kāi)一次。近年來(lái)，遺傳算法發(fā)展很快，并廣泛應(yīng)用于信息技術(shù)的各個(gè)領(lǐng)域，例如：

智能控制：機(jī)器人控制。機(jī)器人路徑規(guī)劃。

工程設(shè)計(jì)：微電子芯片的布局、布線；通信網(wǎng)絡(luò)設(shè)計(jì)、濾波器設(shè)計(jì)、噴氣發(fā)動(dòng)機(jī)設(shè)計(jì)。

圖象處理：圖象恢復(fù)、圖象識(shí)別、特征抽取。

調(diào)度規(guī)劃：生產(chǎn)規(guī)劃、調(diào)度問(wèn)題、并行機(jī)任務(wù)分配。

優(yōu)化理論：TSP問(wèn)題、背包問(wèn)題、圖劃分問(wèn)題。

人工生命：生命的遺傳進(jìn)化以及自增殖、自適應(yīng)；免疫系統(tǒng)、生態(tài)系統(tǒng)等方面的研究。

神經(jīng)網(wǎng)絡(luò)、模糊集理論和以遺傳算法為代表的進(jìn)化算法都是仿效生物信息處理模式以獲得智能信息處理功能的理論。三者目標(biāo)相近而方法各異；將它們相互結(jié)合，必能達(dá)到取長(zhǎng)補(bǔ)短、各顯優(yōu)勢(shì)的效果。例如，遺傳算法與神經(jīng)網(wǎng)絡(luò)和模糊計(jì)算相結(jié)合方面就有：

神經(jīng)網(wǎng)絡(luò)連續(xù)權(quán)的進(jìn)化。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)如BP網(wǎng)絡(luò)是通過(guò)學(xué)習(xí)，并按一定規(guī)則來(lái)改變數(shù)值分布。這種方法有訓(xùn)練時(shí)間過(guò)長(zhǎng)和容易陷入局部?jī)?yōu)化的問(wèn)題。采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)可以克服這個(gè)缺點(diǎn)。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化。

目前神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)全靠設(shè)計(jì)者的經(jīng)驗(yàn)，由人事先確定，還沒(méi)有一種系統(tǒng)的方法來(lái)確定網(wǎng)絡(luò)結(jié)構(gòu)，采用遺傳算法可用來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的進(jìn)化。

對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)范文第4篇

人工神經(jīng)網(wǎng)絡(luò)屬于一種對(duì)人腦結(jié)構(gòu)及功能進(jìn)行反映的數(shù)學(xué)抽象模型，對(duì)人的思維以及存儲(chǔ)知識(shí)等功能進(jìn)行模擬，從而完成某項(xiàng)工作。對(duì)于巖土工程來(lái)說(shuō)，主要包括巖體和土體兩項(xiàng)內(nèi)容，且這兩項(xiàng)內(nèi)容均具備很高的復(fù)雜性。在巖土工程研究過(guò)程中，有必要借助人工神經(jīng)網(wǎng)絡(luò)，從而使巖土工程的研究得到有效進(jìn)步發(fā)展。本文在分析人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，進(jìn)一步對(duì)人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用進(jìn)行分析，以期為巖土工程研究的進(jìn)展提供一些具有價(jià)值的參考建議。

關(guān)鍵詞:

人工神經(jīng)網(wǎng)絡(luò)；巖土工程；應(yīng)用

巖土工程的研究對(duì)象分為兩大類:其一為巖體;其二為土體。巖土工程涉及的介質(zhì)存在兩大特性，即模糊性和隨機(jī)性，這兩大特性又統(tǒng)稱為不確定性。近年來(lái)，不少學(xué)者在巖土工程研究過(guò)程中，提出了人工神經(jīng)網(wǎng)絡(luò)這一概念，即利用人工神經(jīng)網(wǎng)絡(luò)，將其應(yīng)用到巖土工程研究領(lǐng)域當(dāng)中，從而為深入了解巖土工程的某些介質(zhì)特征奠定有效基礎(chǔ)［1］。從巖土工程研究的優(yōu)化及完善角度考慮，本文對(duì)“人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用”進(jìn)行分析意義重大。

1人工神經(jīng)網(wǎng)絡(luò)分析

1．1人工神經(jīng)網(wǎng)絡(luò)概念

對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，是一種對(duì)人腦結(jié)構(gòu)與功能進(jìn)行反映的數(shù)學(xué)抽象模型;主要通過(guò)數(shù)理策略，經(jīng)信息處理，進(jìn)一步對(duì)人腦神經(jīng)網(wǎng)絡(luò)構(gòu)建某種簡(jiǎn)化模型，進(jìn)一步采取大量神經(jīng)元節(jié)點(diǎn)互連，從而形成復(fù)雜網(wǎng)絡(luò)，最終完成人類思維及儲(chǔ)存知識(shí)的能力的模擬。神經(jīng)網(wǎng)絡(luò)無(wú)需構(gòu)建反映系統(tǒng)物理規(guī)律的數(shù)學(xué)模型，與別的方法比較，在噪聲容忍度方面更強(qiáng)［2］。與此同時(shí)，還擁有很強(qiáng)的非線性映射功能，對(duì)于大量非結(jié)構(gòu)性以及非精準(zhǔn)性規(guī)律存在自適應(yīng)能力，具備超強(qiáng)的計(jì)算能力，可完成信息的記憶以及相關(guān)知識(shí)的推理，且其自身還具備自主學(xué)習(xí)能力;與常規(guī)算法相比，優(yōu)勢(shì)、特點(diǎn)突出。

1．2BP網(wǎng)絡(luò)簡(jiǎn)述

從研究現(xiàn)狀來(lái)看，基于實(shí)際應(yīng)用過(guò)程中，人工神經(jīng)網(wǎng)絡(luò)模型大多數(shù)采取BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)即指的是多層前饋網(wǎng)絡(luò)，因多層前饋網(wǎng)絡(luò)的訓(xùn)練通常使用誤差反向傳播算法，所以將BP網(wǎng)絡(luò)稱之為屬于一類誤差反向傳播的多層前饋網(wǎng)絡(luò)。對(duì)于其網(wǎng)絡(luò)而言，具備輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，同時(shí)還具備一層隱層節(jié)點(diǎn)與多層隱層節(jié)點(diǎn)，基于同層節(jié)點(diǎn)當(dāng)中不存在耦合狀態(tài)。其中的輸入信號(hào)從輸出層節(jié)點(diǎn)依次傳過(guò)各個(gè)隱層節(jié)點(diǎn)，進(jìn)一步傳輸至輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只對(duì)下一層的節(jié)點(diǎn)輸出產(chǎn)生影響。

2人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用分析

在上述分析過(guò)程中，對(duì)人工神經(jīng)網(wǎng)絡(luò)的概念有一定的了解，由于其模型算法的優(yōu)越性，可將其應(yīng)用到巖土工程研究領(lǐng)域當(dāng)中，從而為解決巖土工程問(wèn)題提供有效憑據(jù)。從現(xiàn)狀來(lái)看，人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用主要體現(xiàn)在以下幾大方面。

2．1在巖石力學(xué)工程中的應(yīng)用

巖石力學(xué)工程是巖土工程中尤為重要的一部分，將神經(jīng)網(wǎng)絡(luò)應(yīng)用到巖石力學(xué)工程當(dāng)中，主要對(duì)巖石非線性系統(tǒng)加以識(shí)別，同時(shí)還能夠?yàn)楣こ處r體分類提供有效幫助，此外在爆破效應(yīng)預(yù)測(cè)方面也具備一定的應(yīng)用價(jià)值。對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，存在從有限數(shù)據(jù)中獲取系統(tǒng)近似關(guān)系的優(yōu)良特性，而巖石當(dāng)中的各項(xiàng)參數(shù)之間又存在很復(fù)雜的關(guān)系，并且難以獲取完整的參數(shù)集。在這樣的情況下，使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，便能夠使巖石非線性系統(tǒng)識(shí)別問(wèn)題得到有效解決［3］。此外，有研究者將巖石抗壓強(qiáng)度、抗拉強(qiáng)度以及彈性能量指數(shù)等作為巖爆預(yù)測(cè)的評(píng)判指標(biāo)，進(jìn)一步對(duì)巖爆預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建，然后預(yù)測(cè)了巖爆的發(fā)生與烈度。通過(guò)計(jì)算得出結(jié)論:采取人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行巖爆預(yù)測(cè)行之有效，值得采納借鑒。

2．2在邊坡工程中的應(yīng)用

對(duì)于巖土工程中的邊坡工程來(lái)說(shuō)，邊坡失穩(wěn)狀況突出，且是由多因素造成的，比如邊坡失穩(wěn)的地質(zhì)形成條件、誘發(fā)因素的復(fù)雜性以及隨機(jī)性等。與此同時(shí)，由于邊坡動(dòng)態(tài)監(jiān)測(cè)技術(shù)從目前來(lái)看尚且不夠成熟，因此邊坡失穩(wěn)在巖土工程研究領(lǐng)域一直視為是一項(xiàng)難以解決的工程項(xiàng)目。而對(duì)于神經(jīng)網(wǎng)絡(luò)方法來(lái)說(shuō)，因其具備非常好的預(yù)測(cè)功能，因此相關(guān)巖土工程研究工作者通常會(huì)采取人工神經(jīng)網(wǎng)絡(luò)對(duì)巖土工程中的邊坡工程問(wèn)題進(jìn)行求解。并且，從現(xiàn)有研究成果來(lái)看，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于巖土工程的成果突出。有學(xué)者對(duì)影響巖質(zhì)邊坡的穩(wěn)定性的相關(guān)因素進(jìn)行了分析，包括地形因素、巖體因素以及外部環(huán)境因素等，并構(gòu)建了邊坡穩(wěn)定性分析的BP網(wǎng)絡(luò)模型［4］。此外，還有學(xué)者將大量水電邊坡工程的穩(wěn)定狀況作為學(xué)習(xí)訓(xùn)練樣本及預(yù)測(cè)樣本，對(duì)以人工神經(jīng)網(wǎng)絡(luò)技術(shù)的邊坡巖體的穩(wěn)定性進(jìn)行了研究，結(jié)果顯示，采取人工神經(jīng)網(wǎng)絡(luò)對(duì)邊坡巖體的穩(wěn)定狀況進(jìn)行預(yù)測(cè)可行性高。

2．3在基坑工程中的應(yīng)用

采取人工神經(jīng)網(wǎng)絡(luò)對(duì)基坑變形進(jìn)行預(yù)測(cè)主要分為兩種情況:其一，對(duì)會(huì)影響基坑變形的各大因素及位移的神經(jīng)網(wǎng)絡(luò)模型加以構(gòu)建;其二，把變形監(jiān)測(cè)數(shù)據(jù)作為一個(gè)時(shí)間序列，以歷史數(shù)據(jù)為依據(jù)，將系統(tǒng)演變規(guī)律查找出來(lái)，進(jìn)一步完成系統(tǒng)未來(lái)發(fā)展趨勢(shì)的分析及預(yù)測(cè)。有學(xué)者針對(duì)基坑變形利用了人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測(cè)，結(jié)果表明:對(duì)前期實(shí)測(cè)結(jié)果加以應(yīng)用，使用此方法能夠?qū)罄m(xù)階段的基坑變形實(shí)時(shí)預(yù)測(cè)出來(lái)，并且預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果保持一致性。此外，還有學(xué)者根據(jù)具體工程項(xiàng)目，采取人工神經(jīng)網(wǎng)絡(luò)，對(duì)深基坑施工中地下連續(xù)墻的位移進(jìn)行了深入分析及預(yù)測(cè)，結(jié)果顯示:使用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分析及預(yù)測(cè)，在精準(zhǔn)度上非常高，值得在深基坑工程相關(guān)預(yù)測(cè)項(xiàng)目中使用［5］。

2．4在地鐵隧道工程中的應(yīng)用

在地鐵隧道施工過(guò)程中，存在地表變形和隧道圍巖變形等狀況，為了深入了解這些狀況，可將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用其中。有學(xué)者在對(duì)地層的影響因素進(jìn)行分析過(guò)程中，列出了可能的影響因素:盾構(gòu)施工參數(shù)、盾構(gòu)物理參數(shù)以及地質(zhì)環(huán)境條件，進(jìn)一步利用人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)一步針對(duì)盾構(gòu)施工期間的地層移動(dòng)進(jìn)行實(shí)時(shí)動(dòng)態(tài)預(yù)測(cè)，最終得到了不錯(cuò)的預(yù)測(cè)成果。此外，還有學(xué)者對(duì)BP網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，然后對(duì)某地鐵工程中隧道上方的地表變形進(jìn)行了未來(lái)趨勢(shì)預(yù)測(cè)，結(jié)果表明:和其他地表變形預(yù)測(cè)方法相比，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的應(yīng)用價(jià)值更為顯著。

3結(jié)語(yǔ)

通過(guò)本文的探究，認(rèn)識(shí)到基于人工神經(jīng)網(wǎng)絡(luò)模型的算法具備很高的優(yōu)越性，由于巖土工程地質(zhì)條件復(fù)雜，為了深入研究巖土工程，可將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用其中。結(jié)合現(xiàn)狀研究成果可知，人工神經(jīng)網(wǎng)絡(luò)在巖石力學(xué)工程、邊坡工程、基坑工程以及地鐵隧道工程中均具備顯著應(yīng)用價(jià)值。例如:將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于巖石力學(xué)工程當(dāng)中，能夠預(yù)測(cè)巖爆的發(fā)生與烈度;應(yīng)用于邊坡工程當(dāng)中，能夠邊坡工程的穩(wěn)定性進(jìn)行精準(zhǔn)預(yù)測(cè);應(yīng)用于基坑工程當(dāng)中，實(shí)現(xiàn)對(duì)基坑工程變形的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè);應(yīng)用于地鐵隧道工程當(dāng)中，能夠進(jìn)一步了解地鐵工程中隧道上方的地表變形情況。

總而言之，人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用價(jià)值高，值得相關(guān)工作者采納應(yīng)用。

作者：張洪飛 單位：山東正元建設(shè)工程有限責(zé)任公司

參考文獻(xiàn)

［1］鄭惠娜．章超樺．秦小明．肖秀春，等．人工神經(jīng)網(wǎng)絡(luò)在食品生物工程中的應(yīng)用［J］．食品工程，2012(01):16－19．

［2］鄒義懷．江成玉．李春輝，等．人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性預(yù)測(cè)中的應(yīng)用［J］．礦冶，2011(04):38－41．

［3］曹建智．張?。斯ど窠?jīng)網(wǎng)絡(luò)在白洋淀水質(zhì)評(píng)價(jià)中的應(yīng)用［J］．電子技術(shù)與軟件工程，2016(08):261－262．

對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)范文第5篇

關(guān)鍵詞：競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)；離散化；粗糙集；“死”點(diǎn)

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）25-5708-03

目前土壤分類研究已經(jīng)由單純的形態(tài)描述向指標(biāo)化和數(shù)量化方向發(fā)展[1-2]。土壤分類在中國(guó)土壤科學(xué)的發(fā)展和土壤資源的開(kāi)發(fā)利用的作用是不言而喻的。隨著各種相關(guān)技術(shù)的不斷發(fā)展，土壤規(guī)劃開(kāi)始廣泛的引入了地理信息系統(tǒng)技術(shù)、計(jì)算機(jī)技術(shù)和數(shù)學(xué)模型方法來(lái)解決很多實(shí)際問(wèn)題，極大地提高了規(guī)劃的科學(xué)性、工作效率和精確度[3]。但在實(shí)踐過(guò)程中，也暴露出其不足之處，諸如缺乏定量指標(biāo)，難以輸入計(jì)算機(jī)，不能建立信息系統(tǒng)，更不能進(jìn)行分類的自動(dòng)檢索，與現(xiàn)代信息社會(huì)難以適應(yīng)[4-5]。

河南省是農(nóng)業(yè)大省，不但要滿足自身的糧食需求，還要為國(guó)家提供商品糧，因此針對(duì)本省土壤的特點(diǎn)和分類情況進(jìn)行詳細(xì)的研究，對(duì)農(nóng)業(yè)發(fā)展和農(nóng)民收入顯得至關(guān)重要。對(duì)因土施肥、合理種植、調(diào)整農(nóng)業(yè)結(jié)構(gòu)，保護(hù)和利用土壤資源，進(jìn)行土壤資源動(dòng)態(tài)變化監(jiān)測(cè)，實(shí)現(xiàn)土壤資源信息共享具有重要的現(xiàn)實(shí)指導(dǎo)意義。

LVQ神經(jīng)網(wǎng)絡(luò)通過(guò)尋找輸入/輸出數(shù)據(jù)之間的關(guān)系，來(lái)實(shí)現(xiàn)特征提取和統(tǒng)計(jì)分類等模式識(shí)別任務(wù)。經(jīng)過(guò)幾十年的發(fā)展，LVQ神經(jīng)網(wǎng)絡(luò)已經(jīng)奠定了在模式識(shí)別領(lǐng)域不可或缺的地位。BP網(wǎng)絡(luò)是一種最為普遍的網(wǎng)絡(luò)，其缺點(diǎn)在于用了基于梯度下降的非線性優(yōu)化策略，有可能陷入局部最小問(wèn)題，不能保證求出全局最小值。其他一些優(yōu)化策略如遺傳算法、模擬退火法等，雖然可以求得全局最小，但是計(jì)算量很大，有時(shí)候會(huì)出現(xiàn)效率問(wèn)題。另外也有一些利用SOFM網(wǎng)絡(luò)的一些算法[6-8]，該文嘗試?yán)酶倪M(jìn)型的LVQ神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)河南省部分地區(qū)出去的土壤樣本進(jìn)行分類。

2 以河南部分地區(qū)土壤抽樣為例的聚類分析

2.1樣本來(lái)源

選擇本省主要土類：潮土、褐土、砂姜黑土、黃棕壤、水稻土等，主要分布在豫東的商丘、開(kāi)封；豫北的安陽(yáng)市、南東縣；豫西（西南）洛陽(yáng)市、洛寧縣、三門(mén)峽市的陜縣，平頂山市的舞鋼市、寶豐縣、南陽(yáng)市郊；豫中南漯河市、臨穎縣、周口市，駐馬店地區(qū)的汝南、遂平、確山、信陽(yáng)市、羅山縣等地（市縣）。按照 Portch PPI/PPIC，Hunter（ASI，1984）的方法程序進(jìn)行，如表1所示。

2.2對(duì)樣本數(shù)據(jù)進(jìn)行離散化處理

我們首先判定各個(gè)屬性的重要性，并且通過(guò)引入閾值學(xué)習(xí)來(lái)對(duì)競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，然后利用競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的分類功能，將每一個(gè)連續(xù)屬性分割成若干類，分割連續(xù)屬性也就等于找到了一個(gè)斷點(diǎn)集合。這樣對(duì)每個(gè)連續(xù)屬性離散化完畢之后，我們?cè)俅卫酶倪M(jìn)后的競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)檢測(cè)離散化后的屬性是否仍然滿足決策一致性，若滿足就說(shuō)明離散化成功，否則重新尋找斷點(diǎn)集合，直到滿足決策一致。

2.3利用改進(jìn)后的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類分析

糙集對(duì)數(shù)據(jù)的屬性進(jìn)行約簡(jiǎn)，用約簡(jiǎn)后的數(shù)據(jù)集作為競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)依據(jù)及訓(xùn)練數(shù)據(jù)。這樣得到的訓(xùn)練數(shù)據(jù)表示清晰，從而使得兩種方法進(jìn)行互補(bǔ)，既能利用粗糙集簡(jiǎn)約數(shù)據(jù)，減少競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間，又能利用競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)降低噪聲影響。

參考文獻(xiàn)：

[1] 劉興久.模糊聚類分析在土壤分類中的應(yīng)用[J].哈爾濱：東北農(nóng)學(xué)院學(xué)報(bào)，1988，13（2）：125-126.

[2] 謝季堅(jiān)，劉承平.模糊數(shù)學(xué)方法應(yīng)用 [M]. 2版.武漢：華中理工大學(xué)出版社，2000：81-106.

[3] Goodehild M F. Geographie Information Seienee. IJCIS，1992，6（1）：235-243.

[4] 龔子同，陳志誠(chéng). 中國(guó)土壤系統(tǒng)分類參比[J] .土壤，1999，31（2）：57-63.

[5] 周慧珍. 對(duì)土壤制圖中應(yīng)用《中國(guó)土壤系統(tǒng)分類（首次方案）》的認(rèn)識(shí).中國(guó)土壤系統(tǒng)分類進(jìn)展，北京：科學(xué)出版社，1993：367-371.

[6] 趙娟，李國(guó)昌，張玉彬，等.SOM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)的診斷系統(tǒng)的研究[J].河北工業(yè)業(yè)科技，2010，27（6）：378-380.