北京pk10赛车网址

未来智讯 > 神经网络论文 > 人工神经网络的发展与应用
人工神经网络的发展与应用:未知摘要:本文简要介绍了人工神经网络在当前形势下的成长和应用,并通过实例分析了人工神经网络的设计过程和原理。 关键词:人工神经网络; 增长; 应用; 近期情况中图分类号:G641文献标识码:A 1人工神经网络的成长,应用与学习

> 1.1人工神经网络成长简史人工神经网络从最终发展而来 19世纪,其经历了以下四个时期的增长。 (1)在环境期间,奇点的起点是1980年,当时着名的美国生理学家W. James讨论了人脑的布局和功能,最后是明斯基和帕佩特于1969年发表的感知器( Perceptron))这本书。 早在1943年,生理学家McCulloch和数学家Pitts就提出了神经元的数学模型(即MP模型),它描述了神经细胞的作用:1神经元的行为表示为兴奋的二进制值或 克制。 2; 任何兴奋性突触都有输入刺激,因此神经元过度活跃与神经元的先前动作状态无关; 3任何束缚突触都有输入激发,使神经元受到抑制; 4个突触值不随时间变化从感知输入到输出脉冲传输的5个突触的延迟时间为0.5 ms。 可以看出,M-P模型是讨论系统神经网络中客观世界表达的逻辑数学事物。 如今,M-P模型过于简单,其知识并不完全准确,但其理论有一定的贡献。 因此,M-P模型被认为创造了神经科学理论的新时代。 1949年,生理学家D.O.Hebb提出了神经元之间可变的突触关联,并提出了一种神经元训练标准,即Hebb标准,为神经网络学习算法奠定了基础。 1957年,战略机制Frank Rosenblatt提出了一种神经网络布局,其中包含一个叫做Perceptron的三层网络特征,它由阈值神经元组成,试图模仿动物和人类大脑的感官学习。 人才,罗森布拉特认为,信息包含在一个连贯或组合的关系中,而不是反映在拓扑布局的表示中; 此外,处理有关如何存储影响认知和行为的信息的信息,他认为存储的信息是神经的。在网络系统的起点形成新的连贯或过渡链接后,新的刺激将决定积极 通过这些新建立的链接激活相应的相应部分,而不是要求任何过程来识别或强化它们。 1962年,Widrow提出了一种自适应线性分量(Adaline),它是一个具有后续值的线性网络。信号的自适应性得到处理和自适应。 (2)低潮期Minkey和Papert是人工智能的先驱之一,已经研究了几年,并且已经深入了解了感知器所代表的网络系统的功能和范围。 1969年,他出版了一本非常有影响力的书,Perceptron,提出感知器无法实现混沌逻辑功能,这对当时的人工神经网络产生了很大的负面影响。 因此,在退潮期间讨论神经网络。 退潮的更为严重的原因是,自20世纪70年代以来,集成电路和微电子技术的快速发展使传统的冯·诺依曼式战略机器在全盛时期内实现全面增长,这是暂时保护新的增长战略 。 追求新神经网络的必要性和紧迫性。 然而,在此期间,波士顿大学的S.Grossberg和赫尔辛基大学的Kohonen教授了神经网络。 分离提出了自适应共振理论和自组织特征映射(SOM)。 虽然当时人们尚未广泛提倡上述突破性成果和事物,但其科学价值并未消失。 他们为神经网络的进一步发展奠定了基础。 (3)在复兴时期,自20世纪80年代以来,基于逻辑推理和冯·诺依曼式战略机器的人工智能理论正在处理视觉,听觉和妄想等智力问题。 信息处理的问题受到了批评,促使人们怀疑目前的冯·诺依曼式机器能否解决智能问题。 同时,它还促使人们寻求更接近人脑的策略模型,从而形成神经网络学习的高潮。 。 1982年,加州理工学院的物理学家John J. Hopfield博士发表了一篇关于神经网络复兴的文章。 他总结并借鉴了前人对神经网络的经验和经验。 总结了各种布局和算法,以创建一种称为Hopfield网络的新颖而强大的网络模型。 他介绍了“战略能量函数”的概念,并给出了网络不变性的基础。 这有效地促进了神经网络的学习和发展。 1986年,Rumelhart和LeCun等学者提出了一种多层感知器反向插值算法,克服了故障感知模型持续增长的严重障碍。 在此期间,大量深入开拓的事物极大地拓展了神经网络模型和训练算法,进一步增强了对神经网络特征的进一步认识,使人们对模拟脑信息处理的智能策略有所了解。 是压倒性的。 。 (4)新时期1987年6月,第一届神经网络国际会议在加利福尼亚州旧金山举行。迭戈的召开,标志着神经网络在世界范围内开放和讨论的高潮。 国际神经网络协会(INNS)在会议上成立,年会于1988年在美国波士顿举行。会议主题辩论辩论涉及生物学,电子学,战略,物理,掌握,信号处理和 人工智能等各个领域。 自1988年以来,国际神经网络学会和国际电气工程师和电子工程师协会(IEEE)每年举办一次国际学术会议。 会议结束后不久,波士顿大学的Stephen Grossberg教授,芬兰赫尔辛基理工大学的Teuvo Kohonen和日本东京大学的Gan Lijun主持了世界上第一个神经网络杂志“神经网络”的发布。 随后,IEEE还建立了神经网络协会,并于1990年3月开始出版神经网络期刊。各种期刊的特刊也已出现。 自1987年以来,神经网络的理论,应用,现金和发展以惊人的速度增长。 神经网络理论已成为一门前沿学科,涉及神经心理学,认知科学,数学科学,生理学,信息科学,战略科学,微电子学,光学和生物电子学等多学科和综合研究。 神经网络的应用已经渗透到模式识别,图像处理,非线性优化,语音处理,自然语音识别,主动指示识别,机器人专家系统等各个方面,取得了显着成效。 1.2人工神经网络的应用人工神经网络的智能特性和人才使其应用范围日益扩大,潜力越来越大。 目前,神经网络主要用于以下几类。 (1)信息类别神经网络作为一种新型的智能信息处理系统,应用于各种集线器,如信息的狩猎,传输,接收和处理。 1)信号灯的处理神经网络通常用于自适应信号处理和非线性信号处理。 前者如自适应滤波,时间序列展望,频谱预测,噪声消除等; 后者如非线性滤波,非线性预测,非线性编码,调制和解调。 2)模式识别模式识别涉及预处理模式的变换并将一种模式映射到其他类型的操作。 神经网络不仅可以处理静态模式,例如固定图像,固定能量谱,还可以处理动态模式,例如视频图像,连续语音等。 3)数据压缩存储数据传输时,数据压缩很严重。 神经网络可以查看所传输的数据提取模式的特征,并且仅传输该特征,然后将其恢复到原始模式。 (2)主动类神经网络和抓握理论与抓握技巧相结合,成长为神经网络把握。 为了解决非线性不确定性和不确定性系统的混沌问题,提出了一种新的方法。 1)系统识别在积极掌握问题时,系统识别的目的是建立受控对象的数学模型。 多年来,掌握处理非线性对象混淆的类别尚未得到很好的解决。 神经网络的非线性特征和训练能力在系统辨识中具有很大的潜力。 它为解决混沌非线性,不确定性和不确定对象的识别问题提供了一种有用的方法。 2)神经抓握器抓取器在实时抓取系统中扮演“大脑”的角色。 神经网络具有自我教育和自适应的智能特性,非常适合主人。 掌握非线性系统湍流的效率优于传统控制器。 3)智能检测所谓的智能检测一般包括梗塞的治疗,传感器输入特性的非线性补偿,零点和范围的主动校正,以及主动诊断。 这些智能检测功能可以通过协商传感元件和信号处理组件的功能集成来实现。 在综合目标的检测中(如情境舒适度等综合目标的检测),神经网络被用作智能检测中的信息处理组件,以方便多个传感器的信息(如温度,湿度,风向和风) 速度)。 数据融合,例如复合,集成,集成和妄想,以实现单个传感器不具备的功能。 (3)工程类别1)汽车工程当车辆在各种条件下运行时,具有最佳动力和经济性的齿轮称为最佳齿轮。 运用神经网络的非线性映射能力,并协商学习优秀的驾驶员转换经验数据,可以主动提取包含在其中的最佳移动学科。 此外,神经网络还在汽车制动器的主动制动系统中具有胜利的应用。 系统可以感受到在没有道路坡度的情况下实现稳定制动的最小影响,以及在给定制动距离,速度和最大慢度下的汽车。 影响很大。 神经网络也已应用于卡车柴油发动机的燃烧系统的优化。 它有效地减少了燃料消耗和烟雾消耗,并获得了良好的社会和经济效益。 2)军事工程神经网络与红外搜索跟踪系统相结合,可以找到并跟踪迁移飞行装置。 例如,神经网络可以检测到空间卫星的运动状态是恒定的,倾斜的和扭曲的,并且一般精度高达95%。 3)化学工程神经网络在制药,生物化学和化学工程领域得到了发展和研究,取得了许多成果。 例如,在光谱分析中,应用神经网络以建立化学化合物的红外光谱,紫外光谱,折射光谱和化学分布之间的某种对应关系。 1.3人工神经网络的最新进展早在20世纪初,人们就开始从模拟人脑智能的角度学习人工神经网络,也称为相干模式。 它识别人脑的布局和特征,并解决了大量简单的处理单元。 互连构成了大规模并行分布式,信息处理和非线性动力学系统。 该系统具有大规模并行性,布局可靠性,高非线性,自我训练和自组织等特点,可以解决传统信息处理方法难以解决或无法解决的问题。 人工神经网络的出现给人类社会带来了巨大的进步,但随着社会的发展,神经网络布局的整体人才和局限性逐渐得到了体现。 目前,学习神经网络的趋势主要从以下三点进行分析:(1)加强对智力与机械关系关系的认识。 人类智慧一直是科学发展中最有意义和最前所未有的。 艰难的挑衅问题。 在20世纪中叶,“殖民主义”革命或平行分布(POP),也称神经网络,具有自我教育,自我适应和自组织的特点,这些只是神经网络所必需的。 进一步加强的主要功能。 构建多层感知器和自组织特殊级虚构复合网络是加强网络解决实际问题的有效方法。 (2)要求更有用的新学习算法
在当前的人工神经网络训练算法中,存在一个不能幸免的缺陷,即在学习新模型样本时,会引起一些常识。 拉后腿。 因此,在给定训练偏差的前提下,人工神经网络必须重复训练这些样本,这不仅会导致重复迭代,而且训练时间长,容易陷入一些最小值。 因此,需要进一步设想更有用的新学习算法,使得它可以像生物神经网络那样近似常识的累积和继承。 Amari使用由微分流形理论创建的信息几何来首次将非欧洲空间引入人工神经网络模型。 Amari在信息几何方面的开创性工作在非线性空间中是一个非常严重的问题。 讨论了整个信息处理模型空间中神经网络模型布局的各种表现形式。 神经网络模型布局的变化力和局限性为人脑功能的评价提供了理论基础,从整体布局分析了神经网络。 有可能提供强大的分析功能,以进一步想象更有用的网络布局和学习算法。 (3)解决多功能和多任务转换的问题。 这种转换问题是多网络协调的问题。 人工神经网络无法完成人脑等先进的智能行为。 将这些各种智能信息处理方法整合在一起,形成一个整体的神经网络智能系统,有必要在多个网络之间协调进行。 Hinton和他的讨论小组提议将神经网络提取模型解决为形成外部情况的指标。神经网络中内涵表达的机制,以及作为人工神经网络增长的基础,是找到一种布局组合,以实现更高程度的包含模仿人工神经网络机构和无监督训练人工神经网络。 另一方面,人们正在思考基于生命模型信息处理技术的目的和意义,包括进化策略,人工生命等。 学习者已经开始从分子的角度揭示人类思维的奥秘,利用一些生物学发现来学习生物学策略。 简而言之,当前的人工神经网络依赖于典型的非线性非欧洲空间模型。 如何将基于常识表,非布局推理和相干性的非线性函数缺陷与生命模型系统联系起来,是对科学界面的挑衅。 2实例分析 - 基于人工神经网络的人脸识别分类器设计。 本例是利用BP网络兑换人脸分类器,BP网络算法可以简单描述为:(1)将要识别的样本的特征向量加载到输入层节点; (2)策略隐藏层和输出层的输出,并区分凭证输出层节点的输出。 在通过特征面方法对面部图像执行特征提取之后,利用这些特征向量和响应Xi Xi信号训练BP网络。 如果输入层中的神经元数量为I,则隐藏层中的神经元数量为H,输出层中的神经元数量为J.对于面部类型数量为P的面部识别问题,如果 提取特征的额外维度为M,则网络输出层的神经元J的数量被视为面部类型P的数量,网络输入层的神经元数量为M.当训练BP网络时,如果 BP网络输入的特征向量是从Pth人脸图像中提出的,响应BP网络的输出层的预期输出是第m个神经元的输出为1,其他神经的元输出为0,使得西溪旗 可表示为out = [0,0,•••,1,•••,0,0] T。 在人脸识别中,将通过加权特征面方法获得的待识别的面部图像的特征向量输入到训练的人工神经网络中,并检查神经网络的输出层中的每个神经元的输出。 让每层神经元的输出为O1O2•••••Oj(j是输出层中神经元的数量)并设置阈值T.如果要处理要识别的输入面的特征向量,则 所有输出层神经元的输出Oj等于| Qj -1 |> T,那么待识别的面不是面数据库中的面,如果它是跛脚| Qj -1 | ≤T,假设要识别的面部是面部数据库中的面部。 此外,对应于丢失符号的输入的训练样本是具有最小值Oj -1 |的训练样本。 例如,如果是训练当输入面部图像Ij时,Xixi标志使得输出层神经元Oj输出为1,并且剩余输入子午线输出为0,并且如果在识别出面部图像时识别出面部神经元Oj的输出, 餍| | Oj -1 |最小,| Qj -1 | ≤T,则识别的面部图像与Ij匹配,否则识别的面部图像不属于面部图像数据库。 网络训练完成后,保留网络的连接权重以便以后识别。 最后,模拟了本地使用尝试。 选择的BP神经网络参数是训练步骤1.3和0.6,动量参数a = 0.7和b = 0.4。 3结束语人工神经网络是基于对人脑神经网络的基本认识,从数学方法和信息处理的角度提取人脑神经网络。 并设置某种简化模型。 因此,人工神经网络是一种信息配置系统,旨在模拟人脑的布局和功能。 它的脾气是一个大规模的非线性时间对应的信息配置系统,它解决了大量简单的关系并协调混乱。 功能关系。 人工神经系统的出现帮助人们解决了冯·诺依曼战略无法解决的许多问题,这些问题为社会带来了巨大的进步。 虽然有云,但人工神经网络系统仍然存在很多不一致之处,我们必须要求并从中学习。 参考文献[1]韩立群。 人工神经网络的理论,设计与应用[M]。 北京:化学工业出版社,2002。[2]田景文,高美娟。 人工神经网络算法的讨论与应用[M]。 北京:北京理工大学出版社,2006。[3]罗思维。 大规模人工神经网络理论[M]。 北京:清华大学图书学会; 北方交通大学出版社,2004。[4]沉世贞。 神经网络系统理论及其应用[M]。 北京:科学出版社,1998。[5]金钟,胡中山,杨静宇。 基于BP神经网络的人脸识别方法[J]。 倡议和增长,1999年,(3)。
转载请注明来源。原文地址:http://www.tangtes.cn/page/2019/0426/86628/
 与本篇相关的热门内容: