導(dǎo)語(yǔ)：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞性能對(duì)比感知器BP網(wǎng)絡(luò)霍普菲爾德網(wǎng)絡(luò)字符識(shí)別

1引言

人工神經(jīng)網(wǎng)絡(luò)是在人類對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。 它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。因其自組織、自學(xué)習(xí)能力以及具有信息的分布式存儲(chǔ)和并行處理，信息存儲(chǔ)與處理的合一等特點(diǎn)得到了廣泛的關(guān)注，已經(jīng)發(fā)展了上百種人工神經(jīng)網(wǎng)絡(luò)。

一般來(lái)說，人工神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上可分為兩種:前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。典型的前向網(wǎng)絡(luò)有單層感知器、BP網(wǎng)絡(luò)等，反饋網(wǎng)絡(luò)有霍普菲爾德網(wǎng)絡(luò)等[1]。

人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于模式識(shí)別、信號(hào)處理、專家系統(tǒng)、優(yōu)化組合、智能控制等各個(gè)方面，其中采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點(diǎn):良好的容錯(cuò)能力[2j、分類能力、并行處理能力和自學(xué)習(xí)能力，并且其運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率。單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)均可以用于字符識(shí)別。

本文通過具體采用感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和霍普菲爾德反饋網(wǎng)絡(luò)對(duì)26個(gè)英文字母進(jìn)行識(shí)別的應(yīng)用，通過實(shí)驗(yàn)給出各自的識(shí)別出錯(cuò)率，通過比較，可以看出這3種神經(jīng)網(wǎng)絡(luò)的識(shí)別能力以及各自的優(yōu)缺點(diǎn)。

2 字符識(shí)別問題描述與網(wǎng)絡(luò)識(shí)別前的預(yù)處理

字符識(shí)別在現(xiàn)代日常生活的應(yīng)用越來(lái)越廣泛，比如車輛牌照自動(dòng)識(shí)別系統(tǒng)[3，4]，手寫識(shí)別系統(tǒng)[5]，辦公自動(dòng)化等等[6]。畢業(yè)論文 本文采用單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)對(duì)26個(gè)英文字母進(jìn)行識(shí)別。首先將待識(shí)別的26個(gè)字母中的每一個(gè)字母都通過長(zhǎng)和寬分別為7×5的方格進(jìn)行數(shù)字化處理，并用一個(gè)向量表示。其相應(yīng)有數(shù)據(jù)的位置置為1，其他位置置為O。圖1給出了字母A、B和C的數(shù)字化過程，其中最左邊的為字母A的數(shù)字化處理結(jié)果所得對(duì)應(yīng)的向量為:IetterA~「00100010100101010001111111000110001〕’，由此可得每個(gè)字母由35個(gè)元素組成一個(gè)向量。由26個(gè)標(biāo)準(zhǔn)字母組成的輸人向量被定義為一個(gè)輸人向量矩陣alphabet，即神經(jīng)網(wǎng)絡(luò)的樣本輸人為一個(gè)35×26的矩陣。其中alphabet=[letterA，letterB，lettere，……letterZj。網(wǎng)絡(luò)樣本輸出需要一個(gè)對(duì)26個(gè)輸人字母進(jìn)行區(qū)分輸出向量，對(duì)于任意一個(gè)輸人字母，網(wǎng)絡(luò)輸出在字母對(duì)應(yīng)的順序位置上的值為1，其余為O，即網(wǎng)絡(luò)輸出矩陣為對(duì)角線上為1的26×26的單位陣，定義target=eye(26)。

本文共有兩類這樣的數(shù)據(jù)作為輸人:一類是理想的標(biāo)準(zhǔn)輸人信號(hào);另一類是在標(biāo)準(zhǔn)輸人信號(hào)中加上用MATLAB工具箱里的噪聲信號(hào)，即randn函數(shù)。

3 識(shí)別字符的網(wǎng)絡(luò)設(shè)計(jì)及其實(shí)驗(yàn)分析

3.1單層感知器的設(shè)計(jì)及其識(shí)別效果

選取網(wǎng)絡(luò)35個(gè)輸人節(jié)點(diǎn)和26個(gè)輸出節(jié)點(diǎn)，設(shè)置目標(biāo)誤差為0.0001，最大訓(xùn)練次數(shù)為40。設(shè)計(jì)出的網(wǎng)絡(luò)使輸出矢量在正確的位置上輸出為1，在其他位置上輸出為O。醫(yī)學(xué)論文 首先用理想輸人信號(hào)訓(xùn)練網(wǎng)絡(luò)，得到無(wú)噪聲訓(xùn)練結(jié)果，然后用兩組標(biāo)準(zhǔn)輸入矢量加上兩組帶有隨機(jī)噪聲的輸人矢量訓(xùn)練網(wǎng)絡(luò)，這樣可以保證網(wǎng)絡(luò)同時(shí)具有對(duì)理想輸人和噪聲輸人分類的能力。網(wǎng)絡(luò)訓(xùn)練完后，為保證網(wǎng)絡(luò)能準(zhǔn)確無(wú)誤地識(shí)別出理想的字符，再用無(wú)噪聲的標(biāo)準(zhǔn)輸入訓(xùn)練網(wǎng)絡(luò)，最終得到有能力識(shí)別帶有噪聲輸人的網(wǎng)絡(luò)。下一步是對(duì)所設(shè)計(jì)的網(wǎng)絡(luò)進(jìn)行性能測(cè)試:給網(wǎng)絡(luò)輸人任意字母，并在其上加人具有平均值從。~0.2的噪聲，隨機(jī)產(chǎn)生100個(gè)輸人矢量，分別對(duì)上述兩種網(wǎng)絡(luò)的字母識(shí)別出錯(cuò)率進(jìn)行實(shí)驗(yàn)，結(jié)果如圖2所示。其中縱坐標(biāo)所表示的識(shí)別出錯(cuò)率是將實(shí)際輸出減去期望輸出所得的輸出矩陣中所有元素的絕對(duì)值和的一半再除以26得到的;虛線代表用無(wú)噪聲的標(biāo)準(zhǔn)輸人信號(hào)訓(xùn)練出網(wǎng)絡(luò)的出錯(cuò)率，實(shí)線代表用有噪聲訓(xùn)練出網(wǎng)絡(luò)的出錯(cuò)率。從圖中可以看出，無(wú)噪聲訓(xùn)練網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別時(shí)，當(dāng)字符一出現(xiàn)噪聲時(shí)，該網(wǎng)絡(luò)識(shí)別立刻出現(xiàn)錯(cuò)誤;當(dāng)噪聲均值超過0.02時(shí)，識(shí)別出錯(cuò)率急劇上升，其最大出錯(cuò)率達(dá)到21.5%。由此可見，無(wú)噪聲訓(xùn)練網(wǎng)絡(luò)識(shí)別幾乎沒有抗干擾能力。而有噪聲訓(xùn)練出的網(wǎng)絡(luò)具有一定的抗干擾能力，它在均值為。~0.06之間的噪聲環(huán)境下，能夠準(zhǔn)確無(wú)誤地識(shí)別;其最大識(shí)別出錯(cuò)率約為6.6%，遠(yuǎn)遠(yuǎn)小于無(wú)噪聲訓(xùn)練出的網(wǎng)絡(luò)。

3.2BP網(wǎng)絡(luò)的設(shè)計(jì)及其識(shí)別效果

該網(wǎng)絡(luò)設(shè)計(jì)方法在文獻(xiàn)[lj中有詳細(xì)介紹。網(wǎng)絡(luò)具有35個(gè)輸人節(jié)點(diǎn)和26個(gè)輸出節(jié)點(diǎn)。目標(biāo)誤差為0.0001，采用輸人在(0，l)范圍內(nèi)對(duì)數(shù)S型激活函數(shù)兩層109519/109519網(wǎng)絡(luò)，隱含層根據(jù)經(jīng)驗(yàn)選取10個(gè)神經(jīng)元。和單層感知器一樣，分別用理想輸人信號(hào)和帶有隨機(jī)噪聲的輸人訓(xùn)練網(wǎng)絡(luò)，得到有噪聲訓(xùn)練網(wǎng)絡(luò)和無(wú)噪聲訓(xùn)練網(wǎng)絡(luò)。由于噪聲輸人矢量可能會(huì)導(dǎo)致網(wǎng)絡(luò)的1或o輸出不正確，或出現(xiàn)其他值，所以為了使網(wǎng)絡(luò)具有抗干擾能力，在網(wǎng)絡(luò)訓(xùn)練后，再將其輸出經(jīng)過一層競(jìng)爭(zhēng)網(wǎng)絡(luò)的處理，使網(wǎng)絡(luò)的輸出只在本列中的最大值的位t為1，保證在其他位置輸出為O，其中網(wǎng)絡(luò)的訓(xùn)練采用自適應(yīng)學(xué)習(xí)速率加附加動(dòng)量法，在MATLAB工具箱中直接調(diào)用traingdx。在與單層感知器相同的測(cè)試條件下對(duì)網(wǎng)絡(luò)進(jìn)行性能測(cè)試，結(jié)果如圖3所示。其中虛線代表用無(wú)噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率，實(shí)線代表用有噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率。從圖中可以看出，在均值為o一0.12之間的噪聲環(huán)境下，兩個(gè)網(wǎng)絡(luò)都能夠準(zhǔn)確地進(jìn)行識(shí)別。在0.12~0.15之間的噪聲環(huán)境下，由于噪聲幅度相對(duì)較小，待識(shí)別字符接近于理想字符，故無(wú)噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率較有噪聲訓(xùn)練網(wǎng)絡(luò)略低。當(dāng)所加的噪聲均值超過。.15時(shí)，待識(shí)別字符在噪聲作用下不再接近于理想字符，無(wú)噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率急劇上升，此時(shí)有噪聲訓(xùn)練網(wǎng)絡(luò)的性能較優(yōu).

轉(zhuǎn)貼于 3.3離散型，霍普菲爾德網(wǎng)絡(luò)的設(shè)計(jì)及其識(shí)別效果

此時(shí)網(wǎng)絡(luò)輸人節(jié)點(diǎn)數(shù)目與輸出神經(jīng)元的數(shù)目是相等的，有r=s=35，采用正交化的權(quán)值設(shè)計(jì)方法。在MATLAB工具箱中可直接調(diào)用函數(shù)newh叩.m。要注意的是，由于調(diào)用函數(shù)newhoP.m，需要將輸人信號(hào)中所有的。英語(yǔ)論文 變換為一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。設(shè)計(jì)離散型霍普菲爾德網(wǎng)絡(luò)進(jìn)行字符識(shí)別，只需要讓網(wǎng)絡(luò)記憶所要求的穩(wěn)定平衡點(diǎn)，即待識(shí)別的26個(gè)英文字母。故只需要用理想輸人信號(hào)來(lái)訓(xùn)練網(wǎng)絡(luò)。對(duì)于訓(xùn)練后的網(wǎng)絡(luò)，我們進(jìn)行性能測(cè)試。給網(wǎng)絡(luò)輸入任意字母，并在其上加人具有平均值從。~0.5的噪聲，隨機(jī)產(chǎn)生100個(gè)輸人矢量，觀察字母識(shí)別出錯(cuò)率，結(jié)果如圖4所示。從圖中可以看出，在均值為0~0.33之間的噪聲環(huán)境下，網(wǎng)絡(luò)能夠準(zhǔn)確地進(jìn)行識(shí)別。在0.33~0.4之間的噪聲環(huán)境下，識(shí)別出錯(cuò)率不到1%，在0.4以上的噪聲環(huán)境下，網(wǎng)絡(luò)識(shí)別出錯(cuò)率急劇上升，最高達(dá)到大約10%?？梢钥闯?，該網(wǎng)絡(luò)穩(wěn)定點(diǎn)的吸引域大約在0.3~。.4之間。當(dāng)噪聲均值在吸引域內(nèi)時(shí)，網(wǎng)絡(luò)進(jìn)行字符識(shí)別時(shí)幾乎不出錯(cuò)，而當(dāng)噪聲均值超過吸引域時(shí)，網(wǎng)絡(luò)出錯(cuò)率急劇上升。

4結(jié)論

本文設(shè)計(jì)了3種人工神經(jīng)網(wǎng)絡(luò)對(duì)26個(gè)英文字母進(jìn)行了識(shí)別?？梢钥闯?，這3種人工神經(jīng)網(wǎng)絡(luò)均能有效地進(jìn)行字符識(shí)別，并且識(shí)別速度快，自適應(yīng)性能好，分辨率較高。由圖2和圖3可以看出，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)在均值為O~0.06之間的噪聲環(huán)境下可以準(zhǔn)確無(wú)誤的識(shí)別，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)可以在o~0.12之間的噪聲環(huán)境下準(zhǔn)確無(wú)誤的識(shí)別，故BP絡(luò)網(wǎng)絡(luò)容錯(cuò)性比單層感知器的容錯(cuò)性好;此外，噪聲達(dá)到0.2時(shí)，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)的識(shí)別出錯(cuò)率為6.6%，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)的識(shí)別出錯(cuò)率為2.1%，故BP網(wǎng)絡(luò)比單層感知器識(shí)別能力強(qiáng)。另外，由圖2、圖3和圖4可以看出，這3種網(wǎng)絡(luò)中霍普菲爾德網(wǎng)絡(luò)識(shí)別率最高，它在噪聲為0.33以前幾乎不會(huì)出錯(cuò)，BP網(wǎng)絡(luò)次之，感知器最差。

通過設(shè)計(jì)、應(yīng)用與性能對(duì)比，我們可得單層感知器網(wǎng)絡(luò)結(jié)構(gòu)和算法都很簡(jiǎn)單，訓(xùn)練時(shí)間短，但識(shí)別出錯(cuò)率較高，容錯(cuò)性也較差。BP網(wǎng)絡(luò)結(jié)構(gòu)和算法比單層感知器結(jié)構(gòu)稍復(fù)雜，但其識(shí)別率和容錯(cuò)性都較好?；羝辗茽柕戮W(wǎng)絡(luò)具有設(shè)計(jì)簡(jiǎn)單且容錯(cuò)性最好的雙重優(yōu)點(diǎn)。因此，我們應(yīng)根據(jù)網(wǎng)絡(luò)的特點(diǎn)以及實(shí)際要求來(lái)選擇人工神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別。 參考文獻(xiàn)

[1]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用「M.合肥:中國(guó)科學(xué)技術(shù)大學(xué)出版社，2003.

[2]武強(qiáng)，童學(xué)鋒，季雋.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字字符識(shí)別[J].計(jì)算機(jī)工程，2003，29(14):112一113.

[3]廖翔云，許錦標(biāo)，龔仕偉.車牌識(shí)別技術(shù)研究[J].徽機(jī)發(fā)展，2003，13:30一35.

[4]李中凱，王效岳，魏修亭.BP網(wǎng)絡(luò)在汽車牌照字符識(shí)別中的應(yīng)用[J].東理工大學(xué)學(xué)報(bào)，2004，18(4):69一72.

篇2

［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(lái)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(wú)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(kù)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(lái)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(lái)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(lái)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(lái)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(lái)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(lái)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(lái)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(yǔ)

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

篇3

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡(jiǎn)稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡(jiǎn)單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動(dòng)數(shù)據(jù)對(duì)機(jī)器進(jìn)行監(jiān)控和故障檢測(cè)，預(yù)測(cè)某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動(dòng)?？刂疲?，在實(shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實(shí)現(xiàn)了電動(dòng)機(jī)故障檢測(cè)的啟發(fā)式推理。對(duì)非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來(lái)準(zhǔn)確求解［4］。

因此，對(duì)于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來(lái)講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場(chǎng)的特定情況進(jìn)行現(xiàn)場(chǎng)學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識(shí)量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對(duì)該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場(chǎng)，還可根據(jù)該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)間上即次數(shù)上提高冗余度。

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對(duì)某套保護(hù)來(lái)說，區(qū)內(nèi)、區(qū)外故障時(shí)其輸入信號(hào)幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會(huì)使保護(hù)、二次接線復(fù)雜化。變電站綜合自動(dòng)化也許是解決該問題的一個(gè)較好方法，各套保護(hù)通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對(duì)其它線路信息進(jìn)行加工，以此綜合得出動(dòng)作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對(duì)其動(dòng)作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動(dòng)作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時(shí)，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲(chǔ)機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對(duì)神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識(shí)別（智能型）的保護(hù)裝置的設(shè)想。中國(guó)電機(jī)工程學(xué)會(huì)第五屆全國(guó)繼電保護(hù)學(xué)術(shù)會(huì)議，［會(huì)址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

篇4

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

關(guān)鍵詞： 財(cái)務(wù)管理；神經(jīng)網(wǎng)絡(luò)；決策支持系統(tǒng)；專家系統(tǒng)

Key words: financial management；nerve network；decision support system （DSS）；expert system

中圖分類號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發(fā)展起來(lái)的新型計(jì)算機(jī)科學(xué)。它是一個(gè)有著廣泛應(yīng)用背景的十分熱門的交叉科學(xué)。神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間的動(dòng)力系統(tǒng)。結(jié)合神經(jīng)網(wǎng)絡(luò)的智能決策支持系統(tǒng)是目前研究的前沿之一，它極具理論和使用價(jià)值。

財(cái)務(wù)管理的信息化、數(shù)字化是財(cái)務(wù)規(guī)范和科學(xué)管理的趨勢(shì)。與DSS的結(jié)合將更加有利于數(shù)據(jù)標(biāo)準(zhǔn)的統(tǒng)一，有利于數(shù)據(jù)采集的模塊化，有利于決策支持的科學(xué)化，有利于財(cái)務(wù)公開的透明化。

1 財(cái)務(wù)管理決策支持系統(tǒng)的研究現(xiàn)狀

決策支持系統(tǒng)經(jīng)過二十多年的發(fā)展，形成了如圖1所示公認(rèn)的體系結(jié)構(gòu)。它把模型并入信息系統(tǒng)軟件中，依靠管理信息系統(tǒng)和運(yùn)籌學(xué)這兩個(gè)基礎(chǔ)逐步發(fā)展起來(lái)。它為解決非結(jié)構(gòu)化決策問題提供了相應(yīng)的有用信息，給各級(jí)管理決策人員的工作帶來(lái)了便利。

從圖1可以看出決策支持系統(tǒng)體系結(jié)構(gòu)可劃分為三級(jí)，即語(yǔ)言系統(tǒng)（LS）級(jí)、問題處理系統(tǒng)（PPS）級(jí)和知識(shí)系統(tǒng)（KS）級(jí)。其中問題處理系統(tǒng)級(jí)包括推理機(jī)系統(tǒng)（RS）、模型庫(kù)管理系統(tǒng)（MBMS）、知識(shí)庫(kù)管理系統(tǒng)（KBMS）及數(shù)據(jù)庫(kù)管理系統(tǒng)（DBMS）。知識(shí)系統(tǒng)級(jí)包括模型庫(kù)（MB）、知識(shí)庫(kù)（KB）及數(shù)據(jù)庫(kù)（DB）。

九十年代中期，興起了三個(gè)輔助決策技術(shù)：數(shù)據(jù)倉(cāng)庫(kù)（DW）、聯(lián)機(jī)分析處理（OLAP）和數(shù)據(jù)挖掘（DM）。聯(lián)機(jī)分析處理是以客戶/服務(wù)器的方式完成多維數(shù)據(jù)分析。數(shù)據(jù)倉(cāng)庫(kù)是根據(jù)決策主題的需要匯集大量的數(shù)據(jù)庫(kù)，通過綜合和分析得到輔助決策的信息。數(shù)據(jù)挖掘顧名思義，是為了獲得有用的數(shù)據(jù)，在大量的數(shù)據(jù)庫(kù)中進(jìn)行篩選。人工智能技術(shù)建立一個(gè)智能的DSS人機(jī)界面，可進(jìn)行圖、文、聲、像、形等多模式交互，人機(jī)交互此時(shí)變得更為自然和諧，人們能沉浸其中，進(jìn)行合作式、目標(biāo)向?qū)降慕换シ椒ā?/p>

從目前情況來(lái)看，財(cái)務(wù)決策支持系統(tǒng)的研究還處于初級(jí)發(fā)展階段，財(cái)務(wù)數(shù)據(jù)的保密性、特殊性決定了財(cái)務(wù)決策不能全部公開化、透明化，但隨著中央及國(guó)務(wù)院相關(guān)部門財(cái)務(wù)預(yù)決算數(shù)據(jù)的公開，財(cái)務(wù)決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開，這就要求決策者充分利用財(cái)務(wù)知識(shí)和決策支持系統(tǒng)的知識(shí)“聰明”決策、合理決策、科學(xué)決策、規(guī)范決策。

2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架

2.1 神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)制 神經(jīng)網(wǎng)絡(luò)的著眼點(diǎn)是采納生物體中神經(jīng)細(xì)胞網(wǎng)絡(luò)中某些可利用的部分，來(lái)彌補(bǔ)計(jì)算機(jī)的不足之處，而不是單單用物理的器件去完整地復(fù)制。

第一，神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)都可以通過學(xué)習(xí)而得到，具有十分強(qiáng)大的學(xué)習(xí)功能；第二，神經(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲(chǔ)存方式，大多儲(chǔ)存在神經(jīng)元之間的權(quán)中；第三，神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后，仍可以繼續(xù)進(jìn)行其他活動(dòng)，不影響全局的活動(dòng)，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯(cuò)性；第四，神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的神經(jīng)元組成的，每個(gè)神經(jīng)元雖然結(jié)構(gòu)簡(jiǎn)單，但是它們組合到一起并行活動(dòng)時(shí)，卻能爆發(fā)出較快較強(qiáng)的速度來(lái)。

我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點(diǎn)，將之應(yīng)用于模式識(shí)別、自動(dòng)控制、優(yōu)化計(jì)算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。

2.2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財(cái)務(wù)DSS的必然性 在企業(yè)經(jīng)營(yíng)管理、政府機(jī)構(gòu)財(cái)務(wù)活動(dòng)中，人們時(shí)常面臨著財(cái)務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗(yàn)制定出一系列的衡量標(biāo)準(zhǔn)。這種評(píng)價(jià)是一個(gè)非常復(fù)雜的非結(jié)構(gòu)化決策過程，一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗(yàn)和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級(jí)指標(biāo)體系。但在這種指標(biāo)體系中，各種指標(biāo)之間的關(guān)系很難明確，而且還受評(píng)價(jià)者的效用標(biāo)準(zhǔn)和主觀偏好所左右。因此，很難在指標(biāo)體系和評(píng)價(jià)目標(biāo)間建立起準(zhǔn)確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評(píng)價(jià)方法以支持決策。自然，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來(lái)支持這類評(píng)價(jià)決策問題是目前財(cái)務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢(shì)和必然趨勢(shì)[4]。

2.3 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架 神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識(shí)、數(shù)據(jù)和模型為主體，結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架[2]。研究中有兩個(gè)重點(diǎn)，即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。

2.3.1 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng) 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時(shí)利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項(xiàng)基本任務(wù)：相關(guān)分析、聚類、概念描述、偏差監(jiān)測(cè)、預(yù)測(cè)。

常用的前饋式神經(jīng)網(wǎng)絡(luò)，如BP網(wǎng)絡(luò)，可用于進(jìn)行概念描述及預(yù)測(cè)。對(duì)向傳播（Counter Propagation，簡(jiǎn)稱CP）神經(jīng)網(wǎng)路可用來(lái)進(jìn)行統(tǒng)計(jì)分析和聚類。

CP網(wǎng)絡(luò)是美國(guó)神經(jīng)計(jì)算專家Robert Hecht-Nielsen提出的一種新型特征映射網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競(jìng)爭(zhēng)、輸出三層。該網(wǎng)絡(luò)吸取了無(wú)教師示教型網(wǎng)絡(luò)分類錄活、算法簡(jiǎn)練的優(yōu)點(diǎn)，又采納了有教師示教型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的好處，使兩者有機(jī)地結(jié)合起來(lái)。由競(jìng)爭(zhēng)層至輸出層，網(wǎng)絡(luò)按基本競(jìng)爭(zhēng)型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實(shí)際輸出值，并按有教師示教的誤差校正方法調(diào)整由競(jìng)爭(zhēng)層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí)，可以將任意輸入模式映射為輸出模式。

2.3.2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng) 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機(jī)制來(lái)解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無(wú)窮遞歸”，等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，計(jì)算與存儲(chǔ)時(shí)完全合二為一的，即信息的存儲(chǔ)體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)模并行方式處理。流動(dòng)的過程就是從部分信息找到全部信息的過程，這就是聯(lián)想記憶的基本原理。若視動(dòng)力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計(jì)算能量函數(shù)的極小點(diǎn)，系統(tǒng)最終會(huì)流向期望的最小點(diǎn)，計(jì)算也就在運(yùn)動(dòng)過程中悄悄地完成了。因而，可用雙向聯(lián)想記憶（BAM）網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實(shí)現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對(duì)進(jìn)行充分的學(xué)習(xí)后，就可用來(lái)進(jìn)行模式間的聯(lián)想推理。

3 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能DSS研究展望

當(dāng)前世界上最熱門的研究課題，是模仿人類的思維方式來(lái)解決實(shí)際問題。專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù)，但由于自身的局限性，它們都側(cè)重于人類思維方式的某一方面。平時(shí)解決簡(jiǎn)單的問題的時(shí)候還好，但真遇到解決復(fù)雜的問題的時(shí)候，它就顯得力不從心了，所以，這個(gè)時(shí)候我們可以將兩種技術(shù)結(jié)合起來(lái)解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協(xié)調(diào)配合，神經(jīng)網(wǎng)絡(luò)DSS未來(lái)的發(fā)展趨勢(shì)就是依靠這兩種技術(shù)不斷結(jié)合，從而能幫助我們解決更多的實(shí)際問題。

3.1 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng) 常見的財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個(gè)方面：知識(shí)維護(hù)、知識(shí)表示、知識(shí)獲取、推理等，我們針對(duì)各個(gè)步驟展開討論。

3.1.1 知識(shí)維護(hù)。如果知識(shí)是通過人工神經(jīng)網(wǎng)絡(luò)來(lái)獲取的，我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò)，來(lái)讓維護(hù)工作變得更加方便快捷，維護(hù)可以通過人工神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)完成，我們需要做的只是重新運(yùn)行網(wǎng)絡(luò)模塊，或者重新訓(xùn)練網(wǎng)絡(luò)模塊，又或是增加新的網(wǎng)絡(luò)模塊。

3.1.2 推理。一般的專家系統(tǒng)只是求解專門性問題，應(yīng)用的領(lǐng)域非常狹窄，同時(shí)由于控制策略不靈活，推理方法簡(jiǎn)單，容易出現(xiàn)一些這樣或那樣的問題，推理效率低、速度慢。人工神經(jīng)網(wǎng)絡(luò)可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識(shí)空間，不只局限在狹窄的領(lǐng)域。

3.1.3 知識(shí)表示。很多專家知識(shí)事實(shí)上很難用規(guī)則表示出來(lái)，但在現(xiàn)實(shí)工作中，我們大部分財(cái)務(wù)管理專家卻都采取這種方式，無(wú)論是直接的還是間接的。其它的知識(shí)表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來(lái)將知識(shí)提供給專家系統(tǒng)，這樣做就可以避免這一問題，當(dāng)專家系統(tǒng)需要相應(yīng)知識(shí)時(shí)，就不需要用規(guī)則來(lái)表示知識(shí)，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。

3.1.4 知識(shí)獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來(lái)獲取知識(shí)，知識(shí)獲取是通過人機(jī)對(duì)話的形式進(jìn)行的。首先，專家系統(tǒng)向?qū)＜姨岢鰡栴}，人工神經(jīng)網(wǎng)路則負(fù)責(zé)對(duì)這些信息進(jìn)行收集、處理，在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識(shí)，所以這一步驟會(huì)很方便，之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著，專家系統(tǒng)在對(duì)這些數(shù)據(jù)進(jìn)行進(jìn)一步的分析。在這一過程中，專家系統(tǒng)只運(yùn)用很少的規(guī)則就可以獲得相關(guān)的知識(shí)，大大提高了工作效率。

3.2 財(cái)務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò) 財(cái)務(wù)管理專家主要通過三種方式來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)提供必要的支持：第一，提供相應(yīng)的必要的解釋；第二，進(jìn)行預(yù)處理；第三，聯(lián)合應(yīng)用。

3.2.1 解釋。作為專家系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它做不到同其他專家系統(tǒng)那樣，具體詳細(xì)地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個(gè)小型的專家來(lái)解決這一問題，以獲得答案的原因，這個(gè)專家系統(tǒng)可以反向推理，從結(jié)果到初始輸入，系統(tǒng)提供具體的解決方法。

在這種模式中，經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)來(lái)解決問題。當(dāng)用戶要求解釋的時(shí)候，就可以通過網(wǎng)絡(luò)輸入一個(gè)并行的專家系統(tǒng)。

3.2.2 預(yù)處理。對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說，處理數(shù)據(jù)這項(xiàng)工作比較難。專家系統(tǒng)可以幫助人工神經(jīng)做好這些工作：選擇合適的收斂算法，確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本的數(shù)量，選擇合適的神經(jīng)網(wǎng)絡(luò)。收集正確數(shù)據(jù)的工作，對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說至關(guān)重要，事先對(duì)它們進(jìn)行預(yù)處理，可以確保各項(xiàng)工作順利的完成。

3.2.3 聯(lián)合應(yīng)用。將一個(gè)復(fù)問題分解為幾個(gè)子問題，如下圖3所示，再將各個(gè)子問題來(lái)逐個(gè)解決，這就是我們所常說說的聯(lián)合應(yīng)用方法。它可以直接采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)以及其種可能的方法來(lái)解決問題，指導(dǎo)實(shí)際應(yīng)用。

我們當(dāng)前計(jì)算機(jī)所要解決的主要問題，是如何解決半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策等問題，它是人們?cè)谌粘Ｉ钪兴?jīng)常遇到的，在財(cái)務(wù)活動(dòng)中會(huì)大量存在。如何更科學(xué)、更合理地處理這些問題是我們當(dāng)前工作的主要方向。運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策是一種智能化的求解方式。但是此種方式并不是完美無(wú)缺的，它還存在著一定程度上的缺點(diǎn)，我們只有改善這種技術(shù)上的不成熟，將智能化研究進(jìn)行到底，才能讓神經(jīng)網(wǎng)絡(luò)決策支持系統(tǒng)的研究出現(xiàn)新的進(jìn)展。

參考文獻(xiàn)：

[1]陳文偉.智能決策技術(shù).電子工業(yè)出版社，1998年.

[2]鐘義信.智能理論與技術(shù)——人工智能與神經(jīng)網(wǎng)絡(luò).人民郵電出版社，1992年.

篇5

關(guān)鍵詞：水動(dòng)力模型，ANN神經(jīng)網(wǎng)絡(luò)系統(tǒng)，模型數(shù)據(jù)，缺失數(shù)據(jù)模擬

中圖分類號(hào)：G250.72 文獻(xiàn)標(biāo)識(shí)碼：A

我國(guó)大多數(shù)的城市管網(wǎng)建設(shè)滯后于水廠建設(shè),給水管網(wǎng)的鋪設(shè)會(huì)隨城市的發(fā)展不斷地鋪設(shè)延長(zhǎng)，與之相對(duì)應(yīng)的是用水量的急劇增長(zhǎng)，與老管線的協(xié)調(diào)規(guī)劃問題等等，這一切的問題都使地下管線的管理成為一個(gè)極其復(fù)雜的問題。構(gòu)建水動(dòng)力模型，可以實(shí)時(shí)的看到管網(wǎng)的薄弱環(huán)節(jié)，并且通過分析得知造成管網(wǎng)問題的原因。水動(dòng)力模型可以應(yīng)用于并的給水系統(tǒng)的規(guī)劃，設(shè)計(jì)及改擴(kuò)建；管網(wǎng)改造優(yōu)先性評(píng)估；管網(wǎng)改造并行方案的的成本分析，運(yùn)行情況；指導(dǎo)和幫助安排管網(wǎng)檢漏工作等。

建立水動(dòng)力模型是一項(xiàng)復(fù)雜并且富有難度的工程，需要將給水管道的的信息，包括管道的管徑、材質(zhì)、管齡，粗糙系數(shù)等如實(shí)的反應(yīng)到模型中，運(yùn)行模型后要選擇管網(wǎng)中具有典型代表性的節(jié)點(diǎn)，得到這些節(jié)點(diǎn)的節(jié)點(diǎn)流量與節(jié)點(diǎn)壓力模擬值，將這些曲線與實(shí)際中該節(jié)點(diǎn)的流量與壓力曲線進(jìn)行對(duì)比。通過調(diào)整管網(wǎng)的粗糙系數(shù)，節(jié)點(diǎn)流量分配等核心數(shù)據(jù)使模擬曲線與實(shí)測(cè)曲線相吻合，這個(gè)過程稱之為模型校核。校核后的模型才能應(yīng)用于實(shí)際的工程工作中。

模型搭建和校核的過程中需要許多數(shù)據(jù)，而在現(xiàn)有國(guó)內(nèi)的自來(lái)水公司，極少有完備的數(shù)據(jù)，而這些數(shù)據(jù)的檢測(cè)和整理是一項(xiàng)復(fù)雜并且耗費(fèi)財(cái)力的工程。當(dāng)有所需的數(shù)據(jù)缺失時(shí)，根據(jù)現(xiàn)有的數(shù)據(jù)搭建ANN（人工神經(jīng)網(wǎng)絡(luò)）模型，模擬出缺失的數(shù)據(jù)曲線，從而用于水動(dòng)力模型的校核工作中。譬如，節(jié)點(diǎn)流量曲線、節(jié)點(diǎn)壓力曲線、節(jié)點(diǎn)的化學(xué)物質(zhì)殘留量曲線等等。

1 人工神經(jīng)網(wǎng)絡(luò)的概念

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，是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activation function）。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。人工神經(jīng)網(wǎng)絡(luò)是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用,通過統(tǒng)計(jì)學(xué)的標(biāo)準(zhǔn)數(shù)學(xué)方法我們能夠得到大量的可以用函數(shù)來(lái)表達(dá)的局部結(jié)構(gòu)空間,通過統(tǒng)計(jì)學(xué)的方法,人工神經(jīng)網(wǎng)絡(luò)能夠類似人 一樣具有簡(jiǎn)單的決定能力和簡(jiǎn)單的判斷能力,這種方法比起正式的邏輯學(xué)推理演算更具有優(yōu)勢(shì)。因?yàn)樗恍枰娴臄?shù)據(jù)。實(shí)踐證明只要中間的隱含層個(gè)數(shù)足夠多，ANN神經(jīng)網(wǎng)絡(luò)無(wú)限逼近任何連續(xù)函數(shù)。

圖1 3層ANN（BP）網(wǎng)絡(luò)結(jié)構(gòu)

Fig. 1 Three level ANN model’s structure

2基于ANN人工神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)壓力模型的建立

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)能夠?qū)W習(xí),能夠總結(jié)歸納的系統(tǒng),也就是說它能夠通過已知數(shù)據(jù)的實(shí)驗(yàn)運(yùn)用來(lái)學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對(duì)局部情況的對(duì)照比較,它能夠推理產(chǎn)生一個(gè)可以自動(dòng)識(shí)別的系統(tǒng)。人工網(wǎng)絡(luò)系統(tǒng)之所以能夠推理,基礎(chǔ)是需要有一個(gè)推理算法則的集合。在本次的實(shí)例檢驗(yàn)過程中使用相關(guān)系數(shù)和確定性系數(shù)來(lái)衡量模型的準(zhǔn)確性，如果確定性系數(shù)越大，預(yù)測(cè)值和實(shí)測(cè)值的相關(guān)系數(shù)越大，誤差就越小，模型的計(jì)算結(jié)果就越好。通過對(duì)模型精度的分析，判斷節(jié)點(diǎn)壓力曲線是否可以用于水動(dòng)力模型的，模型校核工作中。

其實(shí)人工神經(jīng)網(wǎng)絡(luò)就是一個(gè)黑箱子，它所建立的模型不是基于實(shí)際的物理聯(lián)系，而是基于我們所記錄數(shù)據(jù)和所得值之間的函數(shù)關(guān)系（這種函數(shù)關(guān)系在運(yùn)算的過程中不得而知），對(duì)于人工神經(jīng)網(wǎng)絡(luò)的計(jì)算過程我們不關(guān)心也不必去了解它計(jì)算過程的細(xì)節(jié)。人工神經(jīng)網(wǎng)絡(luò)在做出預(yù)測(cè)之前是使用記錄數(shù)據(jù)的學(xué)習(xí)過程，之后的使用就是在上面的學(xué)習(xí)過程之后，人工神經(jīng)網(wǎng)絡(luò)會(huì)擬合出一個(gè)比較準(zhǔn)確的函數(shù)關(guān)系從而會(huì)根據(jù)所給數(shù)據(jù)預(yù)測(cè)出我們所關(guān)心變量的結(jié)果。

本文以節(jié)點(diǎn)壓力曲線的模擬為例子，闡述ANN模型的搭建，以及模擬結(jié)果的精確性。

已有的數(shù)據(jù)為給水管網(wǎng)中8個(gè)節(jié)點(diǎn)的壓力曲線，靠近泵站的一個(gè)節(jié)點(diǎn)的壓力缺失某幾個(gè)小時(shí)的數(shù)據(jù)，現(xiàn)利用已知數(shù)據(jù)搭建ANN模型，模擬出此時(shí)，一個(gè)小時(shí)后，兩個(gè)小時(shí)后，4個(gè)小時(shí)后的模擬壓力曲線。通過對(duì)模型結(jié)果的分析，得出其結(jié)果是否能用于水動(dòng)力模型校核工作。

2.1 訓(xùn)練模式對(duì)的準(zhǔn)備工作

對(duì)于管網(wǎng)中的節(jié)點(diǎn)壓力來(lái)講，他們之間具有相關(guān)性，因?yàn)樵陬A(yù)測(cè)未知點(diǎn)的壓力曲線時(shí)，其他管網(wǎng)中的節(jié)點(diǎn)都是未知節(jié)點(diǎn)的重要影響因子。因此在搭建模型時(shí)要在輸入層配置相應(yīng)的單元用來(lái)模擬未知節(jié)點(diǎn)的壓力曲線。

目標(biāo)節(jié)點(diǎn)預(yù)見期壓力=F{（某時(shí)間點(diǎn)NODE1水位）,（某時(shí)間點(diǎn)NODE2水位）,（某時(shí)間點(diǎn)NODE3水位）…(某時(shí)間點(diǎn)NODE8水位)}某時(shí)間點(diǎn)指的是預(yù)見期之前某個(gè)相應(yīng)的時(shí)間點(diǎn)。

整個(gè)模型從數(shù)據(jù)輸入到結(jié)果分析的過程可以用流程圖表示出來(lái)。數(shù)據(jù)輸入->數(shù)據(jù)編輯->模型參數(shù)確立->運(yùn)行模型->模型結(jié)果分析。

2.2 目標(biāo)函數(shù)（確定性系數(shù)）的確立

R= 式-1

式中 R為確定性系數(shù)

為該城市實(shí)測(cè)河流水位

為實(shí)測(cè)河流水位的平均值

為模型預(yù)測(cè)水

為模型預(yù)測(cè)水位的平均值

R越接近于1，說明模擬結(jié)果與實(shí)際測(cè)量結(jié)果越一致，也即模型越精確。

2.3 模型的結(jié)構(gòu)參數(shù)的確立

人工神經(jīng)網(wǎng)絡(luò)模型中關(guān)鍵的參數(shù)有學(xué)習(xí)率，中間層的神經(jīng)元數(shù)，動(dòng)量因子，終止學(xué)習(xí)條件，本文利用設(shè)定最大平均誤差來(lái)終止模型運(yùn)行。其中的學(xué)習(xí)率和動(dòng)量因子會(huì)影響到模型的收斂速度。學(xué)習(xí)率和動(dòng)量因子的取值范圍都在[0,1]之間。學(xué)習(xí)率越大運(yùn)算速度越大但是如果取過大的值會(huì)導(dǎo)致模型不收斂，由于模型的運(yùn)算速度比較快為了得到更加精確的結(jié)果取學(xué)習(xí)率為0.02.動(dòng)量因子根據(jù)經(jīng)驗(yàn)取0.1，中間層的神經(jīng)元數(shù)取30。

3 實(shí)例分析

我們擁有管網(wǎng)中9個(gè)節(jié)點(diǎn)的壓力曲線值，但是某個(gè)時(shí)間段節(jié)點(diǎn)9的壓力曲線缺失，管網(wǎng)中9個(gè)節(jié)點(diǎn)的具置見圖2.

圖2 管網(wǎng)中的9個(gè)節(jié)點(diǎn)

Fig. 2 The 9 nodes in the network

示意圖中觀測(cè)站一為模型下游目標(biāo)站的位置，本文所討論的預(yù)測(cè)站也就是目標(biāo)站。

建立模型之后對(duì)該城市城市管網(wǎng)中的節(jié)點(diǎn)9，此時(shí)以及未來(lái)1-4小時(shí)的節(jié)點(diǎn)壓力進(jìn)行預(yù)測(cè)。根據(jù)該中的8個(gè)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的的壓力曲線數(shù)據(jù)為基礎(chǔ)進(jìn)行訓(xùn)練，并且對(duì)預(yù)測(cè)的結(jié)果進(jìn)行分析。來(lái)判斷時(shí)候可以將模擬的數(shù)據(jù)直接用于模型校核。

表1 預(yù)見期分別為0-4h的模型精確度參數(shù)

Table 1 Model’s forecast precision in 0-4hours

圖3 同時(shí)刻節(jié)點(diǎn)壓力的模擬值與實(shí)測(cè)值

Fig. 4 Forecast water level the same time with measured data

圖4 預(yù)見期為1h時(shí)的節(jié)點(diǎn)壓力曲線

Fig. 5 Forecast water level 1 hour later

圖5 預(yù)見期為4h時(shí)的節(jié)點(diǎn)壓力曲線

Fig. 5 Forecast water level 4 hour later

圖6 預(yù)測(cè)同時(shí)刻的各個(gè)節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的相關(guān)貢獻(xiàn)系數(shù)

Fig. 6 Relative contribution coefficient between observation station and objective node on the same

time

圖7 預(yù)測(cè)4h之后的各個(gè)觀測(cè)節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的相關(guān)貢獻(xiàn)系數(shù)

Fig. 7 Relative contribution coefficient between and objective station when the forecast stage 4 hours

表2不同預(yù)見期的絕對(duì)誤差

通過研究神經(jīng)網(wǎng)絡(luò)模型的結(jié)果可見：

（1）通過圖6、圖7可以得知使用人工神經(jīng)網(wǎng)絡(luò)模型，各個(gè)節(jié)點(diǎn)的實(shí)測(cè)數(shù)據(jù)對(duì)于最后的目標(biāo)節(jié)點(diǎn)影響是不同的。節(jié)點(diǎn)3的對(duì)與目標(biāo)站的相關(guān)系數(shù)性較小，在實(shí)際工作中可以舍棄此地?cái)?shù)據(jù)的采集，從而減少人力物力的投入。隨著預(yù)測(cè)時(shí)間的不同其相關(guān)系數(shù)亦會(huì)發(fā)生變化。

（2）預(yù)見期越長(zhǎng)，其最后結(jié)果的可靠性越差。確定性系數(shù)，和絕對(duì)誤差可以反映之，預(yù)見期為0h、1h時(shí)，其誤差很小，當(dāng)延長(zhǎng)其預(yù)見期時(shí)，其誤差會(huì)相應(yīng)變大。當(dāng)模擬結(jié)果用于水動(dòng)力模型校核時(shí)，目標(biāo)節(jié)點(diǎn)的模擬結(jié)果與輸入節(jié)點(diǎn)為同時(shí)刻時(shí)，模擬數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)高度吻合，說明該結(jié)果可以輸入水動(dòng)力模型，進(jìn)行校核。隨著預(yù)見期變長(zhǎng)，其模擬結(jié)果也越來(lái)越不準(zhǔn)確。預(yù)見期為4小時(shí)時(shí)，其結(jié)果不能作為水動(dòng)力模型的輸入數(shù)據(jù)進(jìn)行模型校核。

（3）在水動(dòng)力模型校核過程中，可以將ANN的預(yù)測(cè)結(jié)果也就是預(yù)見期的目標(biāo)節(jié)點(diǎn)壓力曲線用于在水動(dòng)力模型中。從而解決了原始數(shù)據(jù)缺失的問題。

4 結(jié)論

本文采用ANN（人工神經(jīng)網(wǎng)絡(luò)）建立了節(jié)點(diǎn)壓力的預(yù)測(cè)模型，其預(yù)測(cè)結(jié)果可以應(yīng)用于水動(dòng)力模型中，用模型校核的原始輸入值。從而為搭建城市的給水管網(wǎng)水動(dòng)力模型提供科學(xué)的依據(jù)。也節(jié)約了大量人力，物力和財(cái)力的消耗。

參考文獻(xiàn)

嚴(yán)熙世, 趙洪賓. 給水管網(wǎng)系統(tǒng)理論與分析. 中國(guó)建筑工業(yè)出版社, 2003.9

陶建科, 劉遂慶, 建立微觀動(dòng)態(tài)水力模型標(biāo)準(zhǔn)方法研究.給水排水, 2000, 26（5）：4~8

Maier H R, Dandy G C. The use of artificial neural networks for the prediction of water quality parameters. Water Resources, 1996 ,32 (4) :1013 - 1022.

篇6

【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(lái)的后果就是人們?cè)絹?lái)越少的區(qū)書寫漢字，導(dǎo)致越來(lái)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(yǔ)言習(xí)慣，對(duì)于中國(guó)人來(lái)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(yǔ)拼音或者五筆編碼，對(duì)于文化程度較低的使用者來(lái)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(lái)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(lái)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(wú)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(lái)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(lái)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(kù)，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。基于Hopfield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?？?。因此它對(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）.

篇7

[關(guān)鍵詞]人工神經(jīng)網(wǎng)絡(luò)；旅游物流；需求預(yù)測(cè)

[DOI]1013939/jcnkizgsc201538051

1引言

旅游物流對(duì)廣西地區(qū)經(jīng)濟(jì)的發(fā)展至關(guān)重要，準(zhǔn)確把握、預(yù)測(cè)旅游物流需求有助于有關(guān)部門制定合理的旅游物流規(guī)劃、促進(jìn)國(guó)民經(jīng)濟(jì)可持續(xù)發(fā)展、提高居民生活水平。國(guó)內(nèi)學(xué)者通過一定的方法和模型確定了影響旅游物流能力的關(guān)鍵要素，為旅游物流需求的預(yù)測(cè)提供了一定的理論基礎(chǔ)，而在物流需求預(yù)測(cè)方面也提出了很多如時(shí)間序列模型、灰色預(yù)測(cè)、回歸分析等具有創(chuàng)新性和實(shí)踐意義的方法。由于旅游物流具有的獨(dú)特性和負(fù)責(zé)性使得這些模型及分析方法在前提條件、適用范圍和側(cè)重點(diǎn)的選取方面具有一定的困難，因此在實(shí)際應(yīng)用中各有利弊。人工神經(jīng)網(wǎng)絡(luò)可以將定量或定性的信息等勢(shì)的分布貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，有很強(qiáng)的魯棒性和容錯(cuò)性，通過建立基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，利用Braincell軟件進(jìn)行計(jì)算以期達(dá)到精確預(yù)測(cè)旅游物流需求的目的。

2旅游物流的需求界定

經(jīng)過多年的發(fā)展，關(guān)于旅游物流需求的定義至今仍沒有一個(gè)令各方滿意的結(jié)論。物流服務(wù)貫穿了整個(gè)旅游活動(dòng)過程中，旅游物流可以看作為了使旅游消費(fèi)者獲得更好地滿足感和旅游體驗(yàn)，與旅游相關(guān)的主體提供讓旅游消費(fèi)者更為暢通流動(dòng)的旅游服務(wù)，與此相應(yīng)的旅游物流的能力指提供的旅游服務(wù)內(nèi)容以及相關(guān)主體使用物流設(shè)施對(duì)旅游物流活動(dòng)進(jìn)行計(jì)劃、組織、協(xié)調(diào)和控制的能力，到旅游物流的具體環(huán)節(jié)，可以從涉及旅游者的吃、住、行、購(gòu)、游、娛等方面界定旅游相關(guān)主體運(yùn)用物流設(shè)施為游客提供旅游服務(wù)的能力。文中對(duì)旅游物流需求的預(yù)測(cè)可以從往年的旅游物流能力方面進(jìn)行預(yù)測(cè)，通過準(zhǔn)確的預(yù)測(cè)旅游物流需求可以較好地規(guī)劃未來(lái)年份旅游業(yè)發(fā)展方向，對(duì)物流設(shè)施和設(shè)備進(jìn)行準(zhǔn)確的投入，減少資源的浪費(fèi)及設(shè)施投入不足的狀況。

旅游物流能力是指旅游服務(wù)主體向旅游消費(fèi)者從“吃、住、行、購(gòu)、游、娛”6個(gè)方面提供服務(wù)的能力，旅游物流需求可根據(jù)這6方面來(lái)選取指標(biāo)，但是旅游物流需求預(yù)測(cè)的準(zhǔn)確性不僅受到旅游物流的獨(dú)特性的制約，還受到一些客觀性條件的影響。如物流統(tǒng)計(jì)制度不健全，目前，我國(guó)仍沒有建立系統(tǒng)全面的物流統(tǒng)計(jì)制度，更沒有涉及旅游物流領(lǐng)域；物流統(tǒng)計(jì)沒有涉及物流活動(dòng)的全過程；物流統(tǒng)計(jì)指標(biāo)過于單一。此外，國(guó)內(nèi)只有基本的貨物運(yùn)輸量和貨物周轉(zhuǎn)量統(tǒng)計(jì)，其他與物流相關(guān)的指標(biāo)沒有公開的統(tǒng)計(jì)資料，也沒有權(quán)威的統(tǒng)計(jì)方法和基礎(chǔ)數(shù)據(jù)，致使物流需求預(yù)測(cè)不能通過直接指標(biāo)來(lái)衡量需求規(guī)模的大小。

3基于神經(jīng)網(wǎng)絡(luò)的旅游物流需求預(yù)測(cè)模型的建立

神經(jīng)網(wǎng)絡(luò)具有非線性、曲線擬合能力、學(xué)習(xí)能力和抗干擾能力，是一種通用的非線性函數(shù)逼近工具。通過對(duì)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，特別適用于構(gòu)造非線性預(yù)測(cè)函數(shù)，而且精度可達(dá)到預(yù)定的要求。

31預(yù)測(cè)領(lǐng)域中的BP神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介

BP神經(jīng)網(wǎng)絡(luò)通過正向輸入，反向傳播誤差不斷迭代的學(xué)習(xí)過程，直到誤差減到可以接受的程度。一般包括輸入層、隱含層和輸出層的單隱含層網(wǎng)絡(luò)就能以任意精度表示并揭示任何連續(xù)函數(shù)所蘊(yùn)含的非線性關(guān)系。其中：

（1）工作信號(hào)正向傳播。輸入信號(hào)從輸入層經(jīng)過隱含層，傳向輸出層，在輸出端產(chǎn)生輸出信號(hào)，這是工作信號(hào)的正向傳播。在信號(hào)的正向傳播過程中網(wǎng)絡(luò)的權(quán)值是固定不變的，上一層神經(jīng)元的只影響下一層神經(jīng)元的狀態(tài)，即正向影響。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差信號(hào)反向傳播。

（2）誤差信號(hào)反向傳播。網(wǎng)絡(luò)的實(shí)際的輸出與所期望的輸出之間差值即為誤差信號(hào)，誤差信號(hào)由輸出端開始逐層向前傳播，即誤差信號(hào)的反向傳播。在誤差信號(hào)反向傳播中，神經(jīng)網(wǎng)絡(luò)的權(quán)值根據(jù)誤差的反饋進(jìn)行調(diào)節(jié)。通過不斷地對(duì)權(quán)值的修正，使實(shí)際輸出更加接近期望輸出。

（3）預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)流程。通過了解工作信號(hào)與誤差信號(hào)的傳播方向，可以清楚地了解預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的工作流程。預(yù)測(cè)開始時(shí)神經(jīng)網(wǎng)絡(luò)讀入樣本、權(quán)值，通過計(jì)算輸入層的輸入得出結(jié)果傳遞到輸出層，在輸出層進(jìn)行計(jì)算，最后在計(jì)算輸出值與期望值的誤差。若誤差小于確定值則計(jì)算結(jié)束，若誤差大于確定值則繼續(xù)回到前兩層進(jìn)行權(quán)值調(diào)整，把調(diào)整后的權(quán)值重新輸入到模型中，直到誤差小于設(shè)定的確定值。

本文應(yīng)用Braincell神經(jīng)網(wǎng)絡(luò)軟件來(lái)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的計(jì)算與分析。

32BrainCell軟件及實(shí)現(xiàn)

321BrainCell 神經(jīng)網(wǎng)絡(luò)基本原理

BrainCell 神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播學(xué)習(xí)算法，算法從兩個(gè)方面（信號(hào)的前向傳播和誤差的反向傳播）反復(fù)進(jìn)行迭代學(xué)習(xí)，與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模式基本原理相同。

322BrainCell 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步驟

（1）數(shù)據(jù)的預(yù)處理和后處理。為方便的計(jì)算減少誤差，保證數(shù)據(jù)同一量綱，需要將數(shù)據(jù)歸一化為區(qū)域[0，1]之間數(shù)據(jù)。在實(shí)際的預(yù)測(cè)模型中當(dāng)數(shù)據(jù)接近0或1的時(shí)候訓(xùn)練效果會(huì)明顯下降。因此，為了避免數(shù)據(jù)落入最大飽和區(qū)，保持?jǐn)?shù)據(jù)的原有特征，根據(jù)經(jīng)驗(yàn)將數(shù)據(jù)規(guī)范到[015，085]來(lái)進(jìn)行修正。模型中采用反歸一化處理輸出數(shù)據(jù)。

（2）網(wǎng)絡(luò)層數(shù)目的確定。由Kolmogorov定理可知，含有一個(gè)神經(jīng)元隱含層的三層神經(jīng)網(wǎng)絡(luò)可以從任意精度逼近一個(gè)從輸入到輸出的映射關(guān)系，因此在Braincell神經(jīng)網(wǎng)絡(luò)中采用含有單隱層的三層神經(jīng)網(wǎng)絡(luò)[2]。

（3）網(wǎng)絡(luò)節(jié)點(diǎn)的確定。輸入層節(jié)點(diǎn)的多少與評(píng)價(jià)指標(biāo)個(gè)數(shù)是相對(duì)應(yīng)的。

（4）網(wǎng)絡(luò)訓(xùn)練。假設(shè)訓(xùn)練樣例是形式（x，y），其中x為輸入向量，y為輸出值。N為輸入節(jié)點(diǎn)數(shù)，M為輸出層節(jié)點(diǎn)數(shù)。從單位i到單位j的輸入表示xij，單位i 到單位j的權(quán)值表示W(wǎng)ij。一是創(chuàng)建具有N 個(gè)輸入單位，M 個(gè)輸出單位的BrainCell 神經(jīng)網(wǎng)絡(luò)；二是用隨機(jī)數(shù)（0 或1）初始化某些數(shù)字變量網(wǎng)絡(luò)權(quán)值Wij；三是對(duì)于第k個(gè)訓(xùn)練樣例（a，b），把入跟著網(wǎng)絡(luò)前向傳播，并計(jì)算網(wǎng)絡(luò)中每個(gè)單元x的輸出Qx，使誤差沿著反向傳播；四是對(duì)于每個(gè)輸出單元u，計(jì)算它的誤差項(xiàng)；五是對(duì)于每個(gè)隱含單元h，計(jì)算它的誤差項(xiàng)；六是利用誤差項(xiàng)更新調(diào)整每個(gè)網(wǎng)絡(luò)權(quán)值；七是重復(fù)三到六點(diǎn)，直到完成指定的迭代次數(shù)或者是其誤差值達(dá)到可接受的范圍。

33神經(jīng)網(wǎng)絡(luò)的旅游物流需求預(yù)測(cè)模型的建立

331模型中數(shù)據(jù)指標(biāo)確定

目前我國(guó)仍沒有健全的物流統(tǒng)計(jì)制度，因此實(shí)際工作中收集旅游物流需求數(shù)據(jù)十分困難。這里采用間接指標(biāo)法――利用與旅游物流需求相關(guān)的經(jīng)濟(jì)指標(biāo)來(lái)建立旅游物流需求的經(jīng)濟(jì)指標(biāo)體系，通過數(shù)學(xué)的方法進(jìn)行總結(jié)與推導(dǎo)，確定旅游物流需求模型。

旅游物流需求是一種派生需求，這種需求的大小與其本身發(fā)展有著密切的關(guān)系。從宏觀層面上考慮主要有內(nèi)外兩部分因素：旅游業(yè)自身發(fā)展的狀況及外部環(huán)境的影響。從微觀層面來(lái)說，旅游業(yè)自身發(fā)展的狀況是旅游物流需求的關(guān)鍵因素。旅游業(yè)產(chǎn)值越高，旅游物流需求增長(zhǎng)隨之增加，反之亦然。由此，本文選取旅游總收入和接待人數(shù)作為預(yù)測(cè)旅游物流需求的指標(biāo)。其次，影響旅游物流的其他關(guān)鍵因素就是旅游行業(yè)本身所投入的設(shè)施、人員、公路鐵路旅客周轉(zhuǎn)量等因素。根據(jù)旅游物流能力的理解從“吃、住、行、購(gòu)、游、娛”等方面進(jìn)行指標(biāo)的選取，如“吃、住”方面使用餐飲住宿從業(yè)人數(shù)、星級(jí)飯店數(shù)目衡量；“行”使用公路、鐵路旅客的周轉(zhuǎn)量來(lái)衡量等；“游”則使用旅行社從業(yè)人數(shù)等方面來(lái)衡量。這些因素都對(duì)行業(yè)的產(chǎn)值有較大的影響。因此，在模型中可將這些相關(guān)經(jīng)濟(jì)指標(biāo)作為旅游物流需求規(guī)模的影響因素。由此可選擇如下輸入層指標(biāo)：星級(jí)飯店數(shù)X1、接待入境旅游者平均每人消費(fèi)額X2、餐飲住宿業(yè)從業(yè)人數(shù)X3、旅行社從業(yè)人數(shù)X4、鐵路旅客周轉(zhuǎn)量X5、公路旅客周轉(zhuǎn)量X6、旅游部門游船年末實(shí)有船數(shù)X7，旅游部門旅游客車年末實(shí)有數(shù)X8，共有8個(gè)。而把旅游業(yè)的年收入Y1與年接待入境旅游者人數(shù)Y2作為物流需求預(yù)測(cè)的目標(biāo)。

332數(shù)據(jù)來(lái)源

本文選取的數(shù)據(jù)資料來(lái)源于廣西壯族自治區(qū)歷年統(tǒng)計(jì)年鑒、中國(guó)統(tǒng)計(jì)年鑒、中國(guó)旅游年鑒，如表1所示。根據(jù)樣本數(shù)據(jù)選取原則，將2005年和2012年的數(shù)據(jù)作為網(wǎng)絡(luò)測(cè)試樣本，最后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)2014―2016年的物流需求規(guī)模。

333廣西旅游物流需求的BP人工神經(jīng)網(wǎng)絡(luò)模型

（1）樣本數(shù)據(jù)的歸一化處理。選取X1，X2，X3，X4，X5，X6，X7，X8作為廣西旅游物流需求預(yù)測(cè)BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入，Y1，Y2為BP網(wǎng)絡(luò)的輸出。根據(jù)BP 的本身特點(diǎn)，對(duì)輸入層數(shù)據(jù)進(jìn)行歸一化時(shí)，采用如下公式：y=log[JB（（]x[JB））]/10。對(duì)輸出層數(shù)據(jù)則使用歸反一化處理，公式如下：P=log[JB（（]tT[JB））]/10。

（2）網(wǎng)絡(luò)節(jié)點(diǎn)的確定。根據(jù)構(gòu)建好的評(píng)價(jià)指標(biāo)體系，可以確定輸入層的節(jié)點(diǎn)數(shù)為8，輸出層的指標(biāo)數(shù)為2。

（3）網(wǎng)絡(luò)訓(xùn)練。以traindx作為訓(xùn)練函數(shù)，利用matlab計(jì)算?？芍谧畲笥?xùn)練次數(shù)為200次，目標(biāo)誤差為001，學(xué)習(xí)率設(shè)置為003，誤差曲線收斂于目標(biāo)001，進(jìn)過45次迭代后，網(wǎng)絡(luò)達(dá)到目標(biāo)要求，訓(xùn)練誤差圖見下圖。

訓(xùn)練誤差圖

通過設(shè)置的數(shù)據(jù)，使用Braincell軟件對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，選取全部數(shù)據(jù)作為樣本數(shù)據(jù)組，2010―2013年的樣本作為將預(yù)測(cè)樣本，輸入模型可得2010―2013年的預(yù)測(cè)值見表2。

據(jù)表3可以看出，預(yù)測(cè)效果較好，一般來(lái)說，對(duì)于經(jīng)濟(jì)指標(biāo)的預(yù)測(cè)，誤差能夠控制在3%以內(nèi)就算比較準(zhǔn)確。因此，基于與旅游物流相關(guān)的其他經(jīng)濟(jì)數(shù)據(jù)來(lái)建立BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)旅游物流需求有一定的實(shí)用價(jià)值。

4結(jié)論

根據(jù)人工神經(jīng)網(wǎng)絡(luò)理論建立的旅游物流需求預(yù)測(cè)模型，通過Braincell神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特征，運(yùn)用traindx函數(shù)進(jìn)行訓(xùn)練，在訓(xùn)練過程中對(duì)權(quán)值進(jìn)行不斷修正，誤差比率控制合適的在范圍內(nèi)，使網(wǎng)絡(luò)的實(shí)際輸出向量逐漸地接近期望的輸出值。最后把仿真的預(yù)測(cè)結(jié)果與真實(shí)量進(jìn)行初步比較分析，得出的結(jié)果能夠證明使用神經(jīng)網(wǎng)絡(luò)模型對(duì)旅游物流的預(yù)測(cè)精度較高。因此可以得出以下的結(jié)論：用BP神經(jīng)網(wǎng)絡(luò)建立模型，可以準(zhǔn)確地把與旅游物流相關(guān)的經(jīng)濟(jì)數(shù)據(jù)與目標(biāo)本身的需求量進(jìn)行結(jié)合，可得到較為精準(zhǔn)的旅游物流需求預(yù)測(cè)值。由此可以推斷，人工神經(jīng)網(wǎng)絡(luò)作為高度的非線性體系，能夠?qū)?jīng)濟(jì)系統(tǒng)中個(gè)變量之間的非線性關(guān)系進(jìn)行高精度的預(yù)測(cè)，將其運(yùn)用在物流領(lǐng)域中的應(yīng)用具有更加廣闊的發(fā)展?jié)摿Α?/p>

參考文獻(xiàn)：

[1]王新利，趙琨基于神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品物流需求預(yù)測(cè)研究[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2010（2）：64-66

[2]秦立公，韋金榮等基于BrainCell 的B2B 電子商務(wù)供應(yīng)鏈協(xié)同績(jī)效評(píng)價(jià)體系[J].中國(guó)集體經(jīng)濟(jì)，2014（15）：112-113

[3]張圣楠，郭文義，等基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與訓(xùn)練[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2005（17）：96-98

[4]熊勛人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評(píng)價(jià)和預(yù)測(cè)中的應(yīng)用研究[D].武漢：華中科技大學(xué)，2009

[5]白平，陳菊紅基于旅游物流能力的西部旅游發(fā)展研究[J].新疆大學(xué)學(xué)報(bào)，2013（41）：16-17

[6]秦立公，王東，等旅游景區(qū)物流能力優(yōu)化研究[J].現(xiàn)代商業(yè)，2010（24）：47

篇8

關(guān)鍵詞：移動(dòng)機(jī)器人；BP神經(jīng)網(wǎng)絡(luò)；軌跡跟蹤控制

引言

人工神經(jīng)網(wǎng)絡(luò)使非線性系統(tǒng)的描述成為可能，并且在學(xué)習(xí)、記憶、計(jì)算和智能處理方面表現(xiàn)出了很強(qiáng)的優(yōu)越性。人工神經(jīng)網(wǎng)絡(luò)具有如下特點(diǎn)：(1)可以按照指定的精度無(wú)限逼近幾乎各種復(fù)雜的非線性系統(tǒng)，解決了非線性系統(tǒng)的建模問題；(2)信息采用分布式存儲(chǔ)和處理方式，使得神經(jīng)網(wǎng)絡(luò)具有很高的運(yùn)算效率和很強(qiáng)的容錯(cuò)性和魯棒性； (3)可以自行調(diào)節(jié)參數(shù)和結(jié)構(gòu)實(shí)現(xiàn)自學(xué)習(xí)的目的以完成某項(xiàng)任務(wù)。（4）人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)魯棒性和適應(yīng)性，高可靠性以及智能性，為解決高維數(shù)、非線性、強(qiáng)干擾、時(shí)滯和不確定系統(tǒng)問題開辟了新思路并提供了方法，它在控制領(lǐng)域?qū)⒕哂信e足輕重的地位。

1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)階段：第一個(gè)階段是輸入已知學(xué)習(xí)樣本，通過設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計(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，從最后一層向前計(jì)算各權(quán)值和閾值對(duì)總誤差的影響(梯度)，據(jù)此對(duì)權(quán)值和閾值進(jìn)行修改。以上兩個(gè)過程反復(fù)交替，直到達(dá)到收斂為止。由于誤差逐層往回傳遞，以修正曾與層間的權(quán)值和閾值，所以稱該算法為誤差反向傳播算法。這種誤差反傳學(xué)習(xí)算法可以推廣到若干個(gè)中間層的多層網(wǎng)絡(luò)，因此該多層網(wǎng)絡(luò)常稱之為BP網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)根據(jù)每次的訓(xùn)練樣本對(duì)權(quán)值進(jìn)行修正，即使是在訓(xùn)練樣本差別不大的情況下，各個(gè)神經(jīng)元之間的連接權(quán)值也要重新經(jīng)過計(jì)算進(jìn)行修正。這在訓(xùn)練樣本維數(shù)不大的情況下計(jì)算時(shí)間不會(huì)有很大差別，但是在實(shí)際應(yīng)用中，往往所要訓(xùn)練的數(shù)據(jù)都是極為復(fù)雜和龐大的，神經(jīng)元個(gè)數(shù)也許是幾十個(gè)或幾百個(gè)，如果每個(gè)新的樣本數(shù)據(jù)都要重新經(jīng)過計(jì)算進(jìn)行權(quán)值修正，尤其在兩個(gè)樣本數(shù)據(jù)整體均方誤差和很小或絕大部分?jǐn)?shù)據(jù)完全一樣個(gè)別數(shù)據(jù)差別較大的情況下，這樣就會(huì)增加重復(fù)的不必要的計(jì)算量，大大浪費(fèi)計(jì)算時(shí)間，降低權(quán)值調(diào)整效率，難以滿足實(shí)時(shí)性要求。針對(duì)以上問題，提出了一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)。它通過把傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)根據(jù)其規(guī)模分割成若干更小的子網(wǎng)分別進(jìn)行訓(xùn)練來(lái)達(dá)到提高計(jì)算效率的目的

2 基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的軌跡跟蹤

移動(dòng)機(jī)器人的控制器設(shè)計(jì)問題可以描述為：給定參考位置和參考速度，為執(zhí)行力矩設(shè)計(jì)一個(gè)控制法則，控制機(jī)器人移動(dòng)，使其平穩(wěn)地跟蹤速度輸入和參考位置。

2.1基于后退算法的運(yùn)動(dòng)學(xué)控制器設(shè)計(jì)

根據(jù)移動(dòng)機(jī)器人的運(yùn)動(dòng)學(xué)方程來(lái)選擇用于實(shí)現(xiàn)跟蹤的速度控制輸入，表示如下:

  (1)

其中, ,均為設(shè)計(jì)參數(shù)。

速度控制信號(hào)的導(dǎo)數(shù)為：

(2)

控制信號(hào)誤差為：

  (3)

由李雅普諾夫理論可以得知，所設(shè)計(jì)的運(yùn)動(dòng)學(xué)控制器能使系統(tǒng)的跟蹤誤差收斂。

2.2 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)控制器設(shè)計(jì)

如果一個(gè)向量?jī)H是一個(gè)變量的函數(shù)，那么就可以用靜態(tài)神經(jīng)網(wǎng)絡(luò)來(lái)建模。即：

    (4)

式中，和是GL向量，它們各自元素分別為和。是模型誤差向量，其元素是。其中，來(lái)表示一般向量或矩陣, 和“”分別表示GL 矩陣及其乘積算子。

由移動(dòng)機(jī)器人動(dòng)力學(xué)方程式知，僅是的函數(shù)，是和的函數(shù)，所以，可得：

  (5)

    (6)

式中，，和是GL矩陣，其各自元素分別為： ，，和。其中，和 是矩陣，其模型誤差元素為：和。

3 結(jié)論

改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動(dòng)機(jī)器人軌跡跟蹤控制具有正確性、高效性、實(shí)用性和智能性等優(yōu)勢(shì)，把神經(jīng)網(wǎng)絡(luò)分割成若干子網(wǎng)分別進(jìn)行訓(xùn)練獲取了更高計(jì)算效率的方法，使BP神經(jīng)網(wǎng)絡(luò)避免了不必要的權(quán)值調(diào)整，提高了網(wǎng)絡(luò)的訓(xùn)練效率。

參考文獻(xiàn)：

[1]韓光信,陳虹. 約束非完整移動(dòng)機(jī)器人軌跡跟蹤的非線性預(yù)測(cè)控制. 吉林大學(xué)學(xué)報(bào)(工學(xué)版),2009,39(01):177-18

篇9

[關(guān)鍵詞] 機(jī)器學(xué)習(xí) 遺傳算法 人工神經(jīng)網(wǎng)絡(luò) 支持向量機(jī)

當(dāng)前人工智能研究的主要障礙和發(fā)展方向之一就是機(jī)器學(xué)習(xí)。包括學(xué)習(xí)的計(jì)算理論和構(gòu)造學(xué)習(xí)系統(tǒng)。機(jī)器學(xué)習(xí)與計(jì)算機(jī)科學(xué)、心理學(xué)、認(rèn)知科學(xué)等都有著密切的聯(lián)系，涉獵的面比較廣，有許多理論及技術(shù)上的問題尚處于研究之中。

一、什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)就是要使計(jì)算機(jī)能模擬人的學(xué)習(xí)行為，自動(dòng)地通過學(xué)習(xí)獲取知識(shí)和技能，重新組織已有的知識(shí)結(jié)構(gòu)，不斷改善自身的性能，實(shí)現(xiàn)自我完善。即機(jī)器學(xué)習(xí)研究的就是如何使機(jī)器通過識(shí)別和利用現(xiàn)有知識(shí)來(lái)獲取新知識(shí)和新技能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。該門科學(xué)起源于心理學(xué)、生理學(xué)、生物學(xué)、醫(yī)學(xué)等科學(xué)，研究發(fā)展過程中涉及到數(shù)學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域。機(jī)器學(xué)習(xí)主要圍繞學(xué)習(xí)機(jī)理、學(xué)習(xí)方法、面向任務(wù)這三個(gè)方面進(jìn)行研究，其應(yīng)用幾乎遍及自然科學(xué)的各個(gè)領(lǐng)域。其中最多的是模式識(shí)別、通訊、控制、信號(hào)處理等方面。

二、機(jī)器學(xué)習(xí)系統(tǒng)

學(xué)習(xí)是建立理論、形成假設(shè)和進(jìn)行歸納推理的過程。為使計(jì)算機(jī)系統(tǒng)具有某種程度的學(xué)習(xí)能力，使它能夠通過學(xué)習(xí)獲取新知識(shí)，以改善性能，提高智能水平，需要建立相應(yīng)的學(xué)習(xí)系統(tǒng)。學(xué)習(xí)系統(tǒng)一般由環(huán)境、學(xué)習(xí)環(huán)節(jié)、知識(shí)庫(kù)、執(zhí)行與評(píng)價(jià)組成，整個(gè)過程包括信息的存儲(chǔ)、知識(shí)的處理兩大部分。機(jī)器學(xué)習(xí)系統(tǒng)模型如圖1所示。

圖1 機(jī)器學(xué)習(xí)模型

框架圖中的箭頭表示知識(shí)的流向；環(huán)境是指外部信息源；學(xué)習(xí)環(huán)節(jié)是指系統(tǒng)通過對(duì)環(huán)境的搜索獲取外部信息，然后經(jīng)過分析、綜合、類比、歸納等思維過程獲得知識(shí)并將獲得知識(shí)存入知識(shí)庫(kù)；知識(shí)庫(kù)用于存儲(chǔ)由學(xué)習(xí)得到的知識(shí)，在存儲(chǔ)時(shí)要進(jìn)行適當(dāng)?shù)慕M織，使它既便于應(yīng)用又便于維護(hù)；執(zhí)行部分用于處理系統(tǒng)面臨的現(xiàn)實(shí)問題，即應(yīng)用學(xué)習(xí)到的知識(shí)求解問題。另外從執(zhí)行到學(xué)習(xí)必須有反饋信息，學(xué)習(xí)將根據(jù)反饋信息決定是否要進(jìn)一步從環(huán)境中搜索信息進(jìn)行學(xué)習(xí)，以修改、完善知識(shí)庫(kù)中的知識(shí)。這是機(jī)器學(xué)習(xí)系統(tǒng)的一個(gè)重要特征。機(jī)器學(xué)習(xí)系統(tǒng)是對(duì)現(xiàn)有知識(shí)的擴(kuò)展和改進(jìn)。

三、機(jī)器學(xué)習(xí)的主要策略

學(xué)習(xí)是一項(xiàng)復(fù)雜的智能活動(dòng)，學(xué)習(xí)過程與推理過程緊密相連。按照學(xué)習(xí)中使用的推理的多少，機(jī)器學(xué)習(xí)所采用的策略主要可分為機(jī)械學(xué)習(xí)、通過傳授學(xué)習(xí)、類比學(xué)習(xí)和通過實(shí)例學(xué)習(xí)等。學(xué)習(xí)中所用的推理越多，系統(tǒng)的能力越強(qiáng)。本文主要介紹以下三種機(jī)器學(xué)習(xí)方法，即遺傳算法、人工神經(jīng)網(wǎng)絡(luò)模型及支持向量機(jī)。

1、遺傳算法

遺傳算法是一類借鑒生物界的進(jìn)化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機(jī)制）演化而來(lái)的隨機(jī)化搜索方法。其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定；具有隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)的調(diào)整搜索方向，不需要確定的規(guī)則。

由于遺傳算法的整體搜索策略和優(yōu)化搜索方法，在計(jì)算時(shí)是不依賴于梯度信息和其他輔助信息，而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)，所以遺傳算法提供了一種求解復(fù)雜問題的通用框架，它不依賴于問題的具體領(lǐng)域，對(duì)問題的種類有很強(qiáng)的魯棒性，所以廣泛應(yīng)用于自動(dòng)控制、計(jì)算科學(xué)、工程設(shè)計(jì)、智能故障診斷、管理科學(xué)和社會(huì)科學(xué)等領(lǐng)域，適用于解決復(fù)雜的非線性和多維空間尋優(yōu)問題。

2、人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)基本模型是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上提出和發(fā)展起來(lái)的，旨在反映人腦結(jié)構(gòu)及功能的一種抽象數(shù)學(xué)模型（見圖3）。

圖3 神經(jīng)網(wǎng)絡(luò)基本模型

一個(gè)人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點(diǎn)經(jīng)廣泛互連而組成的復(fù)雜網(wǎng)絡(luò)拓?fù)?，用于人類進(jìn)行知識(shí)和信息表示、存儲(chǔ)和計(jì)算行為。神經(jīng)元模型如圖4所示。

每一個(gè)細(xì)胞處于兩種狀態(tài)。突觸聯(lián)接有強(qiáng)度。多輸入單輸出。實(shí)質(zhì)上傳播的是脈沖信號(hào)，信號(hào)的強(qiáng)弱與脈沖頻率成正比。

在神經(jīng)網(wǎng)絡(luò)中，大量神經(jīng)元的互連結(jié)構(gòu)及各連接權(quán)值的分布就表示了學(xué)習(xí)所得到的特定要領(lǐng)和知識(shí)。在網(wǎng)絡(luò)的使用過程中，對(duì)于特定的輸入模式，神經(jīng)網(wǎng)絡(luò)通過向前計(jì)算，產(chǎn)生一個(gè)輸出模式，并得到節(jié)點(diǎn)代表的邏輯概念， 通過對(duì)輸出信號(hào)的比較與分析可以得到特定解。神經(jīng)元之間具有一定的冗余性，并且允許輸入模式偏離學(xué)習(xí)樣本，因此神經(jīng)網(wǎng)絡(luò)的計(jì)算行為具有良好的并行分布、容錯(cuò)和抗噪能力。

神經(jīng)網(wǎng)絡(luò)模型包括前饋型網(wǎng)絡(luò)、反饋型網(wǎng)絡(luò)、自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)等。

圖4神經(jīng)元模型

（1）前饋型網(wǎng)絡(luò)(BP)

前饋型網(wǎng)絡(luò)，最初稱之為感知器（包括單層感知器和多層感知器），是應(yīng)用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型。前饋網(wǎng)絡(luò)結(jié)構(gòu)是分層的，信息只能從下一層單元傳遞到相應(yīng)的上一層單元，上層單元與下層所有單元相聯(lián)接。轉(zhuǎn)移函數(shù)可以是線性閾值的。多層感知器也被稱為BP網(wǎng)絡(luò)。多層感知器的輸入輸出關(guān)系與單層感知器完全相同。前一層的輸出是下一層的輸入。

（2）反饋型網(wǎng)絡(luò)(Hopfield)

反饋型網(wǎng)絡(luò),它是一種動(dòng)態(tài)反饋系統(tǒng)，所有計(jì)算單元之間都有聯(lián)接。比前饋網(wǎng)絡(luò)具有更強(qiáng)的計(jì)算能力。

（3）自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)

在實(shí)際的神經(jīng)網(wǎng)絡(luò)中，存在一種側(cè)抑制的現(xiàn)象。即一個(gè)細(xì)胞興奮后，通過它的分支會(huì)對(duì)周圍其他神經(jīng)細(xì)胞產(chǎn)生抑制。這種側(cè)抑制在脊髓和海馬中存在，在人眼的視網(wǎng)膜中也存在。

自組織映射模型是由Kohonen提出來(lái)的。模型是以實(shí)際神經(jīng)細(xì)胞中的一種特征敏感的細(xì)胞為模型的。各個(gè)細(xì)胞分別對(duì)各種輸入敏感，可以代表各種輸入，反映各種輸入樣本的特征。如果在二維空間上描述這些細(xì)胞，則，功能相近的細(xì)胞聚在一起，靠得比較近。功能不同的離得比較遠(yuǎn)。開始是無(wú)序的，當(dāng)輸入樣本出現(xiàn)后各個(gè)細(xì)胞反映不同，強(qiáng)者依照“勝者為王”的原則，加強(qiáng)自己的同時(shí)對(duì)周圍細(xì)胞進(jìn)行壓抑。使其對(duì)該種樣本更加敏感，也同時(shí)對(duì)其他種類的樣本更加不敏感。此過程的反復(fù)過程中，各種不同輸入樣本將會(huì)分別映射到不同的細(xì)胞上。

人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。在實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型（簡(jiǎn)稱BP網(wǎng)絡(luò)），目前主要應(yīng)用于函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。 但不適合高精度計(jì)算；學(xué)習(xí)問題沒有根本解決，慢；目前沒有完整的設(shè)計(jì)方法，經(jīng)驗(yàn)參數(shù)太多。

3、支持向量機(jī)（SVM）

支持向量機(jī)是一種基于統(tǒng)計(jì)的學(xué)習(xí)方法，它是對(duì)結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納原則的近似。它的理論基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計(jì)學(xué)習(xí)理論。

SVM就是首先通過用內(nèi)積函數(shù)K(xi，xj)定義的非線性變換將輸入空間變換到一個(gè)高維空間，在這個(gè)空間中求（廣義）最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個(gè)神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點(diǎn)的線性組合，每個(gè)中間節(jié)點(diǎn)對(duì)應(yīng)一個(gè)支持向量。

由于統(tǒng)計(jì)學(xué)習(xí)理論和支持向量建立了一套較好的有限樣本下機(jī)器學(xué)習(xí)的理論框架和通用方法，既有嚴(yán)格的理論基礎(chǔ)，又能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題，因此成為20世紀(jì)90年代末發(fā)展最快的研究方向之一，其核心思想就是學(xué)習(xí)機(jī)器要與有限的訓(xùn)練本相適應(yīng)。

學(xué)習(xí)是人類智能的主要標(biāo)志和獲得智慧的基本手段，機(jī)器學(xué)習(xí)的研究就是希望計(jì)算機(jī)能像人類那樣具有從現(xiàn)實(shí)世界獲取知識(shí)的能力，同時(shí)進(jìn)一步發(fā)現(xiàn)人類學(xué)習(xí)的機(jī)理和揭示人腦的奧秘。機(jī)器學(xué)習(xí)涉及到連接理論、認(rèn)知理論、行為科學(xué)、神經(jīng)科學(xué)等多門科學(xué)。因此，對(duì)于機(jī)器學(xué)習(xí)的研究，只有采用計(jì)算機(jī)科學(xué)、控制論、人工智能、認(rèn)知科學(xué)、神經(jīng)科學(xué)、心理學(xué)等多學(xué)科交叉的方法，才可望取得機(jī)器學(xué)習(xí)研究的更大進(jìn)展。

機(jī)器學(xué)習(xí)是一個(gè)十分活躍、充滿生命力的研究領(lǐng)域，同時(shí)也是一個(gè)比較困難、爭(zhēng)議頗多的研究領(lǐng)域，雖然取得了一些令人矚目的成就，但還存在許多尚未解決的問題。目前人工智能研究的主要障礙和發(fā)展方向之一就是機(jī)器學(xué)習(xí)，因此，機(jī)器學(xué)習(xí)有著廣闊的研究前景。

參考文獻(xiàn):

[1] 張景繪，動(dòng)力學(xué)系統(tǒng)建模［M］.北京：國(guó)防工業(yè)出版社，2000.

[2] 楊義勇等，機(jī)械系統(tǒng)動(dòng)力學(xué)［M］.北京：清華大學(xué)出版社，2009.

篇10

關(guān)鍵詞：智能控制；感知器；教案設(shè)計(jì)；教學(xué)實(shí)踐

作者簡(jiǎn)介：黃從智（1982-），男，湖北浠水人，華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，副教授；白焰（1954-），男，遼寧沈陽(yáng)人，華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，教授。（北京 102206）

基金項(xiàng)目：本文系北京高等學(xué)校青年英才計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：YETP0703）、北京市共建項(xiàng)目專項(xiàng)資助的研究成果。

中圖分類號(hào)：G642.0     文獻(xiàn)標(biāo)識(shí)碼：A     文章編號(hào)：1007-0079（2014）14-0095-02

智能控制是自動(dòng)化專業(yè)本科高年級(jí)必修課程，智能控制課程涵蓋專家系統(tǒng)、模糊控制、神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算等四大主要模塊，是一門跨學(xué)科課程，基本概念和教學(xué)內(nèi)容極其豐富，應(yīng)用范圍十分廣泛。[1]該課程一般以“自動(dòng)控制理論”、“現(xiàn)代控制理論”、“線性代數(shù)”為先修課程，作為研究生課程的學(xué)科前沿類概論課程，其主要目的是引導(dǎo)學(xué)生掌握智能控制理論的基本概念、思想方法，了解其能解決的實(shí)際問題，培養(yǎng)學(xué)生實(shí)際動(dòng)手能力，提高分析、解決實(shí)際問題的能力。[2-5]為使學(xué)生在有限課堂時(shí)間內(nèi)在理論學(xué)習(xí)和仿真實(shí)現(xiàn)兩個(gè)方面都有所收獲，筆者結(jié)合近幾年的教學(xué)實(shí)際，從學(xué)生實(shí)際出發(fā)，貼近工業(yè)過程控制實(shí)際，不斷優(yōu)化課堂教學(xué)內(nèi)容和教學(xué)方式，在理論教學(xué)內(nèi)容和教學(xué)方式等方面進(jìn)行了一系列持續(xù)的探索和研究，在教學(xué)實(shí)踐中不斷反復(fù)總結(jié)教學(xué)經(jīng)驗(yàn)優(yōu)化教案，根據(jù)學(xué)生實(shí)際情況不斷改進(jìn)教學(xué)方式，取得了較好的教學(xué)效果。

感知器是最簡(jiǎn)單也最基本的人工網(wǎng)絡(luò)模型，掌握好感知器的基本數(shù)學(xué)模型對(duì)于學(xué)習(xí)掌握人工神經(jīng)網(wǎng)絡(luò)具有非常重要的意義。[6]本文以“感知器”這堂課的教案設(shè)計(jì)優(yōu)化與教學(xué)實(shí)踐為例，力圖在智能控制教學(xué)方面做出一些有益的探索，為培養(yǎng)工程化創(chuàng)新實(shí)踐型人才做出應(yīng)有貢獻(xiàn)。

一、感知器的模型

首先通過人工神經(jīng)網(wǎng)絡(luò)早期的發(fā)展歷史引入感知器的模型。早在1943年，美國(guó)神經(jīng)生理學(xué)家麥卡洛克（McCulloch）和皮茲（Pitts）就提出了第一個(gè)人工神經(jīng)元模型――MP模型。MP模型的提出，標(biāo)志著人工神經(jīng)網(wǎng)絡(luò)研究的開始。但是，在MP模型里，它的模型參數(shù)必須事先人為設(shè)定不能調(diào)整，因而缺乏與生物神經(jīng)元類似的學(xué)習(xí)能力。

在MP模型的基礎(chǔ)上，引入了學(xué)習(xí)能力就是本節(jié)課要學(xué)習(xí)的感知器，這是美國(guó)學(xué)者羅森布拉特在1958年提出的第一個(gè)人工神經(jīng)網(wǎng)絡(luò)模型。感知器的提出是人工神經(jīng)網(wǎng)絡(luò)發(fā)展史上的重要轉(zhuǎn)折點(diǎn)，它標(biāo)志著人工神經(jīng)網(wǎng)絡(luò)從此有了智能的特性，此后進(jìn)入了第一個(gè)發(fā)展?；谶@段發(fā)展歷史，開始介紹感知器的數(shù)學(xué)模型。

單層單神經(jīng)元感知器的基本模型如圖1所示。

由圖1可知，單層單神經(jīng)元感知器是一個(gè)閾值加權(quán)和模型，有n個(gè)輸入變量x1，x2，…，xn，它們對(duì)應(yīng)的權(quán)值分別是w1，w2，…，wn，加權(quán)求和后與閾值θ相比較，得到u，即。

如果把閾值并入權(quán)值的話，那么把它看作是第0個(gè)輸入，x0=1，權(quán)值為w0=-θ。這樣就可以把它改寫為加權(quán)求和的形式，。輸入特征向量就是[x0，x1，x2，…，xn]，對(duì)應(yīng)的權(quán)值為[w0，w1，w2，…，wn]，然后u經(jīng)過激勵(lì)函數(shù)f變換為輸出y。一句話，感知器的運(yùn)算法則就是：加權(quán)、求和、取函數(shù)。這個(gè)函數(shù)稱為激勵(lì)函數(shù)（Activation Function）。早期的激勵(lì)函數(shù)采用硬限幅函數(shù)Hard-limiting，當(dāng)輸入u大于或等于0時(shí)，輸出y為1；否則y為0。由于其輸出只能是0或1，它主要用于兩個(gè)模式的分類問題。有時(shí)可能要求輸出能在0到1之間連續(xù)取值，比如模糊控制中模糊隸屬度的輸出是個(gè)概率估計(jì)值，這時(shí)可采用Sigmoid函數(shù)，當(dāng)輸入u在（－∞，+∞）之間變化時(shí)，輸出y在[0，1]之間連續(xù)取值。

單層單個(gè)神經(jīng)元的感知器主要用于兩類模式的分類問題，比如說要區(qū)分一個(gè)水果到底是蘋果還是桔子？可根據(jù)水果的一些特征來(lái)進(jìn)行判斷，一看外形，圓形的定義輸入為0，橢圓形的就為1；二看顏色，黃色為0，紅色為1；三看質(zhì)地，光滑為0，粗糙為1。這樣就得到三個(gè)不同的輸入，其值可能為0或1。蘋果一般認(rèn)為是圓形、紅色、光滑的，就定義其輸入為[0，1，0]，而桔子一般認(rèn)為是橢圓形、黃色、粗糙的，就定義其輸入為[1，0，1]。按照這三個(gè)不同的特征將水果分為蘋果和桔子兩種不同的類別，可定義輸出0為蘋果，輸出1為桔子。因此可采用一個(gè)三輸入一輸出的單層單個(gè)感知器網(wǎng)絡(luò)，只要選擇合適的權(quán)值和閾值，就能實(shí)現(xiàn)從[0，1，0]到0、從[1，0，1]到1的一一映射，解決這樣最簡(jiǎn)單的兩個(gè)模式分類問題。實(shí)際生活中常見的人臉識(shí)別、虹膜識(shí)別都是模式識(shí)別的范疇，都可采用類似方法解決，有興趣的同學(xué)將來(lái)可在模式識(shí)別與智能系統(tǒng)碩士專業(yè)繼續(xù)深造。

進(jìn)一步地，如還要區(qū)分桃子、梨子、西瓜、葡萄等多種水果，則需用感知器分類多個(gè)模式，要求感知器有多個(gè)輸出，就需要用到更復(fù)雜的多層多神經(jīng)元感知器。

二、感知器的應(yīng)用――邏輯函數(shù)實(shí)現(xiàn)

除模式分類外，感知器還可用于邏輯函數(shù)實(shí)現(xiàn)，以下結(jié)合兩個(gè)實(shí)例說明。

1.實(shí)例分析1：如何用感知器實(shí)現(xiàn)邏輯運(yùn)算“與”、“或”、“非”

從邏輯“與”真值表可知，只有當(dāng)兩個(gè)輸入同為1時(shí)，輸出才為1，否則輸出為0。可以用2輸入1輸出的單層單神經(jīng)元感知器，激勵(lì)函數(shù)采用硬限幅函數(shù)。以兩個(gè)輸入x1和x2為坐標(biāo)軸畫出分類示意圖，（0，0）、（0，1）、（1，0）、（1，1）分別表示四種可能的輸入模式，那怎么將它們區(qū)分開呢？如采用直線x1+x2-1.5=0就容易將其輸出分為兩類即0和1。直線上方對(duì)應(yīng)的u大于0，輸出y為1；直線下方對(duì)應(yīng)的u小于0，輸出y為0。對(duì)比下，就能確定感知器的權(quán)值均為1，閾值為1.5，這樣就實(shí)現(xiàn)了邏輯“與”功能。

類似地，也可用一個(gè)這樣的感知器來(lái)實(shí)現(xiàn)邏輯“或”，這很容易通過類比方法解決，留給學(xué)生課后思考。而邏輯“非”呢，更簡(jiǎn)單了，它只有一個(gè)輸入一個(gè)輸出，采用單輸入單神經(jīng)元感知器就可實(shí)現(xiàn)了。它的分界線就是直線-x1+0.5=0，正好把0和1這兩類區(qū)分開來(lái)。

既然感知器能實(shí)現(xiàn)邏輯“與”、“或”、“非”功能，那它能不能實(shí)現(xiàn)邏輯“異或”呢？這也是本節(jié)課要介紹的第二個(gè)實(shí)例。

2.實(shí)例分析2：如何用感知器實(shí)現(xiàn)邏輯運(yùn)算“異或”

由真值表可知，邏輯運(yùn)算“異或”定義為：兩個(gè)輸入x1和x2同為0或1時(shí)，輸出y為0，否則y為1。根據(jù)邏輯運(yùn)算“與”的實(shí)現(xiàn)經(jīng)驗(yàn)知，要實(shí)現(xiàn)邏輯運(yùn)算“異或”，只需一個(gè)2輸入1輸出的感知器。在二維平面上對(duì)應(yīng)的四個(gè)點(diǎn)（0，0）、（0，1）、（1，0）和（1，1），其中（0，0）、（1，1）這兩個(gè)點(diǎn)對(duì)應(yīng)的輸出為0，（0，1）、（1，0）這兩個(gè)點(diǎn)對(duì)應(yīng)的輸出為1。關(guān)鍵問題在于：這個(gè)平面上能否找到一條分界線將（0，0）、（1，1）這兩個(gè)點(diǎn)和（0，1）、（1，0）這兩個(gè)點(diǎn)區(qū)分開來(lái)？無(wú)論怎么找都找不到，實(shí)際上這樣的直線是不存在的。

美國(guó)麻省理工大學(xué)（MIT）的Minsky教授在1969年出版的《感知器》一書中發(fā)出感慨：感知器連最簡(jiǎn)單的異或都實(shí)現(xiàn)不了，研究人工神經(jīng)網(wǎng)絡(luò)還有什么前途？Minsky是1969年圖靈獎(jiǎng)獲得者，而圖靈獎(jiǎng)是計(jì)算機(jī)領(lǐng)域的諾貝爾獎(jiǎng)，由于他在人工智能領(lǐng)域當(dāng)時(shí)是絕對(duì)的學(xué)術(shù)權(quán)威，這個(gè)悲觀的論調(diào)無(wú)疑給當(dāng)時(shí)的神經(jīng)網(wǎng)絡(luò)研究潑了一盆冷水，直接導(dǎo)致美國(guó)和前蘇聯(lián)幾乎中止了這方面的研究。那么，感知器到底能不能實(shí)現(xiàn)“異或”呢？它有四個(gè)可能的輸入，兩類可能的輸出，采用什么分界線可以區(qū)分這兩類不同模式的輸出呢？用直線不能區(qū)分，那么用其他圖形呢？此時(shí)啟發(fā)學(xué)生積極思考，主動(dòng)采用發(fā)散性思維方式創(chuàng)造性解決問題。以（0，0）和（1，1）為焦點(diǎn)畫個(gè)橢圓，就可以區(qū)分它們了，如圖2所示。

如圖2（a）所示，橢圓方程為：，對(duì)應(yīng)的單層非線性感知器如圖2（b）所示，其輸入是x1和x2，經(jīng)過非線性處理再加權(quán)求和后得到u，再經(jīng)過硬限幅激勵(lì)函數(shù)f運(yùn)算得到輸出y。顯然，當(dāng)x1和x2同為0或?yàn)?時(shí)，u為-1，再經(jīng)f運(yùn)算得y為0；當(dāng)x1和x2不同時(shí)，u為15，再經(jīng)f運(yùn)算得輸出y為1，正好實(shí)現(xiàn)了邏輯運(yùn)算“異或”功能。

如圖2所示的橢圓可將這四個(gè)點(diǎn)對(duì)應(yīng)的兩類輸出區(qū)分出來(lái)，那么是不是還有其他方法呢？此時(shí)啟發(fā)學(xué)生再提出其他所有可能的解決方案。其中一種可行的解決思路如下：考慮用兩條直線圍成的帶狀區(qū)域作為分界線，如圖3所示。

如圖3（a）所示，如分界線采用這個(gè)帶狀區(qū)域，也可以將它們對(duì)應(yīng)的輸出劃分為兩類。其對(duì)應(yīng)的是如圖3（b）所示的多層線性感知器，這里采用了兩層：1個(gè)隱含層有2個(gè)神經(jīng)元，1個(gè)輸出層有1個(gè)神經(jīng)元。具體論證過程讓學(xué)生課后自己驗(yàn)證。

通過以上分析，讓學(xué)生獨(dú)立自主發(fā)現(xiàn)問題、分析問題、解決問題，得出結(jié)論：?jiǎn)螌泳€性感知器的確無(wú)法實(shí)現(xiàn)邏輯運(yùn)算“異或”功能，但是換個(gè)角度，采用一個(gè)單層非線性感知器或多層線性感知器就能實(shí)現(xiàn)邏輯運(yùn)算“異或”功能。通過介紹這段歷史，啟迪學(xué)生一個(gè)道理：同學(xué)們?cè)趯W(xué)習(xí)的時(shí)候，不要盲目地迷信一些學(xué)術(shù)權(quán)威或書本，要學(xué)會(huì)獨(dú)立思考、大膽懷疑，要有發(fā)散思維，要用發(fā)展變化的觀點(diǎn)去分析問題和解決問題，換個(gè)角度思考很可能就會(huì)柳暗花明又一村。

三、課堂內(nèi)容總結(jié)及第二課堂設(shè)計(jì)

總結(jié)一下本堂課的講課內(nèi)容，主要介紹了感知器的數(shù)學(xué)模型，并結(jié)合實(shí)例分析了它在模式識(shí)別和邏輯函數(shù)功能實(shí)現(xiàn)中的實(shí)際應(yīng)用。作為下次課程的引子，可以將“關(guān)于感知器如何學(xué)習(xí)，它的權(quán)值和閾值如何調(diào)整”這一問題拋給學(xué)生在后續(xù)課程中繼續(xù)學(xué)習(xí)。

課程雖然結(jié)束了，但有很多后續(xù)問題可留給學(xué)生課后思考，所以在第二課堂設(shè)計(jì)中增加了如下問題讓學(xué)生積極思考，主動(dòng)去尋找這些問題的答案：

問題一：除課堂中介紹的兩種方法之外，還有沒有其他方法也可以設(shè)計(jì)一個(gè)感知器實(shí)現(xiàn)邏輯運(yùn)算“異或”功能呢？

問題二：既然感知器可以解決邏輯運(yùn)算“異或”功能，那么如何用感知器實(shí)現(xiàn)邏輯運(yùn)算“同或”功能呢？

問題三：根據(jù)課程內(nèi)容，如何利用MATLAB或C語(yǔ)言編寫程序設(shè)計(jì)感知器，研究分別實(shí)現(xiàn)邏輯運(yùn)算“與”、“或”、“非”、“異或”、“同或”功能？[7]

問題四：進(jìn)一步地，如何利用MATLAB或C語(yǔ)言編寫程序設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，研究分別實(shí)現(xiàn)邏輯運(yùn)算“與”、“或”、“非”、“異或”、“同或”功能？

四、教學(xué)效果

通過在本科智能控制課程四大模塊之一的人工神經(jīng)網(wǎng)絡(luò)“感知器”部分課堂教學(xué)實(shí)踐中實(shí)際應(yīng)用上述優(yōu)化后的教案，極大地激發(fā)了學(xué)生濃厚的學(xué)習(xí)興趣。教學(xué)實(shí)踐表明，學(xué)生普遍由此對(duì)人工神經(jīng)網(wǎng)絡(luò)的課程內(nèi)容產(chǎn)生了較大的學(xué)習(xí)興趣，部分同學(xué)針對(duì)所學(xué)內(nèi)容提出了一些很有新意的解決思路，并通過自行編程實(shí)現(xiàn)了所提出的解決方案。學(xué)生在學(xué)習(xí)過程中充分發(fā)揮了主體作用，充分利用發(fā)散性思維能力，提高了綜合分析問題、解決問題的能力和創(chuàng)新能力。

參考文獻(xiàn)：

[1]劉金錕.智能控制[M].第2版.北京:電子工業(yè)出版社,2009.

[2]蔡自興.智能控制導(dǎo)論[M].北京:中國(guó)水利水電出版社,2007.

[3]蔡自興.智能控制原理與應(yīng)用[M].北京:清華大學(xué)出版社,2007.

[4]韋巍,何衍.智能控制基礎(chǔ)[M].北京:清華大學(xué)出版社,2008.

[5]李少遠(yuǎn),王景成.智能控制[M].北京:機(jī)械工業(yè)出版社,2009.