人工神经网络基础_ANN课程笔记 1、前向神经网络
第一章前向神经网络
一、感知器
1、感知器网络结构
设网络输入模式向量为：
对应的输出为：
连接权向量为：
2、感知器的学习
?初始化
连接权向量及输出单元的阈值赋予(-1，+1)区间内的随机值，一般为较小的随机非零值。
?连接权的修正
每个输入模式作如下计算：
（a）计算网络输出：
（b）计算输出层单元希望输出与实际输出y之间的误差：
（c）修正各单元与输出层之间的连接权与阈值：
?对m个输入模式重复步骤，直到误差k d(k＝1，2，…，m)趋于零或小于预先给定的误差限ε。
3、感知器的图形解释
?整个学习和记忆过程，就是根据实际输出与希望输出之间的误差调整参数w 和θ，即调整截割平面的空间位置使之不断移动，直到它能将两类模式恰当划分的过程。
?学习过程可看作是由式
决定的n维超平面不断向正确划分输入模式的位置移动的过程。
4、感知器的局限性
?两层感知器只能解决线性可分问题
?增强分类能力的唯一出路是采用多层网络，即在输入及输出层之间加上隐层构成多层前馈网络。
?Kolmogorov理论经过严格的数学证明：双隐层感知器足以解决任何复杂的分类问题。
?简单的感知器学习过程已不能用于多层感知器，必须改进学习过程。
二、BP 神经网络 1、反向传播神经网络
1) 误差逆传播神经网络是一种具有三层或三层以上的阶层型神经网络： ? 上、下层之间各神经元实现全连接，即下层的每一个单元与上层的每个单元
都实现权连接；
? 而每层各神经元之间无连接； ? 网络按有监督的方式进行学习。 2)
? 当一对学习模式提供给网络后，神经元的激活值，从输入层经各中间层向输
出层传播，在输出层的各神经元获得网络的输入响应。
? 在这之后，按减小希望输出与实际输出误差的方向，从输出层经各中间层逐
层修正各连接权，最后回到输入层，故得名“误差逆传播算法”。
? 随着这种误差逆传播修正的不断进行，网络对输入模式响应的正确率也不断
上升。 2、梯度下降法
1）梯度法是一种对某个准则函数的迭代寻优算法。设J(a)是准则函数，a 为一向量,()k J a 是()k J a 在点k a 的梯度，为一向量，其方向是J(a )增长最快的方向；负梯度方向．则是J(a )减少最快的方向。沿负梯度方向走，可最快地达到最小点。梯度下降法是求函数极小值的选代算法。 2）一般迭代算法：
可表示为：
3）梯度下降法的不足：
该算法相邻两次迭代的搜索方向总是正交的，即
这说明梯度下降法酌迭代在向极小点靠近的过程中，走的是曲折的路径。 3、反向传播学习算法
1）多层前馈网络学习的反向传播(或称BP)算法：
设在第n 次迭代中输出端的第j 个单元的输出为()j y n ，则该单元的误差信号定义为
单元j 的平方误差为21
()2
j e n ，则输出端总的平方误差的瞬时值为
令单元j 的净输入为
p 为加到单元j 上输入的个数，则有
求()n 对ji w 的梯度
负号表示修正量按梯度下降方向，其中
称为局部梯度
下面分两种情况讨论：
（1）单元j是一个输出单元，则
（2）单元j 是隐单元
当k为输出单元时有
y n求导
将此式对()
j
其中q 为单元k 的输入端个数。该式对()j y n 求导，得
根据以上推导，权值ji w 的修正量可表示为
()j n 的计算有两种情况：
2）在实际应用中，学习时要输入训练样本，每输一次全部训练样本称为一个训练周期。
3）用BP 算法训练网络时有两种方式：
? 单样本训练：每输入一个样本修改一次权值。
问题：整个训练次数增加，收敛速度过慢。
? 批训练或周期训练：待组成一个训练周期的全部样本都依次输入后计算总的
平均误差，再修改权值。
特点：保证总误差向减小方向变化，收敛速度快。 4、几点说明
1) BP网络结构
?网络层数
理论分析表明：具有单隐层的前馈网络可以映射所有的连续函数，只有学习不连续函数（如锯齿波等）时，才需要两个隐层。
?神经元数目
●网络的输入层节点数和输出节点数可以确定。
●在结构实现上，通过一个隐含层增加其神经元个数获得的网络训练精度的提
高比增加更多的隐含层简单得多；对于增加隐节点数仍不能明显降低训练误差时，才考虑增加隐层数。
●采用两个隐层时，第一个隐层设置较多的隐节点而第二个隐层设置较少的隐
节点，有利于改善多层前馈网络的性能。
?激活函数
●根据反向传播算法的推导，要求激活函数的一阶导数存在。一般情况下采用
S型(Logistic)函数作为反传网络的激活函数。
●S型函数中用的最多的有两个：Sigmoid函数和tanh函数。
●Sigmoid函数的表达式为：
1 ()
1x f x
e-
=
+
●tanh函数的表达式为：
1 ()
1
x
x
e f x
e
-
-
-
=
+
●通常BP神经网络在训练之前会对数据归一化处理，即将数据映射到更小的
区间内，比如[0,1]或[-1,1]。
2) BP网络的学习方法
?初始权值的选取
网络权值的初始化决定了网络的训练从哪一点开始，初始权值的选取对于能够收敛、学习达到局部最小以及训练时间长短至关重要。一般可将权值初始化为[0，1]或[-1，1]的随机数。
?学习速率
决定每一次循环训练中所产生的权值变化量。一般来说,要根据实验或经验来确定，还没有一个理论指导。
●选取太大，可能导致系统的不稳定，可能出现麻痹现象。
操作在S型函数的饱和区，其导数非常小，随之加权修正量也非常小，若当激活函数的导数趋于零，误差趋于零，结果使得加权修正量趋于零，这就相当于调节过程几乎停顿下来。
●选取太小，导致收敛很慢，增加了训练时间。
●一般情况下，倾向于选取较小的学习速率以保证系统稳定性。选取范围：
0.01~0.08之间。
5、限制和不足
1）误差逆传播神经网络并不是一个十分完善的网络，它存在主要缺陷：
?学习收敛速度太慢，即使—个比较简单的问题，也需要几百次甚至上千次的学习才能收敛；
?网络隐含层的层数及隐含层的单元数的选取尚无理论上的指导，而是根据经验确定。因此，网络往往有很大的冗余性，无形中也增加了网络学习的时间。?网络的学习、记忆具有不稳定性。
2）基于BP算法网络误差曲面的特点
?存在一些干坦区，在此区内误差改变很小，这些平坦区多数发生在神经元的输出接近于0或1的情况下。误差曲面的平坦区域会使训练次数大大增加，从而影响收敛速度。
?存在不少局部最小点。初始随机加权的大小，对局部最小的影响很大。如果这些加权太大,一开始就可能性网络处于S型函数的饱和区，则系统有可能陷入局部最小(或非常平坦区)；在权值取随机数时，要求权的值比较小，这样可保证每个神经元在一开始都在它们激活函数变化最大的地方进行。
3）BP算法固有缺陷产生的根源
基于BP算法的神经元网络模型实际上把一组输入／输出问题转化为一个非线性优化问题，使用了优化中最常用的梯度下降法，加入隐含层的隐结点，实际上使优化问题的可调参数增加，从而可能得到更精确的解。这种非线性优化问题本身不可避免地存在局部极小的问题。BP算法并不能保证网络定能收敛到全局最小点，即不能保证学习一定能够成功，从而使训练无法收敛于给定误差。
6、BP算法的若干改进
1）提高收敛速度
?加动量项，工作中学习步长的选择很重要，大收敛快，但过大则可能引起不稳定(振荡)；小可避免不稳定，但收敛速度就慢了。解决这一矛盾的最简单方法是加“动量项”，即
?采用自适应学习率
E(k+1)和E(k)分别表示第k+1 次和第k 次迭代后总的误差平方和。若E(k+1)
?学习过程实际上是一个最优化问题，用瞬时梯度相当于爬山法。如果用共轭梯度法或牛顿法，虽然计算复杂些但可改善收敛过程。
?可以把监督学习过程看作是一个线性自适应滤波器，如果放弃简单的LMS 而采用递推最小二乘(RLS)或扩展的卡尔曼滤波算法（EKA）也可改进收敛过程。
2）避免局部极小点的全局优化算法
?随机梯度法
其中
可见x(t)一方面沿梯度下降方向移动，同时还有一项随机移动，可避免陷入局部极小点。
本方法中,βα的选择很重要：
（1）β 控制噪声幅值，要足够大才能保证不陷入局部极小；但太大则随机运动占优势，使搜索过程长；
（2）α 大收敛快，但可能陷入局部极小；太小则收敛变慢。 ? 模拟退火法
模拟退火算法是模仿固体物质的退火过程。众所周知，高温物质降温时其内能随之下降，如果降温过程充分缓慢，则在降温过程中物质体系始终处于平衡状态，从而降到某一低温时其内能为最小；反之降温太快，则降到同一低温时会保持内能。
大致步骤如下：
（1）随机给定初始状态x ，选择合适的退火策略(温度下降的规律)，给初始温度
0T 以足够高的值。
（2）令'x x x =+? (△x 为很小的均匀分布的随机扰动)，并计算()()'E x E x x =+? （3）若△E ＜0，则接受'x 为新的状态，否则以概率
接受'x ，其中k 为玻耳兹曼常数。 具体做法:
产生0到1之间的随机数a ，如P ＞a 则接受为新状态，否则仍留在状态'x 。 （4）重复第（2）、（3）步直至系统达平衡状态(实际上重复到预先给定的次数
即可)。
（5）按第（1）步给定的退火策略下降T ，重复（2）-（4）步，直至T ＝0或到达某一预定的低温。
由以上步骤可见，△E＞0时仍有一定概率(T 越高，概率越大)接受，因而可以跳出局部极小点。 ? 遗传算法
● 由GA 进行神经网络权系的训练 (1) 给定网络的输入／输出样本集：
/p p u d ，1,2......p p =
(2) 确定网络权系的编码方式、个体位串的长度，一组权系值（权值和阈值）与GA 空间的个体位串的关系是由编码映射决定的； (3) 选定GA 操作、设置GA 参数及自适应调整算法等； (4) 以设定的种群规模N ，随机产生初始种群；
(5) 译码种群中的每一个体位串，求得N 组网络权系值，得到具有相同结构的N 个网络；
(6) 由输入样本集，经前向传播算法，求得N 组网络权系值对应的N 个网络
()p j y ，1,2...,;j N =
(7) 设定网络的目标函数．将其转换成适应度，对N 个网络进行评价； (8) 依据适应度在GA 空间进行选择操作；
(9) 依据选定的交叉、变异及有关算法、参数，进行相应的操作，得到新一代种群；
(10) 返回步骤(5)，直到满足性能要求，得到一组优化的权系值。
由GA进行神经网络拓扑结构的优化设计
(1) 随机产生N个结构，对每个结构进行编码，每个编码个体表示一个网络结构；
(2) 用多种不同的初始权值对种群中的结构进行训练；
(3) 根据训练结果或其他策略确定每个个体的适应度；
(4) 选择若干适应度高的个体直接进入下一代，其余按适配值确定的概率遗传；
(5) 对当前种群进行交叉和变异等遗传操作，产生下一代种群；
(6) 重复步骤1-5，直到当前种群中的某个个体对应的网络结构满足要求。
三、径向基函数网络（RBF）
RBF网络是具有单隐层的三层前馈网络。输入到隐单元间的权值固定为1，只有隐单元到输出单元间的权值为可调。隐单元的作用函数用径向基函数(Radial Basis Function，简记为RBF)．输出单元是线性求和单元，所以输出是各隐单元输出的加权和。RBF网络是一种局部逼近网络，已证明它能以任意精度逼近任一连续函数。
可以从以下几个方面来理解这类网络的作用：
第一，把网络看成对未知函数F(x)的逼近器，一般任何函数都可表示成一组基函数的加权和，这相当于选各隐单元的作用函数构成一组基函数用于近似F(x)；
第二，由模式识别理论可知，在低维空间非线性可分的问题总可映射到一个高维空间，使其在此高维空间中为线性可分。在RBF网络中，输入到隐层的映射为非线性的(隐单元的作用函数是非线性函数)，而隐层到输出则是线性的。可把输出单元部分看作一个单层感知器，这样，只要合理选择隐单元数(高维空间的维数)及其作用函数，就可以把原来问题映射为一个线性可分问题，从而最后可用一个线性单元来解决问题。
1、典型的RBF
?Gaussian函数
?Multiquadric函数
?Inverse Multiquadric函数
最常用的径向基函数形式是高斯函数，它的可调参数有两个，即中心位置及方差(函数的宽度参数)，用这类函数时整个网络的可调参数(待训练的参数)有三组。即各基函数的中心位置、方差、输出单元的权值。
对各RBF的中心及方差的选择有以下二种方式：
(1) 根据经验选中心；
只要训练样本的分布能代表所给问题，可根据经验选定均匀分布的M个中心，其间距离为d，则高斯函数的方差为
其中M为中心数。
(2) 用聚类方法，把样本聚成几类，以类中心为各RBF函数的中心。常用的聚类方法有K均值法，也可用以后要讲的自组织方法。
当RBF本身的参数选定后，因输出单元是线性单元，所以它的权值可用最小二乘法直接计算出来。
(3) 最后还有一种方法，就是以上三组参数(RBF的中心，宽度参数，输出单元的
权值)都用监督学习(误差纠正算法)从样本学习。这就要分别计算误差ξ(n)对各组参数的偏导数(梯度)，再用
去修正，θ为待学习的参数。
2、网络输出计算
RBF网络第i个隐层节点的输出为
3、网络的学习算法
RBF网络的学习算法由两部分组成：
1）非监督学习
对所有样本的输入进行聚类，求得各隐层节点的RBF的中心Ci。这
里介绍用K—均值聚类算法，调整中心。
算法步骤为：
(1) 给定各隐节点的初始中心Ci(0)；
(2) 计算距离(欧氏距离)并求出最小距离的节点
(3) 调整中心
(4) 计算节点r的距离
2）监督学习
当Ci确定后，训练由隐层至输出层之间的权系值．它是一线性方程组，则求权系值就成为线性优化问题，可利用各种线性优化算法求得，如LMS算法、最小二乘递推法、镜像映射最小二乘法等。
4、有关的几个问题
(1) BBF与BP网主要不同点是，在非线性映射上采用了不同的作用函数，分别为径向基与S型函数，前者的作用函数是局部的，后者的作用函数是全局的；(2) 已证明RBF网络具有惟一最佳逼近的特性，且无局部极小。
C、标准化参数2 是一困难问题；
(3) 求RBF网隐节点的中心
i
(4) 径向基函数，即径向对称函数，有多种。对于一组样本：
?如何选择适合的径向基函数？
?如何确定隐节点数？
以使网络学习能达到要求的精度，这是尚未解决的问题。
(5) RBF网络用于非线性系统辨识与控制中，虽然具有惟一最佳逼近的特性，且无局部极小的优点，但隐节点的中心难求，是该网络难以广泛应用的原因。
人工神经网络原理及实际应用
人工神经网络原理及实际应用 摘要：本文就主要讲述一下神经网络的基本原理，特别是BP神经网络原理，以及它在实际工程中的应用。 关键词：神经网络、BP算法、鲁棒自适应控制、Smith－PID 本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在“计算＂某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。1943年Macullocu和Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展，停滞，再发展的过程，时至今日发展正走向成熟，在广泛领域得到了令人鼓舞的应用成果。本文就主要讲述一下神经网络的原理，特别是BP神经网络原理，以及它在实际中的应用。 1.神经网络的基本原理 因为人工神经网络是模拟人和动物的神经网络的某种结构和功能的模拟，所以要了解神经网络的工作原理，所以我们首先要了解生物神经元。其结构如下图所示： 从上图可看出生物神经元它包括，细胞体：由细胞核、细胞质与细胞膜组成；
轴突：是从细胞体向外伸出的细长部分，也就是神经纤维。轴突是神经细胞的输出端，通过它向外传出神经冲动；树突：是细胞体向外伸出的许多较短的树枝状分支。它们是细胞的输入端，接受来自其它神经元的冲动；突触：神经元之间相互连接的地方，既是神经末梢与树突相接触的交界面。 对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动，神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高；当膜电位升高到一阀值（约40mV），细胞进入兴奋状态，产生神经冲动，并由轴突输出神经冲动；当输入的冲动减小，综合处理的结果使膜电位下降，当下降到阀值时。细胞进入抑制状态，此时无神经冲动输出。“兴奋”和“抑制”，神经细胞必呈其一。 突触界面具有脉冲/电位信号转换功能，即类似于D/A转换功能。沿轴突和树突传递的是等幅、恒宽、编码的离散电脉冲信号。细胞中膜电位是连续的模拟量。 神经冲动信号的传导速度在1～150m/s之间，随纤维的粗细，髓鞘的有无而不同。 神经细胞的重要特点是具有学习功能并有遗忘和疲劳效应。总之，随着对生物神经元的深入研究，揭示出神经元不是简单的双稳逻辑元件而是微型生物信息处理机制和控制机。 而神经网络的基本原理也就是对生物神经元进行尽可能的模拟，当然，以目前的理论水平，制造水平，和应用水平，还与人脑神经网络的有着很大的差别，它只是对人脑神经网络有选择的，单一的，简化的构造和性能模拟，从而形成了不同功能的，多种类型的，不同层次的神经网络模型。 2.BP神经网络 目前，再这一基本原理上已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。 这里我们重点的讲述一下BP神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络设想，其网络模型如下图所示。它可以分为输入层，影层（也叫中间层），和输出层，其中中间层可以是一层，也可以多层，看实际情况而定。
人工神经网络
人工神经网络（ANN）又称神经网络，是在现代神经科学研究成果的基础上，对生物神经系统的结构和功能进行数学抽象、简化和模仿而逐步发展起来的一种新型信息处理和计算系统。由于人工神经网络具有自学习、高容错、高度非线性描述能力等优点，现已广泛应用于经济、机器人和自动控制、军事、医疗、化学等领域［l ~ 3］，并取得了许多成果。本文简要介绍人工神经网络的原理和特点，论述人工神经网络在高分子科学与工程领域的应用。 橡胶配方是决定橡胶制品性能的关键因素，由于材料配方与制品性能之间存在很复杂的非线性关系，多数情况下无法建立完整精确的理论模型，只能借助于回归方法得到经验公式。 传统的回归方法存在以下局限性： (1)使用不同的回9j方法可获得不同的经验公式，导致经验公式的繁多和不一致； (2)当配方项目及性能指标项目较多时，采用回归公式无法完全再现实验数据； (3)当实验进一步完善，实验数据增多的时候．其他人员再进行回归时，如果无法找到原来的回归方法、程序和实验数据，原来的回归公式将不能被利用，造成一定的浪费。随着计箅机的发展而出现的人工神经网络是人工智能方法．它不像回归方法那样，需预先给定基本函数，而是以实验数据为基础．经过有限次的迭代计算而获得的一个反映实验数据内在联系的数学模型，具有极强的非线性处理、自组织调整、自适应学习及容错抗噪能力，特别适用于研究像材料配方与制品性能之间关系的复杂非线性系统特性【¨】。因此，人们开始将人工神经网络应用于橡胶配方设计”J。 随着橡胶制品在各领域应用的拓展，橡胶配方设计变得越来越重要。人们进行橡胶配方设计主要有3个目的：提高制品的性能；改善加工工艺；降低生产成本。传统的橡胶配方设计方法有全因素设计、正交试验设计n_3]、均匀设计[4‘60等，而这些配方设计试验数据的处理方法无外乎方差分析和回归分析口]。由于材料的配方和性能之问存在非常复杂的非线性关系，回归分析只适合于单目标优化数据处理的模型，对于不同的性能，需要建立不同的模型，因此将其应用于配方设计有一定的局限性。近年来，发展日趋成熟的人工神经网络技术，尤其是BP神经网络凭借其结构简单、收敛速度快、预测精度高等优势越来越多地应用到橡胶配方设计试验中。 1橡胶配方设计 1．1橡胶配方设计概述 配方设计¨J是橡胶工业中的首要技术问题，在橡胶工业中占有重要地位。所谓配方设计，就是根据产品的性能要求和工艺条件，通过试验、优化、鉴定，合理地选用原材料，确定各种原材料的用量配比关系。 橡胶配方人员的主要工作就是要确定一系列变量对橡胶各项性能的定量或定性影响。变量可以是硫化剂、促进剂、填充剂、防老剂等，也可以是加工：[艺条件(如硫化温度、硫化时间等)，总之是配方人员可能控制或测得的变量。橡胶各项基本性能包括拉伸强度、撕裂强度、硬度、定伸应力等物理机械性能，以 及加工性能、光洁度、外观等。 橡胶配方设计常常是多变量的试验设计，配方设计理论和试验设计方法对于 配方设计具有重要意义。
人工神经网络复习题
《神经网络原理》 一、填空题 1、从系统的观点讲，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构成的自适应、非线性、动力学系统。 2、神经网络的基本特性有拓扑性、学习性和稳定收敛性。 3、神经网络按结构可分为前馈网络和反馈网络，按性能可分为离散型和连续型，按学习方式可分为有导师和无导师。 4、神经网络研究的发展大致经过了四个阶段。 5、网络稳定性指从t=0时刻初态开始，到t时刻后v(t+△t)=v(t)，(t>0)，称网络稳定。 6、联想的形式有两种，它们分是自联想和异联想。 7、存储容量指网络稳定点的个数，提高存储容量的途径一是改进网络的拓扑结构，二是改进学习方法。 8、非稳定吸引子有两种状态，一是有限环状态，二是混沌状态。 9、神经元分兴奋性神经元和抑制性神经元。 10、汉明距离指两个向量中对应元素不同的个数。 二、简答题 1、人工神经元网络的特点？ 答：（1）、信息分布存储和容错性。 （2）、大规模并行协同处理。 （3）、自学习、自组织和自适应。 （4）、人工神经元网络是大量的神经元的集体行为，表现为复杂
的非线性动力学特性。 （5）人式神经元网络具有不适合高精度计算、学习算法和网络设计没有统一标准等局限性。 2、单个神经元的动作特征有哪些？ 答：单个神经元的动作特征有：（1）、空间相加性；（2）、时间相加性；（3）、阈值作用；（4）、不应期；（5）、可塑性；（6）疲劳。 3、怎样描述动力学系统？ 答：对于离散时间系统，用一组一阶差分方程来描述： X(t+1)=F[X(t)]； 对于连续时间系统，用一阶微分方程来描述： dU(t)/dt=F[U(t)]。 4、F(x)与x 的关系如下图，试述它们分别有几个平衡状态，是否为稳定的平衡状态？ 答：在图（1）中，有两个平衡状态a 、b ，其中，在a 点曲线斜率|F ’(X)|>1，为非稳定平稳状态；在b 点曲线斜率|F ’(X)|<1，为稳定平稳状态。 在图（2）中，有一个平稳状态a ，且在该点曲线斜率|F ’(X)|>1，为非稳定平稳状态。
基于人工神经网络的通信信号分类识别
基于人工神经网络的通信信号分类识别 冯 涛 (中国电子科技集团公司第54研究所,河北石家庄050081) 摘 要 通信信号的分类识别是一种典型的统计模式识别问题。系统地论述了通信信号特征选择、特征提取和分类识别的原理和方法。设计了人工神经网络分类器,包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法,并提出了分层结构的神经网络分类器。 关键词 模式识别;特征提取;分类器;神经网中图分类号 TP391 文献标识码 A Classification and Identification of Communication Signal Using Artificial Neural Networks FE NG Tao (T he 54th Research Institute of CETC,Shijia zhuan g Hebei 050081,China) Abstract The classification and identificati on of communication signal is a typical statistical pattern identification.The paper discusses the theory and method of feature selection,feature extraction and classi fication &identificaiton of communication signal.A classifier based on artificial neural networks is designed,includin g the selection of neural network model,the input and output expression of the classifier,neural network topology and trainin g algorithm.Finally a hierarchical archi tecture classifier based on artificial neural networks is presented. Key words pattern recognition;features extraction;classifier;neural networks 收稿日期:2005-12-16 0 引言 在通信对抗侦察中,侦察接收设备在截获敌方通信信号后,必须经过对信号的特征提取和对信号特征的分析识别,才能变为有价值的通信对抗情报。通过对信号特征的分析识别,可以得到信号种类、通信体制、网路组成等方面的情报,从而为研究通信对抗策略、研制和发展通信对抗装备提供重要参考依据。 1 通信信号分类识别的原理 通信信号的分类识别是一种典型的模式识别应用,其作用和目的就是将某一接收到的信号正确地归入某一种类型中。一般过程如图1 所示。 图1 通信信号分类识别的一般过程 下面简单介绍这几部分的作用。 信号获取:接收来自天线的信号x (t),并对信号进行变频、放大和滤波,输出一个中频信号; A/D 变换:将中频模拟信号变换为计算机可以运算的数字信号x (n); 以上2步是信号空间x (t)到观察空间x (n )的变换映射。 特征提取:为了有效地实现分类识别,必须对原始数据进行变换,得到最能反映分类差别的特征。这些特征的选择和提取是非常重要的,因为它强烈地影响着分类器的设计和性能。理想情况下,经过特征提取得到的特征向量对不同信号类型应该有明显的差别; 分类器设计和分类决策:分类问题是根据识别对象特征的观察值将其分到某个类别中去。首先,在样本训练集基础上确定合适的规则和分类器结构,然后,学习训练得到分类器参数。最后进行分类决策,把待识别信号从特征空间映射到决策空间。 2 通信信号特征参数的选择与特征提取 2 1 通信信号特征参数的选择 选择好的特征参数可以提高低信噪比下的正确 识别率,降低分类器设计的难度,是基于统计模式识别方法最为关键的一个环节。试图根据有限的信号 信号与信息处理 24 2006Radio Engineering Vo1 36No 6
人工神经网络大作业
X X X X大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010年12月22日
人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1.1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元,通过广泛的突触联系形成的信息处理集团,其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1)神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站,它构成各神经元之间广泛的联接。(3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物,其变化是先天遗传信息确定的总框架下有限的自组织过程。 1.2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系,这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法:①神经生物学模型方法,即根据微观神经生物学知识的积累,把脑神经系统的结构及机理逐步解释清楚,在此基础上建立脑功能模型。②神经计算模型方法,即首先建立粗略近似的数学模型并研究该模型的动力学特性,然后再与真实对象作比较(仿真处理方法)。 1.3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能,是一门新兴的前沿交叉学科,其概念以T.Kohonen.Pr的论述最具代表性:人工神经网络就是由简单的处理单元(通常为适应性)组成的并行互联网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1.4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题:模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1.5理论局限性 (1)受限于脑科学的已有研究成果由于生理试验的困难性,目前对于人脑思维与记忆机制的认识尚很肤浅,对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2)尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网,节点间互连强度构成的矩阵可通过某种学
人工神经网络发展前景111
人工神经网络发展前景 姓名 单位 摘要 在分析人工神经网络的发展过程、基本功能、应用范围的基础上，着重论述了神经网络与专家系统、模糊技术、遗传算法、灰色系统及小波分析的融合。 关键词 英文摘要 英文关键词 1前言 人工神经网络的发展起源于何时，说法不一。一般认为，其起源可追溯到Warren WcCulloch和Walter Pitts提出的MP模型。从此拉开了神经网络的序幕。20世纪50年代后期，Frank Rosenblatt定义了一种以后常用的神经网络结构，称为感知器。这是人工神经网络第一个实际应用；20世纪60年代，Bernard Widrow和Ted Hoff提出了一个新的学习算法用于训练自适应线性神经网络；20世纪70年代，Grossberg 提出了自适应共振理论。他研究了两种记忆机制（短期记忆和长期记忆），提出了一种可视系统的自组织神经网络，这是一种连续时间竞争网络，是构成自适应谐振理论网络基础；20世纪80年代，Hopfield 及一些学者提出了Hopfield网络模型，这是一种全连接的反馈网络。此外，Hinton等提出了Boltzman机。Kumellhart等人提出误差反向
传播神经网络，简称BP网络。目前BP神经网络已成为广泛使用的网络。 2应用现状 神经网络以及独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下： 1）信号处理。神经网络广泛应用于自适应信号处理和非线性信号处理中。前者如信号的自适应滤波、时间序列预测、谱估计、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/解调等。2）模式识别。神经网络不仅可以处理静态模式如固定图像、固定能谱等，还可以处理动态模式如视频图像、连续语音等。 3）系统识别。基于神经网络的系统辨识是以神经网络作为被识对象的模型，利用其非线性特性，可建立非线性系统的静态或动态模型。 4)智能检测。在对综合指标的检测（例如对环境舒适度这类综合指标检测）中，以神经网络作为智能检测中的信息处理联想等数据融合处理，从而实现单一传感器不具备的功能。 5）汽车工程。神经网络在汽车刹车自动控制系统中也有成功的应用，该系统能在给定刹车距离、车速和最大减速度的情况下，以人体能感受到的最小冲击实现平稳刹车，而不受路面坡度和车重影响。 6）化学工程。神经网络在光谱分析、判定化学反应的生成物、判定离子浓度及研究生命体中某些化合物的含量与生物活性的对应关系都有广泛应用并取得了一定成果。 7）卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分
人工神经网络的发展及应用
人工神经网络的发展及应用 西安邮电学院电信系樊宏西北电力设计院王勇日期：2005 1-21 1 人工神经网络的发展 1．1 人工神经网络基本理论 1．1．1 神经生物学基础生物神经系统可以简略地认为是以神经元为信号的处理单元，通过广泛的突触联系形成的信息处理集团，其物质结构基础和功能单元是脑神经细胞，即神经元(neuron) 。 (1)神经元具有信号的输人、整合、输出三种主要功能作用行为，结构如图1 所示： (2)突触是整个神经系统各单元间信号传递驿站，它构成各神经元之间广泛的联接。 (3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物，其变化是先天遗传信息确定的总框架下有限的自组织过程。 1．1．2 建模方法神经元的数量早在胎儿时期就已固定，后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系，这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法：①神经生物学模型方法，即根据微观神经生物学知识的积累，把脑神经系统的结构及机理逐步解释清楚，在此基础上建立脑功能模型；②神 经计算模型方法，即首先建立粗略近似的数学模型并研究该模型的动力学特性，然后冉与真实对象作比较（仿真处理方法）。1．1．3 概
念人工神经网络用物理町实现系统采模仿人脑神经系统的结构和功能，是一门新兴的前沿交义学科，其概念以T．Kohonen．Pr 的论述 最具代表性：人工神经网络就是由简单的处理单元（通常为适应性神经元，模型见图2）组成的并行互联网络，它的组织能够模拟生物神 经系统对真实世界物体所作出的交互反应。 1．2 人工神经网络的发展 人工神经网络的研究始于40 年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的较为曲折的道路。1943 年，心理学家W．S．Mcculloch 和数理逻辑学家W．Pitts 提出了M—P 模型， 这是第一个用数理语言描述脑的信息处理过程的模型，虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。1949 年，心理学家D. O. Hebb提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。1957 年，计算机科学家Rosenblatt 提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络。1969 年，美国著名人工智能学者M．Minsky 和S．Papert 编写了影响很大的Perceptron 一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知能也不过如此，在这之后近10 年，神经网络研究进入了一个缓慢发展的萧条期。美国生物物理学家J．J．Hopfield 于1982年、1984 年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的
人工神经网络课程论文
浅谈人工神经网络 一、人工神经网络的发展 1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。1984年，美国加州工学院物理学家J.J.Hopfield提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究，1986年进行认知微观结构地研究，提出了并行分布处理的理论。近20年来，神经网络的软件模拟得到了广泛研究和应用，发展速度惊人。 二、人工神经网络的原理 人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。神经网络是一种运算模型，由大量的节点（或称“神经元”，或“单元”）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。 它的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method）得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。 三、人工神经网络的应用范围及热点 计算机人工神经网络是一门应用广泛，涉及多学科交叉、综合的前沿学科。人工神经网络是在对人脑神经网络的基本研究的基础上，采用数理方法和信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人
人工神经网络的发展及应用
人工神经网络的发展与应用 神经网络发展 启蒙时期 启蒙时期开始于1980年美国著名心理学家W．James关于人脑结构与功能的研究，结束于1969年Minsky和Pape~发表的《感知器》(Perceptron)一书。早在1943年，心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型(即M—P模型)，该模型把神经细胞的动作描述为：1神经元的活动表现为兴奋或抑制的二值变化；2任何兴奋性突触有输入激励后，使神经元兴奋与神经元先前的动作状态无关；3任何抑制性突触有输入激励后，使神经元抑制；4突触的值不随时间改变；5突触从感知输入到传送出一个输出脉冲的延迟时问是0．5ms。可见，M—P模型是用逻辑的数学工具研究客观世界的事件在形式神经网络中的表述。现在来看M—P 模型尽管过于简单，而且其观点也并非完全正确，但是其理论有一定的贡献。因此，M—P模型被认为开创了神经科学理论研究的新时代。1949年，心理学家D．0．Hebb 提出了神经元之间突触联系强度可变的假设，并据此提出神经元的学习规则——Hebb规则，为神经网络的学习算法奠定了基础。1957年，计算机学家FrankRosenblatt提出了一种具有三层网络特性的神经网络结构，称为“感知器”(Perceptron)，它是由阈值性神经元组成，试图模拟动物和人脑的感知学习能力，Rosenblatt认为信息被包含在相互连接或联合之中，而不是反映在拓扑结构的表示法中；另外，对于如何存储影响认知和行为的信息问题，他认为，存储的信息在神经网络系统内开始形成新的连接或传递链路后，新 的刺激将会通过这些新建立的链路自动地激活适当的响应部分，而不是要求任何识别或坚定他们的过程。1962年Widrow提出了自适应线性元件(Ada—line)，它是连续取值的线性网络，主要用于自适应信号处理和自适应控制。 低潮期 人工智能的创始人之一Minkey和pape~经过数年研究，对以感知器为代表的网络系统的功能及其局限性从数学上做了深入的研究，于1969年出版了很有影响的《Perceptron)一书，该书提出了感知器不可能实现复杂的逻辑函数，这对当时的人工神经网络研究产生了极大的负面影响，从而使神经网络研究处于低潮时期。引起低潮的更重要的原因是：20世纪7O年代以来集成电路和微电子技术的迅猛发展，使传统的冯·诺伊曼型计算机进入发展的全盛时期，因此暂时掩盖了发展新型计算机和寻求新的神经网络的必要性和迫切性。但是在此时期，波士顿大学的S．Grossberg教授和赫尔辛基大学的Koho—nen教授，仍致力于神经网络的研究，分别提出了自适应共振理论(Adaptive Resonance Theory)和自组织特征映射模型(SOM)。以上开创性的研究成果和工作虽然未能引起当时人们的普遍重视，但其科学价值却不可磨灭，它们为神经网络的进一步发展奠定了基础。 复兴时期 20世纪80年代以来，由于以逻辑推理为基础的人工智能理论和冯·诺伊曼型计算机在处理诸如视觉、听觉、联想记忆等智能信息处理问题上受到挫折，促使人们
基于人工神经网络的图像识别
本文首先分析了图像识别技术以及bp神经网络算法，然后详细地阐述了人工神经网络图像识别技术。 【关键词】人工神经网络 bp神经网络图像识别识别技术 通常而言，所谓图像处理与识别，便是对实际图像进行转换与变换，进而达到识别的目的。图像往往具有相当庞大的信息量，在进行处理图像的时候要进行降维、数字化、滤波等程序，以往人们进行图像识别时采用投影法、不变矩法等方法，随着计算机技术的飞速发展，人工神经网络的图像识别技术将逐渐取代传统的图像识别方法，获得愈来愈广泛的应用。 1 人工神经网络图像识别技术概述 近年来，人工智能理论方面相关的理论越来越丰富，基于人工神经网络的图像识别技术也获得了非常广泛的应用，将图像识别技术与人工神经网络技术结合起来的优点是非常显著的，比如说： （1）由于神经网络具有自学习功能，可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。 （2）在一般情况下，神经网络的信息都是存储在网络的连接结构以及连接权值之上，从而使图像信息表示是统一的形式，如此便使得知识库的建立与管理变得简便起来。 （3）由于神经网络所具有的并行处理机制，在处理图像时可以达到比较快的速度，如此便可以使图像识别的实时处理要求得以满足。 （4）由于神经网络可增加图像信息处理的容错性，识别系统在图像遭到干扰的时候仍然能正常工作，输出较准确的信息。 2 图像识别技术探析 2.1 简介 广义来讲，图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次，分为：图像处理、图像分析以及图像理解，该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉，与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外，随着计算机技术的发展，对图像技术的进一步研究离不开神经网络、人工智能等理论。 2.2 图像处理、图像识别与图像理解的关系 图像处理包括图像压缩、图像编码以及图像分割等等，对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声，并对这些信息进行确定。常用方法有灰度，二值化，锐化，去噪等；图像识别则是将经过处理的图像予以匹配，并且对类别名称进行确定，图像识别可以在分割的基础之上对所需提取的特征进行筛选，然后再对这些特征进行提取，最终根据测量结果进行识别；所谓图像理解，指的是在图像处理与图像识别的基础上，根据分类作结构句法分析，对图像进行描述与解释。所以，图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言，输入是图像，输出是对图像的描述解释。 3 人工神经网络结构和算法 在上个世纪八十年代，mcclelland与rumelhant提出了一种人工神经网络，截止现在，bp神经网络已经发展成为应用最为广泛的神经网络之一，它是一种多层前馈神经网络，包括输入层、输出层和输入层输出层之间隐藏层，如图1所示，便是一种典型的bp神经网络结构。 bp神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望，由输出向输入层反向计算误差，从而通过梯度下降方法不断修正各层权值的网络。 bp神经网络结构算法如下所述： （1）对权值矩阵，学习速率，最大学习次数，阈值等变量和参数进行初始化设置； （2）在黑色节点处对样本进行输入；
Keras—建立人工神经网络(ANN)
Keras—建立人工神经网络(ANN) Keras介绍 从本质上讲，Keras更像一个高级的API函数，它可以用TensorFlow、Theano、CNTK等深度学习框架为后台，简单高效的构建神经网络模型。 keras安装 Python库安装方法: pip install 库名。 安装Numpy和Scipy； 安装HDF5和Graphviz； 推荐安装TensorFlow； 安装Keras 如果需要GPU加速，请自行安装CUDA和cuDNN。 Keras构建模型的过程
下载训练数据 定义数据是必须的步骤。实际应用过程当中，可以根据具体的需求定义数据大小。为了展示 网络的过程，我们选用IMDB数据集，来处理电影评论分类问题。IMDB数据集已经内置到Keras 中。并且已经经过预处理：评论已经被转化成整数序列。关于这部分内容，我们下面会专门说明。本质上讲，就是把文字编码成数字，因为计算机无法识别文字。 编码的一个简单示例，把一句话分词为4个字符，用4位分别表示每个字符，编码的最大特点是每个编码只有一位是1。
我们希望模型具有良好的泛化能力，能够表征数据的一般特性。过拟合与欠拟合都会影响泛化能力。 如何解决欠拟合与过拟合问题 1. 最优的方法是获取更多的训练数据； 2. 合理设计网络大小，包括网络层数与每层神经元个数，这一点完全依靠个人的经验；
Keras构建了一个简单的神经网络模型，通过本节： Keras及其安装过程； ONE-HOT编码的原理； 通过对过拟合与欠拟合的了解，掌握神经网络训练的目标和判断模型好坏的标准；掌握网络模型定义、编译与训练的过程； 了解小批量梯度下降法。本节源码下载
人工神经网络复习资料题
《神经网络原理》 、填空题 1、从系统的观点讲，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构成的自适应、非线性、动力学系统。 2、神经网络的基本特性有拓扑性、学习性和稳定收敛性。 3、神经网络按结构可分为前馈网络和反馈网络，按性能可分为 离散型和连续型，按学习方式可分为有导师和无导师。 4、神经网络研究的发展大致经过了四个阶段。 5、网络稳定性指从t=0时刻初态开始，到t时刻后v(t+ △)=▼(◎，(t>0)，称网络稳定。 6、联想的形式有两种，它们分是自联想和异联想。 7、存储容量指网络稳定点的个数，提高存储容量的途径一是改—进网络的拓扑结构，二是改进学习方法。 8、非稳定吸引子有两种状态，一是有限环状态，二是混沌状态。 9、神经元分兴奋性神经元和抑制性神经元。 10、汉明距离指两个向量中对应元素不同的个数。 二、简答题 1、人工神经元网络的特点？ 答：(1 )、信息分布存储和容错性。 (2 )、大规模并行协同处理。 (3)、自学习、自组织和自适应。
(4)、人工神经元网络是大量的神经元的集体行为，表现为复杂
的非线性动力学特性。 (5)人式神经元网络具有不适合高精度计算、学习算法和网络 设计没有统一标准等局限性。 2、单个神经元的动作特征有哪些？ 答：单个神经元的动作特征有：(1 )、空间相加性；(2 )、时间相加性；(3)、阈值作用；(4 )、不应期；(5 )、可塑性；(6)疲劳。 3、怎样描述动力学系统？ 答：对于离散时间系统，用一组一阶差分方程来描述： X(t+1)=F[X(t)]； 对于连续时间系统，用一阶微分方程来描述： dU(t)/dt=F[U(t)]。 4、F(x)与x的关系如下图，试述它们分别有几个平衡状态，是 否为稳定的平衡状态? 答：在图(1、中，有两个平衡状态a、b，其中，在a点曲线斜率|F' (X)|>1 ,为非稳定平稳状态；在b点曲线斜率|F' (X)|<1 ,为稳定平稳状态。 在图(2、中，有一个平稳状态a，且在该点曲线斜率|F' (X)|>1 ，为非稳定平稳状态。
人工神经网络基本概念
《神经网络》讲稿 主讲人：谷立臣教授 2003年9月
第1章基本概念 ?作为自然实例的人脑 ?人工神经元模型 ●人工神经网络的拓扑结构及其学习规则?神经网络的学习策略 ?人工神经网络与生物神经网络的比较?人工神经网络的发展与现状 ?人工神经网络与自动控制 ?人工神经网络与设备故障诊断 ?参考文献
?脑神经生理学家告诉我们:人脑借以记忆与思维的最基本单元是神经元,其数量 约为个; ?每一神经元约有个突触; ?神经元间通过突触形成的网络，传递着彼此间的兴奋与抑制；全部大脑神经元构成拓扑上极其复杂的网络群体，由这一网络群体实现记忆与思维。见图1－1。 111210~103410~10
每一个神经元包括细胞体（Cell body或Soma）和突起（Process）两部分。 ◆细胞体是神经元新陈代谢的中心，还是接收与处理信息的部件 ◆突起有两类，即轴突(Axon)与树突(Dendrite)。轴突的长度相差很大，长的可达1米。轴突的末端与树突进行信号传递的界面称为突触(synapse)，通过突触向其他神经元发送出生物信息，在轴突中电脉冲的传导速度可达到10～100米／秒。另一类突起——树突（输入），一般较短，但分枝很多，它能接收来自其他神经元的生物电信号，从而与轴突一起实现神经元之间的信息沟通。突起的作用是传递信息。 ◆通过“轴突---突触――树突”这样的路径，某一神经元就有可能和数百个以至更多的神经元沟通信息。那些具有很长轴突的神经元，更可将信息从一脑区传送到另一脑区。
?绝大多数神经元不论其体积﹑形状﹑功能如何，不论是记忆神经元还是运动神经元，均可分为一个输入（或感知）器官，一个代数求和器官，一个长距离传递器官和一个输出器官。见图1－2。 ?既然所有神经元的功能均是相近的，那么何以实现复杂的功能呢？答案是：无一功能是由单个神经元实现的，而是由许多神经元以不同的拓扑结构所共同产生的。这一平行处理性提高了神经网路系统的冗余度与可靠性。
介绍人工神经网络的发展历程和分类.
介绍人工神经网络的发展历程和分类 1943年，心理学家W.S.McCulloch 和数理逻辑学家W.Pitts 建立了神经网络和数学模型，称为MP 模型。他们通过MP 模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。1949年，心理学家提出了突触联系强度可变的设想。60年代，人工神经网络的到了进一步发展，更完善的神经网络模型被提出。其中包括感知器和自适应线性元件等。M.Minsky 等仔细分析了以感知器为代表的神经网络系统的功能及局限后，于1969年出版了《Perceptron 》一书，指出感知器不能解决高阶谓词问题。他们的论点极大地影响了神经网络的研究，加之当时串行计算机和人工智能所取得的成就，掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络的研究处于低潮。在此期间，一些人工神经网络的研究者仍然致力于这一研究，提出了适应谐振理论（ART 网）、自组织映射、认知机网络，同时进行了神经网络数学理论的研究。以上研究为神经网络的研究和发展奠定了基础。1982年，美国加州工学院物理学家J.J.Hopfield 提出了Hopfield 神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。 1984年，他又提出了连续时间Hopfield 神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究，1985年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。1986年进行认知微观结构地研究，提出了并行分布处理的理论。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。在日本的“真实世界计算（RWC ）”项目中，人工智能的研究成了一个重要的组成部分。 人工神经网络的模型很多，可以按照不同的方法进行分类。其中，常见的两种分类方法是，按照网络连接的拓朴结构分类和按照网络内部的信息流向分类。按照网络拓朴结构分类网络的拓朴结构，即神经元之间的连接方式。按此划分，可将神经网络结构分为两大类：层次型结构和互联型结构。层次型结构的神经网络将神经
人工神经网络与其发展和应用的介绍
人工神经网络与其发展和应用的介绍 发表时间：2018-05-02T11:39:29.337Z 来源：《科技中国》2017年11期作者：卓一凡 [导读] 摘要：人工神经网络是人工智能的重要分支，自其创始伊始便成为了人工智能领域的研究热点。本文从人工神经网络的发展历史开始，介绍了其在医学，信息，控制等方面的应用及其现状，对其中的优缺点进行了简要的分析。并对人工神经网络未来的发展作简要的展望。 摘要：人工神经网络是人工智能的重要分支，自其创始伊始便成为了人工智能领域的研究热点。本文从人工神经网络的发展历史开始，介绍了其在医学，信息，控制等方面的应用及其现状，对其中的优缺点进行了简要的分析。并对人工神经网络未来的发展作简要的展望。关键词：人工神经网络，应用，优缺点，发展 1：人工神经网络的发展 纵观整个人工神经网络发展，大体经历了四个时期：启蒙，低潮，振兴，发展。 1.1：启蒙时期 人工神经网络和数学模型于1943年由W.S.McCulloch和W.Pitts建立，称为MP模型，证明了单个神经元能执行逻辑功能，人工神经网络的研究由此开始。1951年，心理学家 Donala O. Hebb提出了Hebb 法则：在神经网络中，信息在连接权中进行储存，突触之间的联系强度是可以变化的，而这种变化建立起了神经元间的连接。Hebb法则成为了构造具有学习功能的神经网络模型的基础。1954 年，生物学家Eccles提出了真实突触的分流模型，为神经网络模拟突触的功能提供了原理和生理学的依据。1956 年，Uttley 发明了一种由处理单元组成的推理机，用于模拟行为及条件反射。1958年，Rosenblatt将学习机制增加到了原有的MP模型上，首次把神经网络理论付诸实现。正是由于他的成功，引起了学者们对人工神经网络的研究兴趣。 1.2：低潮时期 当许多学者抱着极大的热忱去研究人工神经网络的时候，Minsky 和Papert 从数学角度对以感知器为代表的网络系统功能及其局限性进行了深入的研究，并在1969年出版《Percep2trons》一书。该书提出当前的网络只能对简单的线性问题进行解决，而对复杂的多层神经网络无能为力。这一结论使得许多国家的此类项目被暂停资助，自此开始了神经网络的低潮期。但不久后，转机出现。就在1972年，欧洲和美洲的两位学者：芬兰的Kohonen教授，美国的Anderson分别提出了自组织映射SOM(Self2Organizingfeature map)理论和一个名叫“交互存储器 ”的理论。而两者之间竟有着许多相似之处，不由得让人惊讶。但Kohonen的研究是目前所使用神经网络的主要依据。正是由于这些研究，引导了以后人工神经网络的振兴。 1.3：振兴时期 1982年，美国物理学家Hopfield博士发表了Hopfield模型理论，对人工神经网络的研究产生了深远的影响。如下图 Hopfield模型理论证明：神经网络并非不能达到稳定的状态，只是需要一定条件。而他的研究也让许多学者对人工神经网络的研究重新产生了兴趣。1986年，由美国的 Rumelhart 和 McCkekkand主编并撰写的《Parallel Distributed Processing : Ex2ploration in the Microstructures of Cognition》一书出版，提出了 PDP（Parallel Distributed Processing）网络思想，再一次推动了神经网络的发展。20世纪 90 年代， Edelman提出Darwinism 模型。1995 年,Jenkins等人进行了光学神经网络(PNN)的研究 .神经网络的研究重回人们的视野。 1.4：发展时期 20世纪80年代，人工神经网络在世界范围内全面复苏，这也引起了国家对神经网络的重视。“中国神经网络首届学术会议”于1990年2月由国内8个顶尖学会联合在北京召开。 1992年举办了中国第二届神经网络学术大会，中国神经网络学会便由此诞生。我国的“863”计划，“攀登”计划中，都有关于人工神经网络研究的内容。国际上，1987 年,在美国加洲举行了首届国际神经网络学会. 此后每年召开两次.至此，人工神经网络的研究得到了长足的发展。 2.人工神经网络的基本原理 自生物学发展伊始，大脑便是无数科学家研究的重点，人们想要弄清楚大脑是如何运作的？其机理是什么？人工神经网络便应运而生，它的目的是想要对人类神经网络进行开发与测试 2.1：人工神经网络的生物学基础 人工神经网络是人类神经网络的仿生学模拟。我们如果想要了解人工神经网络，就要先了解生物的神经元，如下图：