PNN神经网络评价方法本科毕业设计
基于概率神经网络的暖通空调节能系统分析
基于概率神经网络的暖通空调节能系统分析发布时间：2021-06-01T11:24:42.283Z 来源：《基层建设》2021年第3期作者：韩威[导读] 摘要：暖通空调控制由简单控制方案、数字控制方案和逻辑编程控制方案发展到目前较为流行的基于神经网络的控制方案。
身份证号码：2301041982****XXXX 辽宁大连 116000 摘要：暖通空调控制由简单控制方案、数字控制方案和逻辑编程控制方案发展到目前较为流行的基于神经网络的控制方案。
由于传统的控制方法无法同时兼顾非线性数据和数据时序性的特点，当某项参数发生剧烈变化时，系统对暖通空调的控制作用会降低，一般只适用于小型暖通空调的节能控制。
本文采用了基于概率神经网络的控制方案，首先对数据进行预处理，去除异常数据和坏值，然后对数据进行归一化处理，将数据分为训练集和测试集，验证神经网络的准确性。
当测试集输出结果正确率超过 90%时，证明该网络具有较高的实用性。
关键词：概率神经网络；暖通空调；节能系统；分析 1暖通空调节能系统概述近年来，随着我国城市建筑业的快速发展，各种高层建筑层出不穷，暖通空调的应用空间逐渐增大。
暖通空调主要用于平衡室内外温度。
由于暖通空调系统能耗大，在资源消耗上还有很大的提升空间。
与传统的暖通空调系统相比，节能型暖通空调系统更符合现代社会追求低碳生活的理念。
与传统的暖通空调系统相比，节能型暖通空调系统具有较高的一次性成本。
从长远来看，暖通空调节能系统将继续广泛应用于人们的生活中，如何降低高成本的新型节能技术在暖通空调节能系统中的应用是暖通空调专业研究的首要问题。
我国相关工作人员也在思考如何降低技术成本，以便早日找到既节能又能降低生产成本的方法，因为暖通空调节能技术的应用成本过高，在很大程度上会引起人们的抵触情绪。
2 暖通空调模型建立 2.1 概率神经网络理论概率神经网络（PNN）有以 Parzen 窗的概率密度函数估计方法和 Bayes 决策理论为理论基础这两种，它是从径向基函数演变过来的，属于前馈型神经网络。
pNN概率神经网络(基于C语言伪码和Matlab代码)
号码与背景的程序，也就是车牌号图像的二值化。本文仅用这个程序作为 PNN 神经网络运 用的简单例子，因此对图像进行些处理以简化编程，采用8位 BMP 带调色板的图片格式存 储。
图4-1
车牌图像
人眼能够识别这个车牌号码是由于车牌的号码白色和它周围的背景蓝色有着鲜明的不 同。对于要完成的程序同样也可以运用颜色差来完成识别。计算机显示 bmp 图片时采用的 是 RBG 的值来描绘每一点的像素颜色，虽然看到图像车牌背景都是蓝色，但是如果放大来 看蓝色并不完全相同而且还有夹杂着些其他颜色， 同样车牌号也并非全部白色。 分析到这里 目标就清楚了，运用 PNN 神经网络采集图片中每个像素点的颜色 RBG 值，将接近蓝色或 者背景中出现的其他颜色分为 A 类，表示背景色；将接近白色的颜色分为 B 类，表示车牌 号色。再用0、1这两个数值来表示 A 类、B 类，重新设置图片中像素的颜色实现了车牌号 图像的二值化。 程序的流程可分为三步：第一步，选取背景色和号码色的样本图片，收集它们各自的颜 色样本数据；第二步，运用收集的颜色数据训练 PNN 神经网络；第三步，将需要识别的车 牌图片中每个像素的颜色数据输入 PNN 神经网络完成分类，然后重置图片颜色数据完成二 值化。 PNN 神经网络的设计：将 RBG 三个值作为输入数据，样本层里的每个神经元代表一种 样本颜色， 竞争层的两个单元分别代表背景色类和号码色类。 输入层和样本层之间的权重存 储在二维指针 **w 中，样本层到求和层的关系存储在**a 中，**a 中的值只能是0和1，每 个样本层里的神经元对应的类别有且仅有一条边值为1，用来说明该样本层神经元存储的样 本颜色属于该边连接的类别。 数据收集及神经网络结构实现的伪代码如下：
Gao Fei, Zhao Zhenzhen, Song Yan Abstract: The basic structure model of probabilistic neural network (PNN) is introduced in this paper, as well as the function of the model, the basic learning algorithm. The application of PNN in the field of Vehicle License Plate Recognition is interpreted in details. At the end of the paper,genetic algorithm( GA ) and its application in optimizing the PNN model are mainly focused on. Keywords: PNN; Parzen window estimate method; Genetic Algorithm
resnet 本科毕业设计
resnet 本科毕业设计ResNet（Residual Network）是一种深度学习的神经网络模型，它在图像识别和计算机视觉任务中取得了很大的成功。
如果你选择ResNet作为本科毕业设计的研究课题，那么你可以考虑以下几个方面来展开你的研究：1. 研究背景和意义，你可以介绍深度学习在图像识别领域的应用现状，以及ResNet作为一种经典的深度神经网络模型，其在图像分类、目标检测等任务上的优势和特点。
2. 研究目的和问题，你可以明确你的研究目的，例如是改进ResNet模型的性能，还是在特定领域应用ResNet进行实践。
同时，可以提出你研究中要解决的问题，例如ResNet存在的局限性，如何解决深度网络训练中的梯度消失等问题。
3. 研究方法和实验设计，你可以介绍ResNet的原理和结构，以及其在训练和推理过程中的关键技术。
同时，可以设计一系列实验来验证你的研究假设，比如在经典数据集上进行ResNet模型的训练和评估，或者尝试对ResNet进行改进并进行对比实验。
4. 研究成果和结论，在你的毕业设计中，你需要详细记录你的研究成果和实验结果，包括对比实验的性能对比、改进方法的效果验证等。
同时，你需要总结你的研究，得出结论并提出未来可能的研究方向。
5. 文献综述和参考资料，在你的毕业设计中，你需要进行充分的文献综述，包括ResNet模型的相关研究成果、深度学习领域的发展趋势等。
同时，你需要准备充分的参考资料，以支撑你的研究和论证。
总之，ResNet作为一个经典的深度学习模型，可以为你的本科毕业设计提供丰富的研究内容和挑战，希望你能够在研究过程中有所收获，取得优异的成绩。
祝你顺利完成毕业设计！。
概率神经网络信用评价模型及预警研究
1 引言
利用样本的先验概率 — — — Bayes 定律和最优判定原则对新的样本进行分类 , 则产生概率神经网络 ( Probabilistic Neural Network ,简称 PNN) . PNN 是 Specht [1 ] 于 1990 年提出的一种人工神经网络模型 , 它既具 有统计分类的功能 ,又不受多元正态分布等条件的限制 , 并且在 PNN 运算过程中可读出被分类的新输入 样本的后验概率 ,从而提供了对计算结果的解释 . 这种基于统计原理的神经网络模型 ,其模式分类器是一 种自监督的前馈网络分类方法 ,这种方法无需训练网络的连接权值 ,由给定的训练样本直接构成隐单元进
2005 年 5 月
系统工程理论与实践
第5期
文章编号 :100026788 ( 2005) 0520043206
概率神经网络信用评价模型及预警研究
庞素琳
( 暨南大学数学系 ,广州 广东 510632)
摘要 : 介绍了概率神经网络 ( PNN) 方法及其分类机理 , 构造了用于识别两类模式样本的 PNN 结构 , 用 来对我国 2000 年 106 家上市公司进行两类模式分类 . 仿真结果表明 ,PNN 对训练样本有很高的分类准确 率 ,能达到 100 % ;但对测试样本的分类准确率却很低 , 只达到 69177 %. 因而使总体的分类效果偏差 , 分 类准确率只达到 87174 %. 进一步的仿真结果表明 ,该方法对我国 2001 年公布的 13 家预亏公司进行预警 分析时 ,准确率只达到 69123 %. 所以 PNN 不太适合用来对新样本的识别和预警研究 . 研究结果还表明 , PNN 在分类效果上不如 MLP ( 对相同的样本 ,多层感知器分类准确率达到 98111 %) ,但和 Yang 等的 PNN 分类效果 ( 分类准确率最高达到 74 %) 相比 ,该文给出的 PNN 结构其分类效果更好 . 所以作为一种方法上 的探讨 ,PNN 仍不失其研究的价值 . 关键词 : 概率神经网络 ; 信用评价模型 ; 模式分类 ; 财务预警 中图分类号 : F830 文献标识码 : A
概率神经网络的分类预测——基于PNN的变压器故障诊断
概率神经网络的分类预测——基于PNN的变压器故障诊断摘要：电力变压器故障诊断对变压器、电力系统的安全运行有着十分重要的意义，本文介绍了基于概率故障神经网络（PNN）在变压器故障诊断中的应用。
针对概率神经网络（PNN）模型强大的非线性分类能力，PNN能够很好地对变压器故障进行分类；文章通过对PNN神经网络的结构和原理的分析，应用PNN概率神经网络方法对变压器故障进行诊断。
关键词：变压器；概率神经网络；故障诊断0 引言变压器是电力系统中的一个重要设备，由于它对电能的经济传输、灵活分配和安全使用具有重要意义，因而它的维护检修就显得极为重要，特别是通过对其进行故障诊断为其正常运行提供可靠的依据。
故障诊断技术是借助于现代测试、监控和计算机分析等手段，研究设备在运行中或相对静止条件下的状态信息，分析设备的技术状态，诊断其故障的性质和起因，并预测故障趋势，进而确定必要对策的一种方法。
从本质上讲，故障诊断就是模式识别问题。
神经网络的出现，为故障诊断问题提供了一种新的解决途径，特别是对于实际中难以解决的数学模型的复杂系统，神经网络更显示出其独特的作用。
目前，在故障诊断方面虽然BP网络应用得最为广泛，但其网络层数及每层神经元的个数不易确定，而且在训练过程中网络容易陷入局部最小点。
本文引入一种新的人工神经网络模型——概率神经网络，使用该网络进行变压器的故障诊断，可以获得令人满意的故障诊断率，并能有效地克服BP神经网络的缺点。
本文采用概率神经网络(probabilistic neural networks)对变压器故障进行诊断。
概率神经网络结构简单、训练简洁，利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。
在实际应用中，尤其是在解决分类问题的应用中，它的优势在于用线性学习算法来完成非线性学习算法所做的工作，同时保持非线性算法的高精度等特性。
pinn谱方法
pinn谱方法
pinn谱方法是一种用于解决偏微分方程问题的机器学习方法。
Pinn指的是"Physics-informed Neural Networks"，即在神经网络中融入物理信息的意思。
这个方法的核心思想是结合有限元法或有限差分法等传统的数值求解方法与神经网络，以提高偏微分方程的求解效率和准确性。
pinn谱方法的基本步骤如下：
1. 定义问题：确定需要求解的偏微分方程及其边界条件。
2. 网格划分：将求解域划分为离散的网格点。
3. 确定损失函数：使用偏微分方程和边界条件构建损失函数，用于衡量神经网络的预测结果与真实解的差异。
4. 构建神经网络：设计一个神经网络模型，输入为网格点的坐标，输出为对应的解。
5. 训练网络：通过优化算法（如梯度下降）迭代调整神经网络的参数，使损失函数最小化。
6. 验证和测试：使用训练好的网络进行预测，并与已知的真实解进行比较，评估网络的性能。
pinn谱方法相比传统的数值方法具有以下优势：
1. 可以在任意形状的求解域上进行求解，不受网格剖分的限制。
2. 可以通过少量的样本点对整个求解域进行建模，减少了计算量和存储空间的需求。
3. 可以处理非线性和复杂的偏微分方程问题。
4. 可以通过端到端的训练过程，直接学习出偏微分方程的解，无需手动推导和构造数值格式。
需要注意的是，pinn谱方法仍然属于机器学习方法，其结果受到数据的影响，因此在使用该方法时需要谨慎选择训练数据和网络结构，以及进行适当的验证和测试。
神经网络_实验报告
一、实验目的与要求1. 掌握神经网络的原理和基本结构；2. 学会使用Python实现神经网络模型；3. 利用神经网络对手写字符进行识别。
二、实验内容与方法1. 实验背景随着深度学习技术的不断发展，神经网络在各个领域得到了广泛应用。
在手写字符识别领域，神经网络具有较好的识别效果。
本实验旨在通过实现神经网络模型，对手写字符进行识别。
2. 神经网络原理神经网络是一种模拟人脑神经元结构的计算模型，由多个神经元组成。
每个神经元接收来自前一个神经元的输入，通过激活函数处理后，输出给下一个神经元。
神经网络通过学习大量样本，能够自动提取特征并进行分类。
3. 实验方法本实验采用Python编程语言，使用TensorFlow框架实现神经网络模型。
具体步骤如下：（1）数据预处理：从公开数据集中获取手写字符数据，对数据进行归一化处理，并将其分为训练集和测试集。
（2）构建神经网络模型：设计网络结构，包括输入层、隐藏层和输出层。
输入层用于接收输入数据，隐藏层用于提取特征，输出层用于输出分类结果。
（3）训练神经网络：使用训练集对神经网络进行训练，调整网络参数，使模型能够准确识别手写字符。
（4）测试神经网络：使用测试集对训练好的神经网络进行测试，评估模型的识别效果。
三、实验步骤与过程1. 数据预处理（1）从公开数据集中获取手写字符数据，如MNIST数据集；（2）对数据进行归一化处理，将像素值缩放到[0, 1]区间；（3）将数据分为训练集和测试集，比例约为8:2。
2. 构建神经网络模型（1）输入层：输入层节点数与数据维度相同，本实验中为28×28=784；（2）隐藏层：设计一个隐藏层，节点数为128；（3）输出层：输出层节点数为10，对应10个类别。
3. 训练神经网络（1）定义损失函数：均方误差（MSE）；（2）选择优化算法：随机梯度下降（SGD）；（3）设置学习率：0.001；（4）训练次数：10000；（5）在训练过程中，每100次迭代输出一次训练损失和准确率。
神经网络模型评估指南
神经网络模型评估指南引言：随着人工智能技术的快速发展，神经网络模型成为了解决复杂问题的重要工具。
然而，如何评估神经网络模型的性能和稳定性却是一个关键的问题。
本文将为大家介绍一些神经网络模型评估的指南，帮助读者更好地理解和应用这一技术。
一、数据集的选择数据集是神经网络模型评估的基础。
在选择数据集时，应确保其具有代表性、多样性和充分性。
代表性意味着数据集应能够真实反映出模型在实际应用场景中可能遇到的各种情况。
多样性则要求数据集中包含不同类别、不同属性的样本，以确保模型能够适应各种情况。
充分性则要求数据集的规模足够大，以避免模型过拟合或欠拟合的问题。
二、模型性能评估指标在评估模型性能时，需要选择合适的指标来衡量模型的准确性和稳定性。
常用的指标包括准确率、精确率、召回率、F1值等。
准确率是指模型正确预测的样本占总样本数的比例，精确率是指模型预测为正例的样本中实际为正例的比例，召回率是指模型正确预测为正例的样本占实际正例样本的比例，F1值是精确率和召回率的调和平均值。
根据具体问题的需求，选择适当的指标进行评估。
三、交叉验证为了减小模型评估的偶然性，交叉验证是一种常用的方法。
交叉验证将数据集分为训练集和验证集，多次进行训练和验证，最终得到模型的平均性能。
常用的交叉验证方法包括K折交叉验证和留一交叉验证。
K折交叉验证将数据集分为K个子集，每次使用K-1个子集进行训练，剩下的一个子集进行验证，重复K次后取平均值。
留一交叉验证则是将每个样本单独作为验证集，其余样本作为训练集，重复N次后取平均值。
通过交叉验证可以更准确地评估模型的性能。
四、模型泛化能力模型的泛化能力是指模型对未见过的数据的适应能力。
为了评估模型的泛化能力，可以使用测试集进行验证。
测试集是与训练集和验证集不重复的数据集，用于模拟模型在实际应用中的表现。
通过测试集的评估，可以判断模型是否过拟合或欠拟合，以及模型在不同数据集上的性能表现。
五、模型调优在模型评估过程中，如果发现模型性能不佳，可以尝试进行模型调优。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。
尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。
对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。
作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。
作者签名：日期：学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
涉密论文按学校规定处理。
作者签名：日期：年月日导师签名：日期：年月日注意事项1.设计（论文）的内容包括：1）封面（按教务处制定的标准封面格式制作）2）原创性声明3）中文摘要（300字左右）、关键词4）外文摘要、关键词5）目次页（附件不统一编入）6）论文主体部分：引言（或绪论）、正文、结论7）参考文献8）致谢9）附录（对论文支持必要时）2.论文字数要求：理工类设计（论文）正文字数不少于1万字（不包括图纸、程序清单等），文科类论文正文字数不少于1.2万字。
3.附件包括：任务书、开题报告、外文译文、译文原文（复印件）。
4.文字、图表要求：1）文字通顺，语言流畅，书写字迹工整，打印字体及大小符合要求，无错别字，不准请他人代写2）工程设计类题目的图纸，要求部分用尺规绘制，部分用计算机绘制，所有图纸应符合国家技术标准规范。
图表整洁，布局合理，文字注释必须使用工程字书写，不准用徒手画3）毕业论文须用A4单面打印，论文50页以上的双面打印4）图表应绘制于无格子的页面上5）软件工程类课题应有程序清单，并提供电子文档5.装订顺序1）设计（论文）2）附件：按照任务书、开题报告、外文译文、译文原文（复印件）次序装订摘要企业评价是检验企业经营效果、校正发展方向的重要手段，对企业的成败具有决定意义。
如何用定量的方法准确的评价企业是人们一直在研究的问题，对企业的正确评价可以指导我们的投资决策。
概率神经网络是一种可用于模式分类的神经网络，本文将利用概率神经网络对企业进行评价，将企业分为“好”和“差”两类。
本文综述了用于企业评价的方法、概率神经网络原理及结构，并将概率神经网络应用到对企业的评价中。
首先，利用逐步回归方法从60家上市公司的12个财务指标进行筛选得到与企业收益率显著相关的4个指标。
其次，以这4个财务指标为输入向量，以企业的好差情况为输出向量，利用60家上市数据建立并训练PNN神经网络。
最后，对训练样本和测试样本进行了仿真，仿真结果表明：利用概率神经网络进行企业分类评价的是一种非常有效的方法。
在结论中，对本文内容进行了总结,并对今后的工作做了更进一步的展望。
关键词：评价方法，PNN神经网络，SPSS，MATLABABSTRACTE nterprise’s evaluation is an important means to inspect the business’s results and check the developmental direction . How to use quantitative method to evaluate enterprises accurately is a question which people have been researched all along, and the correct evaluation of enterprises can guide our investment decisions. Probabilistic neural network is a net which can be used for the classification.In this paper, the probabilistic neural network is used to evaluate enterprises,and enterprises are divided into "the good" and "the bad" .This paper summarizes the methods which are applied to enterprise’s evaluation, and introduces the probabilistic neural network principle and structure, then probabilistic neural network is applied to evaluation of enterprises.First of all, four among twelve financial indicators of the 60 listed companies are significantly correlated with the yields on corporate bonds by using stepwise regression method.Secondly, four financial indicators are regarded as the input vector and the cases of the good or bad enterprises as the output vector. PNN neural network is established and trained by 60 listed data.Finally, the train samples and test samples are simulated, the results show that the probabilistic neural network is a very effective method to classificate and evaluate enterprise.In closing remarks, the content is summarized and further work is prospected in the future. KEY WORDS:: evaluation method, probabilistic neural network, SPSS, MATLAB目录前言 (1)第一章绪论 (2)1.1企业评价的目的与意义 (2)1.2企业评价方法 (2)1.2.1定性评价法 (2)1.2.2主成分分析法.................................................................................. 错误！未定义书签。
1.2.3模糊综合评价法 (3)1.2.4综合指数法 (4)1.2.5灰色关联聚类法 (5)1.2.6 TOPSIS法 (6)1.2.7数据包络分析法 (6)1.2.8功效系数法 (7)1.2.9线性加权综合法 (8)1.2.10层次分析法 (9)1.2.11 BP神经网络评价法 (10)1.3本章小结 (10)第2章概率神经网络（PNN）概述 (12)2.1概率神经网络简介 (12)2.2概率神经网络（PNN）原理 (13)2.2.1模式分类的贝叶斯判定策略 (13)2.2.2密度估计的一致性 (14)2.2.3概率神经网络（PNN）模型 (15)第3章概率神经网络（PNN）在企业评价中的应用 (17)3.1样本的选取与确定 (17)3.2指标的选取与确定 (17)3.3PNN网络模型仿真 (19)3.3.1网络层数的确定 (19)3.3.2输入个数、输出层结点的确定 (19)3.3.3.隐层结点的确定 (19)3.3.4网络模型 (19)3.3.5训练样本的网络仿真 (20)3.3.6测试样本的网络仿真 (22)3.4本章小结 (22)第4 章结论 (24)参考文献 (25)附录 (27)附录一：原始数据 (27)附录二：程序 (31)致谢 (1)诚信声明 (2)前言人工神经网络在80年代中期得到了飞速的发展。
1982年美国加州州立理工学院物理学家Hopfield教授提出了Hopfield人工神经网络模型，将能量函数的概念引入人工神经网络，并给出了稳定性的判据，开拓了人工神经网络用于联想记忆和优化计算的新途径。
人工神经网络模拟人类部分形象思维的能力是模拟人工智能的一条途径，特别是可以利用人工神经网络解决人工智能研究中所遇到的一些难题。
人工神经网络理论的应用已经渗透到多个领域，在计算机视觉、模式识别、智能控制、非线性优化、自适应滤波相信息处理、机器人等方面取得了可喜的进展[1]。
神经网络理论在初期取得了一些进展，比如说建立了一些人工神经网络的计算模型，如前馈网、反馈网等等。
但由于当时神经计算技术的理论准备不足，技术也不成熟。
因此到了六七十年代，大多数人对神经网络计算技术的研究热情大大下降，形成了神经网络计算技术研究的第一次低潮。
到80年代中期，由于神经网络在理论上取得一些突破，如BP（误差反传算法）网、Hopefield 网的出现，解决了多层神经网的学习问题以及半导体技术的发展等问题。
神经网络计算技术研究开始复苏，于是掀起了第二次研究高潮，人们又开始跃跃欲试、信心百倍。
在这段高潮中，神经网络计算技术的确取得不少新的进展。
该技术在许多领域得到应用，如智能控制、模式识别等。
在此基础上，许多学者提出了软计算(Soft Computing)、计算智能(Computational Intelligence) 等新的计算概念，形成新的计算领域，在某种程度上，极大地促进神经网络计算技术的发展。