神经网络发展综述
神经网络的发展历程与应用
神经网络的发展历程与应用神经网络是一种仿生的人工智能技术，它模拟了人类大脑中神经元之间的连接和信息传递方式，具有自学习和适应性强的特点。
神经网络的发展历程可以追溯到上世纪50年代，经过了长期的理论研究和应用实践，如今已经成为了人工智能领域中的重要技术之一。
本文将从神经网络的发展历程、基本模型、优化算法以及应用领域等方面进行介绍。
一、神经网络的发展历程神经网络的发展历程可以分为三个阶段，分别是感知机、多层前馈神经网络和深度学习。
1. 感知机感知机是神经网络的起源，由美国心理学家罗森布拉特于1957年提出。
感知机是一种单层神经网络，由若干感知器（Perceptron）组成。
每个感知器接收输入信号并进行加权和，然后经过一个阈值函数得到输出。
该模型的最大缺点是只能处理线性可分问题，无法解决非线性问题。
2. 多层前馈神经网络为了克服感知机的局限性，科学家们开始尝试使用多层前馈神经网络来处理非线性问题。
多层前馈神经网络由输入层、隐藏层和输出层组成。
每个神经元都有一个激活函数，用于将输入信号转换为输出。
这种结构可以处理非线性问题，并且可以通过反向传播算法来训练网络参数。
多层前馈神经网络在图像识别、语音识别、自然语言处理等领域得到了广泛应用。
3. 深度学习深度学习是指使用多层神经网络来学习高层次特征表示的一种机器学习方法。
深度学习在计算机视觉、自然语言处理等领域有着广泛的应用。
其中最著名的就是卷积神经网络（CNN）和循环神经网络（RNN）。
卷积神经网络主要用于图像识别和分类问题，循环神经网络主要用于序列预测和语言建模。
二、神经网络的基本模型神经网络的基本模型可以分为三类，分别是前馈神经网络、反馈神经网络和自组织神经网络。
1. 前馈神经网络前馈神经网络是指信息只能从输入层到输出层流动的神经网络。
其中最常用的是多层前馈神经网络，它由多个隐藏层和一个输出层组成。
前馈神经网络的训练主要使用反向传播算法。
2. 反馈神经网络反馈神经网络是指信息可以从输出层到输入层循环反馈的神经网络。
(完整word版)神经网络历史发展及应用综述个人整理(word文档良心出品)
人工神经网络历史发展及应用综述1、引言人类为了生存在改造探索自然的过程中，学会利用机械拓展自身的体力，随着对自然认识的不断深入，创造语言，符号，算盘、计算工具等来强化自身脑力。
复杂的数字计算原本是靠人脑来完成的，为了摆脱这种脑力束缚发明了计算机。
其数字计算能力比人脑更强，更快、更准。
计算机的出现，人类开始真正有了一个可以模拟人类思维的工具，期盼可以实现人工智能，构造人脑替代人类完成相应工作。
要模拟人脑的活动，就要研究人脑是如何工作的，要怎样模拟人脑的神经元。
人脑的信息处理具有大规模并行处理、强容错性和自适应能力、善于联想、概括、类比和推广的特点，多少年以来，人们从生物学、医学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图获悉人脑的工作奥秘，寻求神经元的模拟方法。
在寻找上述问题答案的研究过程中，从20世纪40年代开始逐渐形成了一个新兴的边缘性交叉学科，称之为“神经网络”，是人工智能、认知科学、神经生理学、非线性动力学、信息科学、和数理科学的“热点”。
关于神经网络的研究包含众多学科领域，涉及数学、计算机、人工智能、微电子学、自动化、生物学、生理学、解剖学、认知科学等学科，这些领域彼此结合、渗透，相互推动神经网络研究和应用的发展。
2、定义思维学普遍认为，人类大脑的思维有三种基本方式，分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维。
逻辑性的思维是根据逻辑规则进行推理的过程，这一过程可以写成指令，让计算机执行，获得结果。
而直观性（形象）的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。
这种思维方式的有以下两个特点：一是信息通过神经元上的兴奋模式分布储在网络上；二是信息处理通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟第二种人类思维方式。
人工神经网络是由大量具备简单功能的人工神经元相互联接而成的自适应非线性动态系统。
虽然单个神经元的结构和功能比较简单，但大量神经元连接构成的网络系统行为却异常复杂。
神经网络发展综述
１ 神经网络的发展及分类
十年来， 针对神经网络的学术研究大量涌现， 它们当中提出了数百种神 经 网 络 ， 涉 及 联 想 记 忆 、自 学 习 与 自 组 织 、计 算 机 视 觉 等 众 多 的 方 面 ， 取 得了引人瞩目的进展。
由于神经网络是高度非线性动力学系统， 又是自适应自组织系统， 可 用 来 描 述 认 知 、决 策 及 控 制 等 的 智 能 行 为 ， 使 得 智 能 的 认 识 和 模 拟 成 为 神 经 网 络 理 论 研 究 的 一 个 重 要 方 面 。而 这 方 面 的 研 究 与 我 们 对 人 脑 结 构的认识和研究有着密切的关系， 同时， 神经网络理论又成为信息并行 处理的基础， ＰＤＰ（ 并行分布处理） 成 为 ２０ 世 纪 ８０ 年 代 中 后 期 的 一 个 研 究新热点， 它进一步拓展了计算概念的内涵， 使神经计算、进化计算成为 新的研究领域。事实上， 神经网络理论研究的前沿问题将渗透到 ２１ 世纪 科学的挑战性问题中， 不过， 由于目前人类对真实神经系统了解非常有 限， 对于自身脑结构及其活动机理的认识还非常浮浅， 因此， 人工神经网 络 的 完 善 与 发 展 还 有 待 于 神 经 生 理 学 、神 经 解 剖 学 的 研 究 给 出 更 加 详 细 的研究和证据。
做好绿地的养护管理工作， 还必须加强专业技术的指导， 面向社会单位
深度神经网络的发展现状
深度神经网络的发展现状深度神经网络（Deep Neural Network，DNN）是一种具有多层神经元的人工神经网络，其结构与人类的神经系统相似。
近年来，随着计算机硬件与算法技术的不断进步，深度神经网络在图像识别、自然语言处理、语音识别等领域取得了广泛应用，成为了人工智能领域的热门技术之一。
本文将就深度神经网络的发展现状进行探讨。
1. 深度神经网络的基本结构深度神经网络通常由输入层、隐藏层和输出层组成。
每个层都由若干个神经元构成，神经元之间的连接带有权重，且每个神经元都有一个激活函数，用于计算该神经元的输出值。
其中，输入层负责接收外部输入的数据，隐藏层则负责处理输入数据，提取数据中的特征，输出层则负责根据输入数据得到相应的输出结果。
2. 深度神经网络的训练方法深度神经网络的训练方法通常采用反向传播算法。
该算法通过计算网络输出值与实际结果之间的误差，然后按照一定的规则进行权重调整，从而不断完善网络的识别能力。
此外，还有很多针对深度神经网络的优化算法，如随机梯度下降法（Stochastic Gradient Descent，SGD）、Adagrad、Adam等。
这些优化算法能够在保证深度神经网络训练效果的同时，加快训练速度。
3. 深度神经网络的应用领域深度神经网络在图像识别、自然语言处理、语音识别等领域取得了广泛应用，为人工智能技术的发展提供了有力的支持。
在图像识别领域，深度神经网络可以对图片进行快速、准确的分类和识别，例如识别车牌、人脸等。
在自然语言处理领域，深度神经网络可以用于自然语言的情感分析、机器翻译、语言模型建立等。
在语音识别领域，深度神经网络能够通过处理语音信号，将语音转化为文本，实现不同语言之间的互识。
4. 深度神经网络的发展趋势随着互联网的不断普及和数据的不断积累，深度神经网络将会在更多的领域得到应用。
而在深度神经网络本身的研究方面，还有一些重要问题需要解决：（1）更高效的训练算法：当前的训练算法还需要不断优化，使深度神经网络能够更加高效地学习和处理数据；（2）更深度的网络结构：随着网络深度的增加，网络模型的复杂度也会不断提高，需要解决网络训练过程中的梯度消失和梯度爆炸问题；（3）更好的可解释性：深度神经网络是一种“黑箱”模型，其内部运作的机制需要更好地解释和理解。
神经网络技术的发展和应用前景
神经网络技术的发展和应用前景神经网络是一种模仿生物神经系统工作原理而设计的计算模型，其主要作用在于从大量数据中挖掘出数据的内部联系和规律性。
神经网络模型的原理和独特的数据处理手段，使它在计算机学习、图像处理、语音识别、自然语言处理等领域有着广泛的应用。
随着计算机技术的发展和神经科学领域的发展，神经网络技术也在不断进步，应用范围也不断扩大，其在许多领域的应用前景十分广阔。
一、神经网络技术的历史与发展神经网络技术的概念最早可以追溯到上世纪40年代的神经学研究。
1943年，心理学家麦克卡洛克和皮茨等人首次提出了神经元模型，以模拟人脑的工作原理。
随着计算机技术的发展，神经网络开始在计算机科学领域得到越来越多的研究关注。
1969年，J.L.Kohonen提出了自组织神经网络的概念，此后，神经网络在模式识别和分类等领域得到了广泛应用。
1986年，Hinton和Rumelhart提出BP神经网络学习算法，大大提高了神经网络的训练效果和速度，标志着神经网络发展进入了一个新的阶段。
此后，随着深度学习算法和各种新型神经网络模型的出现，神经网络技术得到极为迅猛的发展，应用范围也更是扩大。
二、神经网络技术的应用1. 计算机视觉计算机视觉是将计算机应用于从图像或者多维数据中识别、分析信息的一种技术。
神经网络技术在计算机视觉领域有着广泛的应用。
其通过对图像进行分类、分割、对象检测等处理，实现了对图像的识别和分析。
例如，常见的面部识别技术、人脸识别技术等均是基于神经网络算法实现的。
2. 语音识别语音识别技术利用计算机对语音信号进行分析和处理，将声学信号转化为文本或者指令。
神经网络技术在语音识别领域的应用也非常广泛。
它可以通过将语音信号转换成频率等参数，加以预处理，利用循环神经网络模型进行特征提取和语音识别，实现更加准确和快速的语音识别效果。
3. 自然语言处理自然语言处理是一种对自然语言进行处理和分析的技术。
随着语音识别技术得到发展，自然语言处理技术也应运而生。
神经网络的发展与应用
神经网络的发展与应用人工神经网络，简称神经网络，是一种模拟人脑神经系统的计算模型，它通过模拟神经元之间的信息传递和计算过程，实现了信息处理和智能决策。
从20世纪50年代起，神经网络就开始吸引越来越多的研究者，至今已有数十年的发展历程。
本文将回顾神经网络的发展史，介绍其主要应用场景和未来趋势。
一、神经网络的发展历史题海战术是练好神经网络的关键。
在1960年代到1980年代，美国、英国、日本、德国等国家和地区的专家纷纷投身于神经网络的研究当中。
这一时期，神经网络的基本理论，包括前馈神经网络、反馈神经网络、Hopfield 网络、Boltzmann机等模型先后被提出。
其中，前馈神经网络主要用于解决分类、识别、回归等问题，反馈神经网络主要用于时序预测、神经信号处理、优化问题等；而Hopfield网络和Boltzmann机则用于解决优化问题和联想记忆问题。
然而，由于数据量小、计算能力有限、学习算法不稳定等因素的限制，神经网络的应用一度受到限制。
1990年代以后，随着计算机和网络技术的迅速发展，大数据时代的到来，神经网络得到了前所未有的发展机遇。
神经网络的各个领域都经历了飞跃式的发展，特别是深度学习的应用，更是引领了神经网络技术的潮流。
二、神经网络的应用场景神经网络已经成为人工智能、机器学习中最重要的技术手段之一，几乎涉及到所有方面的应用场景。
以下将介绍几个具有代表性的应用案例。
1. 图像识别在图像识别领域，卷积神经网络(CNN)是当今最流行的神经网络之一。
它可以对图像进行特征提取和识别，广泛应用于人脸识别、车辆识别、智能安防等领域。
例如，当今最先进的人脸识别技术，就是基于CNN网络实现的。
2. 语音识别语音识别是另一个广泛应用神经网络的领域。
深度循环神经网络(RNN)和长短时记忆网络(LSTM)都是可以处理语音信号序列的网络模型，它们的应用范围包括语音识别、文本转语音(ConvTTS)等，可以极大地提高语音识别的准确率和稳定性。
神经网络的现状与发展趋势
神经网络的现状与发展趋势一、引言人工神经网络（Artificial Neural Network, ANN）是一种通过模拟人类神经系统实现信息处理、表达和识别的计算模型。
自 1943 年 McCulloch 和 Pitts 提出 ANNs 模型以来，神经网络成为了人工智能领域研究的热点之一，并在计算机视觉、语音识别、自然语言处理、数据挖掘、模式识别等方面取得了卓越成果。
随着技术和应用的不断深入，神经网络技术也在不断发展和成熟。
本文将阐述神经网络的现状与发展趋势。
二、神经网络的现状1.神经网络应用领域广泛神经网络现在应用在各个领域中，包括医疗、金融、保险、制造业、游戏等。
在医疗领域中，神经网络广泛应用于癌症筛查、药物研发、疾病预测等方面；在金融领域中，神经网络被用于股票价格预测、风险评估、欺诈检测等方面；在游戏领域中，神经网络被广泛用于图像处理、行为预测等方面。
神经网络在这些领域中具有较高的精度和灵活性，成为了人工智能技术中不可或缺的一部分。
2.深度学习技术的广泛应用深度学习作为神经网络技术的分支之一，逐渐成为了人工智能应用的主流。
深度学习通过多个隐层来逐步提取数据的高层次特征，大幅度提高了模型的准确性和鲁棒性。
目前，深度学习模型已经迅速应用于语音识别、机器翻译、自然语言处理、图像、视频等多个领域中。
深度学习的发展极大地促进了人工智能技术的研究和应用。
3.大数据技术的支持大数据技术是神经网络技术得以快速发展和应用的重要因素。
神经网络需要大量的数据进行训练和调整，而大数据时代的到来使得海量数据的存储和挖掘变得更加容易。
此外，人工智能应用也逐渐从精准分析转向预测和决策，并需要从大规模数据中发现规律和趋势。
大数据技术在神经网络技术的发展和应用中发挥了重要的作用。
三、神经网络的发展趋势1.自适应神经网络的发展传统的神经网络技术需要大量的人工调试和参数设置，而自适应神经网络技术可以根据自身的表现动态调整参数，自我进化。
神经网络的发展历程
神经网络的发展历程神经网络作为一种模拟大脑工作方式的计算机技术，可以用来识别图像、语音、自然语言等各种数据，被广泛应用于机器学习、深度学习等领域。
神经网络的发展历程可以追溯到上个世纪初期，下面我们来看一下其发展的历程。
一、早期神经网络神经网络的早期基础可以追溯到1940年代，当时神经科学家McCulloch和Pitts提出了一个简单的神经元模型，即McCulloch-Pitts神经元模型。
这个神经元模型可以接收多个输入，并以非线性的方式进行计算（通常是采用阈值函数），将计算结果输出。
1958年，美国心理学家Frank Rosenblatt发布了第一个可以自我训练的人工神经元模型，即感知机（Perceptron）。
感知机可以接收多个输入信号，并以加权的形式对其进行计算，当计算结果超过阈值时，激活输出。
感知机使用了反向传播算法（Backpropagation）来进行误差的反馈和权重的学习，从而达到了自我训练的目的。
感知机受到了广泛的关注和应用，被誉为“神经网络之父”。
二、神经网络的低谷期1970年代，神经网络遭遇了一次挫折。
当时，美国计算机科学家Marvin Minsky和Seymour Papert发表了《逆境的心理学》一书，批判了感知机模型的局限性，认为它只能用来解决线性可分问题，无法处理非线性问题。
这导致了神经网络的低谷期，研究者们转而研究其他机器学习算法，比如决策树、支持向量机等。
三、神经网络的复兴1980年代，随着计算机技术的进步和神经网络理论的不断完善，神经网络再次引起了广泛的关注。
美国加州大学教授David Rumelhart和Geoffrey Hinton等人提出了BP神经网络模型，该模型可以用来解决非线性问题，并在OCR、语音识别等领域取得了成功。
1990年代，Radial Basis Function（RBF）神经网络、自组织神经网络（Self-Organizing Neural Network，SONN）等模型相继被提出。
- 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)。
法治绿， 明确园林绿地所有者的养护管理职责和质量标准， 对绿地的养
管理技术。加强养护队伍专业技术的建设， 按技术操作规程进行作业， 建
护管理质量采取法定的制约。
立技术责任制， 充分发挥技术人员的作用， 明确技术职权、责任。
３．２ 做好养护管理工作
如 果 说 园 林 绿 化 的 行 政 管 理 侧 重 于 宏 观 的 、行 业 的 、间 接 的 管 理 和
（ ２） 对信息的并行分布式综合优化处理能力。神经网络的大规模互 联网络结构， 使其能很快地并行实现全局性的实时信息处理， 并很好地 协调多种输入信息之间的关系， 兼容定性和定量信息， 这是传统的串联 工作方式所无法达到的效果， 非常适合于系统控制中的大规模实时计 算。同时， 某些神经网络模型本身就具有自动搜索能量函数极值点的功 能， 这种优化计算能力在自适应控制设计中是十分有用的。
当 然 ， 在 具 体 应 用 时 ， 神 经 网 络 结 构 和 参 数 的 选 择 、学 习 样 本 的 选 取 、初 值 的 设 定 、学 习 算 法 的 收 敛 性 及 多 信 息 的 融 合 等 也 是 必 须 考 虑 的
１９４３ 年， ＭｃＣｕｌｌｏｃｈ 和 Ｐｉｔｔｓ 提出了神经元的形式化模型， 神经元 可 用简单的 ｚｈａ 值函数表示， 并完成逻辑函数功能。
１９４９ 年， Ｄ．Ｈｅｂｂ 认为信息能被存储在神经元的联结上， 提出了更新 神经元联结的学习机制， 目前被称为 Ｈｅｂｂ 学习规则。
１９５８ 年 ， Ｆ．Ｒｏｓｅｎｂｌａｔｔ 提 出 了 感 知 机 ， 通 过 修 改 联 结 的 权 值 ， 它 能 学 习分类一定的模式。因感知器的概念简单， 首次提出时很受重视， 但最后 Ｍｉｎｓｋｙ 和 Ｐａｐｅｒｔ 从数学上证明： 感知器不能完成复杂的逻辑函数。
１ 神经网络的发展及分类
十年来， 针对神经网络的学术研究大量涌现， 它们当中提出了数百种神 经 网 络 ， 涉 及 联 想 记 忆 、自 学 习 与 自 组 织 、计 算 机 视 觉 等 众 多 的 方 面 ， 取 得了引人瞩目的进展。
由于神经网络是高度非线性动力学系统， 又是自适应自组织系统， 可 用 来 描 述 认 知 、决 策 及 控 制 等 的 智 能 行 为 ， 使 得 智 能 的 认 识 和 模 拟 成 为 神 经 网 络 理 论 研 究 的 一 个 重 要 方 面 。而 这 方 面 的 研 究 与 我 们 对 人 脑 结 构的认识和研究有着密切的关系， 同时， 神经网络理论又成为信息并行 处理的基础， ＰＤＰ（ 并行分布处理） 成 为 ２０ 世 纪 ８０ 年 代 中 后 期 的 一 个 研 究新热点， 它进一步拓展了计算概念的内涵， 使神经计算、进化计算成为 新的研究领域。事实上， 神经网络理论研究的前沿问题将渗透到 ２１ 世纪 科学的挑战性问题中， 不过， 由于目前人类对真实神经系统了解非常有 限， 对于自身脑结构及其活动机理的认识还非常浮浅， 因此， 人工神经网 络 的 完 善 与 发 展 还 有 待 于 神 经 生 理 学 、神 经 解 剖 学 的 研 究 给 出 更 加 详 细 的研究和证据。
以上主要特性适应了控制理论和控制工程领域发展的基本要求， 能 解决其中所遇到的问题， 因此， 必然使神经网络在该领域获得广泛的应 用 。对 于 被 控 系 统 模 型 参 数 的 不 确 定 性 变 化 以 及 模 型 结 构 本 身 的 扰 动 问 题， 神经网络所具有的自学习和自适应能力使其能够实时地模拟被控对 象的特性变化， 同时， 即使当被控对象输出与模型输出存在一定误差时， 其容错特性也会使控制系统具有一定的鲁棒性。另外， 神经网络的标准 结构和模拟精度为解决非线性系统的自适应控制问题提供了一种标准 框架。同时， 作为一种本质的分布式并行信息处理系统， 为被控系统的分 布式信息处理和综合提供了一种有效的融合处理途径。
１４８
谢承泮 神经网络发展综述
本刊 Ｅ－ ｍａｉｌ：ｂｊｂ＠ｍａｉｌ．ｓｘｉｎｆｏ．ｎｅｔ 综 述
自 组 织（ Ａｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｔｙ， ＡＲＴ） 映 射 理 论 ， 网 络 的 动 态 特 性 用 一阶微分方程描述。Ｋｏｈｏｎｅｎ 发展了自组织映射。
１９８２ 年， Ｊ．Ｈｏｐｆｉｅｌｄ 提出了 Ｈｏｐｆｉｅｌ 神经网络， 又掀起了 神 经 网 络 研 究的一个热潮。
摘 要： 介绍了神经网络产生和发展的过程， 阐述了神经网络的定义和特点， 指出神经
网络在控制系统和计算机领域的广泛应用将使电子科学和信息科学产生革命性的变
革。
关键词： 神经网络； 机器学习； 控制系统； 并行分布处理
中图分类号： ＴＰ１８３
文献标识码： Ａ
作为一门活跃的边缘性交叉科学， 人工神经网络的研究与应用成为 人 工 智 能 、认 知 科 学 、神 经 生 理 学 、非 线 性 动 力 学 等 相 关 专 业 的 热 点 。 近
３ 神经网络适应于控制领域的主要特征与难点
神经网络的性能是由其结构特征和基本处理单元的特性所决定的， 并与其学习算法有关。它之所以能在控制系统中得到如此广泛的应用， 与 自 动 控 制 理 论 的 发 展 需 要 是 密 切 相 关 的 。自 动 控 制 理 论 从 经 典 控 制 理 论到现代控制理论， 现在已经发展到智能控制理论。传统的基于串行计 算机理的 Ｖｏｎ Ｎｅｕｍａｎｎ 型计算机面对复杂的职能控制需求， 在对环境变 化的自适应特性和实时大规模计算等方面已显示出根本性的缺陷， 而神 经网络所表现的许多特点恰好预示着在控制领域中的应用可能是使控 制理论摆脱困境的一条有效途径。
（ ３） 高强的容错能力。神经网络的并行处理机制及冗余结构特性使 其具有较强的容错特性， 提高了信息处理的可靠性和鲁棒性。
（ ４） 对学习结果的泛化能力和自适应能力。经过适当训练的神经网 络具有潜在的自适应模式匹配功能， 能对所学信息加以分布式存储和泛 化， 这是其职能特性的重要体现。
（ ５） 便于集成实现和计算模拟。神经网络在结构上是相同神经元的 大规模组合， 特别适合于用大规模集成电路实现， 也适合于用现有计算 技 术 进 行 模 拟 实 现 。但 现 有 的 计 算 机 运 算 方 式 与 神 经 网 络 所 要 求 的 并 行 运算和分布存储方式是截然不同的， 所以两者在运算时间上必然存在着 显著差异。
科技情报开发与经济
ＳＣＩ－ ＴＥＣＨ ＩＮＦＯＲＭＡＴＩＯＮ ＤＥＶＥＬＯＰＭＥＮＴ ＆ ＥＣＯＮＯＭＹ
文章编号： １００５－ ６０３３（ ２００６） １２－ ０１４８－ ０３
神经网络发展综述
２００６ 年 第 １６ 卷 第 １２ 期 收稿日期： ２００６－ ０３－ １４
谢承泮
（ 太原生产力促进中心， 山西太原， ０３０００２）
由 于 园 林 绿 化 具 有 长 期 性 和 连 续 性 、技 术 性 和 艺 术 性 、地 域 性 和 季
监 控 ， 那 么 绿 地 养 护 则 侧 重 于 微 观 的 、直 接 的 、具 体 的 技 术 性 的 作 业 ， 只
节性、景观的综合性和可塑性等特点， 所以， 园林绿地的质量是随着时间
（ １） 非线性映射逼近能力。已有理论证明， 任意的连续非线性函数映 射关系可由某一多层神经网络以任意精度加以逼近。这种组成单元简 单 、结 构 有 序 的 模 型 是 非 线 性 系 统 建 模 的 有 效 框 架 模 型 ， 预 示 着 神 经 网 络在具有挑战性的非线性控制领域上有很好的应用前景。
２０ 世纪 ８０ 年代中期， Ｒｕｍｅｌｈｅｒｔ 和他的同事们出版了著名的并行分 布 式 处 理（ Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ） 专 著 ， 建 立 了 ＢＰ 算 法 和 前 向 神 经网络。９０ 年代， 又提出了基于知识的人工神经网络和进化神经网络等。
神经网络的类型可分为： 前向神经网络、反馈神经网络、随机神经网 络及自组织神经网络等。
做好绿地的养护管理工作， 还必须加强专业技术的指导， 面向社会单位
大学果树专业， 副教授， 太原大学外语师范学院园艺系， 山西省太原市南
定期进行技术培训， 不断吸收新的科学技术知识， 正确应用先进的养护
内环街南三巷 ２０ 号， ０３００１２．
Ｄｉｓｃｕｓｓｉｏｎ ｏｎ ｔｈｅ Ｉｍｐｏｒ ｔａｎｔ Ｒｏｌｅ ｏｆ ｔｈｅ Ｍａｉｎｔｅｎａｎｃｅ ａｎｄ Ｍａｎａｇｅｍｅｎｔ ｉｎ ｔｈｅ Ｃｏｎｓｔｒ ｕｃｔｉｏｎ ｏｆ ｔｈｅ Ｇａｒ ｄｅｎ Ｇｒ ｅｅｎ－ ｓｐａｃｅ
ＭＡＯ Ｚｉ－ｍｉｎ
ＡＢＳＴＲＡＣＴ： Ｔｈｉｓ ｐａｐｅｒ ｅｍｐｈａｓｉｚｅｓ ｔｈｅ ｉｍｐｏｒｔａｎｃｅ ａｎｄ ｔｈｅ ｎｅｃｅｓｓｉｔｙ ｏｆ ｔｈｅ ｍａｉｎｔｅｎａｎｃｅ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｏｆ ｇｒｅｅｎ － ｓｐａｃｅ ｉｎ ｔｈｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｔｈｅ ｅｃｏｌｏｇｉｃａｌ ｇａｒｄｅｎ ｃｉｔｉｅｓ ｔｈｒｏｕｇｈ ａｎａｌｙｚｉｎｇ ｓｏｍｅ ｐｒｏｂｌｅｍｓ ｅｘｉｓｔｉｎｇ ｉｎ ｔｈｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｇａｒｄｅｎ ｇｒｅｅｎ－ ｓｐａｃｅ， ａｎｄ ｐｕｔｓ ｆｏｒｗａｒｄ ｓｏｍｅ ｓｕｇｇｅｓｔｉｏｎｓ ｏｎ ｉｎｃｒｅａｓｉｎｇ ｔｈｅ ｌｅｖｅｌ ｏｆ ｔｈｅ ｍａｉｎｔｅｎａｎｃｅ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｏｆ ｔｈｅ ｇｒｅｅｎ－ ｓｐａｃｅ ａｎｄ ｃｏｎｓｏｌｉｄａｔｉｎｇ ｔｈｅ ａｃｈｉｅｖｅｍｅｎｔｓ ｏｆ ｔｈｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｔｈｅ ｇａｒｄｅｎ ｇｒｅｅｎｉｎｇ． ＫＥＹ ＷＯＲＤＳ： ｇａｒｄｅｎ ｇｒｅｅｎ－ ｓｐａｃｅ； ｕｒｂａｎ ｇｒｅｅｎｉｎｇ； ｍａｉｎｔｅｎａｎｃｅ ａｎｄ ｍａｎａｇｅｍｅｎｔ２ Nhomakorabea经网络的定义
神经网络是由多个简单的处理单元彼此按某种方式相互连接而形 成的计算机系统， 该系统通过对连续或断续式的输入作状态响应而进行 信息处理。虽然每个神经元的结构和功能十分简单， 但由大量神经元构 成的网络系统的行为确实丰富多彩和十分复杂。