前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經(jīng)網(wǎng)絡(luò)的算法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)；誤差

1.引言

許多金融學(xué)家和計(jì)量學(xué)家對(duì)發(fā)達(dá)國(guó)家成熟市場(chǎng)的波動(dòng)性進(jìn)行了廣泛的研究，但是在對(duì)股市的預(yù)測(cè)上，由于人們?cè)谥R(shí)、能力、經(jīng)驗(yàn)上存在著較大的差異，加之問(wèn)題本身又具有很大的隨機(jī)性和高度的非線(xiàn)性，即使是一些金融專(zhuān)家、炒股高手對(duì)出現(xiàn)的同一復(fù)雜行情進(jìn)行分析，往往也會(huì)得出不同的結(jié)論。此外，傳統(tǒng)方法還要事先知道各種參數(shù)，以及這些參數(shù)在什么情況下應(yīng)作怎樣的修正。這都給預(yù)測(cè)股市帶來(lái)一定的困難。

基于以上股市預(yù)測(cè)的困難性，本文提出了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。隨著計(jì)算機(jī)、人工智能尤其是專(zhuān)家系統(tǒng)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸成熟并開(kāi)始應(yīng)用于各個(gè)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（ANN，簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)）作為一種由大量簡(jiǎn)單神經(jīng)元廣泛相互聯(lián)接而成的非線(xiàn)性映射或自適應(yīng)動(dòng)力系統(tǒng)，恰好能有效解決股市預(yù)測(cè)處理中常見(jiàn)的困難，因此它很快在股市預(yù)測(cè)分析與處理領(lǐng)域得到了廣泛的應(yīng)用。

2.BP神經(jīng)網(wǎng)絡(luò)介紹

2.1 BP 網(wǎng)絡(luò)算法的基本原理

2.1.1 標(biāo)準(zhǔn)的BP 網(wǎng)絡(luò)算法的基本原理

BP(Back Propagation)網(wǎng)絡(luò)是反向傳播的多層前饋式網(wǎng)絡(luò)，是目前使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。它的核心是BP算法，一種對(duì)于多基本子系統(tǒng)構(gòu)成的大系統(tǒng)進(jìn)行微商計(jì)算的嚴(yán)格而有效的方法，采用最小均方差學(xué)習(xí)方式。BP 神經(jīng)網(wǎng)絡(luò)的原理說(shuō)到底就是給它一些輸入變量，然后就有一個(gè)輸出，輸出值的情況與實(shí)際的情況進(jìn)行比較，差多少，然后再進(jìn)行網(wǎng)絡(luò)的內(nèi)部調(diào)整，屬于有導(dǎo)師的學(xué)習(xí)規(guī)則，使得網(wǎng)絡(luò)輸出與實(shí)際逼近。

神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入―輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。人工神經(jīng)網(wǎng)絡(luò)由非線(xiàn)性函數(shù)組成，而由一系列不同權(quán)重的線(xiàn)性過(guò)濾器組合而成：

2.1.2 BP網(wǎng)絡(luò)算法的優(yōu)化

由于常用的BP算法主要缺點(diǎn)為收斂速度慢，局部極值，難以確定隱含層和隱含層的個(gè)數(shù)，使得在實(shí)際應(yīng)用中BP算法很難應(yīng)用，因此，出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑，一種是采用啟發(fā)式學(xué)習(xí)方法；另一種則是采用更有效的優(yōu)化算法，本文采用了動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整的策略，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。動(dòng)量法降低了網(wǎng)絡(luò)對(duì)于誤差曲面局部極值的敏感性，有效地抑制了網(wǎng)絡(luò)陷于局部極小。

2.2 BP神經(jīng)網(wǎng)絡(luò)的模型識(shí)別及步驟

模式通常指對(duì)事物的一種定量描述或結(jié)構(gòu)描述，“識(shí)別”是指對(duì)客觀事物按其物理特征進(jìn)行分類(lèi)。模式識(shí)別的基本原理就是從待識(shí)別對(duì)象和理想標(biāo)本之間若干特征的相似性推斷它們之間總體的相似性。BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別過(guò)程分為訓(xùn)練階段和模式分類(lèi)階段，分為初始化、數(shù)據(jù)與處理、網(wǎng)絡(luò)訓(xùn)練以及模式分類(lèi)四個(gè)步驟。以下利用實(shí)證分析來(lái)進(jìn)行著四個(gè)步驟。

3.實(shí)例分析

下面以上證的某股600個(gè)交易日的股票價(jià)格收盤(pán)指數(shù)作為原始樣本數(shù)據(jù)，對(duì)上述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求解，預(yù)測(cè)20天的收盤(pán)價(jià)，與實(shí)際收盤(pán)價(jià)進(jìn)行比較，并求出其誤差：

式中，表示第日的實(shí)際收盤(pán)指數(shù)，表示第日的預(yù)測(cè)值，表示誤差。主要按照如下幾部分來(lái)處理：（1）準(zhǔn)備600個(gè)數(shù)據(jù)的時(shí)間序列，進(jìn)行歸一化。BP神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元的輸出值由傳遞函數(shù)Sigmoid函數(shù)來(lái)計(jì)算，其輸出值的范圍是（0，1）；（2）留出最后20個(gè)數(shù)據(jù)，作為預(yù)測(cè)檢驗(yàn)使用；（3）繪制圖像，包括實(shí)際值和預(yù)測(cè)值，能量函數(shù)；（4）分析實(shí)際和預(yù)測(cè)兩曲線(xiàn)的趨勢(shì)。

采用I-J-K學(xué)習(xí)模型，該模型是輸入層I個(gè)神經(jīng)元，隱層J 個(gè)神經(jīng)元，輸出層K個(gè)神經(jīng)元。利用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練500次、800次、1000次的輸出值和期望值以及能量函數(shù)（或者叫誤差函數(shù)）E，結(jié)果見(jiàn)圖1到圖3。

通過(guò)上面的圖示，可以看到用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果比較明顯，這說(shuō)明該模型適用于短期預(yù)測(cè)嗎，股市的波動(dòng)在很多地區(qū)都是非常劇烈的，各種因素的綜合作用也使得長(zhǎng)期股指的變動(dòng)具有極大的不確定性，使得預(yù)測(cè)變得很困難。而B(niǎo)P網(wǎng)絡(luò)的算法原理和自學(xué)習(xí)的特點(diǎn)使其能夠充分挖掘出隱含在樣本數(shù)據(jù)中的規(guī)律性，實(shí)現(xiàn)從輸入空間到輸出空間的非線(xiàn)性映射，對(duì)樣本數(shù)據(jù)進(jìn)行精確的擬合。從而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的方法對(duì)于股市上的一些很難看出規(guī)律的數(shù)據(jù)列的預(yù)測(cè)而言，無(wú)疑是一個(gè)比較精確的預(yù)測(cè)方法。

4.結(jié)論

本文介紹了股市的特點(diǎn)以及股市預(yù)測(cè)的困難性，提出了利用BP神經(jīng)網(wǎng)絡(luò)的方法來(lái)解決股市預(yù)測(cè)問(wèn)題。文章介紹了BP神經(jīng)網(wǎng)絡(luò)算法的基本原理，BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別及步驟，最后后以上海證券交易所每日股票價(jià)格收盤(pán)指數(shù)為分析對(duì)象，把原理應(yīng)用于實(shí)際，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)股票價(jià)格收盤(pán)指數(shù)進(jìn)行了短期預(yù)測(cè)，并計(jì)算出預(yù)測(cè)值和實(shí)際值的誤差。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)該模型收斂速度快，預(yù)測(cè)精度非常高，對(duì)預(yù)測(cè)短周期內(nèi)股指波動(dòng)具有較強(qiáng)的適用性。

參考文獻(xiàn)

[1]高琴.人工神經(jīng)網(wǎng)絡(luò)在股市預(yù)測(cè)模型中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī),2007年第24卷第11期.

[2]周翠紅,路邁西.線(xiàn)性回歸與人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤炭發(fā)熱量[J].煤炭科學(xué)技術(shù),第37卷第12期.

[3]尹慶雙,奉瑩.人工神經(jīng)網(wǎng)絡(luò)在第三產(chǎn)業(yè)就業(yè)分析中的應(yīng)用[J].人口與經(jīng)濟(jì),2009年第6期.

[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術(shù)平臺(tái)人工神經(jīng)網(wǎng)絡(luò)BP模型及應(yīng)用[J].水文,第30卷第1期.

[5]康進(jìn),劉敬偉.非參數(shù)回歸估計(jì)與人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)效果比較[J].統(tǒng)計(jì)與決策,2009年第23 期.

[6]楊本昭,田耕.基于人工神經(jīng)網(wǎng)絡(luò)的客戶(hù)價(jià)值分類(lèi)研究[J].科技管理研究,2007年第12期.

第2篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

關(guān)鍵詞: 人工神經(jīng)網(wǎng)絡(luò)BP算法改進(jìn)BP算法倒立擺小車(chē)

1.引言

倒立擺系統(tǒng)是時(shí)變的、非線(xiàn)性、多變量和自然不穩(wěn)定系統(tǒng),在控制過(guò)程中,它能有效地反映可鎮(zhèn)定性、魯棒性、隨動(dòng)性和跟蹤等許多控制中的關(guān)鍵問(wèn)題,是檢驗(yàn)各種控制理論的理想模型。人工神經(jīng)網(wǎng)絡(luò)BP算法,在多變量輸入情況下具有精度高、實(shí)現(xiàn)快、算法簡(jiǎn)單、魯棒性好等優(yōu)點(diǎn),從而滿(mǎn)足了系統(tǒng)的要求[1]。

2.人工神經(jīng)網(wǎng)絡(luò)BP算法簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)(ANN)由于具有信息的分布存儲(chǔ)、并行處理和自學(xué)習(xí)能力等優(yōu)點(diǎn),在信息處理、模式識(shí)別、智能控制等領(lǐng)域得到了越來(lái)越廣泛的應(yīng)用。近年來(lái),已有多種ANN模型被提出研究,80%―90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或其改進(jìn)形式,它是前向網(wǎng)絡(luò)的核心部分,體現(xiàn)了網(wǎng)絡(luò)最精華的部分[2]。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)是根據(jù)Widrow―Hoff規(guī)則,采用梯度下降算法,主要由信息信號(hào)的正向傳播和誤差信號(hào)的反向傳播兩部分組成。

但BP網(wǎng)絡(luò)存在需較長(zhǎng)的訓(xùn)練時(shí)間、收斂于局部極小值等缺點(diǎn),為此人們對(duì)BP算法進(jìn)行了許多改進(jìn)。改進(jìn)主要有兩類(lèi):一類(lèi)采用啟發(fā)式技術(shù),如附加動(dòng)量法、自適應(yīng)學(xué)習(xí)率法;另一類(lèi)是采用數(shù)字優(yōu)化技術(shù),如共軛梯度法、擬牛頓法、Levenberg―Marquardt(LM)法[3]。由于LM算法收斂速度最快,精度較高,且經(jīng)過(guò)大量仿真實(shí)驗(yàn)分析比較,LM效果最好,故我們采用LM法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

LM優(yōu)化方法權(quán)重和閾值更新公式[4]為:

其中J為誤差對(duì)權(quán)值微分的雅可比矩陣,e為誤差向量,μ為一個(gè)標(biāo)量。依賴(lài)于μ的幅值,該方法光滑地在兩種極端情況之間變化,即牛頓法(當(dāng)μ0)和著名的最陡下降法(當(dāng)μ∞)。

3.神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

3.1訓(xùn)練樣本的選取

BP神經(jīng)網(wǎng)絡(luò)在未經(jīng)任何訓(xùn)練的情況下,不能作為系統(tǒng)控制器使用。在實(shí)際仿真過(guò)程中,我們選擇極點(diǎn)配置控制為BP網(wǎng)絡(luò)的教師進(jìn)行學(xué)習(xí),經(jīng)過(guò)試探訓(xùn)練,樣本數(shù)為2000時(shí)結(jié)果較為合理,此時(shí)樣本數(shù)據(jù)能夠反映系統(tǒng)的基本特征,可以得到預(yù)期的仿真結(jié)果。極點(diǎn)配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。

3.2 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)設(shè)計(jì)時(shí),增加層數(shù)主要可以進(jìn)一步降低誤差,提高精度,但卻使網(wǎng)絡(luò)復(fù)雜化。而增加隱含層的神經(jīng)元數(shù)也可提高誤差精度,且訓(xùn)練效果更易觀察和調(diào)整。為了使誤差盡可能小,我們要合理選擇初始權(quán)重和偏置,如果太大就容易陷入飽和區(qū),導(dǎo)致停頓,一般應(yīng)選為均勻分布的小數(shù),介于(-1,1)。

根據(jù)需要,在網(wǎng)絡(luò)初始化時(shí),BP采用0.5*Rands函數(shù)初始化權(quán)值,權(quán)值初始值選在(-0.5,0.5),選取訓(xùn)練目標(biāo)誤差為0.0001,訓(xùn)練次數(shù)上限為5000次。通過(guò)多次仿真實(shí)驗(yàn)性能比較,選取[4 9 1]的單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隱含層、輸出層分別采用Tansig、Purelin函數(shù),仿真實(shí)驗(yàn)表明變學(xué)習(xí)率訓(xùn)練算法訓(xùn)練時(shí)間長(zhǎng),5000次還不能達(dá)到所要求的精度,且系統(tǒng)容易發(fā)散,控制倒立擺效果不好,采用改進(jìn)的LM訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練可以得到較好的控制效果且訓(xùn)練時(shí)間短。在實(shí)際仿真過(guò)程中,BP網(wǎng)絡(luò)經(jīng)過(guò)53次訓(xùn)練即達(dá)到了訓(xùn)練目標(biāo)。

4.BP網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖1分別給出了倒立擺小車(chē)位移、擺角和控制力的BP算法與極點(diǎn)配置算法仿真曲線(xiàn)對(duì)比圖,仿真結(jié)果表明:相較極點(diǎn)配置,BP算法精度高、實(shí)現(xiàn)快、魯棒性好,倒立擺小車(chē)在BP算法下只需2.5s左右就可以達(dá)到所設(shè)定精度的穩(wěn)定效果,且超調(diào)量很小,滿(mǎn)足了系統(tǒng)的要求。

5.結(jié)論

通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)BP算法的分析,筆者進(jìn)行了倒立擺小車(chē)改進(jìn)BP算法的控制系統(tǒng)仿真實(shí)驗(yàn)。仿真表明該改進(jìn)BP算法收斂性好、計(jì)算量小,尤其在非線(xiàn)性和魯棒控制等領(lǐng)域具有良好的應(yīng)用前景。BP神經(jīng)網(wǎng)絡(luò)從理論上可以逼近任意非線(xiàn)性函數(shù),所以它特別適合控制像倒立擺這樣的嚴(yán)重非線(xiàn)性、多變量系統(tǒng)。

參考文獻(xiàn):

[1]于秀芬,段海濱,龔華軍.基于人工神經(jīng)網(wǎng)絡(luò)BP算法的倒立擺控制研究[J].測(cè)控技術(shù),2003,22(3):41-44.

[2]張志華,朱章森,李儒兵.幾種修正的自適應(yīng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用[J].地球科學(xué),1998,23(2):179-182.

[3]蘇高利,鄧芳萍.論基于Matlab語(yǔ)言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法[J].科技通報(bào),2003,19(2):130-135.

第3篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

關(guān)鍵詞：BP算法；神經(jīng)網(wǎng)絡(luò)；工業(yè)品出廠價(jià)格指數(shù)

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2012）08-0112-02

0引言

工業(yè)品出廠價(jià)格指數(shù)（PPI）是衡量工業(yè)企業(yè)產(chǎn)品出廠價(jià)格變動(dòng)趨勢(shì)和變動(dòng)程度的指數(shù)，是反映某一時(shí)期生產(chǎn)領(lǐng)域價(jià)格變動(dòng)情況的重要經(jīng)濟(jì)指標(biāo)，也是制定有關(guān)經(jīng)濟(jì)政策和國(guó)民經(jīng)濟(jì)核算的重要依據(jù)。

工業(yè)品出廠價(jià)格指數(shù)的調(diào)查范圍是工業(yè)企業(yè)出售給本企業(yè)以外所有單位的各種生產(chǎn)資料和直接出售給居民用于生活消費(fèi)的各種生活資料。其中，生產(chǎn)資料包括原材料工業(yè)、采掘工業(yè)和加工工業(yè)3類(lèi)；生活資料包括一般日用品、食品、衣著和耐用消費(fèi)品4類(lèi)。在PPI的結(jié)構(gòu)中，生產(chǎn)資料所占的權(quán)重較大，超過(guò)了70%；生活資料所占的權(quán)重只有不到30%。因此PPI在很大程度上反映的是工業(yè)企業(yè)生產(chǎn)成本的高低。目前我國(guó)PPI覆蓋了全部39個(gè)工業(yè)行業(yè)大類(lèi)，涉及186個(gè)種類(lèi)，4000多種產(chǎn)品。

我國(guó)現(xiàn)行的工業(yè)品價(jià)格指數(shù)是采用算術(shù)平均法編制的。其中除包括工業(yè)企業(yè)售給商業(yè)、外貿(mào)、物資部門(mén)的產(chǎn)品外，還包括售給工業(yè)和其他部門(mén)的生產(chǎn)資料以及直接售給居民的生活消費(fèi)品。通過(guò)工業(yè)生產(chǎn)價(jià)格指數(shù)能觀察出廠價(jià)格變動(dòng)對(duì)工業(yè)總產(chǎn)值的影響。工業(yè)品出廠價(jià)格指數(shù)的計(jì)算公式為：工業(yè)品出廠價(jià)格指數(shù)=工業(yè)總產(chǎn)值總指數(shù)/工業(yè)總產(chǎn)量總指數(shù)×100%。我國(guó)目前編制的工業(yè)品出廠價(jià)格指數(shù)的4種分組：①輕、重工業(yè)分組；②生產(chǎn)資料和生活資料分組；③工業(yè)部門(mén)分組；④工業(yè)行業(yè)分組。權(quán)數(shù)計(jì)算資料來(lái)源于工業(yè)經(jīng)濟(jì)普查數(shù)據(jù)。工業(yè)品出廠價(jià)格指數(shù)的權(quán)數(shù)確定，采用分?jǐn)倷?quán)數(shù)。

在市場(chǎng)經(jīng)濟(jì)活動(dòng)中，資源配置是通過(guò)價(jià)格漲跌引導(dǎo)市場(chǎng)主體的經(jīng)濟(jì)活動(dòng)來(lái)完成的。因此，價(jià)格的波動(dòng)對(duì)經(jīng)濟(jì)運(yùn)行會(huì)有很大的影響，價(jià)格總水平的波動(dòng)也是一個(gè)重要的宏觀經(jīng)濟(jì)現(xiàn)象。通常認(rèn)為PPI反映的是工業(yè)品進(jìn)入流通領(lǐng)域的最初價(jià)格，是制定工業(yè)品批發(fā)價(jià)格和零售價(jià)格的基礎(chǔ)，而CPI反映的是居民購(gòu)買(mǎi)消費(fèi)品的價(jià)格。

為抑制通貨膨脹，中央銀行需要準(zhǔn)確把握通貨膨脹的先行指標(biāo)，從而正確把握經(jīng)濟(jì)和物價(jià)的未來(lái)走勢(shì)并進(jìn)行前瞻性調(diào)控。根據(jù)價(jià)格傳導(dǎo)規(guī)律，PPI對(duì)CPI有一定的影響。研究表明PPI引導(dǎo)了CPI變動(dòng)，其原因是生產(chǎn)資料價(jià)格指數(shù)、生活資料價(jià)格指數(shù)和原材料、燃料和動(dòng)力價(jià)格指數(shù)都引導(dǎo)了CPI變動(dòng)，PPI可以作為我國(guó)通貨膨脹的先行指標(biāo)，政府和學(xué)者可以利用PPI預(yù)測(cè)通貨膨脹[1-2]。PPI是一個(gè)非常復(fù)雜的、受諸多因素影響的非線(xiàn)性系統(tǒng)。如果采用傳統(tǒng)的計(jì)量經(jīng)濟(jì)模型無(wú)法很好地提高預(yù)測(cè)精度。

目前對(duì)PPI預(yù)測(cè)的研究較少，鑒于PPI的時(shí)間序列是是非線(xiàn)性的，為了準(zhǔn)確和客觀地預(yù)測(cè)PPI，采用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。人工神經(jīng)網(wǎng)絡(luò)是目前一種有效的預(yù)測(cè)方法，大量的仿真實(shí)驗(yàn)和理論研究已經(jīng)證明BP算法是一種有效的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，它具有很強(qiáng)的處理非線(xiàn)性問(wèn)題的能力，近年來(lái)已經(jīng)廣泛應(yīng)用到經(jīng)濟(jì)領(lǐng)域中。但在實(shí)際應(yīng)用中，BP算法也暴露出一些自身的缺點(diǎn)，如算法容易陷入局部極值點(diǎn)，收斂速度慢等，這使得BP算法只能解決小規(guī)模的問(wèn)題，求得全局最優(yōu)的可能性較小，這樣限制了BP算法在實(shí)際中的應(yīng)用。因此應(yīng)用改進(jìn)BP算法的人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)PPI。

1PPI預(yù)測(cè)模型的建立

人工神經(jīng)網(wǎng)絡(luò)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)。其信息的處理是通過(guò)學(xué)習(xí)動(dòng)態(tài)修改各神經(jīng)元之間的連接權(quán)值閾值來(lái)實(shí)現(xiàn)的。根據(jù)某一學(xué)習(xí)規(guī)則，通過(guò)修改神經(jīng)元之間的連接權(quán)值和閾值，存儲(chǔ)到神經(jīng)網(wǎng)絡(luò)模型中，建立輸入層神經(jīng)元與輸出層神經(jīng)元之間的高度非線(xiàn)性映射關(guān)系，并通過(guò)學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別新的模式或回憶過(guò)去的記憶。在各種神經(jīng)網(wǎng)絡(luò)模型中，80%-90%的模型采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱(chēng)BP神經(jīng)網(wǎng)絡(luò)）或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。1989年Robert Hecht-Nielson證明了對(duì)于任何的連續(xù)函數(shù)映射關(guān)系都可以用含有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)來(lái)逼近。

BP神經(jīng)網(wǎng)絡(luò)具有非局域性、非線(xiàn)性、非定常性和非凸性，在信息處理方面具有如下顯著特點(diǎn)：BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)和自組織能力，通過(guò)與外界環(huán)境的相互作用，從外界環(huán)境中獲取知識(shí)，把環(huán)境的統(tǒng)計(jì)規(guī)律反映到自身結(jié)構(gòu)上來(lái)，并能有機(jī)地融合多種信息。當(dāng)外界環(huán)境發(fā)生變化時(shí)，只需輸入新的資料讓模型再學(xué)習(xí)即可很快跟蹤環(huán)境的變化，可操作性強(qiáng)。BP神經(jīng)網(wǎng)絡(luò)模型的建立不需要有關(guān)體系的先驗(yàn)知識(shí)，主要依賴(lài)于資料，只需給網(wǎng)絡(luò)若干訓(xùn)練實(shí)例，BP神經(jīng)網(wǎng)絡(luò)就可以通過(guò)自學(xué)習(xí)來(lái)完成，完全能夠發(fā)現(xiàn)其隱含的信息，并有所創(chuàng)新。BP神經(jīng)網(wǎng)絡(luò)作為一個(gè)高度的非線(xiàn)性動(dòng)態(tài)處理系統(tǒng)，具有很強(qiáng)的容錯(cuò)功能。由于神經(jīng)元之間的高維、高密度的并行計(jì)算結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的集體計(jì)算能力，完全可以進(jìn)行高維數(shù)據(jù)的實(shí)時(shí)處理，同時(shí)也可以進(jìn)行分布式聯(lián)想存儲(chǔ)。

工業(yè)品出廠價(jià)格指數(shù)（PPI）數(shù)據(jù)來(lái)源于《中國(guó)統(tǒng)計(jì)年鑒（2009年）》，PPI數(shù)據(jù)時(shí)間范圍為1990年-2008年。在實(shí)際應(yīng)用中，由于所采集的數(shù)據(jù)跨度較大，為提高訓(xùn)練速度和靈敏性以及有效避開(kāi)Sigmoid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0-l之間。再有，為保證建立的模型具有一定的外推能力，最好使數(shù)據(jù)預(yù)處理后的值在0.2-0.8之間，把0-0.2和0.8-1.0的空間預(yù)留。下面是數(shù)據(jù)預(yù)處理和反預(yù)處理算法：①數(shù)據(jù)預(yù)處理法：y=（0.8-0.2）*（x-min（x））/ （max（x）-min（x））+0.2。②反預(yù)處理算法：x=（y-0.2）*（max（x）-min（x））/（0.8-0.2）+min（x）。其中：x是工業(yè)品出廠價(jià)格指數(shù)原始數(shù)據(jù)；y是預(yù)處理后的工業(yè)品出廠價(jià)格指數(shù)數(shù)據(jù)；max（x）和min（x）分別是工業(yè)品出廠價(jià)格指數(shù)原始數(shù)據(jù)取值范圍的最大值與最小值。

我國(guó)歷年P(guān)PI數(shù)據(jù)按順序構(gòu)成一組時(shí)間序列，利用時(shí)間序列分析方法對(duì)我國(guó)歷年P(guān)PI數(shù)據(jù)時(shí)序進(jìn)行檢驗(yàn)識(shí)別，可知PPI數(shù)據(jù)服從4階自回歸模型AR（4），由此模型輸入層單元數(shù)為4個(gè)，輸出層單元數(shù)為1個(gè)。

適當(dāng)?shù)碾[層數(shù)目及節(jié)點(diǎn)數(shù)決定于多種因素。如訓(xùn)練樣本的多少、樣本噪音的大小以及所面對(duì)問(wèn)題的復(fù)雜程度。隱層在BP神經(jīng)網(wǎng)絡(luò)中起著很重要的作用，它具有高度的抽象功能，并可從輸入單元中提取特征。隱層層數(shù)的選擇與問(wèn)題的復(fù)雜性有關(guān)，為了確保訓(xùn)練后人工神經(jīng)網(wǎng)絡(luò)模型的泛化能力和預(yù)測(cè)能力，應(yīng)在滿(mǎn)足精度要求的前提下取盡可能緊湊的網(wǎng)絡(luò)結(jié)構(gòu)。一個(gè)三層人工神經(jīng)網(wǎng)絡(luò)模型就可解決一般函數(shù)的擬合、逼近問(wèn)題。因此三層人工神經(jīng)網(wǎng)絡(luò)能滿(mǎn)足預(yù)報(bào)要求。由于BP網(wǎng)絡(luò)在確定隱層單元數(shù)的問(wèn)題上還沒(méi)有成熟的理論可依，大都根據(jù)經(jīng)驗(yàn)來(lái)定。目前比較有效的方法就是試錯(cuò)法。本文分別組建了隱層節(jié)點(diǎn)數(shù)從1-35的BP網(wǎng)絡(luò)，為了防止出現(xiàn)過(guò)擬合現(xiàn)象，經(jīng)過(guò)大量試算，最后根據(jù)試報(bào)效果，確定了較為理想的隱層單元數(shù)是6。

傳統(tǒng)BP網(wǎng)絡(luò)的學(xué)習(xí)算法實(shí)質(zhì)上是一種簡(jiǎn)單的最速下降靜態(tài)尋優(yōu)算法，通常具有收斂速度慢、易陷入局部極小值和網(wǎng)絡(luò)推廣能力不強(qiáng)等方面的缺陷。本文采用MATI AB神經(jīng)網(wǎng)絡(luò)工具箱提供的改進(jìn)快速學(xué)習(xí)算法，有效克服了傳統(tǒng)BP網(wǎng)絡(luò)學(xué)習(xí)算法的缺陷。Trainlm訓(xùn)練函數(shù)采用Levenberg-Marquardt優(yōu)化方法，該訓(xùn)練函數(shù)的效率優(yōu)于最速下降靜態(tài)尋優(yōu)算法。

2結(jié)果

利用1990年-2003年的我國(guó)PPI數(shù)據(jù)作為訓(xùn)練樣本，采用改進(jìn)BP算法的Trainlm訓(xùn)練函數(shù)進(jìn)行訓(xùn)練構(gòu)建的神經(jīng)網(wǎng)絡(luò)，然后采用2004年-2008年的PPI數(shù)據(jù)作為檢驗(yàn)樣本，利用訓(xùn)練好的BP網(wǎng)絡(luò)對(duì)2004年-2008年的PPI進(jìn)行預(yù)測(cè)，結(jié)果見(jiàn)表1。仿真實(shí)驗(yàn)表明我國(guó)PPI訓(xùn)練樣本模擬值和實(shí)際值的平均相對(duì)誤差為0.82%，模擬值和實(shí)際值的相關(guān)系數(shù)為0.994778；我國(guó)PPI檢驗(yàn)樣本預(yù)測(cè)值和實(shí)際值的平均相對(duì)誤差為0.80%，預(yù)測(cè)值和實(shí)際值的相關(guān)系數(shù)為0.915313；2007年P(guān)PI預(yù)測(cè)值為102.6，PPI實(shí)際值為103.1，預(yù)測(cè)值和實(shí)際值的相對(duì)誤差為-0.48%；2008年P(guān)PI的預(yù)測(cè)值為107.4，PPI實(shí)際值為106.9，預(yù)測(cè)值和實(shí)際值的相對(duì)誤差僅為0.47%，這都與實(shí)際情況相近，結(jié)果較為滿(mǎn)意。并對(duì)2011年和2012年的我國(guó)PPI做了預(yù)測(cè)，PPI預(yù)測(cè)值分別為107.3和107.6。

3結(jié)論

人工神經(jīng)網(wǎng)絡(luò)模型能夠很好地捕捉我國(guó)PPI內(nèi)在的規(guī)律性，無(wú)需設(shè)計(jì)任何數(shù)學(xué)模型，通過(guò)神經(jīng)元之間的相互作用來(lái)完成整個(gè)人工神經(jīng)網(wǎng)絡(luò)的信息處理，并能得到很好的預(yù)測(cè)精度。

將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于我國(guó)PPI預(yù)測(cè)，PPI預(yù)測(cè)值和實(shí)際值的平均相對(duì)誤差為0.80%，預(yù)測(cè)誤差小，PPI檢驗(yàn)樣本預(yù)測(cè)值與實(shí)際值的線(xiàn)性相關(guān)系數(shù)為0.915313，預(yù)測(cè)精度高，模型預(yù)測(cè)值和實(shí)際值能較好的吻合。

參考文獻(xiàn)：

[1]孫紅英,劉向榮,解玲麗.基于傳導(dǎo)模型的2010年價(jià)格指數(shù)預(yù)測(cè)[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,5:941-944.

第4篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

【關(guān)鍵詞】自適應(yīng)距離保護(hù) 人工神經(jīng)網(wǎng)絡(luò) BP算法

一、引言

距離保護(hù)長(zhǎng)期以來(lái)一直是復(fù)雜電網(wǎng)中高壓輸電線(xiàn)路最重要的也是應(yīng)用最廣泛的保護(hù)方案。這種保護(hù)有許多獨(dú)特的優(yōu)點(diǎn)，如能瞬時(shí)切除輸電線(xiàn)80%～90%范圍內(nèi)的各種故障。但是有許多原因會(huì)影響阻抗的測(cè)量精度，從而影響測(cè)量阻抗的計(jì)算，使測(cè)量阻抗為短路阻抗與附加阻抗之和，從而會(huì)引起誤動(dòng)或者拒動(dòng)。

基于這些問(wèn)題，本文提出了人工神經(jīng)網(wǎng)絡(luò)。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)（ANN）逐漸得到電力系統(tǒng)研究人員的高度重視和廣泛研究。人工神經(jīng)網(wǎng)絡(luò)是由眾多的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自適應(yīng)、較好的容錯(cuò)性和優(yōu)良的非線(xiàn)性逼近能力，廣泛應(yīng)用于模式識(shí)別和模式分類(lèi)等方面。

本文所采用的三層前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法為反傳學(xué)習(xí)算法，即BP算法，學(xué)習(xí)過(guò)程采用反向傳播法。

二、基于人工神經(jīng)網(wǎng)絡(luò)的距離保護(hù)模型

BP網(wǎng)絡(luò)模型也即多層前向網(wǎng)絡(luò)（Multi-layer Feedforward Neural Network，MFNN），因其訓(xùn)練算法采用反向傳播算法，也即BP算法。由于這種算法在本質(zhì)上是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的數(shù)學(xué)模型，所以，BP算法也通常暗示著神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是一種無(wú)反饋的多層前向網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的基本元件——神經(jīng)元相互連接而成的自適應(yīng)非線(xiàn)性動(dòng)態(tài)系統(tǒng)。一般而言，只要采用三層神經(jīng)網(wǎng)絡(luò)，而且對(duì)各層神經(jīng)元數(shù)目不加限制，則可在模式空間構(gòu)成任意復(fù)雜程度的幾何圖形，從而對(duì)任意復(fù)雜的對(duì)象進(jìn)行分類(lèi)。

人工神經(jīng)網(wǎng)絡(luò)含有輸入層、輸出層以及處于輸入輸出層之間的中間層。中間層有單層或多層，由于他們與外界沒(méi)有直接聯(lián)系，故也稱(chēng)為隱層。在隱層中的神經(jīng)元也稱(chēng)隱單元。隱層雖然和外界不連接，但是他們的狀態(tài)則影響輸入輸出之間的關(guān)系。BP網(wǎng)絡(luò)的結(jié)構(gòu)的每一層連接權(quán)值都可以通過(guò)學(xué)習(xí)來(lái)調(diào)節(jié)，它的基本處理單元（輸入層）除外通常為非線(xiàn)性輸入輸出關(guān)系。

三、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及檢驗(yàn)

本文通過(guò)EMTP仿真的數(shù)據(jù)預(yù)處理中得出了這兩個(gè)子網(wǎng)絡(luò)的權(quán)值和閥值矩陣中，用一些不同于訓(xùn)練樣本的檢測(cè)樣本（本文在故障檢測(cè)與選相子網(wǎng)絡(luò)是用40組進(jìn)行訓(xùn)練，13組進(jìn)行檢測(cè)的；對(duì)故障定位子網(wǎng)絡(luò)是用35組進(jìn)行訓(xùn)練，14組進(jìn)行校驗(yàn)的）。每一個(gè)子網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)的數(shù)目，是在訓(xùn)練過(guò)程中根據(jù)最快的收斂速度和最好的精度標(biāo)準(zhǔn)通過(guò)多次采用不同的隱含層節(jié)點(diǎn)數(shù)目進(jìn)行訓(xùn)練，反復(fù)比較，根據(jù)實(shí)際的收斂效果和計(jì)算精度來(lái)選擇確定的。其中，故障檢測(cè)與選相子網(wǎng)絡(luò)（ANN1）的隱含層數(shù)目取為42個(gè)，故障定位子網(wǎng)絡(luò)（ANN2）的隱含層數(shù)目取為33個(gè)。

在確定了兩個(gè)子網(wǎng)絡(luò)的隱含層以后，開(kāi)始對(duì)故障檢測(cè)和選相子網(wǎng)絡(luò)（ANN1）和故障定位子網(wǎng)絡(luò)（ANN2）采用BP算法進(jìn)行訓(xùn)練。經(jīng)過(guò)對(duì)子網(wǎng)絡(luò)的多次訓(xùn)練，其訓(xùn)練過(guò)程是收斂的，其訓(xùn)練速度也是令人滿(mǎn)意。

下面將2個(gè)子網(wǎng)絡(luò)的部分訓(xùn)練樣本、檢驗(yàn)樣本及檢驗(yàn)結(jié)果。

在對(duì)第一個(gè)、第二個(gè)子網(wǎng)絡(luò)故障檢測(cè)與選相子網(wǎng)絡(luò)其訓(xùn)練過(guò)程過(guò)程是收斂的，其訓(xùn)練速度也是令人滿(mǎn)意的。

下面是子網(wǎng)絡(luò)ANN1的訓(xùn)練樣本和訓(xùn)練樣本及檢測(cè)樣本。故障類(lèi)型有：內(nèi)部故障，A相接地、內(nèi)部故障，B相接地、內(nèi)部故障，C相接地、內(nèi)部故障，兩相短路、內(nèi)部故障，兩相接地短路、內(nèi)部故障，三相短路。理想輸出：1，0，0，0；0，1，0，0；0，0，1，0；0，0，0，1；0，0，0，1；0，0，0，1。檢驗(yàn)結(jié)果：

0.9985，0.0378，0.0838，0.0230；0.0315，0.9988，0.0607，0.0121；0.1004，0.1718，0.9980，0.2715；0.2815，0.0499，0.0614，0.9864；0.2496，0.3688，0.0370，0.9798；0.0197，0.0551，0.0187，0.9981。

從上面可以清楚的看出，故障檢測(cè)和選相子網(wǎng)絡(luò)在各種故障情況下都能正確反映故障，并啟動(dòng)保護(hù)和正確選相。

在第二個(gè)子網(wǎng)絡(luò)訓(xùn)練過(guò)程也是表明故障定位子網(wǎng)絡(luò)ANN2也是收斂的，其訓(xùn)練速度也是令人滿(mǎn)意的。

下面是故障定位子網(wǎng)絡(luò)ANN2的訓(xùn)練樣本和檢驗(yàn)樣本及結(jié)果舉例。當(dāng)故障點(diǎn)線(xiàn)路全長(zhǎng)線(xiàn)路全長(zhǎng)83%，故障類(lèi)型分別為單相接地、兩相故障、三相故障時(shí)，其理想輸出為1、1、1；當(dāng)故障點(diǎn)線(xiàn)路全長(zhǎng)線(xiàn)路全長(zhǎng)87%，其理想輸出為0、0、0。檢測(cè)結(jié)果：當(dāng)故障點(diǎn)線(xiàn)路全長(zhǎng)線(xiàn)路全長(zhǎng)83%，輸出：0.9867、0.9827、0.9572。當(dāng)故障點(diǎn)線(xiàn)路全長(zhǎng)線(xiàn)路全長(zhǎng)87%，輸出：0.1758、0.1820、0.1602。

從上面數(shù)據(jù)可以看到，故障定位子網(wǎng)絡(luò)距離保護(hù)經(jīng)過(guò)訓(xùn)練以后，基本能夠正確的識(shí)別故障點(diǎn)位置。

四、結(jié)論

本論文針對(duì)傳統(tǒng)距離保護(hù)在系統(tǒng)發(fā)生振蕩和系統(tǒng)經(jīng)過(guò)過(guò)渡電阻發(fā)生故障時(shí)，可能會(huì)誤動(dòng)或拒動(dòng)等，因此，提出了基于BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)距離保護(hù)原理由兩個(gè)相互獨(dú)立的子網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，即故障檢測(cè)與選相子網(wǎng)絡(luò)和故障定位子網(wǎng)絡(luò)。兩個(gè)子網(wǎng)絡(luò)組成一個(gè)并行處理系統(tǒng)，經(jīng)過(guò)大量的訓(xùn)練樣本進(jìn)行訓(xùn)練，投入實(shí)際運(yùn)行線(xiàn)路中，根據(jù)本身需要提取輸電線(xiàn)路的運(yùn)行參數(shù)，對(duì)電力系統(tǒng)運(yùn)行狀態(tài)進(jìn)行判斷。研究結(jié)果表明，用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)最復(fù)雜的保護(hù)原理——距離保護(hù)是可行的，而且具有顯著的優(yōu)點(diǎn)。

參考文獻(xiàn)：

[1]賀家李，宋從矩.電力系統(tǒng)繼電保護(hù)原理（第三版）[M].北京：中國(guó)電力出版社，2001.

第5篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò)；發(fā)展；應(yīng)用

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）12-0003-01

隨著科學(xué)技術(shù)的發(fā)展，各個(gè)行業(yè)和領(lǐng)域都在進(jìn)行人工智能化的研究工作，已經(jīng)成為專(zhuān)家學(xué)者研究的熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)就是在人工智能基礎(chǔ)上發(fā)展而來(lái)的重要分支，對(duì)人工智能的發(fā)展具有重要的促進(jìn)作用。人工神經(jīng)網(wǎng)絡(luò)從形成之初發(fā)展至今，經(jīng)歷了不同的發(fā)展階段，并且在經(jīng)濟(jì)、生物、醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用，解決了許多技術(shù)上的難題。

1人工神經(jīng)網(wǎng)絡(luò)概述

關(guān)于人工神經(jīng)網(wǎng)絡(luò)，到目前為止還沒(méi)有一個(gè)得到廣泛認(rèn)可的統(tǒng)一定義，綜合各專(zhuān)家學(xué)者的觀點(diǎn)可以將人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單的概括為是模仿人腦的結(jié)構(gòu)和功能的計(jì)算機(jī)信息處理系統(tǒng)[1]。人工神經(jīng)網(wǎng)絡(luò)具有自身的發(fā)展特性，其具有很強(qiáng)的并行結(jié)構(gòu)以及并行處理的能力，在實(shí)時(shí)和動(dòng)態(tài)控制時(shí)能夠起到很好的作用；人工神經(jīng)網(wǎng)絡(luò)具有非線(xiàn)性映射的特性，對(duì)處理非線(xiàn)性控制的問(wèn)題時(shí)能給予一定的幫助；人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)訓(xùn)練掌握數(shù)據(jù)歸納和處理的能力，因此在數(shù)學(xué)模型等難以處理時(shí)對(duì)問(wèn)題進(jìn)行解決；人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性和集成性很強(qiáng)，能夠適應(yīng)不同規(guī)模的信息處理和大規(guī)模集成數(shù)據(jù)的處理與控制；人工神經(jīng)網(wǎng)絡(luò)不但在軟件技術(shù)上比較成熟，而且近年來(lái)在硬件方面也得到了較大發(fā)展，提高了人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息處理能力。

2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程

2.1 萌芽時(shí)期

在20世紀(jì)40年代，生物學(xué)家McCulloch與數(shù)學(xué)家Pitts共同發(fā)表文章，第一次提出了關(guān)于神經(jīng)元的模型M-P模型，這一理論的提出為神經(jīng)網(wǎng)絡(luò)模型的研究和開(kāi)發(fā)奠定了基礎(chǔ)，在此基礎(chǔ)上人工神經(jīng)網(wǎng)絡(luò)研究逐漸展開(kāi)。1951年，心理學(xué)家Hebb提出了關(guān)于連接權(quán)數(shù)值強(qiáng)化的法則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能開(kāi)發(fā)進(jìn)行了鋪墊。之后生物學(xué)家Eccles通過(guò)實(shí)驗(yàn)證實(shí)了突觸的真實(shí)分流，為神經(jīng)網(wǎng)絡(luò)研究突觸的模擬功能提供了真實(shí)的模型基礎(chǔ)以及生物學(xué)的依據(jù)[2]。隨后，出現(xiàn)了能夠模擬行為以及條件反射的處理機(jī)和自適應(yīng)線(xiàn)性網(wǎng)絡(luò)模型，提高了人工神經(jīng)網(wǎng)絡(luò)的速度和精準(zhǔn)度。這一系列研究成果的出現(xiàn)為人工神經(jīng)網(wǎng)絡(luò)的形成和發(fā)展提供了可能。

2.2 低谷時(shí)期

在人工神經(jīng)網(wǎng)絡(luò)形成的初期，人們只是熱衷于對(duì)它的研究，卻對(duì)其自身的局限進(jìn)行了忽視。Minskyh和Papert通過(guò)多年對(duì)神經(jīng)網(wǎng)絡(luò)的研究，在1969年對(duì)之前所取得的研究成果提出了質(zhì)疑，認(rèn)為當(dāng)前研究出的神經(jīng)網(wǎng)絡(luò)只合適處理比較簡(jiǎn)單的線(xiàn)性問(wèn)題，對(duì)于非線(xiàn)性問(wèn)題以及多層網(wǎng)絡(luò)問(wèn)題卻無(wú)法解決。由于他們的質(zhì)疑，使神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入了低谷時(shí)期，但是在這一時(shí)期，專(zhuān)家和學(xué)者也并沒(méi)有停止對(duì)神經(jīng)網(wǎng)絡(luò)的研究，針對(duì)他們的質(zhì)疑也得出一些相應(yīng)的研究成果。

2.3 復(fù)興時(shí)期

美國(guó)的物理學(xué)家Hopfield在1982年提出了新的神經(jīng)網(wǎng)絡(luò)模型，并通過(guò)實(shí)驗(yàn)證明在滿(mǎn)足一定的條件時(shí)，神經(jīng)網(wǎng)絡(luò)是能夠達(dá)到穩(wěn)定的狀態(tài)的。通過(guò)他的研究和帶動(dòng)，眾多專(zhuān)家學(xué)者又重新開(kāi)始了對(duì)人工神經(jīng)網(wǎng)絡(luò)方面的研究，推動(dòng)了神經(jīng)網(wǎng)絡(luò)的再一次發(fā)展[3]。經(jīng)過(guò)專(zhuān)家學(xué)者的不斷努力，提出了各種不同的人工神經(jīng)網(wǎng)絡(luò)的模型，神經(jīng)網(wǎng)絡(luò)理論研究不斷深化，新的理論和方法層出不窮，使神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用進(jìn)入了一個(gè)嶄新的時(shí)期。

2.4 穩(wěn)步發(fā)展時(shí)期

隨著人工神經(jīng)網(wǎng)絡(luò)研究在世界范圍內(nèi)的再次興起，我國(guó)也迎來(lái)了相關(guān)理論研究的熱潮，在人工神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)技術(shù)方面取得了突破性的進(jìn)展。到20世紀(jì)90年代時(shí)，國(guó)內(nèi)對(duì)于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究得到了進(jìn)一步的完善和發(fā)展，而且能夠利用神經(jīng)網(wǎng)絡(luò)對(duì)非線(xiàn)性的系統(tǒng)控制問(wèn)題進(jìn)行解決，研究成果顯著。隨著各類(lèi)人工神經(jīng)網(wǎng)絡(luò)的相關(guān)刊物的創(chuàng)建和相關(guān)學(xué)術(shù)會(huì)議的召開(kāi)，我國(guó)人工神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用條件逐步改善，得到了國(guó)際的關(guān)注。

隨著人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)步發(fā)展，逐漸建立了光學(xué)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，利用光學(xué)的強(qiáng)大功能，提高了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和自適應(yīng)能力。對(duì)非線(xiàn)性動(dòng)態(tài)系統(tǒng)的控制問(wèn)題，采取有效措施，提高超平面的光滑性，對(duì)其精度進(jìn)行改進(jìn)。之后有專(zhuān)家提出了關(guān)于人工神經(jīng)網(wǎng)絡(luò)的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經(jīng)網(wǎng)絡(luò)的效率，因此在此基礎(chǔ)上又提出了改進(jìn)算法FERNN?；煦缟窠?jīng)網(wǎng)絡(luò)的發(fā)展也得到了相應(yīng)的進(jìn)步，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。

3人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

3.1 在信息領(lǐng)域中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域中的應(yīng)用主要體現(xiàn)在信息處理和模式識(shí)別兩個(gè)方面。由于科技的發(fā)展，當(dāng)代信息處理工作越來(lái)越復(fù)雜，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以對(duì)人的思維進(jìn)行模仿甚至是替代，面對(duì)問(wèn)題自動(dòng)診斷和解決，能夠輕松解決許多傳統(tǒng)方法無(wú)法解決的問(wèn)題，在軍事信息處理中的應(yīng)用極為廣泛[4]。模式識(shí)別是對(duì)事物表象的各種信息進(jìn)行整理和分析，對(duì)事物進(jìn)行辨別和解釋的一個(gè)過(guò)程，這樣對(duì)信息進(jìn)行處理的過(guò)程與人類(lèi)大腦的思維方式很相像。模式識(shí)別的方法可以分為兩種，一種是統(tǒng)計(jì)模式識(shí)別，還有一種是結(jié)構(gòu)模式識(shí)別，在語(yǔ)音識(shí)別和指紋識(shí)別等方面得到了廣泛的應(yīng)用。

3.2 在醫(yī)學(xué)領(lǐng)域的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)對(duì)于非線(xiàn)性問(wèn)題處理十分有效，而人體的構(gòu)成和疾病形成的原因十分復(fù)雜，具有不可預(yù)測(cè)性，在生物信號(hào)的表現(xiàn)形式和變化規(guī)律上也很難掌握，信息檢測(cè)和分析等諸多方面都存在著復(fù)雜的非線(xiàn)性聯(lián)系，所以應(yīng)用人工神經(jīng)網(wǎng)絡(luò)決解這些非線(xiàn)性問(wèn)題具有特殊意義[5]。目前，在醫(yī)學(xué)領(lǐng)域中的應(yīng)用涉及到理論和臨床的各個(gè)方面，最主要的是生物信號(hào)的檢測(cè)和自動(dòng)分析以及專(zhuān)家系統(tǒng)等方面的應(yīng)用。

3.3 在經(jīng)濟(jì)領(lǐng)域中的應(yīng)用

經(jīng)濟(jì)領(lǐng)域中的商品價(jià)格、供需關(guān)系、風(fēng)險(xiǎn)系數(shù)等方面的信息構(gòu)成也十分復(fù)雜且變幻莫測(cè)，人工神經(jīng)網(wǎng)絡(luò)可以對(duì)不完整的信息以及模糊不確定的信息進(jìn)行簡(jiǎn)單明了的處理，與傳統(tǒng)的經(jīng)濟(jì)統(tǒng)計(jì)方法相比具有其無(wú)法比擬的優(yōu)勢(shì)，數(shù)據(jù)分析的穩(wěn)定性和可靠性更強(qiáng)。

3.4 在其他領(lǐng)域的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域、交通領(lǐng)域、心理學(xué)領(lǐng)域等方面都有很廣泛的應(yīng)用，能夠?qū)Ω唠y度的非線(xiàn)性問(wèn)題進(jìn)行處理，對(duì)交通運(yùn)輸方面進(jìn)行集成式的管理，以其高適應(yīng)性和優(yōu)秀的模擬性能解決了許多傳統(tǒng)方法無(wú)法解決的問(wèn)題，促進(jìn)了各個(gè)領(lǐng)域的快速發(fā)展。

4總結(jié)

隨著科技的發(fā)展，人工智能系統(tǒng)將進(jìn)入更加高級(jí)的發(fā)展階段，人工神經(jīng)網(wǎng)絡(luò)也將得到更快的發(fā)展和更加廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)也許無(wú)法完全對(duì)人腦進(jìn)行取代，但是其特有的非線(xiàn)性信息處理能力解決了許多人工無(wú)法解決的問(wèn)題，在智能系統(tǒng)的各個(gè)領(lǐng)域中得到成功應(yīng)用，今后的發(fā)展趨勢(shì)將向著更加智能和集成的方向發(fā)展。

參考文獻(xiàn)

[1]徐用懋，馮恩波.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在控制中的應(yīng)用[J].化工進(jìn)展，1993（5）：8-12，20.

[2]湯素麗，羅宇鋒.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用[J].電腦開(kāi)發(fā)與應(yīng)用，2009（10）：59-61.

[3]李會(huì)玲，柴秋燕.人工神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)控制的發(fā)展及展望[J].邢臺(tái)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2009（5）：44-46.

第6篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

e.高曼等著

人工神經(jīng)網(wǎng)絡(luò)(anns)作為強(qiáng)大的計(jì)算工具,應(yīng)用于分類(lèi)、模式識(shí)別、函數(shù)逼近和生物神經(jīng)網(wǎng)絡(luò)建模等領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)具有從實(shí)例中學(xué)習(xí)的程序,它們可以解決那些還不知道算法解的難題。但是,人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)之一就是它學(xué)習(xí)的知識(shí)是通過(guò)一種非常不透明的形式來(lái)表示,這就是人工網(wǎng)絡(luò)的“黑箱”特性。在本專(zhuān)著中,作者介紹了一種新型的模糊規(guī)制庫(kù)(frb),稱(chēng)為模糊全排列規(guī)制庫(kù)(farb)。作者證明了模糊全排列規(guī)制庫(kù)和人工神經(jīng)網(wǎng)絡(luò)具有等價(jià)性,這種等價(jià)性把符號(hào)范式模糊規(guī)制庫(kù)和亞符號(hào)范式人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)融為一體。基于這一點(diǎn),作者使用模糊全排列規(guī)制庫(kù)設(shè)計(jì)了一種新的基于知識(shí)的神經(jīng)計(jì)算方法。

本書(shū)共7章。1. 引言,介紹了人工神經(jīng)網(wǎng)絡(luò)(anns)、模糊規(guī)制庫(kù)(frbs)、人工神經(jīng)網(wǎng)絡(luò)與模糊規(guī)制庫(kù)的協(xié)同、基于知識(shí)的神經(jīng)計(jì)算、模糊全排列規(guī)制庫(kù);2. 模糊全排列規(guī)制庫(kù),引入定義、輸入輸出映射;3. 模糊全排列規(guī)制庫(kù)和人工神經(jīng)網(wǎng)絡(luò)的等價(jià)性,介紹模糊全排列規(guī)制庫(kù)和前饋的人工神經(jīng)網(wǎng)絡(luò)、模糊全排列規(guī)制庫(kù)和一階遞歸神經(jīng)網(wǎng)絡(luò)(rnns)、模糊全排列規(guī)制庫(kù)和二階遞歸神經(jīng)網(wǎng)絡(luò)、總結(jié);4. 規(guī)制簡(jiǎn)化,介紹靈敏度分析、一種簡(jiǎn)化模糊全排列規(guī)制庫(kù)的方法;5. 采用模糊全排列規(guī)制庫(kù)的知識(shí)提取,主要包括艾里斯分類(lèi)問(wèn)題、發(fā)光二極管顯示屏識(shí)別問(wèn)題、l4語(yǔ)言識(shí)別問(wèn)題;6. 人工神經(jīng)網(wǎng)絡(luò)基于知識(shí)的設(shè)計(jì),包括直接法、模塊法;7. 結(jié)論和后續(xù)工作,后續(xù)工作包括規(guī)則化的網(wǎng)絡(luò)訓(xùn)練、在訓(xùn)練過(guò)程中進(jìn)行知識(shí)提取、從支持向量機(jī)中做知識(shí)提取、從網(wǎng)絡(luò)訓(xùn)練中做知識(shí)提取。

本書(shū)簡(jiǎn)明扼要,內(nèi)容新穎,適合模糊集、粗糙集、神經(jīng)網(wǎng)絡(luò)、演化式計(jì)算、概率和論據(jù)推理、多值邏輯等相關(guān)領(lǐng)域研究生和研究人員參考學(xué)習(xí)。

陳濤,碩士

第7篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

摘要：本文在用人工神經(jīng)網(wǎng)絡(luò)BP模型對(duì)流域年均含沙量進(jìn)行多因素建模過(guò)程中，對(duì)BP算法進(jìn)行了改進(jìn)。在學(xué)習(xí)速率η的選取上引進(jìn)了一維搜索法，解決了人工輸入η時(shí)，若η值過(guò)小，收斂速度太慢，η值過(guò)大，又會(huì)使誤差函數(shù)值振蕩，導(dǎo)致算法不收斂的問(wèn)題。建模實(shí)踐表明，改進(jìn)后的BP算法可能使網(wǎng)絡(luò)誤差函數(shù)達(dá)到局部極小點(diǎn)，提高了算法的擬合精度。

關(guān)鍵詞：BP算法 學(xué)習(xí)速率 年均含沙量 一維搜索法

我國(guó)河流眾多，自然資源十分豐富，但江河流域水土流失非常嚴(yán)重，給國(guó)家的可持續(xù)發(fā)展以及生態(tài)環(huán)境帶來(lái)較大的危害。對(duì)于流域產(chǎn)沙的定量研究，一般采用單因子線(xiàn)性回歸方法。這類(lèi)方法雖然也能反映出某種統(tǒng)計(jì)特性，但不能刻畫(huà)自然界復(fù)雜的非線(xiàn)性特性。人工神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)模型是復(fù)雜非線(xiàn)性映射的新方法。在引入這一新的定量研究方法對(duì)流域年均含沙量進(jìn)行建模預(yù)測(cè)時(shí)發(fā)現(xiàn)：算法中學(xué)習(xí)速率η值的選取對(duì)算法成敗起著關(guān)鍵作用，若η值過(guò)小，收斂速度太慢，而η值過(guò)大，又會(huì)使誤差函數(shù)值不下降，導(dǎo)致算法不收斂。本文正是針對(duì)這一問(wèn)題進(jìn)行了探討。

1 BP網(wǎng)絡(luò)模型及學(xué)習(xí)率η固定的弊端

人工神經(jīng)網(wǎng)絡(luò)理論是80年代中后期迅速發(fā)展起來(lái)的一門(mén)前沿科學(xué)，其應(yīng)用已滲透到各個(gè)領(lǐng)域[1]。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)理論的重要模型之一，應(yīng)用尤為廣泛。盡管BP網(wǎng)絡(luò)模型發(fā)展逐步成熟，但仍然存在許多問(wèn)題，在理論上需要完善[2]。BP算法主要包括兩個(gè)過(guò)程，一是由學(xué)習(xí)樣本、網(wǎng)絡(luò)權(quán)值ω從輸入層隱含層輸出層逐次算出各層節(jié)點(diǎn)的輸出；二是反過(guò)來(lái)由計(jì)算輸出與實(shí)際輸出偏差構(gòu)出的誤差函數(shù)E（ω），用梯度下降法調(diào)節(jié)網(wǎng)絡(luò)權(quán)值，即ωk+1=ωk+η()使誤差E(ωk+1)減小。

第8篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

關(guān)鍵詞：人工神經(jīng)；網(wǎng)絡(luò)游戲程序；研究和設(shè)計(jì)；分析探究

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）01-0044-01

近年來(lái)，在網(wǎng)絡(luò)游戲發(fā)展過(guò)程中，圖像的呈現(xiàn)質(zhì)量已經(jīng)提升到了一個(gè)極高的水平，人工智能游戲已經(jīng)成為決定一款游戲成功與否的重要關(guān)鍵，并受到了游戲開(kāi)發(fā)商的廣泛關(guān)注和高度重視。網(wǎng)絡(luò)游戲作為一種目標(biāo)性、競(jìng)爭(zhēng)性、互動(dòng)性、情節(jié)性的娛樂(lè)作品，它的智能水平對(duì)游戲的質(zhì)量和可玩性具有著直接的影響作用。因此，將計(jì)算機(jī)圖形學(xué)和人工智能有機(jī)的結(jié)合起來(lái)，把人工智能中的預(yù)測(cè)、路徑規(guī)劃、搜索、學(xué)習(xí)等技術(shù)有效的應(yīng)用到網(wǎng)絡(luò)游戲的研發(fā)工作中去，不僅能夠提升游戲的質(zhì)量和可玩性，同時(shí)還有利于促進(jìn)游戲開(kāi)發(fā)企業(yè)的發(fā)展。

1 人工神經(jīng)網(wǎng)絡(luò)分析

人腦可以用一套較為獨(dú)特的方法來(lái)解決相關(guān)問(wèn)題，并且還能夠從正反兩面的行為差異中進(jìn)行學(xué)習(xí)，經(jīng)過(guò)研究發(fā)現(xiàn)，人腦是由十萬(wàn)種類(lèi)的遺傳因子中的十萬(wàn)億個(gè)細(xì)胞組合而成，人工神經(jīng)網(wǎng)絡(luò)就相當(dāng)于模擬人腦功能的一個(gè)數(shù)學(xué)模型。其中神經(jīng)元作為人腦系統(tǒng)中處理基本信息的單元，是人體神經(jīng)器官的重要組成部分，通過(guò)軸將各個(gè)神經(jīng)元進(jìn)行有效連接，而其他神經(jīng)元的發(fā)送的信號(hào)能夠使當(dāng)前神經(jīng)元產(chǎn)生相應(yīng)的反映，這一反映如果能夠達(dá)到特定的閾值，就會(huì)逐漸產(chǎn)生一種新的信號(hào)，并且沿著軸將信號(hào)傳輸?shù)狡渌窠?jīng)元[1]。人工神經(jīng)網(wǎng)絡(luò)主要就是由各種節(jié)點(diǎn)相互連接組合形成的，節(jié)點(diǎn)類(lèi)似于人腦的各個(gè)神經(jīng)元細(xì)胞，會(huì)存在一些節(jié)點(diǎn)連接外部環(huán)境，主要負(fù)責(zé)相關(guān)的信息輸出和輸入工作，被稱(chēng)作是輸出點(diǎn)或者輸入點(diǎn)，而另外一些網(wǎng)絡(luò)內(nèi)部的節(jié)點(diǎn)，通常被稱(chēng)作隱藏節(jié)點(diǎn)。隱藏節(jié)點(diǎn)的信息輸出通常是輸出節(jié)點(diǎn)的信息輸入，輸入節(jié)點(diǎn)的信息輸出通常是隱藏節(jié)點(diǎn)的信息輸入。

此外，人工神經(jīng)網(wǎng)絡(luò)的主要核心思想就是對(duì)人類(lèi)大腦神經(jīng)系統(tǒng)功能進(jìn)行模擬的機(jī)器學(xué)習(xí)的一種方法，并且通過(guò)對(duì)系統(tǒng)內(nèi)部各個(gè)神經(jīng)元的各種連接參數(shù)進(jìn)行反復(fù)的調(diào)節(jié)，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)得到訓(xùn)練，并且在遇到一定情況時(shí)能夠做出最佳的反映[2]?？傊?，神經(jīng)網(wǎng)絡(luò)作為一項(xiàng)發(fā)展較為成熟的技術(shù)，其在解決相關(guān)問(wèn)題之后，將會(huì)使網(wǎng)絡(luò)游戲的智能化提升到一個(gè)全新的高度。

2 人工神經(jīng)網(wǎng)絡(luò)中的游戲?qū)W習(xí)設(shè)計(jì)分析

與傳統(tǒng)方法相比，神經(jīng)網(wǎng)絡(luò)解決問(wèn)題的方式有著明顯的不同，其具有著較強(qiáng)的自主學(xué)習(xí)能力，經(jīng)過(guò)不斷的學(xué)習(xí)，ANN可以從未知式中的各種復(fù)雜數(shù)據(jù)信息中發(fā)現(xiàn)規(guī)律[3]。這種神經(jīng)網(wǎng)絡(luò)方法在很大程度上克服了傳統(tǒng)方法在分析中的復(fù)雜性以及各種模型函數(shù)選擇的困難，通過(guò)訓(xùn)練對(duì)問(wèn)題進(jìn)行解答，ANN可以較為快速的建立解決問(wèn)題的非線(xiàn)性和線(xiàn)性模型。如果想要人工神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)作，首先就需要讓網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，不斷的訓(xùn)練網(wǎng)絡(luò)，幫助它獲取更多的知識(shí)信息，最后將這些信息有效的存儲(chǔ)起來(lái)。一旦完成相關(guān)的訓(xùn)練和學(xué)習(xí)，就可以將知識(shí)有效的存儲(chǔ)在權(quán)值中。在游戲的開(kāi)發(fā)過(guò)程中，將神經(jīng)網(wǎng)絡(luò)模型看作是人物建模的基礎(chǔ)，通過(guò)對(duì)玩家將要進(jìn)行的動(dòng)作或者選擇的畫(huà)面場(chǎng)景進(jìn)行預(yù)測(cè)，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息存儲(chǔ)，并且在游戲的運(yùn)行過(guò)程中要保證學(xué)習(xí)元素的有效運(yùn)行，進(jìn)而讓神經(jīng)網(wǎng)絡(luò)潛移默化的學(xué)會(huì)相應(yīng)的自適應(yīng)技術(shù)，最終實(shí)現(xiàn)游戲的可玩性和趣味性，提升游戲的開(kāi)發(fā)設(shè)計(jì)質(zhì)量和效果，進(jìn)而吸引更多的游戲玩家。

3 BP神經(jīng)網(wǎng)絡(luò)游戲開(kāi)發(fā)設(shè)計(jì)分析

在神經(jīng)網(wǎng)絡(luò)的眾多模型中，BP算法是其中較為常用的一種神經(jīng)網(wǎng)絡(luò)，一般分為輸入層、輸出層、中間層等三個(gè)部分，各個(gè)層之間按順序進(jìn)行連接，因?yàn)橹虚g存在隱含層，可以從中發(fā)現(xiàn)一定的學(xué)習(xí)規(guī)律，可以通過(guò)對(duì)這種網(wǎng)絡(luò)的有效訓(xùn)練，進(jìn)而形成一種較為復(fù)雜、多樣的決策界面[4]。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)具有一個(gè)強(qiáng)大的功能，其主要就是能夠封裝一個(gè)將信息輸入映射到信息輸出的非線(xiàn)性函數(shù)。假如不存在隱含層，那么神經(jīng)網(wǎng)絡(luò)只能發(fā)現(xiàn)信息輸入與信息輸出之間存在的線(xiàn)性關(guān)系。但是，僅僅是為感知網(wǎng)絡(luò)增添一個(gè)隱含層還是遠(yuǎn)遠(yuǎn)不夠的，需要通過(guò)非線(xiàn)性激活函數(shù)為網(wǎng)絡(luò)連接提供相應(yīng)的非線(xiàn)性元素。大多數(shù)的非線(xiàn)性函數(shù)基本上都能夠進(jìn)行使用，但是多項(xiàng)式函數(shù)除外。

在游戲中，設(shè)置網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的基本步驟，可以將特定數(shù)據(jù)當(dāng)做輸入訓(xùn)練網(wǎng)絡(luò)，并且在游戲的具體輸入中進(jìn)行實(shí)際應(yīng)用。在游戲問(wèn)題的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，應(yīng)該注意結(jié)構(gòu)、學(xué)習(xí)、神經(jīng)元特點(diǎn)等三個(gè)方面的因素。其中結(jié)構(gòu)主要就是指要進(jìn)行構(gòu)造的神經(jīng)網(wǎng)絡(luò)組織、連接方式以及基本類(lèi)型。而且在神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)設(shè)計(jì)要遵循相關(guān)的原則就是越少越好。神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)越多，那么神經(jīng)網(wǎng)絡(luò)搜索正確解的空間范圍就越廣闊[5]。神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點(diǎn)數(shù)在一定程度上決定著模式匹配或網(wǎng)絡(luò)分類(lèi)的變量數(shù)，例如，籃球類(lèi)型的游戲中，運(yùn)動(dòng)員投籃命中、灌籃動(dòng)作、球員分布、難度等級(jí)等變量數(shù)。

4 結(jié)語(yǔ)

總而言之，網(wǎng)絡(luò)游戲作為一種新型的娛樂(lè)方式，具有著較強(qiáng)的生活模擬性和互動(dòng)性，深受廣大社會(huì)群眾的喜愛(ài)。因此，我國(guó)應(yīng)該重視游戲產(chǎn)業(yè)的發(fā)展，不斷加大對(duì)網(wǎng)絡(luò)游戲的開(kāi)發(fā)和設(shè)計(jì)，將神經(jīng)網(wǎng)絡(luò)有效的應(yīng)用到網(wǎng)絡(luò)游戲開(kāi)發(fā)的實(shí)踐中去，尤其是BP神經(jīng)網(wǎng)絡(luò)，它不僅可以預(yù)測(cè)玩家的行為，及時(shí)提供信息反饋，同時(shí)還能提高網(wǎng)絡(luò)游戲的可玩性和趣味性，提升游戲設(shè)計(jì)的整體質(zhì)量和效果，有利于促進(jìn)我國(guó)游戲開(kāi)發(fā)產(chǎn)業(yè)的發(fā)展和進(jìn)步。

參考文獻(xiàn)：

[1]余穎.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的人工智能游戲研究與應(yīng)用[D].湖南大學(xué)，2011.

[2]王淑琴.神經(jīng)網(wǎng)絡(luò)和遺傳算法在游戲設(shè)計(jì)中的應(yīng)用研究[D].東北師范大學(xué)，2014.

[3]f潭凱.神經(jīng)網(wǎng)絡(luò)在即時(shí)戰(zhàn)略游戲中的應(yīng)用[D].福州大學(xué)，2014.

第9篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文

隨著計(jì)算機(jī)網(wǎng)絡(luò)、信息技術(shù)、自動(dòng)化技術(shù)的進(jìn)步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過(guò)互聯(lián)網(wǎng)進(jìn)行動(dòng)態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過(guò)十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進(jìn)步，已經(jīng)廣泛應(yīng)用在社會(huì)各個(gè)領(lǐng)域，使現(xiàn)代計(jì)算機(jī)中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會(huì)領(lǐng)域的具體應(yīng)用。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢(shì)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問(wèn)題主要包括兩個(gè)過(guò)程，一個(gè)是學(xué)習(xí)訓(xùn)練過(guò)程，另外一個(gè)是記憶聯(lián)想過(guò)程。近年來(lái)隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號(hào)處理、圖像處理、智能識(shí)別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類(lèi)科學(xué)問(wèn)題提供了一種新的方法和手段，使人們?cè)诮煌ㄟ\(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來(lái)隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱(chēng)ANN，是隨著上個(gè)世紀(jì)八十年代人工智能發(fā)展興起的一個(gè)研究熱點(diǎn)，它的主要工作原理對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡(jiǎn)單的模型，按照不同的連接方式組成一個(gè)完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過(guò)大量的節(jié)點(diǎn)――神經(jīng)元連接起來(lái)的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵(lì)函數(shù)；當(dāng)有兩個(gè)節(jié)點(diǎn)連接起來(lái)時(shí)稱(chēng)之為通過(guò)該連接信號(hào)的加權(quán)值，也稱(chēng)為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號(hào)的人工智能處理非結(jié)構(gòu)信息化和直覺(jué)方面的缺陷，具有實(shí)時(shí)學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識(shí)別、知識(shí)工程、信號(hào)處理、專(zhuān)家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1 生物信號(hào)的檢測(cè)分析

目前大部分醫(yī)學(xué)檢測(cè)設(shè)備都是通過(guò)連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對(duì)病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個(gè)神經(jīng)元組合起來(lái)構(gòu)成，解決了生物醫(yī)學(xué)信號(hào)檢測(cè)方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對(duì)心電信號(hào)、聽(tīng)覺(jué)誘發(fā)電位信號(hào)、醫(yī)學(xué)圖像、肌電荷胃腸等信號(hào)的處理、識(shí)別和分析。

2.2 醫(yī)學(xué)專(zhuān)家系統(tǒng)

傳統(tǒng)的醫(yī)院專(zhuān)家系統(tǒng)是直接將專(zhuān)家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績(jī)等存儲(chǔ)在計(jì)算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識(shí)庫(kù)，通過(guò)邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲(chǔ)的醫(yī)學(xué)知識(shí)越來(lái)越多，每天產(chǎn)生新的病況和知識(shí)，過(guò)去的一些專(zhuān)家系統(tǒng)顯然已經(jīng)無(wú)法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專(zhuān)家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過(guò)人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專(zhuān)家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評(píng)估較多，目前臨床上一些還沒(méi)有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過(guò)人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3 市場(chǎng)價(jià)格預(yù)測(cè)

在經(jīng)濟(jì)活動(dòng)中，傳統(tǒng)統(tǒng)計(jì)方法受到一些因素的制約，無(wú)法對(duì)價(jià)格變動(dòng)做出準(zhǔn)確的預(yù)測(cè)，因此難免在預(yù)測(cè)的時(shí)候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測(cè)，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計(jì)方法無(wú)法比擬的優(yōu)勢(shì)。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過(guò)分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個(gè)完整的預(yù)測(cè)模型，準(zhǔn)確預(yù)測(cè)出商品的價(jià)格變動(dòng)情況。

2.4 風(fēng)險(xiǎn)評(píng)價(jià)

在從事某一項(xiàng)特定的活動(dòng)時(shí)，由于社會(huì)上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動(dòng)時(shí)，對(duì)活動(dòng)進(jìn)行有效的預(yù)測(cè)和評(píng)估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來(lái)源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評(píng)估系數(shù)，從而提出有效地解決方案。通過(guò)信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測(cè)方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來(lái)發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對(duì)語(yǔ)言識(shí)別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識(shí)別、神經(jīng)專(zhuān)家系統(tǒng)、智能控制、信息處理和天氣預(yù)測(cè)等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計(jì)算智能，很多企業(yè)和國(guó)家開(kāi)始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類(lèi)認(rèn)知的方向發(fā)展，目前市場(chǎng)已經(jīng)有很多不少人工智能產(chǎn)品面世。

4 結(jié)語(yǔ)

通過(guò)上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測(cè)精度低、通用模型缺乏創(chuàng)新等，因此需要我們?cè)诖嘶A(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對(duì)生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會(huì)創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

[1]周文婷，孟琪.運(yùn)動(dòng)員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場(chǎng)地聲景預(yù)測(cè)（綜述）[J].哈爾濱體育學(xué)院學(xué)報(bào)，2015，33（03）：15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國(guó)新通信，2014（02）：76-76.

[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測(cè)中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報(bào)，2001，27（05）：564-568.