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神經(jīng)網(wǎng)絡論文主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡論文范文

[關鍵詞]反射認知創(chuàng)造神經(jīng)網(wǎng)絡人工智能

一、生物神經(jīng)網(wǎng)絡系統(tǒng)

生物神經(jīng)系統(tǒng)是以神經(jīng)元為基本單位，神經(jīng)元的外部形態(tài)各異，但基本功能相同，在處于靜息狀態(tài)時（無刺激傳導），神經(jīng)細胞膜處于極化狀態(tài)，膜內(nèi)的電壓低于膜外電壓，當膜的某處受到的刺激足夠強時，刺激處會在極短的時間內(nèi)出現(xiàn)去極化、反極化（膜內(nèi)的電壓高于膜外電壓）、復極化的過程，當刺激部位處于反極化狀態(tài)時，鄰近未受刺激的部位仍處于極化狀態(tài)，兩著之間就會形成局部電流，這個局部電流又會刺激沒有去極化的細胞膜使之去極化等等，這樣不斷的重復這一過程，將動作電位傳播開去，一直到神經(jīng)末梢。

神經(jīng)元與神經(jīng)元之間的信息傳遞是通過突觸相聯(lián)系的，前一個神經(jīng)元的軸突末梢作用于下一個神經(jīng)元的胞體、樹突或軸突等處組成突觸。不同神經(jīng)元的軸突末梢可以釋放不同的化學遞質(zhì)，這些遞質(zhì)在與后膜受體結(jié)合時，有的能引起后膜去極化，當去極化足夠大時就形成了動作電位；也有的能引起后膜極化增強，即超極化，阻礙動作電位的形成，能釋放這種遞質(zhì)的神經(jīng)元被稱為抑制神經(jīng)元。此外，有的神經(jīng)元之間可以直接通過突觸間隙直接進行電位傳遞，稱為電突觸。還有的因樹突膜上電壓門控式鈉通道很少，樹突上的興奮或抑制活動是以電緊張性形式擴布的，這種擴布是具有衰減性的。

圖1

一個神經(jīng)元可以通過軸突作用于成千上萬的神經(jīng)元，也可以通過樹突從成千上萬的神經(jīng)元接受信息，當多個突觸作用在神經(jīng)元上面時，有的能引起去極化，有的能引起超極化，神經(jīng)元的沖動，即能否產(chǎn)生動作電位，取決于全部突觸的去極化與超級化作用之后，膜的電位的總和以及自身的閾值。

神經(jīng)纖維的電傳導速度因神經(jīng)元的種類、形態(tài)、髓鞘有無等因素的不同而存在很大差異，大致從0.3m/s到100m/s不等。在神經(jīng)元與神經(jīng)元之間的信息交換速度也因突觸種類或神經(jīng)遞質(zhì)的不同而存在著不同的突觸延擱，突觸傳遞信息的功能有快有慢，快突觸傳遞以毫秒為單位計算，主要控制一些即時的反應；慢突觸傳遞可長達以秒為單位來進行，甚至以小時，日為單位計算，它主要和人的學習，記憶以及精神病的產(chǎn)生有關系。2000年諾貝爾生理學或醫(yī)學獎授予了瑞典哥德堡大學77歲的阿維·卡爾松、美國洛克菲勒大學74歲的保羅·格林加德以及出生于奧地利的美國哥倫比亞大學70歲的埃里克·坎德爾，以表彰他們發(fā)現(xiàn)了慢突觸傳遞這樣一種“神經(jīng)細胞間的信號轉(zhuǎn)導形式”。本次獲獎者的主要貢獻在于揭示“慢突觸傳遞”，在此之前，“快突觸傳遞”已經(jīng)得過諾貝爾獎。此外，使用頻繁的突觸聯(lián)系會變得更緊密，即突觸的特點之一是用進廢退，高頻刺激突觸前神經(jīng)元后，在突觸后神經(jīng)元上紀錄到的電位會增大，而且會維持相當長的時間。所以可以得出一條由若干不定種類的神經(jīng)元排列構(gòu)成的信息傳導鏈對信息的傳導速度會存在很大的彈性空間，這一點對神經(jīng)系統(tǒng)認知事件有著非常重要的意義。

神經(jīng)系統(tǒng)按功能可大致分為傳入神經(jīng)（感覺神經(jīng)）、中間神經(jīng)（腦：延腦、腦橋、小腦、中腦、間腦、大腦脊髓）與傳出神經(jīng)（運動神經(jīng)）三類。

生物要適應外界環(huán)境的變化，就必須能夠感受到這種變化，才能做出反應。生物的感受器多種多樣，有的是單單感覺神經(jīng)元的神經(jīng)末梢；有的是感受器細胞；還有的感受器除了感受細胞外還增加了附屬裝置，且附屬裝置還很復雜，形成特殊的感覺器官。無論感受器的復雜程度如何，它在整個神經(jīng)系統(tǒng)中都起著信息采集的作用，它將外界物理的或化學的動態(tài)信號反應在感覺神經(jīng)細胞膜的電位變化上，膜上的電位變化可形成動作電位向遠端傳導。

中間神經(jīng)在系統(tǒng)中起著計算及信息傳導的作用，通常感覺神經(jīng)傳來的動作電位經(jīng)過若干個中間神經(jīng)元的計算響應后在傳遞到傳出神經(jīng)形成反射弧，但也有的反射弧僅由傳入神經(jīng)元與傳出神經(jīng)元直接組成，如敲擊股四頭肌引起的膝反射。傳出神經(jīng)可分為軀體神經(jīng)與內(nèi)臟神經(jīng)兩類，它們都最終連接著效應器，只是內(nèi)臟神經(jīng)需要通過一個神經(jīng)節(jié)來連接效應器，最后由效應器調(diào)空肌體器官做出相應的反應。

二、生物神經(jīng)網(wǎng)絡的建立

1994年，一種被稱為Netrin-1、將軸突吸引到分泌它的神經(jīng)細胞的可擴散蛋白被發(fā)現(xiàn),此后人們發(fā)現(xiàn)，同一軸突引導分子既可吸引、也可排斥前來的軸突。其中，環(huán)狀AMP（也稱cAMP）、環(huán)狀GMP（也稱cGMP）和鈣離子，都可能是從參與將發(fā)育中的神經(jīng)元引導到其目標上的受體中轉(zhuǎn)導信號的第二種信使。新的實驗表明，正是cAMP/cGMP的比例決定著Netrin-1是起一種吸引信號的作用還是起一種排斥信號的作用，這些環(huán)狀核苷通過控制軸突生長錐中的L-型鈣通道來起作用。

目前已經(jīng)發(fā)現(xiàn)大量對神經(jīng)軸突生長具有導向作用的分子，這些分子可以分為兩大類：一類分子固著在細胞膜表面或細胞外基質(zhì)中，影響局部的神經(jīng)纖維生長，這類因子包括ephrin,MAG(myelin-associatedglycoprotein),Nogo等；另一類是分泌性分子，能擴散一定的距離并形成濃度梯度起作用，如netrin,slit,semaphorin家族的大多數(shù)成員,及各種神經(jīng)營養(yǎng)因子等。神經(jīng)軸突的前端有生長錐（growthcone）的結(jié)構(gòu)起到對環(huán)境信號的探測作用。神經(jīng)生長錐表面存在各種導向因子的受體，它們特異地識別環(huán)境中各種因子，并向細胞內(nèi)傳遞吸引（attractive）或是排斥(repulsive)的信號，從而通過調(diào)節(jié)生長錐內(nèi)的細胞骨架的重組來引導神經(jīng)纖維沿特定路線生長（我國科學家袁小兵等研究人員發(fā)現(xiàn)，在脊髓神經(jīng)元上，神經(jīng)細胞內(nèi)RHOA酶和CDC酶直接傳遞外界方向信號，引導神經(jīng)生長方向，同時這兩種酶相互作用，對生長方向進行細致的調(diào)節(jié)）。未成熟神經(jīng)細胞柔弱的軸突在這些信號的引導下，試探地穿行于正處于發(fā)育階段、仍是一片紛亂的大腦之中，最終抵達適當?shù)哪康牡?。一旦軸突的末端找到了其正確的棲息地，它就開始與周圍神經(jīng)元建立盡可能廣泛的突觸聯(lián)系，以便傳導信息。

脊椎動物出生后早期發(fā)育中的一個特征是，神經(jīng)鍵（或神經(jīng)連接）的消除。最初，一個神經(jīng)肌肉連接被多個軸突支配，然后所有軸突都退出，只剩下一個，對相互競爭的神經(jīng)元來說，決定勝負的是它們的相對活性。為了能準確的連接到目的地，單個或多個神經(jīng)元會沿導向分子所確定的大致方向上生長出若干條神經(jīng)纖維，其中總會有能正確連接到目的地的神經(jīng)纖維，所建立的若干神經(jīng)鏈路在刺激信號的作用下，正確的信息傳遞會使鏈接會變的更加穩(wěn)固，反之則慢慢萎縮分離。打個比方講：兩個城市間原本沒有路，如果要修的話會先派人去探索出若干條路，最后去修筑被優(yōu)選出來的路，而其他的則會被遺棄。

三、神經(jīng)網(wǎng)絡的基本工作原理

1、反射

自然界中，事物的發(fā)展、能量的轉(zhuǎn)化、信息的傳遞等等各種的自然現(xiàn)象都包含著因果關系，只要時間沒有停滯，這種關系將廣泛存在，從“因”到“果”，貫穿著事物的發(fā)展過程，當過程長且復雜時我們稱之為“事件”，反之則稱之為“觸發(fā)”。

生物個體在與外界環(huán)境或是個體自身進行物質(zhì)或信息交換時，也存在著這種現(xiàn)象，在這里我們稱之為“反射”。

反射是最基本的神經(jīng)活動，現(xiàn)行的說法是將反射分為兩種，無條件反射和條件反射，其中，無條件反射是動物和人生下來就具有的，即遺傳下來的對外部生活條件特有的穩(wěn)定的反應方式，在心理發(fā)展的早期階段，這種反應方式提供最基本的生存技能，也就是本能，如：食物反射、防御反射、定向反射，還有一些可能是在人類進化過程中，曾經(jīng)有一定生物適應意義的無條件反射，如：巴賓斯基反射、抓握反射、驚跳反射（又叫摩羅反射）、游泳反射、行走反射等，此外，還有其他一些無條件反射，如眨眼反射、瞳孔反射、吞咽反射、打嗝、噴嚏等等。

條件反射是后天訓練出來的，著名科學家巴甫洛夫就曾對條件反射的形成、消退、自然恢復、泛化、分化以及各種抑制現(xiàn)象進行過相當細致、系統(tǒng)的實驗研究，。

無論是條件反射還是無條件反射，從主觀上都可以看作是一種因果作用關系，即都存在著觸發(fā)條件，都會導致某一結(jié)果的產(chǎn)生，所以無條件反射其實也屬于條件反射范疇。只有在成因上，無條件反射是根據(jù)遺傳信息形成的神經(jīng)網(wǎng)絡結(jié)構(gòu)，而條件反射是后天在先前的網(wǎng)絡基礎上，依據(jù)外界環(huán)境繼續(xù)發(fā)展完善的神經(jīng)網(wǎng)絡結(jié)構(gòu)。兩者之間是繼承和發(fā)展的關系，但從這兩個階段所形成的神經(jīng)網(wǎng)絡功能來看，對外界的刺激都具備輸入、傳遞、輸出這一處理過程即反射過程，所以從某種意義上講，也可以把無條件反射歸類到條件反射范疇中去，或者說條件反射等同于反射。

神經(jīng)系統(tǒng)中的條件反射具有三個要素：輸入、傳遞、輸出。其中的每一個要素既可以用單個神經(jīng)元表示，也可以用一個神經(jīng)群落來表示。當用少數(shù)幾個神經(jīng)元表示時，對應的是生物個體對局部刺激的反應，當擴展到神經(jīng)群落時，對應的就可能就是對某一激發(fā)事件的處理方法了。

反射中的輸入，最能使我們聯(lián)想到傳入神經(jīng)元（感覺神經(jīng)元），但在這里，它可以指單個的感覺神經(jīng)元，也可以指一種感官（眼睛中的視神經(jīng)群落、耳中的聽覺神經(jīng)中樞、皮膚中與各類感受器連接的神經(jīng)群落等等），甚至可以是大腦中某一區(qū)域內(nèi)形成某一表象或是概念的神經(jīng)群落。反射中的輸出同樣可以指傳出神經(jīng)元（即脊髓前角或腦干的運動神經(jīng)元），也可以指大腦中某一區(qū)域內(nèi)形成某一概念或是表象的神經(jīng)群落。反射中的中間傳遞過程是信息的加工處理的過程，可以由單個神經(jīng)元、神經(jīng)鏈路或是神經(jīng)網(wǎng)絡來承擔，甚至可以直接由輸入與輸出的對應載體來分擔。這樣生物神經(jīng)系統(tǒng)中的反射弧只是它的一個子項罷了，條件反射在主觀上也對應著我們常說的“產(chǎn)生、經(jīng)過與結(jié)果”即因果關系。

2、認知

有一個低等生物海兔的記憶試驗:海兔本身具有被觸摸(水管部分)后的鰓縮反射,但連續(xù)十幾次的刺激后,鰓縮反應就逐漸減慢.經(jīng)過研究發(fā)現(xiàn),海兔的習慣化是由于神經(jīng)遞質(zhì)發(fā)生變化所致.進一步的研究發(fā)現(xiàn)這種變化是突觸中的感覺神經(jīng)元的Ca離子門關閉,導致遞質(zhì)的釋放量減少所致.上述試驗說明簡單的記憶與神經(jīng)遞質(zhì)和突觸有關.又如大鼠的大腦皮質(zhì)切除試驗:用迷宮訓練大鼠,如果大鼠學會并記住順利走出迷宮的道路后,切除它的大腦皮質(zhì),記憶就會消退.不論切除的是大腦皮質(zhì)的哪一部分,總是切除的多,記憶消退的多;切除的少,記憶消退的就少。

首先，認知通常強調(diào)的是結(jié)果，是神經(jīng)網(wǎng)絡定型后的結(jié)果。神經(jīng)網(wǎng)絡的定型過程就是認知的建立過程，也就是生物個體的學習過程，它同時表現(xiàn)了出生物的記憶過程。定型好的神經(jīng)網(wǎng)絡對觸發(fā)信息的處理過程即反射過程，就是記憶的提取過程，也正是通過這一過程反映出了認知的存在。

生物個體對客觀事物的認知可以解釋為：客觀事物在主觀意識中形成了表象，并且該表象與一系列的活動（生理的或心理的）相聯(lián)系。換句話說，某一客觀事物的信息如果經(jīng)過大腦處理能夠引發(fā)出一系列的動作（這是一種反射現(xiàn)象，符合前面對反射的定義），我們就可以說對這一事物已經(jīng)認知了。

行為主義與符號主義中對認知建立過程中所顯現(xiàn)出的記憶現(xiàn)象都有很詳細的類別劃分，其中每一種記憶類別都僅與一種認知的建立模式相對應。所以，與其用記憶類別來劃分還不如用認知類別來劃分更為合理，在這里由于篇幅所限，我僅將認知簡單概括為以下三種類別：物體認知、事件認知以及兩種認知的衍生產(chǎn)物抽象事物認知。

a、物體認知

感受外界客觀環(huán)境最簡單的辦法是通過感官直接去“接觸”物質(zhì)對象，并通過大腦處理，并最終導致一個或一系列的結(jié)果，這種因果過程就是對客觀物體的認知。如：看到一個蘋果，我們產(chǎn)生了拿的動作，同時也可以產(chǎn)生許多其他的動作如激活色彩感覺中樞、激活味覺中樞等等，當可以有這些動作產(chǎn)生時，就完成了對蘋果的認知。

下面我們將詳細講解神經(jīng)網(wǎng)絡對物體認知的描述。

一個輸入集合I（觸覺、視覺等的感應細胞構(gòu)成的集合或是處于某一層次上的神經(jīng)元集合）對之內(nèi)兩個不同區(qū)域（A、B）的刺激做出相應Y與X兩種不同反應的神經(jīng)處理過程,如圖2。

圖2的a、b、c為三種AB可能存在的輸入情況。圖2a中A、B分別對應Y、X，神經(jīng)鏈路沒有重疊，刺激A時得到Y(jié)的輸出，刺激B時得到X的輸出，結(jié)果不會出現(xiàn)問題，請注意：帶有方向的黑線只是代表邏輯上的鏈路，在實際中，鏈路與鏈路之間有質(zhì)的區(qū)別，這里只做簡單的等價說明，用數(shù)量表示質(zhì)量。圖2b中A、B間有了交叉，在處理過程中，當A受到刺激會產(chǎn)生Y的輸出，同時會有三條邏輯鏈路去刺激X，但做為X的全部決定因素，這三條相比從B到X余下的空閑聯(lián)絡，只占很小的一部分，它們還不足以激活X，所以分別刺激A、B仍然會得到正確的輸出。對于X這種在某一層次上的輸出神經(jīng)元來說，是否能被激活，主要取決于所有處于不同狀態(tài)的輸入鏈路的能量對比，在這里能量被量化為邏輯鏈路的數(shù)量，這樣每個神經(jīng)元對值的判斷則等價為判斷處于激活狀態(tài)的邏輯鏈路數(shù)是否過半。此類神經(jīng)鏈路就是興奮類傳導神經(jīng)網(wǎng)絡，單純采用此類神經(jīng)鏈路的系統(tǒng)只需要根據(jù)相應刺激感受區(qū)域是否有刺激發(fā)生，就可以得出正確的輸出結(jié)果，但是在圖2c中，刺激區(qū)域A包含著B的情況下，如果刺激B區(qū)會有正確輸出X，然而如果刺激A區(qū)則會出錯，Y與X會同時有效，這時我們就需要一種鏈路來阻止這種錯誤的發(fā)生，這就是抑制類神經(jīng)鏈路，如圖2c中的虛線箭頭所示，抑制類邏輯鏈路只起到?jīng)_減、抵消興奮類邏輯鏈路數(shù)量的作用，使得X在沖減后的興奮鏈路合計數(shù)小于閥值，從而達到唯一正確輸出Y得目的。

在圖2中列舉的神經(jīng)網(wǎng)絡認知模式中，雖然只涉及到了輸入與輸出，但在兩者之間已經(jīng)包含了計算的成分，或是說承擔了傳遞計算的功能，此外不難發(fā)現(xiàn)：能夠?qū)δ骋晃矬w認知，必須要首先區(qū)分開其他物體，尤其是符合圖2c中的情況，物體間的差異正好可以滿足這一需求。這樣，即使是從同一個感官傳來的信息，也能做到很好的區(qū)分。

當認知的對象較為復雜時（如蘋果），對象包含有各種各樣的屬性，其中的每一種屬性的響應過程，在局部都遵循著反射的定義。當在某一時刻，與蘋果相關的各種屬性的神經(jīng)子網(wǎng)絡被大部分激活時，蘋果的表象就成了焦點。更確切的講是，感官捕捉的信息在傳遞的過程中，經(jīng)過了代表各種屬性的神經(jīng)子網(wǎng)絡，一些屬性因條件不滿足而停止傳遞，最后由可以通過的（即被確認的屬性）神經(jīng)子網(wǎng)絡繼續(xù)向后傳遞，最后再引發(fā)一系列的動作，其中反射可以指局部的傳遞（單個屬性的確認），也可以指整個傳遞過程（看到蘋果后，可以去拿可以去想等等）。

蘋果在人腦中形成的表象，其實就是指感官根據(jù)蘋果實物產(chǎn)生的電信號所能經(jīng)過的神經(jīng)鏈路，神經(jīng)鏈路與神經(jīng)網(wǎng)絡的關系相當于行走路徑與公路網(wǎng)的關系。此外其他的神經(jīng)區(qū)域輸出的電信號如果在傳遞過程中也能引發(fā)出與前面提到的“蘋果神經(jīng)鏈路”相同或相似動作或是功能的話，也可以說是形成了蘋果的表象，這種現(xiàn)象可以使我們認知客觀世界不存在的事物或個體自身從未接觸過的事物。

b、事件認知

任何事物在一段時間內(nèi)發(fā)生了變動，在這里都可以被稱之為事件。因果關系同樣也具備事件的屬性，如果能深入分析一下各種事件的過程，基本上都能找到因果關系的影子。在前面對物體的認知中，我們知道了神經(jīng)網(wǎng)絡認知物體是以因果關系的方式建立的網(wǎng)絡鏈路，為了不引起混淆，下面以因果關系為認知對象的，我們用事件來代替，對事件的認知過程，近似于對物體的認知過程，相當于把事件等同于物體，由于事件具有時間性，所以神經(jīng)網(wǎng)絡就必須能夠處理時間問題。

神經(jīng)元的形狀各異，軸突有長有短，且對信息的加工時間與傳遞速度也各不相同，這樣對同一起點不同的傳遞路徑，信息的傳遞速度可能不同。還以圖2為例，現(xiàn)在假設每一個箭頭除了代表一個神經(jīng)元連接外，還代表一個單位傳遞時間，當首先刺激A區(qū)后并在第二個單位時間內(nèi)刺激B區(qū)，將兩次觸發(fā)過程當作一個事件，導致一個輸出Y；同法當先刺激B區(qū)，然后在刺激A區(qū)時會有另一個輸出X，如圖3

根據(jù)這種通過神經(jīng)鏈路上神經(jīng)元個數(shù)進行延時的方法，任何處于時間片段上的信息都可以被處理。我們再舉個更加復雜的例子，單輸入神經(jīng)元網(wǎng)絡對摩爾斯電碼的識別與重現(xiàn)。

假設輸入神經(jīng)元為A，按嚴格的爾斯電碼規(guī)則來刺激該神經(jīng)元，最后由神經(jīng)網(wǎng)絡得出字符序列，如圖4

當A收到刺激信號時，將信號廣播給不同的識別群體，圖4中只給出了其中的一個網(wǎng)絡群體，給出的這個群體只能認識字符“b”即電碼“—…”。為了簡化說明，圖4中舍棄了每個神經(jīng)元的其他輸入輸出鏈路以及相關的抑制鏈路，所以圖中的每一個指向神經(jīng)元的箭頭均存在著“與”的邏輯運算關系，在這里它們不表示邏輯數(shù)量。

由圖4可以看出，先收到的信號經(jīng)過較多的傳遞神經(jīng)元進行延時，再連同后面收到的信號一起同時傳遞到結(jié)果輸出上，這樣處于時間片段上的信息就可以被當作是一個整體來進行處理。粗虛線上半部分為輸入識別部分，下半部分為信息重現(xiàn)部分，仔細觀察就會發(fā)現(xiàn)，兩部分的神經(jīng)鏈路并不是互成鏡像，輸入為前端延時，依次為：1、3、5、7、8、9，輸出為后端延時，依次為：9、7、5、3、2、1，所以認識事物與應用事物是由兩套不同的神經(jīng)網(wǎng)絡來控制完成的。圖4中的兩條傾斜細虛線是一個虛擬的標示線，從某種意義上講這里是事物的表象層，中間本應該是更加復雜的表象處理網(wǎng)絡，在這里只簡單的假設性的給出了表象輸出與輸入。

c、抽象概括與抽象描述

對事物（事件、物體）的認知，使我們得以在大腦中建立出與客觀世界相對應的表象，作為記錄事物表象的神經(jīng)鏈路網(wǎng)上的每一個分支與合并都可能是事物在不同層次上的一種“特征的概括與描述”（參見圖3左圖）。

神經(jīng)網(wǎng)絡在認知新的事物時，輸入信息總是盡可能的使用已存在的網(wǎng)絡鏈路進行傳遞處理，當處理不足以產(chǎn)生正確的結(jié)果時才在信息的中斷處搭建新的網(wǎng)絡連接。在局部，如果已存在的網(wǎng)絡鏈路可以被使用，那么這部分網(wǎng)絡結(jié)構(gòu)通常是一種共性的表達，當這種表達隨著同類認知的增加而逐漸完善時，就可以作為一種屬性的表象，這在主觀上是一種抽象概括的過程。

例如，對蘋果的認知，“蘋果”本身是一個概括出來的詞匯，它不具體指哪一個蘋果，但在認知若干個具體蘋果的過程中，與各個蘋果相對應的神經(jīng)鏈路的共用部分被逐漸加強，這部分神經(jīng)網(wǎng)絡就可以說是“蘋果”這一概念的表象區(qū)域。此外，神經(jīng)網(wǎng)絡結(jié)構(gòu)不光能實現(xiàn)對有形的抽象概括，也可以對無形的加以抽象概括，例如“水果”的表象，這一表象的形成可以說是用若干不同種類的水果培養(yǎng)出來的，也可以說是由“蘋果”、“梨”等等表象的神經(jīng)鏈路的共用部分完善而成的，后一種方式可以理解為抽象概括可以建立在另一種抽象概念之上，即對無形的事物也可以做抽象概括。換個角度講，這些抽象出來的表象本身就是一種有形的物質(zhì)，它是由若干神經(jīng)元搭建起來的網(wǎng)絡系統(tǒng)，是客觀存在的東西，這樣的話就與第一種方式相一致了。

語言是生物間交流的工具，是生物為了更好的適應周圍的環(huán)境而進化產(chǎn)生的，在這里它包含有聲音、文字、動作、行為以及低等生物的化學接觸等等內(nèi)容。就拿我們?nèi)祟悂碚f，每一個發(fā)音、每一個文字符號都可以說是對應著一種表象，這個表象可以是抽象出來的也可以是具體事物產(chǎn)生的。語言是通過觸發(fā)來進行工作，當然也可以說是一種反射或是因果現(xiàn)象。無論是說還是聽，也不論是寫還是看，對于說或者是寫這種輸出性質(zhì)的處理，可以解釋為某個表象被激活時，它又被作為輸入信號沿著該表象至發(fā)音或是運動器官間的語言神經(jīng)鏈路傳遞電信號，直至發(fā)音或是運動器官做出相應的動作。聽與看也是如此，感官接收到信息后傳遞直至激活某一個表象區(qū)域（請參見圖4）。語言與表象之間廣泛存在著對等映射關系，它可以使我們能夠直接去運用語言來進行思維，即便是表象與輸入輸出沒有語言神經(jīng)鏈路對應關系的，如果需要我們也會臨時的建立起語言神經(jīng)鏈路，如本文中說的圖幾圖幾、這個那個等等，或者用相關的有語言鏈路的表象通過塑造、闡述、刻畫、定位等等方式來體現(xiàn)或是建立該表象，這種建立神經(jīng)鏈路的過程往往體現(xiàn)出不同種類的記憶模式。

生物的記憶過程與機械的存儲過程原理基本相同，都是通過改變載體的性狀來表達的，只是生物是通過神經(jīng)網(wǎng)絡的響應過程來表達或再現(xiàn)記憶的內(nèi)容，就是說該神經(jīng)網(wǎng)絡的連接結(jié)構(gòu)就反映著記憶的內(nèi)容，所以生物的記憶過程就是建立特定連接方式的神經(jīng)網(wǎng)絡的過程，而提取過程就是激活這部分神經(jīng)網(wǎng)絡的過程。一旦載有相關記憶內(nèi)容的神經(jīng)網(wǎng)絡結(jié)構(gòu)被確定時，能量只能體現(xiàn)在信息的提取與再現(xiàn)上，當然維持這種結(jié)構(gòu)也需要一點能量，不然神經(jīng)元就餓死了：）注意：這里強調(diào)的是“過程”。

生物的認知過程對外表現(xiàn)為學習過程，對內(nèi)表現(xiàn)為神經(jīng)網(wǎng)絡的建立及使用過程，在學習過程中往往會同時伴隨著反饋過程（內(nèi)反饋或外反饋），生物從外界獲得信息，傳遞處理后再作用給外界，并同時獲取作用后新的信息，周而復始的運做，這就是外反饋過程。外反饋過程是依靠外界因素幫助或是引導或是促使生物個體建立起能與環(huán)境相協(xié)調(diào)運做的神經(jīng)網(wǎng)絡系統(tǒng)，主觀上我們稱之為“教育”。內(nèi)反饋主要體現(xiàn)在我們的思維活動上，通常外界事物在大腦中存在著對應的表象，被外反饋完善了的事物表象之間同樣可以建立起互動聯(lián)系，比如講一個事物的表象被激活（輸入），引發(fā)其他的表象也被激活（輸出），這些被激活的表象同樣也可以作為輸入去激活先前的或是其他的表象，然后周而復始的運做，使得信息得以在腦內(nèi)進行反復的處理。內(nèi)反饋過程實際上就是一種“自學”的過程，但它的激發(fā)源頭必定是與外界有關，并且最終要作用于外界，所以說內(nèi)外反饋往往是兼而有之的。

在認知過程中隨著內(nèi)反饋的素材（表象）不斷增多，生物個體漸漸能夠認知自身與外界間的互動關系，自我意識也就隨之產(chǎn)生，同時我們用以進行思維的素材及其運作方式，如概念，詞匯以及由這些材料所帶來的情感因素及組織方式等等，絕大部分都來源于前人或者是借用他人的經(jīng)驗，生物個體對這些經(jīng)驗素材的獲取，或是由于接觸的幾率的不同，或是由于認同的程度的高低，個體間總會存在著差異，這樣就產(chǎn)生了我們不同的個性特征。

3、創(chuàng)造

生物在與周圍環(huán)境發(fā)生相互作用時，不可避免的會對周圍的環(huán)境造成一定的影響，無論是主動的還是被動的，這些對環(huán)境的影響最終都是為了促使生物以更好的適應周圍的環(huán)境。遵循優(yōu)勝劣汰的法則，好的影響將會被保留繼承下去，如搭窩、建巢、獲取食物等等，而壞的影響會增加生物生存的風險。

神經(jīng)網(wǎng)絡在認知事物后，事物的表象往往不是特定對應著某一個具體事物，而是對應著在一個模糊的范圍內(nèi)所含闊的一類事物。例如，我們認知的蘋果，泛指各種各樣的蘋果，甚至還包括那些嫁接出來的長的象其他水果的蘋果等等。在我們依據(jù)蘋果的表象勾勒出一個具體的蘋果時，這個蘋果將肯定不會與客觀世界中的任何一個蘋果相同，因為沒有兩樣東西是絕對相同的。產(chǎn)生一個客觀世界不存在的事物，就是創(chuàng)造，其過程就是創(chuàng)造的過程。

生物神經(jīng)網(wǎng)絡中事物的表象往往穿插交錯在一起，它們以鏈路最省的方式構(gòu)成。任何神經(jīng)鏈路上的合并都可以說是事物的某一特征在某一層次上的概括，所以表象可以以不同的內(nèi)涵層次來拆分成各種各樣的屬性單元（元素），而任何神經(jīng)鏈路上的分支都可以說是事物的某一特征在某一層次上的副本，使得這些屬性單元也能夠隸屬于別的表象或是說用于構(gòu)建（表達）別的表象，當若干種屬性單元在某一時刻都處于激活狀態(tài)時，就等同于一種表象被激活，無論這個表象是否對應著客觀世界中的事物，如果沒有對應關系那就是一個較高形式的創(chuàng)造過程。

創(chuàng)造的幾種主要的表達形式：聯(lián)想、推理、頓悟

a、聯(lián)想

當一個事物的表象被激活時，也就是說該表象所包含的若干屬性單元（元素）同時有效時，我們的注意力焦點就集中在這個表象上，如果對該表象的處理（內(nèi)或外反饋）使的表象被否決時，也就是說由于一些屬性單元的失效（或被抑制，或處于高阻），導致該表象無法成立的時候，剩余的屬性單元或許可以構(gòu)成另一種事物的表象，或許還需要結(jié)合那些被激活了的新的屬性（或是由外界事物具有的新的屬性所激活，或是因降低了對一些屬性的抑制所導致的激活）。

b、推理

聯(lián)想是一種去激活與事物表象相關聯(lián)的其他表象的過程，主觀上是一種橫向擴展的過程，那么縱向過程就是由于一個或若干個事物表象被激活，從而導致另一個表象也被激活的過程，即推理過程，其中的任何一個表象的確立（激活）都會通過反饋過程加以驗證。推理與聯(lián)想在神經(jīng)網(wǎng)絡結(jié)構(gòu)上十分的相似，功能上也基本相同，只是在主觀認識上，聯(lián)想更強調(diào)相關性或是相似性，而推理則強調(diào)的是次序性或?qū)哟涡浴?/p>

c、頓悟

當我們思考一件事情時，或設計一件東西的時候，常常會遇到百思不得其解的情況發(fā)生，但有時，在某個偶然的事件影響下，我們會突然明白或能夠解決這些問題，這就是頓悟現(xiàn)象。

事物的表象是由若干個神經(jīng)網(wǎng)絡屬性單元所構(gòu)成的，我們說的“問題”在大腦中也是一種表象，是一種經(jīng)反饋過程沒有驗證通過的特殊的表象，這個表象的屬性單元可能包括具體的事物表象、抽象的事物表象、邏輯關系、公理、定律等等內(nèi)容，但這些屬性同時有效時，問題的表象并不能通過內(nèi)外反饋的驗證。作為一個急切需要解決的“問題”，“問題”的表象被反復的激活（深思熟慮反復思考），在一個偶然機會，一個別的事件表象被激活，或是因為此事件的某個屬性單元彌補了“問題”表象的一個重要的空缺；或是因為此事件“問題”表象中的某個關鍵的屬性單元被抑制失效，“問題”表象得以完善并能夠通過反饋驗證，這就是頓悟。

四、神經(jīng)網(wǎng)絡的相關問題

人在成長過程中，他的學習過程就是構(gòu)建相應神經(jīng)網(wǎng)絡結(jié)構(gòu)的過程，隨著認知程度的增加，網(wǎng)絡結(jié)構(gòu)也日趨復雜，對刺激的反應過程也隨之復雜化，當復雜到無法預測時，主觀上就會認為反應過程是自發(fā)產(chǎn)生的，這是人的一種錯覺。

幼年，人腦神經(jīng)網(wǎng)絡的建立過程需要大量的空閑神經(jīng)元，基本雛形確定后，剩余的空閑神經(jīng)元會損失大半，這樣才能夠給網(wǎng)絡的發(fā)展騰出空間。余留下來的空閑神經(jīng)元或是成為新建神經(jīng)鏈路中的一部分而被確定下來；或是被用于臨時搭建的某些鏈路；或是作為備用存在于網(wǎng)絡的空隙當中。

青少年，神經(jīng)網(wǎng)絡屬于高速建立階段，這個階段的神經(jīng)網(wǎng)絡可塑性極強，主要是因為針對事物的認知，即是以機械性記憶為主，對事物認知的量及內(nèi)容是抽象邏輯思維建立的基礎及傾向，隨著量的增加抽象概括的能力會逐漸增強。

中青年，事物的認知量及邏輯思維能力的配比達到了最佳程度，不光有一套較好的能與外界交互的神經(jīng)網(wǎng)絡系統(tǒng)，而且神經(jīng)網(wǎng)絡還保留有發(fā)展的余地，即還保留有一定的可塑性。

中年，無論是抽象事物還是具體事物，認知量已基本確定，網(wǎng)絡的結(jié)構(gòu)已日趨復雜化，在一些局部，需要修改的或是新建的神經(jīng)鏈路對空閑神經(jīng)元的需求也已日趨緊張，使得我們的認知速度逐漸減慢。

老年，在許多的神經(jīng)網(wǎng)絡區(qū)域，空閑的神經(jīng)元已開始滿足不了認知的需求，另外因為無法認知新的事物，對外界的反應能力也開始下降，連帶的相關神經(jīng)區(qū)域得不到激活，神經(jīng)鏈路的健壯性開始下降，以至于一些神經(jīng)鏈路解體，伴隨的就是認知量的下降，即健忘等等現(xiàn)象，并且成為一種惡性循環(huán)發(fā)展下去……。

五、后記

為了能清楚的闡述它的運行機制，同時也是為了驗證這套理論，根據(jù)前面所提到的神經(jīng)元的結(jié)構(gòu)功能及組網(wǎng)方式，我通過計算機軟件設計了虛擬的神經(jīng)網(wǎng)絡系統(tǒng)，2000年軟件完成了調(diào)試，并得到了很好實驗結(jié)果。

參考文獻

1《現(xiàn)代科學育兒答疑》（0-3歲）人民教育出版社1999年第1版

2陳守良等，《人類生物學》，北京大學出版社，2001年12月

3陳閱增等（1997）.《普通生物學》.北京：高等教育出版社

4蘇珊·格林菲爾德，《人腦之謎》楊雄里等譯

5陳宜張《分子神經(jīng)生物學》人民軍醫(yī)出版社1997年2月

6伊·普里戈金、伊·斯唐熱著、曾慶宏、沈小峰譯《從混沌到有序》，上海譯文出版社1987年版。

第2篇：神經(jīng)網(wǎng)絡論文范文

關鍵詞PID控制；BP神經(jīng)網(wǎng)絡；遺傳算法；參數(shù)優(yōu)化

1引言

由于常規(guī)PID控制具有魯棒性好，結(jié)構(gòu)簡單等優(yōu)點，在工業(yè)控制中得到了廣泛的應用。PID控制的基本思想是將P（偏差的比例），I（偏差的積分）和D（偏差的微分）進線性組合構(gòu)成控制器，對被控對象進行控制。所以系統(tǒng)控制的優(yōu)劣取決于這三個參數(shù)。但是常規(guī)PID控制參數(shù)往往不能進行在線調(diào)整，難以適應對象的變化，另外對高階或者多變量的強耦合過程，由于整定條件的限制，以及對象的動態(tài)特性隨著環(huán)境等的變化而變化，PID參數(shù)也很難達到最優(yōu)的狀態(tài)。

神經(jīng)網(wǎng)絡具有自組織、自學習等優(yōu)點，提出了利用BP神經(jīng)網(wǎng)絡的學習方法，對控制器參數(shù)進行在線調(diào)整，以滿足控制要求。由于BP神經(jīng)網(wǎng)絡學習過程較慢，可能導致局部極小點[2]。本文提出了改進的BP算法，將遺傳算法和BP算法結(jié)合對網(wǎng)絡閾值和權(quán)值進行優(yōu)化，避免權(quán)值和閾值陷入局部極小點。

2加熱爐的PID控制

加熱爐控制系統(tǒng)如圖1所示，控制規(guī)律常采用PID控制規(guī)律。

圖1加熱爐控制系統(tǒng)簡圖

若加熱爐具有的數(shù)學模型為：

則PID控制過程箭圖可以用圖2表示。

其中，

采用經(jīng)典參數(shù)整定方法——臨界比例度對上述閉環(huán)系統(tǒng)進行參數(shù)整定，確定PID控制器中Kp=2.259，Ki=0.869，Kd=0.276。參考輸入為單位階躍信號，仿真曲線如圖3所示。

圖2PID控制系統(tǒng)

圖3Z—N整定的控制曲線

仿真曲線表明，通過Z—N方法整定的參數(shù)控制效果不佳，加上PID參數(shù)不易實現(xiàn)在線調(diào)整，所以該方法不宜用于加熱爐的在線控制。

3基于遺傳算法改進的BP神經(jīng)網(wǎng)絡PID控制器參數(shù)優(yōu)化整定

對于加熱爐控制系統(tǒng)設計的神經(jīng)網(wǎng)絡自整定PID控制，它不依賴對象的模型知識，在網(wǎng)絡結(jié)構(gòu)確定之后，其控制功能能否達到要求完全取決于學習算法。

3.1遺傳算法改進的BP算法實現(xiàn)

一般BP網(wǎng)絡結(jié)構(gòu)如圖4所示，其算法步驟為：

（1）輸入訓練樣本，按網(wǎng)絡結(jié)構(gòu)得到輸出；

（2）將實際輸出與希望輸出比較，得到誤差，根據(jù)誤差調(diào)節(jié)閾值和權(quán)值。重復兩個步驟，直到誤差滿足要求為止；

研究表明，采用上述BP算法逐步調(diào)整權(quán)值和閾值，可能導致學習過程收殮速度慢，訓練時間過長，又易陷入局部極小點而得不到最佳的權(quán)值和閾值分布。為了加快學習速率，已經(jīng)有了一些優(yōu)化BP算法[3]，采用動態(tài)學習因子和慣性因子。這些方法在加快網(wǎng)絡收殮速度方面比較顯著，能較好地避免網(wǎng)絡陷入局部極小。遺傳算法不要求目標函數(shù)具有連續(xù)性，而且可以對復雜的多峰的，非線性及不可微的函數(shù)實現(xiàn)全局尋優(yōu)，因此容易得到全局最優(yōu)解或性能很好的次優(yōu)解。將遺傳算法和BP算法相結(jié)合可以具有尋優(yōu)的全局性和精確性。算法過程為：

（1）對權(quán)值和閾值編碼生成初始種群，由于是多參數(shù)優(yōu)化問題，采用多參數(shù)映射編碼；

（2）計算適應度值；

（3）如果不滿足遺傳算法停止條件，則對當代種群進行交叉、選擇和變異產(chǎn)生新的個體，轉(zhuǎn)(2)；否則，轉(zhuǎn)（4）；

（4）對遺傳算法找到的較好的解空間，采用BP算法在這些小的解空間中搜索出最優(yōu)解。

3.2PID參數(shù)優(yōu)化

由圖5可知，神經(jīng)網(wǎng)絡根據(jù)系統(tǒng)的運行狀態(tài)，通過在線調(diào)整PID的三個參數(shù)Kp，Ki，Kd，以達到某種性能指標的最優(yōu)化。

圖5BP網(wǎng)絡整定PID參數(shù)原理圖

經(jīng)典增量式PID的控制算法：

算法步驟：

(1)確定網(wǎng)絡結(jié)構(gòu)，采用3—4—3的結(jié)構(gòu)，輸入分別為e(k)，e(k)-e(k-1)，e(k)-2e(k-1)+e(k-2)。輸出為Kp，Ki，Kd。

(2)選擇初始種群N=60，交叉概率Pc=0.08，權(quán)值，閾值的范圍和初始化。選取目標函數(shù)為（偏差絕對值積分）：，適應度函數(shù)為：

(3)采樣得到rin（k）和yout（k），計算該時刻的誤差。

(4)對網(wǎng)絡進行學習，在線調(diào)整權(quán)值，閾值，計算神經(jīng)網(wǎng)絡的各層輸入，輸出，得到三個可調(diào)參數(shù)Kp，Ki，Kd。計算系統(tǒng)輸出。

(5)計算適應度若不滿足要求，轉(zhuǎn)入第（3）步。

(6)找到最優(yōu)的Kp，Ki，Kd，對系統(tǒng)仿真。

圖6BP網(wǎng)絡整定的控制曲線

仿真結(jié)果顯示，用BP神經(jīng)網(wǎng)絡整定的PID控制系統(tǒng)比經(jīng)典的Z—N（臨界比例度）法有更快的響應特性，良好的動態(tài)特性和比較強的魯棒性。

4結(jié)束語

由于神經(jīng)網(wǎng)絡具有自組織、自學習等優(yōu)點，本文提出的優(yōu)化的BP神經(jīng)網(wǎng)絡相結(jié)合的方法對控制器參數(shù)進行尋優(yōu)，可根據(jù)對象的變化情況對控制器參數(shù)的在線調(diào)整，滿足控制對象的動態(tài)特性隨著環(huán)境變化而變化的要求。達到好的控制效果。遺傳算法與BP網(wǎng)絡的結(jié)合彌補了BP網(wǎng)絡學習過程收斂速度慢，可能陷入局部級小的不足。

參考文獻

[1]王樹青等編著.工業(yè)過程控制工程[M].北京：化學工業(yè)出版社，2002

[2]李士勇著.模糊控制、神經(jīng)控制和智能控制論[M].哈爾濱：哈爾并工業(yè)大學出版社，1996

[3]胡志軍，王建國，王鴻斌.基于優(yōu)化BP神經(jīng)網(wǎng)絡的PID控制研究與仿真[J].微電子學與計算機2006，23(12)：138—140

[4]張文修著.遺傳算法的數(shù)學基礎[M].西安：西安交通大學出版社，2003

第3篇：神經(jīng)網(wǎng)絡論文范文

人工神經(jīng)網(wǎng)絡(AartificialNeuralNetwork，下簡稱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，已由心理學家WarrenS.Mcculloch和數(shù)學家WalthH.Pitts提出神經(jīng)元數(shù)學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。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)絡結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領域中應用較多。

經(jīng)訓練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡補償和魯棒控制綜合方法的應用(其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制)，在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(ANN)和模糊邏輯(FuzzyLogic)的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

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

1人工神經(jīng)網(wǎng)絡理論概述

BP算法是一種監(jiān)控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡的輸出接近于希望值。圖1是人工神經(jīng)Ui的結(jié)構(gòu)模型，圖中Ui為神經(jīng)元內(nèi)部狀態(tài)，Qi為門檻值，Yi為輸出信號，Xi(i=1,2,…，n)為神經(jīng)元接收信號。該模型可表示為：

式中Wji——連接權(quán)值。

BP算法的神經(jīng)網(wǎng)絡圖形如圖2所示，設網(wǎng)絡的輸入模塊為p，令其作用下網(wǎng)絡輸出單元j的輸出為Opj。如果輸出的希望值是Tpj，則其誤差為Dpj=Tpj－Opj。若輸入模塊的第i個單元輸入為Ipi，則就輸入模塊p而言，輸入接點I與輸出接點j之間的權(quán)值變化量為：

ΔWpji=zDpjIpi

式中，z是某一個常數(shù)。當反復迭代該式時，便可使實際值收斂于目標值［6］。其中隱含層既有輸入網(wǎng)線，又有輸出網(wǎng)線，每一個箭頭都有一定的權(quán)值。

在神經(jīng)網(wǎng)絡投運前，就應用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓練內(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)絡的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習，以擴充ANN內(nèi)存知識量。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。

2神經(jīng)網(wǎng)絡型繼電保護

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

如圖3所示，裝置可直接取線路及其周邊的模擬量、數(shù)字量，經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡，根據(jù)以前學習過的訓練材料，對數(shù)據(jù)進行推理、分析評價、輸出。專家系統(tǒng)對運行過程控制和訓練，按最優(yōu)方式收集數(shù)據(jù)或由分析過程再收集控制，對輸出結(jié)果進行評估，判別其正確性、一致性，作出最終判決，經(jīng)變換輸出，去執(zhí)行機構(gòu)。即使是新型保護，也會存在著某些功能模塊不正確動作的可能，這時可以過后人為干預擴展專家系統(tǒng)數(shù)據(jù)庫或由專家系統(tǒng)作出判別，作為訓練樣本訓練ANN的這部分功能模塊，改變其某些網(wǎng)線的權(quán)值，以使下次相同情況下減少不正確動作的可能。

下面是一個簡單的ANN線路保護例子。當電力系統(tǒng)故障時，輸電線路各相、各序電壓、電流也隨之發(fā)生變化，特別是故障后故障相的相電壓和相電流，以及接地系統(tǒng)在接地故障的零序電流的變化有明顯的代表性。比如選輸入層神經(jīng)元個數(shù)為14個，分別是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi(下標r和i分別代表實部與虛部)，選定輸出層神經(jīng)元個數(shù)為5個：YA(A相)，YB(B相)，YC(C相)，YO(接地)，YF(方向)，各輸出值為1，代表選中；輸出值為0，代表沒選中(YF為0代表反向)。這5個輸出完全滿足線路方向保護的需求(沒考慮正向超越)，隱含層神經(jīng)元數(shù)目為2N+1(N為輸入層神經(jīng)元數(shù)目)。訓練樣本集包含14個輸入變量和5個輸出變量，而測試樣本集中的樣本則只有14個輸入變量。選圖4的雙側(cè)電源系統(tǒng)作研究對象，輸電線路、系統(tǒng)的等值正、零序參數(shù)如圖4所示。

考慮的故障類型包括單相接地(K1)，兩相短路(K2)，兩相接地(K1—1)，三相短路(K3)。

對圖4所示的500kV雙側(cè)電源系統(tǒng)的各種運行方式和故障情況建立訓練樣本。

在正常狀態(tài)下，令h∠δ=(EM)/(EN)，h=1，δ

隨負荷變化，取為－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13個樣本。故障情況下，δ取值為－60°，－30°，0°，30°，60°，故障點選反向出口(－0km)，正向出口(+0km)，線路中部(150km)，線末(300km)。接地電阻Rg取值0Ω，50Ω，100Ω，150Ω，200Ω，相間電阻Rp取值0Ω，25Ω，50Ω，則共有5×4×(5+3+5×3+3)=520個樣本。每個樣本的5個輸出都有一組期望的輸出值，以此作為訓練樣本。而實際運行、故障時，保護所測到的電流、電壓極少直接與樣本相同，此時就需要用到模糊理論，規(guī)定某個輸出節(jié)點。如YA(A相)在某一取值范圍時，則被選中。

文獻［1］認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡，因此保護應選用全波數(shù)據(jù)窗。

ANN保護裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習，學習內(nèi)容針對該省的保護的特別要求進行(如反措)。到現(xiàn)場，還可根據(jù)該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。

3結(jié)論

本文基于現(xiàn)代控制技術提出了人工神經(jīng)網(wǎng)絡理論的保護構(gòu)想。神經(jīng)網(wǎng)絡軟件的反應速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。

一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡的硬件芯片現(xiàn)在仍很昂貴，但技術成熟時，應利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網(wǎng)絡結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡基本理論進行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應用的新型網(wǎng)絡及學習算法［5］。

參考文獻

1陳炳華．采用模式識別(智能型)的保護裝置的設想．中國電機工程學會第五屆全國繼電保護學術會議，［會址不詳］，1993

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

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

4ChowMo-Yuen.TheAdvantageofMachineFaultDetectionUsingArtificialNeuralNetworksandFuzzyLogicTechnology.IEEETrans,1992,5(6).(2)：1078～1085

第4篇：神經(jīng)網(wǎng)絡論文范文

1．1采用計算機模擬技術建立模擬模型

對BP神經(jīng)網(wǎng)絡模擬模型建立的基礎，人們是這樣認為的，因為影響工程造價的因素，大多數(shù)人們都是沒辦法確定的，所以我們不需要把這個值具體是多少確定下來，而是從另一個方面考慮，根據(jù)這個項目的基本情況，估計實際的造價落在某個范圍的機會會大一些，這個思想就是計算機模擬技術建立模擬模型的理論基礎。

1．2人工智能模型

工程造價估算專家系統(tǒng)，是通過人工智能，加上知識庫技術而建立起來的，可是這種人工智能模型主要靠專家的知識，來對工程造價進行估計計算的，但是估算的結(jié)果是被估算人員的主觀意識所影響的，不同專家的性格，知識面的寬窄，經(jīng)驗豐富與否、都是不確定因素，幾乎可以會所不一樣的估算專家所得出的結(jié)果都不會一樣。這種方法很容易帶有個人偏見和片面性。受專家的主觀偏見性較強。

2BP神經(jīng)網(wǎng)絡模型構(gòu)造與算法

2．1人工神經(jīng)網(wǎng)絡的基本原理

1985，D•E•Rumelhart等人組成的PDP小組提出的一種神經(jīng)網(wǎng)絡模型，這就是我們今天所說的BP神經(jīng)網(wǎng)絡，BP神經(jīng)網(wǎng)絡結(jié)構(gòu)是利用誤差反向傳播來消除誤差的，它有三個層次，有一個輸入層，第二個是隱層，最后一個當然就是輸出層。在訓練估算中，我們可以通過計算輸出值和我們預期的期望值，他們之間所產(chǎn)生的誤差，逆向思維，去求解輸出層單元的一般化誤差，然后再把誤差進行反向傳播，把隱含層單元的一般化誤差求解出來，并最終調(diào)整輸出層和隱含層，包括輸入層之間的連接權(quán)，還有連接權(quán)與隱含層和輸出層的閾值，最終目的就是讓系統(tǒng)誤差達到我們可以接受為止。當先前的系統(tǒng)誤差達到我們所需求的時候，權(quán)值和閾值就變成了固定不變的了，這樣我們再通過反向逆推，就可以測出我們這個項目的未知信息。這就是人工神經(jīng)網(wǎng)絡的基本原理。

2．2BP神經(jīng)網(wǎng)絡模型建立的步驟

(1)我們首先確定模型輸入層，隱含層還有輸出層的神經(jīng)元個數(shù)。并且以此為依據(jù)，確定BP神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)參數(shù);(2)神經(jīng)網(wǎng)絡只能處理－l～l之間的數(shù)據(jù)，所以在輸入網(wǎng)絡時，我們不僅需要對原始數(shù)據(jù)進行規(guī)范化處理，還要對隱含單元和各個單元輸入信息進行求和;通過反向逆推之后得到本單元的輸入信息。所以對原始數(shù)據(jù)，隱含單元輸入模塊規(guī)范化細致化是非常重要的;(3)隱含單元的輸出值可以根據(jù)神經(jīng)網(wǎng)絡操作模型得出，只要我們把net信號經(jīng)過一次激發(fā)函數(shù)的處理，可以得到這個隱含單元的輸出值;(4)對于輸出單元節(jié)點，我們只要對前一層的隱含層單元輸入信息，并且加權(quán)求和后，就能得到該單元的輸入信息。操作起來非常方便快捷;(5)對權(quán)矩陣的調(diào)整，因為人工神經(jīng)網(wǎng)絡可以近似實現(xiàn)任意空間的數(shù)學映射。所以我們假設，如果神經(jīng)網(wǎng)絡輸入單元數(shù)為M，輸出單元為N，則在m維歐式空間尺中會有一個有界子集A，存在著一個到n維歐式空間，那么R中一個有界子集F(A)的映射。

3基于BP神經(jīng)網(wǎng)絡的工程造價估算模型

3．1定量化描述工程特征的因素

什么是工程特征，在BP神經(jīng)網(wǎng)絡中所說工程特征，就是指不但能表示工程特點，而且還能反映工程的主要成本構(gòu)成的重要因素。，我們可以通過參照歷史工程資料的統(tǒng)計和分析，進行工程特征的選取工作。選取完成之后，再根據(jù)專家的經(jīng)驗來確定，這樣就可以萬無一失了。首先我們可以通過典型住宅工程的造價組成進行分析，然后對建筑結(jié)構(gòu)參數(shù)的變化和別的工程做一下對比，通過以上兩點得出的結(jié)果，分析這些因素對造價的影響，依照以上的理論方法，我們進行了實踐性的研究，最終把礎類型，結(jié)構(gòu)形式，建筑層數(shù)，門窗類型，外墻裝飾還有墻體材料以及平面組合等，這7種因素作為工程的主要特征。不同的建筑工程有著不同的類型，比如說結(jié)構(gòu)，可以是磚混結(jié)構(gòu)和框架結(jié)構(gòu)等;磚條基和鋼筋砼條基礎等都可以作為基礎特征，對于這樣的特征選取的多樣性我們稱之為特征類目，通過工程特征不同類目的列舉，再跟據(jù)定額水平，工程特征對造價影響的相關性，這些對平方米造價的改變，對工程定量化的描述可以主觀的給出對應的量化數(shù)據(jù)。

3．2建立估價模型

工程造價估算的指標體系到該項目的單位造價的非線性映射，就可以統(tǒng)稱為是建設項目工程造價的估算問題。BP網(wǎng)絡可以根據(jù)人們的需求以任意的精度去逼近任意映射關系，究其原因就是上文說的BP網(wǎng)絡采用的是三層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)，不同于其他的電腦估算網(wǎng)絡。不僅是因為該模型的輸入單元為7個，還有他們的項目樣本特征也不盡相同。神經(jīng)網(wǎng)絡可以根據(jù)已經(jīng)經(jīng)過我們優(yōu)選的模型特征，做為參考估算要素，然后再通過項目工程造價估算中，我們所提供的一定數(shù)量的已知樣本，采取對樣本的神經(jīng)網(wǎng)絡訓練，最后根據(jù)以往的大的數(shù)據(jù)庫，提取類似的項目估算值，然后才能對其它特征的項目進行估算。這樣我們只需要輸入指標體系的各指標值，BP神經(jīng)網(wǎng)絡就可以在該項目的單位造價的非線性映射中給出該項目的單位造價。

3．3檢測結(jié)果的分析

上面我們通過大量的實際實驗得知了這兩個固定不變的數(shù)字，然后我們可以用程序值被收斂后的網(wǎng)絡，對現(xiàn)在要進行求解的數(shù)據(jù)進行檢測，在測試后，如果發(fā)現(xiàn)總體誤差比率較小，那么就滿足我們初步設計的概算需求了，同時對工程可行性研究的投資估算需求也已經(jīng)基本符合了，這些結(jié)果能有好的保證，全是依賴我們所選擇的模型的寬度夠用，模型在所有的因素中具有廣泛的代表性。所以估價模型的計算才較為成功。幾個工程估算的好壞也不能代表所有的項目都是完美的，也有個別工程造價估算誤差大，因為電腦畢竟是人在給其輸入程序，電腦的經(jīng)驗，還有就是對一些特征的學習不夠用，本身的知識儲備還是有局限性的。因為對樣本數(shù)量的學習始終是有限，不可能面面俱到，而且挑選的樣本也不可能針對這個工程而言都是符合這個項目的特性。雖然說BP神經(jīng)網(wǎng)絡模型有這樣無法控制的缺點，但是和其他的造價估算模型相比，BP神經(jīng)網(wǎng)絡模型的優(yōu)點還是可圈可點的，其優(yōu)點和其他的造價模型相比較優(yōu)點還是非常明顯的。在以后的估算中，隨著樣本的不斷充實，數(shù)據(jù)的不斷積累，經(jīng)驗的不但豐富，其估算的誤差也將不斷縮小，這些方面的補充，在以后的估算中，必定會取得非常完美的成績。

4總結(jié)

第5篇：神經(jīng)網(wǎng)絡論文范文

在本研究中，其中一個目標（或者說是非合作型的度量指標）就是非連續(xù)度量，其非連續(xù)性在那些具有較少模式的數(shù)據(jù)集中尤為明顯。由于該度量使神經(jīng)網(wǎng)絡優(yōu)化過程難以聚斂，因此本文采用交叉熵方法得到一個連續(xù)函數(shù)并以此作為第一個目標。在本文算法中，初始種群為任意一個由N個神經(jīng)網(wǎng)絡個體構(gòu)成的群體。該種群中個體間的連接權(quán)重是隨機建立的某一確定間隔（輸入層和隱藏層之間的權(quán)重為[-2，2]，隱藏層與輸出層之間的權(quán)重為[-10，10]，這些間隔范圍值都是經(jīng)過實驗而確定的）。初始種群產(chǎn)生后，使用上面提到的兩個目標函數(shù)對其進行評估。經(jīng)過評估后，可按照帕累托最優(yōu)原則對群體中的個體進行分類，每個個體都被賦予了與其非支配水平相同的適應度。那些非支配個體被選為父代個體進行遺傳操作，然后再對他們進行二進制淘汰（兩兩對比后選擇較優(yōu)個體）。

為了產(chǎn)生新的子代個體，需要對選擇的父代個體進行變異運算。這里共有五種變異算子可供選擇，其中，四種是結(jié)構(gòu)變異，一種是參數(shù)變異，選擇任何一種變異算子并對個體進行變異的概率均為1/5。參數(shù)變異在父代連接權(quán)重中加入高斯噪音；結(jié)構(gòu)變異使用種群多樣性來增加搜索空間的多樣性。具體來講，變異算子實際上就是“增加/刪除神經(jīng)元”和“增加/刪除連接”。將新產(chǎn)生的子代個體加入到下一代群體中，重復以上過程直至后代種群數(shù)量達到N；接著，對后代種群進行兩項指標評估并將其與父代種群合并；然后再對新產(chǎn)生的種群按照帕累托原則進行分類，其中最優(yōu)的N個個體被選為下一代的父代，重復以上的生產(chǎn)過程。本文算法使用局部搜索來對父代群體和后代群體進行合并，只有那些來自第一次帕累托前沿的（即通過非支配分類得到的）個體才能進行優(yōu)化，這大大地減少了運算成本，因為沒有對整個變異的后代個體進行局部搜索。經(jīng)過優(yōu)化，每個個體的適應度在近似誤差方面都得到了更新。整個演算過程只在開始、中間和結(jié)束部分使用優(yōu)化算法，也即整個演化過程只使用了三次局部搜索。

2實驗結(jié)果

本節(jié)將以電子行業(yè)高新企業(yè)的投資決策方案評估實例來驗證方法的可行性。在電子元器件的生產(chǎn)過程中，其裝配系統(tǒng)的投資決策方案有三種，本章所使用的裝配系統(tǒng)每年能夠生產(chǎn)的產(chǎn)品數(shù)是不斷增加的。在投資決策方案A中，整個裝配過程包含以下幾個有序操作：產(chǎn)品自動預裝配、兩級人工裝配、試驗臺測試、焊臺焊接、二級試驗臺測試、三級裝配、自動貼標以及包裝。與投資決策方案A相比，B方案的區(qū)別在于其三級裝配為自動裝配，C方案在B方案的基礎上又將包裝升級為自動包裝。表1概括總結(jié)了三種投資決策方案的主要信息。從表1可見，A方案的裝配系統(tǒng)初始投資是最低的，產(chǎn)量也是最低的。對于A方案而言，三級裝配是第一個產(chǎn)能限制的操作，第二個就是包裝。若要將A方案的產(chǎn)能提升至C方案的產(chǎn)能，三級自動裝配站的改造成本為10萬元，自動包裝站的改造成本為12萬元。每一種系統(tǒng)配置的運營成本可根據(jù)每個生產(chǎn)單元的非固定成本以及雇員數(shù)決定的固定成本（每人每年4萬）來計算。對于每種投資決策方案而言，每個生產(chǎn)單元的可調(diào)節(jié)價格為3元。由于產(chǎn)能彈性是裝配系統(tǒng)所需的彈性要求，故對三種不同產(chǎn)品需求場景進行了描述對比（如表2所示），它們之間的主要區(qū)別在于年需求增長百分比和出現(xiàn)的可能性。

場景I的增長百分比最小，但是它出現(xiàn)增長的可能性最大，因此場景I是未來的基本場景，場景II和III是未來可能出現(xiàn)的場景。根據(jù)以上信息，假設現(xiàn)在年需求利率為9%，可獲得不同投資方案的資產(chǎn)收益率（ROA）。結(jié)果顯示，所有方案都能滿足未來基本場景的需求，因此投資決策方案沒有必要改造。表3對比了不同投資決策方案的評估結(jié)果，可見B方案具有最高的資產(chǎn)收益率（5.04%），因此它也是實現(xiàn)未來基本場景的較為經(jīng)濟的配置；C方案的資產(chǎn)收益率很低，主要是因為它的初始投資以及每個生產(chǎn)單元的變動成本都很高。在本案例中，系統(tǒng)的產(chǎn)品需求以及產(chǎn)能之間的對比可顯示該種裝配系統(tǒng)是否需要改造。在場景II中，A方案需要在第四年進行改造，因為所需的產(chǎn)品量已經(jīng)超過系統(tǒng)的生產(chǎn)能力，改造成本為10萬元。在場景III中，A方案需要兩次改造（第二年和第四年），B方案在第四年需要改造。

不同系統(tǒng)配置的預期ROF指標如表3所示。由于A方案在所有場景中都需要改造，它的預期ROF為1.7%。C方案的產(chǎn)能彈性最高，因此其預期ROF也最高，為2.9%。計算結(jié)果顯示，B方案在所有場景中都是較為經(jīng)濟的系統(tǒng)配置，其資產(chǎn)收益率為5%，資產(chǎn)收益率和預期ROF之和高達7.4%，所以B方案是平衡初始投資和產(chǎn)能彈性之間的最佳配置。

3結(jié)束語

高新企業(yè)投資范圍極廣，很多復雜因素都需要考慮。社會因素、城鎮(zhèn)化、環(huán)境條件、能源供應及政治平衡等多種因素共存于高新企業(yè)投資之中，影響著高新企業(yè)投資問題的任一決策。根據(jù)筆者掌握的資料，對于涉及范圍廣、影響不易控制的高新企業(yè)投資決策方案評估來說，那些常見的評估方法很難得到令人滿意的結(jié)果。鑒于此，本文基于多目標神經(jīng)網(wǎng)絡提出并構(gòu)建了一種高新企業(yè)投資決策方案評估方法。在本文方法中，筆者首先定義了兩個評估指標：非連續(xù)度量指標和最低靈敏度指標。初始種群為任意一個由多個神經(jīng)網(wǎng)絡個體構(gòu)成的群體。初始種群產(chǎn)生后，使用上面提到的兩個目標函數(shù)對其進行評估。經(jīng)過評估后，可按照帕累托最優(yōu)原則對群體中的個體進行分類，每個個體都被賦予了與其非支配水平相同的適應度。那些非支配個體被選為父代個體進行遺傳操作，然后再對他們進行二進制淘汰。本算法使用局部搜索來對父代群體和后代群體進行合并，只有那些來自第一次帕累托前沿的個體才能進行優(yōu)化。經(jīng)過優(yōu)化，每個個體的適應度在近似誤差方面都得到了更新。

第6篇：神經(jīng)網(wǎng)絡論文范文

關鍵詞:神經(jīng)網(wǎng)絡系統(tǒng)入侵檢測系統(tǒng)網(wǎng)絡安全

入侵檢測作為一種主動防御技術,彌補了傳統(tǒng)安全技術的不足。其主要通過監(jiān)控網(wǎng)絡與系統(tǒng)的狀態(tài)、用戶行為以及系統(tǒng)的使用情況,來檢測系統(tǒng)用戶的越權(quán)使用以及入侵者利用安全缺陷對系統(tǒng)進行入侵的企圖,并對入侵采取相應的措施。

一、入侵檢測系統(tǒng)概述

入侵檢測系統(tǒng)(IntrusionDetectionSystem,簡稱IDS)可以認為是進行入侵檢測過程時所需要配置的各種軟件和硬件的組合。對一個成功的入侵檢測系統(tǒng)來講,它不但可使系統(tǒng)管理員時刻了解計算機網(wǎng)絡系統(tǒng)(包括程序、文件和硬件設備等)的任何變更,還能給網(wǎng)絡安全策略的制訂提供指南。更為重要的一點是,對它的管理和配置應該更簡單,從而使非專業(yè)人員能非常容易地進行操作。而且,入侵檢測的規(guī)模還應根據(jù)網(wǎng)絡威脅、系統(tǒng)構(gòu)造和安全需求的改變而改變。入侵檢測系統(tǒng)在發(fā)現(xiàn)入侵后,會及時做出響應,包括切斷網(wǎng)絡連接、記錄事件和報警等。

二、入侵檢測系統(tǒng)的功能

1.檢測入侵。檢測入侵行為是入侵檢測系統(tǒng)的核心功能,主要包括兩個方面:一方面是對進出主機或者網(wǎng)絡的數(shù)據(jù)進行監(jiān)控,檢查是否存在對系統(tǒng)的異常行為;另一方面是檢查系統(tǒng)關鍵數(shù)據(jù)和文件的完整性,看系統(tǒng)是否己經(jīng)遭到入侵行為。前者的作用是在入侵行為發(fā)生時及時發(fā)現(xiàn),使系統(tǒng)免受攻擊;后者一般是在系統(tǒng)遭到入侵時沒能及時發(fā)現(xiàn)和阻止,攻擊的行為已經(jīng)發(fā)生,但可以通過攻擊行為留下的痕跡了解攻擊行為的一些情況,從而避免再次遭受攻擊。對系統(tǒng)資源完整性的檢查也有利于我們對攻擊者進行追蹤,對攻擊行為進行取證。

2.抗欺騙。入侵檢測系統(tǒng)要識別入侵者,入侵者就會想方設法逃避檢測。逃避檢測的方法很多,總結(jié)起來可分為誤報和漏報兩大類。一種使入侵檢測系統(tǒng)誤報的實現(xiàn)形式,是快速告普信息的產(chǎn)生讓系統(tǒng)無法反應以致死機,這其實是通用的網(wǎng)絡攻擊方式一拒絕服務攻擊在入侵檢測系統(tǒng)上的體現(xiàn)。與誤報相比,漏報更具危險性,即躲過系統(tǒng)的檢測,使系統(tǒng)對某些攻擊方式失效。入侵檢測系統(tǒng)無法統(tǒng)一漏報和誤報的矛盾,目前的入侵檢測產(chǎn)品一般會在兩者間進行折衷,并且進行調(diào)整以適應不同的應用環(huán)境。

3.記錄、報警和響應。入侵檢測系統(tǒng)在檢測到攻擊后,應該采取相應的措施來阻止攻擊或者響應攻擊。作為一種主動防御策略,它必然應該具備此功能。入侵檢測系統(tǒng)首先應該記錄攻擊的基本情況,其次應該能夠及時發(fā)出報警。好的入侵檢測系統(tǒng),不僅應該把相關數(shù)據(jù)記錄在文件或數(shù)據(jù)庫中,還應該提供好的報表打印功能。必要時,系統(tǒng)還應該采取必要的響應行為,如拒絕接受所有來自某臺計算機的數(shù)據(jù)、追蹤入侵行為等。

三、神經(jīng)系統(tǒng)網(wǎng)絡在入侵檢測系統(tǒng)中的應用

目前計算機入侵的現(xiàn)狀是入侵的數(shù)量日益增長、入侵個體的入侵手段和目標系統(tǒng)多種多樣,因此要確切的描述入侵特征非常困難,入侵規(guī)則庫和模式庫的更新要求難以得到滿足,這就要求入侵檢測應該具有相當大的智能性和靈活性,這是多項人工智能技術被相繼應用到入侵檢測中的原因。

1.傳統(tǒng)入侵檢測中存在的問題。我們先來分析一下傳統(tǒng)IDS存在的問題。傳統(tǒng)IDS產(chǎn)品大多都是基于規(guī)則的,而這一傳統(tǒng)的檢測技術有一些難以逾越的障礙:

(1)在基于規(guī)則的入侵檢測系統(tǒng)中,所有的規(guī)則可理解為“IF一THEN”形式,也就是說,這一規(guī)則表述的是一種嚴格的線性關系,缺乏靈活性和適應性,當網(wǎng)絡數(shù)據(jù)出現(xiàn)信息不完整、變形失真或攻擊方法變化時,這種檢測方法將失效,因此引起較高的誤警率和漏報率。

(2)隨著攻擊類型的多樣化,必然導致規(guī)則庫中的規(guī)則不斷增多,當這些規(guī)則增加到一定程度,會引起系統(tǒng)檢測效率的顯著降低,在流量較高時,可造成丟包等現(xiàn)象。此外,攻擊方法的不斷發(fā)展,使得傳統(tǒng)的入侵檢測系統(tǒng)無法有效地預測和識別新的攻擊方法,使系統(tǒng)的適應性受到限制。

(3)傳統(tǒng)的用來描述用戶行為特征的度量一般是憑感覺和經(jīng)驗的,這些度量是否能有效地描述用戶行為很難估計。有些度量當考慮所有用戶可能是無效的,但當考慮某些特別的用戶時,可能又非常有用。

2.神經(jīng)網(wǎng)絡在入侵檢測中的應用

作為人工智能(AD)的一個重要分支,神經(jīng)網(wǎng)絡在入侵檢測領域得到了很好的應用。神經(jīng)網(wǎng)絡技術在入侵檢測系統(tǒng)中用來構(gòu)造分類器,主要用于資料特征的分析,以發(fā)現(xiàn)是否為一種入侵行為。如果是一種入侵行為,系統(tǒng)將與已知入侵行為的特征進行比較,判斷是否為一種新的攻擊行為,從而決定是進行丟棄還是進行存盤、報警、發(fā)送資料特征等工作。神經(jīng)網(wǎng)絡在入侵檢測中的具體實現(xiàn)方法一般有兩種:

(1)系統(tǒng)或模式匹配系統(tǒng)合并在一起

這種方法不是像以前一樣在異常檢測中用神經(jīng)網(wǎng)絡代替現(xiàn)有的統(tǒng)計分析部分,而是用神經(jīng)網(wǎng)絡來過濾出數(shù)據(jù)當中的可疑事件,并把這些事件轉(zhuǎn)交給專家系統(tǒng)處理。這種結(jié)構(gòu)可以通過減少專家系統(tǒng)的誤報來提高檢測系統(tǒng)的效用。因為神經(jīng)網(wǎng)絡將確定某一特別事件具有攻擊跡象的概率,我們就可以確定一個閩值來決定事件是否轉(zhuǎn)交給專家系統(tǒng)作進一步分析,這樣一來,由于專家系統(tǒng)只接收可疑事件的數(shù)據(jù),它的靈敏度就會大大增加(通常,專家系統(tǒng)以犧牲靈敏度來減少誤報率)。這種結(jié)構(gòu)對那些投資專家系統(tǒng)技術的機構(gòu)大有好處,因為它提高了系統(tǒng)的效用,同時還保護了在現(xiàn)有IDS上的投資。

(2)網(wǎng)絡作為一個獨立的特征檢測系統(tǒng)

在這個結(jié)構(gòu)中,神經(jīng)網(wǎng)絡從網(wǎng)絡流中接受數(shù)據(jù),并對數(shù)據(jù)進行分析。任何被識別為帶有攻擊跡象的事件都將被轉(zhuǎn)交給安全管理員或自動入侵應答系統(tǒng)來處理。這種方法在速度方面超過了以前的方法,因為它只有一個單獨的分析層。另外,隨著神經(jīng)網(wǎng)絡對攻擊特征的學習,這種結(jié)構(gòu)的效用也會不斷提高,它不同于第一種方法,不會受專家系統(tǒng)分析能力的限制,而最終將超越專家系統(tǒng)基于規(guī)則的種種限制。

參考文獻:

第7篇：神經(jīng)網(wǎng)絡論文范文

 

 

本 科 生 畢 業(yè) 論 文（設計）

 

本 科 生 畢 業(yè) 論 文（設計）

題目 陣列化的非晶體納米硅神經(jīng)突觸器件制備與數(shù)值模擬        

 

 

姓名與學號     鄭浩 315104964    

指導教師        皮孝東          

合作導師                        

年級與專業(yè)  2015級 材料科學工程  

所在學院        材料科學工程        

 

提交日期                          

A Dissertation Submitted to Zhejiang University for

Bachelor Degree of Engineering

 

Preparation and Numerical Simulation of Arrayed Amorphous Nano Silicon Synaptic Devices

 

Submitted by

Hao Zheng

 

Supervised by

Prof. XiaoDong Pi

 

 

School of Materials Science and Engineering

 Laboratory of Silicon Materials, Zhejiang University, Hangzhou

 People’s Republic of China

May, 20th, 2019

 

 

浙江大學本科生畢業(yè)論文（設計）承諾書

1.本人鄭重地承諾所呈交的畢業(yè)論文（設計），是在指導教師的指導下嚴格按照學校和學院有關規(guī)定完成的。

2.本人在畢業(yè)論文（設計）中除了文別加以標注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得 浙江大學 或其他教育機構(gòu)的學位或證書而使用過的材料。

3.與我一同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的說明并表示謝意。

4. 本人承諾在畢業(yè)論文（設計）選題和研究內(nèi)容過程中沒有偽造相關數(shù)據(jù)等行為。

5. 在畢業(yè)論文（設計）中對侵犯任何方面知識產(chǎn)權(quán)的行為，由本人承擔相應的法律責任。

6.本人完全了解 浙江大學 有權(quán)保留并向有關部門或機構(gòu)送交本論文（設計）的復印件和磁盤，允許本論文（設計）被查閱和借閱。本人授權(quán) 浙江大學 可以將本論文（設計）的全部或部分內(nèi)容編入有關數(shù)據(jù)庫進行檢索和傳播，可以采用影印、縮印或掃描等復制手段保存、匯編本論文（設計）。

 

 

作者簽名：                         導師簽名：

 

簽字日期：     年   月   日      簽字日期：      年   月   日

 

 

 

致  謝

致謝內(nèi)容。（仿宋字體或Times New Roman，小四號，兩端對齊，首行縮進兩個漢字符位，段前0磅，段后0磅，固定行距20磅。）

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

 

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

致謝內(nèi)容。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

摘  要

信息時代的來臨，人類在處理大數(shù)據(jù)與多信息的任務面前面臨著很大的挑戰(zhàn)，傳統(tǒng)的馮-諾依曼式計算機思想在處理這些問題時出現(xiàn)了本質(zhì)上的不足，因此神經(jīng)網(wǎng)絡的應用于硬件化變得十分迫切。隨著憶阻器的發(fā)現(xiàn)，類腦計算的實際應用變得可能。本文從硬件神經(jīng)網(wǎng)絡的興起出發(fā)，闡述了硬件神經(jīng)網(wǎng)絡的研究現(xiàn)狀與實現(xiàn)途徑，之后引入了生物神經(jīng)元的特征，闡述了以往關于人類神經(jīng)元建立的數(shù)學模型。之后本文提出了一種陣列化硅納米晶體神經(jīng)突觸器件的制備方法與過程，并且在基于這樣的器件上，得到相應的LTP與STDP數(shù)據(jù)，將這些數(shù)據(jù)分別用于探究：神經(jīng)元激活函數(shù)數(shù)值模擬，有監(jiān)督脈沖神經(jīng)網(wǎng)絡之tempotron算法數(shù)值模擬與STDP無監(jiān)督學習網(wǎng)絡數(shù)值模擬，在得到結(jié)果的基礎上，提出了硬件化神經(jīng)網(wǎng)絡所需要的器件的基本性質(zhì)與要求。為未來的硬件化目標提出了可行性與基本方向。

關鍵詞：硬件神經(jīng)網(wǎng)絡；神經(jīng)元；神經(jīng)突觸器件；激活函數(shù)；Tempotron算法；STDP；無監(jiān)督學習

Abstract

With the advent of the information age, human beings face great challenges in dealing with the task of big data and multiple information. The traditional von Neumann-style computer thought has its essential shortcomings in dealing with these problems, so the application of Hardware

neural networks have become very urgent. The discovery of memristors made it possible for the practical application of brain-like calculations. Starting from the rise of hardware neural networks, this thesis firstly expounds the research status and implementation of hardware neural networks, and then introduces the characteristics of biological neurons, and expounds the previous mathematical models of human neuron establishment. After that, an arrayed hybrid silicon nanocrystal based synaptic devices have been prepared. Nervous function behaviors, e.g. LTP and STDP, have been obtained based on this device. These data are then separately used to explore neuron activation function values Simulation, numerical simulation of tempotron algorithm with supervised pulse neural network and numerical simulation of STDP unsupervised learning network. Based on the results, the basic properties and requirements of the hardware required for hardware neural network are proposed. The feasibility and basic direction for future hardware goals are proposed.

Keywords: Hardware neuron network; neurons; Synaptic device; activation function; Tempotron algorithm; STDP; unsupervised learning;

目  次

第一部分  畢業(yè)論文（設計）

A DiSubmitted to Zhejiang University for

I

III

V

VII

IX

第一章 緒論

1.1.1 硬件神經(jīng)網(wǎng)絡的興起

1.1.2 硬件神經(jīng)網(wǎng)絡的實現(xiàn)

1.3.1 生物神經(jīng)元介紹

1.3.2 人工神經(jīng)元介紹

1.3.3 人工神經(jīng)網(wǎng)絡介紹

1.3.4 脈沖神經(jīng)網(wǎng)絡介紹

3.1.1 神經(jīng)網(wǎng)絡結(jié)構(gòu)

3.1.2 神經(jīng)元硬件化結(jié)論

3.2.1 脈沖編碼

3.2.2 權(quán)值更新

3.2.3 數(shù)值模擬結(jié)果

3.2.4 LTP權(quán)值改變法

3.2.5 STDP權(quán)值改變法

3.2.6 結(jié)論

3.3.1 理論背景與基礎

3.3.2 網(wǎng)絡設計

3.3.3 模擬結(jié)果

作者簡歷

攻讀學位期間發(fā)表的學術論文與取得的其他研究成果

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

第一部分

 

畢業(yè)論文（設計）

第一章  緒論

11.1  硬件神經(jīng)網(wǎng)絡1.1.1  硬件神經(jīng)網(wǎng)絡的興起

21世紀進入信息時代后，計算機的普及率大大上升，計算機本身也在計算力與邏輯處理上遠遠超過了人腦，然而不足的是，在數(shù)據(jù)的存取與記憶上，仍然是采用馮-洛伊曼式的串行方法，且功耗很大，而人類大腦擁有10^11 個神經(jīng)元和10^15神經(jīng)突觸。這使得人類處理信息的方式是高效的并行方式，并且功耗很低。例如人類大腦看到一種東西，識別它的過程往往使視覺神經(jīng)信號與記憶信號同時作用的結(jié)果，功耗在fj量級。在使得馮-洛伊曼式計算機處理復雜指令與控制上體現(xiàn)出了根本性的缺陷?；谶@一點，神經(jīng)網(wǎng)絡的研究開始興起，在1943年，McCulloch 和 Pitts 提出了神經(jīng)元的形式化模型后, 有關于神經(jīng)網(wǎng)絡的討論也逐漸火熱起來，但其發(fā)展的中途受到很多科學家對其的質(zhì)疑[19]。直到 1980年左右, Rumelhert 與他的研究伙伴[20]一起發(fā)表了著名的并行分布式處理( Parallel Distributed Processing)方法的工作 , 并且建立了 BP 算法和前向神經(jīng)網(wǎng)絡，從數(shù)學上的形式，證明了這種算法的可行性，BP神經(jīng)網(wǎng)絡是一種前饋式的誤差逆向傳播網(wǎng)絡，通過訓練集不斷縮小輸出值與目標值的差值從而達到非線性優(yōu)化的目的。由此，神經(jīng)網(wǎng)絡的數(shù)學原理得到證明，其實在1970年神經(jīng)網(wǎng)絡存在一段低落期，也受到了很多懷疑。但是BP神經(jīng)網(wǎng)絡的興起與提出，讓科學們對于神經(jīng)網(wǎng)絡的態(tài)度再次火熱起來。21世紀隨著深度學習的提出，又掀起了一股關于人工智能的熱潮，Deep learning 是在多層感知機的基礎上，不斷增加隱含層的層數(shù)，這上面又出現(xiàn)了一些數(shù)學上的問題比如激活函數(shù)的梯度彌散問題，但是由于Relu激活函數(shù)替代sigmod函數(shù)的提出，這些問題逐步得到了解決，深度學習向前發(fā)展了一大步。比如IBM的“深藍”擊敗世界圍棋選手李智石等，但是實際上，“深藍”在擊敗李智石時消耗的電量等于一桶油的燃燒的焦耳值，但是李智石僅僅使用了兩個饅頭的熱量戰(zhàn)斗。也就是說，這場比賽其實并不公平。其實這反應的是人工智能的工作效率與真正人腦的學習效率仍然有很大的差距。神經(jīng)網(wǎng)絡本質(zhì)是由多個簡單的信號處理單元組成，這些簡單的信號單元之間由一種方式連接形成網(wǎng)絡，它意在模仿人類大腦處理信息的模式，從而實現(xiàn)圖像識別，音像識別，特征提取和記憶等功能?，F(xiàn)在計算機能夠從軟件上對神經(jīng)網(wǎng)絡進行實現(xiàn)，然而關于數(shù)據(jù)的存取方式仍然無法得到突破，數(shù)據(jù)的存取方式仍然是老式馮-諾依曼式的串行處理方式。但是人類識別圖像，獲得信息是并行的。因此硬件神經(jīng)網(wǎng)絡的開發(fā)是必要的，硬件神經(jīng)網(wǎng)絡能夠使用集成電路實現(xiàn)并行處理信息，并且能耗低，效率高，能夠更貼近人類大腦的工作方式。因此硬件神經(jīng)網(wǎng)絡的開發(fā)受到很多的關注與研究，未來人工智能和類腦計算的發(fā)展前景中，硬件神經(jīng)網(wǎng)絡的研究是必須的。

[ANNOTATION:

BY 'wenhuang'

ON '2019-05-23T09:23:00'w

NOTE: '這部分放到前言部分比較好，或者干脆就不要了，放在這里是不合適的。']本文的第一章即緒論，主要是闡述當前關于硬件化神經(jīng)網(wǎng)絡的突破，現(xiàn)狀與發(fā)展形勢。

第二章主要從人類的神經(jīng)元開始，講述人類生物神經(jīng)元的特點，講述現(xiàn)在人工神經(jīng)元的數(shù)學模型，以及硬件化神經(jīng)元需要的要求與方式

第三章主要講述制備實驗器件的技術路線，與制備的過程和使用的材料

第四章從數(shù)值模擬的角度，探究神經(jīng)元硬件化的條件是怎么樣的，數(shù)值模擬選取MNIST數(shù)據(jù)集作為樣本數(shù)據(jù)集，通過使用實驗得到的激活函數(shù)替論激活函數(shù)，觀察網(wǎng)絡的準確率，得出相關結(jié)論，探究硬件需要滿足的條件

第五章從數(shù)值模擬的角度，探究突觸硬件需要滿足的條件，突觸與神經(jīng)元不同，它是作為神經(jīng)網(wǎng)絡中存儲權(quán)值，改變權(quán)值的存在，與神經(jīng)元有本質(zhì)上的區(qū)別，數(shù)值模擬采用26個英文字母的圖片作為數(shù)據(jù)集，進行編碼后發(fā)送脈沖，使用Tempotron 的有監(jiān)督脈沖神經(jīng)網(wǎng)絡進行數(shù)值模擬，通過實驗硬件得到的LTP與LTD圖像進行權(quán)值更新。得到預測率的圖像，證明了LTP的電或者光電器件能夠作為脈沖神經(jīng)網(wǎng)絡硬件化的一個器件，為未來做出相關硬件網(wǎng)絡道出了一種可行性。

第六章主要是針對STDP的學習機制擴大網(wǎng)絡規(guī)模，將數(shù)據(jù)集擴展到MNIST手寫數(shù)據(jù)集，使用STDP無監(jiān)督學習網(wǎng)絡[16]對數(shù)據(jù)進行訓練，之后再對訓練好的神經(jīng)元進行分類。得到我們想要的結(jié)果。

第七章主要是總結(jié)本文的工作得到的結(jié)論，以及對于未來硬件神經(jīng)網(wǎng)絡的發(fā)展的一些展望與看法

 

 

1.1.2  硬件神經(jīng)網(wǎng)絡的實現(xiàn)

一般硬件神經(jīng)網(wǎng)絡的實現(xiàn)方式有三種，即采用電子學方法——依靠微電子技術實現(xiàn)人工神經(jīng)網(wǎng)絡, 采用光電方法——依靠半導體光電集成技術實現(xiàn)人工神經(jīng)網(wǎng)絡, 采用光學方法實現(xiàn)人工神經(jīng)網(wǎng)絡[18]。微電子技術應該是通過各種電路設計，例如放大電路，差分電路等集成電路，實現(xiàn)神經(jīng)網(wǎng)絡的reference部分。依靠光電實現(xiàn)的硬件神經(jīng)網(wǎng)絡是本文的重點，利用電學元器件，憶阻器器件，或者是光電器件，模擬生物神經(jīng)元的膜電位變化曲線，與人類大腦的權(quán)重學習規(guī)則，從而實現(xiàn)神經(jīng)網(wǎng)絡的硬件化。采用光學的方法實現(xiàn)網(wǎng)絡計算的方法十分有趣，UCLA大學的研究小組發(fā)明了一種全光的深層神經(jīng)網(wǎng)絡，通過光的反射與折射傳遞信號，利用光入射的相位差記錄權(quán)值變化，實現(xiàn)了全光的神經(jīng)網(wǎng)絡，而且由于光的傳播速度是光速，在整個網(wǎng)絡的效率與速度上都十分驚人，能耗也十分低[21]。神經(jīng)網(wǎng)絡的電子學硬件實現(xiàn)方法主要有四種，其中分別是數(shù)字實現(xiàn)、模擬實現(xiàn)、混合數(shù)/模實現(xiàn)和脈沖技術實現(xiàn)等[18]。通過數(shù)字實現(xiàn)的神經(jīng)網(wǎng)絡一般精度很高[1,2]，權(quán)值易存儲也容易改變，并且能夠通過電路實現(xiàn)并行處理，克服傳統(tǒng)計算機串行處理數(shù)據(jù)的弊病，但是缺點是電路難以集成，體積很大，很難適用于計算機新型芯片這種地方。通過模擬實現(xiàn)的神經(jīng)網(wǎng)絡能夠很好克服上面的缺點[3,4,5]，但是由于突觸和神經(jīng)元器件對參數(shù)敏感，準確度下降，更關鍵是對于權(quán)值的存儲存在困難。1987年是一個轉(zhuǎn)機，即脈沖技術第一次用于了神經(jīng)網(wǎng)絡，使用VLSI技術作為實現(xiàn)，從這以后，神經(jīng)網(wǎng)絡的脈沖技術受到了很多關注[9,12]。

脈沖技術，簡單來說就是將神經(jīng)元的興奮或者抑制狀態(tài)通過一定的編碼方式轉(zhuǎn)化到脈沖的波形上，編碼的方法一般有高斯編碼，或者可以自定義的編碼方式。由于脈沖化的信號是離散的，因此一定程度上可以簡化運算電路：例如突觸電路。神經(jīng)元與一般的電路元件不同，它本身的密度很高，正如人類神經(jīng)元的密度很高一樣。這種緊密的排列方式使得脈沖信號把芯片和外圍設備的接口變得更容易連接。本文正是利用從脈沖神經(jīng)網(wǎng)絡出發(fā)，制備出硬件化的元件，通過數(shù)值模擬硬件的實際可行性，并且對于未來硬件化神經(jīng)網(wǎng)絡的方向提出一些看法

21.2  硬件神經(jīng)網(wǎng)絡研究進展當前的人工神經(jīng)網(wǎng)絡存在三種模式，第一種是非學習型神經(jīng)網(wǎng)絡，即網(wǎng)絡的前饋過程與權(quán)值計算過程全部由軟件進行實現(xiàn)，權(quán)值是固定不變的，只用神經(jīng)網(wǎng)絡的電路結(jié)構(gòu)完成之后，再與實際電路結(jié)構(gòu)匹配即可。另外一種是on-chip的模式，即前饋過程通過微電子電路進行實現(xiàn)，權(quán)值的更新與計算通過計算機實現(xiàn)。還有一種off-chip模式，即是一種全自動的自主性芯片，從神經(jīng)網(wǎng)絡的前饋環(huán)節(jié)到神經(jīng)網(wǎng)絡的BP算法實現(xiàn)都一并完成。目前的研究狀況，我們已經(jīng)能夠熟練通過電路的設計實現(xiàn)非學習神經(jīng)網(wǎng)絡。在on-chip式的人工神經(jīng)網(wǎng)絡上，我們也能通過一定的模擬方式得到實現(xiàn)?，F(xiàn)在的當務之急是開發(fā)off-chip式的神經(jīng)網(wǎng)絡，使用硬件對權(quán)值的存儲與改進是必要的。自從20世紀60年代后期引入憶阻器概念以來，由于其簡單性和功能相似性，它們被認為是模擬突觸裝置的最有希望的候選者。2008年，惠普公司公布了基于TiO2的RRAM器件[6]，開拓了RRAM和憶阻器之間聯(lián)系，做出了一定的應用之后以非易失性存儲器件和神經(jīng)突觸晶體管為代表開始成為神經(jīng)突觸器件的基礎。但將這些器件用于第二代神經(jīng)網(wǎng)絡（也就是多層感知機）上，取得了一定的成就，現(xiàn)在關于這方法的也在如火如荼的進行著，但是由于第二代神經(jīng)網(wǎng)絡的基礎仍然是基于計算機的算力達到的深度，也就是說，加深隱含層的數(shù)目提高準確度，知識因為有著強大的計算芯片作為支持。我們需要考慮一種完全類似于人腦思考問題的神經(jīng)網(wǎng)絡與算法，于是脈沖神經(jīng)網(wǎng)絡開始興起，并且被譽為第三代神經(jīng)網(wǎng)絡，這是一種完全基于人腦計算模式的神經(jīng)網(wǎng)絡，從長程記憶可塑性LTP，時間可塑依賴性STDP等研究的深入，這一網(wǎng)絡的硬件化也成為了可能

31.3  從生物神經(jīng)元到人工神經(jīng)網(wǎng)絡1.3.1 生物神經(jīng)元介紹

人的大腦中有超過 1011個神經(jīng)元，這些神經(jīng)元之間的連接的突觸又大約有10^15個，這些突觸使得神經(jīng)元互相連接，從而構(gòu)成了復雜多變而又有條不紊的神經(jīng)網(wǎng)絡[7]。這些神經(jīng)元的單獨處理信息的速度并不算很快，但是人類的大腦能夠很有效的利用這些神經(jīng)元并行處理。即大量神經(jīng)元一起處理一個任務，這有些類似于計算機里的多線程并行操作算法。人類大腦的神經(jīng)元數(shù)目雖然龐大，但是它的能耗低卻是特點，我們每日攝入的熱量與一些機器的能源是不能夠比擬的，然而我們的大腦就能夠?qū)崿F(xiàn)很多計算功能，有數(shù)據(jù)顯示，腦神經(jīng)系統(tǒng)一個動作每秒消耗的能量比最優(yōu)秀的處理器能耗小1010個數(shù)量級。

人的生物神經(jīng)元有兩個部分，分別是細胞體和突起。具有處理并且整合輸入的神經(jīng)信號，然后傳出這些信息的作用。突起有樹突和軸突兩種。樹突相對較短但分枝很多，其作用是接受其他神經(jīng)元軸突傳來的沖動并傳給細胞體。軸突長而分枝少，常常出現(xiàn)在軸丘，一般為粗細均勻的細長突起，其作用是接受外來刺激，再由細胞體傳出。神經(jīng)元與神經(jīng)元之間的連接被稱為神經(jīng)突觸，兩個神經(jīng)元之間連接強度或者關聯(lián)程度體現(xiàn)在突觸的連接強度。一般而言神經(jīng)元有以下的特點[8]：

1）：可塑性：即神經(jīng)元之間的突觸可以連接，也可以取消，連接可以變強，也可以慢慢變?nèi)酰奖闩c人類去適應不同的環(huán)境。

2）：興奮與抑制：神經(jīng)元受到外界刺激之后，會產(chǎn)生膜內(nèi)外滲透壓的差別從而導致Na+或者Ca2+的流入或者流出，這些離子的遷移會產(chǎn)生動作電位，導致膜電位的上升或者下降，也就對應了人類神經(jīng)元的興奮和抑制過程。

3）：學習與遺忘：由于可塑性的存在，當人類在長時間受到同一種刺激的時候，會產(chǎn)生我們的所說的學習功能，而這種功能其實是神經(jīng)元之間的連接得到了加強，同理，如果我們慢慢遺忘了一些東西，是因為長期不去使用從而神經(jīng)元之間的連接衰弱了。對應的有LTP,LTD圖像來進行表征。

4）：突觸的延時和不應期。神經(jīng)沖動的傳遞在突觸中是需要時間的，一般這個時間是1-150ms。另外，神經(jīng)元也不會在短時間內(nèi)接受兩次沖動，一般需要間隔一定的時間，這個被稱為不應期。

從上面可以看到，想要用神經(jīng)元器件模擬人類的生物的神經(jīng)元，一定要從生物本質(zhì)和特征去進行模擬。本文后面的數(shù)值模擬會再把這些特征一一強調(diào)一次，從而達到一種仿真的目的。

1.3.2 人工神經(jīng)元介紹

早在1943 年 McCulloch 和 Pitts 提出了神經(jīng)元的形式化模型, 神經(jīng)元可用簡單的zha值函數(shù)表示，并完成邏輯函數(shù)功能[19]。20世紀初期，美國心理學家Willian Jame 提出，一個神經(jīng)元應該是同時接受來自不同神經(jīng)元的信號后，由于不同神經(jīng)元之間的突觸連接強度不同，神經(jīng)元相當于是一個加權(quán)和，并且由于興奮存在一個閾值電壓，需要一定的電壓值才會fire，因此神經(jīng)元可以用一個數(shù)學模型來勾畫，即著名的MP模型。

y=f(∑i=1nwixi+b)

                        （2-1）

 

其中，表征每個神經(jīng)元的輸入值，表征神經(jīng)元之間的連接強度，b代表閾值電壓。外界的f函數(shù)則是一種神經(jīng)元的處理函數(shù)。

 

圖1-1 MP 神經(jīng)元模型

Fig.1.1 Neurons model

可以看到，對于神經(jīng)元的硬件實現(xiàn)實際上是一個乘法器的實現(xiàn)以及加權(quán)和非線性處理，這個可以通過放大電路等進行實現(xiàn)。后續(xù)本文也將探究一下神經(jīng)元應該具備怎樣的條件，或者怎么樣的器件適合作為神經(jīng)元器件。

1.3.3 人工神經(jīng)網(wǎng)絡介紹20世界80年代,J.Hopfield 提出了 Hopfiel 神經(jīng)網(wǎng)絡, 引起了神經(jīng)網(wǎng)絡理論在優(yōu)化學術界的轟動。然而熱潮還遠遠沒有結(jié)束。1986年，Rumelhart和McCelland提出了BP神經(jīng)網(wǎng)絡，這種神經(jīng)網(wǎng)絡是現(xiàn)在很多網(wǎng)絡算法的基礎，它是一種依靠逆向傳播輸出值與實際值誤差修正網(wǎng)絡權(quán)值的網(wǎng)絡，利用梯度下降算法或者隨機梯度下降法降低目標值與實際值的誤差，隨機梯度下降算法時為了加速算法收斂速度提出的更好的方式，現(xiàn)在很多網(wǎng)絡也應用這種方法

 

圖 1-2 經(jīng)典的神經(jīng)BP神經(jīng)網(wǎng)絡模型

從圖中我們可以看到的是，網(wǎng)絡一般由輸入層，隱含層和輸出層三個部分構(gòu)成，其中輸入層可以是圖像的像素值，音頻信號等等，因此神經(jīng)網(wǎng)絡現(xiàn)在廣泛用于人臉識別，圖像識別，聲音識別等等領域。隱含層的多少是決定一個網(wǎng)絡是否是深層網(wǎng)絡的基本要素，隱含層如果越多，那么挖掘的信息，提取的特征就越難以用表面語言描述，訓練的精度也會逐步的提升。輸出層是網(wǎng)絡的輸出，網(wǎng)絡的輸出后往往會選擇一個損失函數(shù)，這個損失函數(shù)是用于衡量目標值與實際值的差值從而進行誤差反向傳播計算。常見的損失函數(shù)有MSE函數(shù),Cross-Entorpy函數(shù)等等。

 

圖1-3 硬件神經(jīng)網(wǎng)絡的一種實現(xiàn)[15]

基于經(jīng)典的BP神經(jīng)網(wǎng)絡MLP的硬件實現(xiàn)如上圖所示，使用電路模擬整個網(wǎng)絡的結(jié)構(gòu)，在電路橫向與縱向的cross_bar 的地方放置突觸裝置，利用電流與電壓的比值進行權(quán)值的存儲與更新。這樣的網(wǎng)絡往往需要得到的I-V曲線是對稱的，就是說，權(quán)值的變化需要是隨著強度的增加而增加，減少而減少，呈現(xiàn)一種線性的變化，從而保證在進行BP算法時，誤差能夠不斷減小。

1.3.4 脈沖神經(jīng)網(wǎng)絡介紹隨著在21世紀早期計算能力的顯現(xiàn)，DNN（多層感知器，深層信念網(wǎng)絡，傳統(tǒng)神經(jīng)網(wǎng)絡等等）迅速發(fā)展，DNN的基本特征是有很多隱含層，這些神經(jīng)網(wǎng)絡能夠?qū)崿F(xiàn)監(jiān)督與非監(jiān)督學習，并且能夠優(yōu)秀的完成有大量數(shù)據(jù)的任務。然而實際上，現(xiàn)在的DNN的優(yōu)秀來源于GPU的并行加速機制，是在計算機多核算力上的體現(xiàn)，在其本身的算法上，其效率遠遠不如人腦高。SNN（脈沖神經(jīng)網(wǎng)絡）最近引起了很多關注，因為它們與生物系統(tǒng)非常相似，在SNN中，輸入信號是尖峰，而不是傳統(tǒng)神經(jīng)元中的恒定饋送。 人們普遍認為能夠處理尖峰是大腦在序列識別和記憶方面如此壯觀的主要原因之一[9]。序列識別是計算中更重要的主題之一，因為它直接影響系統(tǒng)處理強烈時序依賴的刺激的能力，例如語音識別和圖像檢測[10]

 

圖1-4  STDP圖像

對應STDP的最簡單理解是，如果前突觸神經(jīng)元的信號在后突觸神經(jīng)元的信號之前達到，有理由認為前突觸的信號導致后突觸神經(jīng)元的信號產(chǎn)生，那么這兩者之間的突觸連接強度應該增加，反之就該減少。但如何保證這種訓練模式一定是有效的呢？Bengio 和 Fischer 兩人在2015發(fā)表的文章[11]指出具有對稱反饋權(quán)重的網(wǎng)絡將具有以下特性：“輸出單元”的小擾動將向更好的預測傳播到內(nèi)部層，使得隱藏單元移動到大致遵循預測誤差J相對于隱藏單元的梯度。而STDP規(guī)則大致對應于預測誤差的梯度下降，即STDP的規(guī)則其實和SGD算法有著異曲同工之妙。Scellier和Bengio（2016）報告的實驗已經(jīng)真實地表明這些近似值可以工作并且能夠訓練有監(jiān)督的多層神經(jīng)網(wǎng)絡[12]。

脈沖神經(jīng)網(wǎng)絡被稱為新一代神經(jīng)網(wǎng)絡，與經(jīng)典的神經(jīng)網(wǎng)絡不同在于它的輸入實際上不是一個連續(xù)值而是一系列脈沖，更為重要的是他的神經(jīng)元膜電位，一旦達到了膜電位的峰值，那么這個神經(jīng)元就被激活，后面的脈沖會進入一段不應期。關于神經(jīng)元的模型，已經(jīng)提出了HH模型，Izhikevich模型與LIF模型，其中以LIF模型為例，其微分方程的表示如下：

τdVdt=?(V?Vr)+RI

                      （2-2）

 

τ

是膜的時間常數(shù)，R為膜電阻，V是膜電位，Vr是復位電位，I是注入電流，當膜電壓超過一個閾值時，神經(jīng)元會發(fā)送一個脈沖。如果后面沒有連續(xù)的刺激，這個產(chǎn)生的脈沖信號會不斷衰退，膜電位也會恢復到復位電位后穩(wěn)定。之后再接受電流再刺激。

 

針對脈沖神經(jīng)網(wǎng)絡的學習過程，也分為有監(jiān)督學習和無監(jiān)督學習，無監(jiān)督學習主要以STDP為主[13,14]，有監(jiān)督學習包括Tempotron算法，ReSuMe算法和SpikeProp算法等等。本文主要采用Tempotron算法，下面做個詳細的介紹：

在Tempotron算法中，考慮在閾值下，突觸前神經(jīng)元產(chǎn)生的脈沖信號，對突觸后膜電位（PSPs）的貢獻是來自所有脈沖輸入的加權(quán)和：

V(t)=∑iωi∑tiK(t?ti)+Vrest

                  （2-3）

 

ti

表示第i個神經(jīng)元的脈沖發(fā)送時間，

K（t?ti）

表示第i個脈沖對于膜電位的貢獻，即突觸前神經(jīng)元發(fā)出的脈沖對于突觸后神經(jīng)元膜電位的影響。其標準形式如下：

 

K(t?ti)=V0(exp[?(t?ti)/τ]?exp[?(t?ti)/τs])

          （2-4）

 

τ,τs

是時間常數(shù)，為了保證K(t)在（0,1）之內(nèi)變動，我們需要用V_0進行歸一化處理，K(t)圖像繪制如下圖：

 

 

圖1-5 K(t)隨時間變化圖

由監(jiān)督學習的重點是要將權(quán)重更新向著誤差減少的方向進行，獲得期望的輸出脈沖，更新規(guī)則如下：

Δωi=λ∑ti?tmaxK(tmax?ti)

                     （2-5）

 

即以二分類為例，ti

為突觸前神經(jīng)元峰值的產(chǎn)生時間，這里的

tmax

設定為我們設置的時間序列的終點，默認為突觸后神經(jīng)元的峰值的產(chǎn)生時間，但這和一般的STDP不一樣，因為STDP的神經(jīng)網(wǎng)絡訓練規(guī)則實際是不需要有監(jiān)督的，而這里有一個參數(shù)

λ

，用于控制輸出值與期望值的誤差方向，如果突觸前神經(jīng)元產(chǎn)生峰值超過閾值電壓的神經(jīng)脈沖，并且突觸后神經(jīng)元指向分類標準與前神經(jīng)元指向的分類相同，則不需要修改權(quán)值（說明這個連接正確），如果突觸前神經(jīng)元峰值未超過閾值電壓，那么需要根據(jù)上式指定

λ

>0，并且計算需要增加的權(quán)值。反之當

λ

<0時，需要進行減小權(quán)值?？傮w看來，這是在借助有監(jiān)督學習的條件下，在明白誤差修正方向下利用STDP中的LTP與LTD曲線獲得修正的幅度（可以認為是學習的速率），從而使我們獲得期望的輸出。注意上面提出一種概念：即在有監(jiān)督學習的條件下，后突出神經(jīng)元的峰值由標簽值決定，并且根據(jù)誤差值指明誤差修正放向（體現(xiàn)為

λ

的正負性），然后依靠STDP決定修正幅度。這也是一種將STDP曲線用于有監(jiān)督學習的可行性展示。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

第二章  實驗部分12.1  陣列化基于硅納米晶體雜化結(jié)構(gòu)的神經(jīng)突觸器件制備2.1.1  制備技術路線在本論文里面，采用了冷等離子方法制備了摻B的Si量子點，相比于其他的摻雜方法，冷等離子法是借助了動力學的原理，從而實現(xiàn)了對硅納米晶體的高效摻雜，一定程度上避免了利用熱力學原理來摻雜的過程中出現(xiàn)的“自潔凈”現(xiàn)象。相比之下能夠?qū)崿F(xiàn)比較高濃度的摻雜。

 

圖2.1 使用冷等離子法制備摻雜硅納米晶體示意圖

使用冷等離子體法制備摻雜硅納米晶體的裝置設計示意如圖2.1所示。先準備每分鐘流量值12標準公升的硅烷氬氣混合氣（20% SiH4）、157 sccm的硼烷氬氣混合氣（其中含有0.5% B2H6）和105 sccm的高純氬氣通入到石英管中混合，調(diào)節(jié)系統(tǒng)尾部的真空泵，使腔體內(nèi)的氣壓穩(wěn)定在6 mbar。石英管中間部位套有兩個銅環(huán)，分別接匹配箱和射頻發(fā)生器的正負兩級。在射頻發(fā)生器（功率約為150 w）的激發(fā)下，銅環(huán)之間的石英管內(nèi)將產(chǎn)生等離子體，混合氣體在通過等離子體區(qū)域時將會發(fā)生分解反應，這個反應的產(chǎn)生是因為氣體受到了高能粒子和電子的轟擊產(chǎn)生的，具體化學反應式如下：

SiH4?Si+H2B2H6?2B+3H2

 

在器件制備方面，本文利用硅納米顆粒的光電性能與以及表面缺陷對載流子具有俘獲的性質(zhì)，首先與鈣鈦礦進行雜化形成混合容易。通過旋涂工藝制備成了太陽能電池結(jié)構(gòu)的神經(jīng)器件，器件的結(jié)構(gòu)是：Ito/pcbm/鈣鈦礦與硅量子點雜化層/spiro/Au。在該結(jié)構(gòu)里面，ITO是通過光學刻蝕得到。PCBM, 鈣鈦礦與硅量子點雜化層， Spiro是通過旋涂方法得到。其中鈣鈦礦CH3PbI3與硅量子在DMF溶液（461mg PbI2, 159mg MAI,  71uL DMSO, 630 ul DMF.。Si量子點在溶液里面的濃度為10mg/ml.雜化旋涂后就制備出了膜。）里面。硅量子點摻雜B，摻雜B的硅納米晶體尺寸是6nm, 鈣鈦礦膜厚大概在300nm左右，晶粒尺寸大概在200nm。Au電極采用熱蒸發(fā)工藝得到，厚度大約為100nm。

[ANNOTATION:

BY 'wenhuang'

ON '2019-05-23T10:15:00'w

NOTE: '這一段是不是應該要刪掉？']2.1.1  器件制備路線

在器件制備方面，本文準備利用硅納米顆粒的光電性能與decay長的性質(zhì)，與鈣鈦礦進行雜化形成自驅(qū)動電池，在制備電池的工藝上，選擇旋涂工藝做成太陽能電池的結(jié)構(gòu)，器件結(jié)構(gòu)分別是：Ito/pcbm/鈣鈦礦與硅量子點雜化層/spiro/Au，之后使用熱蒸發(fā)工藝將電極Au安裝上，設置厚度大約為100nm。鈣鈦礦CH3PbI3與硅量子在DMF溶液（461mg PbI2, 159mg MAI,  71uL DMSO, 630 ul DMF. Si以DMF為溶劑，濃度為10mg/ml. 雜化旋涂后就制備出了膜。）里面。硅量子點摻雜B，摻雜B的硅納米晶體尺寸是6nm, 鈣鈦礦膜厚大概在300nm左右，晶粒尺寸大概在200多納米。段落內(nèi)容。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 第三章  數(shù)值模擬13.1 神經(jīng)元硬件化數(shù)值模擬3.1.1  神經(jīng)網(wǎng)絡結(jié)構(gòu)對于神經(jīng)元的模擬，和突觸的模擬不同，神經(jīng)元的功能由上文中的MP模型已經(jīng)表述很清楚，他承擔一個乘法器和加權(quán)和、還有實現(xiàn)一個神經(jīng)元函數(shù)的功能，這個功能也是我們下面模擬要探索的。

 

圖3-1 MINST數(shù)據(jù)集對于的神經(jīng)網(wǎng)絡結(jié)構(gòu)

采用常用的MNIST手寫識別數(shù)據(jù)集作為整個網(wǎng)絡的輸入，先將圖像的RGB值轉(zhuǎn)換成一個單位的灰度值，設計輸入層應該有784個節(jié)點，隱含層300個節(jié)點，輸出層設置10個節(jié)點，分別對應0-9個數(shù)字的pattern。在實際模擬時，采用兩種方式處理，第一種是利用STDP非線性函數(shù)直接對輸入的圖像像素值進行處理，意在將灰度值轉(zhuǎn)換為強度值。再用網(wǎng)絡進行訓練。第二張利用STDP非線性函數(shù)作為神經(jīng)網(wǎng)絡中的激活函數(shù)，意在探究神經(jīng)元的基本性質(zhì)。

訓練模式采用SGD算法，樣本集總共55000個圖片，每張圖片28×28有784個輸入值，epoch設置掃描樣本集10次以上，損失函數(shù)使用交叉熵函數(shù)，激活函數(shù)選擇softmax函數(shù)進行激活分類，因為這個函數(shù)比較適合于多分類問題，在優(yōu)化上也得到了理論的證明。首先我們先將實驗中得到的STDP數(shù)據(jù)擬合結(jié)果如下：

 

圖3-2 STDP Positive 擬合圖像

這里故意選擇了一個與常規(guī)激活函數(shù)相關性為負的激活函數(shù)，一般的激活函數(shù)比如sigmod，relu激活函數(shù)，其強度其實和輸入值是呈

[ANNOTATION:

BY 'wenhuang'

ON '2019-05-23T10:23:00'w

NOTE: '什么意思']現(xiàn)正相關的，這里選取的作為負相關的原因是想探究是否能夠作為激活函數(shù)使用。其結(jié)果如下：

 

圖 3-3 擬合的Loss與Accuracy隨訓練次數(shù)的變化圖

可以看到上述的結(jié)果是可觀的，也就是說，激活函數(shù)的選取，與是否與輸入值正相關沒有關系。另外我比較了理論激活函數(shù)，實驗激活函數(shù)，與對輸入直接非線性處理得到結(jié)果的異同性：

 

圖3-4 三種不同方法得到Loss函數(shù)變化情況

 

圖3-5 三種方法得到的Accuracy變化情況

可以看到，理論激活函數(shù)（紅色）在準確率上仍然時最高的，最后的樣本內(nèi)準確率有98.42%，但在loss的下降速度上，實驗激活函數(shù)體現(xiàn)的更好，但實驗的激活函數(shù)最后準確率只有96.69%。

3.1.2  神經(jīng)元硬件化結(jié)論根據(jù)上面的模擬結(jié)果我們可以得到結(jié)論，對于神經(jīng)元的硬件模擬，作為激活函數(shù)，只需完成非線性這個條件即可，但是在實現(xiàn)乘法器的過程中，需要電路由很好的線性度。這個線性度的要求實際是從BP算法的推導中獲得的，這里簡單的推導一下：

Δw=?Loss?w=?Loss?y??y?output??output?w

              （3-1）

 

上式想說明的是，我們需要調(diào)節(jié)權(quán)值w使得我們計算出的loss函數(shù)達到最小值，因此我們需要求其導數(shù)從而獲得調(diào)整的方向，可以看到等式右邊第一項實際是損失函數(shù)對于輸入值的導數(shù)，第二項時激活函數(shù)對于輸入值的導數(shù)，這兩項在有輸入值的條件下是可以求出的。而根據(jù)神經(jīng)網(wǎng)絡的矩陣運算：

output=w?x+b

                       （3-2）

 

可以看到，output值與輸入的值時存在線性關系的，那么也就是說，我們權(quán)值變化量Δw

與輸入的x需要滿足線性關系。因此神經(jīng)元硬件化需要實現(xiàn)的線性度不僅僅影響了加權(quán)的效果，還影響到權(quán)值更新的效率性。很多關于神經(jīng)網(wǎng)絡硬件化的論文一定會提到這個線性度，因為這個線性度時實現(xiàn)神經(jīng)網(wǎng)絡算法達到收斂的基本保障。

 

 

圖3-6.a SET與RESET模式下的I-V曲線；b SET模式下的權(quán)值變化隨刺激次數(shù)的變化；c RESET模式下的權(quán)值變化隨刺激次數(shù)的變化[15]

如上圖清華大學完成的憶阻器神經(jīng)突觸器件，選取電導作為權(quán)值時，需要I-V曲線在第一二想象有近似的對稱值，其導數(shù)值(即權(quán)值)隨著固定電壓的刺激次數(shù)線性增加或者減小。一般而言，在硬件神經(jīng)網(wǎng)絡進行權(quán)值跟新的時候，會選擇一個固定更新電壓，在這個指定的電壓下，我們需要保證權(quán)值的正向更新與負向更新有近似的值，這個在圖像上體現(xiàn)為圖像的對稱。之前也有文章在圖像的對稱性上做了相關的材料探究。證明這樣的對稱性是必要的

23.2 有監(jiān)督脈沖神經(jīng)網(wǎng)絡數(shù)值模擬3.2.1  脈沖編碼脈沖神經(jīng)網(wǎng)絡與第二代神經(jīng)網(wǎng)絡最為不同的一點在于，它的輸入并不是一系列連續(xù)的值，不是像圖像像素一樣一個個數(shù)據(jù)連續(xù)計入，也沒有二值化的操作。而是離散的脈沖值，就圖像識別而言，簡單的多層感知器輸入是輸入圖像的RGB值或者是圖像的灰度值，將這些值進行標準化后作為網(wǎng)絡的輸入。而脈沖神經(jīng)網(wǎng)絡需要對于輸入進行一定的脈沖編碼處理，這個處理可以自己選擇，但轉(zhuǎn)化的思想很重要。即將圖像的灰度值信息編程處理成一系列脈沖，并且將脈沖發(fā)出的時間作為網(wǎng)絡的輸入。下面介紹本文中tempotron算法的編碼方式。

選取26個英文字母A-Z作為需要識別的樣本集。每一個字母由一張16×16像素的圖像組成，且該圖像只有0和1兩種灰度，即非黑即白。因此我們輸入一張圖片后，它會編程一個16×16的二值矩陣，我們將這一的二維矩陣一維化，使其變成1×256的一維數(shù)組，然后我們對其進行編碼，每次隨機從256個數(shù)中隨機去8個數(shù)且不放回，組成一個32×8的新矩陣，對于每一行數(shù)，得到的是一個8位的二進制數(shù)，因此我們將其轉(zhuǎn)化成十進制數(shù)，得到一個0-255范圍的數(shù)，將原來的矩陣轉(zhuǎn)化成了32×1的矩陣。且每一行代表一個脈沖的發(fā)送時間，即將一張16×16的圖像矩陣轉(zhuǎn)化成了在不同時間一共發(fā)送32次脈沖的輸入值。

3.2.2  權(quán)值更新按照tempotron算法的權(quán)值更新規(guī)則：

Δωi=λ∑ti?tmaxK(tmax?ti)

                     （3-3）

 

我們需要設置一個時間軸，并且對于這個時間軸上進行時間窗口的劃分，等于說我們需要將這個時間軸切割成一份份來進行一個個的循環(huán)。由于之前在輸入編碼的時候，我們將16×16像素的黑白圖像轉(zhuǎn)換成了發(fā)送32次脈沖的輸入，這些輸入的脈沖的時間是0-255，也就是說，我們建立一個長度為256ms的時間軸，并且以1ms為一個時間窗口，每次檢查在當前時間窗口前是否有脈沖輸入，并且每次都選取在當前時間之前能夠發(fā)送脈沖的數(shù)據(jù)，認為他們發(fā)送一次脈沖，將這個脈沖與核函數(shù)相乘，作為我們膜電壓，如果膜電壓超過了我們設置的threshold電壓值，我們則認為該神經(jīng)元處于fire狀態(tài)，并且會進入一段不應期，即shut down后面在256ms內(nèi)的所有脈沖輸入。我們輸入是5個神經(jīng)元，這是因為我們需要對26個英文字母分類，即用5個二進制數(shù)最大可以表示到0-31的每個數(shù)，于是我們用5個二進制數(shù)表示我們分類的pattern，例如字母A我們使用00001表示，字母B用00010表示。以此類推。當神經(jīng)處于fire狀態(tài)時，它會表現(xiàn)出1的狀態(tài)，反之如果它沒有能夠達到閾值電壓，它會處于0的狀態(tài)，我們將網(wǎng)絡的輸入與我們準備好的標簽值進行對比，如果說產(chǎn)生了不同，即分類產(chǎn)生了誤差，我們就需要對其進行權(quán)值更新，從而在慢慢的訓練過程中，獲得我們期望得到的脈沖值。

即如果網(wǎng)絡發(fā)出了脈沖，但是實際沒有發(fā)送脈沖，我們降低該脈沖產(chǎn)生的權(quán)值，從而讓其在后面慢慢變得不發(fā)出脈沖。

如果網(wǎng)絡沒有發(fā)出脈沖，但是實際輸入應該發(fā)出脈沖，我們應該強化該脈沖的產(chǎn)生，即增大其權(quán)值。

 

圖3.7 訓練前脈沖與訓練后脈沖對比圖

我們設置1.0 v為閾值電壓，可以看到，隨著訓練次數(shù)的增大，一開始正的脈沖傾向于在后面發(fā)出超過閾值電壓的脈沖。但是一開始負的脈沖，雖然一開始超過了閾值電壓，但是由于隨著訓練次數(shù)的增大，變得不斷被抑制，不再發(fā)出脈沖。我們的網(wǎng)絡就是基于這樣一種思路去訓練與優(yōu)化。

3.2.3  數(shù)值模擬結(jié)果數(shù)值模擬上，本文選取了兩組實驗數(shù)據(jù)進行了權(quán)值更新法則函數(shù)的模擬，即使用實驗得到的LTP與STDP數(shù)據(jù)進行了數(shù)值模擬，并且對比了兩者在應用于tempotron算法的差異，提出一定看法。

3.2.4  LTP權(quán)值改變法數(shù)值LTP曲線是模擬人類大腦學習時候的長程可塑性，在圖像上體現(xiàn)為，施加一段固定脈沖間距和脈沖峰值的脈沖，使突觸器件的模擬膜電壓升高，經(jīng)過一段時間再進行了衰減。表現(xiàn)的圖像如下：

 

圖3.8 LTP擬合圖像

線是得到實驗的LTP數(shù)據(jù)后，使用神經(jīng)網(wǎng)絡算法進行擬合，得到完美擬合的曲線，這樣保證了能夠使用完全的實驗數(shù)據(jù)。另外由于實驗的數(shù)據(jù)僅僅有LTP數(shù)據(jù)，然而對于我們的模擬也需要LTD數(shù)據(jù)，基于我們對于這兩個圖像的了解，他們在一定程度上是中心對稱的。我們通過對于LTP數(shù)據(jù)的神經(jīng)網(wǎng)絡擬合，外推LTD的數(shù)據(jù)，將LTD的數(shù)據(jù)應用于模型的抑制環(huán)節(jié)，保證權(quán)值的增加與減少對稱。

將LTP的數(shù)據(jù)帶入，進行訓練，設置最大epoch數(shù)為100次，設置閾值電壓為1 v。訓練結(jié)果如下：

 

圖 3.9 準確率隨訓練次數(shù)的變化圖像(LTP)

可以看到，在100 epoch下，準確率在隨訓練次數(shù)的增加而增加，最終穩(wěn)定在89%左右。

3.2.5  STDP權(quán)值改變法人腦的學習模式是STDP已經(jīng)被大部分論文和實驗所證實，因此也許基于STDP的權(quán)值改變方法能夠更加促進學習的效率。STDP的本質(zhì)定義是說：如果突出前神經(jīng)元的峰值脈沖到達時間小于突觸后的神經(jīng)元峰值脈沖，那么認為突觸前神經(jīng)元脈沖的產(chǎn)生可能是有利于突觸后神經(jīng)元的產(chǎn)生，即這兩者之間是存在一定的聯(lián)動關系的。于是加強這兩個神經(jīng)元的連接。反之則減弱它們之間的連接。

利用實驗得到對的STDP Positive數(shù)據(jù)，波張選取375nm的光做刺激。得到光驅(qū)動下的STDP。但實驗與理論存在偏差的一點，是光刺激下的STDP圖像實際上是存在于一、二象限的，這樣意味著，無論是突出前神經(jīng)元的脈沖先到達還是后到達，產(chǎn)生的權(quán)值更新過程，都是加強該兩個神經(jīng)元之間的連接。在保證權(quán)值更新雙向?qū)ΨQ性的情況下，這樣的情況顯然是不允許。于是在三象限部分，本文選取了其他數(shù)據(jù)作為替代，這個數(shù)據(jù)是從電突觸元器件得到的。這里也可以得出一個設想，是否可以有光與電合并的突觸器件，使用光完成第一象限的STDP工作，由電器件完成第三象限STDP工作。為何要選擇光器件是因為，光學突觸器件的耗能相比于電學突觸器件要節(jié)省很多。如果能夠使用光電混合信號實現(xiàn)光電STDP，也不失為一種選擇。

擬合后正向STDP函數(shù)表達式如下：

y=?0.346ln(x)+2.708

 

負向STDP函數(shù)表達式如下：       

y=0.302ln(?x)?2.546

 

根據(jù)上面的STDP函數(shù)更新法則，帶入我們的temportron算法進行求解。得到準確率變化情況如下，設置參數(shù)與LTP更新規(guī)則相同。

 

圖3.10 準確率隨訓練次數(shù)變化情況(STDP)

可以看到，經(jīng)由STDP訓練的網(wǎng)絡，在epoch=60左右的時候，已經(jīng)達到了準確率100%，在訓練的準確度與效率上，高于使用LTP訓練的結(jié)果。這也可能是為什么當前很多的研究都著眼于STDP權(quán)重更新機制。這可能也和STDP實際上與人類大腦的學習機制十分相似，本次模擬也證明了大腦學習模式在權(quán)值調(diào)整上的優(yōu)越性，基于LTP的調(diào)制模式，更多是對于算法當中核函數(shù)K(t)的模擬，而并非是對于本質(zhì)上人類大腦學習模式的仿真。

3.2.6  結(jié)論無論選取LTP，STDP作為權(quán)值更新的方式，神經(jīng)網(wǎng)絡的權(quán)值更新一定要是對稱，這樣在梯度下降算法過程中，才能夠有正和負梯度，使得最后的結(jié)果收斂于局部最小點。另外，在學習機制上，STDP是存在一定優(yōu)越性的。后面本文將針對SDTP學習機制，將網(wǎng)絡擴展到更大的規(guī)模，展現(xiàn)STDP學習機制的強大之處。

33.3 無監(jiān)督脈沖神經(jīng)網(wǎng)絡數(shù)值模擬3.3.1  理論背景與基礎這SNN的發(fā)展之所以廣受著名，是因為它網(wǎng)絡的元器件要求是有一定硬件基礎的，不論是在神經(jīng)元的設計上，如LIF模型，HH模型，還是電導突觸，指數(shù)型的衰減機制，閾值電壓。都可以通過我們設計的電學或者光學器件進行實現(xiàn)。

本文基于2015年Peter發(fā)表的關于STDP無監(jiān)督學習網(wǎng)絡的代碼基礎上，加上實驗得到的數(shù)據(jù)，進行數(shù)值模擬。模擬之前，先了解一下網(wǎng)絡的具體結(jié)構(gòu)與基本理論。

對于神經(jīng)元的設置，應用integrated -and-fire model模型：

τdVdt=(Erest?V)+ginh(Einh?V)+gexc(Eexc?V)

            （3-6）

 

這里V是膜電壓，Erest

是神經(jīng)元在沒有外界刺激下的一種靜息電壓。

τ

是抑制或者興奮神經(jīng)元的時間時間常數(shù)，這個常數(shù)時間上就是用于控制各種不同的STDP圖像。

galignlink

和

gexc

是抑制性神經(jīng)元和興奮性神經(jīng)元的電導值，這個值在神經(jīng)網(wǎng)絡中表現(xiàn)為權(quán)重，也是我們需要訓練的東西。訓練模式與tempotron算法類似，當膜電壓到達閾值電壓的時候，就會發(fā)送尖峰脈沖信號，然后膜電位復位到靜息電壓。如果有神經(jīng)元的尖峰信號達到突觸，那么突觸就會提升權(quán)值，即電導，如果沒有，那么權(quán)值就會指數(shù)型的衰減。權(quán)值更新的模式仍然是取決于突觸前神經(jīng)元與突觸后神經(jīng)元的尖峰達到時間差。如圖3.11所示，由于前后神經(jīng)元的脈沖尖峰抵達時間差不一樣，產(chǎn)生了興奮和抑制兩種模式

 

 

圖 3.11 STDP權(quán)值更新模式圖[17]

我們需要定義興奮性神經(jīng)元與抑制性神經(jīng)元的權(quán)值改變方式。對于興奮性神經(jīng)元的電導更新模式如下：

τgedgedt=?ge

                      （3-7）

 

抑制性電導的更新模式其實只需要更換常數(shù)：

τgidgidt=?gi

                      （3-8）

 

時間常數(shù)得控制會影響STDP得學習曲線，人腦或者生物的時間常數(shù)一般是10 ms-20 ms量級。我們由實驗得到得時間常數(shù)數(shù)值也靠近這個值

然后是基于STDP的權(quán)值更新法則：

Δw=η(xpre?xtar)(wmax?w)u

               （3-9）

 

實際上，STDP的更新規(guī)則很多，還有指數(shù)型的，這里選取一種更新規(guī)則，他們大多大同小異。這里的η

是學習的速率，

Xpre

是該脈沖產(chǎn)生時的上一次脈沖值，每當有一次脈沖到達突觸時，

Xpre

會增加1，如果沒有，它會按照指數(shù)型進行衰減。

Xtar

是前一次的突觸前神經(jīng)元產(chǎn)生的脈沖，其反應在突觸后神經(jīng)元的目標值。這其實也是在將突觸前神經(jīng)元和后神經(jīng)元產(chǎn)生的時間在進行比較，從而正確的更新權(quán)值。

 

3.3.2  網(wǎng)絡設計脈沖神經(jīng)網(wǎng)絡的設計與普通的經(jīng)典神經(jīng)網(wǎng)絡有所不同，由圖5.2看到，Input輸入層圖像的像素編碼脈沖數(shù)據(jù)，脈沖的頻率由圖像像素點的灰度值，即成正比關系，28×28的像素值會變成一個784×1的一維序列，每一個值代表一定頻率的脈沖信號。

 

圖3.12 SNN神經(jīng)網(wǎng)絡結(jié)構(gòu)[16]

 

之后進入激活層，激活層放置激活神經(jīng)元，然后再進入抑制層，放置抑制層神經(jīng)元。這里可以看到，非監(jiān)督學習網(wǎng)絡的結(jié)構(gòu)是不存在標簽值的。更新完全依靠激活層與抑制層之間的關系。從圖3.12可以看到，輸入層與激活層實際上時全連接模式，即每一個像素點產(chǎn)生的脈沖序列都會再激活層有一個對應權(quán)重。激活層與抑制層之間時一一對應連接，但抑制層與激活層的連接卻是全連接模式，除了激活層已經(jīng)與抑制層產(chǎn)生連接的神經(jīng)元。這樣的網(wǎng)絡設計模式實際上是由理由的。這應用的winter take all法則，即當某個激活層的神經(jīng)元產(chǎn)生興奮后，該興奮傳遞到抑制層后，抑制層會抑制其他所有神經(jīng)元產(chǎn)生脈沖。也就是說，不斷的訓練后，能夠產(chǎn)生脈沖的神經(jīng)元會趨向于越來越容易產(chǎn)生脈沖，而其他神經(jīng)元會越來越無法產(chǎn)生脈沖。從而達到訓練的目的。這和傳統(tǒng)的K-means算法也有異曲同工之妙，但不同的是STDP 非監(jiān)督學習存在抑制層，從而避免了某幾個神經(jīng)元一直占據(jù)某個pattern。

3.3.3  模擬結(jié)果數(shù)值模擬將MNIST 六萬個訓練數(shù)據(jù)編碼后作為脈沖輸入，整個訓練集進行了6次迭代，一共是36萬張圖片，訓練結(jié)束后學習慮被置為零，動態(tài)閾值被鎖定。之后輸入每一類的數(shù)字圖片，記錄每個神經(jīng)元對應該類圖片的激活次數(shù)，并且選取其中激活次數(shù)最多的為該神經(jīng)元的標簽。之后使用測試集的一萬張圖片作為脈沖輸入，觀察每當一張圖片輸入時，哪個神經(jīng)元的激活頻率最高，如果該神經(jīng)元的標簽與輸入圖片屬于同一pattern，那么認為分類正確。統(tǒng)計10000萬張圖片的平均準確率，得到網(wǎng)絡的訓練的評價值即Accuracy。

 

圖3.13 神經(jīng)網(wǎng)絡權(quán)值矩陣圖

這里訓練后激活層的權(quán)值矩陣。之前提到了，當網(wǎng)絡訓練完成后，我們會輸入每一個圖片的pattern，以激活次數(shù)最高的神經(jīng)元作為該pattern的標簽，在這樣經(jīng)過改進后，圖5.3是激活層神經(jīng)元重組后的權(quán)值分布，可以看到，不同神經(jīng)元對于不同pattern的適應程度不同，體現(xiàn)在顏色的深淺上。

 

圖3.14 輸入層到激活層權(quán)值矩陣可視化圖

 

圖3.15 激活層到抑制層權(quán)值矩陣可視化圖

從圖3.14我們可以看到，只有很少部分的權(quán)值很高，即呈現(xiàn)黃色小點模式，體現(xiàn)即只有少數(shù)pattern才能夠產(chǎn)生脈沖，其他的脈沖都被抑制，這個圖像很好體現(xiàn)了我們在學習過程中的winer-take-all的模式。圖3.15體現(xiàn)的更加明顯的是，因為網(wǎng)絡的設計是激活層與抑制層一對一連接，抑制層與激活層反向全連接，但除去了從激活層連接過來的神經(jīng)元，因此在權(quán)值的對角線上都是winer，而其他的神經(jīng)元都被抑制，從而達到了我們從眾多神經(jīng)元中選取出適合當前輸入的正確pattern。

之后我們輸入10000個MNIST的test集圖片進行外推，結(jié)果是：Sum response - accuracy:  91.43  number incorrect:  857。即我們在驗證集上達到了91.43%的準確度。總的來說還是比較可觀的。

結(jié)  論本文用了三個數(shù)值模擬的方法，分別對于神經(jīng)元硬件化條件，神經(jīng)突觸硬件化條件，神經(jīng)元學習規(guī)則優(yōu)越性做了探究。在神經(jīng)元硬件化上，通過使用不同的非線性函數(shù)進行數(shù)值模擬，得到了其實在當選取激活函數(shù)時，函數(shù)與輸入值的正相關性并不是必要的，非線性才是最為重要的基準。并且作者使用簡單的鏈式求導法則，證明了神經(jīng)元的硬件化需要有加權(quán)乘法器的功能，并且強調(diào)了乘法器的線性程度。也就推出了權(quán)值更新時，權(quán)值該變量與輸入值的正相關性的重要性，也可以說是正負變化的對稱性是對隨機梯度下降法達到收斂的充分條件。在SNN數(shù)值模擬上，本文先嘗試了tempotron有監(jiān)督SNN算法，并且對其權(quán)值改變的方程做出了LTP與STDP法則的兩種試探，發(fā)現(xiàn)STDP的效果更好，也不愧是貼近人類大腦的學習模式。這里也需要指出tempotron算法的缺點在于該算法只能針對單神經(jīng)元，即脈沖只能判斷單個神經(jīng)元能不能發(fā)出脈沖，泛用性不是特別強，但是將輸入改成離散的脈沖輸入，在神經(jīng)網(wǎng)絡的結(jié)構(gòu)和理念上是一個很大的突破。接著文章以STDP學習機制更為優(yōu)秀的基礎上，在基于2015年Peter教授的無監(jiān)督STDP學習網(wǎng)絡[16]這篇論文的基礎上，使用實驗相關的數(shù)據(jù)進行了數(shù)值模擬，指出了該網(wǎng)絡的結(jié)構(gòu)，采用winter-take-all模式與IF神經(jīng)元結(jié)構(gòu)，實現(xiàn)了在沒有任何標簽和領域知識的無監(jiān)督學習網(wǎng)絡的模擬，并且在MNIST的test數(shù)據(jù)集上達到了91.43%的正確率。從實驗上證實了STDP學習機制可以用于無監(jiān)督學習，指出了其在未來發(fā)展的巨大潛力。

最后本文提出一些對于當前硬件神經(jīng)網(wǎng)絡研究的看法，目前實現(xiàn)硬件神經(jīng)網(wǎng)絡的方法在緒論也有提出，主要有微電子方法、半導體突觸和光學實現(xiàn)。作者認為想要實現(xiàn)真正的類腦計算。我們就需要研究更與人類達到貼切的器件。盡管在微電子方面，目前的技術可以實現(xiàn)精度很高的數(shù)字模擬電路。但是實際上那也只是靠我們強大的算力與耗費了很多資源達到的結(jié)果。再說全光學的神經(jīng)網(wǎng)絡，這樣的設想只能夠用天才來形容，這樣的網(wǎng)絡耗能少，效率高，速度快。但這并不能夠算是類腦計算，只是從物理的角度對于神經(jīng)網(wǎng)絡進行了實現(xiàn)。真正的類腦計算我相信應該是基于STDP，LTP, LTD這些與人腦大腦對于信號實際反映做出的模型之上的。近年來已經(jīng)發(fā)展了很多基于STDP或者類腦計算的算法，并且在數(shù)值模擬上都證實了其實現(xiàn)的可能性。目前的當務之急應該是制備出與這些理論符合的突觸器件或者神經(jīng)元元件，然后進行集成，實現(xiàn)一個結(jié)合微電子設計電路與編碼處理，從而實現(xiàn)一個從輸入，到reference，再到自動Back Propagation修改誤差的自主型芯片，真正達到off-chip模式的神經(jīng)網(wǎng)絡計算與硬件化。

參考文獻[1]Takao Watanabe, Katdutaka Kimura, Masakazu Aoki, et al. A Sinngle 1.5-V Digital Chip for a 106  Synapse Neural Network. IEEE Transactions on Neural Networks. May 1993,4(3): 387-39 

[2]Matthew S Melttn, Tan Phan, Douglas S Reeves, et al. The TInMANN VLSI Chip. 1993, 4(3): 394 -340 

[3]Hendrik C A M, Withagen. Neural Networks: Analog VLSI Implementation and Learning Algorithms. Ph.D thesis, Eindhoven,1997 

[4]高麗娜 邱關源. 一種連續(xù)可調(diào)權(quán)值 CMOS 神經(jīng)網(wǎng)絡. 電子學報, 1998, 26(2): 120-122 

[5]Bernabé Linares-Barranco et al. A Modular T-Mode Design Approach for Analog Neural Network Hardware Implementations. IEEE Journal of Solid-State Circuits,1992, 27(5): 701-712 

[6]Strukov, Dmitri B, Snider, Gregory S, Stewart, Duncan R and Williams, Stanley R. The missing memristor found. Nature. 2008, 453: 80–83. doi:10.1038/nature06932. 

[7]賀靜, 基于CMOS 模擬技術的多種前饋人工神經(jīng)網(wǎng)絡硬件的研究與實現(xiàn) [D]. 湘潭大學, 2014 

[8]侯媛彬,杜京義,汪梅. 神經(jīng)網(wǎng)絡 [M]. 西安:西安電子科技大學出版社, 2007: 16-19. 

[9]Q. Yu, S. Member, R. Yan, H. Tang, K. C. Tan, H. Li, IEEE Trans. Neural Networks Learn. Syst. 2016, 27, 621. 

[10]M. Giulioni, X. Lagorce, F. Galluppi, R. B. Benosman, Front. Neurosci. 2016, 10, 1 

[11]Bengio, Y. and Fischer, A. (2015). Early inference in energy-based models approximates back-propagation. Technical Report arXiv:1510.02777, Universite de Montreal. 

[12]Scellier. B. and Bengio, Y. (2016).Towards a biologically plausible backprop. arXiv:1602.05179 . 

[13]Markram H, Lübke J, Frotscher M, et al. Regulation of synaptic efficacy by coincidence of postsynaptic APs and EPSPs[J]. Science, 1997, 275(5297): 213-215. 

[14]Bi G, Poo M. Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type[J]. Journal of neuroscience, 1998, 18(24): 10464-10472. 

[15]Peng Yao, Xueyao Huang, Wenqiang Zhang,Qingtian Zhang.Face classification using electronic synapses.2017.5.12.DOI: 10.1038 

[16]Peter U. Diehl, Matthew Cook.Unsupervised learning of digit recognition using spike-timing-dependent plasticity.Front. Comput. Neurosci., 03 August 2015 | DOI:10.3389 

[17]Qingzhou Wan, Mohammad T. Sharbati, John R. Erickson, Yanhao Du, and Feng Xiong.Emerging Artificial Synaptic Devices for Neuromorphic Computing 

[18]陳瓊. 鄭啟倫.人工神經(jīng)網(wǎng)絡系統(tǒng)硬件實現(xiàn)的研究進展.[J].電路與系統(tǒng)學報.2000 年 3 月 

[19]Cowan J D . Discussion:McCulloch-Pitts and related neural nets from 1943 to 1989[J]. Bulletin of Mathematical Biology, 1990, 52(1-2):73-97. 

[20]Mcclelland J . Reflections on Cognition and Parallel Distributed Processing[J]. 1986. 

[21]Xing Lin, Yair Rivenson, Nezih T. Yardimci, Muhammed Veli, Yi Luo, Mona Jarrahi and Aydogan Ozcan.All-optical machine learning using diffractive deep neural networks[J].Science.DOI:10.1126.July 26.2018 

附  錄代碼具體說明請參考github.com/zhenghaobaby/graduated_design

作者簡歷姓名：鄭浩  性別：男  民族：漢族  出生年月：1997-04-11  籍貫：四川成都

教育背景：

2012.09-2015.07  成都七中

2015.09-2019.07  浙江大學攻讀材料科學工程學士學位

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

攻讀學位期間發(fā)表的學術論文與取得的其他研究成果已：

[1]XXXXXXX 

[2]XXXX 

待：

[1]XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 

[2]XXXX 

已授權(quán)專利：

[1]XXXXXX 

 

 

第8篇：神經(jīng)網(wǎng)絡論文范文

論文名稱：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測與評估模型及其應用研究

課題來源：單位自擬課題或省政府下達的研究課題

選題依據(jù)：

技術創(chuàng)新預測和評估是企業(yè)技術創(chuàng)新決策的前提和依據(jù)。通過技術創(chuàng)新預測和評估,可以使企業(yè)對未來的技術發(fā)展水平及其變化趨勢有正確的把握,從而為企業(yè)的技術創(chuàng)新決策提供科學的依據(jù),以減少技術創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術創(chuàng)新發(fā)展方向的前提下,企業(yè)的技術創(chuàng)新工作才能沿著正確方向開展,企業(yè)產(chǎn)品的市場競爭力才能得到不斷加強。在市場競爭日趨激烈的現(xiàn)代商業(yè)中,企業(yè)的技術創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運,為了確保技術創(chuàng)新工作的正確性,企業(yè)對技術創(chuàng)新的預測和評估提出了更高的要求。

二、本課題國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢

現(xiàn)有的技術創(chuàng)新預測方法可分為趨勢外推法、相關分析法和專家預測法三大類。

(1)趨勢外推法。指利用過去和現(xiàn)在的技術、經(jīng)濟信息,分析技術發(fā)展趨勢和規(guī)律,在分析判斷這些趨勢和規(guī)律將繼續(xù)的前提下,將過去和現(xiàn)在的趨勢向未來推演。生長曲線法是趨勢外推法中的一種應用較為廣泛的技術創(chuàng)新預測方法,美國生物學家和人口統(tǒng)計學家RaymondPearl提出的Pearl曲線(數(shù)學模型為:Y=L∕[1+A?exp(-B·t)])及英國數(shù)學家和統(tǒng)計學家Gompertz提出的Gompertz曲線(數(shù)學模型為:Y=L·exp(-B·t))皆屬于生長曲線,其預測值Y為技術性能指標,t為時間自變量,L、A、B皆為常數(shù)。Ridenour模型也屬于生長曲線預測法,但它假定新技術的成長速度與熟悉該項技術的人數(shù)成正比,主要適用于新技術、新產(chǎn)品的擴散預測。

(2)相關分析法。利用一系列條件、參數(shù)、因果關系數(shù)據(jù)和其他信息,建立預測對象與影響因素的因果關系模型,預測技術的發(fā)展變化。相關分析法認為,一種技術性能的改進或其應用的擴展是和其他一些已知因素高度相關的,這樣,通過已知因素的分析就可以對該項技術進行預測。相關分析法主要有以下幾種:導前-滯后相關分析、技術進步與經(jīng)驗積累的相關分析、技術信息與人員數(shù)等因素的相關分析及目標與手段的相關分析等方法。

(3)專家預測法。以專家意見作為信息來源,通過系統(tǒng)的調(diào)查、征詢專家的意見,分析和整理出預測結(jié)果。專家預測法主要有:專家個人判斷法、專家會議法、頭腦風暴法及德爾菲法等,其中,德爾菲法吸收了前幾種專家預測法的長處,避免了其缺點,被認為是技術預測中最有效的專家預測法。

趨勢外推法的預測數(shù)據(jù)只能為縱向數(shù)據(jù),在進行產(chǎn)品技術創(chuàng)新預測時,只能利用過去的產(chǎn)品技術性能這一個指標來預測它的隨時間的發(fā)展趨勢,并不涉及影響產(chǎn)品技術創(chuàng)新的科技、經(jīng)濟、產(chǎn)業(yè)、市場、社會及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟中,對于產(chǎn)品技術發(fā)展的預測不能簡單地歸結(jié)為產(chǎn)品過去技術性能指標按時間的進展來類推,而應系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對企業(yè)產(chǎn)品技術創(chuàng)新的深刻影響。相關分析法盡管可同時按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進行預測,但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術創(chuàng)新的因素求出的具體的回歸預測式,而所得到的回歸預測模型往往只能考慮少數(shù)幾種主要影響因素,略去了許多未考慮的因素,所以,所建模型對實際問題的表達能力也不夠準確,預測結(jié)果與實際的符合程度也有較大偏差。專家預測法是一種定性預測方法,依靠的是預測者的知識和經(jīng)驗,往往帶有主觀性,難以滿足企業(yè)對技術創(chuàng)新預測準確度的要求。以上這些技術創(chuàng)新預測技術和方法為企業(yè)技術創(chuàng)新工作的開展做出了很大的貢獻,為企業(yè)技術創(chuàng)新的預測提供了科學的方法論,但在新的經(jīng)濟和市場環(huán)境下,技術創(chuàng)新預測的方法和技術應有新的豐富和發(fā)展,以克服自身的不足,更進一步適應時展的需要,為企業(yè)的技術創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進的基礎理論和技術方法。

目前,在我國企業(yè)技術創(chuàng)新評估中,一般只考慮如下四個方面的因素:(1)技術的先進性、可行性、連續(xù)性;(2)經(jīng)濟效果;(3)社會效果;(4)風險性,在對此四方面內(nèi)容逐個分析后,再作綜合評估。在綜合評估中所用的方法主要有:Delphi法(專家法)、AHP法(層次分析法)、模糊評估法、決策樹法、戰(zhàn)略方法及各種圖例法等,但技術創(chuàng)新的評估是一個非常復雜的系統(tǒng),其中存在著廣泛的非線性、時變性和不確定性,同時,還涉及技術、經(jīng)濟、管理、社會等諸多復雜因素,目前所使用的原理和方法,難以滿足企業(yè)對技術創(chuàng)新評估科學性的要求。關于技術創(chuàng)新評估的研究,在我國的歷史還不長,無論是指標體系還是評估方法,均處于研究之中,我們認為目前在企業(yè)技術創(chuàng)新評估方面應做的工作是:(1)建立一套符合我國實際情況的技術創(chuàng)新評估指標體系;(2)建立一種適應于多因素、非線性和不確定性的綜合評估方法。

這種情況下,神經(jīng)網(wǎng)絡技術就有其特有的優(yōu)勢,以其并行分布、自組織、自適應、自學習和容錯性等優(yōu)良性能,可以較好地適應技術創(chuàng)新預測和評估這類多因素、不確定性和非線性問題,它能克服上述各方法的不足。本項目以BP神經(jīng)網(wǎng)絡作為基于多因素的技術創(chuàng)新預測和評估模型構(gòu)建的基礎,BP神經(jīng)網(wǎng)絡由輸入層、隱含層和輸出層構(gòu)成,各層的神經(jīng)元數(shù)目不同,由正向傳播和反向傳播組成,在進行產(chǎn)品技術創(chuàng)新預測和評估時,從輸入層輸入影響產(chǎn)品技術創(chuàng)新預測值和評估值的n個因素信息,經(jīng)隱含層處理后傳入輸出層,其輸出值Y即為產(chǎn)品技術創(chuàng)新技術性能指標的預測值或產(chǎn)品技術創(chuàng)新的評估值。這種n個因素指標的設置,考慮了概括性和動態(tài)性,力求全面、客觀地反映影響產(chǎn)品技術創(chuàng)新發(fā)展的主要因素和導致產(chǎn)品個體差異的主要因素,盡管是黑匣子式的預測和評估,但事實證明它自身的強大學習能力可將需考慮的多種因素的數(shù)據(jù)進行融合,輸出一個經(jīng)非線性變換后較為精確的預測值和評估值。

據(jù)文獻查閱,雖然在技術創(chuàng)新預測和評估的現(xiàn)有原理和方法的改進和完善方面有一定的研究,如文獻[08]、[09]、[11]等,但尚未發(fā)現(xiàn)將神經(jīng)網(wǎng)絡應用于技術創(chuàng)新預測與評估方面的研究,在當前產(chǎn)品的市場壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟條件下,以神經(jīng)網(wǎng)絡為基礎來建立產(chǎn)品技術創(chuàng)新預測與評估模型,是對技術創(chuàng)新定量預測和評估方法的有益補充和完善。

三、論文預期成果的理論意義和應用價值

本項目研究的理論意義表現(xiàn)在:(1)探索新的技術創(chuàng)新預測和評估技術,豐富和完善技術創(chuàng)新預測和評估方法體系;(2)將神經(jīng)網(wǎng)絡技術引入技術創(chuàng)新的預測和評估,有利于推動技術創(chuàng)新預測和評估方法的發(fā)展。

本項目研究的應用價值體現(xiàn)在:(1)提供一種基于多因素的技術創(chuàng)新定量預測技術,有利于提高預測的正確性;(2)提供一種基于BP神經(jīng)網(wǎng)絡的綜合評估方法,有利于提高評估的科學性;(3)為企業(yè)的技術創(chuàng)新預測和評估工作提供新的方法論和實用技術。

四、課題研究的主要內(nèi)容

研究目標：

以BP神經(jīng)網(wǎng)絡模型為基礎研究基于多因素的技術創(chuàng)新預測和評估模型,并建立科學的預測和評估指標體系及設計相應的模型計算方法,結(jié)合企業(yè)的具體實際,對指標和模型體系進行實證分析,使研究具有一定的理論水平和實用價值。

研究內(nèi)容：

1、影響企業(yè)技術創(chuàng)新預測和評佑的相關指標體系確定及其量化和規(guī)范化。從企業(yè)的宏觀環(huán)境和微觀環(huán)境兩個方面入手,密切結(jié)合電子商務和知識經(jīng)濟對企業(yè)技術創(chuàng)新的影響,系統(tǒng)綜合地分析影響產(chǎn)品技術創(chuàng)新的各相關因素,建立科學的企業(yè)技術創(chuàng)新預測和評估指標體系,并研究其量化和規(guī)范化的原則及方法。

2、影響技術創(chuàng)新預測和評估各相關指標的相對權(quán)重確定。影響技術創(chuàng)新發(fā)展和變化各相關因素在輸入預測和評估模型時,需要一組決定其相對重要性的初始權(quán)重,權(quán)重的確定需要基本的原則作支持。

3、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型研究。根據(jù)技術創(chuàng)新預測的特點,以BP神經(jīng)網(wǎng)絡為基礎,構(gòu)建基于多因素的技術創(chuàng)新預測和評估模型。

4、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法設計。根據(jù)基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的基本特點,設計其相應的計算方法。

5、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型學習樣本設計。根據(jù)相關的歷史資料,構(gòu)建基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的學習樣本,對預測和評估模型進行自學習和訓練,使模型適合實際情況。

6、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術的實證研究。以一般企業(yè)的技術創(chuàng)新預測與評估工作為背景,對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術進行實證研究。

創(chuàng)新點：

1、建立一套基于電子商務和知識經(jīng)濟的技術創(chuàng)新預測和評估指標體系。目前,在技術創(chuàng)新的預測和評估指標體系方面,一種是采用傳統(tǒng)的指標體系,另一種是采用國外先進國家的指標體系,如何結(jié)合我國實際當前經(jīng)濟形勢,參考國外先進發(fā)達國家的研究工作,建立一套適合于我國企業(yè)技術創(chuàng)新預測和評估指標體系,此為本研究要做的首要工作,這是一項創(chuàng)新。

2、研究基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型及其計算方法。神經(jīng)網(wǎng)絡技術具有并行分布處理、自學習、自組織、自適應和容錯性等優(yōu)良性能,能較好地處理基于多因素、非線性和不確定性預測和評估的現(xiàn)實問題,本項目首次將神經(jīng)網(wǎng)絡技術引入企業(yè)的技術創(chuàng)新預測和評估,這也是一項創(chuàng)新。

五、課題研究的基本方法、技術路線的可行性論證

1、重視系統(tǒng)分析。以系統(tǒng)科學的思想為指導來分析影響企業(yè)技術創(chuàng)新發(fā)展和變化的宏觀因素和微觀因素,并研究影響因素間的內(nèi)在聯(lián)系,確定其相互之間的重要度,探討其量化和規(guī)范化的方法,將國外先進國家的研究成果與我國具體實際相結(jié)合,建立我國企業(yè)技術創(chuàng)新預測和評估的指標體系。

2、重視案例研究。從國內(nèi)外技術創(chuàng)新預測與決策成功和失敗的案例中,發(fā)現(xiàn)問題、分析問題,歸納和總結(jié)出具有共性的東西,探索技術創(chuàng)新預測與宏觀因素與微觀因素之間的內(nèi)在關系。

3、采用先簡單后復雜的研究方法。對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的研究,先從某一行業(yè)出發(fā),定義模型的基本輸入因素,然后,逐步擴展,逐步增加模型的復雜度。

4、理論和實踐相結(jié)合。將研究工作與具體企業(yè)的技術創(chuàng)新實際相結(jié)合,進行實證研究,在實踐中豐富和完善,研究出具有科學性和實用性的成果。

六、開展研究已具備的條件、可能遇到的困難與問題及解決措施

本人長期從事市場營銷和技術創(chuàng)新方面的研究工作,編寫出版了《現(xiàn)代市場營銷學》和《現(xiàn)代企業(yè)管理學》等有關著作,發(fā)表了“企業(yè)技術創(chuàng)新與營銷管理創(chuàng)新”、“企業(yè)技術創(chuàng)新與營銷組織創(chuàng)新”及“企業(yè)技術創(chuàng)新與營銷觀念創(chuàng)新”等與技術創(chuàng)新相關的學術研究論文,對企業(yè)技術創(chuàng)新的預測和評估有一定的理論基礎,也從事過企業(yè)產(chǎn)品技術創(chuàng)新方面的策劃和研究工作,具有一定的實踐經(jīng)驗,與許多企業(yè)有密切的合作關系,同時,對神經(jīng)網(wǎng)絡技術也進行過專門的學習和研究,所以,本項目研究的理論基礎、技術基礎及實驗場所已基本具備,能順利完成本課題的研究,取得預期的研究成果。

七、論文研究的進展計劃

2003.07-2003.09：完成論文開題。

2003.09-2003.11：影響企業(yè)技術創(chuàng)新發(fā)展的指標體系研究及其量化和規(guī)范化。

2003.11-2004.01：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的構(gòu)建。

2004.01-2004.03：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法研究。

2004.03-2004.04：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型體系的實證研究。

2004.04-2004.06：完成論文寫作、修改定稿，準備答辯。

主要參考文獻：

[01]傅家驥、仝允桓等.技術創(chuàng)新學.北京:清華大學出版社1998

[02]吳貴生.技術創(chuàng)新管理.北京:清華大學出版社2000

[03]柳卸林.企業(yè)技術創(chuàng)新管理.北京:科學技術出版社1997

[04]趙志、陳邦設等.產(chǎn)品創(chuàng)新過程管理模式的基本問題研究.管理科學學報.2000/2.

[05]王亞民、朱榮林.風險投資項目ECV評估指標與決策模型研究.風險投資.2002/6

[06]趙中奇、王浣塵、潘德惠.隨機控制的極大值原理及其在投資決策中的應用.控制與決策.2002/6

[07]夏清泉、凌婕.風險投資理論和政策研究.國際商務研究.2002/5

[08]陳勁、龔焱等.技術創(chuàng)新信息源新探.中國軟科學.2001/1.pp86-88

[09]嚴太華、張龍.風險投資評估決策方法初探.經(jīng)濟問題.2002/1

[10]蘇永江、李湛.風險投資決策問題的系統(tǒng)分析.學術研究.2001/4

<11>孫冰.企業(yè)產(chǎn)品開發(fā)的評價模型及方法研究.中國管理科學.2002/4

[12]諸克軍、楊久西、匡益軍.基于人工神經(jīng)網(wǎng)絡的石油勘探有利性綜合評價.系統(tǒng)工程理論與實踐.2002/4

[13]楊力.基干BP神經(jīng)網(wǎng)絡的城市房屋租賃估價系統(tǒng)設計.中國管理科學.2002/4

[14]楊國棟、賈成前.高速公路復墾土地適宜性評價的BP神經(jīng)網(wǎng)絡模型.統(tǒng)工程理論與實踐.2002/4

[15]樓文高.基于人工神經(jīng)網(wǎng)絡的三江平原土壤質(zhì)量綜合評價與預測模型.中國管理科學.2002/1

[16]胥悅紅、顧培亮.基于BP神經(jīng)網(wǎng)絡的產(chǎn)品成本預測.管理工程學報.2000/4

[17]陳新輝、喬忠.基于TSA-BP神經(jīng)網(wǎng)絡的企業(yè)產(chǎn)品市場占有率預測模型.中國農(nóng)業(yè)大學學報.2000/5

[18]劉育新.技術預測的過程與常用方法.中國軟科學.1998/3

[19]溫小霓、趙瑋.市場需求與統(tǒng)計預測.西安電子科技大學學報.2000/5

[20]朱振中.模糊理論在新產(chǎn)品開發(fā)中的應用.科學管理研究.2000/6

[21]KimB.Clark&TakahiroFujimoto.ProductDevelopmentPerformance–Strategy、OrganizationandManagementinIndustry.HarvardBusinessSchoolPress.Boson1993

[22]GobeliDH,BrownDJ.Improvingtheprocessofproductinnovation.Research,TechnologyManagement,1993.36(2):46-49

[23]SimonJ.Towner.Fourwaystoacceleratenewproductdevelopment.LongRangPlanning1994.27(2):57-65

[24]AbdulAli,etal.Productinnovationandentrystrategy.JournalofProductInnovationManagement1995.12(12):54-69

[25]EricVinHippel.ThesourcesofInnovation.OxfordUniversityPress.1988

[26]ShtubA,ZimermanY.Aneural-network-basedapproachforestimatingthecostofassembly.InternationalJournalofProductionEconomics,1993.32:189-207

[27]Wee-LiangTan,DattarreyaG.Allampalli,InvestmentCriteriaofSingaporeCapitalists,1997InternationalCouncilforSmallBusiness,SanFrancisco,California,June1997

[28]MichaelHenos,TheRoadtoVentureFinancing:GuidelinesforEntrepreneuts,R&DStraregistMagazine,Summer1991

[29]ChowGC,TheLargrangeMethodofoptimizationwithapplicationstoportfoliandinvestmentdecisions.JofEconomicDymamicsandControl1996

[30]Jensen,R..InformationCostandInnovationAdoptionPolicies,ManagementScience.Vol.34,No.2,Feb,1988

[31]R.K.Zutshi,T.W.Liang,D.G.Allampulli,SingaporeVentureCapitalistsInvestmentEvaluationCriteria:AReexamination.SmallBusinessEconomics13:9-26(1999)

第9篇：神經(jīng)網(wǎng)絡論文范文

[關鍵詞]軟件項目風險管理神經(jīng)網(wǎng)絡粗集

本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(ANN)技術的高風險識別，這樣在制定開發(fā)計劃中，最大的減少風險發(fā)生的概率，形成對高風險的管理。

一、模型結(jié)構(gòu)的建立

本文基于粗集的BP神經(jīng)網(wǎng)絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經(jīng)網(wǎng)絡系統(tǒng)，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數(shù)，簡化ANN結(jié)構(gòu)。本論文在此理論基礎上，建立一種風險評估的模型結(jié)構(gòu)。這個模型由三部分組成即：風險辨識單元庫、神經(jīng)網(wǎng)絡單元、風險預警單元。

1.風險辨識單元庫。由三個部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù).這里用戶需提供歷史的項目風險系數(shù)。所謂項目風險系數(shù),是在項目評價中根據(jù)各種客觀定量指標加權(quán)推算出的一種評價項目風險程度的客觀指標。計算的方法:根據(jù)項目完成時間、項目費用和效益投入比三個客觀指標,結(jié)合項目對各種資源的要求,確定三個指標的權(quán)值。項目風險系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數(shù);T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權(quán)系數(shù),而且應滿足w1+w2+w3=1的條件。

2.神經(jīng)網(wǎng)絡單元。完成風險辨識單元的輸入后,神經(jīng)網(wǎng)絡單元需要先載入經(jīng)初始化的核心風險因素的歷史數(shù)據(jù),進行網(wǎng)絡中權(quán)值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。

(1)選取核心特征數(shù)據(jù)作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡期望輸出)提供給網(wǎng)絡。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計算各隱含單元的輸出。

m

Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計算輸出單元的輸出

m

Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

Yp=[y1,y2,……,yn]T

(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。

wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]

h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]

η(k)=η0(1-t/(T+M))

η0是初始步長;t是學習次數(shù);T是總的迭代次數(shù);M是一個正數(shù),α∈(0,1)是動量系數(shù)。σp是一個與偏差有關的值,對輸出結(jié)點來說；σp=yp(1-yp)(dp-yp)；對隱結(jié)點來說,因其輸出無法比較,所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]

3.風險預警單元

根據(jù)風險評價系數(shù)的取值,可以將項目的風險狀況分為若干個區(qū)間。本文提出的劃分方法是按照5個區(qū)間來劃分的:

r<0.2項目的風險很低,損失發(fā)生的概率或者額度很小;

0.2≤r<0.4項目的風險較低,但仍存在一定風險;

0.4≤r<0.6項目的風險處于中等水平,有出現(xiàn)重大損失的可能;

0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;

0.8≤r<1項目的風險極大,重大損失出現(xiàn)的概率很高,建議重新考慮對于項目的投資決策。

總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數(shù)五個等級。給出各風險指標的評價系數(shù)，衡量相關風險的大小。系數(shù)越低，項目風險越低；反之，系數(shù)越高，項目風險越高。

二、實證：以軟件開發(fā)風險因素為主要依據(jù)

這里我們從影響項目風險諸多因素中，經(jīng)項目風險系數(shù)計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經(jīng)元，根據(jù)需求網(wǎng)絡隱含層神經(jīng)元選為13個，一個取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡結(jié)構(gòu)。將前十個季度的指標數(shù)據(jù)作為訓練樣本數(shù)據(jù)，對這些訓練樣本進行數(shù)值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學習后訓練次數(shù)N＝1800網(wǎng)絡趨于收斂，以確定神經(jīng)網(wǎng)絡的權(quán)值。最后將后二個季度的指標數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓練好的神經(jīng)網(wǎng)絡中，利用神經(jīng)網(wǎng)絡系統(tǒng)進行識別和分類，以判斷軟件是否會發(fā)生危機。實驗結(jié)果表明，使用神經(jīng)網(wǎng)絡方法進行風險預警工作是有效的，運用神經(jīng)網(wǎng)絡方法對后二個季度的指標數(shù)據(jù)進行處理和計算，最后神經(jīng)網(wǎng)絡的實際輸出值為r=0.57和r=0.77，該軟件開發(fā)風險處于中等和較大狀態(tài)，與用專家效績評價方法評價出的結(jié)果基本吻合。

參考文獻：

[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學出版社，2001