前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文第1篇

>> 大規(guī)模自組織人工神經(jīng)網(wǎng)絡(luò)技術(shù)在智能建筑中的應(yīng)用方法研究 基于自組織增量神經(jīng)網(wǎng)絡(luò)的碼書產(chǎn)生方法在圖像分類中的應(yīng)用 基于Matlab的自組織神經(jīng)網(wǎng)絡(luò)在油氣層識別中的應(yīng)用研究 基于自組織競爭神經(jīng)網(wǎng)絡(luò)的地震預(yù)測 自組織競爭網(wǎng)絡(luò)在測井資料巖性識別中的應(yīng)用 自組織特征映射網(wǎng)絡(luò)在探地雷達(dá)數(shù)據(jù)處理中的應(yīng)用 氣體識別自組織神經(jīng)網(wǎng)絡(luò) 一種基于自組織過程神經(jīng)網(wǎng)絡(luò)的動態(tài)樣本半監(jiān)督學(xué)習(xí)算法 自組織灰色神經(jīng)網(wǎng)絡(luò)中的基于電力系統(tǒng)短期負(fù)荷預(yù)測方法應(yīng)用研究 基于自組織映射神經(jīng)網(wǎng)絡(luò)的邊坡樣本分析方法 基于SOM神經(jīng)網(wǎng)絡(luò)技術(shù)的區(qū)域卷煙消費(fèi)狀態(tài)自組織分類 人工神經(jīng)網(wǎng)絡(luò)模型在水動力模型數(shù)據(jù)缺失中的應(yīng)用 基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)在臨床中應(yīng)用進(jìn)展 自組織特征映射網(wǎng)絡(luò)在壓縮編碼設(shè)計(jì)中的應(yīng)用 液壓控制系統(tǒng)中自組織雙模糊神經(jīng)網(wǎng)絡(luò)控制模型關(guān)鍵點(diǎn)研究 淺談人工神經(jīng)網(wǎng)絡(luò)在林業(yè)中的應(yīng)用 人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的應(yīng)用 一種改進(jìn)的動態(tài)二叉樹的自組織神經(jīng)網(wǎng)絡(luò)算法 基于SOM神經(jīng)網(wǎng)絡(luò)技術(shù)的卷煙零售客戶自組織分類 基于自組織神經(jīng)網(wǎng)絡(luò)SOM的汽車安全氣囊裝配故障診斷 常見問題解答 當(dāng)前所在位置：百度百科 移動學(xué)習(xí)2012-12-7

[2] 葉成林 徐福蔭 許駿 移動學(xué)習(xí)研究綜述 電化教育研究 2004 No.3

[3] 陳偉超 國內(nèi)移動學(xué)習(xí)研究現(xiàn)狀及發(fā)展建議[J].中國電力教育，2009 No.9

[4] 詞匯語義知識庫淺述 劉興林 福建電腦 2009 No.9

神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文第2篇

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

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：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)展而來的重要分支，對人工智能的發(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)，到目前為止還沒有一個(gè)得到廣泛認(rèn)可的統(tǒng)一定義，綜合各專家學(xué)者的觀點(diǎn)可以將人工神經(jīng)網(wǎng)絡(luò)簡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)具有非線性映射的特性，對處理非線性控制的問題時(shí)能給予一定的幫助；人工神經(jīng)網(wǎng)絡(luò)可以通過訓(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)對問題進(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。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)功能開發(fā)進(jìn)行了鋪墊。之后生物學(xué)家Eccles通過實(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，人們只是熱衷于對它的研究，卻對其自身的局限進(jìn)行了忽視。Minskyh和Papert通過多年對神經(jīng)網(wǎng)絡(luò)的研究，在1969年對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)只合適處理比較簡單的線性問題，對于非線性問題以及多層網(wǎng)絡(luò)問題卻無法解決。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，專家和學(xué)者也并沒有停止對神經(jīng)網(wǎng)絡(luò)的研究，針對他們的質(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，并通過實(shí)驗(yàn)證明在滿足一定的條件時(shí)，神經(jīng)網(wǎng)絡(luò)是能夠達(dá)到穩(wěn)定的狀態(tài)的。通過他的研究和帶動，眾多專家學(xué)者又重新開始了對人工神經(jīng)網(wǎng)絡(luò)方面的研究，推動了神經(jīng)網(wǎng)絡(luò)的再一次發(fā)展[3]。經(jīng)過專家學(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，我國也迎來了相關(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)，國內(nèi)對于神經(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)對非線性的系統(tǒng)控制問題進(jìn)行解決，研究成果顯著。隨著各類人工神經(jīng)網(wǎng)絡(luò)的相關(guān)刊物的創(chuàng)建和相關(guān)學(xué)術(shù)會議的召開，我國人工神經(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。對非線性動態(tài)系統(tǒng)的控制問題，采取有效措施，提高超平面的光滑性，對其精度進(jìn)行改進(jìn)。之后有專家提出了關(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。混沌神經(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越復(fù)雜，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以對人的思維進(jìn)行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統(tǒng)方法無法解決的問題，在軍事信息處理中的應(yīng)用極為廣泛[4]。模式識別是對事物表象的各種信息進(jìn)行整理和分析，對事物進(jìn)行辨別和解釋的一個(gè)過程，這樣對信息進(jìn)行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統(tǒng)計(jì)模式識別，還有一種是結(jié)構(gòu)模式識別，在語音識別和指紋識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)對于非線性問題處理十分有效，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)測性，在生物信號的表現(xiàn)形式和變化規(guī)律上也很難掌握，信息檢測和分析等諸多方面都存在著復(fù)雜的非線性聯(lián)系，所以應(yīng)用人工神經(jīng)網(wǎng)絡(luò)決解這些非線性問題具有特殊意義[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的檢測和自動分析以及專家系統(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，人工神經(jīng)網(wǎng)絡(luò)可以對不完整的信息以及模糊不確定的信息進(jìn)行簡單明了的處理，與傳統(tǒng)的經(jīng)濟(jì)統(tǒng)計(jì)方法相比具有其無法比擬的優(yōu)勢，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度的非線性問題進(jìn)行處理，對交通運(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)方法無法解決的問題，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)也許無法完全對人腦進(jìn)行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，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].電腦開發(fā)與應(yīng)用，2009（10）：59-61.

[3]李會玲，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].邢臺職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2009（5）：44-46.

神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文第3篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)模型；衛(wèi)生人力；人力資源測算

衛(wèi)生人力是指經(jīng)過專業(yè)培訓(xùn)、在衛(wèi)生系統(tǒng)工作、提供衛(wèi)生服務(wù)的人員，包括直接從事醫(yī)療、衛(wèi)生、保健服務(wù)的衛(wèi)生技術(shù)人員以及管理、工勤等其他人員。由于衛(wèi)生系統(tǒng)本身具有復(fù)雜性和時(shí)變性的雙重特性，因此衛(wèi)生人力受許多因素影響，如人口、經(jīng)濟(jì)、社會與文化、資源利用效率、健康狀況等等，而且多個(gè)因素間相互作用、相互影響。

我國的衛(wèi)生事業(yè)雖然取得了很大的發(fā)展，但卻存在明顯的衛(wèi)生人力資源失衡現(xiàn)象，突出表現(xiàn)在：衛(wèi)生人員總量過剩、人員地區(qū)分布不均衡尤其是城鄉(xiāng)差距較大、衛(wèi)生人員總體素質(zhì)不高。因而迫切需要加強(qiáng)衛(wèi)生人力預(yù)測研究，使其更合理地從數(shù)量上、質(zhì)量上和分布上調(diào)整現(xiàn)有存量、優(yōu)化增量，以推動整個(gè)衛(wèi)生事業(yè)的發(fā)展進(jìn)程[1，2]。

人工神經(jīng)網(wǎng)絡(luò)作為一種綜合信息處理和模擬技術(shù)，其特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)方法的局限性，而且還具有學(xué)習(xí)預(yù)測精度高、容錯(cuò)能力強(qiáng)和預(yù)測速度快的特點(diǎn)[3]。本研究基于人工神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建出一套合理、有效的測算衛(wèi)生人力需求量的指標(biāo)體系。

1人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)基本組成單位是神經(jīng)元（節(jié)點(diǎn)），神經(jīng)元之間按一定的方式相互連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)系統(tǒng)，可以通過預(yù)先提供的一批相互對應(yīng)的輸入--輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果[4，5]。

迄今為止，已有多種人工神經(jīng)網(wǎng)絡(luò)模型被開發(fā)和應(yīng)用。本文應(yīng)用較為成熟的誤差反向傳播學(xué)習(xí)算法人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）。BP神經(jīng)網(wǎng)絡(luò)從模擬生物的神經(jīng)網(wǎng)絡(luò)出發(fā)[6]，其最基本的結(jié)構(gòu)是3層前饋網(wǎng)絡(luò)，即輸入層、隱含層、輸出層（見圖1），層與層之間多采用全互連方式，同一層單元間不存在相互連接。

圖1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)模型的應(yīng)用過程包括訓(xùn)練和預(yù)測兩個(gè)過程。訓(xùn)練時(shí)，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。如果輸出層得不到期望的輸出，則將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的連接權(quán)值，使得誤差最小。網(wǎng)絡(luò)重復(fù)以上過程進(jìn)行迭代計(jì)算，直至收斂，由此構(gòu)成了非線性映射模型，掌握了隱含在樣本內(nèi)部各元素間的特殊關(guān)系[7]。經(jīng)訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)不僅對擬合過的樣本有效，而且對未經(jīng)擬合的樣本也可以較準(zhǔn)確地預(yù)測。人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的信息儲存方式、良好的容錯(cuò)性、大規(guī)模的非線性并行處理方式[8]以及強(qiáng)大的自組織自擬合和自適應(yīng)能力，已應(yīng)用于信號處理、模式識別、綜合評價(jià)、預(yù)測分析等領(lǐng)域。

2指標(biāo)篩選

本文的研究對象是衛(wèi)生人力的數(shù)量。人工神經(jīng)網(wǎng)絡(luò)要求選擇那些影響輸出的主要因素作為輸入層，選定的輸入變量數(shù)必須足夠且具有代表性[9，10]，基于這一點(diǎn)，經(jīng)過文獻(xiàn)評閱分析及專家小組討論，本研究對于輸入變量，即測算指標(biāo)的選擇主要從以下幾方面進(jìn)行：

2.1人口數(shù)量變化 人口數(shù)量的變化是影響衛(wèi)生人力需求量的最重要的因素。人口的增減會引起衛(wèi)生服務(wù)需求量的增減，從而引起衛(wèi)生人力需求量的波動。對應(yīng)的變量選擇了總?cè)丝跀?shù)、就診人次數(shù)、住院人次數(shù)。

2.2經(jīng)濟(jì)發(fā)展水平 隨著社會經(jīng)濟(jì)迅猛發(fā)展，居民的生活水平不斷提高，人們對生活質(zhì)量要求也逐步提高，而健康是衡量生活質(zhì)量的重要指標(biāo)之一，所以隨著居民對健康意識的增強(qiáng)，衛(wèi)生服務(wù)需求量將會加大，衛(wèi)生人力的需求量也隨之增加[11，12]。對應(yīng)的變量選擇了衛(wèi)生總費(fèi)用、人均衛(wèi)生費(fèi)用、人均國民生產(chǎn)總值。

2.3醫(yī)院發(fā)展規(guī)模 醫(yī)院規(guī)模直接影響整個(gè)衛(wèi)生人力需求量和衛(wèi)生人力內(nèi)部構(gòu)成。醫(yī)院規(guī)模的大小通常是以病床數(shù)來衡量的，而病床數(shù)又是人員編配的重要標(biāo)準(zhǔn)[13]。對應(yīng)的變量選擇了醫(yī)院機(jī)構(gòu)數(shù)、總床位數(shù)。

2.4衛(wèi)生人力供給 每年都有大量的醫(yī)學(xué)生走向工作崗位，為醫(yī)療系統(tǒng)注入新的血液。對應(yīng)的變量選擇了高等醫(yī)學(xué)院校畢業(yè)生數(shù)、中等醫(yī)學(xué)院校畢業(yè)生數(shù)[14]。

3結(jié)果與討論

得到衛(wèi)生人力的測算指標(biāo)包括總?cè)丝跀?shù)（萬人）、就診人次數(shù)（億次）、住院人次數(shù)（萬人）、衛(wèi)生總費(fèi)用（億元）、人均衛(wèi)生費(fèi)用（元）、人均國民生產(chǎn)總值（元）、醫(yī)院機(jī)構(gòu)數(shù)、總床位數(shù)（萬張）、高等醫(yī)學(xué)院校畢業(yè)生數(shù)、中等醫(yī)學(xué)院校畢業(yè)生數(shù)10項(xiàng)指標(biāo)。鑒于年鑒收錄自國家及各省市地方統(tǒng)計(jì)局的歷年統(tǒng)計(jì)資料，具有資料翔實(shí)，信息密集的特點(diǎn)，所有數(shù)據(jù)均從統(tǒng)計(jì)年鑒中獲取，按照年份順序進(jìn)行整理，過濾缺失的數(shù)據(jù)，建立起從1990～2008年的有關(guān)衛(wèi)生人力資源的數(shù)據(jù)庫。

參考文獻(xiàn)：

[1]薛婭，高歌，沈月平.常州市衛(wèi)生人力需要量統(tǒng)計(jì)預(yù)測研究[J].中國衛(wèi)生統(tǒng)計(jì)，2007，24（3）：287.

[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.

[3]蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2002.

[4]任宏，姜慶五.人工神經(jīng)網(wǎng)絡(luò)及其在預(yù)防醫(yī)學(xué)領(lǐng)域的應(yīng)用[J].上海預(yù)防醫(yī)學(xué)，2003，15（1）：22.

[5]黎衍云，李銳，張勝年.人工神經(jīng)網(wǎng)絡(luò)及其在疾病篩查中的應(yīng)用前景[J].環(huán)境與職業(yè)醫(yī)學(xué)，2006，23（1）：71.

[6]錢玲，施侶元，程茂金.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測糖尿病/糖耐量異常[J].中國公共衛(wèi)生，2003，19（10）：1272.

[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.

[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.

[9]薛婭，高歌. 衛(wèi)生人力需求量預(yù)測研究綜述[J].上海預(yù)防醫(yī)學(xué)雜志，2005，17（12）：589.

[10]鐘珞，饒文碧，鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)[M].北京：科學(xué)出版社，2007：12.

[11]陳力凌.江蘇省衛(wèi)生人力資源現(xiàn)狀及需要量預(yù)測研究[D].碩士學(xué)位論文，2006：23.

[12]左延莉.廣西衛(wèi)生人力資源配置現(xiàn)狀與預(yù)測研究[D].碩士學(xué)位論文，2002：12.

神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文第4篇

(湘潭大學(xué)商學(xué)院,湖南湘潭410600)

［摘要］文章對神經(jīng)網(wǎng)絡(luò)在非線性經(jīng)濟(jì)問題預(yù)測中的研究與現(xiàn)狀進(jìn)行綜述,側(cè)重討論了國內(nèi)的研究近況,為國內(nèi)學(xué)者在該方面的研究提供參考。

［

關(guān)鍵詞 ］神經(jīng)網(wǎng)絡(luò)；非線性；經(jīng)濟(jì)預(yù)測

［DOI］10?13939/j?cnki?zgsc?2015?09?025

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANNs)也簡稱為神經(jīng)網(wǎng)絡(luò)(NNs),是一種模仿人腦神經(jīng)網(wǎng)絡(luò)特征,進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。NNs具有強(qiáng)大的非線性處理能力,為經(jīng)濟(jì)預(yù)測提供了更多的可能性。

1BP神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測中的應(yīng)用及改進(jìn)

神經(jīng)網(wǎng)絡(luò)模型的類型較多月前已不下數(shù)十種。代表性的神經(jīng)網(wǎng)絡(luò)模型有BP神經(jīng)網(wǎng)絡(luò)、GMDH網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Hopfield模型、Boltzmann機(jī)、自適應(yīng)共振理論、CPN模型等。Rumelhart等于1986年提出的誤差反向傳播算法,簡稱BP算法,是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。

Lapedes等人(1987)最先將神經(jīng)網(wǎng)絡(luò)用于經(jīng)濟(jì)預(yù)測。Vaifis(1990)應(yīng)用神經(jīng)網(wǎng)絡(luò)解決經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)的預(yù)測問題。Wedding(1996)提出使用徑向基函數(shù)網(wǎng)絡(luò)與Box-Jenkins模結(jié)合。近年來,國內(nèi)經(jīng)濟(jì)預(yù)測中有大量文獻(xiàn)涉及神經(jīng)網(wǎng)絡(luò)算法。周柳青等(2011)運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)方法,對廣東省縣域經(jīng)濟(jì)發(fā)展差異進(jìn)行綜合評估。認(rèn)為BP神經(jīng)網(wǎng)絡(luò)的評價(jià)結(jié)果可以較好地模擬縣域經(jīng)濟(jì)發(fā)展差異,能有效避免主觀確定權(quán)重所確定帶來的誤差,提高測度的準(zhǔn)確性。傅建華等(2012)構(gòu)建了企業(yè)綠色營銷績效評估的AHP-BP神經(jīng)網(wǎng)絡(luò)模型,模型以AHP評價(jià)結(jié)果為神經(jīng)網(wǎng)絡(luò)輸入,利用反向逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)對評價(jià)結(jié)果進(jìn)行訓(xùn)練與檢驗(yàn),降低了人為主觀隨意性的缺陷,計(jì)算結(jié)果準(zhǔn)確、方法可行、誤差可控,在企業(yè)綠色營銷績效評估領(lǐng)域具有推廣價(jià)值。

BP網(wǎng)絡(luò)能夠模仿非線性函數(shù)、分段函數(shù)等；能利用變量的屬性內(nèi)含地建立相關(guān)的變量及變量之間的函數(shù)關(guān)系,且不需要預(yù)先假設(shè)基本的參數(shù)分布。因此,當(dāng)變量之間的關(guān)系不適合假定的模型時(shí),可以嘗試用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型。但BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的準(zhǔn)確性受參數(shù)的選擇、神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的優(yōu)劣等影響。運(yùn)用神經(jīng)網(wǎng)絡(luò)構(gòu)建模型的最主要的障礙是缺乏神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)理論,且有時(shí)候會陷入局部極小值。針對這些問題,許多學(xué)者做了積極的改進(jìn)。陳健等(2006)把對數(shù)據(jù)的歸一化變?yōu)閷?shù)據(jù)增長率的歸一化,因而只要預(yù)測的經(jīng)濟(jì)數(shù)據(jù)增長率不超過以往的經(jīng)濟(jì)數(shù)據(jù)增長率,則不再會發(fā)生外延問題。肖冬榮等(2007)通過綜合運(yùn)用附加動量法、改變作用函數(shù)法以及把預(yù)測對象從生產(chǎn)總值調(diào)整為生產(chǎn)總值增長率等技巧,來改進(jìn)預(yù)測精度、建模收斂速度、局部極小值等問題。吳俊利等(2012)引入Adaboost算法對BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn),提出了基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)算法,并將該方法應(yīng)用于短期風(fēng)速預(yù)測。劉向榮、孫紅英(2013)在對權(quán)值和閾值進(jìn)行修改時(shí)加入了動量項(xiàng)α,改進(jìn)了預(yù)測效果。

2徑向基神經(jīng)網(wǎng)絡(luò)的應(yīng)用

不同于BP神經(jīng)網(wǎng)絡(luò)函數(shù)逼近時(shí)的負(fù)梯度下降法,徑向基神經(jīng)網(wǎng)絡(luò)(RBF)由于采用高斯型傳遞函數(shù),有著較快的收斂速度和較強(qiáng)的非線性映射能力,在非線性經(jīng)濟(jì)預(yù)測方面具有很好的應(yīng)用前景。許增福等(2008)根據(jù)經(jīng)濟(jì)發(fā)展的實(shí)際指標(biāo)數(shù)據(jù),構(gòu)造徑向基神經(jīng)網(wǎng)絡(luò)模型,設(shè)計(jì)了有監(jiān)督和無監(jiān)督兩段學(xué)習(xí)算法,并利用歷史經(jīng)濟(jì)數(shù)據(jù)證明了該方法的有效性。張亞平、張立偉(2011)利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)建立投資預(yù)測模型,有效解決經(jīng)濟(jì)投資預(yù)測中非線性預(yù)測問題。通過仿真實(shí)驗(yàn)證明模型既真實(shí)地表達(dá)了投資要素之間的高度非線性關(guān)系,又考慮了分配結(jié)構(gòu)的優(yōu)化問題,具有很高的預(yù)測精度和較強(qiáng)的實(shí)際應(yīng)用意義。郭立(2014)建立了基于徑向基神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)品價(jià)格非線性預(yù)測模型,并應(yīng)用某金屬的中長期價(jià)格進(jìn)行仿真,結(jié)果表明該模型具有較好的可靠性和實(shí)用性。

3遺傳算法、模糊算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用

1975年美國Michigan大學(xué)的Holland提出的模擬達(dá)爾文遺傳選擇和自然淘汰的生物進(jìn)化論的計(jì)算模型——遺傳算法(Genetic Algorithm,GA)。在神經(jīng)網(wǎng)絡(luò)中結(jié)合應(yīng)用遺傳算法,能夠克服神經(jīng)網(wǎng)絡(luò)利用梯度下降法所帶來的缺點(diǎn),將它們應(yīng)用于經(jīng)濟(jì)預(yù)測可以得到較好的預(yù)測效果。陳朝陽等(1997)提出將遺傳算法用于神經(jīng)網(wǎng)絡(luò)結(jié)合,并將其應(yīng)用于經(jīng)濟(jì)的預(yù)測及組合預(yù)測中,得到了比常規(guī)經(jīng)濟(jì)學(xué)模型更優(yōu)的效果。李玲、陶啟萍(2005)利用遺傳算法和人工神經(jīng)網(wǎng)絡(luò)建立數(shù)學(xué)模型,同時(shí)結(jié)合企業(yè)態(tài)勢分析法(SWOT)選取各類指標(biāo)形成完善的企業(yè)決策模型。張雙(2014)利用遺傳算法對權(quán)值和閾值的初始值進(jìn)行優(yōu)化改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)對預(yù)測殘差進(jìn)行修正,建立灰色遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)模型,并利用加權(quán)法對多元回歸分析和灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行組合,更好地利用了不同單一模型的優(yōu)勢。通過實(shí)證分析證明這種組合預(yù)測模型較灰色預(yù)測模型誤差率可以減少40%～70%。

模糊模型因其善于處理分類邊界模糊的數(shù)據(jù)以及易于引入啟發(fā)性知識的能力而在自動控制、模式辨識等方面得到廣泛應(yīng)用。目前在把人工神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)結(jié)合起來形成模糊神經(jīng)系統(tǒng)方面已取得了很大進(jìn)展。賀京同等(2000)運(yùn)用模糊邏輯推理將經(jīng)濟(jì)專家經(jīng)驗(yàn)引入到宏觀經(jīng)濟(jì)的預(yù)警分析中,將神經(jīng)網(wǎng)絡(luò)理論與模糊系統(tǒng)理論相結(jié)合,建立了宏觀經(jīng)濟(jì)非線性預(yù)警模型。張婕等(2010)運(yùn)用模糊學(xué)和BP神經(jīng)網(wǎng)絡(luò)的基本理論,構(gòu)建包裝企業(yè)的安全生產(chǎn)方案決策模型,進(jìn)行安全生產(chǎn)方案的決策選擇,認(rèn)為該方法能夠達(dá)到提高安全生產(chǎn)能力、增強(qiáng)企業(yè)的經(jīng)濟(jì)效益與社會效益的目的。張廣平等(2012)借助廣義動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(GD-FNN)設(shè)計(jì)了一種模糊神經(jīng)網(wǎng)絡(luò)模型并應(yīng)用于臺風(fēng)災(zāi)害損失的預(yù)測預(yù)警中,定量地研究了臺風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情指標(biāo)因子之間的規(guī)律。王暉、唐靜(2013)將模糊理論和神經(jīng)網(wǎng)絡(luò)理論結(jié)合,構(gòu)建了教育經(jīng)濟(jì)貢獻(xiàn)度分析模型,用于度量教育對于我國經(jīng)濟(jì)的發(fā)展的作用。

綜上所述,神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測中的應(yīng)用已得到了深入的研究。包括應(yīng)用BP神經(jīng)網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)對經(jīng)濟(jì)數(shù)據(jù)進(jìn)行建模分析,以及將遺傳算法、模糊系統(tǒng)算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用,并通過實(shí)證分析證明了多種模型的有效性。

如今,神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于智能控制、計(jì)算機(jī)視覺、模式識別、自動目標(biāo)識別、連續(xù)語音識別、信號處理、自適應(yīng)濾波、非線性優(yōu)化、傳感技術(shù)與機(jī)器人、知識處理、生物醫(yī)學(xué)工程等領(lǐng)域,在經(jīng)濟(jì)預(yù)測對復(fù)雜經(jīng)濟(jì)變量的非線性關(guān)系預(yù)測上具有較高的精度。對于一些經(jīng)濟(jì)理論尚不明確的經(jīng)濟(jì)關(guān)系也能給出較為準(zhǔn)確的預(yù)測。神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展,也會帶給經(jīng)濟(jì)預(yù)測領(lǐng)域更新的方法。

參考文獻(xiàn)：

［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?

［2］張雙?基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測［J］?統(tǒng)計(jì)與決策,2014(17)：79-81?

神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文第5篇

本文調(diào)查了國內(nèi)外電動機(jī)各種保護(hù)方法和各類保護(hù)裝置的研究發(fā)展?fàn)顩r，結(jié)合實(shí)際情況，提出了一種通過人工神經(jīng)網(wǎng)絡(luò)預(yù)測電機(jī)繞組溫升的方案，由PC機(jī)通過RS485總線實(shí)時(shí)讀取下位機(jī)采集的電機(jī)運(yùn)行參數(shù)，進(jìn)行溫升預(yù)測，并將預(yù)測結(jié)果傳輸回下位機(jī)，從而實(shí)現(xiàn)了對電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行的過載保護(hù)。

關(guān)鍵詞

電機(jī)保護(hù)；溫升預(yù)測

電動機(jī)是一種電能到機(jī)械能的能量轉(zhuǎn)換設(shè)備，是現(xiàn)代社會生產(chǎn)中的主要?jiǎng)恿π问?。在產(chǎn)業(yè)部門中，以電動機(jī)作動力的比例已占全部動力的90%。在電動機(jī)實(shí)際使用過程當(dāng)中，惡劣的運(yùn)行環(huán)境和超負(fù)荷的運(yùn)行時(shí)間是導(dǎo)致電動機(jī)故障頻繁的主要原因。因此電動機(jī)的保護(hù)尤其是對大型電動機(jī)保護(hù)的開發(fā)研究對國民經(jīng)濟(jì)有著重要的意義。

1電動機(jī)保護(hù)的發(fā)展趨勢

可以預(yù)測,應(yīng)用電動機(jī)內(nèi)部故障分析和利用先進(jìn)信號處理方法進(jìn)行精確的故障特征量追蹤捕捉這兩者的有效結(jié)合，再加上業(yè)內(nèi)已成熟的微機(jī)保護(hù)技術(shù)，可以將大型電動機(jī)的故障診斷、故障保護(hù)等功能綜合于一體，實(shí)現(xiàn)電動機(jī)運(yùn)行全過程的在線監(jiān)測、故障診斷與保護(hù)。

2神經(jīng)網(wǎng)絡(luò)溫升預(yù)測設(shè)計(jì)

2.1神經(jīng)網(wǎng)絡(luò)算法

2.1.1BP算法設(shè)含有共L層和n個(gè)節(jié)點(diǎn)的一個(gè)任意網(wǎng)絡(luò)，每層單元只接受前一層的輸出信息并輸給下一層各單元，各節(jié)點(diǎn)的特性為Sigmoid型。

2.1.2改進(jìn)的BP算法

鑒于改進(jìn)的算法利用目標(biāo)函數(shù)的二階導(dǎo)數(shù)信息。常用改進(jìn)BP算法和標(biāo)準(zhǔn)BP算法進(jìn)行比較，各改進(jìn)BP算法比標(biāo)準(zhǔn)BP算法有不同程度的改善。LM(Levenberg-Marquardt)算法是為了訓(xùn)練中等規(guī)模的前饋神經(jīng)網(wǎng)絡(luò)（多達(dá)算百個(gè)連接權(quán)）而提出的最快速算法。目前LM算法在訓(xùn)練速度上是最快的，并且它所達(dá)到的訓(xùn)練平均誤差和收斂精度較其他算法具有明顯的優(yōu)勢。

2.2神經(jīng)網(wǎng)絡(luò)在電機(jī)繞組溫升預(yù)測中的應(yīng)用

2.2.1電機(jī)熱過載保護(hù)的現(xiàn)狀熱過載保護(hù)是電機(jī)保護(hù)研究中的熱點(diǎn)和難點(diǎn)。國內(nèi)外不少的研究工作者一直在從事電動機(jī)過載保護(hù)的研究，提出不少的保護(hù)方案，概括起來分為兩大類：直接測溫法和間接測溫法。直接測溫法就是把溫感裝置（如熱電阻、熱電偶和溫度繼電器等）直接埋入電動機(jī)繞組的熱點(diǎn)進(jìn)行檢測，當(dāng)溫度達(dá)到長期使用允許溫度時(shí)，就令繼電器動作斷開電動機(jī)的控制回路，從而達(dá)到保護(hù)電動機(jī)的目的。間接測溫法是在電動機(jī)外部通過檢測一些相關(guān)參數(shù)來計(jì)算電動機(jī)的溫度。

2.2.2神經(jīng)網(wǎng)絡(luò)預(yù)測繞組溫升方法鑒于直接測溫法和間接測溫法各自存在不足，本文探索了一種通過采用神經(jīng)網(wǎng)絡(luò)預(yù)測繞組溫升來完成對電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行進(jìn)行過載保護(hù)的方法。

（1）訓(xùn)練樣本的數(shù)據(jù)處理實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)對電機(jī)進(jìn)行溫升預(yù)測關(guān)鍵的一步是采集訓(xùn)練樣本并且進(jìn)行必要的數(shù)據(jù)處理。以電動機(jī)為例進(jìn)行分析。電機(jī)的具體參數(shù)如下：Pe=220kW，Ue=6kV，Ie=26.7A，n=2976rpm，f=50Hz，絕緣等級F級。通過對電動機(jī)進(jìn)行溫升試驗(yàn)，采集了從額定電流(26.7A)到堵轉(zhuǎn)電流(150A)共20組不同的數(shù)據(jù)。表1給出了訓(xùn)練網(wǎng)絡(luò)和測試網(wǎng)絡(luò)的數(shù)據(jù)分配情況。其中15組用于訓(xùn)練網(wǎng)絡(luò)，其余幾組用于測試訓(xùn)練后的網(wǎng)絡(luò)的正確性與適用性，將采集到的15組訓(xùn)練數(shù)據(jù)，繪制成曲線，如圖1。

（2）電機(jī)長期穩(wěn)定負(fù)載運(yùn)行繞組溫升預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)由于本系統(tǒng)研究的長期穩(wěn)定負(fù)載運(yùn)行情況下，電動機(jī)的過載溫升，所以電源電壓、電源頻率、功率因數(shù)都可認(rèn)為保持不變，而僅將電流、環(huán)境溫度和轉(zhuǎn)速作為變量。同時(shí)考慮到影響轉(zhuǎn)速的三個(gè)要素電流、頻率和電壓，有兩個(gè)因素近似認(rèn)為不變，因此轉(zhuǎn)速和電流存在著很強(qiáng)的相關(guān)性，兩者不必都作為輸入變量，只選擇電流作為輸入變量即可。通過以上分析可以將溫升預(yù)測系統(tǒng)簡化成輸入為電流和當(dāng)前溫度的雙輸入單輸出的三層BP網(wǎng)絡(luò)。這樣，就可以使基于神經(jīng)網(wǎng)絡(luò)的電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行繞組溫升預(yù)測的設(shè)計(jì)在對電機(jī)進(jìn)行過載保護(hù)方面充分發(fā)揮作用。

3總結(jié)