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)的實(shí)現(xiàn)過(guò)程范文，相信會(huì)為您的寫作帶來(lái)幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)過(guò)程范文第1篇

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù) 多神經(jīng)網(wǎng)絡(luò)集成 方法研究

隨著我國(guó)科學(xué)技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)獲得廣泛的應(yīng)用，在我國(guó)的多個(gè)領(lǐng)域中使用，且已經(jīng)小有成就。但是在使用的過(guò)程中還不成熟，仍存在很大的不足和問(wèn)題，這就需要工作人員進(jìn)行反復(fù)的試驗(yàn)和計(jì)算，以獲得有關(guān)于神經(jīng)網(wǎng)絡(luò)的模型。神經(jīng)網(wǎng)絡(luò)模型在使用的過(guò)程中，會(huì)受到操作人員的影響，因此結(jié)果表現(xiàn)出來(lái)的也就不同。神經(jīng)網(wǎng)絡(luò)在實(shí)際使用的過(guò)程中，操作人員多是缺乏專業(yè)知識(shí)水平的普通工作人員，這就導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型的使用效果得不到保障，因此需要系統(tǒng)的、可靠的神經(jīng)網(wǎng)絡(luò)模型操作的應(yīng)用體系。

一、多神經(jīng)網(wǎng)絡(luò)集成方法

1.在神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)基礎(chǔ)上發(fā)展而來(lái)的神經(jīng)網(wǎng)絡(luò)集成應(yīng)用體系

在神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用的過(guò)程中，要對(duì)工作人員所具備的神經(jīng)網(wǎng)絡(luò)方面的知識(shí)和經(jīng)驗(yàn)進(jìn)行培訓(xùn)，可以通過(guò)多元化的神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)和積累與神經(jīng)網(wǎng)絡(luò)有關(guān)的知識(shí)，神經(jīng)網(wǎng)絡(luò)所具備的實(shí)用性將獲得大幅度的提高。現(xiàn)階段，我國(guó)與神經(jīng)網(wǎng)絡(luò)技術(shù)有關(guān)的工程都較為復(fù)雜，大多數(shù)的工程都具備獨(dú)立性較強(qiáng)的子系統(tǒng)、功能單元及部件等，將原本復(fù)雜的系統(tǒng)分解成多個(gè)簡(jiǎn)單的小系統(tǒng)。因此工作人員在遇到復(fù)雜的系統(tǒng)問(wèn)題時(shí)，可以將復(fù)雜的問(wèn)題分解成多個(gè)相對(duì)獨(dú)立的部件、功能單元或者是子系統(tǒng)，進(jìn)行信息資料的輸出或者是輸入。使用神經(jīng)網(wǎng)絡(luò)技術(shù)得到相關(guān)子系統(tǒng)的特點(diǎn)信息之后，就能夠以此為基礎(chǔ)面對(duì)系統(tǒng)復(fù)雜的問(wèn)題，例如系統(tǒng)中的辨識(shí)度問(wèn)題、同一個(gè)系統(tǒng)中包括多個(gè)子系統(tǒng)的神經(jīng)網(wǎng)絡(luò)問(wèn)題等。

在上述想法的基礎(chǔ)上，對(duì)神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)進(jìn)行構(gòu)建，并逐漸完善神經(jīng)網(wǎng)絡(luò)集成體系的框架。是按照將復(fù)雜的神經(jīng)網(wǎng)絡(luò)問(wèn)題分解成多個(gè)子系統(tǒng)的神經(jīng)網(wǎng)絡(luò)問(wèn)題，而不是針對(duì)一個(gè)相對(duì)較復(fù)雜的問(wèn)題進(jìn)行的。將復(fù)雜問(wèn)題分解成多個(gè)子系統(tǒng)，能夠充分體現(xiàn)復(fù)雜的神經(jīng)網(wǎng)絡(luò)技術(shù)所具備功能，并為神經(jīng)網(wǎng)絡(luò)問(wèn)題的分類提供便利，不僅可以提高解決問(wèn)題的工作效率，而且可以積累神經(jīng)網(wǎng)絡(luò)方面的經(jīng)驗(yàn)。在神經(jīng)網(wǎng)絡(luò)問(wèn)題的實(shí)際解決過(guò)程中，如果子系統(tǒng)所具備的屬性是對(duì)數(shù)據(jù)資料的輸出和輸入是固定的話，就需要子系統(tǒng)記住這些匹配。也可以是將神經(jīng)網(wǎng)絡(luò)子系統(tǒng)中存在的知識(shí)庫(kù)與神經(jīng)網(wǎng)絡(luò)中的儀器設(shè)備相匹配，那么在進(jìn)行相關(guān)信息的輸入時(shí)，就可以對(duì)神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)中的連接權(quán)、閾值等相關(guān)參數(shù)進(jìn)行調(diào)用，而不進(jìn)行反復(fù)性質(zhì)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，這時(shí)神經(jīng)網(wǎng)絡(luò)所具備的功能就是對(duì)函數(shù)進(jìn)行傳遞。如果在子系統(tǒng)的神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)中存在與子系統(tǒng)屬性相匹配的網(wǎng)絡(luò)部分，就需要在神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)中找到與初始值和缺省值相匹配的經(jīng)驗(yàn)值，將其作為基礎(chǔ)就可以對(duì)神經(jīng)網(wǎng)絡(luò)的子系統(tǒng)的連接權(quán)、閾值等相關(guān)參數(shù)進(jìn)行訓(xùn)練；如果神經(jīng)網(wǎng)絡(luò)的知識(shí)庫(kù)中不存在與子系統(tǒng)屬性相匹配的網(wǎng)絡(luò)部分，就要對(duì)神經(jīng)網(wǎng)絡(luò)的樣本進(jìn)行訓(xùn)練，并在神經(jīng)網(wǎng)絡(luò)問(wèn)題求解的過(guò)程中對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)和計(jì)算方法等進(jìn)行學(xué)習(xí)和訓(xùn)練，以求真正與神經(jīng)網(wǎng)絡(luò)的知識(shí)庫(kù)相融合。在神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)基礎(chǔ)上發(fā)展而來(lái)的多神經(jīng)網(wǎng)絡(luò)集成體系如下圖所示：

圖 在神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)基礎(chǔ)上發(fā)展而來(lái)的多神經(jīng)網(wǎng)絡(luò)集成體系

2.多神經(jīng)網(wǎng)絡(luò)集成的方法與流程

從神經(jīng)網(wǎng)絡(luò)的有關(guān)資料可以看出，多神經(jīng)的網(wǎng)絡(luò)集成體系中存在多個(gè)子系統(tǒng)且屬于多層并聯(lián)或者串聯(lián)的結(jié)構(gòu)體系。從資料明顯可以看出，子神經(jīng)網(wǎng)絡(luò)系統(tǒng)的結(jié)構(gòu)較為簡(jiǎn)單，為神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算和訓(xùn)練等操作提供了便利。在對(duì)復(fù)雜的網(wǎng)絡(luò)問(wèn)題進(jìn)行分解的過(guò)程中，要進(jìn)行反復(fù)的摸索和計(jì)算，以求得到最優(yōu)化的結(jié)果，并把結(jié)果存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)的知識(shí)庫(kù)中，為下一次的操作提供經(jīng)驗(yàn)和學(xué)習(xí)的基礎(chǔ)。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中存在多個(gè)層次，可以將位于下一層的輸出當(dāng)做是上一層的輸入使用，位于同一層次的神經(jīng)網(wǎng)絡(luò)都可以被上一層的神經(jīng)網(wǎng)絡(luò)使用，直到到達(dá)神經(jīng)網(wǎng)絡(luò)的頂層為止。

二、在BP網(wǎng)絡(luò)集成的基礎(chǔ)上進(jìn)行非線性的研究案例

本文通過(guò)復(fù)雜的非線性函數(shù)案例對(duì)神經(jīng)網(wǎng)絡(luò)的集成方法進(jìn)行驗(yàn)證，以有效證明神經(jīng)網(wǎng)絡(luò)集成方法所具備的有效性、穩(wěn)定性、可靠性和可行性。在神經(jīng)網(wǎng)絡(luò)函數(shù)的研究過(guò)程中，人們一直都比較注重對(duì)神經(jīng)網(wǎng)絡(luò)函數(shù)逼近原理進(jìn)行研究，但是沒(méi)有更為明確的說(shuō)明。

1.非線性函數(shù)逼近原理的舉例描述

通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行函數(shù)的非線性映射的描述，函數(shù)F■（x■，x■）中的x■，x■要符合以下要求：x■，x■∈[-1，1]。函數(shù)表示為：

F■（x■，x■）=sin■∈（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）

在函數(shù)中根據(jù)x■=x■=0.05的原則進(jìn)行取點(diǎn)的操作，并對(duì)函數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的輸入和輸出操作的訓(xùn)練，以求得出函數(shù)公式最理想的輸出結(jié)果。

2.函數(shù)問(wèn)題的解題方法

（1）在函數(shù)公式求解的過(guò)程中，需要用到神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)中的逼近原理。

（2）在函數(shù)公式求解的過(guò)程中，需要進(jìn)行反復(fù)的摸索和拼湊，以實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)，通過(guò)BP算法的使用，實(shí)現(xiàn)對(duì)函數(shù)公式求解的目的。

（3）在函數(shù)公式的求解過(guò)程中，如果使用多神經(jīng)網(wǎng)絡(luò)集成方法的話，就要對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行設(shè)計(jì)，以為函數(shù)公式的求解提供便利。

F■（x■，x■）=sin■（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）

=（sin（πx■）+cos（πx■））■

根據(jù)神經(jīng)網(wǎng)絡(luò)中可以將復(fù)雜的問(wèn)題進(jìn)行分解成多個(gè)子系統(tǒng)的原則，將函數(shù)公式分解成以下四個(gè)簡(jiǎn)單的函數(shù)問(wèn)題：

f■（x■）=sin（πx■）

f■（x■）=cos（πx■）

f■（f■，f■）=sin（πx■）+cos（πx■）=f■f■

F■（f■）=f■■

對(duì)分解之后的函數(shù)公式進(jìn)行求解，通過(guò)BP算法的求解，從而達(dá)到對(duì)函數(shù)公式求解的目的。

3.函數(shù)求解過(guò)程中所使用的方法對(duì)比

在使用神經(jīng)網(wǎng)絡(luò)進(jìn)行求解的過(guò)程中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)呈現(xiàn)出較為復(fù)雜的特點(diǎn)，由于缺少經(jīng)驗(yàn)作為基礎(chǔ)，因此只能進(jìn)行多次的嘗試和摸索，比較花費(fèi)人力，浪費(fèi)時(shí)間，得到的結(jié)果還不理想，存在一系列的問(wèn)題，例如速度慢、規(guī)律復(fù)雜等。本文介紹的案例就進(jìn)行了反復(fù)的嘗試，得到的輸出三維圖與最理想的三維圖之間還存在差異。

把原來(lái)較為復(fù)雜的函數(shù)公式分解成多個(gè)簡(jiǎn)單的函數(shù)公式之后，在通過(guò)多神經(jīng)網(wǎng)絡(luò)集成方法進(jìn)行求解的過(guò)程中，每個(gè)函數(shù)公式都很簡(jiǎn)單，在訓(xùn)練的過(guò)程中，也不存在大量的拼湊和嘗試，能夠在短時(shí)間內(nèi)就確定函數(shù)公式結(jié)構(gòu)的參數(shù)。將與函數(shù)公式有關(guān)的閾值和訓(xùn)練值等都存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)的知識(shí)庫(kù)中，在遇到同類型的函數(shù)公式求解時(shí)，就可以從神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)中直接調(diào)用即可，不僅計(jì)算的速度快，輸出結(jié)果的精確度也很高。通過(guò)神經(jīng)網(wǎng)絡(luò)集成方法找到的函數(shù)公式的輸出三維圖，與最優(yōu)的三維圖之間非常的相似，差異不大，可以忽略不計(jì)。

三、結(jié)語(yǔ)

在神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)的基礎(chǔ)上使用多神經(jīng)網(wǎng)絡(luò)集成方法進(jìn)行問(wèn)題的求解時(shí)，不僅可以大大節(jié)省求解所用的時(shí)間，而且可以大大提高輸出結(jié)果的精確度?？梢詫?fù)雜的問(wèn)題分解成多個(gè)簡(jiǎn)單的問(wèn)題，以提高神經(jīng)網(wǎng)絡(luò)的工作效率，對(duì)計(jì)算方法進(jìn)行創(chuàng)新和發(fā)展。

參考文獻(xiàn)：

[1]林民龍.基于神經(jīng)網(wǎng)絡(luò)集成的增量式學(xué)習(xí)[D].中國(guó)科學(xué)技術(shù)大學(xué)，2012.

[2]唐東波.基于神經(jīng)網(wǎng)絡(luò)集成的電信客戶流失預(yù)測(cè)建模及應(yīng)用[J].大眾商務(wù)，2010（06）.

[3]李明愛(ài)，王蕊，郝冬梅.基于神經(jīng)網(wǎng)絡(luò)集成技術(shù)的運(yùn)動(dòng)想象腦電識(shí)別方法[J].北京工業(yè)大學(xué)學(xué)報(bào)，2011（03）.

[4]劉大有，張冬威，李妮婭，劉杰，金弟.基于網(wǎng)絡(luò)聚類選擇的神經(jīng)網(wǎng)絡(luò)集成方法及應(yīng)用[J].吉林大學(xué)學(xué)報(bào)，2011（04）.

[5]潘遠(yuǎn).粗集約簡(jiǎn)的神經(jīng)網(wǎng)絡(luò)集成在遙感影像分類中的應(yīng)用[D].遼寧工程技術(shù)大學(xué)，2012.

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)過(guò)程范文第2篇

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；故障診斷；模式識(shí)別；Matlab軟件

一、人工神經(jīng)網(wǎng)絡(luò)綜述

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是由一個(gè)輸入層，一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒(méi)有連接。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括信號(hào)正向傳播和誤差反向傳播。在正向傳播進(jìn)程中，輸入信息從輸入層經(jīng)隱層加權(quán)處理傳向輸出層，經(jīng)功能函數(shù)運(yùn)算后得到的輸出值與期望值進(jìn)行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過(guò)逐層修改各層的權(quán)重系數(shù)，減小誤差。隨著這種誤差逆向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷上升。

二、人工神經(jīng)網(wǎng)絡(luò)的識(shí)別、診斷過(guò)程

滾動(dòng)軸承在設(shè)備中是比較典型的，本文以滾動(dòng)軸承的故障識(shí)別、診斷為例。進(jìn)行模式識(shí)別的大體步驟為：首先對(duì)經(jīng)過(guò)零均值化后的振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行時(shí)域、頻域分析，將篩選后的有效時(shí)域、頻域特征值作為人工神經(jīng)網(wǎng)絡(luò)輸入層的輸入，經(jīng)Matlab軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后可得出一個(gè)可以識(shí)別軸承工作狀態(tài)的神經(jīng)網(wǎng)絡(luò)，進(jìn)而可以對(duì)滾動(dòng)軸承進(jìn)行模式識(shí)別?？梢?jiàn)采用振動(dòng)信號(hào)檢測(cè)法對(duì)機(jī)器設(shè)備進(jìn)行故障診斷的過(guò)程包含信號(hào)采集、特征提取、狀態(tài)識(shí)別、故障分析和決策干預(yù)等五個(gè)基本環(huán)節(jié)，在滾動(dòng)軸承故障診斷中，振動(dòng)信號(hào)的采集是關(guān)鍵，保證信號(hào)采集的準(zhǔn)確性、合理性和實(shí)時(shí)性是正確實(shí)現(xiàn)故障診斷的前提。（1）信號(hào)采集。每臺(tái)機(jī)器設(shè)備都有自身的固有頻率，若設(shè)備發(fā)生故障，其頻率變化，其振動(dòng)信號(hào)也會(huì)發(fā)生變化。因此，振動(dòng)信號(hào)可以作為故障診斷的一個(gè)重要標(biāo)準(zhǔn)。在信號(hào)采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉(zhuǎn)換器。先通過(guò)壓電式加速度傳感器對(duì)振動(dòng)信號(hào)進(jìn)行拾取，然后經(jīng)過(guò)電荷放大器及通過(guò)帶濾波的A/D轉(zhuǎn)換電路得到微機(jī)可以識(shí)別的數(shù)字信號(hào)，從而實(shí)現(xiàn)振動(dòng)信號(hào)的采集。（2）特征值提取。為了便于觀察，要把采樣點(diǎn)的值分布在0附近，故先對(duì)采集的采樣點(diǎn)值進(jìn)行零均值化。用matlab對(duì)零均值化后的的采樣點(diǎn)進(jìn)行時(shí)域、頻域分析。時(shí)域分析是計(jì)算振動(dòng)信號(hào)的在時(shí)域范圍內(nèi)的特征參數(shù)，包括：平均值、方差、均方根、峰值峰值因子、峭度系數(shù)等參數(shù)。頻域分析是對(duì)零均值化后數(shù)據(jù)進(jìn)行傅里葉變換，繪制頻譜圖，對(duì)不同樣本故障軸承和正常軸承的頻譜圖進(jìn)行對(duì)比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個(gè)特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對(duì)所有有效特征值進(jìn)行歸一化，歸一化后的結(jié)果可以作為神經(jīng)網(wǎng)絡(luò)的輸入值。（3）模式識(shí)別和故障分析。在狀態(tài)檢測(cè)過(guò)程中，樣本數(shù)據(jù)來(lái)源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值，這些有效的特征值作為神經(jīng)網(wǎng)絡(luò)的輸入。神經(jīng)網(wǎng)絡(luò)的輸出為軸承狀態(tài)，分為正常軸承和故障軸承（也可以把故障具體分，比如內(nèi)圈、外圈、滾動(dòng)體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網(wǎng)絡(luò)中設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。對(duì)軸承的不同狀態(tài)進(jìn)行識(shí)別，建立神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行訓(xùn)練，可以用公式（其中是輸入層神經(jīng)元數(shù)，是隱層神經(jīng)元數(shù)）大體的計(jì)算出隱層神經(jīng)元層數(shù)。我們?cè)O(shè)計(jì)一個(gè)隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過(guò)誤差對(duì)比確定隱層數(shù)目。設(shè)定神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。由以上設(shè)計(jì)寫出網(wǎng)絡(luò)訓(xùn)練代碼，經(jīng)Matlab運(yùn)行，找出網(wǎng)絡(luò)誤差最小所對(duì)應(yīng)層數(shù)，該層數(shù)作為神經(jīng)網(wǎng)絡(luò)的隱層。

確定神經(jīng)網(wǎng)絡(luò)的隱層后便可確定神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)，下一步就要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使人工神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的網(wǎng)絡(luò)誤差小于目標(biāo)誤差，對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練好以后，接下來(lái)就是對(duì)軸承的測(cè)試，神經(jīng)網(wǎng)絡(luò)測(cè)試代碼為：y=sim（net，測(cè)試數(shù)據(jù)）。把正常軸承和故障軸承的測(cè)試數(shù)據(jù)導(dǎo)入Matlab程序中，結(jié)果整理后可得（以實(shí)驗(yàn)室中的一組實(shí)驗(yàn)數(shù)據(jù)為例）：

用均值表示結(jié)果為：

把預(yù)先設(shè)定好的狀態(tài)值和測(cè)試后的結(jié)果進(jìn)行比較，很清楚的可以辨別出正常軸承和故障軸承?？梢?jiàn)，對(duì)機(jī)器設(shè)備或者系統(tǒng)的故障診斷實(shí)質(zhì)是一個(gè)模式識(shí)別過(guò)程。利用神經(jīng)網(wǎng)絡(luò)的模式識(shí)別能力，直接識(shí)別系統(tǒng)的當(dāng)前模式，實(shí)現(xiàn)正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區(qū)分。

參 考 文 獻(xiàn)

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)過(guò)程范文第3篇

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；BP；優(yōu)化算法

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）13-0066-01

1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱ANN，它是一種將人類大腦的組織結(jié)構(gòu)和運(yùn)行機(jī)制作為其研究基礎(chǔ)來(lái)模擬人類大腦內(nèi)部結(jié)構(gòu)和其智能行為的處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元細(xì)胞將其接收到的所有信號(hào)進(jìn)行處理，如加權(quán)求和等操作，進(jìn)行操作后經(jīng)軸突輸出。

2 人工神經(jīng)網(wǎng)絡(luò)的分類

2.1 前饋型神經(jīng)網(wǎng)絡(luò)

前饋型神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)其網(wǎng)絡(luò)中的神經(jīng)元之間的連接關(guān)系進(jìn)行復(fù)合映射，因此這種網(wǎng)絡(luò)模型具有非常強(qiáng)的非線性處理的能力。如圖1所示，在這里前饋型神經(jīng)網(wǎng)絡(luò)模型被分為三層，分別為輸入層、輸出層和隱含層，一般常用的前饋型神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等。

圖1 前向神經(jīng)網(wǎng)絡(luò)模型

2.2 反饋型神經(jīng)網(wǎng)絡(luò)

反饋型神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)，在這個(gè)模型中我們假設(shè)網(wǎng)絡(luò)總的神經(jīng)元個(gè)數(shù)為N，則每個(gè)神經(jīng)元節(jié)點(diǎn)都有N個(gè)輸入值及一個(gè)輸出值，每個(gè)神經(jīng)元節(jié)點(diǎn)都如此，節(jié)點(diǎn)之間相互聯(lián)系?，F(xiàn)在被大量使用的反饋型神經(jīng)網(wǎng)絡(luò)一般有離散Hopfield神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型等等。

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

1986年，Rumelhant和McCelland提出了BP神經(jīng)網(wǎng)絡(luò)的一般模型，BP神經(jīng)網(wǎng)絡(luò)是一種具有多層網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)模型的基本思想是：整個(gè)過(guò)程主要由信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。目前，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍為數(shù)據(jù)壓縮、數(shù)據(jù)分類、預(yù)測(cè)分析和模式識(shí)別等領(lǐng)域。

3.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

如圖2所示，這里是BP神經(jīng)網(wǎng)絡(luò)的一種模型結(jié)構(gòu)，在這種模型結(jié)構(gòu)中輸入信號(hào)量為m，具有隱含層的數(shù)量為j，輸出信號(hào)量為q的模型結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)一般具有一個(gè)或多個(gè)隱含層單元，其差別主要體現(xiàn)在激活函數(shù)的不同。針對(duì)BP神經(jīng)網(wǎng)絡(luò)所使用的激活函數(shù)一

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

般采用S型對(duì)數(shù)函數(shù)或者采用正切激活函數(shù)，而輸出層則一般采用線性函數(shù)作為激活函數(shù)。

3.3 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法

BP神經(jīng)網(wǎng)絡(luò)作為當(dāng)今對(duì)研究電力負(fù)荷預(yù)測(cè)應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)，但標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)算法存在的一些缺陷，這里就對(duì)一些經(jīng)常使用的典型改進(jìn)方法進(jìn)行描述。

1）增加動(dòng)量項(xiàng)。在一般的BP神經(jīng)網(wǎng)絡(luò)算法中，其模型中的各層權(quán)值在進(jìn)行更新的過(guò)程中，是按照t時(shí)刻誤差曲線進(jìn)行梯度下降方式進(jìn)行調(diào)整的，在這里并沒(méi)有考慮其之間的梯度下降的方向，如果使用這種方式進(jìn)行調(diào)整則會(huì)造成訓(xùn)練的過(guò)程不穩(wěn)定，容易發(fā)生振蕩，導(dǎo)致收斂過(guò)程緩慢的結(jié)果。因此有些學(xué)者就為了使網(wǎng)絡(luò)訓(xùn)練的速度提高，收斂過(guò)程加快，就在一般網(wǎng)絡(luò)模型的權(quán)值更新環(huán)節(jié)添加了一個(gè)動(dòng)量項(xiàng)因子即：

（1）

在這個(gè)式子中，W表示BP神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)值矩陣，O則表示神經(jīng)網(wǎng)絡(luò)中每一層的輸出向量矩陣，α則被稱為該神經(jīng)網(wǎng)絡(luò)的動(dòng)量系數(shù)因子，其取值范圍在0到1之間，在該網(wǎng)絡(luò)在進(jìn)行訓(xùn)練的過(guò)程中，如果其誤差梯度網(wǎng)線出現(xiàn)了局部極小值現(xiàn)象，雖然在這里的第一項(xiàng)會(huì)趨摟于零，但是這一項(xiàng)，

這樣就會(huì)使該訓(xùn)練過(guò)程避免了限入局部極小值區(qū)域的形勢(shì)，從而加快了其訓(xùn)練速度，使該神經(jīng)網(wǎng)絡(luò)收斂速度加快，因此這種帶有動(dòng)量項(xiàng)因子的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到了很多的BP網(wǎng)絡(luò)中。

2）學(xué)習(xí)速度的自適應(yīng)調(diào)節(jié)方法。學(xué)習(xí)速度η在一個(gè)標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)中是以一個(gè)常數(shù)出現(xiàn)的我們也稱為之步長(zhǎng)，而在實(shí)際的運(yùn)算過(guò)程中，很難找到一個(gè)數(shù)值作為最優(yōu)學(xué)習(xí)速度。我們從誤差曲面圖形中可以看出，當(dāng)曲面中區(qū)域處于一個(gè)平坦區(qū)域時(shí)，我們需要設(shè)置一個(gè)比較大的η值，使它能夠跳出這個(gè)平坦的區(qū)域；而當(dāng)曲面中的區(qū)域處于變化比較很大的區(qū)域時(shí)，這時(shí)的η的數(shù)值我們又需要將其進(jìn)行減小或者增大操作。自適應(yīng)調(diào)整學(xué)習(xí)速度η則可以根據(jù)網(wǎng)絡(luò)的總誤差來(lái)進(jìn)行自我調(diào)整，在網(wǎng)絡(luò)經(jīng)過(guò)多次調(diào)整后，如果E總繼續(xù)上升，則表明這里的調(diào)整是無(wú)效的，且η=βη， ；而經(jīng)常調(diào)整這里的E總下降了，則表明這里的調(diào)整是有效果的，且η=αη，。

3）引入陡度因子（防止飽和）。在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中，由于其誤差曲面具有平坦區(qū)，當(dāng)處于這個(gè)區(qū)域時(shí)，由于S型激活函數(shù)有飽和特性，促使權(quán)值的調(diào)整速度放慢，從而影響了調(diào)整的速度。在訓(xùn)練的過(guò)程中，如果算法調(diào)整進(jìn)入了這個(gè)區(qū)域，我們可以減小神經(jīng)元的輸入量，使其輸出值迅速脫離激活函數(shù)的飽和區(qū)域，這里誤差函數(shù)的數(shù)值則會(huì)隨之發(fā)生改變，其權(quán)值的調(diào)整也就脫離了該平坦區(qū)。想要實(shí)現(xiàn)以上思路則需要在激活函數(shù)中引入一個(gè)陡度因子λ。

（2）

當(dāng)趨近于0時(shí)，而數(shù)值較大時(shí)，調(diào)整其進(jìn)入誤差曲面中的平坦區(qū)，此時(shí)λ的值應(yīng)選擇大于1的數(shù)值；而當(dāng)調(diào)整脫離平坦區(qū)域后，再設(shè)置λ大于1，使激活函數(shù)能夠恢復(fù)到原始數(shù)值。

4 總結(jié)

綜上所述，設(shè)計(jì)一個(gè)人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到實(shí)際問(wèn)題中，可以歸結(jié)為網(wǎng)絡(luò)自身權(quán)值參數(shù)的學(xué)習(xí)與合理的設(shè)計(jì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)這兩大類優(yōu)化問(wèn)題。由于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)非常復(fù)雜的問(wèn)題，使用傳統(tǒng)的學(xué)習(xí)算法進(jìn)行訓(xùn)練則要花費(fèi)很長(zhǎng)的時(shí)間，BP算法用到了梯度下降法，才只能在一定范圍內(nèi)找到合適的參數(shù)值及其模型結(jié)構(gòu)。因此，為了更好的提高神經(jīng)網(wǎng)絡(luò)的泛化能力，及將網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)的更加合理，大量關(guān)于神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法相繼產(chǎn)生。

參考文獻(xiàn)

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)過(guò)程范文第4篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 化工 應(yīng)用

一、前言

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)多科學(xué)、綜合性的研究領(lǐng)域，它是根據(jù)仿生學(xué)模擬人體大腦結(jié)構(gòu)和運(yùn)行機(jī)制構(gòu)造的非線性動(dòng)力學(xué)系統(tǒng)[1]。神經(jīng)網(wǎng)絡(luò)可以看作是一種具有自組織、自學(xué)習(xí)能力的智能機(jī)器，它能模仿人的學(xué)習(xí)過(guò)程，通過(guò)給網(wǎng)絡(luò)各種范例，把網(wǎng)絡(luò)的實(shí)際輸出與希望輸出比較，根據(jù)偏差修改節(jié)點(diǎn)間的連接權(quán)，直到獲得滿意的輸出?，F(xiàn)已廣泛應(yīng)用于經(jīng)濟(jì)學(xué)、軍事學(xué)、材料學(xué)、醫(yī)學(xué)、生物學(xué)等領(lǐng)域。

化工過(guò)程一般比較復(fù)雜， 對(duì)象特性多變、間歇或半連續(xù)生產(chǎn)過(guò)程多，具有嚴(yán)重非線性特性。因此，其模型化問(wèn)題一直是研究的熱點(diǎn)?；どa(chǎn)過(guò)程的數(shù)據(jù)或?qū)嶒?yàn)室實(shí)驗(yàn)數(shù)據(jù)的擬臺(tái)、分析，是優(yōu)化過(guò)程或優(yōu)化反應(yīng)條件的基礎(chǔ)一般被處理的數(shù)據(jù)可以分為二類：靜態(tài)數(shù)據(jù)（static data）和動(dòng)態(tài)數(shù)據(jù)（Dynamic data），對(duì)于靜態(tài)數(shù)據(jù)的關(guān)聯(lián)，神經(jīng)網(wǎng)絡(luò)是一種很有希望的“經(jīng)驗(yàn)?zāi)Ｐ汀睌M合工具。動(dòng)態(tài)過(guò)程數(shù)據(jù)具有系統(tǒng)隨時(shí)間而變化的特征，操作參數(shù)和產(chǎn)物的產(chǎn)量和質(zhì)量之間的關(guān)系更為復(fù)雜。處理和分析動(dòng)態(tài)過(guò)程數(shù)據(jù)的方法除了常用的在物料衡算、能量衡算、反應(yīng)動(dòng)力學(xué)方程、相平衡等基礎(chǔ)上建立數(shù)學(xué)模型（Mathematical Models）、數(shù)理統(tǒng)計(jì)（Statistical Analysis）等方法外，用神經(jīng)網(wǎng)絡(luò)擬合動(dòng)態(tài)過(guò)程數(shù)據(jù)， 建立動(dòng)態(tài)過(guò)程模型， 往往能從動(dòng)態(tài)數(shù)據(jù)提供的模式中提取較為有用的信息，對(duì)過(guò)程進(jìn)行預(yù)測(cè)、故障診斷，從而使過(guò)程得到優(yōu)化。因此，神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的函數(shù)映射能力， 已經(jīng)廣泛用于化工過(guò)程非線性系統(tǒng)建模領(lǐng)域。 它能夠通過(guò)輸入輸出數(shù)據(jù)對(duì)過(guò)程進(jìn)行有效地學(xué)習(xí)，為化工過(guò)程的綜合發(fā)展提供了一種先進(jìn)的技術(shù)手段。

二、人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)（英文縮寫為ANN）簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是在生物學(xué)和現(xiàn)代神經(jīng)科學(xué)研究的基礎(chǔ)上，對(duì)人類大腦的結(jié)構(gòu)和功能進(jìn)行簡(jiǎn)化模仿而形成的新型信息處理系統(tǒng)[2，3]。由“神經(jīng)元”（neurons）或節(jié)點(diǎn)組成。至少含有輸入層、一個(gè)隱含層以及一個(gè)輸出層。輸入層—從外部接受信息并將此信息傳入人工神經(jīng)網(wǎng)絡(luò)，以便進(jìn)行處理；隱含層—接收輸入層的信息，對(duì)所有信息進(jìn)行處理；輸出層—接收人工神經(jīng)網(wǎng)絡(luò)處理后的信息，將結(jié)果送到外部接受器。當(dāng)輸入層從外部收到信息時(shí)，它將被激活，并將信號(hào)傳遞到它的近鄰這些近鄰從輸入層接收到激活信號(hào)后，依次將其輸出到它們的近鄰，所得到的結(jié)果在輸出層以激活模式表現(xiàn)。

神經(jīng)網(wǎng)絡(luò)可以看作是一種具有自組織、自學(xué)習(xí)能力的智能機(jī)器，它能模仿人的學(xué)習(xí)過(guò)程。比如，一個(gè)復(fù)雜化工裝置的操作工人，開(kāi)始學(xué)習(xí)操作時(shí)，由于沒(méi)有經(jīng)驗(yàn)，難以保證控制質(zhì)量。但經(jīng)過(guò)一段時(shí)間學(xué)習(xí)后，他就能逐步提高技能。神經(jīng)網(wǎng)絡(luò)正是模擬人類學(xué)習(xí)過(guò)程，通過(guò)給網(wǎng)絡(luò)各種范例，把網(wǎng)絡(luò)的實(shí)際輸出與希望輸出比較，根據(jù)偏差修改節(jié)點(diǎn)間的連接權(quán)，直到獲得滿意的輸出。人工神經(jīng)網(wǎng)絡(luò)研究工作可分成 3個(gè)大方向：（1）探求人腦神經(jīng)網(wǎng)絡(luò)的生物結(jié)構(gòu)和機(jī)制，這實(shí)際上是研究神經(jīng)網(wǎng)絡(luò)理論的初衷；（2）用微電子或光學(xué)器件形成有一定功能的網(wǎng)絡(luò)，這主要是新一代計(jì)算機(jī)制造領(lǐng)域所關(guān)注的問(wèn)題；（3）將人工神經(jīng)網(wǎng)絡(luò)作為一種解決問(wèn)題的手段和方法，而這類問(wèn)題用傳統(tǒng)方法無(wú)法解決或在具體處理技術(shù)上尚存在困難。

三、神經(jīng)網(wǎng)絡(luò)在化工中的應(yīng)用

1.故障診斷

當(dāng)系統(tǒng)的某個(gè)環(huán)節(jié)發(fā)生故障時(shí)，若不及時(shí)處理，就可能引起故障擴(kuò)大并導(dǎo)致重大事故的發(fā)生。因此建立高效的、準(zhǔn)確的實(shí)時(shí)故障檢測(cè)和診斷系統(tǒng)，消除故障隱患，及時(shí)排除故障，確保安全、平穩(wěn)、優(yōu)質(zhì)的生產(chǎn)，已成為整個(gè)生產(chǎn)過(guò)程的關(guān)鍵所在。神經(jīng)網(wǎng)絡(luò)是模仿和延伸人腦智能、思維、意識(shí)等功能的非顯形自適應(yīng)動(dòng)力學(xué)系統(tǒng)，其所具有的學(xué)習(xí)算法能使其對(duì)事物和環(huán)境具有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)和自組織能力。神經(jīng)網(wǎng)絡(luò)用于故障診斷和校正不必建立嚴(yán)格的系統(tǒng)公式或其它數(shù)學(xué)模型，經(jīng)數(shù)據(jù)樣本訓(xùn)練后可準(zhǔn)確、有效地偵破和識(shí)別過(guò)失誤差，同時(shí)校正測(cè)量數(shù)據(jù)中的隨機(jī)誤差。與直接應(yīng)用非線性規(guī)劃的校正方法相比，神經(jīng)網(wǎng)絡(luò)的計(jì)算速度快，在化工過(guò)程的實(shí)時(shí)數(shù)據(jù)校正方面具有明顯的優(yōu)勢(shì)。目前應(yīng)用于故障診斷的網(wǎng)絡(luò)類型主要有：BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、自適應(yīng)網(wǎng)絡(luò)等。

Rengaswamy[4]等人把神經(jīng)網(wǎng)絡(luò)用在化工過(guò)程的初始故障預(yù)測(cè)和診斷（ FDD）中，提出一種神經(jīng)網(wǎng)絡(luò)構(gòu)架，利用速度訓(xùn)練在分類設(shè)計(jì)中明確引入時(shí)間和過(guò)程模型映像的在線更新三個(gè)要素，來(lái)解決化工過(guò)程中的初始故障診斷問(wèn)題。國(guó)內(nèi)也有關(guān)于神經(jīng)網(wǎng)絡(luò)用于故障診斷的報(bào)道，黃道[5]等人以TE （Tenneaaee Eastman，Eastman化學(xué)公司開(kāi)發(fā)的過(guò)程模擬器，提供了一個(gè)實(shí)際工業(yè)過(guò)程的仿真平臺(tái)，是一種國(guó)際上通用的標(biāo)準(zhǔn)仿真模型）模型為背景，根據(jù)模型的特點(diǎn)進(jìn)行了故障診斷。當(dāng)輸入變量接近訓(xùn)練過(guò)的樣本時(shí)，診斷的成功率可達(dá)100％。另外，模糊神經(jīng)元網(wǎng)絡(luò)作為一種更接近人腦思維的網(wǎng)格，也是解決此類問(wèn)題的一個(gè)發(fā)展方向。李宏光[6]等人就針對(duì)化工非線性過(guò)程建模問(wèn)題， 提出了由函數(shù)逼近和規(guī)則推理網(wǎng)絡(luò)構(gòu)成的模糊神經(jīng)網(wǎng)絡(luò)，其規(guī)則網(wǎng)絡(luò)基于過(guò)程先驗(yàn)知識(shí)用于對(duì)操作區(qū)間的劃分，而函數(shù)網(wǎng)絡(luò)采用改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完成非線性函數(shù)逼近，并將該技術(shù)應(yīng)用于工業(yè)尿素 CO2汽提塔液位建模。

2.化工過(guò)程控制

隨著神經(jīng)網(wǎng)絡(luò)研究的不斷深入，其越來(lái)越多地應(yīng)用于控制領(lǐng)域的各個(gè)方面，從過(guò)程控制、機(jī)器人控制、生產(chǎn)制造、模式識(shí)別直到?jīng)Q策支持神經(jīng)網(wǎng)絡(luò)都有應(yīng)用。神經(jīng)網(wǎng)絡(luò)可以成功地建立流程和控制參數(shù)問(wèn)的非線性關(guān)系及構(gòu)造相關(guān)的數(shù)學(xué)模型，并可跟蹤瞬息過(guò)程及具有穩(wěn)健功能等，因此可有效地用于化工過(guò)程最優(yōu)化和控制。

1986年，Rumelhart第一次將ANN用于控制界。神經(jīng)元網(wǎng)絡(luò)用于控制有兩種方法，一種用來(lái)構(gòu)造模型，主要利用對(duì)象的先驗(yàn)信息，經(jīng)過(guò)誤差校正反饋，修正網(wǎng)絡(luò)權(quán)值，最終得到具有因果關(guān)系的函數(shù)，實(shí)現(xiàn)狀態(tài)估計(jì)，進(jìn)而推斷控制；另一種直接充當(dāng)控制器，就像PID控制器那樣進(jìn)行實(shí)時(shí)控制。神經(jīng)元網(wǎng)絡(luò)用于控制，不僅能處理精確知識(shí)，也能處理模糊信息。Tsen[7]等利用混合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)乙酸乙烯酯（VA）的乳液聚合過(guò)程的預(yù)測(cè)控制。原有的該間歇過(guò)程的復(fù)雜的機(jī)理模型可對(duì)單體轉(zhuǎn)化率做出較準(zhǔn)確的預(yù)測(cè)，然而對(duì)產(chǎn)品性質(zhì)（如數(shù)均相對(duì)分子質(zhì)量及其分布）的預(yù)測(cè)不太可靠。所建的混合型神經(jīng)網(wǎng)絡(luò)模型用于實(shí)現(xiàn)過(guò)程的反饋預(yù)測(cè)控制。國(guó)內(nèi)對(duì)神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)性研究相對(duì)較晚，譚民[8]在1990年提出了一種基于神經(jīng)網(wǎng)絡(luò)雙向聯(lián)想機(jī)制的控制系統(tǒng)故障診斷方法，并且作了仿真驗(yàn)證。清華大學(xué)自動(dòng)化系則開(kāi)發(fā)了一種基于時(shí)序神經(jīng)網(wǎng)絡(luò)的故障預(yù)報(bào)方法，利用工藝現(xiàn)場(chǎng)數(shù)據(jù)對(duì)大型氯堿廠的氯氣中含氫氣的問(wèn)題進(jìn)行了模擬預(yù)報(bào)實(shí)驗(yàn)。

3.藥物釋放預(yù)測(cè)

建立精確的緩釋微膠囊模型是找出最優(yōu)的工藝條件及掌握芯材釋放規(guī)律的重要一步。緩釋微膠囊的性能與影響因素之間足一種多輸入、多輸出、復(fù)雜的非線性關(guān)系。機(jī)理分析法和傳統(tǒng)的系統(tǒng)辨識(shí)法對(duì)輸入、多輸出問(wèn)題適應(yīng)性差，過(guò)分依賴研究領(lǐng)域的知識(shí)與經(jīng)驗(yàn)，難以得到實(shí)用的緩釋微膠囊模型。人工神經(jīng)網(wǎng)絡(luò)能夠很好地解決傳統(tǒng)方法不能解決的具有高度非線性、耦合性、多變量性系統(tǒng)的建模問(wèn)題并具有獨(dú)特的優(yōu)勢(shì)。

趙武奇[9]等人建立了紅景天苷緩釋微囊的人工神經(jīng)網(wǎng)絡(luò)模型及其遺傳算法優(yōu)化技術(shù)，用神經(jīng)網(wǎng)絡(luò)模型描述了微囊制作參數(shù)與性能之間的關(guān)系，并用遺傳算法優(yōu)化微囊制作工藝參數(shù)，設(shè)計(jì)出性能最佳的微囊制作工藝參數(shù)。范彩霞[10]等人以難溶性藥物氟比洛芬為模型藥物，制備了17個(gè)處方并進(jìn)行釋放度檢查。氟比洛芬和轉(zhuǎn)速作為自變量，取其中l(wèi)4個(gè)處方為訓(xùn)練處方，其余3個(gè)處方為驗(yàn)證處方，將自變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，藥物在各個(gè)取樣時(shí)間點(diǎn)的釋放為輸出，采用剔除一點(diǎn)交叉驗(yàn)證法建立了人工神經(jīng)網(wǎng)絡(luò)模型。并通過(guò)線性回歸和相似因子法比較人工神經(jīng)網(wǎng)絡(luò)和基于二元二項(xiàng)式的響應(yīng)面法的預(yù)測(cè)能力，顯示了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)測(cè)值的接近程度。

4.物性估算

用神經(jīng)網(wǎng)絡(luò)來(lái)解決估算物質(zhì)的性質(zhì)必須解決三個(gè)基本問(wèn)題，第一個(gè)是對(duì)物質(zhì)的表征問(wèn)題；第二個(gè)是采用何種神經(jīng)網(wǎng)絡(luò)及其算法問(wèn)題；第三個(gè)是神經(jīng)網(wǎng)絡(luò)輸入與輸出數(shù)據(jù)的歸一化問(wèn)題。無(wú)論采用哪種方法對(duì)數(shù)據(jù)進(jìn)行處理，當(dāng)用經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行物性估計(jì)時(shí)，不能將網(wǎng)絡(luò)直接的輸出值作為物性預(yù)估值，而是要將輸出值再乘上一個(gè)系數(shù)，這個(gè)系數(shù)就是前面進(jìn)行歸一化處理時(shí)對(duì)數(shù)據(jù)的除數(shù)，相乘后得到的值作為物性估算值。神經(jīng)網(wǎng)絡(luò)用于物性估算，目前采用的就是BP網(wǎng)絡(luò)或在此基礎(chǔ)上的各種改進(jìn)形式。常壓沸點(diǎn)進(jìn)行估算和研究。Prasad[11]等人利用神經(jīng)網(wǎng)絡(luò)對(duì)有機(jī)化合物的物理性質(zhì)進(jìn)行了預(yù)測(cè)，并與傳統(tǒng)的基團(tuán)貢獻(xiàn)法比較，可以得到更為準(zhǔn)確的物性參數(shù)。而后，董新法、方利國(guó)[12]等人將神經(jīng)網(wǎng)絡(luò)在物性估算中的應(yīng)用作了一個(gè)全面而又簡(jiǎn)要的講解，并提出神經(jīng)網(wǎng)絡(luò)在物性估算中潛在的應(yīng)用前景，為其發(fā)展及其以后的應(yīng)用研究提供了很好的工作平臺(tái)。

目前，人工神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中的應(yīng)用都在向人工智能方向發(fā)展。不斷豐富基礎(chǔ)理論和開(kāi)展應(yīng)用研究、完善其技術(shù)的可靠性、開(kāi)發(fā)智能性化工優(yōu)化專家系統(tǒng)軟件，對(duì)于我國(guó)的化工發(fā)展具有重要意義。此外，模糊理論、小波變換、統(tǒng)計(jì)學(xué)方法和分形技術(shù)等信息處理方法和理論與神經(jīng)網(wǎng)絡(luò)的結(jié)合解決化工類問(wèn)題，被認(rèn)為是一種發(fā)展趨勢(shì)。

參考文獻(xiàn)

[1]高大文，王鵬，蔡臻超.人工神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)與訓(xùn)練次數(shù)的優(yōu)化[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)， 2003， 35（2）： 207-209.

[2]蘇碧瑤.人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法[J]. 科技資訊， 2011（30）： 239-240.

[3]黃忠明， 吳志紅， 劉全喜. 幾種用于非線性函數(shù)逼近的神經(jīng)網(wǎng)絡(luò)方法研究[J]. 兵工自動(dòng)化，2009， 28（10）： 88-92.

[4]Rengaswamy R， Venkatasubramanian V. A fast training neural network and its updation for incipient fault detection and diagnosis[J].Computers and Chemical Engineering， 2000，（24）： 431-437.

[5]黃道， 宋欣.神經(jīng)網(wǎng)絡(luò)在化工過(guò)程故障診斷中的應(yīng)用[J].控制工程，2006，（13）： 6-9.

[6]李宏光，何謙.化工過(guò)程建模中的一類復(fù)合型模糊神經(jīng)網(wǎng)絡(luò)[J]. 計(jì)算機(jī)與應(yīng)用化學(xué)，2000，17（5）： 399-402.

[7]Tsen A D， Shi S J， Wong D SH， etal. Predictive Control of Quality in Batch Polymerization Using a Hybrid Artificial Neural Network Model[J]. AIChE Journal，1996， 42（2）： 455-465.

[8]譚民， 疏松桂. 基于神經(jīng)元網(wǎng)絡(luò)的控制系統(tǒng)故障診斷[J]. 控制與決策， 1990（1）： 60-62.

[9]趙武奇， 殷涌光， 仇農(nóng)學(xué). 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的紅景天苷緩釋微囊制備過(guò)程建模與優(yōu)化[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2006，34（11）： 106-110.

[10] 范彩霞， 梁文權(quán)， 陳志喜. 人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氟比洛芬HPMC緩釋片的藥物釋放[J]. 中國(guó)醫(yī)藥工業(yè)雜志， 2006， 37（10）： 685-688.

[11]Prasad Y， Bhagwat S S. Simple Neural Network Models for Prediction of Physical Properties of Organic Compounds[J].Chemical Engineering & Technology， 2002， 25（11）： 1041-1046.

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)過(guò)程范文第5篇

人工神經(jīng)網(wǎng)絡(luò)是近年來(lái)迅猛發(fā)展的前沿課題，它對(duì)突破現(xiàn)有科學(xué)技術(shù)的瓶頸起到重大的作用。本文剖析了人工神經(jīng)網(wǎng)絡(luò)的特征、模型結(jié)構(gòu)以及未來(lái)的發(fā)展趨勢(shì)。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)元 矩陣

1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種用計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能神經(jīng)系統(tǒng)，它是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來(lái)的，模擬人腦信息處理機(jī)制的一種網(wǎng)絡(luò)系統(tǒng)，它不但具有處理數(shù)值數(shù)據(jù)的計(jì)算能力，而且還具有處理知識(shí)的學(xué)習(xí)、聯(lián)想和記憶能力。

人工神經(jīng)網(wǎng)絡(luò)模擬了大腦神經(jīng)元的組織方式，反映了人腦的一些基本功能，為研究人工智能開(kāi)辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)中的神經(jīng)元排列并不是雜亂無(wú)章的，往往是以一種有規(guī)律的序列排列，這種結(jié)構(gòu)非常適合并行計(jì)算。同時(shí)如果將每一個(gè)神經(jīng)元看作是一個(gè)基本的處理單元，則整個(gè)系統(tǒng)可以是一個(gè)分布式處理系統(tǒng)，使得計(jì)算快速。

1.2 可學(xué)習(xí)性和自適應(yīng)性

一個(gè)相對(duì)很小的人工神經(jīng)網(wǎng)絡(luò)可存儲(chǔ)大量的專家知識(shí)，并能根據(jù)學(xué)習(xí)算法，或利用指導(dǎo)系統(tǒng)模擬現(xiàn)實(shí)環(huán)境（稱為有教師學(xué)習(xí)），或?qū)斎脒M(jìn)行自適應(yīng)學(xué)習(xí)（稱為無(wú)教師學(xué)習(xí)），可以處理不確定或不知道的事情，不斷主動(dòng)學(xué)習(xí)，不斷完善知識(shí)的存儲(chǔ)。

（3）魯棒性和容錯(cuò)性

由于采用大量的神經(jīng)元及其相互連接，具有聯(lián)想映射與聯(lián)想記憶能力，容錯(cuò)性保證網(wǎng)絡(luò)將不完整的、畸變的輸入樣本恢復(fù)成完整的原型，魯棒性使得網(wǎng)絡(luò)中的神經(jīng)元或突觸遭到破壞時(shí)網(wǎng)絡(luò)仍然具有學(xué)習(xí)和記憶能力，不會(huì)對(duì)整體系統(tǒng)帶來(lái)嚴(yán)重的影響。

1.3 泛化能力

人工神經(jīng)網(wǎng)絡(luò)是大規(guī)模的非線性系統(tǒng)，提供了系統(tǒng)協(xié)同和自組織的潛力，它能充分逼近任意復(fù)雜的非線性關(guān)系。如果輸入發(fā)生較小變化，則輸出能夠保持相當(dāng)小的差距。

1.4 信息綜合能力

任何知識(shí)規(guī)則都可以通過(guò)對(duì)范例的學(xué)習(xí)存儲(chǔ)于同一個(gè)神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值中，能同時(shí)處理定量和定性的信息，適用于處理復(fù)雜非線性和不確定對(duì)象。

2 人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是在對(duì)人腦思維方式研究的基礎(chǔ)上，將其抽象模擬反映人腦基本功能的一種并行處理連接網(wǎng)絡(luò)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。

在神經(jīng)網(wǎng)絡(luò)的發(fā)展過(guò)程中，從不同角度對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了不同層次的描述和模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中最具有代表性的神經(jīng)網(wǎng)絡(luò)模型有：感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)等等。

3 神經(jīng)元矩陣

神經(jīng)元矩陣是神經(jīng)網(wǎng)絡(luò)模型的一種新構(gòu)想，是專門為神經(jīng)網(wǎng)絡(luò)打造的一個(gè)矩陣，它符合神經(jīng)元的一切特征。

神經(jīng)元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長(zhǎng)，即長(zhǎng)度可變，方向可變，信使粒可“游蕩”在矩陣中，建立各種聯(lián)系。如圖1即是神經(jīng)元矩陣模型

（1）容器可產(chǎn)生一種無(wú)形的約束力，使系統(tǒng)得以形成，容器不是全封閉的，從而保證系統(tǒng)與外界的溝通和交互；各向量間可用相互作用的力來(lái)聯(lián)系，而各個(gè)信使粒則受控于容器、中空向量以及其它的信使粒。各神經(jīng)元之間自主交互，神經(jīng)元矩陣是一種多層次的管理，即一層管理一層。系統(tǒng)具有明顯的層級(jí)制和分塊制，每層每塊均獨(dú)立且協(xié)同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使?？梢酝ㄟ^(guò)向量或存儲(chǔ)于向量中，所以又稱為中空向量。向量存儲(chǔ)了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉(zhuǎn)向、伸長(zhǎng)，進(jìn)而形成相對(duì)穩(wěn)定的信息通路。

（3）當(dāng)兩條或更多的信息通路匯集時(shí)，可能伴隨著通路的增強(qiáng)、合并，以及信使粒的聚集、交換，這是神經(jīng)元矩陣運(yùn)算的一種主要形式。通路的形成過(guò)程，也就是是神經(jīng)元矩陣分塊、分層、形成聯(lián)接的過(guò)程，也為矩陣系統(tǒng)宏觀管理、層級(jí)控制的實(shí)現(xiàn)奠定了基礎(chǔ)。

神經(jīng)元矩陣亦是一種具有生物網(wǎng)絡(luò)特征的數(shù)學(xué)模型，綜合了數(shù)學(xué)上矩陣和向量等重要概念，是一種立體的矩陣結(jié)構(gòu)。尤其是將矩陣的分塊特性和向量的指向特征結(jié)合起來(lái)，更好的體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的整體性和單元獨(dú)立性，系統(tǒng)的組織和自組織特征也更為凸顯。信使粒以“點(diǎn)”的數(shù)學(xué)概念，增強(qiáng)了系統(tǒng)的信息特征，尤其是增強(qiáng)了矩陣的存儲(chǔ)和運(yùn)算功能。

4 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì)

人工神經(jīng)網(wǎng)絡(luò)是邊緣叉科學(xué)，它涉及計(jì)算機(jī)、人工智能、自動(dòng)化、生理學(xué)等多個(gè)學(xué)科領(lǐng)域，研究它的發(fā)展具有非常重要意義。針對(duì)神經(jīng)網(wǎng)絡(luò)的社會(huì)需求以及存在的問(wèn)題，今后神經(jīng)網(wǎng)絡(luò)的研究趨勢(shì)主要側(cè)重以下幾個(gè)方面。

4.1 增強(qiáng)對(duì)智能和機(jī)器關(guān)系問(wèn)題的認(rèn)識(shí)

人腦是一個(gè)結(jié)構(gòu)異常復(fù)雜的信息系統(tǒng)，我們所知道的唯一智能系統(tǒng)，隨著信息論、控制論、計(jì)算機(jī)科學(xué)、生命科學(xué)的發(fā)展，人們?cè)絹?lái)越驚異于大腦的奇妙。對(duì)人腦智能化實(shí)現(xiàn)的研究，是神經(jīng)網(wǎng)絡(luò)研究今后的需要增強(qiáng)的地發(fā)展方向。

4.2 發(fā)展神經(jīng)計(jì)算和進(jìn)化計(jì)算的理論及應(yīng)用

利用神經(jīng)科學(xué)理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)的算法和性能，使離散符號(hào)計(jì)算、神經(jīng)計(jì)算和進(jìn)化計(jì)算相互促進(jìn)，開(kāi)發(fā)新的網(wǎng)絡(luò)數(shù)理理論。

4.3 擴(kuò)大神經(jīng)元芯片和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的作用

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)體現(xiàn)了結(jié)構(gòu)和算法的統(tǒng)一，是硬件和軟件的混合體，神經(jīng)元矩陣即是如此。人工神經(jīng)網(wǎng)絡(luò)既可以用傳統(tǒng)計(jì)算機(jī)來(lái)模擬，也可以用集成電路芯片組成神經(jīng)計(jì)算機(jī)，甚至還可以生物芯片方式實(shí)現(xiàn)，因此研制電子神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)潛力巨大。如何讓傳統(tǒng)的計(jì)算機(jī)、人工智能技術(shù)和神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)相融合也是前沿課題，具有十分誘人的前景。

4.4 促進(jìn)信息科學(xué)和生命科學(xué)的相互融合

信息科學(xué)與生命科學(xué)的相互交叉、相互促進(jìn)、相互滲透是現(xiàn)代科學(xué)的一個(gè)顯著特點(diǎn)。神經(jīng)網(wǎng)絡(luò)與各種智能處理方法有機(jī)結(jié)合具有很大的發(fā)展前景，如與專家系統(tǒng)、模糊邏輯、遺傳算法、小波分析等相結(jié)合，取長(zhǎng)補(bǔ)短，可以獲得更好的應(yīng)用效果。

參考文獻(xiàn)

[1]鐘珞.饒文碧.鄒承明著.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù).科學(xué)出版社.