人工神經網絡

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篇人工神經網絡范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡范文第1篇

能否結合分析和歸納的優點設計出一種新的算法，使用近似的先驗知識結合可用數據來形成一般假設。這有別于使用純粹的歸納學習算法時，基于特定學習任務的先驗知識來選擇設計方案。

例如：在利用神經網絡解決問題時，設計者必須選擇輸入和輸出數據的編碼方式、在梯度下降中被最小化的誤差函數、隱藏單元的數量、網絡的拓撲結構、學習速率和沖量等。在選擇這些參量時，也可將領域特定的知識嵌入到學習算法中。

但結果仍然是歸納算法反向傳播的一個實現。新的系統能將先驗知識作為顯式的輸入給學習器，訓練數據也同樣作為顯式輸入。這樣可以形成通用算法，但利用了領域的特定知識。即：最終構造的是領域無關算法，這種算法使用顯式輸入的領域相關的知識。

KBANN學習方法

將領域理論和訓練數據結合起來進行搜索的做法可以將其看作是一種搜索多個可選假設空間的任務。為了將大多數學習任務刻畫為搜索算法，需要定義待搜索的假設空間H，搜索的開始點為初始假設ho以及指定搜索目標的判據G。

用這種方法，領域理論B被用于建立一個與B一致的初始假設hO。然后以這個初始假設ho為起點應用標準歸納方法。在設計神經網絡網絡時可以利用先驗知識確定初始網絡的互聯結構和權值，此初始設計的網絡假設利用反向傳播算法和訓練數據被歸納精華。

從一個與領域理論一致的假設開始搜索，使得最終輸出假設更有可能擬合此理論。這種方法被用于KBANN(Knowledge―Based Artificial NeuralNetwork，基于知識的人工神經網絡)算法中。

利用人工神經網絡自動構建應用系統的性能分析模型。以往為應用程序建模主要采用統計分析的方法。但隨著應用程序可調參數空間的增大，如果仍使用傳統的統計方法建立性能分析模型，必然會對輸入參數做簡化假設。

這種建模方法只能預測一些粗略的趨勢預測，不能顧及每個輸入參數對性能的影響，尤其是不能預測在參數空間內各種組合對性能的影響。基于這種現狀考慮使用人工神經網絡進行性能分析建模。KBANN算法使用先驗知識的方法是將假設初始化為完美擬合領域理論，然后按照需要歸納地精華此初始假設以擬合訓練數據。

KBANN與純歸納的反向傳播算法比較

理論比較：兩者的關鍵區別在于執行權值調節所基于的初始假設。在有多個假設能擬合數據的情況下，KBANN更有可能收斂到這樣的假設，他從訓練數據中泛化與領域理論的預測更相似。

另一方面，反向傳播收斂到的特定假設可能是小權值的假設，它大致對應在訓練樣例間平滑插值的泛化偏置。KBANN使用一個領域特定的理論來偏置泛化，反向傳播算法使用―個與領域無關的語法偏置。從圖例中可以看出KBANN算法效果好于傳統的純歸納反向傳播算法。

人工神經網絡范文第2篇

關鍵詞：人工神經網絡；自動化；采煤技術；綜放工作面

隨著我國國民經濟總量的增大，煤炭能源的消耗也是越來與而大，同時也對煤礦的開采提出了更高的要求。近年來，國家對煤礦安全越來越重視，管理也更加嚴格，很多不合安全規范的小型煤礦被關停。想在現有環境下提高采煤量，就必須加大科技方面的投入，采用最先進的自動化設備技術，宗放自動化采煤是當前世界上最為先進的采煤技術，是提高采煤生產效率的關鍵技術之一。人工神經系統可以較好的輔助綜放工作面的工作，可對綜放工作面進行控制生產，對提高采煤效率有著極為重要的意義。

一、人工神經網絡的簡單介紹

人工神經網絡是一種非線性、交叉的科學，它通過計算機系統對生物神經信息進行模擬來解決實際工作中的問題，屬于非線性、交叉的科學。經過近些年的發展，人工神經網落技術在自然科學、社會科學等各個領域的應用已經得到廣泛應用。人工神經網絡的廣泛應用自然也推動了人工神經網路的研究，現在出現的具有不同功能作用的網絡結構和算法系統，就是近年來研究的成果，人工神經網絡的理論系統也日趨成熟，適用范圍也越來越廣。

通過模擬人體神經系統信號傳輸原理，人工神經網絡的各個節點也與人體內的神經元相似，能夠通過連接權值進行非常緊密的聯系。在實際應用中，如果神經元的輸出大大超過了網絡內部神經元閥值的時候，這個人工神經網絡就會輸出信號，這個信號也就是成為了下個神經元輸入的信號。人工神經網絡是模擬人的神經系統創建的，自然與人的神經系統很相似，要通過不斷的應用、訓練才可以保持較為良好的狀態，在實際操作中，人工神經網絡的性能是由各個節點的激活函數、網絡的拓撲結構以及網絡的訓練方法決定的。較為常用的BP算法就是通過對網絡連接權值的不斷調整來達到訓練人工神經網絡的目的。

二、人工神經網絡的相關建模方法

就現有研究來看，人工神經網絡的建模方法主要包括模糊建模和混合建模，這些具體而有效的建模方法給采煤綜放工作面生產過程自動化提供了較為科學的理論指導，是提高采煤效率和降低采煤工人勞動強度的有效舉措之一，以下是對人工神經網絡建模的具體介紹。

（一）人工神經網絡的模糊建模方法

在煤礦的實際工作中，傳統的數學建模方法有其局限性，不能適應較為復雜的問題，嚴重影響了煤礦的生產效率。模糊理論正是在這種大背景下出現的，它通過有效的實驗方法，將實驗數據總結匯總，將實驗匯總的數據作為模糊規則，然后依據相關模糊理論進行實際的人工神經網絡建模。這種建模方法的優勢是能夠較為快速的預測出新輸入數據接下來會輸出的結果。煤礦在應用模糊建模方法后，對于生產過程的預算也就更為準確，便于企業做出相關決策。整個模糊建模方法主要由三個部分組成，既模糊化、推理機制、解模糊，這是模糊建模的一個有機整體，是這種建模方式的核心價值所在。

（二）人工神經網絡的混合建模方法

除了模糊建模方法之外，人工神經網絡還有一種混合建模方法，這種建模方法是依托智能算法的進步而出現的，現已廣泛應用于煤礦生產。近年來，為了適應人工神經網絡的發展，包括粒子群算法和遺傳算法在內的智能算法取得了較大的發展，這種建模方可以對實際工作中比較復雜的參數進行優化處理，進而提高生產效率。

1.粒子群算法建模

粒子群建模簡單來說就是利用較為成熟的計算機語言的算法對相關生物的群體行為進行模仿，然后進行建模，在具體操作中，粒子群算法建模要避免碰撞而飛離最近的個體、飛向目標、飛向群體中心，這也被稱為粒子群建模方法的三大原則。

2.遺傳算法

遺傳算法就是將計算機技術和進化論聯合運用于人工神經網絡建模。在實際工作中，遺傳算法應用了當前最為先進的編碼技術和遺傳操來做鋪墊。在Holland體系中，GA就是一種較為簡單的遺傳算法，各種不同形式的二進制串就是其具體的操作對象。但在煤礦工作中，如果是要通過參數來進行問題分析，遺傳算法的研究對象就可以是一個參數組，在這個參數組中，遺傳算法具體是通過這個參數組的適應度來表現其好壞情況。通常情況下，遺傳算法在具體操作中就是通過對基礎的參數群進行有效分析，其選擇個體是依據這個個體的適應值比例，然后通過交叉和變異進的方法誕生下一個組種群，這個過程可以持續下去，直到滿足生產需求的參數值出現為止。遺傳算法也是一種優選的方法，它將遺傳算法的優點和人工神經網絡的特點進行了有機結合，通過遺傳算法可以進行前期模塊的優選，建立一個合乎現實情況的非線性模型，然后進行與模糊建模方法相類似的實驗數據收集，分析最為有效的網絡結構，在滿足預測的情況下實現了參數的優選。

三、人工神經網絡應用在采煤技術上效果

通過上文介紹，在采煤中利用人工神經網絡是為綜放工作面生產過程實現自動化提供相對應的理論依據，減輕采煤的勞動強度并提高采煤效率是其目的所在；人工神經網落還能夠對采煤工作中的相關生產設備的性能做有效的檢查，能夠在最快的時間內發現機械故障，及時的排除機械故障，極大的降低了煤礦安全事故的發生率；人工神經網絡還能夠將采煤生產設備工作面的具體信息，快速的反饋到地面，然后通過先進的計算機技術對數據進行相關處理，實現信息資源共享，采煤過程中對人工的依賴也會降低，為日后的無人操作打下了堅實的基礎。

將現代化的人工神經網絡應用于采煤，可以實現對綜放工作面自動化的有效控制，它將整個采煤的綜放工作面看做是個有機的整體，在條件允許的情況下進行仿真模擬，通常情況下都是應用MATLAB軟件來及進行仿真模擬，可以系統化的管理整個采煤過程，排除采煤過程中的相關機械故障，在提高采煤效率的同時實現了安全生產，人工神經網絡值得在采煤技術中大力推廣、應用。

四、結束語

可以將綜放工作面看做是整個采煤系統實現自動化，這也是日后采煤自動化發展的一個重要方向，這種思維模式有效避免了在沒有考慮綜放工作面控制功能而進行自動化的情況。多年的實踐表明，神經網絡技術應用于煤礦開采中可以有效分析、診斷采煤工作中的一些問題，為日后采煤規劃提供了強而有力的依據，其在采煤領域的應用空間還非常寬闊，值得進一步研究、拓展。

參考文獻：

[1]鄭勝友.人工神經網絡在采煤技術上的應用[J].科技風，2012（10）.

[2]董麗麗，喬育鋒，郭曉山.遺傳算法和人工神經網絡在煤礦突水預測中的應用研究[A]. 智能信息技術應用學會.Proceedings of 2010 International Conference on Management Science and Engineering （MSE 2010） （Volume 3）[C].智能信息技術應用學會：，2010（5）.

[3]彭學前.采煤機故障診斷與故障預測研究[D].南京理工大學，2013.

人工神經網絡范文第3篇

【關鍵詞】自適應距離保護 人工神經網絡 BP算法

一、引言

距離保護長期以來一直是復雜電網中高壓輸電線路最重要的也是應用最廣泛的保護方案。這種保護有許多獨特的優點，如能瞬時切除輸電線80%～90%范圍內的各種故障。但是有許多原因會影響阻抗的測量精度，從而影響測量阻抗的計算，使測量阻抗為短路阻抗與附加阻抗之和，從而會引起誤動或者拒動。

基于這些問題，本文提出了人工神經網絡。近年來，人工神經網絡（ANN）逐漸得到電力系統研究人員的高度重視和廣泛研究。人工神經網絡是由眾多的神經元廣泛互聯而成的網絡。人工神經網絡以其具有自學習、自適應、較好的容錯性和優良的非線性逼近能力，廣泛應用于模式識別和模式分類等方面。

本文所采用的三層前向神經網絡的學習算法為反傳學習算法，即BP算法，學習過程采用反向傳播法。

二、基于人工神經網絡的距離保護模型

BP網絡模型也即多層前向網絡（Multi-layer Feedforward Neural Network，MFNN），因其訓練算法采用反向傳播算法，也即BP算法。由于這種算法在本質上是一種神經網絡學習的數學模型，所以，BP算法也通常暗示著神經網絡的拓撲結構是一種無反饋的多層前向網絡。

人工神經網絡是由大量簡單的基本元件——神經元相互連接而成的自適應非線性動態系統。一般而言，只要采用三層神經網絡，而且對各層神經元數目不加限制，則可在模式空間構成任意復雜程度的幾何圖形，從而對任意復雜的對象進行分類。

人工神經網絡含有輸入層、輸出層以及處于輸入輸出層之間的中間層。中間層有單層或多層，由于他們與外界沒有直接聯系，故也稱為隱層。在隱層中的神經元也稱隱單元。隱層雖然和外界不連接，但是他們的狀態則影響輸入輸出之間的關系。BP網絡的結構的每一層連接權值都可以通過學習來調節，它的基本處理單元（輸入層）除外通常為非線性輸入輸出關系。

三、神經網絡的訓練及檢驗

本文通過EMTP仿真的數據預處理中得出了這兩個子網絡的權值和閥值矩陣中，用一些不同于訓練樣本的檢測樣本（本文在故障檢測與選相子網絡是用40組進行訓練，13組進行檢測的；對故障定位子網絡是用35組進行訓練，14組進行校驗的）。每一個子網絡的隱含層節點的數目，是在訓練過程中根據最快的收斂速度和最好的精度標準通過多次采用不同的隱含層節點數目進行訓練，反復比較，根據實際的收斂效果和計算精度來選擇確定的。其中，故障檢測與選相子網絡（ANN1）的隱含層數目取為42個，故障定位子網絡（ANN2）的隱含層數目取為33個。

在確定了兩個子網絡的隱含層以后，開始對故障檢測和選相子網絡（ANN1）和故障定位子網絡（ANN2）采用BP算法進行訓練。經過對子網絡的多次訓練，其訓練過程是收斂的，其訓練速度也是令人滿意。

下面將2個子網絡的部分訓練樣本、檢驗樣本及檢驗結果。

在對第一個、第二個子網絡故障檢測與選相子網絡其訓練過程過程是收斂的，其訓練速度也是令人滿意的。

下面是子網絡ANN1的訓練樣本和訓練樣本及檢測樣本。故障類型有：內部故障，A相接地、內部故障，B相接地、內部故障，C相接地、內部故障，兩相短路、內部故障，兩相接地短路、內部故障，三相短路。理想輸出：1，0，0，0；0，1，0，0；0，0，1，0；0，0，0，1；0，0，0，1；0，0，0，1。檢驗結果：

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

從上面可以清楚的看出，故障檢測和選相子網絡在各種故障情況下都能正確反映故障，并啟動保護和正確選相。

在第二個子網絡訓練過程也是表明故障定位子網絡ANN2也是收斂的，其訓練速度也是令人滿意的。

下面是故障定位子網絡ANN2的訓練樣本和檢驗樣本及結果舉例。當故障點線路全長線路全長83%，故障類型分別為單相接地、兩相故障、三相故障時，其理想輸出為1、1、1；當故障點線路全長線路全長87%，其理想輸出為0、0、0。檢測結果：當故障點線路全長線路全長83%，輸出：0.9867、0.9827、0.9572。當故障點線路全長線路全長87%，輸出：0.1758、0.1820、0.1602。

從上面數據可以看到，故障定位子網絡距離保護經過訓練以后，基本能夠正確的識別故障點位置。

四、結論

本論文針對傳統距離保護在系統發生振蕩和系統經過過渡電阻發生故障時，可能會誤動或拒動等，因此，提出了基于BP人工神經網絡自適應距離保護原理由兩個相互獨立的子網絡來實現，即故障檢測與選相子網絡和故障定位子網絡。兩個子網絡組成一個并行處理系統，經過大量的訓練樣本進行訓練，投入實際運行線路中，根據本身需要提取輸電線路的運行參數，對電力系統運行狀態進行判斷。研究結果表明，用人工神經網絡實現最復雜的保護原理——距離保護是可行的，而且具有顯著的優點。

參考文獻：

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

人工神經網絡范文第4篇

關鍵詞：神經網絡；VC維；數據挖掘

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)30-0710-02

A Review of the Research and Development of the Artificial Neural Nets

WANG Hui

(Xinjiang Petroleum Institute,Urumqi 830000,China)

Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.

Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining

1 引言

本世紀初，科學家們就一直探究大腦構筑函數和思維運行機理。特別是近二十年來。對大腦有關的感覺器官的仿生做了不少工作，人腦含有數億個神經元，并以特殊的復雜形式組成在一起，它能夠在計算某些問題（如難以用數學描述或非確定性問題等）時，比目前最快的計算機還要快許多倍。大腦的信號傳導速度要比電子元件的信號傳導要慢百萬倍，然而，大腦的信息處理速度比電子元件的處理速度快許多倍，因此科學家推測大腦的信息處理方式和思維方式是非常復雜的，是一個復雜并行信息處理系統。1943年McCulloch和Pitts結合了神經生理學和數理邏輯的研究描述了一個神經網絡的邏輯演算。他們的神經元模型假定遵循一種所謂“有或無”(all-or-none)規則。如果如此簡單的神經元數目足夠多和適當設置突觸連接并且同步操作，McCulloch和Pitts證明這樣構成的網絡原則上可以計算任何可計算的函數，這標志著神經網絡學科的誕生。

2 發展歷史及現狀

2.1 人工神經網絡理論的形成

早在40年代初，神經解剖學、神經生理學、心理學以及人腦神經元的電生理的研究等都富有成果。其中，神經生物學家McCulloch提倡數字化具有特別意義。他與青年數學家Pitts合作[1]，從人腦信息處理觀點出發，采用數理模型的方法研究了腦細胞的動作和結構及其生物神經元的一些基本生理特性，他們提出了第一個神經計算模型，即神經元的閾值元件模型，簡稱MP模型，他們主要貢獻在于結點的并行計算能力很強，為計算神經行為的某此方面提供了可能性，從而開創了神經網絡的研究。50年代初，神經網絡理論具備了初步模擬實驗的條件。Rochester，Holland與IBM公司的研究人員合作，他們通過網絡吸取經驗來調節強度，以這種方式模擬Hebb的學習規則，在IBM701計算機上運行，取得了成功，幾乎有大腦的處理風格。但最大規模的模擬神經網絡也只有1000個神經元，而每個神經元又只有16個結合點。再往下做試驗，便受到計算機的限制。人工智能的另一個主要創始人Minsky于1954年對神經系統如何能夠學習進行了研究，并把這種想法寫入他的博士論文中，后來他對Rosenblatt建立的感知器(Perceptron)的學習模型作了深入分析。

2.2 第一階段的研究與發展

1958年計算機科學家Rosenblatt基于MP模型，增加了學習機制，推廣了MP模型。他證明了兩層感知器能夠將輸入分為兩類，假如這兩種類型是線性并可分，也就是一個超平面能將輸入空間分割，其感知器收斂定理：輸入和輸出層之間的權重的調節正比于計算輸出值與期望輸出之差。他提出的感知器模型，首次把神經網絡理論付諸工程實現。1960年Widrow和Hoff提出了自適應線性元件ADACINE網絡模型，是一種連續取值的線性網絡，主要用于自適應系統。他們研究了一定條件下輸入為線性可分問題，期望響應與計算響應的誤差可能搜索到全局最小值，網絡經過訓練抵消通信中的回波和噪聲，它還可應用在天氣預報方面。這是第一個對實際問題起作用的神經網絡。可以說，他們對分段線性網絡的訓練有一定作用，是自適應控制的理論基礎。Widrow等人在70年代，以此為基礎擴充了ADALINE的學習能力，80年代他們得到了一種多層學習算法。

Holland于1960年在基因遺傳算法及選擇問題的數學方法分析和基本理論的研究中，建立了遺傳算法理論。遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的高度并行、隨機、自適應搜索算法，從而開拓了神經網絡理論的一個新的研究方向。1976年Grossberg提出自適應共振理論(ART)，這是感知器較完善的模型，即superrised學習方式。本質上說，仍是一種unsuperrised學習方式。隨后，他與Carpenter一起研究ART網絡，它有兩種結構ART1和ART2，能夠識別或分類任意多個復雜的二元輸入圖像，其學習過程有自組織和自穩定的特征，一般認為它是一種先進的學習模型。另外還有Werbos提出的BP理論以及提出的反向傳播原理；Fukushima 提出了視覺圖象識別的Neocognitron模型這些研究成果堅定的神經網絡理論的繼續研究。

2.3 第二次研究的階段

Hopfield于1982年至1986年提出了神經網絡集體運算功能的理論框架，隨后，引起許多學者研究Hopfield 網絡的熱潮，對它作改進、提高、補充、變形等，至今仍在進行，推動了神經網絡的發展。1983年Kirkpatrick等人先認識到模擬退火算法可應用于NP完全組合優化問題的求解。這種思想最早是由Metropolis等人在1953年提出的，即固體熱平衡問題，通過模擬高溫物體退火過程的方法，來找全局最優或近似全局最優，并給出了算法的接受準則。這是一種很有效的近似算法。1984年Hinton等人提出了Boltzmann機模型，借用統計物理學中的概念和方法，引入了模擬退火方法，可用于設計分類和學習算法方面，并首次表明多層網絡是可訓練的。Sejnowski于1986年對它進行了改進，提出了高階Boltzmann機和快速退火等。

1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition兩卷書出版，對神經網絡的進展起了極大的推動作用。它展示了PDP研究集團的最高水平，包括了物理學、數學、分子生物學、神經科學、心理學和計算機科學等許多相關學科的著名學者從不同研究方向或領域取得的成果。他們建立了并行分布處理理論，主要致力于認知的微觀研究。尤其是，Rumelhart提出了多層網絡Back-Propagation法或稱Error Propagation法，這就是后來著名的BP算法。

2.4 新發展階段

90年代以來，人們較多地關注非線性系統的控制問題，通過神經網絡方法來解決這類問題已取得了突出的成果，它是一個重要的研究領域。1990年Narendra和Parthasarathy提出了一種推廣的動態神經網絡系統及其連接權的學習算法，它可表示非線性特性，增強了魯棒性。他們給出了一種新的辨識與控制方案，以multilayer網絡與recarrent網絡統一的模型描述非線性動態系統，并提出了動態BP 參數在線調節方法。尤其是進化計算的概念在1992年形成，促進了這一理論的發展。1993年誕生了國際性雜志Evolutionary Computation。近幾年它成為一個熱點研究領域。1993年Yip和Pao提出了一種帶區域指引的進化模擬退火算法，他們將進化策略引入區域指引，它經過選優過程，最終達到求解問題的目的。

從上述各個階段發展軌跡來看，神經網絡理論有更強的數學性質和生物學特征，尤其是神經科學、心理學和認識科學等方面提出一些重大問題，是向神經網絡理論研究的新挑戰，因而也是它發展的最大機會。90年代神經網絡理論日益變得更加外向，注視著自身與科學技術之間的相互作用，不斷產生具有重要意義的概念和方法，并形成良好的工具。

3 神經網絡的發展趨勢

3.1 神經網絡VC維計算

神經計算技術已經在很多領域得到了成功的應用，但由于缺少一個統一的理論框架，經驗性成分相當高。最近十年里，很多研究者都力圖在一個統一的框架下來考慮學習與泛化的問題 。PAC(Probably Approximately Correct)學習模型就是這樣一個框架。作為PAC學習的核心以及學習系統學習能力的度量，VC維(Vapnik-Chervonenkis dimension)在確定神經網絡的容量(capacity)、泛化能力(generalization)、訓練集規模等的關系上有重要作用。如果可以計算出神經網絡的VC維，則我們可以估計出要訓練該網絡所需的訓練集規模；反之，在給定一個訓練集以及最大近似誤差時，可以確定所需要的網絡結構。

Anthony將VC維定義為：設F為一個從n維向量集X到{0, 1}的函數族，則F的VC維為X的子集E的最大元素數，其中E滿足：對于任意S?哿E，總存在函數fs ∈F，使得當x ∈ S時fs(x) =1，x?埸S但x∈E時fs(x) =0。

VC維可作為函數族F復雜度的度量，它是一個自然數，其值有可能為無窮大，它表示無論以何種組合方式出現均可被函數族F正確劃分為兩類的向量個數的最大值。對于實函數族，可定義相應的指示函數族，該指示函數族的VC維即為原實函數族的VC維。

3.2 基于神經網絡的數據挖掘

1996年，Fayyad、Piatetsky-Shapiro和Smyth對KDD(Knowledge Discovery from Databases)和數據挖掘的關系進行了闡述。但是，隨著該領域研究的發展，研究者們目前趨向于認為KDD和數據挖掘具有相同的含義，即認為數據挖掘就是從大型數據庫的數據中提取人們感興趣的知識。

數據挖掘的困難主要存在于三個方面：首先，巨量數據集的性質往往非常復雜，非線性、時序性與噪音普遍存在；其次，數據分析的目標具有多樣性，而復雜目標無論在表述還是在處理上均與領域知識有關；第三，在復雜目標下，對巨量數據集的分析，目前還沒有現成的且滿足可計算條件的一般性理論與方法。在早期工作中，研究者們主要是將符號型機器學習方法與數據庫技術相結合，但由于真實世界的數據關系相當復雜，非線性程度相當高，而且普遍存在著噪音數據，因此這些方法在很多場合都不適用。如果能將神經計算技術用于數據挖掘，將可望借助神經網絡的非線性處理能力和容噪能力，較好地解決這一問題。

4 結束語

經過半個多世紀的研究，神經計算目前已成為一門日趨成熟，應用面日趨廣泛的學科。本文對神經計算的研究現狀和發展趨勢進行了綜述，主要介紹了神經網絡VC維計算、基于神經網絡的數據挖掘領域的相關研究成果。需要指出的是，除了上述內容之外，神經計算中還有很多值得深入研究的重要領域，例如：與符號學習相結合的混合學習方法的研究；脈沖神經網絡(Pulsed Neural Networks)的研究;循環神經網絡(Recurrent Neural Networks)的研究等；神經網絡與遺傳算法、人工生命的結合；支持向量機(Support Vector Machine)的研究；神經網絡的并行、硬件實現；容錯神經網絡的研究。

參考文獻:

[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.

[2] N.維納著，郝季仁譯，控制論，科學出版，1985.

[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.

[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.

[5] 陳世福，陳兆乾. 人工智能與知識工程[M]. 南京: 南京大學出版社，1998.

[6] Simon Haykin.神經網絡原理[M].機械工業出版社（第二版），2004.

人工神經網絡范文第5篇

人工神經網絡直接受神經生理學和生物解剖學研究的啟發。一個簡單的神經細胞通常稱之為神經元，細胞的胞體是一球形，由胞體延伸出來的主要管狀信號傳輸神經纖維稱為軸突，胞體上其他又細又短的纖維稱為樹突，整個神經細胞—胞體、軸突和樹突—都包含在細胞膜內。胞體和樹突接受來自其他神經元的信息，在軸突的終端附近，通常分成許多分支，稱為突觸區域。突觸將一個神經元的信息傳給其他神經細胞。信息從突觸前細胞神經元傳到突觸后神經元。信息通過突觸的傳遞稱為化學傳遞，因其利用化學物質的擴散來完成信息的傳遞。神經元有許多不同的種類，具有相似或相關功能的神經元通常相互連接。緊密連接的神經元通常在神經系統中聚集在一起(它們具有明顯的解剖學特征)，其主要原因是短突觸更有效：它容易生成，所費材料少，占據更小的空間，且傳遞信息快。這一結構的形成原理可用于城市規劃、網絡建沒和研究各種自然現象的自組織行為。自組織特征映射算法便是基于這一結構的形成原理而設計的。大腦大致包含了數百個這樣的細胞聚合塊，它們的形狀多為球形和盤狀。短的連接出現在同一結構中，結構和結構之間由大量長神經纖維形成的束來連接，球或盤的順序連接稱為通道。大腦便通過這些以復雜方式連接起來的神經元形成的網絡，處理各式各樣的從外部世界輸入的信息。由于現代計算技術的發展，人們對于外部世界的表示通常用一個數字向量來表示，這一表示使得人類在自然科學的諸多領域獲得了巨大的成功。大腦是利用神經網絡表示外部世界刺激，神經網絡亦可用一組向量表示外部事件的刺激，但其計算方式卻與現行的數字計算機的運算方式大相徑庭。

2人工神經網絡的基本功能

（1）聯想記憶。人工神經網絡的設計使其具有分布存儲信息和并行計算的功能，所以它能對輸入其中的信息和輸入的模式有聯想記憶的能力。

（2）非線性映射。在大多數的現實的設計中，大多數的系統的輸入和輸出之前不能建立線性的關系，導致不能在這種類型的系統上建立相關的熟悉模型。而設計合理的人工神經網絡可以十分精準的逼近非線性映射，利用它的這一優良的能力，可以建立多維非線性函數的通用數學模型，可以應用于幾乎所有的領域。

（3）分類與識別。人工神經網絡對輸入其中的樣本具有分類與識別，能力十分強大和精準，區別于傳統分類方法只能局限于同類相聚、異類分離的識別與分類問題，神經網絡對非線性曲面的逼近一類問題也有很強的解決能力。

（4）知識處理。人工神經網絡獲取知識的路徑與我們人類相同，也是通過對輸入和輸出的信息分析進而發現規律從而獲得相關知識，并進一步在神經網絡中儲存。神經網絡的另外一大優勢，就是可以缺少先驗知識的條件下，自動通過從輸入的數據中抽取特征，發現規律，并構建成適合于表達的規律。

3人工神經網絡在經濟管理中的應用領域

（1）信貸分析.對于這類型的，信用評估的機構要有特異性的，基于不同申請公司的各自不同的特點，總結出信用判斷的條件，即使是這樣的復雜，判斷失誤的機率也是較大的，最終的后果是給信貸機構帶來經濟和信譽上的損失。而利用計算機科學技術的成果即人工神經網絡的評價系統，由于神經網絡評價系統的機理是：將需要貸款公司填寫的申請表中的關鍵信息編碼為向量輸入系統，輸出的是公司的實際的信用情況的客觀評價，同時還要輸入上千例的歷史數據對網絡進行校正，以提高準確率。這樣一方面可給出較為準確和客觀的評價結果，另一方面可以避免從事信貸分析的人的主觀性造成的錯誤。正是基于人工神經網絡的評價系統的種種優勢，故其在在金融風險分析領域應用十分廣泛。

（2）市場預測。預測是為決策服務，是為了提高管理水平減少決策盲目性，降低風險。應用人工神經網絡進行市場預測的一個實例是期貨市場的神經網絡預測。它是根據某期貨市場每月平均期貨價格、價格不定性和市場心理指標量等因素，建立較為準確可靠的市場模型。該模型的訓練數據覆蓋了3年時間，它不僅能判斷價格的未來走勢，而且能在走勢持續一段時間后預測到價格的反轉。神經網絡市場預測在股票走勢預測中也有廣泛應用。