人工神經網絡的發展

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篇人工神經網絡的發展范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡的發展范文第1篇

【關鍵詞】 人工神經網絡技術 應用 現狀

一、人工神經網絡概述

要對人工神經網絡技術的應用進行了解，首先要掌握人工神經網絡的基本模型和結構。它的結構是并行分布的，通過大量的神經元的模型組成，是用來進行信息處理的網絡。各個神經元之間相互聯系，相互之間聯系的方式很多，每個特定的鏈接之中都有相應的權系數，而各個神經元的輸出是特定的。

二、人工神經網絡技術的應用現狀

人工神經網絡技術由于其結構上的優勢和對信息處理的高效性，使得在很多方面都有廣泛的應用，例如，運用人工神經網絡技術進行圖像處理、智能識別、自動監控、信號處理、機器人監控等，使得其在生活的各個方面都發揮了重要的作用，為交通、電力、軍事等部門提供了便利。下面對人工神經網絡技術的具體應用做簡單的分析。

第一，BP神經網絡。基于人工神經網絡技術的BP神經網絡，在進行優化預測、分類和函數逼近等方面有著廣泛的應用。網絡的應用大體有分類、函數逼近、優化預測等方面。比如，將胃電圖和心電圖進行分類，對某些函數的最小二乘進行逼近，對工業生產過程中的數據進行整合，對電力系統中的負荷量和一些數據進行優化和預測等。特別是在進行時間序列的預測中，發揮著重要的積極作用。使用BP神經網絡還能對國家經濟發展中的一些數據進行處理。相對其它人工神經網絡技術的網絡而言，BP網絡復雜性較低，所以在很多工業產業上應用較多。在某些需要進行控制的系統內，BP神經網絡能夠對系統進行有效的控制。其具體的優勢主要有以下幾點：利用BP神經網絡在識別和分類中的優勢，能夠及時快速的判斷一些系統中的故障，相比以往的譜分析技術，其工作效率有了較大的提高。BP神經網絡中也存在著一些不足，表現在其網絡的魯棒性和容錯性不夠，在對故障進行判斷和檢測時，不能有效地確保其準確性。此外，這種算法的收斂速度不快，在選擇網絡隱層節點中還沒有形成完善的配套理論。這些都在某種程度上對其應用造成了影響。

第二，ART神經網絡。基于人工神經網絡技術的ART神經網絡，廣泛的應用在對圖像、語音。文字等的識別過程中。其在某些工業產業中也普遍應用，主要應用在對系統的控制方面。例如，對故障判斷，問題預警和事故檢測等較為繁瑣的生產過程進行控制，進行數據挖掘，從有關的數據中找到能夠應用的數據。ART神經網絡在應用中的優勢主要是其具有很強的穩定性，能夠在環境變化的情況下穩定的工作，其算法也十分簡單而且為快速。其缺點主要是在要求對參數和模型等進行準確的判斷時，其網絡的結構還需要進行完善。

第三，RBF神經網絡。基于人工神經網絡技術的RBF神經網絡目前在建模、分類、函數近似、識別、信號處理等方面有著廣泛的引用。比于其他的神經網絡，RBF神經網絡的結構較為簡單，其在非線性的逼近上的效果較為顯著，收斂的速度也較快，能夠有效的對整體進行收斂。其存在的缺點是，在函數逼近方面還不夠完善，仍然要進行性改進。

第四，Hopfield神經網絡。作為反饋神經網絡的一種，Hopfield神經網絡能夠在連接性較高的神經網絡中進行集中自動的計算。目前其在工業產業中有著廣泛的應用。優點是，對于一些線性問題，避免了只是用數學方法所帶來的繁瑣，在進行數模之間的轉化時，能夠快速準確的進行。

三、人工神經網絡技術的發展

人工神經網絡技術和理論的不斷發展和進步，在較多領域中，人工神經網絡技術引起了人們的關注。但是，目前在技術的運用和技術本身仍存在著一些問題。

人工神經網絡技術的發展，對數學領域的發展提出了要求，對有關的制造技術和科學技術也提出相應的要求，這就需要我們要加快與其相關的各種技術的快速發展，使這些技術能與人工神經網絡技術相互匹配。在發展人工神經網絡技術的同時，要加強與其它相關學科的相互聯系，這對于更好的發展人工神經網絡技術有著積極重要的作用。

人工神經網絡的發展范文第2篇

關鍵詞：人工神經網絡；產生；原理；特點；應用

Application of man-made neural network and medical Image to analyses

Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate， Signal processing et. in order to let the medical students and workers understand the neural network， especially understand the man-made neural network which applies to the medical image to analyses， the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions， mainly about the physical concept. In simple terms. I hope it can work !

Key words: Man-made neural network; Produce; Principle; Characteristic; Application

人工神經的出現與發展，從而解決了對于那些利用其它信號處理技術無法解決的問題，已成為信號處理的強有力的工具，人工神經網絡的應用開辟了新的領域。二十世紀九十年代初，神經網絡的研究在國際上曾經出現一股熱潮，近年來有增無減，已廣泛應用在民用、軍用、醫學生物等各個領域。

1 神經網絡與人工神經網絡

1.1 神經網絡

神經網絡就是由多個非常簡單的處理單元彼此按某種方式相互連接而成的計算機系統。該系統是靠其狀態對外部輸入信息的動態響應來處理信息。

1.2 人工神經網絡

1.2.1 神經元模型的產生

神經元（神經細胞）是神經系統的基本構造單位，是處理人體內各部分之間相互信息傳遞的基本單元。每個神經元都由一個簡單處理作用的細胞體，一個連接其它神經元的軸突和一些向外伸出的其它較短分支——樹突組成。人的大腦正是擁有約個神經元這個龐大的信息處理體系，來完成極其復雜的分析和推導工作。

人工神經網絡（ARTIFICIALNEURALNETWORK，簡稱(A.N.N.）就是在對人腦組織結構和運動機智的認識理解基礎上模擬其結構和智能功能而構成的一種信息處理系統或計算機。二十世紀40年代初期，心理學家Mcculloch、數學家Pitts就提出了人工神經網絡的第一數學模型，從此開創了神經科學理論的研究時代。隨后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等學者先后又提出了感知模型，使人工神經網絡技術有了新的發展。

1.2.2 人工神經網絡的工作原理

人工神經網絡首先要以一定的學習準則進行學習，然后才能工作。現以人工神經網絡對手寫“A”、“B”兩個字母的識別為例進行說明：為了討論方便，先規定當“A”輸入網絡時，應該輸出“1”，而當輸入為“B”時，輸出為“0”。因此網絡學習的準則應該是：如果網絡做出錯誤的判決，則通過網絡的學習，應使得網絡減小下次犯同樣錯誤的可能性。首先，給網絡各連接權值賦予（0，1）區間內的隨機值，將“A”所對應的圖像模式輸入給網絡，網絡將輸入模式加權求和、與門限比較、再進行非線性運算，得到網絡的輸出。在此情況下，網絡輸出是完全隨機的，“1”和“0”的概率各為50%。這時如果輸出為“1”（結果正確），則使連接權值增大，以便使網絡再次遇到“A”模式輸入時，仍然能做出正確的判斷。如果輸出為“0”（結果錯誤），則把網絡連接權值朝著減小綜合輸入加權值的方向調整，其目的在于使網絡下次再遇到“A”模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網絡輪番輸入若干個手寫字母“A”、“B”后，經過網絡按以上學習方法進行若干次學習后，網絡判斷的正確率將大大提高。這說明網絡對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網絡中所含的神經元個數越多，則它能記憶、識別的模式也就越多。

1.2.3 人工神經網絡的特點

人工神經網絡的特點是高速信息處理能力和知識存儲容量很大。人工神經網絡同現行的計算機所不同的是，它是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超出某一門限值后才能輸出一個信號。因此，神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。轉貼于 2 人工神經網絡的種類

人工神經網絡分為誤差逆傳播神經網絡（多層感知網絡）、競爭型(KOHONEN)神經網絡、前饋神經網絡和Hopfield神經網絡四種。

3 人工神經網絡的應用領域

3.1 民用領域

人工神經網絡在民用領域主要用于語言識別，圖像識別與理解，計算機視覺，智能機器人故障檢測，實時信息翻譯，企業管理，市場分析，決策優化，物資調運，自適應控制，專家系統，智能接口，神經生理學，心理學和認知科學研究等。

3.2 軍用領域

人工神經網絡在軍用領域主要用于語音，圖像信息的錄取與處理，雷達、聲納的多目標識別與跟蹤，戰場管理與決策支持系統，軍用機器人控制，信息的快速錄取，分類與查詢，導彈的智能引導，保密通訊，航天器的姿態控制等。

3.3 生物醫學工程領域

人工神經網絡在生物醫學工程領域主要是解決用常規方法難以解決和無法解決的問題。在生物醫學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發電位信號的提取，Holter系統的心電信號數據的壓縮，醫學圖像的識別和數據壓縮處理。即廣泛應用和解釋許多復雜的生理、病理現象。例如：CT腦切片。人工神經網絡從MR圖像分割組織和解剖物體，如腫瘤。這種基于二次掃描的方法包括無指導聚類分析，維數減少和通過非線性拓撲映射的紋理特征可視化。采用后處理技術逼近貝葉斯判斷邊緣，然后用人和神經網絡的交互對這些結果進行優化。

3.4 人工神經網絡在肺部CT片定量分析中的應用

肺部CT圖像定量分析是先通過計算ROI區域的紋理和其它形態學的特征，形成特征矢量，然后交由后續的神經網絡去進行分/聚類，從而達到定量分析的目的。現以其中常用的BP網絡為例加以說明。由于BP網絡存在紋理特征的計算很費時間和很難找到對某一病理區域有特異性的紋理特征等參數的缺陷。Heitmann等直接使用了Kohonen自組織映射網絡（SOM）來對彌漫性肺病在HRCT中的典型征象——磨玻璃樣影（GGO）進行自動識別。他將一55大小的ROI的CT數值直接作為SOM網絡的輸入，經網絡聚類后，輸出結果的真陽性超過95%，但也有太多的非GGO區域被誤分成GGO區域，假陽性竟高達150——300%。特別是靠近胸膜和靠近氣管與血管處的區域最易被誤分類，而這類區域處的對比度比較高。也就是說單個SOM網絡無法清楚地區分GGO相對均質的區域和低密度肺組織靠近高密度結構處的強對比區域。鑒于以上情況，Heitmann又設計了一個包括三個簡單網絡的分層結構。其中：一個簡單網絡可以檢測幾乎所有正確的GGO區域以及高對比度處的假GGO區域，而另兩個網絡（一個針對靠近胸膜處的組織；另一個針對靠近氣管和血管處的組織）僅僅被訓練成高對比有反應，而真正的GGO區域則無法檢出。將這三個網絡的輸出以一定的邏輯規則（即三個網絡的輸出都為真，則該區域才是GGO）相連，最終結果比單個網絡的結果精確了許多，它去掉了約95%的假陽性區域。雖然一些強對比區域的真的GGO區域也不可避免地被移走，但真陽性仍在可接受的范圍內。實踐證明：那些被誤分類的區域實際上大多是肺內血管、氣管、胸壁或縱隔的部分容積效應，以及有心臟主動脈搏動或呼吸位移引起的運動偽影。可以通過解剖結構信息來校正。

神經網絡的研究內容相當廣泛，反映了多學科交叉技術領域的特點。迄今為止，在人工神經網絡研究領域中，有代表性的網絡模型已達數十種，而學習算法的類型更難以統計其數量。神經網絡研究熱潮的興起是20世紀末人類科學技術發展全面飛躍的一個組成部分。它與多種科學領域的發展密切相關，縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子、生命起源等科學領域的進程之中歷經了崎嶇不平之路。在以人為本的21世紀，我們將會看到探索人腦功能和神經網絡的研究將伴隨著重重困難的克服而日新月異，同時人工神經網絡在醫學領域的應用前景也會更加廣闊。

參考文獻

[1] 陳旭，莊天戈.肺部放射影像的定量分析[J].中國醫療器械雜志。2001，26（2）：117—118.

人工神經網絡的發展范文第3篇

關鍵詞：人工神經；網絡游戲程序；研究和設計；分析探究

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-2064（2017）01-0044-01

近年來，在網絡游戲發展過程中，圖像的呈現質量已經提升到了一個極高的水平，人工智能游戲已經成為決定一款游戲成功與否的重要關鍵，并受到了游戲開發商的廣泛關注和高度重視。網絡游戲作為一種目標性、競爭性、互動性、情節性的娛樂作品，它的智能水平對游戲的質量和可玩性具有著直接的影響作用。因此，將計算機圖形學和人工智能有機的結合起來，把人工智能中的預測、路徑規劃、搜索、學習等技術有效的應用到網絡游戲的研發工作中去，不僅能夠提升游戲的質量和可玩性，同時還有利于促進游戲開發企業的發展。

1 人工神經網絡分析

人腦可以用一套較為獨特的方法來解決相關問題，并且還能夠從正反兩面的行為差異中進行學習，經過研究發現，人腦是由十萬種類的遺傳因子中的十萬億個細胞組合而成，人工神經網絡就相當于模擬人腦功能的一個數學模型。其中神經元作為人腦系統中處理基本信息的單元，是人體神經器官的重要組成部分，通過軸將各個神經元進行有效連接，而其他神經元的發送的信號能夠使當前神經元產生相應的反映，這一反映如果能夠達到特定的閾值，就會逐漸產生一種新的信號，并且沿著軸將信號傳輸到其他神經元[1]。人工神經網絡主要就是由各種節點相互連接組合形成的，節點類似于人腦的各個神經元細胞，會存在一些節點連接外部環境，主要負責相關的信息輸出和輸入工作，被稱作是輸出點或者輸入點，而另外一些網絡內部的節點，通常被稱作隱藏節點。隱藏節點的信息輸出通常是輸出節點的信息輸入，輸入節點的信息輸出通常是隱藏節點的信息輸入。

此外，人工神經網絡的主要核心思想就是對人類大腦神經系統功能進行模擬的機器學習的一種方法，并且通過對系統內部各個神經元的各種連接參數進行反復的調節，使得神經網絡系統得到訓練，并且在遇到一定情況時能夠做出最佳的反映[2]。總之，神經網絡作為一項發展較為成熟的技術，其在解決相關問題之后，將會使網絡游戲的智能化提升到一個全新的高度。

2 人工神經網絡中的游戲學習設計分析

與傳統方法相比，神經網絡解決問題的方式有著明顯的不同，其具有著較強的自主學習能力，經過不斷的學習，ANN可以從未知式中的各種復雜數據信息中發現規律[3]。這種神經網絡方法在很大程度上克服了傳統方法在分析中的復雜性以及各種模型函數選擇的困難，通過訓練對問題進行解答，ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經網絡進行運作，首先就需要讓網絡進行學習，不斷的訓練網絡，幫助它獲取更多的知識信息，最后將這些信息有效的存儲起來。一旦完成相關的訓練和學習，就可以將知識有效的存儲在權值中。在游戲的開發過程中，將神經網絡模型看作是人物建模的基礎，通過對玩家將要進行的動作或者選擇的畫面場景進行預測，運用神經網絡進行信息存儲，并且在游戲的運行過程中要保證學習元素的有效運行，進而讓神經網絡潛移默化的學會相應的自適應技術，最終實現游戲的可玩性和趣味性，提升游戲的開發設計質量和效果，進而吸引更多的游戲玩家。

3 BP神經網絡游戲開發設計分析

在神經網絡的眾多模型中，BP算法是其中較為常用的一種神經網絡，一般分為輸入層、輸出層、中間層等三個部分，各個層之間按順序進行連接，因為中間存在隱含層，可以從中發現一定的學習規律，可以通過對這種網絡的有效訓練，進而形成一種較為復雜、多樣的決策界面[4]。同時，BP神經網絡具有一個強大的功能，其主要就是能夠封裝一個將信息輸入映射到信息輸出的非線性函數。假如不存在隱含層，那么神經網絡只能發現信息輸入與信息輸出之間存在的線性關系。但是，僅僅是為感知網絡增添一個隱含層還是遠遠不夠的，需要通過非線性激活函數為網絡連接提供相應的非線性元素。大多數的非線性函數基本上都能夠進行使用，但是多項式函數除外。

在游戲中，設置網絡作為神經網絡實現的基本步驟，可以將特定數據當做輸入訓練網絡，并且在游戲的具體輸入中進行實際應用。在游戲問題的神經網絡設計中，應該注意結構、學習、神經元特點等三個方面的因素。其中結構主要就是指要進行構造的神經網絡組織、連接方式以及基本類型。而且在神經網絡中節點數設計要遵循相關的原則就是越少越好。神經網絡中的節點數越多，那么神經網絡搜索正確解的空間范圍就越廣闊[5]。神經網絡中輸入節點數在一定程度上決定著模式匹配或網絡分類的變量數，例如，籃球類型的游戲中，運動員投籃命中、灌籃動作、球員分布、難度等級等變量數。

4 結語

總而言之，網絡游戲作為一種新型的娛樂方式，具有著較強的生活模擬性和互動性，深受廣大社會群眾的喜愛。因此，我國應該重視游戲產業的發展，不斷加大對網絡游戲的開發和設計，將神經網絡有效的應用到網絡游戲開發的實踐中去，尤其是BP神經網絡，它不僅可以預測玩家的行為，及時提供信息反饋，同時還能提高網絡游戲的可玩性和趣味性，提升游戲設計的整體質量和效果，有利于促進我國游戲開發產業的發展和進步。

參考文獻：

[1]余穎.基于神經網絡和遺傳算法的人工智能游戲研究與應用[D].湖南大學，2011.

[2]王淑琴.神經網絡和遺傳算法在游戲設計中的應用研究[D].東北師范大學，2014.

[3]f潭凱.神經網絡在即時戰略游戲中的應用[D].福州大學，2014.

人工神經網絡的發展范文第4篇

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

關鍵詞： 財務管理；神經網絡；決策支持系統；專家系統

Key words: financial management；nerve network；decision support system （DSS）；expert system

中圖分類號：F275 文獻標識碼：A 文章編號：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發展起來的新型計算機科學。它是一個有著廣泛應用背景的十分熱門的交叉科學。神經網絡是一個具有高度非線性的超大規模連續時間的動力系統。結合神經網絡的智能決策支持系統是目前研究的前沿之一，它極具理論和使用價值。

財務管理的信息化、數字化是財務規范和科學管理的趨勢。與DSS的結合將更加有利于數據標準的統一，有利于數據采集的模塊化，有利于決策支持的科學化，有利于財務公開的透明化。

1 財務管理決策支持系統的研究現狀

決策支持系統經過二十多年的發展，形成了如圖1所示公認的體系結構。它把模型并入信息系統軟件中，依靠管理信息系統和運籌學這兩個基礎逐步發展起來。它為解決非結構化決策問題提供了相應的有用信息，給各級管理決策人員的工作帶來了便利。

從圖1可以看出決策支持系統體系結構可劃分為三級，即語言系統（LS）級、問題處理系統（PPS）級和知識系統（KS）級。其中問題處理系統級包括推理機系統（RS）、模型庫管理系統（MBMS）、知識庫管理系統（KBMS）及數據庫管理系統（DBMS）。知識系統級包括模型庫（MB）、知識庫（KB）及數據庫（DB）。

九十年代中期，興起了三個輔助決策技術：數據倉庫（DW）、聯機分析處理（OLAP）和數據挖掘（DM）。聯機分析處理是以客戶/服務器的方式完成多維數據分析。數據倉庫是根據決策主題的需要匯集大量的數據庫，通過綜合和分析得到輔助決策的信息。數據挖掘顧名思義，是為了獲得有用的數據，在大量的數據庫中進行篩選。人工智能技術建立一個智能的DSS人機界面，可進行圖、文、聲、像、形等多模式交互，人機交互此時變得更為自然和諧，人們能沉浸其中，進行合作式、目標向導式的交互方法。

從目前情況來看，財務決策支持系統的研究還處于初級發展階段，財務數據的保密性、特殊性決定了財務決策不能全部公開化、透明化，但隨著中央及國務院相關部門財務預決算數據的公開，財務決策系統及其支持系統和過程也將隨之公開，這就要求決策者充分利用財務知識和決策支持系統的知識“聰明”決策、合理決策、科學決策、規范決策。

2 財務管理神經網絡智能決策支持系統總體研究框架

2.1 神經網絡運行機制 神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。

第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發出較快較強的速度來。

我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優化計算和聯想記憶、軍事應用以及決策支持系統中。

2.2 財務管理神經網絡集成智能財務DSS的必然性 在企業經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統模式來支持這類評價決策問題是目前財務管理智能決策支持系統的一種發展趨勢和必然趨勢[4]。

2.3 財務管理神經網絡集成智能DSS系統框架 神經網絡智能決策支持系統主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統研究框架[2]。研究中有兩個重點，即神經網絡推理系統和神經網絡數據開采系統。

2.3.1 神經網絡數據開采系統 神經網絡數據開采時利用神經網絡技術協助從數據中抽取模式。數據開采有五項基本任務：相關分析、聚類、概念描述、偏差監測、預測。

常用的前饋式神經網絡，如BP網絡，可用于進行概念描述及預測。對向傳播（Counter Propagation，簡稱CP）神經網路可用來進行統計分析和聚類。

CP網絡是美國神經計算專家Robert Hecht-Nielsen提出的一種新型特征映射網絡，其網絡結構分輸入、競爭、輸出三層。該網絡吸取了無教師示教型網絡分類錄活、算法簡練的優點，又采納了有教師示教型網絡分類精細、準確的好處，使兩者有機地結合起來。由競爭層至輸出層，網絡按基本競爭型網絡學習規則得到各輸出神經元的實際輸出值，并按有教師示教的誤差校正方法調整由競爭層至輸出層的鏈接權。經過這樣反復地學習，可以將任意輸入模式映射為輸出模式。

2.3.2 財務管理神經網絡推理系統 財務管理神經網絡推理系統主要利用神經網絡的并行處理機制來解決傳統推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經網絡系統中，計算與存儲時完全合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯想記憶的基本原理。若視動力系統的穩定吸引子為系統計算能量函數的極小點，系統最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯想記憶（BAM）網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網絡通過提供的樣本對進行充分的學習后，就可用來進行模式間的聯想推理。

3 財務管理神經網絡智能DSS研究展望

當前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統和人工神經網絡是比較常用的技術，但由于自身的局限性，它們都側重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術結合起來解決，除了它們要自身不斷發展和完善外，還要注重兩者的協調配合，神經網絡DSS未來的發展趨勢就是依靠這兩種技術不斷結合，從而能幫助我們解決更多的實際問題。

3.1 財務管理神經網絡支持專家系統 常見的財務管理神經網絡支持專家系統主要包括幾個方面：知識維護、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。

3.1.1 知識維護。如果知識是通過人工神經網絡來獲取的，我們就可以同樣利用人工神經網絡，來讓維護工作變得更加方便快捷，維護可以通過人工神經網絡來自動完成，我們需要做的只是重新運行網絡模塊，或者重新訓練網絡模塊，又或是增加新的網絡模塊。

3.1.2 推理。一般的專家系統只是求解專門性問題，應用的領域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現一些這樣或那樣的問題，推理效率低、速度慢。人工神經網絡可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領域。

3.1.3 知識表示。很多專家知識事實上很難用規則表示出來，但在現實工作中，我們大部分財務管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經網絡系統來將知識提供給專家系統，這樣做就可以避免這一問題，當專家系統需要相應知識時，就不需要用規則來表示知識，直接調用人工神經網絡就可以了。

3.1.4 知識獲取。人工神經網絡可以幫專家系統來獲取知識，知識獲取是通過人機對話的形式進行的。首先，專家系統向專家提出問題，人工神經網路則負責對這些信息進行收集、處理，在人工神經網絡的聯結權值中已經具有通用的知識，所以這一步驟會很方便，之后再產生相應的數據結果。接著，專家系統在對這些數據進行進一步的分析。在這一過程中，專家系統只運用很少的規則就可以獲得相關的知識，大大提高了工作效率。

3.2 財務管理專家系統支持神經網絡 財務管理專家主要通過三種方式來對神經網絡提供必要的支持：第一，提供相應的必要的解釋；第二，進行預處理；第三，聯合應用。

3.2.1 解釋。作為專家系統的人工神經網絡，它做不到同其他專家系統那樣，具體詳細地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個小型的專家來解決這一問題，以獲得答案的原因，這個專家系統可以反向推理，從結果到初始輸入，系統提供具體的解決方法。

在這種模式中，經過訓練的人工神經網絡來解決問題。當用戶要求解釋的時候，就可以通過網絡輸入一個并行的專家系統。

3.2.2 預處理。對于人工神經網絡來說，處理數據這項工作比較難。專家系統可以幫助人工神經做好這些工作：選擇合適的收斂算法，確定訓練神經網絡的樣本的數量，選擇合適的神經網絡。收集正確數據的工作，對于人工神經網絡來說至關重要，事先對它們進行預處理，可以確保各項工作順利的完成。

3.2.3 聯合應用。將一個復問題分解為幾個子問題，如下圖3所示，再將各個子問題來逐個解決，這就是我們所常說說的聯合應用方法。它可以直接采用人工神經網絡、專家系統以及其種可能的方法來解決問題，指導實際應用。

我們當前計算機所要解決的主要問題，是如何解決半結構化和非結構化的決策等問題，它是人們在日常生活中所經常遇到的，在財務活動中會大量存在。如何更科學、更合理地處理這些問題是我們當前工作的主要方向。運用人工神經網絡技術處理半結構化和非結構化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的，它還存在著一定程度上的缺點，我們只有改善這種技術上的不成熟，將智能化研究進行到底，才能讓神經網絡決策支持系統的研究出現新的進展。

參考文獻：

[1]陳文偉.智能決策技術.電子工業出版社，1998年.

[2]鐘義信.智能理論與技術——人工智能與神經網絡.人民郵電出版社，1992年.

人工神經網絡的發展范文第5篇

關鍵詞：神經網絡 網絡方法 環境色譜法 多個節點 信息模型

中圖分類號：X83 文獻標識碼：A 文章編號：1674-098X（2017）05（a）-0126-02

從近幾年在國內神經網絡的使用來看，在環境監測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環境的評價都帶來了很多新的成果。該文主要是通過對神經網絡相關分類的闡述，結合神經網絡在環境監測中的應用效果，希望能給神經網絡對環境監測中做一些回顧和總結[1]。

1 網絡方法類別

由于著重的角度關系，網絡法會有多種不同的類別，由于神經網絡是多個節點的連接，有相當多復雜的算法，基于神經網絡，可以總共闡述兩大類的情況，包括有管理和無管理的網絡方法。關于這兩種的不同點就在于它們是否需要對現有的樣本進行訓練。有管理的網絡方法是需要訓練，而無管理的網絡方法是無需進行訓練，它需要與其他的化合物相結合使用，里面會涉及到網絡與遺傳法、偏最小二乘法等分析方法來進行分析比較。另外根據網絡的結構不同，也可以把網絡方法給分成前向和后向的網絡方法，而如果是從網絡活動方式的差別，也可以將其分為隨機和確定兩種網絡方法。

2 關于環境監測的化學方面的應用

在化學方面，國內與有很多用于化合物的一些研究，比如一些有機結構分析，還有化學反應、蛋白質結構等等的分析。在進行定量的構效關系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關網絡模型，然后對生物的毒性進行進一步預測，當然，在分析過程中還存在著很多的問題，通過比較一些網絡模型，然后計算它們之間的權值，再篩選相出相應的參數，學者們在分析的時候也會對多層前傳網絡進行探討分析，盡量減低誤差，通過多方向的非線性校準，并且進行數據解析，然后表明引射能力，通過建立神經網絡來不斷接近規律的程度，擬定相關的指標數[2]。

3 分光光度的方法應用

在化學分析進程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關方法的不斷普及，目前大多數是使網絡和現有的紫外光譜法相互關聯，利用線性網絡、BP網絡等來用于多個分組的報道[3]。鄧勃等[4]學者在分析的時候，認為除了人工神經網絡，迭代目標轉換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優勢，并且產生的網絡法的誤差一般都不會很大。孫益民等專家在分析時，利用現有的人工神經網絡先后側出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

4 神經網絡對X射線中的熒光光譜法的應用

研究人員通過神經網絡建立與X射線熒光譜譜法的關系，通過多個不同的神經網絡來應用，可以通過他們之間的連接來測定酸溶鋁，通過神經網絡的設置，可以測定里面的最低的鋁值，通過神經網絡與BP的網絡模型的設立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側出酸溶出來的鋁的數值。BP模型可以結合現有的神經網絡系統，充分的在現有的信息模型上應用，通過利用網絡神經的結構，不僅可以做一些化學分析，還可以通過神經網絡來檢測環境監測中涉及到的紅外譜圖等的分析，這為環境分析提供了非常有意義的方向，并且給環境監測提供了新的檢測方法[6]。

5 環境監測中的色譜法的研究

在關于色譜法的研究中，人工神經網絡也有可以應用的方向[7]。色譜法中的小波分析，與人工神經網絡的結合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運用神經網絡分析之后，可以在其中建立相關的模型，通過兩者的結合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復雜的工程，它們之間需要運用大量的元素來分開，效率極低，極其浪費時間。因為其內里復雜的重疊組織，而現在，人工神經網絡為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經網絡的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經網絡的時候，會運用藥物來優化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環境監測中的評價

通過之前提到的BP網絡，通過介紹與人工神經網絡模型的結合，來闡述了整個模型應用的原理，通過綜合相關的分析方法可以對環境監測中的適用性進行分析評價，這樣表現出來的結果會更加客觀。研究者可以從有預測模型中表現的結果，在水庫里進行抽樣，提取水庫中的相關元素進行預測，確認是否與實際結果一致，可以通過建立人工神經網絡來對水質中的污染指數進行評價，然后得出相應的成果。

7 結語

人工神經網絡在整個環境監測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結為以下3個方面：第一，人工神經網絡具有自學習的特性。可以通過大量的圖像來設計，進行相關的圖像識別，把不同的幾個圖像進行整合分析，并且把與之相互對應的結果嵌入到神經網絡系統中，系統會根據自己特有的自學功能，對以后相關的圖像進行識別操作，它可以給人們提供一些預測結果，甚至在未來的無論是經濟還是政治等方面提供一些預測，預測經濟和市場，給未來的發展提供引導。第二，系統具有可存儲的特性。人工神經網絡里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯系不同元素之間的關系，得出一些可能的聯想信息。最后，神經網絡還有一項功能便是優化得出答案的能力。

一般問題的因果關系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優化整個系統，是神經網絡的一個主要的功能，它可以通過計算來得到最優化的解，即便其中的運算量牽連的比較多，但是結合神經網絡中反饋聯想的功能，再包括計算機強大的運算效率，那么得到答案有時候也是比較容易的。

人工神經網絡在環境監測中表現的效果比較好，但是除此之外，在其他領域，運用神經系統也可以得到一些相關的數據，比如經濟領域，它可以通過建立信息模型，來進行市場預測和風險評估，這些都是很好的應用方式。在未來的實踐中，隨著經驗的積累，神經網絡的應用在環境監測中會不斷地深入，通過在色譜、光度等領域的剖析，為未來的環境監測效果提供了更多的可能性。

參考文獻

[1] 黃勝林.遺傳優化神經網絡在大壩變形監測中的應用[D].遼寧工程技術大學，2012.

[2] 熊勛.人工神經網絡在環境質量評價和預測中的應用研究[D].華中科技大學，2009.

[3] 王學.無線傳感器網絡在遠程環境監測中的應用[D].山東師范大學，2011.

[4] 武藝.人工神經網絡在土壤質量監測中的應用[D].浙江海洋學院，2015.

[5] 黃湘君.基于主成分分析的BP神經網絡在電力系統負荷預測中的應用[J].科技信息：科學?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經網絡在機器人視覺中的應用[J].制造業自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經網絡在福利彩票預測中的應用[A].中國智能計算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經網絡在電力需求決策中的應用[J].現代經濟信息，2009（22）：325-326.