人工神經網絡優勢
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篇人工神經網絡優勢范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
人工神經網絡優勢范文第1篇
關鍵詞：人工神經網絡；金屬切削刀具；磨損檢測
1.前言：
隨著我國的工業飛速發展，對于工件的要求也愈發嚴格，但是從工廠中制造出的工件或多或少都有些不盡人意，所以必須依靠金屬切削技術對工件進行二次加工。但隨著時間流逝，金屬刀具的磨損逐漸成為了一個問題。而且隨著機器的柔性化與機械化愈發提高，人工觀測刀具磨損狀況的方法也愈發得不可取。無數科學家為此進行了大量研究，討論出了是數種方法，而人工神經網絡運用于金屬切削機的技術也應運而生。人工神經網絡是一種以模擬動物神經網絡而創造的數學模型，人工神經網絡有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學習和記憶、歸納的能力。目前，人工神經網絡在智能控制、優化計算與信息處理中都有很大的進展，人工神經網絡的前景不可估量。
2.人工神經網絡在金屬切削刀具中的應用
2.1人工神經網絡的基礎知識
人工神經網絡是一種建立在現代醫學對于人腦的研究上的一種模擬人腦的數學模型。它是由大量簡單的處理單元組成的復雜網絡，用以模仿人類大腦的神經活動與規律。所以，人工神經網絡擁有人類大腦的基本特征，即：學習、記憶與歸納功能。雖然人工神經網絡與人類大腦相比略有不足，但是由于其獨特的結構，人工神經網絡可以對己輸入信息進行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經網絡在邏輯學推理演算中，比起人類大腦更加有優勢。故，人工神經網絡在一些比較簡單同時需要大量計算的工作上比起人腦更有優勢。于是，人工神經網絡被廣泛用于金屬切削技術，并獲得了大量的好評。
2.2人工神經網絡使金屬切削的過程更加智能化
人工神經網絡具有自學習、聯想存儲與優化計算的能力，在金屬切削中被大量運用。人工神經網絡在金屬切削中起著多傳感器多信息融合與模式聯想器的作用。在對選定的人工神經網絡進行訓練，通過人工神經網絡的學習與記錄作用，將人工神經網絡訓練為模型，并將這個模型運用于金屬切削中，使金屬切削過程智能化。1992年王衛平博士使用人工神經網絡令金屬切削機在金屬切削的過程中智能化。李旭東利用BP網絡與人工神經網絡的學習性，實現了金屬切削加工的智能化選擇。實際上，國內有許許多多的人用人工神經網絡實現了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊伍中來。
并且隨著我國技術的逐漸加強，人工神經網絡技術的逐漸完善，金屬切削智能化的程度只會越來越強。
2.3人工神經網絡對于刀具磨損的檢測
人工神經系統被運用于金屬切削領域的初衷，就是希望借助它的智能化與信息處理的優越性，代替人工來檢驗刀具的磨損程度。
通過人工神經網絡的學習性，可以輕易在網絡中建模，使人工神經網絡可以輕易地檢測出刀具的正常狀態與非正常狀態――即刀具是否磨損。當刀具處于磨損狀態時，人工神經網絡可以發出警告。實際上，在刀具磨損狀態下發出警報已經不再是現在的研究重點了，在無人參與定情況下，對整個金屬切削過程進行識別，當刀具發生磨損，人工神經網絡可以進行自主替換，這，才是理想中的智能刀具檢驗系統，同時也是研究熱點。如果要實現上述內容，應該具備這些特點：對于來自多個傳感器的信息可以快速處理；在擁有樣本數據的情況下可以快速學習；可以根據外界數據的變化，快速調整自身，以適應周遭環境。
2.4通過人工神經網絡的計算，預測金屬切削加工中的狀態.
在人工神經網絡運用于金屬切削中的一個重要研究，便是通過人工神經網絡的計算來預測金屬切削加工中的狀態。可惜這項技術現在還只是處于理論研究與建模模擬的狀態下，跟可以正式使用還有一定的距離。如果這項技術可以得到突破，那么，毋庸置疑得，不止在金屬切削領域是一大進步，更加可以推動工廠全智能化、C械化，這無疑是一場重工業的一場大地震與大革命。
人工神經網絡優勢范文第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.
人工神經網絡優勢范文第3篇
關鍵詞：無人機 神經網絡 控制技術
中圖分類號:TP183 文獻標識碼：A 文章編號：1007-9416(2012)07-0010-01
無人機的核心部分是飛行控制系統。無人機進行自主飛行時,控制系統需要有效地對姿態回路部分和水平位置、高度回路部分進行重點控制，才能保持良好的自主飛行適應性。研究表明，智能技術的發展水平在相當大的程度上決定了自主控制技術的發展水平，人工智能系統若要提高對形勢的感應能力和外部環境的理解能力，并作出準確、快速反應，需要以獲取信息的完整性和準確性為前提支撐。
研究表明，現代絕大多數控制理論在飛行控制系統設計的應用方面，均表現出一定的優勢和劣勢。
反步控制的優勢在于收斂性方面表現較好，可對具有不確定性的未知擾動進行有效處理，缺點是魯棒性表現較差。反饋線性化的優勢在于設計靈活，缺點是對數學模型建立的精確性要求較高，且不能處理具有不確定性的未知擾動。采用變結構的滑模控制技術優勢在于響應快捷，且所建數學模型的精確性要求不高，對外部不確定性擾動反應不敏感，缺點是需要進一步提高抖振現象的解決能力。在計算機技術和人工智能技術的發展帶動下，人工智能應用于無人機控制系統已具備一定的技術基礎，特別是神經網絡技術，因其具有良好的學習和推理能力，所以應用最為廣泛。本文以無人機的飛行控制應用為中心,重點分析了神經網絡技術應用于智能控制的最新成果，為今后的深入研究提供一定的基礎支撐。
1、神經網絡PID控制技術
PID控制器魯棒性表現較好，結構相對簡單，廣泛應用于典型無人機控制系統設計中。但是經典PID對于具有非線性特性的多變量系統，其處理能力較差，不能有效提升系統的抗外擾能力，特別是系統參數變化攝動時，其魯棒性表現較差，致使系統的飛行動態控制能力較差。近年來，以神經網絡智能控制技術的快速發展為支撐，神經網絡智能控制技術開始和常規PID控制相融合，優化形成了兩種類型的神經網絡PID控制器。一種為神經元網絡PID控制器，該控制器在傳統PID控制器的基礎上，融合加入了一個神經元網絡控制器，對PID參數進行優化確定;另一種是單神經元PID控制器，它用神經元輸入權值跟PID參數進行一一對應，該輸入值為經比例、積分、微分處理后的偏差值。
1.1 采用神經元網絡確定PID控制器參數
神經網絡控制器通過對被控對象建立反向模型，構成前饋控制器。神經網絡控制器首先學習PID控制器的輸出，而后在線進行調整，盡量使反饋誤差趨零化，逐步提升自身在系統控制中的主導作用，最終替換反饋控制器的相應作用，但PID反饋控制器繼續存在，沒有消失。當系統受到外部干擾擾動時，PID反饋控制器可繼續發揮作用。采用神經元網絡確定PID控制器參數的技術實際上是一種前饋加反饋的特殊控制技術，該技術在提高了系統精度的情況下，同時提高了系統的自適應能力，增強了系統的控制穩定性，改善了控制系統的魯棒性能。其典型控制原理如圖1所示
1.2 單神經元PID控制
該種類型的自適應控制器依靠調整加權系數完成自適應和自組織，采用有監督Hebb學習規則對加權系數進行調整。單神經元PID控制器采用具有明確物理意義的算法組織學習，結構也較簡單，在環境變化適應性方面，呈現出較好的魯棒性。其劣勢在于由于該種類型控制器為單神經元結構，因此不具備任意函數逼近的能力。
2、自適應神經網絡控制技術
針對任意一個非線性連續函數，人工神經網絡因具有較強的自學習能力，所以能以任意精度要求逼近，且能夠完成并行處理，實現萬能函數逼近功能。與傳統查表法對比,人工神經網絡進行計算時間較短，且不需要大內存容量，在對相鄰兩個訓練點之間的點進行插值計算時，不需要額外的計算消耗。相比典型的自適應線性控制器，研究表明，人工神經網絡能夠獲得較好的期望性能，表現出相對較高的自適應非線性控制能力。人工神經網絡能夠實現對非線性對象的有效控制，對不確定對象的有效控制，且抗環境干擾能力較強，因此特別適合于實現自適應自主飛行控制。
人工神經網絡應用于自適應飛行控制的基本原理為:對飛行器模型進行近似線性化處理，爾后對該控制器添加人工神經元網絡,通過逆轉換完成非線性控制功能，對飛行中的動態誤差，自適應消除其影響，有效提升系統響應。該種類型的神經網絡控制器通過在線提升自適應能力,在一定程度上改善了風洞數據依賴度，對動態先驗知識的需求也進一步降低,從而減少了飛行控制系統的研發費用。
3、結語
研究表明，常規PID控制器雖然結構較簡單，可靠性能表現較好，呈現出良好的魯棒性，但其缺少自學習、自組織、自適應的能力，這些能力恰恰是神經網絡控制器的智能優勢。但神經網絡也具有一定的缺點，表現為收斂速度較慢，個別情況下不能搜索到全局最優解等。神經網絡利用自身較強的并行處理能力和自然容錯特性，對非線性飛行系統能夠進行較好的智能處理，有效降低了逆誤差，可以精確獲取無人機控制模型，魯棒性表現優異。
目前，已在無人機上進行應用的神經網絡算法主要是與PID算相融合的智能算法。今后，將自適應控制和神經網絡智能控制相結合的控制算法將逐步進入飛行控制實踐技術行列,從而大副提升無人機應對不確定環境和復雜問題的能力,真正實現自主飛行。
參考文獻
人工神經網絡優勢范文第4篇
關鍵詞：相似性；可塑性；阻變機理
DOI：10.16640/ki.37-1222/t.2016.03.102
0 引言
人工神經網絡是一種旨在模仿人腦結構及其功能的信息處理系統。神經元之間突觸的聯系強度是可變，這是學習和記憶的基礎。人工神經網絡可以通過“訓練”而具有自學習和自適應的能力。神經網絡技術的關鍵是權重設計，權重的硬件實現需要一個長期保持記憶且不耗能的納米級元件。傳統的人工神經網絡技術都是在傳統計算機基礎上進行的，其主要缺點是運算量巨大且運算不是并行處理。如果在硬件上實現人工神經網絡的并行分布式處理、非線性處理，自我學習功能和自適應性等功能，就能夠解決了人工神經網絡在傳統計算機上運算量巨大的缺點。而單個憶阻器便可實現神經突觸功能的模擬，而且憶阻器能夠很容易與納米交叉連接技術相結合，具有大規模并行處理、分布式信息存儲、巨大存儲量等優勢。所以利用憶阻系統是人工神經網絡實現神經突觸功能的模擬的最好的方式之一，因而成為近年來研究的熱點。
1 憶阻與神經突觸的相似性
神經元是大腦處理信息的基本單元。人腦大約含有1011-1012個神經元，神經元互相連接成神經網絡。突觸是神經元間信息傳遞的關鍵部位，決定了前后神經元之間的聯系強度。圖1.神經突觸的結構示意圖。神經遞質通過突觸前膜釋放到突觸間隙，作用于突觸后膜上的受體，使突觸后膜發生電位變化，使下一個神經元產生興奮或抑制。生物系統記憶和學習功能是以精確控制通過神經元及突觸的離子流為基礎建立的。突觸能夠隨外界的電位刺激變化，粒子流產生動態連續的變化，聯系強度增強或者減弱，即突觸的可塑性。在憶阻器件出現之前，人工神經網絡突觸的的硬件實現需要集成電路甚至超大規模的集成電路，而且人工神經網絡的密度也很難達到生物神經網絡的密度，因而電路復雜體積龐大，制約了人工神經網絡對于復雜的人腦功能模擬的實現。憶阻器的出現解決了這個問題，世界各地多個研究小組已實現了具有不同憶阻模型和憶阻特性的憶阻器件。由于憶阻器的電阻可變和電阻記憶特性，與突觸的功能上有很強的相似性，因此憶阻在人工神經網絡電路中可以模擬突觸在生物神經網絡中的作用。
2 神經突觸的可塑性特性
神經突觸一個重要的特征是突觸的可塑性，電信號刺激能夠加強或者弱化突觸，突觸連接強度可連續調節。利用憶阻器模擬生物突觸最基本的依據是由于它具有電阻緩變的特性，當施加電壓下器件的阻值可實現從高（低）阻值到低（高）阻值的緩變過程，器件的導電性（或阻值）相當于突觸權重，導電性增大和減小的過程分別對應突觸的增強和抑制過程。記憶是通過大腦中大量突觸之間的相互連接所表現出來，因此，突觸可塑性被認為是學習和記憶重要的神經化學基礎。實現突觸學習功能時，一個典型特性是電脈沖時間依賴可塑性（STDP）。人類大腦中記憶或者突觸可塑性按保留時間可以分為短程記憶和長程記憶。短時程可塑性與神經元的信息傳遞和處理有著密切的關系。神經系統每時每刻都接受數以千計來自外界的刺激，短時可塑性對如何在大量的輸入信息中提取有用信息扮演重要角色。長時程可塑性促使突觸在數小時到數天之內發生持續性的變化，人們認為其在學習和記憶存儲的突觸機制中發揮重要作用。
3 憶阻器件的阻變機理
早在1971年，美國校華裔科學家蔡少棠就通過理論計算預言，在電阻、電容和電感之外必定存還在第四種無源電子元件，即憶阻器。如圖3所示，電路的3個基本元件電阻、電感和電容，可以分別有由4個電路變量變量電壓（v）、電流 （i）、電荷量（q）和磁通量（φ）中的兩個來定義，分別為：由電壓和電流定義的電阻R、由電荷和電壓定義的電容 C 以及由磁通量和電流定義的電感L。出于邏輯完備性，蔡紹棠認為應該還存在由電荷量和磁通量定義的第4類基本電路元器件即憶阻器。然而學界卻一直沒有找到這個在理論上成立的無源元器件，直到37年后（2008年），美國惠普公司宣布在Pt/TiO2Cx/Pt兩端器件實現了具有憶阻功能的器件結構（圖4），從而找到這個一直缺失的電路元件，至此憶阻器開始引起更多學者的研究興趣，并迅速成為電路、材料、生物等領域的研究熱點。
隨著人們對憶阻器研究的深入，多種憶阻器件和模型在各研究領域相繼提出和實現。目前，阻變機理主要有邊界遷移模型、絲電導模型、電子自旋阻塞效應、氧化還原反應等。中科院諸葛飛課題組在錐形納米孔洞結構的非晶碳薄膜材料中，實現了納米導電絲機制的憶阻器件。非晶碳膜阻變器件的電致電阻效應決定于通孔中的納米導電細絲的通斷（如圖4）。
4 結論與展望
本文對神經網絡的概念、憶阻器與神經突觸的相似性、神經突觸的可塑性、憶阻器的阻變機理進行了綜述，指出了目前很多憶阻器是利用人工神經網絡實現人工智能及超級計算機的硬件基礎。目前憶阻器材料研究存在的兩個主要問題是阻 變機理不夠清楚和阻變性能不夠穩定。憶阻器材料非常之多，甚至把任意絕緣材料做到納米級，就很有可能具有阻變特性。找出隱藏在眾多阻變現象之后的機理有無共同的規律，研究阻變特性是由材的化學成分決定還是由材料的微 觀結構決定，這將是以后研究中需要回答的問題。
人工神經網絡優勢范文第5篇
【關鍵詞】人工神經網絡;教育資源;管理系統
【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009―8097(2009)07―0120―04
教育資源是信息化教學的基礎。隨著教育信息化的深層次推進,互聯網中的信息資源以指數方式增長,這些資源不僅在內容上多種多樣,在表現形式上更是豐富多彩。它對教育領域的沖擊與滲透使得網絡教育資源的利用受到重視,并隨之出現了新型教學模式,如:基于資源的自主探索式學習和協作學習等。然而海量的網絡教育資源既為教育帶來了強大的服務功能,也為資源的建設與管理帶來了新的挑戰。教育資源具有數據量大、形式多樣、針對性強、教育性強等諸多特點,如何將分散、無序的資源整合起來,使“用戶能方便、高效地將其利用于自己的學習和工作之中,并在大范圍內實現共享是網絡教育資源建設者必須慎重面對的問題。”[1]
一 教育資源管理面臨的問題
隨著信息資源飛速增長,對教育資源管理的要求也更加苛刻。而網絡環境的復雜給教育資源的管理帶來許多不確定性。
1 教育資源管理系統在網絡過載,受到攻擊的情況下很容易崩潰。系統一旦崩潰,所有辛辛苦苦積累起來的資料化為烏有,資源的開發利用和共享無從談起。目前“教育資源管理系統在輸入錯誤、磁盤故障、網絡過載或有意攻擊情況下,很容易死機和崩潰。”[2]而魯棒性(robustness)的大小是在異常和危險情況下系統生存的關鍵,代表了系統健壯與否。簡而言之,系統的魯棒性有待加強。
2 教育資源管理系統需要連續不斷地吸收新的教育資源。向用戶提供可靠的信息輸出。但是在發生故障時,教育資源管理系統容易停止工作,給用戶帶來較大的損失。而容錯性(Fault Tolerance)是指在故障存在的情況下管理系統不失效,仍然能夠正常工作的特性。很明顯,管理系統的容錯性較差,猶如一個經常斷電的供電站,給廣大用戶帶來不必要的煩惱與損失。
3 教育資源的擴張速度極快,對海量教育資源的分類顯得越來越困難。原先的人為分類跟不上信息傳遞的頻率,導致很難在較短的時間內找到用戶迫切需要的資料,浪費用戶的時間,也給教育資源的進一步推廣使用帶來障礙。
二 人工神經網絡的特點
人工智能(Artificial Intelligence)是探討人類智能的基本機理,研究如何利用各種自動機來模擬人的某些思維過程和智能行為,從而構造智能人工制品的科學。
人類對人工智能的研究可以分成兩種方式,對應著兩種不同的技術:基于心理角度模擬的傳統人工智能技術和基于生理角度模擬的人工神經網絡技術。從人腦的生理結構來觀察,人腦的每個神經元大約有103~4個樹突及相應的突觸,一個人的大腦總計約形成1014~15個突觸。用神經網絡的術語來說,即是人腦具有1014~15個互相連接的存儲潛力。雖然每個神經元的運算功能十分簡單,且信號傳輸速率也較低(大約100次/秒),但由于各神經元之間的極度并行互連功能,最終使得一個普通人的大腦在約1秒內就能完成現行計算機至少需要數10億次處理步驟才能完成的任務。根據人腦的生理特點,人工神經網絡(Artificial Neural Networks,ANN)是由大量并行分布的單元廣泛互連而成,通過各組成部分非同步化的變換,實現信息的整體處理任務,它的這一結構特點決定著人工神經網絡具有高速信息處理的能力。它實質上是一種模仿動物神經網絡行為特征,進行分布式并行信息處理的算法數學模型。其“工作原理是通過調整內部大量節點之間相互連接的關系,從而達到處理信息的目的。” [3]所以它具有自學習和自適應的能力,可以通過預先提供的一批相互對應的輸入――輸出數據,分析掌握兩者之間潛在的規律,最終根據這些規律,用新的輸入數據來推算輸出結果。
人工神經網絡中神經元處理單元可表示不同的對象,例如特征、字母、概念,或者一些有意義的抽象模式。網絡中處理單元的類型分為三類:輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數據;輸出單元實現系統處理結果的輸出;隱單元是處在輸入和輸出單元之間,不能由系統外部觀察的單元。神經元間的連接權值反映了單元間的連接強度,“信息的表示和處理體現在網絡處理單元的連接關系中。”[4]人工神經網絡的本質是通過網絡的變換和動力學行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經系統的信息處理功能。正因為這個重要特征,“人工神經網絡采用了與傳統人工智能技術完全不同的機理,克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷,具有自適應、自組織和實時學習的特點。”[5]它與專家系統的最大區別是,專家系統屬于人類智能的功能模擬,而人工神經網絡則偏重走結構模擬的路子。與其它智能系統相比,人工神經網絡具有以下特點:
1 學習能力:學習能力是神經網絡具有智能的重要表現,即通過訓練可抽象出訓練樣本的主要特征,表現出強大的自適應能力。例如實現圖像識別時,只有先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡,網絡就會通過自學習功能,慢慢學會識別類似的圖像。
2 分布式結構:人工神經網絡力圖“體現大腦的分布式并行計算和非線性等特征,依此而建構的網絡是一種具有大量連接的并行分布式處理器。”[6]具有通過學習獲取知識并解決問題的能力,且知識是分布存儲在與大腦神經元突觸相類似的連接的權重中。在傳統的串行體系計算機中信息分布在獨立的存儲單元中,而在神經網絡中,信息則分散在神經元的連接上。神經網絡的信息分布特性,使之具有強大的容錯能力和記憶聯想能力。信息的分布存儲提供容錯功能。由于信息被分布存放在幾乎整個網絡中,所以,“當其中的某一個點或者某幾個點被破壞時,信息仍然可以被存取。系統在受到局部損傷時還可以正常工作。”[5]
3 并行處理:神經網絡主要是對人腦的結構模擬。各種神經元在處理信息時是獨立完成的,不同神經元之間具有并行性,這種并行處理使得信息處理速度大大加快。信息處理方式由原來馮•諾依曼設計的串行處理變為對信息并行處理。
三 人工神經網絡應用于教育技術資源的管理之中
將網絡布線由原來的星型布線轉向神經網絡布線方式。應用神經網絡軟件,網絡采用分布式結構,信息采用統一并行處理的方式處理,從而加強了網絡的魯棒性、容錯性。同時發揮神經網絡的自學習能力,對待不同的信息資源進行模式分類。神經網絡模型考慮采用目前比較成熟的誤差反向傳播網(BP神經網絡)。教育資源分類考慮設計關鍵詞進行訓練,同時設立樣本訓練方法,用BP算法對該網絡進行訓練。訓練結束之后,神經網絡就可以作為教育資源分類器來進行使用。
BP(Back propagation反向傳播)網絡又稱誤差信號反饋網絡,是神經網絡中使用最廣泛的一類。它是一種有教師的學習網絡,能夠實現從N維到M維的非線性映射,采用梯度下降法實現快速收斂。BP神經網絡采用的是并行網格結構,包括輸入層、隱含層和輸出層,經作用函數后,再把隱節點的輸出信號傳遞到輸出節點,最后給出輸出結果。由圖1可見各層次的神經元之間形成全互連連接,各層次內的神經元之間沒有連接。
該算法的學習過程由信息的前向傳播和誤差的反向傳播組成。在前向傳播的過程中,輸入信息從輸入層經隱含層逐層處理,并傳向輸出層。第一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望的輸出結果,則轉入反向傳播,將誤差信號(目標值與網絡輸出之差)沿原來的連接通道返回,通過修改各層神經元權值,使得誤差均方最小。神經網絡理論已經證明“BP網絡具有強大的非線性映射能力和泛化功能,任一連續函數或映射均可采用三層網絡加以實現。”[3]
其BP神經網絡模型設計方案如下:輸入層、隱含層、輸出層。輸入層與外界的信息來源渠道緊密相連,稱之為接受信息的服務器。隱含層包含若干個存儲器,代表若干個知識單元。存儲器需要具備輸入輸出渠道,具備自學習能力,可以接受外界信息,也可以傳送信息。輸出層由傳送信息的服務器組成。輸出層接受到隱含層傳來的信息之后,根據用戶要求傳送相關信息。層間聯接根據模型設計方案來鋪設。神經網絡中的每一個節點,無論其在輸入層、隱含層、輸出層上,每臺計算機上必須有相應的神經元器件,以便網絡進行自學與聯想記憶。BP神經網絡管理系統的硬件實現。是將協處理器插入標準計算機中,通過運行神經網絡軟件包,以實現神經網絡的硬件功能,可以使神經網絡在任何計算機硬件和軟件環境中得到所需要的教育資源處理能力。其設計的模型具有如下特點:
1 教育資源并行分布方式處理:在神經網絡中教育資源是分布儲存和并行處理的,即神經網絡把教育資源分布地存儲在神經元之間的連接強度上,而且對教育資源的處理是由網絡中神經元集體完成的。在BP神經網絡中,教育資源的存儲表現為神經元之間分布式的物理聯系,它分散地表示和存儲于整個網絡內的各神經元及其連線上。每個神經元及其連線只表示一部分教育資源,而不是一個完整具體概念。只有通過各神經元的分布式綜合效果才能表達出特定的概念和知識。由于人工神經網絡中神經元個數眾多以及整個網絡存儲容量的巨大,使得它具有很強的不確定性處理能力。即使輸入教育資源不完全、不準確或模糊不清,神經網絡仍然能夠聯想思維持在于記憶中事物的完整圖像。只要輸入的模式接近于訓練樣本,系統就能給出正確的推理結論。
2 魯棒性與容錯性比較強:人工神經網絡的結構特點和其信息存儲的分布式特點,使得它相對于其它的判斷識別系統如專家系統等,具有另一個顯著的優點健壯性。當一個人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經網絡不會因為個別神經元的損失(網絡過載、停電、突發故障)而失去對原有模式的記憶(管理功能)。另外“即使是突發事件,暫時使網絡的硬件實現還是軟件實現中的某個或某些神經元失效,整個網絡仍然能繼續工作。”[7]BP神經網絡是一種非線性的處理系統。只有當神經元對所有的輸入信號的綜合處理結果超過某一閾值后才輸出一個信號。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,可以實現對教育資源不間斷、長時間的持續管理。它突破了傳統管理系統的局限,標志著教育資源管理能力的較大提升。因而神經網絡具有極強的魯棒性與容錯性,有聯想記憶抽象概括和自適應能力。
3 具有自學習和自適應能力:神經網絡抽象概括和自適應能力稱之為自學習能力,自學習是神經網絡中最重要的特征。通過學習,網絡能夠獲得教育資源的分類知識,適應環境。在訓練時,能從輸入、輸出的數據中提取出規律性的分類知識,記憶于網絡的權值中。并具有泛化能力,即將這組權值應用于一般教育資源分類的能力。另外,BP神經網絡的分類能力學習也可以在線進行。
以教育學院教育技術學資源管理為例,輸入層由兩臺高性能的服務器組成,中間設七個知識單元,輸出由兩臺輸出服務器組成。隱層的七個神經元分別為計算機軟件資源室、課堂教學資源室、“影視創作資源室、計算機教育應用資源室、網絡技術資源室、傳統教學資源室、傳統媒體使用資源室。”[8]模型圖如圖2所示:
教育技術學資源管理系統一種可編程的動力系統,其存貯、加工和提取教育資源均是可編程的。輸入層負責對教育技術學的相關教育資源進行篩選比較,然后根據學習后的分類能力對資源予以分類,將所有的教育技術資源分布式存儲在隱層的各神經元中,需要處理時根據用戶需要,從各個神經元中取出信息并行處理,輸出到輸出服務器中,提供給用戶。用戶可以將用戶要求直接給輸出處理平臺,傳遞給輸出層后,由輸出層將用戶要求反饋給中間隱層。也可以將要求送給輸入處理平臺,傳遞給輸入層,進行篩選之后將信息傳送給中間隱層。即使系統突然面臨網絡過載問題,由于存儲是分布式的,可以很容易地將信息資源分配下去。即使突然停電,由于相關資源已經存儲完畢,損失微乎其微。系統的魯棒性大大加強。同時如果系統發生突然故障,由于輸入渠道有兩條,所以可以很輕松地用另一個服務器處理。輸出處理時也是如此。因此系統的容錯性也得到提高。至于模式分類,則需要較長時間的訓練和大量的樣本。一旦BP神經網絡模型訓練完畢,日后教育技術學資源分類就顯得十分輕松。只需將關鍵詞輸入準確,便可以進入相應的知識單元存儲起來。處理信息時,根據用戶需要,有不少不同類別的資源需要統籌規劃、聯合利用,才能得到用戶需要的結果。這兒就可以充分發揮神經網絡并行處理的特點,有條不紊地對信息加以處理。其總體示意圖如圖3所示:
四 結語
教育信息化的核心問題是教育資源的應用和管理。神經網絡式的教育資源管理系統把教育資源存儲、教育資源管理、教育資源分類、教育資源動態升級四大特色功能進行整合,全面突破了“當前基礎教育信息化過程中的應用‘瓶頸’。” [9]其最大的特點就是突出了教育資源的管理功能,通過以一個統一管理平臺為核心的方式,對各類教育資源進行優化、整合,改善了以往教育資源管理從單一功能角度進行設計,各功能之間不能相互結合,造成資源管理困難和資源互不兼容的問題,實現了教育資源的價值最大化。值得注意的是,由于管理系統采用神經網絡的結構特點進行設計,其魯棒性、容錯性和模式分類能力較強,較之傳統教育資源管理方式比較起來,不僅提取和輸入變得十分簡單,而且對大量資源的分類式識別也大大加快,提高了管理效率。分布式存儲提高了教育資源的存儲容量,而“并行式處理又加大了教育資源的處理速度,同時系統在應付突發事件和網絡攻擊方面,應變能力大大增強,”[10]其可靠性與可用性也有突破性的提高。同時,在教育資源管理過程中,系統能抓住教育資源應用與管理過程中的關鍵問題,關注用戶的反饋,即時更新教育資源,加強了教育資源的建設,為教育信息化的持續發展提供了有力的保障。
參考文獻
[1] 余勝泉,朱凌云.教育資源建設技術規范體系結構與應用模式[J].中國電化教育,2006,(3):58-59.
[2] 穆肅.校本學科教學資源庫的設計和實現[J].中國電化教育,2004,(1):56-61.
[3] 周志華著.神經網絡及其應用(第1版)[M].北京:清華大學出版社,2004.
[4] 張廣瑩,徐麗娜,鄧正隆.“神經網絡控制”CAI課件研制中的幾個問題[J].現代教育技術,1997,(2):32-33.
[5] 韓立群著.人工神經網絡理論設計及應用(第1版)[M].北京:化學工業出版社,2002.
[6] 陶劍文.一種分布式智能推薦系統的設計[J].計算機工程,2007,(15):207-208.
[7] 王國旗,張辛亥,肖.采用前向多層神經網絡預測煤的自然發火期[J].湖南科技大學學報(自科版),2008,(2):20-22.
[8] 茹洪麗.教育技術學課程設置問題探略[J].電化教育研究,2005,(12):38-41.
