人工神经网络发展

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇人工神经网络发展范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

人工神经网络发展范文第1篇

关键词：煤灰结渣；BP神经网络；RBF神经网络

1前言

结渣是在锅炉内烟气侧受热面出现的严重影响锅炉正常运行的故障现象，其主要由烟气中夹带的熔化或部分熔化的颗粒碰撞在炉墙，水冷壁或管子上被冷却凝固而形成。结渣主要以粘稠或熔融的沉淀物形式出现在辐射受热面上，如水冷壁、水排管、防渣管、过热器管排等[1]。

本文为了有效地克服单一指标分类界限过于明显的问题。采用现研究领域比较广泛采用多指标综合评价方法，利用模糊数学对结渣进行评判，从而可以更好的解决单一指标所造成的分界过于明显和准确率偏低的缺陷[2]~ [3]。

2影响煤灰结渣特性的因素分析

灰分是由金属氧化物和非金属氧化物及其盐类组成的复杂物质，以SiO2和Al2O3为主，主要有Fe2O3、CaO、MgO、TiO2、SO3、Na2O和K2O等。可将灰中各氧化物分成两类：一类为酸性氧化物，即SiO2、Al2O3；另一类为碱性氧化物，即Fe2O3、CaO、MgO等。对于灰的结渣性能来说，灰的熔融特性是应特别予以关注的，煤灰没有固定的熔化温度，仅有一个熔化范围。在锅炉设计中，大多采用软化温度ST作为灰的熔点。根据灰熔点的高低，把煤灰分成易熔、中等熔融、难熔、极难熔。而灰黏度是表征高温熔融状态下灰的流动特性，通常根据牛顿摩擦定律，采用黏度计测定[4]。

3多指标神经网络模型的建立

3.1四种指标综合对比分析

(1)硅比G

G=SiO2×100/(SiO2＋CaO＋MgO＋当量Fe2O3)%(21)

式中，当量Fe2O3＝Fe2O3＋1.11FeO＋1.43Fe。

表21 硅比G判断结渣性的判别界限

（2）硅铝比（SiO2/Al2O3）

硅铝比中SiO2和Al2O3是煤中主要酸性氧化物，Al2O3的增加总是使灰熔点上升，而SiO2的影响则具有双重性，一方面SiO2较容易与键性成分形成低熔点化合物，降低煤灰熔点，另一方面SiO2含量高时，SiO2本身又会使灰熔点上升。用硅铝比判断煤结渣倾向的界限为：

①SiO2/Al2O3＜1.87,轻微结渣；

②SiO2/Al2O3＝2.65～1.87中等结渣；

③SiO2/Al2O3＞2.65,严重结渣。

（3）铁钙比（Fe2O3/CaO）

美国近年来用钙铁比作为判断烟煤型灰（Fe2O3＞CaO＋MgO）的结渣指标之一，推荐的界限为[5]：

①Fe2O3/CaO＜0.3，不结渣；

②Fe2O3/CaO=0.3～3,中等或严重结渣；

③Fe2O3/CaO＞3，严重结渣。

（4）酸碱比

B/A=(Fe2O3+CaO+MgO+Na2O+K2O)/(SiO2+Al2O3+TiO2) (22)

酸碱比中分母为酸性化合物，分子为碱性化合物，在高温下，这两种氧化物会互相作用形成低熔点的共熔盐，这些盐类通常具有较固定的组合形式，因此当煤灰中的酸碱比过高或过低时，灰熔点都会提高。使用碱酸比来判断灰结渣倾向时，推荐的界限值如表22所示

表22酸碱比判断结渣倾向界限值

3.2神经网络模型

神经网络模型的运算是以MATLAB软件为平台的，MATLAB是Math Works公司推出的一套高性能的数值计算可视化软件，MATLAB具有以下的特点：(1)功能强大；(2)界面友善、语言自然；(3)开放性强[6] [7]。

（1）BP神经网络

在进行BP神经网络设计时，需要考虑以下问题：网络的拓扑结构（隐层的层数及各层的神经元的数目）；神经元变换函数的选取；网络的初始化（连接权值和阈值的初始化）；训练参数设置；训练样本的归一化处理；样本数据导入方式等。

根据以上分析可知，针对本文内容，BP网络的建立可以分为4个基本步骤：

（1）网络建立。网络的输入层为熔融温度和混煤煤灰成分含量（即混煤煤灰中的各氧化物含量），此输入层有4个神经元节点，煤灰的软化温度t2、碱酸比B/A、硅铝比、硅比 G作为输入的TT矩阵的4个神经元节点，模型选用30个已知实验数据作为网络的训练样本，并对数据进行预处理，使其在[-1,1]的区间内。网络系统初始采用4个输入节点，16个、20个、25个、30个隐层节点及3个输出节点，其运行残差曲线如图1所示。

（2）初始化。创建网络对象时自动调用初始化函数，根据缺省的参数对网络进行连接权值和阈值的初始化。

（3）网络训练。设置网络训练参数。初始设置学习率为默认值，训练目标为0.001，最大训练次数为5000次。

（4）网络仿真。它根据已训练好的网络，对测试数据进行仿真计算。

BP神经网络（16节点）

误差分析图

b）BP神经网络（20节点）

误差分析图

BP神经网络（25节点）

误差分析图

d)BP神经网络（30节点）

误差分析图

图1BP神经网络模型残差分析图

（2）RBF神经网络模型

同BP神经网络一样，使用RBF神经网络进行预测，首先要根据实际使用问题确定网络结构和设计合理的输入输出模式，然后利用输入输出样本集创建并训练网络，以使网络实现给定的输入输出之间的映射关系。

在MATLAB环境中创建RBF预测神经网络和使用该网络进行预测的基本步骤可以描述为以下几步：

Step l：设计输入输出模式。主要包括特征量的选择、适合网络输入和输出的输入变量与输出变量的设计、样本数据的预处理等操作。

Step 2：创建并训练网络。确定径向基函数的分布密度SPREAD的值，调用newrb函数创建RBF神经网络。RBF神经网络的创建过程就是训练过程，创建好的网络net已经是训练好了的网络。

Step 3：测试和修改网络。调用Sim函数测试网络，如果输出结果与实际值误差过大，必须根据实际情况重新选择样本数据、重新选择SPREAD值或调整网络结构，最终残差曲线如图2所示。

Step 4：使用网络进行实际预测。

图2RBF神经网络残差分析图

（3）两种神经网络模型诊断结果对比分析

下表给出了两种神经网络模型对锅炉结渣的预测情况与实际情况的对比结果，在MATLAB的运行结果中去除一部分无效的结果，可以得到预测结果的准确率，详细结果如下：

表1预测结渣情况与实际结渣情况对比及预测准确率

从表1中可以看到，在RBF神经网络中预测的准确率可达到86.7%，而在BP神经网络中随着隐藏节点数的增加，预测结渣情况的准确率也在增加，而RBF网络模型预测结渣情况的准确率则好于BP神经网络模型隐藏节点为25时的情况。所以在实际预测中应在设计时通过不断实践加以选择，以减小预测误差。

预测值和实际测量值之间的误差，其产生原因主要包括以下几个方面：其一，用于网络训练和预测的样本值虽然都来自现场的数据，但都是实验测量得到的，因此难免存在测量误差；其二是网络本身带来的误差，毕竟人工神经网络只是用来研究燃煤特性的一种工具，不可能完全反应复杂多变的现实世界，况且目前人工神经网络技术本身发展并不完善。其三，网络本身影响误差的因素较多，比如算法和参数的影响。

4 结论

本文以根据煤灰成分来实现预测煤灰结渣情况为目的，结合神经网络理论、预测理论，研究了基于BP神经网络和基于RBF神经网络预测方法及其应用。通过对比分析得出以下结论：

（1）多指标神经网络模型更有利于对煤灰结渣特性的准确分析，对比BP神经网络和基于RBF神经网络两种模型的分析结果，BP神经网络的结果更接近实际值。

（2）当隐藏节点增加时，两种神经网络模型的诊断率随之升高，当隐藏节点数达到30时，BP神经网络模型的诊断率达到最高。

（3）在对RBF神经网络原理、结构和RBF算法进行分析研究的基础上，给出了基于BP、RBF神经网络的预测方法的MATLAB运算。

参考文献

姚星一．煤灰熔点与化学成分的关系．燃料化学学报，1965，6（2）：151～161

人工神经网络发展范文第2篇

［关键词］BP神经网络农业工程农业管理农业决策

一、引言

采用神经网络算法的信息处理技术，以其较强的计算性和学习性，现如今已经在各工程领域内得到了广泛应用。随着科技不断的发展和研究的不断深入，农业系统中采用的传统分析和管理的方法已经不能满足农业工程领域快速发展的需要。在农业系统中采用神经网络技术可在一定程度上可弥补传统方法的不足，现已成为实现农业现代化的一个重要途径。神经网络现已在农业生产的各个环节得到广泛的应用，从作物营养控制、作物疾病诊断、产量预测到产品分级，显示了巨大的潜力，并正以很快的速度与生产实际相结合。目前应用比较多的BP神经网络，可通过学习以任意精度逼近任何连续映射，在农业生产与科研中展示出了广阔的应用前景。

BP人工神经网络方法。人工神经网络是对生物神经网络的简化和模拟的一种信息处理系统，具有很强的信息存贮能力和计算能力，属于一种非经典的数值算法。通常可分为前向神经网络、反馈神经网络和自组织映射神经网络。BP神经网络(Backpropugation Neura1 Network)是一种单向传播的多层前向神经网络，可通过连续不断的在相对于误差函数斜率下降的方向上计算网络权值以及偏差的变化而逐渐逼近目标值，每一次数字和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层，从而实现了神经网络的学习过程。BP人工神经网络的结构如图所示，BP神经网络可分为输入层、中间层(隐含层)和输出层，其中输入和输出都只有一层，中间层可有一层或多层。同层的网络结点之间没有连接。每个网络结点表示一个神经元，其传递函数通常采用Sigmoid型函数。BP神经网络相当于从输入到输出的高度非线性映射，对于样本输入和输出，可以认为存在某一映射函数g，使得y0=g(xi)，i＝1，2，3，…，m，其中m为样本数，xi为输入样本，yo为输出结果。

BP神经网络的一个显著优点就是其可进行自学习，能够通过训练得到预期的效果。其学习过程由正向传播和反向传播组成，神经网络的输入值经过非线性变换从输入层经隐含层神经元的逐层处理传向输出层，此为正向传播过程。每一层神经元的状态将影响到下一层神经元状态。如果输出层得到的数值与期望输出有一定的偏差，则转入反向传播过程。神经网络通过对输入值和希望的输出值(教师值)进行比较，根据两者之间的差的函数来调整神经网络的各层的连接权值和各个神经元的阈值，最终使误差函数达到最小。其调整的过程是由后向前进行的，称为误差反向传播BP算法。具体学习过程如下：

（1)随机给各个权值赋一个初始权值，要求各个权值互不相等，且均为较小的非零数。

（2)输入样本集中每一个样本值，确定相应的网络实际输出值。

（3)计算实际的输出值与相应的样本集中的相应输出值的差值。

（4)按极小误差方式调整权值矩阵。

（5)判断网络误差是否小于训练前人为设定的一个较小的值，若小于，则跳出运算，此时的结果为神经网络的最终训练结果；若大于，则继续计算。

（6）判断最大迭代次数是否大于预先设定的数，若小于，返回（2）;若大于，则中止运算，其结果为神经网络的最终训练结果。

上述的计算过程循环进行，直到完成给定的训练次数或达到设定的误差终止值。

二、BP神经网络在农业工程领域中的应用

1.在农业生产管理与农业决策中的应用

农业生产管理受地域、环境、季节等影响较大，用产生式规则完整描述实际系统，可能会因组合规则过多而无法实现。神经网络的一个显著的优点就是其具有较强的自学习、自适应、自组织能力，通过对有代表性的样本的学习可以掌握学习对象的内在规律，从而可以在一定程度上克服上述信息量大的问题。神经网络在农业生产管理方面可用于农作物生长过程中对农作物生长需求进行预测，从而通过对养分、水分、温度、以及PH值的优化控制达到最优的生长状况。采用神经网络预测算法的主要思想可描述为：（1）收集一定规模的样本集，采用BP算法进行训练，使网络收敛到预定的精度；（2）将网络权值矩阵保存到一存储介质中，例如文本文件或数据库中；（3）对于待预测数据的输入部分，从存储介质中读出网络连接权值矩阵，然后通过BP神经网络的前向传播算法计算网络输出，输出结果既是预测出来的数值向量。如霍再林等针对油葵不同阶段的相对土壤含盐浓度对其产量的影响有一定的规律的现象，以油葵的6个成长阶段的土壤溶液含盐的相对浓度为输入样本，相对产量为输出样本，通过比较发现，训练后的神经网络能较好预测油葵产量，采用此方法可补充传统模型的不足，为今后进一步的研究开辟了新路。

在农业决策方面，主要将农业专家面对各种问题时所采取的方法的经验，作为神经网络的学习样本，从而采用神经网络建立的专家系统将从一定程度上弥补了传统方法的不足，将农业决策智能化。如何勇、宋海燕针对传统专家系统自学习能力差的缺点，利用神经网络可自我训练的优点，将神经网络引入专家系统中。将小麦缺素时的田间宏观表现，叶部、茎部、果实症状及引起缺素的原因这五个方面的可信度值作为神经网络的输入量，将农业专家诊断的结论作为输出量，将这些数据作为神经网络的训练数据。实际应用表明此系统自动诊断的结果与专家现场诊断的结果基本一致，从而采用该系统能够取代专家，实现作物的自我诊断，为农业管理方面提供了极大的帮助。如马成林等针对于传统施肥决策方法中非线性关系描述不足的问题，基于数据包分析和BP神经网络，建立了施肥决策模型，应用表明，在有限的范围内，模型预测结果较为合理，可以反映玉米的需肥特性。刘铖等人提出采用神经网络应用在农业生产决策中，以莜麦播种方式决策为例，通过对产生式规则的分析导出神经网络输入、输出单元数，并通过多次试验确定隐层单元数，用MATLAB方针结果表明，采用神经网络作为农业生产决策的方法，取得了较好的效果。谭宗琨提出将基于互联网环境下的神经网络应用在玉米智能农业专家系统中，根据农作物发育进程分成若干个发育期，分别对各个发育期建立管理模型，依照作物各发育期进程时间间隔，由计算机系统自动选取相应的模型进行决策。应用分析的结果表明采用神经网络的玉米智能专家系统已初步接近农业生产的实际。

2.在农产品外观分析和品质评判

农产品的外观，如形状、大小、色泽等在生产过程中是不断变化的，并且受人为和自然等复杂因素的影响较大。农产品的外观直接影响到农产品的销售，研究出农作物外观受人为和自然的影响因素，通过神经网络进行生产预测，可解决农产品由于不良外观而造成的损失。如Murase 等针对西红柿表皮破裂的现象，西红柿表皮应力的增长与西红柿果肉靠近表皮部分水分的增加有关，当表皮应力超过最大表皮强度时，将导致表皮破裂。用人工神经网络系统，预测在环境温度下的表皮应力，可通过控制环境变量来减少西红柿表皮破裂所造成的损失。

在农业科研和生产中，农产品的品质评判大多是依赖于对农产品外观的辨识。例如对果形尺寸和颜色等外观判别果实的成熟度，作物与杂草的辨别，种子的外观质量检测。由于农业环境的复杂性和生物的多样性，农产品的外观不具有较确定的规律性和可描述性，单一采用图像处理技术辨识农产品的外观时不宜过多采取失真处理和变换，否则则增加图像处理的复杂性，特征判别也相对困难。人工神经网络由于其具有自学习、自组织的能力，比较适宜解决农业领域中许多难以用常规数学方法表达的复杂问题，与图像处理技术相结合后，可根据图像特征进行选择性判别。采用此方法可以部分替代人工识别的工作，提高了生产效率，也有利于实现农业现代化。如Liao等将玉米籽粒图像用34个特征参数作为神经网络的输入变量，将输出的种粒形态分为5类，经过学习的神经网络对完整籽粒分类的准确率达到93％，破籽粒分类的准确率达91％。

3.蔬菜、果实、谷物等农产品的分级和鉴定

在农业生产中，蔬菜、果实、谷物等农产品的分级和鉴定是通过对农产品外观的辨识进行的。传统的农产品外观的辨识方法费时费力、预测可靠度很低，而且多采用人工操作，评价受到操作者主观因素的影响，评判的精度难以保证。利用人工神经网络技术结合图像处理技术可部分代替以往这些主要依靠人工识别的工作，从而大大提高生产效率，实现农业生产与管理的自动化和智能化。

利用BP神经网络技术对农产品果形尺寸和颜色等外观评判，目前国内外已有不少成果用于实际生产中。何东健等以计算机视觉技术进行果实颜色自动分级为目的，研究了用人工神经网络进行颜色分级的方法。分别用120个着色不同的红星和红富士苹果作为训练样本集对网络进行离线训练。两个品种的苹果先由人工依据标准按着色度分成4级，对每一个品种分别求出7个模式特征值作为BP网络的输入，用训练好的神经网络进行分级。结果表明红富士和红星果实的平均分级一致率分别为94.2％和94.4％。刘禾等用对称特征、长宽特征、宽度特征、比值特征等一系列特征值来描述果形。采用BP网络与人工智能相结合，建立果形判别人工神经网络专家系统。试验水果品种为富士和国光。试验表明系统对富士学习率为80％，对非学习样本的富士苹果的果形判别推确率为75％，系统对国光学习率为89％，对非学习样本的国光苹果果形判别系统的难确率为82％。

三、未来的发展方向

人工神经网络的信息处理技术现已在农业工程领域内得到了迅速的应用，采用人工神经网络算法的农业系统能够从一定程度上改善控制效果，但此技术在农业范围内还不够成熟，有待于进一步的研究。今后科研的方向大体上可以从以下几方面着手：

1.人工神经网络算法的改进

人工神经网络算法由于本身具有一定的缺点，从而采用人工神经网络的算法的信息处理技术在应用过程中具有一定的局限性。在今后的研究中，可以从人工神经网络方向着手，改进人工神经网络算法，从而实现其在农业领域内更好的应用。近年来随着模糊算法、蚁群算法等算法的相继出现，将神经网络与其他算法结合在一起已经成为了研究的热门话题，也是未来算法研究的主要方向之一。

2.应用领域的扩展

人工神经网络算法在农业工程方面现已得到了迅速的发展，扩展其在农业工程领域的应用范围是未来的一个主要研究方向。人工神经网络由于其具有自学习能力，可对农业系统的非线形特性进行较好的描述，采用人工神经网络可解决传统方法的不足，从而实现农业现代化。如何将神经网络较好地引入到农业系统，解决农业工程中的部分问题，已是今后农业科研中的一个方向。

四、结束语

神经网络作为一种人工智能范畴的计算方法，具有良好的自学习与数学计算的能力，可通过计算机程序进行模拟运算，现已广泛用于模式识别、管理决策等方面。随着计算机硬件和软件的不断发展与农业工程方面的研究的不断深入，神经网络将在农业管理、农业决策、农作物外观分类、品质评判等方面充分发挥其自学习能力强，计算能力强的优势，通过对样本数据的学习，神经网络可较好地解决农作物生长过程中的作物分类、预测等非线形的问题。在农业工程领域内，神经网络拥有广阔的科研前景。

参考文献:

[1]余英林李海洲:神经网络与信号分析[M]. 广州: 华南理工大学出版社,1996:45

[2]霍再林史海滨孔东等: 基于人工神经网络的作物水―盐响应初步研究[J].内蒙古农业大学学报，2003，24（3）：66～70

[3]何勇宋海燕:基于神经网络的作物营养诊断专家系统[J]. 农业工程学报,2005,21（1）:110～113

[4]马成林吴才聪张书慧等:基与数据包络分析和人工神经网络的变量施肥决策方法研究[J].农业工程学报,2006，20（2）:152～155

[5]刘铖杨盘洪: 莜麦播种方式决策的BP神经网络模型[J]. 太原理工大学学报，2006,37(5):119～121

[6]谭宗琨: BP人工神经网络在玉米智能农业专家系统中的应用[J].农业网络信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

人工神经网络发展范文第3篇

关键词：人工神经网络 矿山 安全状态 评判能力

中图分类号：TD77；TP181 文献标识码：A 文章编号：1007-9416（2015）04-0206-01

通过改变神经网络训练样本等方式，对神经网络不同训练样本的反应能力进行对比分析，从而探讨人工神经网络对矿山安全程度评价的适应性。为了有效的提高人工神经网络对矿山安全程度评价的能力，可以通过改变神经网络的神经元数目以及初值赋值的方式来测试不同的结构，从而得出不同参数下神经网络对相同训练样本的评价结论，以便提高其评价能力，在矿山安全状态评判中充分发挥出人工神经网络的作用。

1 人工神经网络中的网络结构设计与原始数据的准备

本文中主要采取如1所示的神经网络结构，根据测试目的的差异性，其测试过程中神经网络的部分性能也就不同，但是对整个网络结构的性能不会改变。

这种神经网络的主体结构是单输入、三层式BP的网络结构，输出连接、目标连接、输入权重连接、偏置连接以及层权连接等是其主要的连接方式。各层神经元的分类包括：第一隐含层有8个正切S型神经元，第二隐含层有8个对数S型的神经元，输入层有4个元素，输出层有一个线性神经元。其网络函数主要包括训练函数、初始化函数、性能函数以及各网络层的层初始化函数。其训练函数需要采取TRAINLM回转方法来运算；初始化函数需要采取逐层初始化的方法运算；性能函数需要采取均方误差法来计算；各网络层的层初始化函数需要采取优化规则的方式计算，有的时候还需要采取INITWB的方式进行运算。各个权阈值的初始化需要采用RANDS方法来计算。在人工神经网络训练的原始样本数据以及期望值中，这些数据主要是用来评价地质因素对矿山安全影响程度的原始数据。当训练完成之后，需要对其各种数据进行仿真测试，以便评断这种人工神经网络结构在矿山安全状态中的应用价值与能力，并对其不足之处以及缺陷问题等进行分析，以便寻找出更加优化的方案，从而提高人工神经网络在矿山安全状态中的评判作用与能力。

2 人工神经网络对矿山安全状态评判能力的训练以及仿真测试

对矿山安全评价的方法较多，但是能够较好的应用于矿山安全评价的方法却很少，例如事故树分析法、概率风险评价法以及事件树分析法等，这些方法均由于基本事件的发生概率的确定方面存在一定的困难，从而导致运用于矿山过程中的安全评价效率不高。另外，在矿山安全状态评价的过程中，其安全检查表、专家评价方法等存在一定的缺点与不足，其在评价的过程中，主观性较强，受到个人意识的影响较大。综合指标评价法由于其指标间的逻辑关系，指标的权值与指标的量化等问题，从而导致该方法难以在矿山安全状态中进行准确的评价。只有能够更好的适应这种复杂的动态系统的安全评价方法，才能够将其更好的应用在矿山安全状态评价中[1]。

其中人工神经网络在处理无法使用简单规则或公式进行描述的大量的原始数据的问题时，以及在处理规律不清楚的问题时，其具有较大的优势。也正是由于这种方法能够对复杂的非线性动力学系统的适应，才能够使其在矿山安全状态评价中得到引进与推广。将人工神经网络对矿山安全状态评价能力的训练进行仿真实验，在每次实验检测之前，都需要对同一神经网络进行重新初始化，之后需要运用相同的训练样本数据对神经网络进行训练，以便达到训练要求后对网络进行仿真测试，训练性能函数的误差需要保持在10以内。其神经网络的训练过程是网络在初始权阈值的基础上，对其权阈值进行不断的修改，以便寻找出它们之间的某种联系，使得输入的整个训练样本集数据经过网络的运算之后，其输出与相应的目标数据差别能够满足性能函数的要求。因此，在人工网络对矿山安全状态进行评判的时候，即使所有数据与性能均符合要求，但是由于在训练的时候就被赋予了不同的权阈值，训练之后得到的权阈值的最终组合也会存在较大的差异。通过神经网络对矿山进行安全评判的目的在于运用神经网络总结分析数据，对矿井各个致灾的贡献率进行分析，进而对矿山的安装状态进行评判。从神经网络的角度来分析，通过运用网络的运算功能对训练样本的数据进行统计分析，并从中找出满足目标值以及性能要求的权阈值组合形式，从而通过仿真方式来评价矿山的安全状态。

3 结语

通过对人工神经网络在矿山安全状态的评判能力进行训练以及仿真测试后，发现人工神经网络与人类评判方法存在一定的差异性，在今后的发展过程中，还需要对人工神经网络在矿山安全状态中的评判能力进行不断的优化与改进，以便更好的适应矿山安全状态的评判，在矿山安全状态的评判中充分发挥出人工神经网络的作用，从而更好的确保矿山生产与经营的安全性。

人工神经网络发展范文第4篇

关键词：人工神经网络；神经元；可视化

中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神经网络和可视化方法是数据挖掘中的两个重要的算法模型，两者都是根据模拟人脑和人的视觉神经与传统的数字计算机相比较而抽象出来的数据挖掘算法。可视化方法是人脑神经网络的一部分，它们之间存在着必然的联系，而算法又各有所异。随着数据挖掘技术的快速发展，存储在数据库中的数据量也迅速增长，这证明传统的关系数据库和存储图像、CAD（计算机辅助设计）图纸、地理信息和分子生物结构的复杂2D和3D多媒体数据库是合理的。许多应用都要用到大型的数据库，这些数据库有几百万种数据对象，这些数据对象的纬度达到几十甚至几百。面对如此复杂的数据时，我们常常面临着一些棘手的问题：应该从哪里开始着手？哪些是有用的数据？还有一些其他可用的数据吗？能得出答案的其他方法是什么？人们在寻求突破的同时反复地思考并询问复杂数据的专门问题。我们从人工神经网络和可视化方法的算法、特有属性进行横向和纵向的比较来找出他们的共同点和相似点。

2 人工神经网络算法与可视化方法性能比较

2.1 人工神经网络提供特有的属性和能力

1) 人工神经网络有超强的运算功能――人脑大约有1011个微处理神经元，这些神经元之间相互连接，连接的数目大约达到1015数量级[1]。每个神经元都相当一个微型计算机，把每个微型计算机链接起来就形成了一个超级计算机网络。

2) 由于人工神经网络相当于一个超级因特网，每个神经元都相当于一个微型计算机，对所有的任务都可并行，并且是分布式处理，其处理能力也是超强的――每个神经元节点都可以看作一个微型计算机，这样就形成了一个庞大的神经元网络。

3) 人工神经网络有归纳总结和分类的能力。――归纳总结和分类是人工神经网络对输入而产生合理的输出。

4) 人工神经网络有离散性。

5) 人工神经网络通过典型的实例中进行归纳总结。

6) 对整个网络有很强的适应性和快速的验证的能力。

7) 对整个人工神经网络的包容性。

8 对整个人工神经网络统筹能力。

2.2 可视化方法特有的属性和能力

1) 在正常情况下人对图像的信息比较敏感。而对数据的反映比较迟钝。

2) 人从图像视觉接受到的信息比从文本或表格上接受更快、更有效。比如“百闻不如一见”。

3) 人从图像视觉接受到的信息总是有选择的接受

4) 人的视觉选择的特征为形状、颜色、亮度、运动、向量、质地等。

这些筛选仍然是通过人庞大的神经网络中的部分神经元来处理的。其中进行的样本的学习能里以及自适应性得到了充分的体现。

2.3 人工神经网络和可视化方法的共同点

1) 对接受到的信息进行归纳处理。

2) 对接受到的信息进行转化，只是转化的方式不同。

3) 对接受到的信息进行筛选，并对接受到的信息产生合理的输出。

4) 容错性。

5) 从接受到的信息进行学习的能力。

2.4 人工神经网络和可视化方法的不同点

1) 人工神经网络是好比因特网，而可视化方法的计算网络好比计算机网络。可视化网络的计算能力只是人工神经网络很小的一部分。

2) 可视化方法虽然也是并行分布式处理的结构，但是它也只是人工神经网络分布式处理的很小部分。其速度要远远低于人工神经网络

3) 人的视觉和人工神经网络对信息的筛选的方式各有不同。

3 算法比较

3.1 人工神经网络

人工神经元是一个抽象的自然神经元模型，将其数据模型符号化为：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中输入和相应权重乘机的累加为xiwki（其中，i=1, ……m），一些输入xi，i=1, ……m，其中k是ANN中给定的神经元的索引，权重模拟了自然神经元中的生物突出强度[2]。

一个神经元就是一个微型计算机，它是一个ANN运转的最小单位，就像是整个因特网中的一台计算机。下例图1是人工神经元的模型。

从这个模型可以看出人工神经元是有三个基本元素组成：

第一、一组连接线。X1 、X2 、…、Xm，每个连接线上的Wki为权重。权重在一定范围类可能是正值，也可能是负值。

第二、累加器。将Xi与对应的权重值相乘的积累加。

第三、筛选函数。通过每个神经元经过函数筛选后输出数值。

同样，还可以用矢量符号来将其表示成两个m维向量的无向乘积：

netk= X・W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可视化方法

可视化技术在字典中的意思为“心理图像”，在计算机图形学领域。可视化将自身行为联系起来，特别是和人眼可以理解的复杂行为联系起来。计算机可视化就是用计算机图形和其他技术来考虑更多的样本、变量和关系。

可视化技术其目的是清晰地、恰当地、有见解地思考，以及有着坚定信念的行动。

基于计算机的可视化技术不仅仅把计算机作为一种工具，也是一种交流媒介，可视化对开发人类认知方面提出了挑战，也创造了机遇。挑战是要避免观察不出不正确的模式，以免错误地做出决策和行动。机遇是在设计可视化时运用关于人类认知的知识。

安得鲁曲线技术把每个n维样本绘制成一条直线。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t为时间域，函数f(t)把n维点X=(x1, x2, x3, x4, …,xn)

将f(t)进行部分变换：

f(t)= X・W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

这种可视化的一个好处是它可以表示很多维，缺点是要花很多的时间计算，才可以展示每个维点。这种几何投影技术也包括探测性统计学，如主成分分析、因子分析和纬度缩放。平行坐标可视化技术和放射可视化技术也属于这类可视化[3]。

3.3 人工神经元模型与可视化化方法中的安得鲁曲线技术分析与比较

人工神经元是一个抽象的自然神经元模型，将其数据模型符号化为：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X・W

安得鲁曲线技术把每个n维样本绘制成一条曲线。这种方法与数据点的傅立叶转换相似。它用时间域T的函数f(t)来把n维点X=(x1,x2,x3,x4, …,xn)转换为一个连续的点。这个函数常被划分在－∏≤t≤∏区间。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X・W

人工神经网络和可视化方法部分算法比较可以近似的计算认为：

netk= f(t) =X・W

通过对人工神经网络和可视化方法公式的整理可以得出它们有着很多的共同性和相似性[4]，在容错允许的情况下其算法为：

F(t)= X・W

其中F(t)可表示为人工神经网络

F(t)= netk

或可视化方法

F(t)= f(t)

4 kohonen神经网络

Kohonen神经网络也是基于n维可视化的聚类技术，聚类是一个非常难的问题，由于在n维的样本空间数据可以以不同的形状和大小来表示类，n维空间上的n个样本。

Mk=（1/n）

其中k=1，2，…，k。每个样本就是一个类，因此∑nk=N。[5]

Kohonen神经网络可以看作是一种非线性的数据投影这种技术和聚类中的k-平均算法有些相似。

可见，Kohonen神经网络属于可视化方法也属于神经网络算法。

5 结束语

现代世界是一个知识大爆炸的世界。我们被大量的数据所包围着，这些数据或是整型的、或是数值型或其他类型，它们都必须经过各种方法的分析和处理，把它转换成对我们有用的或可以辅助我们决策和理解的信息。数据挖掘是计算机行业中发展最快的领域之一，原始数据在爆炸式的增长，从原始数据中发现新知识的方法也在爆炸性地增长。人工神经网络和可视化方法是两种对海量数据进行数据挖掘整理的不同算法，通过以上纵向和横向的对比，我们可以发现它们的相似性和共同点：对接受到的信息进行归纳处理、转化、筛选、容错性、并对接受到的信息产生合理的输出。在应用中可以根据它们不同的属性和能力选择不同的算法。

参考文献：

[1] Tang，Z H.数据挖掘原理与应用[M].北京.清华大学出版社,2007:74.

[2] Kantardzic M.数据挖掘[M].北京.清华大学出版社,2002:89.

[3] 李守巨,王吉.基于概率神经网络的岩土边坡稳定性预测方法[J].岩土力学,2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

人工神经网络发展范文第5篇

关键词：人工神经网络 企业经济 预测

当代公司都处于剧烈的竞争之中，怎样先人一步成为了管理过程中重要的一步。怎样准确的预测企业的经济变化，也成为了企业竞争过程中的核心，只有掌握了企业未来的经济发展状况，才可以在当下采取相关措施进行有针对性的解决或者支持，进而帮助企业规避风险、增加效益。所以，人工神经网络的出现势在必得，它极大地提升了预测的效率和准确性，摒弃了旧时代的预测不准、不快、太难的先天弊端，使得企业经济预测变得具有科学性和说服力。本文以此为切入点，将人工神经网络引入企业经济预测，结合相关实际，讨论其原理和应用情况。

一、具体预测方法介绍

1.时序预测模式

当前，关于人工神经网络对企业的预测，通常选择数学函数模型，。但是因为神经网络的复杂性和拟合难度大，更多的企业选择基于神经网络的时序模型。这样的方法既能结合神经网络的优势，也可以进一步抵消由于神经网络预测带来的系统误差，使得结果更加精准。而具体方法为利用神经网络体系对时序进行数学模型建立之后，再将神经网络系统中计算出的相对误差拿出来作为一组基础数据进而进行分析，想要彻底解除误差的干扰，应该同时建立多个网络，平行的进行对比，这样还可以提升预测精准度。

2.基于软件数据处理的神经网络预测

人工神经网络的实现方法有很多种，但是不同的方法具有不同的优势，他们统一的特点都是：学术性强、具有复杂性。其中，借助于计算机的方法最为盛行。因为它快速有效，具有可操作性和普及型，跟企业经济实力没有绝对关系，大部分企业选择这一方法进行经济预测，在这其中包括软件数据、硬件技术对比等，利用软件将企业近段时间经营数据收纳后，运用拟定好的函数模型，快速的呈现出学科知识范畴下的企业经济预测结果。而硬件技术也相对操作性较难，所以在目前的状况下，绝大多数方案选择的是软件数据处理。

二、财务危机预警模型应用结果分析

人工神经系统中反复提到唯一变量分析模式，这个方法的优势在于简便、上手快、结果清晰明了、应用范畴广。这样的优点使得这个方法非常受到中小企业的欢迎。但是这一模式也有着非常大的弊端：首先，因为这个模式只关注一个参考量，所以缺乏对全局的考量和其他微弱影响因素的关注，使得结果比较主观。其次，唯一的变量会和其他变量之间产生冲突，无法准确判断多个结果间的彼此联系。最后，企业经济预测是一个需要多方面统筹的问题，仅仅使用一个变量参考缺乏说服力，需要提供详细的企业财务数据与多个变量进行平衡计算。

第一，即使唯一变量法简单易操作、方便处理数据，但是其经济预测精准度有待加强。人工神经网络是一个复杂高效的系统，必须保证数据的准确，只有在平时的财务处理过程中，根据企业自身的实际情况，将多项参考指标加入预测体系中，才可以提前知晓即将到来的经济形势变化。所以可将唯一变量法作为一项辅助手段，帮助主要的人工神经网络预测方式，双管齐下进行预测，能够取得更好的效果。

第二，因为我国国情，企业内部信息也相对缺乏真实可靠性，如果采用了唯一变量法，假使选用的变量具有有决定性意义而且企业自身容易出现纰漏，这样不仅不会取得良好的经济预测结果，反而会误导企业的发展走向后患无穷。所以应该在企业内部实行责任人员制度，即让相关责任和工作人员对应起来，让每方面的信息责任具体到人头上，有针对性的对企业内心信息进行管理，使得企业经济发展过程中每个部分都有据可依有人可查，不仅避免了相关信息的问题，而且能够帮助人工神经网络获得更准确的数据。

三、结论

经济发展的不确定性让基于人工神经系统的预测模式应运而生，其实根本不存在完全精准有效的预测方法，只不过是在以往数据的基础上结合相关实际，做出符合预期的预测，要想发挥出人工神经系统网络的优势，不仅需要不断加强企业内部管理，保证所用数据真实性可靠性，更需要企业自身开发出更多适合企业实际情况的预警措施。退一步说，企业或许根本不需要经济预测模式，他们应该注重怎样在经营管理活动中提高效率，在现有资源情况下规避相关风险，同时不影响经营状况。只有这样才能从根本上解决企业需要面对的问题，从而增强企业实力，完成更好的经济发展。

参考文献：

[1]王超，佘廉.人工神经网络在企业预警管理系统中的应用.武汉理工大学学报，2010年04期

[2]刘艳，杨鹏.基于ANN技术的企业经济预警系统的构建.暨南大学管理学院、广东金融学院工商管理系