神经网络的功能

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篇神经网络的功能范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络的功能范文第1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。

神经网络的功能范文第2篇

关键词：神经网络 计算机安全 入侵检测

中图分类号：TP393.08 文献标识码：A 文章编号：1674-098X（2012）12（c）-00-01

自从1960年Widrow等提出自适应线形神经元用于信号处理中的自适应滤波、预测和模型识别以来，神经网络技术便被用来解决现实生活中的问题。而在McCulloch等基于模仿人脑结构和功能建立起一种人工智能的信息处理系统后，人工神经网络在土木工程、农业、经济管理及企业管理等不同领域中被广泛应用[1-2]。该文介绍了神经网络的概念及特点，并分析神经网络在计算机安全尤其是在网络入侵检测中的应用。

1 神经网络的概念及特点

1.1 神经网络的概念

神经网络是一个并行、分布处理结构，是由神经元及称为联接的无向讯号通道互连而成。人工神经网络（Artificial Neural Network，ANN）指的则是模仿生理神经网络的结构和功能而设计的一种信息处理系统，即由多个非常简单的处理单元彼此按某种方式相互连接而形成的信息处理网络[3]。

1.2 神经网络的特点

在人工神经网络中，由于网络中的每一个单元都是独立的信息处理单元，因此其计算可独立进行，而整个网络系统却是并行计算的。这不同于传统的计算机的串行运算。由于神经网络是一个大规模互联的复杂网络系统，因而是大规模的并行处理，这在一定程度上提高了系统的处理速度，同时也为实时处理提供了重要条件。人工神经网络与人脑类似，具有学习的功能。通常只要给出所需的数据、实例，由网络去学习，而学习获得的知识都分布储存在整个网络的用权系数表示的连接线上。不同网络因学习方法及内容不同，可得到不同的功能和不同的应用。因而有可能解决传统人工智能目前最感困难的机器学习中知识获取、知识表示等问题。此外神经网络还对于输入数据的失真具有相当的弹性。

1.3 常用的神经网络算法

常用的神经网络算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多层感知器、Kohonen特征映射网络、反馈多层感知器模型等[4-5]。其中，ART模型和Kohonen特征映射网络、模糊模型ART属于无监督训练算法，而反馈多层感知器模型是受限反馈，ARTMAP模型、ART模型属于反馈的网络拓扑

结构。

2 神经网络在网络入侵检测中的应用

2.1 神经网络应用于网络入侵检测的优势

由于神经网络对于数据训练获得预测能力的过程是通过完全抽象计算实现的，而不强调对于数据分布的假设前提，因此在建立神经网络模型过程中没有必要向神经网络解释知识的具体细节。同时，神经网络在网络入侵检测中，可以通过数据运算而形成异常的判别值，这样可以对于当前是否受到攻击行为影响做出判断，从而实现对检测对象是否存在异常情况的检测[6-8]。

2.2 神经网络在网络入侵检测中的应用

神经网络在网络安全尤其是入侵检测方面已有了相当的研究[9]。有研究者将组织聚类神经网络应用于计算机安全研究中，其采用了自适应谐振学习法进行数据的前期训练，对于无显著意义的平均误差减少时，采用遗传算法继续在前期基础上进行数据数据以得到最佳的权值。国内也在神经网络应用于网络入侵检测上做了大量工作。王勇等研究者在参考MIT Lincoln有关网络入侵检测方法基础上，提出了基于Linux主机的网络入侵检测方案，实现了对于多种网络攻击的特征进行抽取及检测的目的[10]。

神经网络在网络入侵检测中有广泛的应用空间[11-12]，今后应该扩大训练数据的数量和范围，并扩大操作系统的研究空间，通过模拟真实的计算机网络环境，将神经网络技术真正应用于计算机安全尤其是入侵检测工作中。

参考文献

[1] 李季，蒲彪.人工神经网络在食品微生物发酵中的应用[J].食品研究与开发，2009，30（4）：171-174.

[2] 李聪超，周铁军.人工神经网络在农业中的应用[J].农业网络信息，2008（1）：35-38.

[3] 李丽霞，张敏，郜艳晖，等.人工神经网络在医学研究中的应用[J].数理医药学杂志，2009，22（1）：80-82.

[4] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003：44-73.

[5] 杨行峻，郑君里.人工神经网络与盲信号处理[M].北京：清华大学出版社，2003：23-105.

[6] 程丽丽.基于模糊神经网络的入侵检测设计模型[D].哈尔滨：哈尔滨理工大学，2005.

[7] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.

[8] 李家春，李之堂.神经模糊入侵检测系统的研究[J].计算机工程与应用，2001，23（17）：37-39，

[9] 王勇，杨辉华.一种基于进化神经网络的入侵检测实验系统[J].华东理工大学学报（自然科学版），2005（6）：362-366

[10] 乔瑞.基于优化自组织聚类神经网络的入侵检测方法研究[J].计算机与现代化，2005（1）：77-79.

神经网络的功能范文第3篇

人工神经网络是由大量的简单基本元件-神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络的基本结构模仿人脑，反映了人脑功能的若干基本特性，能够自身适应环境、总结规律、完成某种运算、识别或过程控制。人工神经网络具有并行处理特征，可以大大提高工作速度。

人工神经网络的特点和优越性，主要表现在三个方面：

第一，具有自学习功能。

第二，具有联想存储功能。

第三，具有高速寻找优化解的能力。

1 神经网络的学习方法

神经网络的学习也称为训练，指的是神经网络在外界环境的刺激作用下调整网络自由参数，并以新的方式来响应外部环境的过程。能够从环境中学习并在学习中提高自身性能是神经网络最有意义的性质。理想情况下，神经网络在每一次重复学习后，对它的环境有了更多的了解。

（1） 监督学习（有教师学习）

在学习时需要由教师提供期望输出，通常神经网络对于周围的环境未知而教师具有周围环境的知识，输入学习样本，教师可以根据自身的知识为训练样本提供最佳逼近结果，神经网络的自由参数在误差信号的影响下进行调整，其最终目的是让神经网络模拟教师。

（2） 非监督学习（无教师学习）

它也称为自组织学习，系统在学习过程中，没有外部教师信号，而是提供给一个关于网络学习性质的度量，它独立于学习任务，以此尺度来逐步优化网络，一旦网络与输入数据的统计规律达成一致，那么它将发展形成用于输入数据编码特征的内部表示能力，从而自动创造新的类别。

（3）强化学习（激励学习）

在强化学习系统中，对输入输出映射的学习是通过与外部环境的不断交互作用来完成学习，目的是网络标量函数值最小，即外部环境对系统输出结果只给出评价信息（奖或罚）而不是给出正确答案，学习通过强化那些受奖的动作来改善自身性能。

神经网络针对学习问题修改网络自由参数的过程称为学习规则（学习算法），设计学习规则的目的是训练网络来完成某些任务，没有一个独特的学习规则可以完成所有的学习任务。神经网络有5个基本的学习规则：误差--修正学习，基于记忆的学习，Hebb学习，竞争学习，随机学习。

2 神经网络的研究趋势

（1） 利用神经生理与认知科学研究大脑思维模式及智能机理过程

深入研究神经网络理论神经网络在一定程度上揭示人类智能和了解人脑的工作方式，由于人类对神经系统的了解非常有限，而且对其自身脑结构及其活动机理的认识不完善，故而神经网络只能是模仿人脑的局部功能，而对人脑作为一个整体的功能解释，神经网络起不到任何作用。神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论，因此利用神经生理和认知科学研究大脑思维及智能机理，如有新的突破将会改变智能和机器关系的认识。

（2） 神经网络领域的数学研究趋于重要

随着神经科学基础理论研究的深入，用数理方程探索智能水平更高网络模型将是研究的趋势所在，神经元以电为主的生物过程在认识上一般采用非线性动力学模型，其动力演变过程往往是非常复杂的，神经网络这种强的生物学特征和数学性质，要求有更好的数学手段，而对于神经网络这样非线性模型，需要用数学方法研究网络新的算法和网络性能，如稳定性、收敛、容错性、鲁棒性等，开发新的网络数理理论，如神经动力学、非线性神经场等。研究人员断言一种更简洁、更完善和更有效的非线性系统表达与分析的数学方法是这一领域主要目标之一。

（3） 神经网络软件模拟、硬件实现的研究以及神经网络在各个科学技术领域应用的研究

目前，数字计算机在计算方面的能力已远远超出入的大脑，但在自然语言理解、图像辨识、信息处理等方面都显得笨拙，原因是基于冯・偌依曼思想的计算机结构及其运算方式与人的大脑有本质的区别，而神经计算机（第六代计算机）以神经网络为理论基础，用于模拟神经网络，具有自学习、自组织和自适应能力，能更有效地处理复杂问题，其实现过程用光学、生物芯片的方式，现在光学神经计算机和分子计算机的研究是神经网络的前沿课题。

（4） 神经网络和其它算法结合的研究

神经网络和其它算法的结合和交叉，研究新型神经网络模型也是发展方向之一。如神经网络和模糊逻辑结合，建立模糊神经网络；将混沌理论和神经网络结合建立混沌神经网络；将遗传算法和神经网络结合；利用遗传算法优化神经网络的结构或权值；将小波分析和神经网络结合建立小波神经网络；专家系统，贝叶斯学习以及粗糙集理论和神经网络结合等，这些都是神经网络研究的热点。

3 结束语

神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。比如：神经计算的基础理论框架以及生理层面的研究仍需深入；新的模型和结构的研究；神经网络的可理解性问题；神经网络技术与其他技术更好的结合等。

神经网络的功能范文第4篇

 

关键词：  人工神经网络; 类风湿关节炎; 预测

类风湿关节炎(Rheumatoid arthritis ,RA)是一种以关节滑膜发生慢性炎性病变的自身免疫性疾病，其病程多呈进行性进展，致残率高，治愈率低下[1]，早期临床表现不典型，单项自身抗体检测的灵敏度和特异性均有不足，类风湿因子的检出率也偏低，容易造成误诊[2，3]。因此医务人员主要是通过敏感性互补的几个检验指标和临床表现对类风湿关节炎作出诊断[4]，但在疾病的诊断中往往带有很多的主观因素。近年来发展起来的人工神经网络是种理论化的数学模型,是模仿人脑神经的网络结构及其功能而建立起来的一种信息处理系统，具有自行学习、联想记忆、错误容纳和强大的非线性处理能力[5]。因此人工神经网络常常被应用到临床医学疾病的诊断上。本研究结合类风湿关节炎诊断的8个主要指标，设计一种基于人工神经网络类风湿关节炎的诊断方法，通过对150例样本的网络运算，探讨了人工神经网络对类风湿关节炎诊断的可行性。

1 人工神经网络基本原理

人工神经网络可以通过对外界信息的学习，以特定的方式对这些信息进行处理和概括，从而具备了对这些信息的识别功能，并产生了一个相对应的结论。因此，再次给人工神经网络这样一个相似的条件时，神经网络就会根据已学到的知识，自行推理判断，得到一个我们需要的结果。

1.1 人工神经元

人工神经元是组成人工神经网络的基本处理单元，简称为神经元。如图1显示了一个具有r个输入分量的人工神经元模型[6]。

图1中p(r=1，2，…，r) 为该神经元的输入数据;Wr 为该神经元分别与各输入数据间的连接强度，称为连接权重，权重值的大小代表上一级神经元对下一级神经元的影响程度。b为该神经元的阈值，f(x)为作用于神经元的激励函数，通常采用的是S 型函数，其数学表达式见式(1)[7]：

f(x)=(1+e-Qx)-1(1)

a为神经元的输出数据。神经元将接收信息pi与连接权重wi 的点乘积求和构成其总输入, 在神经元阈值b的作用下经函数f(x)的作用,产生信号输出a。

图1 人工神经元模型

1.2 人工神经网络

人工神经网络是由多个不同的神经元连接而成，一般含有多个层次，每个层次又包含了多个神经元，上一层次的神经元只能对下一层的神经元产生作用，同层神经元间无相互作用[7]。根据神经元的不同连接方式，就形成了不同功能的连接网络模型。比如BP神经网络，Kohonen神经网络，Hopfield神经网络等等，多达数十种。在医学中应用比较广泛的是BP神经(Back Propagation)，也就是误差逆向传递网络[8]，本研究中采用的也是BP神经网络。BP神经网络一般由输入层，隐含层和输出层构成，其结构模型如图2所示。

神经网络输入层的神经元是接受外界信息的端口，不包括数据运算功能，他将外界的输入数据通过一个连接权重传递给下一隐含层的神经元。隐含层是神经网络的核心部分，数量上可以有一个或多个层次，随着层次的增多，网络结构变得更复杂，网络数据处理功能也增强。网络的最后一层是输出层，输出层接收到隐含层的各项信息，然后经过转换把信息传给外界。

输入层 隐含层 输出层

图2 BP人工神经网络模型

神经网络的功能范文第5篇

【关键词】气体识别;自组织神经网络

1.引言

气体识别在环境保护、化工控制、家用报警、食品保鲜、温室环境控制、航空航天等领域有着广泛的应用。应用气体传感器进行多组份气体的定性定量研究，可以极大的降低测量成本，减小测量周期，并可实现在线的实时测量。但由于当前气体传感器普遍存在着交叉敏感和选择性差等缺点，使用单一传感器很难实现多组份气体的检测分析。为解决以上问题，一方面可以采用新材料、新工艺来改善传感器本身的性能;另一方面可以将现有的气体传感器构成阵列，并与自组织神经网络技术相结合。本文采用后者的原理，即通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络模式识别算法进行气体识别分析。

人工神经网络（Artificial Neuron Networks，ANN）人工神经网络（Artificial Neutral Networks，ANN）是一个由大量简单处理单元广泛连

接而成的复合网络系统。神经元结构是受到生物神经元的启发而得来的。目前应用的神经网络类型有很多，其中应用最广的是BP神经网络，神经网络需要学习的过程，即利用外部条件作用于神经网络，使其能重新对外界做出反应。将气体传感器阵列与采用BP算法进行训练的人工神经网络模式识别技术相结合形成的气体识别系统，是利用传感器阵列对混合气体的高维响应模式来实现对混合气体的定量检测。其中传感器阵列的选取、传感器信号的预处理方法、BP神经网络的结构和参数以及测量环境是影响系统性能的可能因素。

2.人工嗅觉系统

人工嗅觉系统是一种化学分析系统，它由一个具有部分专一性的电子化学传感器阵列和一个合适的模式识别系统组成。由于人工嗅觉系统主要模仿的是生物的嗅觉系统，所以人工嗅觉系统也可被称为“电子鼻”或者电子嗅觉系统。

2.1 电子鼻简介

电子鼻这个术语开始出现于二十世纪八十年代晚期，当时它被用于1987年的一个学术会议。较为科学的电子鼻的概念出现于1994年英国Warwick大学的J.W.Gardner发表的文章中，并且J.W.Gardner综述了世界各国人工嗅觉系统的发展概况。

电子鼻模仿人的鼻子的功能，以电讯号的方式予以表达，可以工作在恶劣或有毒的环境下，在食品、化工、环保、医疗诊断、检验等方面有很重要的应用，其关键技术就是气体传感器阵列。

2.2 人工嗅觉系统的原理及基本组成部分

人工嗅觉系统主要是受生物的嗅觉系统启发和影响，以下是该系统中的关键因素：

（1）对微量、痕量气体分子瞬时敏感的监测器，以得到与气体化学成分相对应的信号;

（2）对检测到的信号进行识别与分类的数据处理器，将有用的信号与噪声加以分离;

（3）将测量数据转换为感官评定指标的智能解释器，得到合理的感官结果。

2.3 气体传感器

气体传感器是一种将气体的成分、浓度等信息转换为可以被人员、仪器仪表、计算机等利用的信息的装置。

2.3.1 半导体气体传感器

半导体气体传感器在气体传感器中约占60%，根据其机理分为电导型和非电导型，电导型中又分为表面型和容积控制性。

2.3.2 表面敏感型传感器元件

表面敏感型传感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可检测气体为CO、NO2和氟利昂等，传感材料Pt-SnO2的气体传感器可检测气体为可燃性气体如H2、CO、CH4等。

2.3.3 容积控制型传感材料

容积控制型传感材料有TiO2、CoO-MgO-SnO2等，其半导体气体传感器可检测气体为液化石油气、酒精和燃烧炉气尾气等。

3.神经网络

人工神经网络（Artificial Neuron Networks，ANN）是近年来人工智能的一个重要科学分支。二十世纪五十年代末人工神经网络系统开始作为人工智能的一种重要计算工具逐渐受到重视。进入二十世纪八十年代后期，人工神经网络的研究进入了一个新的。主要原因是：一方面经过几十年迅速发展起来的以逻辑符号处理为主的人工智能理论和冯-诺依曼计算机在处理诸如视觉、听觉、形象思维和联想记忆等智能信息问题时遇到挫折;另一方面，具有并行分布处理模式的人工神经网络本身的研究取得了巨大的进展。

神经网络具有一些不同于其它计算方法的性质和特点以及它自身是基于人类大脑结构和功能而建立起来的，因此具有很多和人类智能类似的特点。首先，神经网络将信息存储在大量的神经元中，具有内在的知识索引功能。信息在网络中使用两种方式被保留：一种是神经元之间的连接，另一种是连接权重因子。其次，人工神经网络具有对周围环境自学习、自适应功能，也可用于处理带噪声的、不完整的数据集。在人工神经网络中，输入与输出的关系不是由单独的神经元直接负责的，相反是与神经元的输入输出有关。最后，人工神经网络模拟人类的学习过程。人类大多数的学习和求解过程都是采用尝试法，而人工神经网络可以以相同的方式运行。

神经元（neuron）即神经网络中的基本处理单元，也就是节点。一般节点由输入与输出、权重因子、内部阀值和函数形式四部分组成。

图1 神经元模型

图1给出了一个基本的神经元模型，它具有R个输入，每个输入都通过一个适当的权值wli和下一层相连，网络输出可表示为：

式中，n为该神经元（序号l）的总输入;

f（n）为神经元输入输出关系的函数，称为作用函数、响应函数或传递函数。

人工神经网络的拓扑结构是指它的处理单元是如何相互连接的，主要由输入层、隐含层和输出层组成。每一节点的输出被送到下一层的所有节点。通过将这些处理单元组成层，将其相互连接起来，并对连接进行加权，从而形成神经网络的拓扑结构，将若干个人工神经元作为有向图的节点，可连接成人工神经网络。其中每一层对于人工神经网络的成功都非常关键。可以将人工神经网络输入层、隐含层和输出层看成为一个通过输入层的所有节点输入特定信息的黑箱。人工神经网络通过节点之间的相互连接关系来处理这些信息，最后从输出层的节点给出最终结果。

4.误差反向传播网络（BP网络）

1985年，以Rumelhart和McClelland为首提出了至今仍广泛接受和使用的误差反向传播学习算法。按照这一算法进行训练的多层神经网络被直接称为BP神经网络。BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。其权值的调整采用反馈传播学习算法。

目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。BP网络主要用于以下四方面：

（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络以逼近一个函数;

（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来;

（3）分类：把输入矢量所定义的合适方式进行分类;

（4）数据压缩：减少输出矢量维数以便于传输和存储。

对于神经网络算法，使用基于误差反向传递的神经网络算法设第p个模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N为模式个数），将其视为BP网络的输入，yip为其实际输出，隐含层和输出层各单元的激活函数采用sigmoid函数，即：

一般基于BP的神经网络算法具体步骤如下：

Step1、构造网络，初始化网络的权矩阵，设置学习因子，动态因子，跌代次数和允许误差;

Step2、从一个网络开始，提供训练模式;

Step3、开始训练第k个网络;

Step4、前向传播过程，对所有训练模式，计算网络的实际输出并与目标输出相比较，如果误差超过运行误差，则进行下一步，否则训练第k+1个网络;

Step5、反向传播过程：计算隐含层和输出层各单元的误差精度，修正权值和阀值：

式中，为学习效率;

di为教师信号或希望输出;

为实际输出yi与希望输出di之差，其中yi和xj是取1或0的离散值。

Step6、继续训练第k个网络。

BP网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP网络的简单性，在人工嗅觉系统的模式识别部分占有很大的比例，许多以前和现在的一些成熟人工嗅觉系统的产品仍然使用BP神经网络进行模式识别。

BP网络的学习是通过求解一个优化问题完成的，从数学的角度看，它是通过函数逼近拟合曲面（线）的想法，并且将其转化为一个非线性优化问题而求解。BP网络是对简单的非线性函数进行复合，经过多次复合后，则可以实现复杂的函数，但存在BP学习算法收敛速度慢、不完备性和隐节点数只能凭经验选取。

由于存在上述问题，科学家们从利用线性的自适应步长加速BP算法和增加动量项来去除收敛过程中的局部最小点。模拟退火（Simulated Annealing，简称SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小点的出现，把它用在优化中是由Kirkpatrick等人提出的。组合优化问题的解空间中的每一个点都代表一个解。不同的解有着不同的目标函数值。优化过程就是在解空间中寻找目标函数的最小解。

SA算法的特点是通用性强、可达到全局最小。传统的启发式搜索算法如快速下降法，每次都是向改进解的方向搜索，往往只能找到一个局部最优解，而不是全局最优解。而SA算法在系统朝能量减少这个总趋势的过程中，允许解的搜索以一定的概率向较差的方向走，以避开局部最小，而最终稳定到全局能量最小的状态。

5.利用自组织神经网络进行气体识别

将被测气体按所需测量精度和浓度范围按成份分成不同的浓度等级，采用标准气体配置这些等级的不同成份气体的所有组合作为标准模态来训练神经网络。通过识别某一未知气体样本的模式，即可以得到未知气体的成份浓度。例如，选用N种互相参比配制混合气体样本。根据传感器的灵敏范围，将配制的气体浓度限制在a1到am以内，浓度变化间隔为l。这样每种气体有m种浓度模式，共计可得到mN个样本。采用这些样本作为原始数据训练自组织神经网络，就可以实现在这一浓度范围内的最大误差为l的气体定量测量。