人工神经网络的缺点

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篇人工神经网络的缺点范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

人工神经网络的缺点范文第1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

人工神经网络的缺点范文第2篇

关键词：相似性；可塑性；阻变机理

DOI：10.16640/ki.37-1222/t.2016.03.102

0 引言

人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。神经元之间突触的联系强度是可变，这是学习和记忆的基础。人工神经网络可以通过“训练”而具有自学习和自适应的能力。神经网络技术的关键是权重设计，权重的硬件实现需要一个长期保持记忆且不耗能的纳米级元件。传统的人工神经网络技术都是在传统计算机基础上进行的，其主要缺点是运算量巨大且运算不是并行处理。如果在硬件上实现人工神经网络的并行分布式处理、非线性处理，自我学习功能和自适应性等功能，就能够解决了人工神经网络在传统计算机上运算量巨大的缺点。而单个忆阻器便可实现神经突触功能的模拟，而且忆阻器能够很容易与纳米交叉连接技术相结合，具有大规模并行处理、分布式信息存储、巨大存储量等优势。所以利用忆阻系统是人工神经网络实现神经突触功能的模拟的最好的方式之一，因而成为近年来研究的热点。

1 忆阻与神经突触的相似性

神经元是大脑处理信息的基本单元。人脑大约含有1011-1012个神经元，神经元互相连接成神经网络。突触是神经元间信息传递的关键部位，决定了前后神经元之间的联系强度。图1.神经突触的结构示意图。神经递质通过突触前膜释放到突触间隙，作用于突触后膜上的受体，使突触后膜发生电位变化，使下一个神经元产生兴奋或抑制。生物系统记忆和学习功能是以精确控制通过神经元及突触的离子流为基础建立的。突触能够随外界的电位刺激变化，粒子流产生动态连续的变化，联系强度增强或者减弱，即突触的可塑性。在忆阻器件出现之前，人工神经网络突触的的硬件实现需要集成电路甚至超大规模的集成电路，而且人工神经网络的密度也很难达到生物神经网络的密度，因而电路复杂体积庞大，制约了人工神经网络对于复杂的人脑功能模拟的实现。忆阻器的出现解决了这个问题，世界各地多个研究小组已实现了具有不同忆阻模型和忆阻特性的忆阻器件。由于忆阻器的电阻可变和电阻记忆特性，与突触的功能上有很强的相似性，因此忆阻在人工神经网络电路中可以模拟突触在生物神经网络中的作用。

2 神经突触的可塑性特性

神经突触一个重要的特征是突触的可塑性，电信号刺激能够加强或者弱化突触，突触连接强度可连续调节。利用忆阻器模拟生物突触最基本的依据是由于它具有电阻缓变的特性，当施加电压下器件的阻值可实现从高（低）阻值到低（高）阻值的缓变过程，器件的导电性（或阻值）相当于突触权重，导电性增大和减小的过程分别对应突触的增强和抑制过程。记忆是通过大脑中大量突触之间的相互连接所表现出来，因此，突触可塑性被认为是学习和记忆重要的神经化学基础。实现突触学习功能时，一个典型特性是电脉冲时间依赖可塑性（STDP）。人类大脑中记忆或者突触可塑性按保留时间可以分为短程记忆和长程记忆。短时程可塑性与神经元的信息传递和处理有着密切的关系。神经系统每时每刻都接受数以千计来自外界的刺激，短时可塑性对如何在大量的输入信息中提取有用信息扮演重要角色。长时程可塑性促使突触在数小时到数天之内发生持续性的变化，人们认为其在学习和记忆存储的突触机制中发挥重要作用。

3 忆阻器件的阻变机理

早在1971年，美国校华裔科学家蔡少棠就通过理论计算预言，在电阻、电容和电感之外必定存还在第四种无源电子元件，即忆阻器。如图3所示，电路的3个基本元件电阻、电感和电容，可以分别有由4个电路变量变量电压（v）、电流 （i）、电荷量（q）和磁通量（φ）中的两个来定义，分别为：由电压和电流定义的电阻R、由电荷和电压定义的电容 C 以及由磁通量和电流定义的电感L。出于逻辑完备性，蔡绍棠认为应该还存在由电荷量和磁通量定义的第4类基本电路元器件即忆阻器。然而学界却一直没有找到这个在理论上成立的无源元器件，直到37年后（2008年），美国惠普公司宣布在Pt/TiO2Cx/Pt两端器件实现了具有忆阻功能的器件结构（图4），从而找到这个一直缺失的电路元件，至此忆阻器开始引起更多学者的研究兴趣，并迅速成为电路、材料、生物等领域的研究热点。

随着人们对忆阻器研究的深入，多种忆阻器件和模型在各研究领域相继提出和实现。目前，阻变机理主要有边界迁移模型、丝电导模型、电子自旋阻塞效应、氧化还原反应等。中科院诸葛飞课题组在锥形纳米孔洞结构的非晶碳薄膜材料中，实现了纳米导电丝机制的忆阻器件。非晶碳膜阻变器件的电致电阻效应决定于通孔中的纳米导电细丝的通断（如图4）。

4 结论与展望

本文对神经网络的概念、忆阻器与神经突触的相似性、神经突触的可塑性、忆阻器的阻变机理进行了综述，指出了目前很多忆阻器是利用人工神经网络实现人工智能及超级计算机的硬件基础。目前忆阻器材料研究存在的两个主要问题是阻 变机理不够清楚和阻变性能不够稳定。忆阻器材料非常之多，甚至把任意绝缘材料做到纳米级，就很有可能具有阻变特性。找出隐藏在众多阻变现象之后的机理有无共同的规律，研究阻变特性是由材的化学成分决定还是由材料的微 观结构决定，这将是以后研究中需要回答的问题。

人工神经网络的缺点范文第3篇

A

Hierarchy feature recognition based on feature face

PENG Sizhen， HAO Yongtao

(CAD Research Center, Tongji Univ., Shanghai 200092, China)

Abstract： To decrease the complexity of feature recognition, a hierarchy feature classification method based on feature entity, feature concrete face and feature virtual face is proposed. A hierarchy feature recognition method based on feature face is implemented by constructing two kinds of neural network input matrixes, and taking advantage of neural network in feature recognition. The example demonstrates that the method is more effective in recognizing feature of which the material is removed, but the range of feature recognition is somewhat limited.Key words：feature face; feature recognition; neural network

な崭迦掌冢2010[KG*9〗07[KG*9〗12 修回日期：2010[KG*9〗09[KG*9〗16ぷ髡呒蚪椋 彭思桢(1986―)，男，山东临沂人，硕士研究生，研究方向为智能CAD，(Email);ず掠咎(1973―)，男，山东威海人，副教授，博士，研究方向为企业信息集成系统、知识处理与挖掘、智能设计、分布式智能系统和ば槟庀质导际醯龋(Email)0 引 言

虽然对产品生产的自动化、智能化研究很多，但在工业上的应用效果并不理想.当前产品数据主要以较低层次的形式存储为主，如CSG和Brep这2种产品数据表示方法并不适合直接应用到产品设计之后的加工和制造中，特征识别技术的提出正逐步解决这个问题.

［1］

当前已提出很多种特征识别方法，如基于规则的、基于图的、基于几何解释的和基于体积分解的，这些方法都通过与特征库中已定义的特征类型进行比较来识别特征.但是，特征库不可能包含所有的特征类型，也不可能为特征库中所有的特征类型添加约束信息.另外，这些方法还存在效率低和没有学习能力等缺陷.

［2］人工神经网络具有学习和反馈的能力，在分类和特征识别领域有极大优势.

［3］

特征的类型越来越多，对特征进行准确、有效的分类是特征识别的基础，利用层次性分类方法可缩小特征对应的范围，从一定程度上降低特征识别的复杂度.层次性特征分类必然要求多层次的人工神经网络输入表示.

本文提出层次性特征分类方法以及特征实体、特征实面、特征虚面的概念，构造2个人工神经网络输入表示矩阵，用人工神经网络识别不同层次的特征，并研究人工神经网络的结构和训练方法.特征识别框架见图1.ね 1 特征识别框架1 特征分类及表示1.1 特征分类

目前存在许多特征的分类方式，STEPAP224是被广泛应用的特征分类方法之一.在STEPAP224中，加工特征被定义为1种生成特征，这种生成特征识别出为获得最终几何形状需从初始块中移除的材料体积；定义16种加工特征，如洞和狭槽等.作为1种国际标准，STEPAP224在特征分类上存在一定优势，但仍有以下缺点

［4］：（1）分类不严密，存在某些重叠的情况；（2）分类不完整，未包含所有的基础加工实体；（3）加工特征的定义不准确，STEPAP224定义移除材料的加工特征，但不适合定义添加材料的特征.为克服上述缺点，提出产品层次特征分类，见图2.ね 2 产品层次特征分类じ梅椒ǘ陨产中各个角度的加工特征进行层次分类，本文重点研究产品内延特征，其在第1层中包含5种基本特征类型，详细的分类层次见表1. 基于层次的特征分类方法不仅可清晰地描述各类特征之间的关系，而且可通过层次性特征识别减少特征识别的复杂度.每层特征的数量较少，使每个特征类型具有1个输出神经元成为可能.表 1 内延特征层次分类原始层内延特征第1层圆孔圆锥孔槽袋阶梯第2层通孔盲孔通圆锥孔盲圆锥孔通槽盲槽封闭袋开口袋通阶梯盲阶梯1.2 特征表示方法

有效的特征表示是构造特征识别的基础，目前广泛使用的特征表示方法是AAM（Attributed Adjacency Matrix），其由AAG（Attributed Adjacency Graph）转化而来，主要描述特征模型的几何和拓扑信息.该方法存在以下缺点

［5］：（1）表达形式不唯一，对于不同的特征，AAG可能具有相同的表达；（2）随着组成特征的面的增加，矩阵的大小急剧增加；（3）不仅需要利用启发式方法将AAG分解成几个子图，而且需要通过询问1组关于AM（Adjacency Matrix）布局和子图面数量的12个问题将每个矩阵转换为表示向量；（4）可识别的特征的范围有限，不能识别涉及到第2特征面的特征，如T槽.

为解决表达形式不唯一的问题，提出1组新概念，用以形成新的输入表示构造方法.

特征实体 实体等价于为得到某个外部特征的轮廓而加载到原始材料上的体积.

特征实面 物理上包含模型外部特征的基本形状的面，属可见的特征面.

特征虚面 与特征实面一起构成特征实体的边界面，是为描述特征实体虚拟出来的1种不可见的特征实体面，在描述特征实体时使其具有可见性.

图3为特征实体、特征实面、特征虚面及特征拓扑结构.特征虚面、特征实面表达内延特征的拓扑结构也可扩展到外延特征中，此时的特征虚面以特征之间相交面的形式出现.

(a)零件中的特征(b)移除的特征实体(c)特征拓扑结构图 3 特征实体、特征实面、特征虚面及特征拓扑结构2 人工神经网络的输入

以图3的特征拓扑结构为基础，结合层次性特征分类方法，构造2类人工神经网络输入以识别不同层次的特征.2.1 第1层输入构造

为实现表达形式的唯一性，从特征实体面的类型与特征面之间的角度关系出发，对组成特征实体的特征实面进行有序化处理.首先构造1个特征实面权重函数，其作用是根据组成特征的各个面的类型及相互间连接关系，对各个特征面进行赋值，形成特征实面序列构造的基础，其形式为ИW=S×10－T+v×0.1И式中：S为与当前实面邻接的特征实面数量；T为与当前实面邻接的特征虚面数量；v为面类型值.以图3为例，实面1与实面2，3和4邻接，故S=3；与虚面1邻接，故其T=1.面类型与面值的对应关系见表2.け 2 面类型与面值的对应关系面类型柱形面部分柱形面圆锥面部分圆锥面半圆面平面面值123456采用深度搜索方法进行特征面序列构造.首先选中权重最小的面，从此面出发，优先选择与此面连接且权重最小的面作为序列的下一元素，否则选择具有较小相交角度的面作为序列的下一元素，直到所有特征实面都加入到序列中为止.图4为某特征面序列构造的过程.け嗪糯选特征面目标序列1{f1, f2, f3, f4}NULL2{f2, f3, f4}f13{f2, f3}f1, f44{f2}f1, f4, f35NULLf1, f4, f3, f2图 4 特征面序列构造的过程ひ酝4序列为基础，如果特征实面数量超过5，需进行简化处理：如图5(a)所示的包含7个特征实面的特征，根据其拓扑结构信息可简化为图5(b)中含有5个特征实面的形式，构造如图5(c)所示的特征实面邻接图. （a） 7个特征实面的特征（b） 5个特征实面的特征 ぃc）简化的特征实面邻接图ね 5 复杂特征的简化と绻特征面满足如下规则，则可进行简化处理.

规则1 如果面fi，f

ij

利用特征实面邻接矩阵可识别特征的5个基本类型，为方便CAPP(Computer Aided Process Planning)的应用，需更细化地识别特征类型.

［6］为此，构造特征虚面方向矩阵.特征虚面方向矩阵是个6×6的矩阵，它描述在+x，+y，+z，-x，-y和-z 6个方向上虚面的连接性，用V［i,i］表示在i方向是否存在特征虚面.如果i≠j，则V［i,j］表示在i方向上和j方向上的虚面是否存在连接性.类似地，特征虚面方向矩阵也是对称的.为简化输入，将21位的编码作为人工神经网络的输入.图7为特征虚面方向矩阵实例.ね 7 特征虚面方向矩阵实例3 人工神经网络的构造和训练

由于采用层次性特征分类方法，故构造如下的1个层次性特征识别网络.(1)第1层用于识别5个基础特征类.识别中用到特征实面邻接矩阵输入向量，且输出神经元代表特征类型.对于特征识别，同时激活2个类不可行，因此只有1个输出神经元被激活，即其值大于阈值

0.5.如果1个或更多的输出神经元被激活，代表网络的模式不属于1个已知类型.为确定人工神经网络的结构，须调整隐藏层的数量、每个隐藏层神经元的数量以及调整学习率.含有17个神经元的3层结构的隐藏层被证明最合适.(2)第2层基于第1层，方便CAPP应用程序更进一步的识别.第2层中识别的人工神经网络结构被设计成相同的步骤.如通过各种试验，狭槽或阶梯分类器以特征虚面方向矩阵为输入，输入层包含21个神经元，每个隐藏层包含18个神经元，输出层包含2个神经元.(3)最后，利用经常被用在特征识别系统中的BP算法进行网络训练.4 基于特征面的层次识别方法实例

以所构造的人工神经网络输入矩阵、人工神经网络拓扑结构以及训练为基础，用图6和7所示的实例验证该方法的有效性.

（1）构造特征实面邻接矩阵.输入层的输入序列为6 3 0 4 0 6 3 3 0 6 4 0 6 0 0，将其输入3层（15个神经元的输入层、7个神经元的隐藏层以及5个神经元的输出层）的人工神经网络中，得到的识别见表3.

表 3 袋特征识别结果特征类型圆孔圆锥孔一般孔槽/阶梯袋耦合度0.000 49.573E-60.009 320.015 120.981 9ぃ2）构造特征虚面方向矩阵.输入层的输入序列为1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0，将其输入3层人工神经网络（21个神经元的输入层、18个神经元的隐藏层以及2个神经元的输出层）中，得到的识别结果见表4.

表 4 开口袋特征识别结果特征类型封闭袋开口袋耦合度0.002 50.991 4び墒道可知，本文提出的方法可识别相对简单的特征.5 结束语

从层次性特征分类方法出发，借助特征的特征面构造用于层次性特征识别的2类人工神经网络表示矩阵.该方法在识别去除材料的特征时比较有效，可更好地应用到CAPP中，提高生产的自动化和智能化，但也限制该方法识别特征的范围.扩大特征识别的范围及对特征关系的识别是后续研究的重点.参考文献：

［1］ DING Lian, YUE Yong. Novel ANNbased feature recognition incorporating design by features［J］. Computers Industry, 2004, 55(2): 197222.

［2］ ZZTaRK N, ZZTaRK F. Neural network based nonstandard feature recognition to integrate CAD and CAM［J］. ComputersIndustry, 2001,

45(2): 123135.

［3］ DING Lian, MATTHEWS J. A contemporary study into the application of neural network techniques employed to automate CAD/CAM integration for die manufacture［J］. Computers & Ind Eng, 2009, 57(4): 14571471.

［4］ TSENG YuanJye. A modular modeling approach by integrating feature recognition and featurebased design［J］. Computers Industry, 1999,

人工神经网络的缺点范文第4篇

［关键词］多目标决策；BP神经网络；矿产资源；综合开发利用评价

矿产资源综合开发利用评价是一个典型的多目标决策问题，应用多目标决策的有关技术进行方案的排序选优，能较好地解决多方案的优化问题。关凤峻根据给出的多个综合开发利用方案，采用的层次评价方法，建立评价体系并采用理想点法进行排序，选出最优方案。宋光兴等人改进了理想点法中权重的确定方式，利用熵技术法确定矿产资源综合开发利用的评价指标的权重，并得出了排序选优的最终结果。李学全等人提出了一种灰色关联度线性加权和方法，是解决矿产资源综合开发利用评价问题的一个有益的尝试。周科平提出了一种新的多属性决策法，有效解决了主观确定的权重不精确的缺点。陈林、曹树刚采用博弈论分析框架中混合策略情况下应用最优化方法，寻求混合策略Nash均衡的最优化点，作为多指标决策问题的优选方案。

矿产资源综合开发利用评价中权重的确定是一个关键，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价，可避免人为确定各指标的权重带来的主观性。本文试采用BP人工神经网络方法对矿产资源综合开发利用各个方案做出评价，并把评价结果与其他方法作比较，以验证方法的可靠性。

1数据来源以及研究方法

1.1数据来源

（1）数据来源于参考文献三篇论文的举例部分，某铁金矿经研究设计得出9个方案。

（2）将数据进行归一化处理，将每一列的数字xi代入归一化公式x*i=[SX（]ximaxxi′[SX）]

即每一指标数据除以各自指标中的最大值，将数据划归在［0，1］范围之内。

1.2研究方法

BP人工神经网络简介：人工神经网络是将大量简单的神经元广泛连接而成，用以模拟人脑思维方式的复杂网络系统，具有自组织、自适应、自学习和容错性等特点，被广泛应用于模式识别、图像处理、自适应控制等领域。由于矿产资源综合利用水平评价系统是一个多层次、多因素的复杂系统，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价和识别可避免人为确定各指标的权重带来的主观性，提高评价结果的准确性。

2运用BP人工神经网络对矿产资源综合开发方案进行评价

运用matlab环境下的BP网络模块，我们将经济发展水平分级指标作为样本输入，评价级别作为网络输出BP网络通过不断学习修改权重，找出评价指标与评价级别间的内在对应关系，利用此网络模型进行经济发展水平的综合评价。

第一、评价指标体系的建立。以某铜铁矿设计方案为例建立评价体系。参考其他人的研究成果及数据的可获取性，选取5项指标，分别为铁选矿回收率（%）、金选矿回收率（%）、产值利润率（%）、成本利润率（%）、吨矿利润（元/吨）。

第二、网络模型的构建。选取以上5项指标作输入神经元，输出神经元为铜铁矿的综合开发利用水平，构建神经网络，采用等间距的线性内插方法，对已经归一化了的数据进行等级划分，构建人工神经网络的训练数据（见表1），并将铜铁矿的综合开发利用水平分为3级，3代表综合开发利用水平高，2代表综合开发利用水平中等，1代表综合开发利用水平低。

据此构建5×1×1的神经网络结构，其中隐含层神经元为3个，输出层神经元1个。网络设计的参数为：网络初始值为［0，1］之间的随机数，基本学习速率0.1；网络训练的终止参数为：最大训练批次为10000次，最大误差为0.01。网络训练达标后，将表1中的原始数据归一化后输入网络，得出铜铁矿的综合开发利用水平的BP估计值。

表2表明，方案8的综合开发利用水平BP值最大，是诸方案中最优的；方案7的综合开发利用水平次之，为次优方案；方案1的综合开发利用水平BP值最小，是诸方案中最差的。

3与基于理想点法评价模型计算得到的结果相比较

3.1理想点法简介

理想点法是属于多属性效用理论的多目标决策方法，它最基本的思想是依据“综合效用值”进行方案排序选优。其效用值的计算是用理想点法中的“距离值”的计算方法而得。通过选取各个目标中的最优值构成一个多目标的理想方案（也称为理想点），并以目标空间中，各方案与理想方案的距离值来度量各方案的优劣。距离越小表示方案目标值越接近理想方案的目标点。这样依距离值的大小来排列方案的优劣顺序，距离越小，方案越优。

以下两表格分别为基于层次评价方法与基于熵值法确定权重的理想点法得到的矿产资源综合开发利用评价结果。

3.2各评价模型所得结果比较

将矿产资源综合开发利用水平的BP值排序情况（表2）分别与基于层次方法和基于熵值法确定权重的理想点法（表3）得到的优方案排序相比较。采用BP人工神经网络计算得到的结果与采用熵值确定权重的理想点法得到的结果相同；BP值法计算的结果中最好的三个方案分别为方案8、方案7、方案9，与层次理想点法的结果相同，不同之处仅仅存在于方案1与方案2，方案5与方案6，他们的排名也十分接近。这充分说明采用BP人工神经网络方法对矿产资源的综合开发利用进行评价是可行的。此外，由于运用matlab软件可以轻易地实现BP神经网络运算，这种方法在处理大量数据方面还有着独特的优越性。

人工神经网络的缺点范文第5篇

关键词：机器人路径规划算法

一、本文就常见的几种常见的路径规划算法及应用进行简单的探讨如下：

（一）遗传算法概念

遗传算法是根据达尔文的进化论，模拟自然选择的一种智能算法，“适者生存”是它的核心机制。遗传算法是从代表问题可能潜在解集的一个种群开始的。基于随机早期人口，根据的原则，优胜劣汰，适者生存，世代演化产生更好的人口大概。在每一代，根据问题域的个体适应度大小来选择个人，然后选定的个人在自然遗传学，遗传算子组合交叉和变异，产生代表性的解集的人口 。通过这些步骤，后生代种群比前代对于环境具有更好的适应性。人口最优个体解码后可作为近似最优解。

（二）遗传算法的特点

作为一种智能算法，遗传算法具有如下特点：①遗传算法在寻优过程中，只把适应度函数的值作为寻优判据。②遗传算法是由一个问题集合（种群）开始的，而不是从一个个体开始的。故而遗传算法的搜索面积很大，适合全局寻优。③遗传算法根据概率性的变换规则进行个体的优胜劣汰并推动种群的进化。④遗传算法具有隐含的并行性。⑤遗传算法具有自组织、自适应以及内在的学习性，同时遗传算法具有很强的容错能力。⑥遗传算法的基本思想简单。对于复杂的和非线性的问题具有良好的适应性。

（三）遗传算法的应用

遗传算法提供了一个整体框架地址复杂系统问题，它不依赖于俞特定领域的问题，问题的类型、 已是强的鲁棒性，所以广泛应用余许多科学： 功能优化遗传算法的经典应用，是遗传算法的性能评价的常见的例子，许多人建设的各种复杂的表格功能测试： 连续函数和离散函数，凸、 凹函数、 低维功能和高尺寸功能、 单式功能和更多峰值函数。一些非线性、 多模型、 多目标函数优化问题和其他优化方法很难解决，GA 你可以更好的结果。增加问题的规模，搜索空间的组合优化问题，将会迅速增加，有时的当前枚举方法和计算很难找到最佳的解决方案。实践证明，遗传算法、 组合优化问题的粒子非常有效。例如，已成功应用遗传算法解决旅行商问题、 背包问题、 装箱问题、 图形划分问题。此外，遗传算法的生产调度、 自动控制、 机器人技术、 图像处理和机器学习，人工生命，遗传编码，已获得广泛的应用。

二、蚁群算法及其应用

（一）蚁群算法概念

蚁群算法又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法。

（二）蚁群算法的特点

①蚁群算法是一种自组织算法。在早期的算法，单一的人工蚂蚁障碍找到求解算法，久而久之，通过信息作用的激素，人工蚂蚁进化将找到一些解决办法更接近最优的解决方案，它是无序到有序的过程。

②蚁群算法的并行算法是一种基本的。每个蚁群搜索进程独立的对方，只能通过信息素通讯。因此，蚁群算法可以看作是一种分布式的多智能体系统，它在问题空间搜索算法开始是一个独立的解决方案，不仅提高了可靠性，这使得该算法具有强的全局搜索能力。

③蚁群算法是一种积极的反馈的算法。从蚂蚁觅食中不难看到蚂蚁已设法找到最短路径的信息的过程取决于直接上的最短路径的积累，以及信息素的积累是一个积极的反馈过程。这种正反馈的过程进行初步的差距有不断扩大，并导致系统的最优解的方向发展。

④蚁群算法具有较强的鲁棒性。比较与其他算法、 蚁群算法、 初始对齐要求不高，外务大臣蚁群算法用于路由和搜索过程的初步结果不需要手动调整。第二，设立简单、 便于应用的蚁群算法求解组合优化问题的蚁群算法参数的殖民地，数目。

（三）蚁群算法应用

蚁群算法应用包括：二次分配问题、车间任务调度问题、车辆路线问题、机构同构判定问题、学习模糊规则问题、旅行社新旅游线路与旅行产品的制作等领域。

三、神经网络算法

（一）神经网络的概念

人工神经网络也被称为神经网络连接模式，它是一种动物模型，神经网络的行为特征，分布式并行处理算法的数学模型。网络依赖于复杂的系统，通过调整内部之间的联系，大量节点，以实现节能的目的，信息处理。

特征的神经网络模型的人工神经网络的主要网络连接拓扑，神经元的特点，学习规则。目前，近40种神经网络模型，其中有一个BP网络，传感器网络，自组织映射，神经，波尔兹曼机，自适应共振理论。系统的稳定性与联想记忆功能密切相关。

神经网络的应用

人工神经网络的非线性自适应信息处理能力，克服了传统人工智能方法的直觉，作为模型，语音识别，非结构化信息处理方面的缺陷，使神经网络专家系统，模式识别，智能控制，组合优化，预测等领域得到成功应用。人工神经网络和其他传统方法相结合，将促进人工智能和信息处理技术的发展。近年来，人工神经网络模拟人类认知方式更深入的发展，模糊系统，遗传算法，进化机制相结合，形成智能计算，人工智能，已成为一个重要的方向，在实际的应用开发。信息几何学应用于人工神经网络的研究，人工神经网络理论开辟了一条新的途径。