人工神经网络优势
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篇人工神经网络优势范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
人工神经网络优势范文第1篇
关键词：人工神经网络；金属切削刀具；磨损检测
1.前言：
随着我国的工业飞速发展，对于工件的要求也愈发严格，但是从工厂中制造出的工件或多或少都有些不尽人意，所以必须依靠金属切削技术对工件进行二次加工。但随着时间流逝，金属刀具的磨损逐渐成为了一个问题。而且随着机器的柔性化与机械化愈发提高，人工观测刀具磨损状况的方法也愈发得不可取。无数科学家为此进行了大量研究，讨论出了是数种方法，而人工神经网络运用于金属切削机的技术也应运而生。人工神经网络是一种以模拟动物神经网络而创造的数学模型，人工神经网络有大量简单的处理单元组成，它最大的作用处理信息，并且拥有学习和记忆、归纳的能力。目前，人工神经网络在智能控制、优化计算与信息处理中都有很大的进展，人工神经网络的前景不可估量。
2.人工神经网络在金属切削刀具中的应用
2.1人工神经网络的基础知识
人工神经网络是一种建立在现代医学对于人脑的研究上的一种模拟人脑的数学模型。它是由大量简单的处理单元组成的复杂网络，用以模仿人类大脑的神经活动与规律。所以，人工神经网络拥有人类大脑的基本特征，即：学习、记忆与归纳功能。虽然人工神经网络与人类大脑相比略有不足，但是由于其独特的结构，人工神经网络可以对己输入信息进行分析与归纳，并且拥有简单的决断能力与简单的判断能力，所以人工神经网络在逻辑学推理演算中，比起人类大脑更加有优势。故，人工神经网络在一些比较简单同时需要大量计算的工作上比起人脑更有优势。于是，人工神经网络被广泛用于金属切削技术，并获得了大量的好评。
2.2人工神经网络使金属切削的过程更加智能化
人工神经网络具有自学习、联想存储与优化计算的能力，在金属切削中被大量运用。人工神经网络在金属切削中起着多传感器多信息融合与模式联想器的作用。在对选定的人工神经网络进行训练，通过人工神经网络的学习与记录作用，将人工神经网络训练为模型，并将这个模型运用于金属切削中，使金属切削过程智能化。1992年王卫平博士使用人工神经网络令金属切削机在金属切削的过程中智能化。李旭东利用BP网络与人工神经网络的学习性，实现了金属切削加工的智能化选择。实际上，国内有许许多多的人用人工神经网络实现了金属切削过程的智能化，而随着他们的成功，越来越多的人也将加入金属切削智能化的队伍中来。
并且随着我国技术的逐渐加强，人工神经网络技术的逐渐完善，金属切削智能化的程度只会越来越强。
2.3人工神经网络对于刀具磨损的检测
人工神经系统被运用于金属切削领域的初衷，就是希望借助它的智能化与信息处理的优越性，代替人工来检验刀具的磨损程度。
通过人工神经网络的学习性，可以轻易在网络中建模，使人工神经网络可以轻易地检测出刀具的正常状态与非正常状态――即刀具是否磨损。当刀具处于磨损状态时，人工神经网络可以发出警告。实际上，在刀具磨损状态下发出警报已经不再是现在的研究重点了，在无人参与定情况下，对整个金属切削过程进行识别，当刀具发生磨损，人工神经网络可以进行自主替换，这，才是理想中的智能刀具检验系统，同时也是研究热点。如果要实现上述内容，应该具备这些特点：对于来自多个传感器的信息可以快速处理；在拥有样本数据的情况下可以快速学习；可以根据外界数据的变化，快速调整自身，以适应周遭环境。
2.4通过人工神经网络的计算，预测金属切削加工中的状态.
在人工神经网络运用于金属切削中的一个重要研究，便是通过人工神经网络的计算来预测金属切削加工中的状态。可惜这项技术现在还只是处于理论研究与建模模拟的状态下，跟可以正式使用还有一定的距离。如果这项技术可以得到突破，那么，毋庸置疑得，不止在金属切削领域是一大进步，更加可以推动工厂全智能化、C械化，这无疑是一场重工业的一场大地震与大革命。
人工神经网络优势范文第2篇
关键词：人工神经网络；自动化；采煤技术；综放工作面
随着我国国民经济总量的增大，煤炭能源的消耗也是越来与而大，同时也对煤矿的开采提出了更高的要求。近年来，国家对煤矿安全越来越重视，管理也更加严格，很多不合安全规范的小型煤矿被关停。想在现有环境下提高采煤量，就必须加大科技方面的投入，采用最先进的自动化设备技术，宗放自动化采煤是当前世界上最为先进的采煤技术，是提高采煤生产效率的关键技术之一。人工神经系统可以较好的辅助综放工作面的工作，可对综放工作面进行控制生产，对提高采煤效率有着极为重要的意义。
一、人工神经网络的简单介绍
人工神经网络是一种非线性、交叉的科学，它通过计算机系统对生物神经信息进行模拟来解决实际工作中的问题，属于非线性、交叉的科学。经过近些年的发展，人工神经网落技术在自然科学、社会科学等各个领域的应用已经得到广泛应用。人工神经网络的广泛应用自然也推动了人工神经网路的研究，现在出现的具有不同功能作用的网络结构和算法系统，就是近年来研究的成果，人工神经网络的理论系统也日趋成熟，适用范围也越来越广。
通过模拟人体神经系统信号传输原理，人工神经网络的各个节点也与人体内的神经元相似，能够通过连接权值进行非常紧密的联系。在实际应用中，如果神经元的输出大大超过了网络内部神经元阀值的时候，这个人工神经网络就会输出信号，这个信号也就是成为了下个神经元输入的信号。人工神经网络是模拟人的神经系统创建的，自然与人的神经系统很相似，要通过不断的应用、训练才可以保持较为良好的状态，在实际操作中，人工神经网络的性能是由各个节点的激活函数、网络的拓扑结构以及网络的训练方法决定的。较为常用的BP算法就是通过对网络连接权值的不断调整来达到训练人工神经网络的目的。
二、人工神经网络的相关建模方法
就现有研究来看，人工神经网络的建模方法主要包括模糊建模和混合建模，这些具体而有效的建模方法给采煤综放工作面生产过程自动化提供了较为科学的理论指导，是提高采煤效率和降低采煤工人劳动强度的有效举措之一，以下是对人工神经网络建模的具体介绍。
（一）人工神经网络的模糊建模方法
在煤矿的实际工作中，传统的数学建模方法有其局限性，不能适应较为复杂的问题，严重影响了煤矿的生产效率。模糊理论正是在这种大背景下出现的，它通过有效的实验方法，将实验数据总结汇总，将实验汇总的数据作为模糊规则，然后依据相关模糊理论进行实际的人工神经网络建模。这种建模方法的优势是能够较为快速的预测出新输入数据接下来会输出的结果。煤矿在应用模糊建模方法后，对于生产过程的预算也就更为准确，便于企业做出相关决策。整个模糊建模方法主要由三个部分组成，既模糊化、推理机制、解模糊，这是模糊建模的一个有机整体，是这种建模方式的核心价值所在。
（二）人工神经网络的混合建模方法
除了模糊建模方法之外，人工神经网络还有一种混合建模方法，这种建模方法是依托智能算法的进步而出现的，现已广泛应用于煤矿生产。近年来，为了适应人工神经网络的发展，包括粒子群算法和遗传算法在内的智能算法取得了较大的发展，这种建模方可以对实际工作中比较复杂的参数进行优化处理，进而提高生产效率。
1.粒子群算法建模
粒子群建模简单来说就是利用较为成熟的计算机语言的算法对相关生物的群体行为进行模仿，然后进行建模，在具体操作中，粒子群算法建模要避免碰撞而飞离最近的个体、飞向目标、飞向群体中心，这也被称为粒子群建模方法的三大原则。
2.遗传算法
遗传算法就是将计算机技术和进化论联合运用于人工神经网络建模。在实际工作中，遗传算法应用了当前最为先进的编码技术和遗传操来做铺垫。在Holland体系中，GA就是一种较为简单的遗传算法，各种不同形式的二进制串就是其具体的操作对象。但在煤矿工作中，如果是要通过参数来进行问题分析，遗传算法的研究对象就可以是一个参数组，在这个参数组中，遗传算法具体是通过这个参数组的适应度来表现其好坏情况。通常情况下，遗传算法在具体操作中就是通过对基础的参数群进行有效分析，其选择个体是依据这个个体的适应值比例，然后通过交叉和变异进的方法诞生下一个组种群，这个过程可以持续下去，直到满足生产需求的参数值出现为止。遗传算法也是一种优选的方法，它将遗传算法的优点和人工神经网络的特点进行了有机结合，通过遗传算法可以进行前期模块的优选，建立一个合乎现实情况的非线性模型，然后进行与模糊建模方法相类似的实验数据收集，分析最为有效的网络结构，在满足预测的情况下实现了参数的优选。
三、人工神经网络应用在采煤技术上效果
通过上文介绍，在采煤中利用人工神经网络是为综放工作面生产过程实现自动化提供相对应的理论依据，减轻采煤的劳动强度并提高采煤效率是其目的所在；人工神经网落还能够对采煤工作中的相关生产设备的性能做有效的检查，能够在最快的时间内发现机械故障，及时的排除机械故障，极大的降低了煤矿安全事故的发生率；人工神经网络还能够将采煤生产设备工作面的具体信息，快速的反馈到地面，然后通过先进的计算机技术对数据进行相关处理，实现信息资源共享，采煤过程中对人工的依赖也会降低，为日后的无人操作打下了坚实的基础。
将现代化的人工神经网络应用于采煤，可以实现对综放工作面自动化的有效控制，它将整个采煤的综放工作面看做是个有机的整体，在条件允许的情况下进行仿真模拟，通常情况下都是应用MATLAB软件来及进行仿真模拟，可以系统化的管理整个采煤过程，排除采煤过程中的相关机械故障，在提高采煤效率的同时实现了安全生产，人工神经网络值得在采煤技术中大力推广、应用。
四、结束语
可以将综放工作面看做是整个采煤系统实现自动化，这也是日后采煤自动化发展的一个重要方向，这种思维模式有效避免了在没有考虑综放工作面控制功能而进行自动化的情况。多年的实践表明，神经网络技术应用于煤矿开采中可以有效分析、诊断采煤工作中的一些问题，为日后采煤规划提供了强而有力的依据，其在采煤领域的应用空间还非常宽阔，值得进一步研究、拓展。
参考文献：
[1]郑胜友.人工神经网络在采煤技术上的应用[J].科技风，2012（10）.
[2]董丽丽，乔育锋，郭晓山.遗传算法和人工神经网络在煤矿突水预测中的应用研究[A]. 智能信息技术应用学会.Proceedings of 2010 International Conference on Management Science and Engineering （MSE 2010） （Volume 3）[C].智能信息技术应用学会：，2010（5）.
[3]彭学前.采煤机故障诊断与故障预测研究[D].南京理工大学，2013.
人工神经网络优势范文第3篇
关键词：无人机 神经网络 控制技术
中图分类号:TP183 文献标识码：A 文章编号：1007-9416(2012)07-0010-01
无人机的核心部分是飞行控制系统。无人机进行自主飞行时,控制系统需要有效地对姿态回路部分和水平位置、高度回路部分进行重点控制，才能保持良好的自主飞行适应性。研究表明，智能技术的发展水平在相当大的程度上决定了自主控制技术的发展水平，人工智能系统若要提高对形势的感应能力和外部环境的理解能力，并作出准确、快速反应，需要以获取信息的完整性和准确性为前提支撑。
研究表明，现代绝大多数控制理论在飞行控制系统设计的应用方面，均表现出一定的优势和劣势。
反步控制的优势在于收敛性方面表现较好，可对具有不确定性的未知扰动进行有效处理，缺点是鲁棒性表现较差。反馈线性化的优势在于设计灵活，缺点是对数学模型建立的精确性要求较高，且不能处理具有不确定性的未知扰动。采用变结构的滑模控制技术优势在于响应快捷，且所建数学模型的精确性要求不高，对外部不确定性扰动反应不敏感，缺点是需要进一步提高抖振现象的解决能力。在计算机技术和人工智能技术的发展带动下，人工智能应用于无人机控制系统已具备一定的技术基础，特别是神经网络技术，因其具有良好的学习和推理能力，所以应用最为广泛。本文以无人机的飞行控制应用为中心,重点分析了神经网络技术应用于智能控制的最新成果，为今后的深入研究提供一定的基础支撑。
1、神经网络PID控制技术
PID控制器鲁棒性表现较好，结构相对简单，广泛应用于典型无人机控制系统设计中。但是经典PID对于具有非线性特性的多变量系统，其处理能力较差，不能有效提升系统的抗外扰能力，特别是系统参数变化摄动时，其鲁棒性表现较差，致使系统的飞行动态控制能力较差。近年来，以神经网络智能控制技术的快速发展为支撑，神经网络智能控制技术开始和常规PID控制相融合，优化形成了两种类型的神经网络PID控制器。一种为神经元网络PID控制器，该控制器在传统PID控制器的基础上，融合加入了一个神经元网络控制器，对PID参数进行优化确定;另一种是单神经元PID控制器，它用神经元输入权值跟PID参数进行一一对应，该输入值为经比例、积分、微分处理后的偏差值。
1.1 采用神经元网络确定PID控制器参数
神经网络控制器通过对被控对象建立反向模型，构成前馈控制器。神经网络控制器首先学习PID控制器的输出，而后在线进行调整，尽量使反馈误差趋零化，逐步提升自身在系统控制中的主导作用，最终替换反馈控制器的相应作用，但PID反馈控制器继续存在，没有消失。当系统受到外部干扰扰动时，PID反馈控制器可继续发挥作用。采用神经元网络确定PID控制器参数的技术实际上是一种前馈加反馈的特殊控制技术，该技术在提高了系统精度的情况下，同时提高了系统的自适应能力，增强了系统的控制稳定性，改善了控制系统的鲁棒性能。其典型控制原理如图1所示
1.2 单神经元PID控制
该种类型的自适应控制器依靠调整加权系数完成自适应和自组织，采用有监督Hebb学习规则对加权系数进行调整。单神经元PID控制器采用具有明确物理意义的算法组织学习，结构也较简单，在环境变化适应性方面，呈现出较好的鲁棒性。其劣势在于由于该种类型控制器为单神经元结构，因此不具备任意函数逼近的能力。
2、自适应神经网络控制技术
针对任意一个非线性连续函数，人工神经网络因具有较强的自学习能力，所以能以任意精度要求逼近，且能够完成并行处理，实现万能函数逼近功能。与传统查表法对比,人工神经网络进行计算时间较短，且不需要大内存容量，在对相邻两个训练点之间的点进行插值计算时，不需要额外的计算消耗。相比典型的自适应线性控制器，研究表明，人工神经网络能够获得较好的期望性能，表现出相对较高的自适应非线性控制能力。人工神经网络能够实现对非线性对象的有效控制，对不确定对象的有效控制，且抗环境干扰能力较强，因此特别适合于实现自适应自主飞行控制。
人工神经网络应用于自适应飞行控制的基本原理为:对飞行器模型进行近似线性化处理，尔后对该控制器添加人工神经元网络,通过逆转换完成非线性控制功能，对飞行中的动态误差，自适应消除其影响，有效提升系统响应。该种类型的神经网络控制器通过在线提升自适应能力,在一定程度上改善了风洞数据依赖度，对动态先验知识的需求也进一步降低,从而减少了飞行控制系统的研发费用。
3、结语
研究表明，常规PID控制器虽然结构较简单，可靠性能表现较好，呈现出良好的鲁棒性，但其缺少自学习、自组织、自适应的能力，这些能力恰恰是神经网络控制器的智能优势。但神经网络也具有一定的缺点，表现为收敛速度较慢，个别情况下不能搜索到全局最优解等。神经网络利用自身较强的并行处理能力和自然容错特性，对非线性飞行系统能够进行较好的智能处理，有效降低了逆误差，可以精确获取无人机控制模型，鲁棒性表现优异。
目前，已在无人机上进行应用的神经网络算法主要是与PID算相融合的智能算法。今后，将自适应控制和神经网络智能控制相结合的控制算法将逐步进入飞行控制实践技术行列,从而大副提升无人机应对不确定环境和复杂问题的能力,真正实现自主飞行。
参考文献
人工神经网络优势范文第4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。
人工神经网络优势范文第5篇
【关键词】人工神经网络;教育资源;管理系统
【中图分类号】G40-057 【文献标识码】A 【论文编号】1009―8097(2009)07―0120―04
教育资源是信息化教学的基础。随着教育信息化的深层次推进,互联网中的信息资源以指数方式增长,这些资源不仅在内容上多种多样,在表现形式上更是丰富多彩。它对教育领域的冲击与渗透使得网络教育资源的利用受到重视,并随之出现了新型教学模式,如:基于资源的自主探索式学习和协作学习等。然而海量的网络教育资源既为教育带来了强大的服务功能,也为资源的建设与管理带来了新的挑战。教育资源具有数据量大、形式多样、针对性强、教育性强等诸多特点,如何将分散、无序的资源整合起来,使“用户能方便、高效地将其利用于自己的学习和工作之中,并在大范围内实现共享是网络教育资源建设者必须慎重面对的问题。”[1]
一 教育资源管理面临的问题
随着信息资源飞速增长,对教育资源管理的要求也更加苛刻。而网络环境的复杂给教育资源的管理带来许多不确定性。
1 教育资源管理系统在网络过载,受到攻击的情况下很容易崩溃。系统一旦崩溃,所有辛辛苦苦积累起来的资料化为乌有,资源的开发利用和共享无从谈起。目前“教育资源管理系统在输入错误、磁盘故障、网络过载或有意攻击情况下,很容易死机和崩溃。”[2]而鲁棒性(robustness)的大小是在异常和危险情况下系统生存的关键,代表了系统健壮与否。简而言之,系统的鲁棒性有待加强。
2 教育资源管理系统需要连续不断地吸收新的教育资源。向用户提供可靠的信息输出。但是在发生故障时,教育资源管理系统容易停止工作,给用户带来较大的损失。而容错性(Fault Tolerance)是指在故障存在的情况下管理系统不失效,仍然能够正常工作的特性。很明显,管理系统的容错性较差,犹如一个经常断电的供电站,给广大用户带来不必要的烦恼与损失。
3 教育资源的扩张速度极快,对海量教育资源的分类显得越来越困难。原先的人为分类跟不上信息传递的频率,导致很难在较短的时间内找到用户迫切需要的资料,浪费用户的时间,也给教育资源的进一步推广使用带来障碍。
二 人工神经网络的特点
人工智能(Artificial Intelligence)是探讨人类智能的基本机理,研究如何利用各种自动机来模拟人的某些思维过程和智能行为,从而构造智能人工制品的科学。
人类对人工智能的研究可以分成两种方式,对应着两种不同的技术:基于心理角度模拟的传统人工智能技术和基于生理角度模拟的人工神经网络技术。从人脑的生理结构来观察,人脑的每个神经元大约有103~4个树突及相应的突触,一个人的大脑总计约形成1014~15个突触。用神经网络的术语来说,即是人脑具有1014~15个互相连接的存储潜力。虽然每个神经元的运算功能十分简单,且信号传输速率也较低(大约100次/秒),但由于各神经元之间的极度并行互连功能,最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。根据人脑的生理特点,人工神经网络(Artificial Neural Networks,ANN)是由大量并行分布的单元广泛互连而成,通过各组成部分非同步化的变换,实现信息的整体处理任务,它的这一结构特点决定着人工神经网络具有高速信息处理的能力。它实质上是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。其“工作原理是通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。” [3]所以它具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入――输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果。
人工神经网络中神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,“信息的表示和处理体现在网络处理单元的连接关系中。”[4]人工神经网络的本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能。正因为这个重要特征,“人工神经网络采用了与传统人工智能技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。”[5]它与专家系统的最大区别是,专家系统属于人类智能的功能模拟,而人工神经网络则偏重走结构模拟的路子。与其它智能系统相比,人工神经网络具有以下特点:
1 学习能力:学习能力是神经网络具有智能的重要表现,即通过训练可抽象出训练样本的主要特征,表现出强大的自适应能力。例如实现图像识别时,只有先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。
2 分布式结构:人工神经网络力图“体现大脑的分布式并行计算和非线性等特征,依此而建构的网络是一种具有大量连接的并行分布式处理器。”[6]具有通过学习获取知识并解决问题的能力,且知识是分布存储在与大脑神经元突触相类似的连接的权重中。在传统的串行体系计算机中信息分布在独立的存储单元中,而在神经网络中,信息则分散在神经元的连接上。神经网络的信息分布特性,使之具有强大的容错能力和记忆联想能力。信息的分布存储提供容错功能。由于信息被分布存放在几乎整个网络中,所以,“当其中的某一个点或者某几个点被破坏时,信息仍然可以被存取。系统在受到局部损伤时还可以正常工作。”[5]
3 并行处理:神经网络主要是对人脑的结构模拟。各种神经元在处理信息时是独立完成的,不同神经元之间具有并行性,这种并行处理使得信息处理速度大大加快。信息处理方式由原来冯•诺依曼设计的串行处理变为对信息并行处理。
三 人工神经网络应用于教育技术资源的管理之中
将网络布线由原来的星型布线转向神经网络布线方式。应用神经网络软件,网络采用分布式结构,信息采用统一并行处理的方式处理,从而加强了网络的鲁棒性、容错性。同时发挥神经网络的自学习能力,对待不同的信息资源进行模式分类。神经网络模型考虑采用目前比较成熟的误差反向传播网(BP神经网络)。教育资源分类考虑设计关键词进行训练,同时设立样本训练方法,用BP算法对该网络进行训练。训练结束之后,神经网络就可以作为教育资源分类器来进行使用。
BP(Back propagation反向传播)网络又称误差信号反馈网络,是神经网络中使用最广泛的一类。它是一种有教师的学习网络,能够实现从N维到M维的非线性映射,采用梯度下降法实现快速收敛。BP神经网络采用的是并行网格结构,包括输入层、隐含层和输出层,经作用函数后,再把隐节点的输出信号传递到输出节点,最后给出输出结果。由图1可见各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接。
该算法的学习过程由信息的前向传播和误差的反向传播组成。在前向传播的过程中,输入信息从输入层经隐含层逐层处理,并传向输出层。第一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小。神经网络理论已经证明“BP网络具有强大的非线性映射能力和泛化功能,任一连续函数或映射均可采用三层网络加以实现。”[3]
其BP神经网络模型设计方案如下:输入层、隐含层、输出层。输入层与外界的信息来源渠道紧密相连,称之为接受信息的服务器。隐含层包含若干个存储器,代表若干个知识单元。存储器需要具备输入输出渠道,具备自学习能力,可以接受外界信息,也可以传送信息。输出层由传送信息的服务器组成。输出层接受到隐含层传来的信息之后,根据用户要求传送相关信息。层间联接根据模型设计方案来铺设。神经网络中的每一个节点,无论其在输入层、隐含层、输出层上,每台计算机上必须有相应的神经元器件,以便网络进行自学与联想记忆。BP神经网络管理系统的硬件实现。是将协处理器插入标准计算机中,通过运行神经网络软件包,以实现神经网络的硬件功能,可以使神经网络在任何计算机硬件和软件环境中得到所需要的教育资源处理能力。其设计的模型具有如下特点:
1 教育资源并行分布方式处理:在神经网络中教育资源是分布储存和并行处理的,即神经网络把教育资源分布地存储在神经元之间的连接强度上,而且对教育资源的处理是由网络中神经元集体完成的。在BP神经网络中,教育资源的存储表现为神经元之间分布式的物理联系,它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分教育资源,而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储容量的巨大,使得它具有很强的不确定性处理能力。即使输入教育资源不完全、不准确或模糊不清,神经网络仍然能够联想思维持在于记忆中事物的完整图像。只要输入的模式接近于训练样本,系统就能给出正确的推理结论。
2 鲁棒性与容错性比较强:人工神经网络的结构特点和其信息存储的分布式特点,使得它相对于其它的判断识别系统如专家系统等,具有另一个显著的优点健壮性。当一个人的大脑因意外事故受轻微损伤之后,并不会失去原有事物的全部记忆。人工神经网络不会因为个别神经元的损失(网络过载、停电、突发故障)而失去对原有模式的记忆(管理功能)。另外“即使是突发事件,暂时使网络的硬件实现还是软件实现中的某个或某些神经元失效,整个网络仍然能继续工作。”[7]BP神经网络是一种非线性的处理系统。只有当神经元对所有的输入信号的综合处理结果超过某一阈值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统,可以实现对教育资源不间断、长时间的持续管理。它突破了传统管理系统的局限,标志着教育资源管理能力的较大提升。因而神经网络具有极强的鲁棒性与容错性,有联想记忆抽象概括和自适应能力。
3 具有自学习和自适应能力:神经网络抽象概括和自适应能力称之为自学习能力,自学习是神经网络中最重要的特征。通过学习,网络能够获得教育资源的分类知识,适应环境。在训练时,能从输入、输出的数据中提取出规律性的分类知识,记忆于网络的权值中。并具有泛化能力,即将这组权值应用于一般教育资源分类的能力。另外,BP神经网络的分类能力学习也可以在线进行。
以教育学院教育技术学资源管理为例,输入层由两台高性能的服务器组成,中间设七个知识单元,输出由两台输出服务器组成。隐层的七个神经元分别为计算机软件资源室、课堂教学资源室、“影视创作资源室、计算机教育应用资源室、网络技术资源室、传统教学资源室、传统媒体使用资源室。”[8]模型图如图2所示:
教育技术学资源管理系统一种可编程的动力系统,其存贮、加工和提取教育资源均是可编程的。输入层负责对教育技术学的相关教育资源进行筛选比较,然后根据学习后的分类能力对资源予以分类,将所有的教育技术资源分布式存储在隐层的各神经元中,需要处理时根据用户需要,从各个神经元中取出信息并行处理,输出到输出服务器中,提供给用户。用户可以将用户要求直接给输出处理平台,传递给输出层后,由输出层将用户要求反馈给中间隐层。也可以将要求送给输入处理平台,传递给输入层,进行筛选之后将信息传送给中间隐层。即使系统突然面临网络过载问题,由于存储是分布式的,可以很容易地将信息资源分配下去。即使突然停电,由于相关资源已经存储完毕,损失微乎其微。系统的鲁棒性大大加强。同时如果系统发生突然故障,由于输入渠道有两条,所以可以很轻松地用另一个服务器处理。输出处理时也是如此。因此系统的容错性也得到提高。至于模式分类,则需要较长时间的训练和大量的样本。一旦BP神经网络模型训练完毕,日后教育技术学资源分类就显得十分轻松。只需将关键词输入准确,便可以进入相应的知识单元存储起来。处理信息时,根据用户需要,有不少不同类别的资源需要统筹规划、联合利用,才能得到用户需要的结果。这儿就可以充分发挥神经网络并行处理的特点,有条不紊地对信息加以处理。其总体示意图如图3所示:
四 结语
教育信息化的核心问题是教育资源的应用和管理。神经网络式的教育资源管理系统把教育资源存储、教育资源管理、教育资源分类、教育资源动态升级四大特色功能进行整合,全面突破了“当前基础教育信息化过程中的应用‘瓶颈’。” [9]其最大的特点就是突出了教育资源的管理功能,通过以一个统一管理平台为核心的方式,对各类教育资源进行优化、整合,改善了以往教育资源管理从单一功能角度进行设计,各功能之间不能相互结合,造成资源管理困难和资源互不兼容的问题,实现了教育资源的价值最大化。值得注意的是,由于管理系统采用神经网络的结构特点进行设计,其鲁棒性、容错性和模式分类能力较强,较之传统教育资源管理方式比较起来,不仅提取和输入变得十分简单,而且对大量资源的分类式识别也大大加快,提高了管理效率。分布式存储提高了教育资源的存储容量,而“并行式处理又加大了教育资源的处理速度,同时系统在应付突发事件和网络攻击方面,应变能力大大增强,”[10]其可靠性与可用性也有突破性的提高。同时,在教育资源管理过程中,系统能抓住教育资源应用与管理过程中的关键问题,关注用户的反馈,即时更新教育资源,加强了教育资源的建设,为教育信息化的持续发展提供了有力的保障。
参考文献
[1] 余胜泉,朱凌云.教育资源建设技术规范体系结构与应用模式[J].中国电化教育,2006,(3):58-59.
[2] 穆肃.校本学科教学资源库的设计和实现[J].中国电化教育,2004,(1):56-61.
[3] 周志华著.神经网络及其应用(第1版)[M].北京:清华大学出版社,2004.
[4] 张广莹,徐丽娜,邓正隆.“神经网络控制”CAI课件研制中的几个问题[J].现代教育技术,1997,(2):32-33.
[5] 韩立群著.人工神经网络理论设计及应用(第1版)[M].北京:化学工业出版社,2002.
[6] 陶剑文.一种分布式智能推荐系统的设计[J].计算机工程,2007,(15):207-208.
[7] 王国旗,张辛亥,肖.采用前向多层神经网络预测煤的自然发火期[J].湖南科技大学学报(自科版),2008,(2):20-22.
[8] 茹洪丽.教育技术学课程设置问题探略[J].电化教育研究,2005,(12):38-41.
