前言：中文期刊網精心挑選了神經網絡的思想范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。

神經網絡的思想范文1

關鍵詞： 神經網絡；模擬電路；故障智能診斷

Applications of Neural network in analog circuit fault intelligent diagnosis

Huang Qian1 ，Lu Li2

Nanchang institute of technology JiangXi NanChang 330029

Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.

Keyword： Neural network；Analog circuits；Intelligent fault diagnosis

引 言

隨著神經網絡等人工智能技術的發展， 模擬電路故障診斷的研究又開辟了一條新路， 基于神經網絡的模擬電路故障診斷方法已經成為新的研究熱點。20世紀80年代末期起有學者研究將人工神經網絡應用到模擬電路的故障診斷中，現階段已經提出多種基于神經網絡的模擬電路故障診斷方法，有些方法如BP（ Error Back Propagation Network）神經網絡故障字典法已經能有效應用于濾波電路、模擬放大電路等非線性容差電路的故障診斷， 效果優于傳統的故障字典法。

1神經網絡故障字典法

神經網絡故障字典法把模擬電路的故障診斷看成是一個分類問題， 利用神經網絡的分類功能來診斷故障。在測前把神經網絡訓練成一部故障字典， 字典的信息蘊含在網絡的連接權值中， 只要輸入電路的測量特征， 就可以從其輸出查出故障。

1.1 BP 神經網絡故障字典法

BP 是一種多層網絡誤差反傳學習算法。

1）初始化，隨機給定各連接權[w]，[v]及閥值θi，rt。

（2）由給定的輸入輸出模式對計算隱層、輸出層各單元輸出

式中：bj為隱層第j個神經元實際輸出；ct為輸出層第t個神經元的實際輸出；wij為輸入層至隱層的連接權；vjt為隱層至輸出層的連接權。

式中：dtk為輸出層的校正誤差；ejk為隱層的校正誤差。

（3）計算新的連接權及閥值，計算公式如下：

（4）選取下一個輸入模式對返回第2步反復訓練直到網絡設輸出誤差達到要求結束訓練。

應用BP 神經網絡故障字典法進行模擬電路故障診斷步驟如下：

（1）確定待測電路的故障集和狀態特征參量， 采用電路仿真或實驗的方法獲取電路每一故障狀態下的狀態特征數據， 經篩選和歸一化處理后構造訓練樣本集。設計BP 神經網絡并進行訓練。

（2）用訓練樣本集中的樣本訓練好網絡， 即完成學習的過程。一般采用3 層BP 神經網絡， 輸入層節點數與電路狀態特征參量的維數相同， 輸出層節點數可與電路待測故障類別數相同，也可小于待測故障類別數， 隱層節點數則需按經驗公式試湊。實際診斷時給被測電路加相同的測試激勵， 將測得的實際狀態特征參量輸入到訓練好的BP 神經網絡， 則其輸出即可指示相應的故障狀態。

1.2 SOM神經網絡故障字典法

SOM （Self - organizing Feature Map）神經網絡是芬蘭教授Kohonen于1981 年提出的一種自組織特征映射神經網絡。這種自組織特征映射神經網絡通過對輸入模式的反復學習，使連接權矢量空間分布密度與輸入模式的概率分布趨于一致， 即連接權矢量的空間分布密度能反映輸入模式的統計特性。

SOM二維網絡拓撲結構圖

SOM 網絡能對輸入模式自動分類，通過輸入模式的自組織學習， 在競爭層將分類結果表示出來。應用SOM 神經網絡建立模擬電路故障診斷字典的具體步驟如下：

（1）確定電路的故障集和激勵信號。通過仿真獲取電路在每一故障狀態下的狀態特征向量， 并進行預處理得到訓練樣本數據。

（2） 確定SOM 網絡結構。 SOM 網絡只有輸入層和輸出層兩層， 沒有隱層，輸入層的形式與BP 網絡相同， 其結點數應與電路狀態特征向量的維數相同。輸出層即競爭層的神經元一般采用二維平面陣結構排列， 也可采用一維線陣或三維柵格陣的結構排列。采用一維線陣時， 輸出層結點數可與電路的故障類別數相同。

（3）經過SOM 訓練形成具有容差的故障字典。SOM 網絡的學習算法可采用標準的Kohonen 算法。可以看出， SOM 網絡法與BP 網絡法構建故障字典的方法步驟完全相似，SOM 網絡法一般適用于交流電路， 以電路響應的頻域參量為狀態特征，它能更有效地克服容差因素對故障定位的影響，SOM 網絡法實際診斷時容易出現模糊故障集， 診斷過程要比BP網絡法復雜。

1.2神經網絡故障字典法難點

同經典的故障字典法相比， 神經網絡故障字典法突出的優點是測后診斷速度快，實時性強，其原因是該方法利用了神經網絡高度并行的信息處理能力。經典的故障字典法需要進行繁瑣的模糊集分割處理， 且一般只能診斷硬故障。而神經網絡故障字典法由于神經網絡的泛化能力，可以診斷容差模擬電路， 而且對軟故障情況也有很好的應用前景。應用該方法難點包括以下幾個方面：

（1）神經網絡的結構和參數等只能依據經驗反復調試， 難以確定所設計的神經網絡是最優的。

（2）數據預處理技術和訓練樣本集的篩選至關重要，神經網絡故障字典法的診斷效果主要依賴于此。如何根據實際電路對原始數據進行預處理以突出故障特征信息及如何優選訓練樣本。

2 神經網絡優化診斷法

傳統的優化診斷法依據被測電路的解析關系， 按照一定的判據（目標函數） ， 估計出最有可能出現故障的元件。優化診斷法是一種測后模擬的逼近法， 可在較少的測量數據下診斷故障，避免元件的容差問題， 可以診斷軟故障和多故障但傳統優化診斷法存在一個復雜的重復過程， 需要多個優化過程和多次電路模擬， 測后計算量很大。

神經網絡優化診斷法對傳統方法進行改進， 利用Hopfield 神經網絡的優化計算功能尋優， 克服了傳統的優化診斷方法測后計算量大、實時性差的缺點。由于該方法最終是通過求解元件參數或參數增量來判定故障元件的。

神經網絡優化診斷法的基本思想是將模擬電路的故障診斷方程轉換為帶約束條件的優化問題， 然后利用Hopfield 神經網絡進行優化問題的求解。將優化問題映射到一種神經網絡的特定組態上， 此組態相應于優化問題的可能解， 然后再構造一個適合于待優化問題的能量函數（對應于目標函數）， 當Hopfield 神經網絡從某一初始狀態沿著能量函數減小的方向運動， 其穩定平衡解即對應于優化問題的解。對于線性電阻電路， 可以以元件參數增量和可測節點電壓變化量建立故障診斷方程， 該診斷方程通常為一組欠定方程。

應用Hopfield 神經網絡求解此類帶約束條件的優化問題的步驟如下：

（1）分析問題： 分析網絡輸出與問題的解相對應。

（2）構造網絡能量函數： 將實際待解決優化問題的目標函數表達成能量函數的相應形式， 能量函數最小值對應問題最佳解。

（3）設計網絡結構： 將能量函數與目標函數相比較， 求出能量函數中的權值和偏流。

（4）運行網絡求出穩定平衡態： 由網絡結構建立網絡的電子線路， 運行該電子線路直至穩定， 所得穩態解即為優化問題所希望的解。

3 其它神經網絡故障診斷法

ART （Adaptive Resonance Theory）神經網絡故障診斷法。ART 神經網絡是一種基于自適應共振理論ART的學習算法， 包括ART1 型、ART2 型和ART3 型三種結構形式。文獻三中的作者探討了一種采用ART1 型神經網絡進行模擬電路故障診斷的方法，將電路的各種故障分出層次，并按一定特征給故障類型進行編碼形成故障數據樣本，將故障數據樣本輸入ART1型神經網絡進行訓練， 訓練完成后該ART 網絡即可用于診斷。ART最大的特點是既能識別已有的故障模式， 又能較好地診斷新發故障。基于神經網絡的網絡撕裂法。網絡撕裂法是一種大規模模擬電路分層診斷的方法， 將網絡撕裂法與神經網絡故障字典法相結合就形成基于神經網絡的網絡撕裂法。

ART的基本思路是， 當電路網絡分解到一定程度后， 電路子網絡繼續分解往往越來越困難， 這時可以引入神經網絡故障字典法， 分別為每一電路子網絡構建一個神經網絡， 則電路子網絡級的診斷采用神經網絡故障字典實現。

與傳統的網絡撕裂法相比， 該方法測后工作量小， 診斷過程更加簡單，診斷速度加快。基于神經網絡求解非線性方程的模擬電路故障診斷方法。

4 模擬電路神經網絡診斷法發展趨勢

近年來， 一個值得重視的現象是神經網絡與專家系統、模糊控制、遺傳算法和小波分析等技術相結合應用于模擬電路的故障診斷領域的研究。如神經網絡與模糊邏輯理論相結合， 即所謂的“模糊神經網絡”用于模擬電路的故障診斷， 其基本思想是在BP 神經網絡的輸入層與輸出層中間增加1到2 層模糊層構造模糊神經網絡，利用神經網絡處理低層感知數據， 利用模糊邏輯描述高層的邏輯框架，其對模擬電路軟故障的診斷效果優于單一的神經網絡分類器。又如小波分析與神經網絡結合應用于模擬電路的故障診斷。

小波與神經網絡的結合有以下兩個途徑：

（1） 輔助式結合， 比較典型的是利用小波分析對信號進行預處理， 然后用神經網絡學習與判別。

（2）嵌套式結合， 即把小波變換的運算融入到神經網絡中去， 其基本思想是用小波元代替了神經元，即激活函數為已定位的小波函數基， 通過仿射變換建立小波變換與神經網絡的聯接，小波神經網絡由于把神經網絡的自學習特性和小波的局部特性結合起來，具有自適應分辨性和良好的容錯性。

參考文獻

[1] 王顯強.談談神經網絡在模擬電路故障診斷中的應用問題[J]

電路技術.2012（06）

[2] 劉華.基于神經網絡的模擬電路故障診斷方法研究[J]微電子學報.2010（03）

[3]董偉.談ART1 型神經網絡進行模擬電路故障診斷方式分析. [J]電路科技. 2012（05）

[4]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路科技. 2013（06）

[5]張宇. 基于神經網絡的模擬電路故障診斷方案探究.[J]計算機測量與控制. 2012（07）

[6]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路故障. 2013（02）

[7]劉盛燦. 神經網絡的模擬電路故障的應用.[J]電路科技. 2013（06）

[8] 萬磊.神經網絡在模擬電路故障診斷中的應用若干問題探討[J]

電路技術.2011（08）

[9] 郭明強.神經網絡在模擬電路故障診斷中的發展歷程分析[J]電路技術.2013（08）

神經網絡的思想范文2

【關鍵詞】 遺傳算法 BP神經網絡 結構參數 優化

一、引 言

傳統的濾波器設計需要大量繁瑣計算和曲線查找，在商用電磁仿真軟件出現后，微波濾波器的設計得到了很大的改善，但是在實際操作中對經驗依賴性還是很強。如何快速準確的設計出符合要求的濾波器，是傳統的濾波器設計方法和目前的商用電磁仿真軟件難以有效解決的。針對以上問題，本文將遺傳算法和BP神經網絡結合[1]，在MATLAB環境下實現了對腔體濾波器結構參數的設計。

二、遺傳神經網絡優化

BP神經網絡尤其適用在有大量實驗數據，而數據間的內在關系很難用明確的表達式的非線性系統中，但在實際應用中神經網絡存在學習時間長，容易陷入局部極小點等弊端。因為該算法從本質上來說屬于局部尋優算法，為此利用遺傳算法全局搜索能力強的特點，結合神經網絡的局部尋優能力，可以更好的實現對非線性系統的預測，其基本思想是通過遺傳算法得到更好的網絡初始權重。

2.1算法實現過程

遺傳神經網絡分為BP神經網絡結構確定、遺傳算法優化和BP神經網絡預測3個部分。本文是以三腔體濾波器為例，將濾波器的頻率f和耦合系數c作為輸入向量

其次，使用改進的遺傳算法對網絡初始權重進行優化，將初步得到的權重賦給尚未開始訓練的BP神經網絡。然后，設置訓練參數，開始訓練網絡，將 90組數用于網絡訓練，10組作為測試樣本。最后將預測結果反歸一化，觀察得到的誤差值，其流程圖如圖1所示。

2.2 優化結果

采用上述遺傳神經網絡算法對腔體濾波器的結構參數進行優化，均方誤差為5.0972×10-5， 時間為1.056s；BP網絡的均方誤差為2.8871×10-4，時間為2.103s，可以看出遺傳神經網絡優化值更加精確，速度快。

三、結論

本文針對遺傳算法和神經網絡的優缺點，將遺傳算法與BP神經網絡有機地結合在一起，應用在腔體濾波器結構參數的優化中，優化結果表明此方法可以在較短的時間內達到精度范圍內的優化值，為腔體濾波器的結構參數優化設計提供了一種新方法。

神經網絡的思想范文3

人臉識別是指利用計算機分析人臉圖像，在安全系統、刑偵方面有非常大的應用空間，本文主要分析基于子圖分割和BP神經網絡的人臉識別研究，證明該方法運行速度快、效果好，具有使用價值。

【關鍵詞】人臉識別 子圖分割 BP神經網絡

當前人臉識別已經發展到三維的復雜背景的人臉識別，所涉及的背景也是更加復雜，在人臉識別的的研究中存在不少的困難，本文主要基于子圖分割思想和BP神經網絡的開發，構建人臉識別流程，希望能為人臉識別提供一些參考。

1 子圖分割和BP神經網絡概述

子圖分割思想是將原始的人臉圖像轉化為灰度矩陣，把分割的子圖進行奇異值分解變化，進而歸一化處理。神經網絡有很多簡單單元組成，屬于并行的分布式系統，具有自組織學習的優點。BP算法主要是推算前導層的誤差，進而得到其他各層的誤差估計，BP神經網絡當前存在些問題，理論研究還不夠完善，想要提高人臉圖像的識別率，還需要進行改進和完善。

2 基于子圖分割和BP神經網絡的人臉識別方法構建

基于子圖分割和BP神經網路的人臉識別框架圖包括訓練過程和識別過程，主要包括人臉圖像的載入、預處理、特征圖像的提取以及識別等步驟。

2.1 試驗環境

試驗硬件主要是1.6GHzCPU，內存512MB，編程工具為Matlab7.0平臺，這種編程平臺語法結構簡單，圖像功能比較完善，方便開展神經網絡訓練。

人臉圖像樣本庫采用劍橋大學的ORL人臉數據庫，實驗者拍攝不同的圖像，由于拍攝的時間不同，各個圖像之間在光照、臉部以及面部表情等方面存在很多的不同。在本研究中采用200幅圖像作為樣本庫。

2.2 特征提取

為控制神經網絡的輸入層節點數，對人臉圖像進行壓縮，在提取人臉特征時先將人臉圖像轉化為灰度矩陣，選擇子圖的最大奇異值，歸一化處理。依照子圖分割影響，將人臉圖像分割成16維、32維、48維。經過子圖分割后，圖像矩陣大小相等，組合每個子圖矩陣的最大奇異值，歸一化處理組合后的向量。

在設計中將BP神經網絡作為識別分類器，輸入層節點由特征向量的維數決定，試驗研究中輸入層節點數根據上文確定的人臉分割圖像維度分別為16、32、48。在隱含層數的選擇中，增加隱含層可以進一步降低誤差，但是也會導致神經網絡更加復雜化。增加隱含層節點數也會提高訓練的誤差精度，更加易于觀察和調整。BP神經網絡的隱含層的選擇也會影響神經網絡的性能，若是節點過少，可能訓練不出來，若是節點過高，會增加一次訓練的時間，降低神經網絡分類器的推廣，在本試驗中層內節點數設定為40、60、80。

確定訓練數據和拓撲結構后，就能確定傳遞函數，由于神經網絡是非線性的，若是初始權值過大，會導致導數過小，一般情況下，要求初始加權后的神經元都不接近零。因此神經網絡的初始權值確定為[-1，1]。神經網絡在學習訓練中受到學習速率η影響，若是速率較小，時間就會比較長，若是速率過大，就難以得到恰當的值。在本實驗中設定學習速率為0.01，得到較快的收斂速度。

傳遞函數設定為雙曲面正切S型函數，若是輸入向量不合適，會導致輸出函數斜率無線接近零，若是無法得到最優值會使得訓練結束。權值大小與幅值無關的修正值密切相關，本試驗中采用彈性梯度下降算法，增量因子和減量因子分別設置為1.2和0.5.人臉識別程序主要代碼包括讀入人臉圖像M=double（imread（e）），根據特征矩陣對抽樣訓練集進行歸一化處理，構建BP神經網絡，num_train=5;func_hidden=tansig，調用MATLAB神經網絡工具箱，構建BP神經網絡[netl，trl]=train（net，pnl，tl），用訓練好的神經網絡進行識別result _test=sim（net2，pnewn），[C，I]=max（result_test）確定測試集圖像數目count_test=count_test+1;計算識別率Test_reg=conut_test/total_test。

2.3 試驗結果

對不同輸入層特征向量個數和隱含層節點數進行試驗，訓練集數目、測試集數目均為5，隱含層到輸入層的傳遞函數為purelin，BP神經網絡訓練目標為0.001，學習效率為0.01，結果表示輸入層特征向量32個，人臉識別率最高為86.5%，增加特征向量的個數能夠提高人臉識別率，增加神經網絡的隱含層節點數，能夠提高人臉識別率。

3 結束語

綜上所述，本文主要分析構建子圖分割和BP神經網絡的人臉識別方法，試驗表明該方法人臉識別率比較好，由于研究時間比較短，基于ORL人臉圖像樣本庫，范圍比較小，還不能很好的解決光照強弱等問題，會受到網絡參數很大的影響，這些還需要人們更多的研究。

參考文獻

[1]馮玉涵.BP神經網絡在人臉識別中的應用研究[J].計算機光盤軟件與應用，2014（02）：152+154.

[2]吳岸雄.基于RBF神經網絡的人臉識別方法[J].肇慶學院學報，2014（02）：27-31.

[3]許S. 基于子圖分割和神經網絡的人臉識別研究[D].中山大學，2010.

作者簡介

唐守軍（1980-），男 ，山東省淄博市人。現為廣東開放大學、廣東理工職業學院講師。主要研究方向為神經網絡、數據庫性能優化、人臉識別。

作者單位

神經網絡的思想范文4

【關鍵詞】計算機網絡連接 增強優化 神經網絡算法

計算機網絡是一種先進的科技技術，自出現以來就極大程度的改變了人們的生活生產方式，帶來了非常大的便利。我國現階段的計算機網絡連接相對比較薄弱，存在很多不完善的地方。因此，有必要采取措施優化計算機網絡連接，進而維護計算機網絡連接的安全穩定，營造良好的上網環境。

1 計算機網絡連接增強優化

1.1 計算機網絡連接增強優化的必要性

網絡連接對于計算機網絡的重要性不言而喻。如果出現網絡連接斷開的問題，就會導致計算機設備無法與通信網絡進行有效的信息溝通。因此，必須優化計算機網絡連接，拓撲擴展計算機網絡，提升信息交流的有序性和有效性，降低影響所帶來的損失。因此，在現有的網絡環境中，加入合適的結點，進而完善計算機網絡連接的有效率，以及提高網絡容量，拓展現有網絡結構，使得信息交流的交互性進一步增強，最終實現計算機網絡連接的優化目的，拓撲擴展了計算機網絡。現階段，存在非常多的措施能夠提升計算機網絡連接的效率，擴展網絡容量，以及上網環境的優化。但是，很多方法措施需要投入大量的資金作為支持，不具有實用性和經濟性。而計算機網絡應用要求計算機網絡連接優化措施適當合理，在最小的經濟支出情況下解決問題，因此，只有采取增強優化下的神經網絡算法。

1.2 計算機網絡拓撲結構

計算機網絡拓撲結構主要是指，網上計算機或設備與傳輸媒介形成的結點與線的物理構成模式。通信子網直接影響計算機網絡拓撲結構的形式，拓撲結構能夠在一定程度上保證網絡信息數據系統的安全性、可靠性、完整性，此外能夠對數據信息進行共享、處理以及交換等內容。根據網絡拓撲結構框架分析，可以清楚的明確計算機網絡結構是由鏈路和節點所組成，也可以這樣理解，計算機網絡拓撲是由計算機組成的，網絡之間設備的分布情況以及連接狀態所形成的拓樸圖。通常情況下計算機網絡用G= 來表示，V指的是網絡結點集，E指的是鏈路集。如果增加結構中的結點集用Va表示，增加的連接集用Eb表示，進而得出計算機網絡結構為G’=。

2 基于計算機網絡連接優化中的神經網絡算法

2.1 神經網絡算法

思維學普遍認為，人類大腦的思維分為抽象思維、形象思維和靈感思維三種基本方式。而抽象思維是一種邏輯化思想，形象思維是一種直觀化思想，靈感思維是一種頓悟性和創造性思想。而神經網絡思維，就是通過對上述理論的分析實踐，模擬人類大腦思維的第二種方式。人工神經網絡，是一個非線性動力學系統，其特色在于信息的分布式存儲和并行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統所能實現的行為卻是極其豐富多彩的。 相對人工神經網絡來說，人工神經網絡應用系統更加高級，通過對網絡算法以及網絡模型的合理運用，合理處理信號，或者識別某種運行模式，最終形成一套獨立完善的專家系統，或者智能化的機器人。

現階段，社會中越來越多的領域開始應用人工神經網絡，在生產領域上取得了明顯效果。人們也越發提高對人工神經網絡算法的重視程度，神經網絡算法是在此基礎上逐漸發展完善的，是監督性的學習算法。但是在實際應用過程中，人工神經網絡算法還存在一些不足之處，沒有合理解決收斂速度緩慢的問題，無法控制收斂程度到最小點，因此增加了計算機網絡記憶和學習的不穩定性，同時計算機網絡連接效果也受此影響。

2.2 均場神經網路算法

通過建立科學合理的場均神經網絡模型，有利于進行計算機網絡連接增強優化中的均場神經網絡算法研究工作，進而評判網絡效果。需要注意的是，利用函數法構建模型時，應當加強目標函數的構建問題工作，可以用以下方式表現構建模型：Hopfield計算網絡中的神經元狀態，可以用Fi進行表示，如果Fi=1，那么表示網絡選中了連接i，能夠正常連接；如果Fi=0，那么表示網絡沒有選中連接i，不能正常連接。之后可以利用罰函數法結構，創建網絡模型，保證Z=max（ΣPi*Xi） 和 ΣMi*Xi ≤ A成立，需要對目標函數進行控制，主要有I = ?γ/2*[∑ρiFi]2+ψ/2*[a ?∑mifi]2，其中a=（γripi-ψmimi）d，Ii=βami，γ和ψ表示Lagrange 參數，構造Lyapunov能量函數為：E = ?1/2*∑∑AiFiFi ? ∑ IiFi，Hopfield神經網絡結構為：Fi=1/2*[1+tanh（Bi/T）]，Bi=∑AiFi + I。利用均退火技術，將隨機變量函數的均值由隨機變量均值的函數替代，可以得出：〈Fi〉=1/2*[1+tanh{}]，〈Bi〉=〈∑AiFi + Ii〉=∑Ai Fi + Ii。如果隨機變量均值〈Fi〉由均場變量Ri替換，可以得出均場網絡結構：Ri=1/2[1+tanh（∑AiRi+Ii/T）]，均場網絡的能量函數為：E（v）= ?1/2∑∑AiRiRi ? ∑ IiRi。通過對算法步驟的簡單分析，可以看出：第一、根據問題設置參數；第二、初始化，Ri=rand（d，1-d），i可以是大于零的整數；第三、重復以上操作，知道滿足停止規則。

3 總結

總而言之，計算機網絡在社會各個領域中，都在發揮的無可替代的作用。如果計算機網絡連接出現問題，將會嚴重影響相關企業或者設備的正常運轉，進而降低經濟效益。因此，必須提高計算機網絡連接的重視程度，進一步完善優化連接效率，維護網絡連接的穩定性和可靠性，為我國計算機事業的未來發展奠定堅實的基礎。

參考文獻

[1]陳竺.計算機網絡連接增強優化中的神經網絡算法[J].電子技術與軟件工程，2014（19）：16-16.

[2]王穎華，金愛花.計算機網絡連接增強優化中的均場神經網絡算法[J].硅谷，2013（15）：61-62.

[3]李盼池，許少華.基于過程神經網絡和遺傳算法的系統逆向過程求解[J].計算機測量與控制，2015（10）：948-950.

神經網絡的思想范文5

關鍵詞：人工神經網絡；機械工程；應用

中圖分類號：TP183文獻標識碼： A

1 人工神經網絡類簡介

人工神經網絡（Artificial Neural Networks)是采用物理可實現的系統來模仿人腦神經細胞的結構和功能。它反映了生物神經系統的基本特征，是對生物神經系統的某種抽象、簡化與模擬。人工神經網絡早在20 世紀 40～50 年代已被提出，但直到 20 世紀 80 年代后期，該技術才被人們廣為重視并應用。神經網絡的特征有：

1） 非線性。人類大腦的智慧就是一種非線性現象。處理元素處于激活或抑制兩種不同的狀態，這在數學上就是一種非線性關系。利用神經網絡可以實現多變量之間的多種非線性映射，因而可以描述大規模非線性復雜系統。

2） 自學習自適應能力。神經網絡經過前期的訓練，能夠處理大量信息，并允許信息是變化的。除此以外，神經網絡在處理信息的同時，能夠總結、綜合輸入信息和輸入信息以及已有信息之間的規律，采用迭代過程優化自身的拓撲關系，豐富自身的知識和經驗，從而提高處理分析數據的能力。

3）并行性。輸入到神經網絡中的信息是各處理元素并行處理的。現代計算機CPU相當于計算機的司令部，所有指令由CPU一條一條發出，串行工作。工作量很大時，效率必然很低。而神經網絡所不同的是，每個處理元素相當于一個獨立的微型CPU，各自獨立地從其他處理元素采集數據，分析綜合后再輸入到其他神經元素。各個神經元素相互獨立，又相互配合，無統一指揮。神經網絡這一特性，使其對信息的響應和處理效率大大提高。

4） 分布式信息存儲。神經網絡的信息存儲不是分別存儲在各個處理元素中，而是存儲在處理元素之間的拓撲關系中。處理元素之間不同行的聯接方式反映了不同的存儲信息。輸入的信息在神經網絡中傳播、調整，直到找到與之最佳匹配的存儲信息。在這一過程中，神經網絡各部分信息相互補充，相互支持，并可以為不完整的信息找到最佳匹配。因此，神經網絡具有很強的聯想能力和容錯能力。

2 、神經網絡在機械工程中的應用

2.1 CAD技術

目前，CAD技術已經從傳統的繪圖功能發展為集需求分析、原理方案設計、初步結構設計與分析、詳細設計、工程分析、工藝設計等功能于一身的CAD專家系統。但CAD專家系統存在自身缺陷。第一，知識的獲取存在“瓶頸”，主要來源于專家。第二，知識量越豐富，推理鏈越長，效率越低。第三，求解問題所需知識超出其知識庫，系統無能為力。而神經網絡的應用彌補了上述缺陷。其知識的獲取一部分通過前期訓練，另一部分通過自身實踐。其信息處理過程是在自身知識網絡中尋找最佳匹配的過程，冗余知識耗用時間少。再有，神經網絡的聯想能力和容錯能力使其處理問題時能夠克服自身知識量的約束。可見，神經網絡可作為CAD專家系統很好的補充。

2.2 機械優化設計

機械優化設計，就是根據機械設計的規范，從設計問題中抽象出數學模型，采用數學歸納法和計算機技術，在約束條件下求目標函數的最優解。可應用于機械優化設計的主要有 BP 神經網絡、反饋神經網絡。

BP 神經網絡BP 神經網絡是一種應用比較廣泛的人工神經網絡，是模仿大腦神經網絡結構和功能而建立的一種新型智能信息處理系統。它通過對人腦的形象思維、聯想記憶等的模擬和抽象來實現與人腦相似的識別、記憶等信息處理功能。BP 網絡具有較強的自適應性和自組織性、高度并行信息處理能力、強大的非線性映射能力，硬件實現后分類速度快，可以快速準確的實時處理等。根據 Kosmagoro定理：在有合理的結構和恰當權值的條件下，三層前饋網絡可以逼近任意的連續函數，所以從簡捷實用的角度一般只選取一個隱層。標準的 BP 網絡相鄰兩層的神經元之間全連接，每層內的神經元沒有連接。機械優化設計中，可利用 BP 神經網絡的非線性映射能力進行機械系統的結構優化設計和多目標優化設計。利用BP 神經網絡模型還可以進行機械產品的多目標優化設計。利用BP神經網絡的非線性映射能力，在進行優化設計時，可以避開確定各個目標函數的權重，較為有效地進行多目標優化設計。其方法是：首先根據產品的具體情況構造一個 BP 神經網絡，以各個設計變量作為這個神經網絡的輸入向量，以各個分目標函數作為這個神經網絡的輸出向量，利用已有的經驗數據訓練該網絡，確定網絡各個聯接的聯接權重，即確定設計變量空間到目標函數空間的映射關系，然后在進行系列產品設計時，根據業已確定的設計變量空間到目標函數空間的映射關系，確定各個設計變量的取值，從而達到新產品的綜合性能最優，達到多目標優化設計的目的。

2） 反饋神經網絡

1982 年，美國加州理工學院生物物理學家 J.Hopfield，提出了模擬人腦聯想記憶功能的神經網絡模型- 反饋神經網絡。該神經網絡模型是由一些相互雙向連接的神經元組成，每個聯接有一個權值。網絡中每個神經元的輸出均反饋到同一層次其它神經元的輸入上。由這種拓撲結構構成的網絡在沒有外部輸入的情況下，網絡自身狀態的演化使得網絡收斂到一個穩定態；在該穩定狀態下，兩神經元之間的聯接權值相等，網絡趨于平衡，Hopfield 等人將能量函數引入到該網絡結構中，并以此來判定該方法的穩定性。將 Hopfield 神經網絡模型應用到機械優化設計中，其關鍵是在機械優化設計問題與Hopfield 神經網絡模型之間建立一種對應關系，用人工神經網絡有效地表示優化設計中的設計變量、約束條件和目標函數，將該種神經網絡的動態演化過程與機械優化設計的在解空間尋優過程對應起來。

2.3 故障診斷

機械故障診斷在產品維修保養方面有廣闊的應用前景，受到廣泛重視。故障狀態信息和故障原因之間是一種非線性映射關系。而神經網絡對處理非線性復雜問題有獨特的優越性。首先，從傳感器獲得的信息是工況信息的集合，神經網絡可以從中提取出故障征兆信息，相當于濾波；然后利用聯想能力和自適應能力對故障征兆進行分析，從而判斷是否有故障或者故障類型；最后將處理結果作為輸出。

2.4 工況檢測與控制

機械加工制造過程中的參數如溫度、應力、振動、慣性力等具有復雜性和隨機性。傳統的精確數學模型應用受到一定限制。而神經網絡為復雜的非線性映射問題提供了解決辦法。神經網絡經過前期培訓和學習，對輸入的非線性復雜信號進行分析，識別出工藝系統的狀態，并根據經驗給出控制策略，實現在線控制，主動控制。

2.5 智能控制與機器人工程

對于可抽象精確數學模型的問題，傳統的控制方法已非常有效，但對于復雜的控制系統，如機器人控制系統，很難建立精確數學模型。其接受的信號為非確定的非線性信號。利用神經系統的自適應性，充分逼近已有數學模型，利用自身組織能力迅速作出反饋，其聯想能力和容錯能力大大提供了系統處理不確定信號的能力。因此，可作為機器人的自適應控制器。此外，神經網絡在可靠性設計、自動設計、專家系統、幾何建模等方面也得到較廣泛的應用。

3 結語

隨著人工神經網絡相關理論的研究，更多優化網絡模型的建立，以及計算機技術的發展，神經網絡在機械方面會得到更加充分的利用。從而為機械產品在設計、制造、評估、使用和維護等階段提供巨大便利，推動機械制造業向前飛速發展。

參考文獻

[1]徐秉錚.神經網絡理論與應用.廣州：華南理工大學出版社.

[2]黃洪鐘，黃文培，王金諾.神經挽留過技術在機械工程中的應用與展望.機械科學與技術，1995.4

神經網絡的思想范文6

【關鍵詞】氣體識別;自組織神經網絡

1.引言

氣體識別在環境保護、化工控制、家用報警、食品保鮮、溫室環境控制、航空航天等領域有著廣泛的應用。應用氣體傳感器進行多組份氣體的定性定量研究，可以極大的降低測量成本，減小測量周期，并可實現在線的實時測量。但由于當前氣體傳感器普遍存在著交叉敏感和選擇性差等缺點，使用單一傳感器很難實現多組份氣體的檢測分析。為解決以上問題，一方面可以采用新材料、新工藝來改善傳感器本身的性能;另一方面可以將現有的氣體傳感器構成陣列，并與自組織神經網絡技術相結合。本文采用后者的原理，即通過多個敏感程度不同的氣體傳感器組成傳感器陣列，結合神經網絡模式識別算法進行氣體識別分析。

人工神經網絡（Artificial Neuron Networks，ANN）人工神經網絡（Artificial Neutral Networks，ANN）是一個由大量簡單處理單元廣泛連

接而成的復合網絡系統。神經元結構是受到生物神經元的啟發而得來的。目前應用的神經網絡類型有很多，其中應用最廣的是BP神經網絡，神經網絡需要學習的過程，即利用外部條件作用于神經網絡，使其能重新對外界做出反應。將氣體傳感器陣列與采用BP算法進行訓練的人工神經網絡模式識別技術相結合形成的氣體識別系統，是利用傳感器陣列對混合氣體的高維響應模式來實現對混合氣體的定量檢測。其中傳感器陣列的選取、傳感器信號的預處理方法、BP神經網絡的結構和參數以及測量環境是影響系統性能的可能因素。

2.人工嗅覺系統

人工嗅覺系統是一種化學分析系統，它由一個具有部分專一性的電子化學傳感器陣列和一個合適的模式識別系統組成。由于人工嗅覺系統主要模仿的是生物的嗅覺系統，所以人工嗅覺系統也可被稱為“電子鼻”或者電子嗅覺系統。

2.1 電子鼻簡介

電子鼻這個術語開始出現于二十世紀八十年代晚期，當時它被用于1987年的一個學術會議。較為科學的電子鼻的概念出現于1994年英國Warwick大學的J.W.Gardner發表的文章中，并且J.W.Gardner綜述了世界各國人工嗅覺系統的發展概況。

電子鼻模仿人的鼻子的功能，以電訊號的方式予以表達，可以工作在惡劣或有毒的環境下，在食品、化工、環保、醫療診斷、檢驗等方面有很重要的應用，其關鍵技術就是氣體傳感器陣列。

2.2 人工嗅覺系統的原理及基本組成部分

人工嗅覺系統主要是受生物的嗅覺系統啟發和影響，以下是該系統中的關鍵因素：

（1）對微量、痕量氣體分子瞬時敏感的監測器，以得到與氣體化學成分相對應的信號;

（2）對檢測到的信號進行識別與分類的數據處理器，將有用的信號與噪聲加以分離;

（3）將測量數據轉換為感官評定指標的智能解釋器，得到合理的感官結果。

2.3 氣體傳感器

氣體傳感器是一種將氣體的成分、濃度等信息轉換為可以被人員、儀器儀表、計算機等利用的信息的裝置。

2.3.1 半導體氣體傳感器

半導體氣體傳感器在氣體傳感器中約占60%，根據其機理分為電導型和非電導型，電導型中又分為表面型和容積控制性。

2.3.2 表面敏感型傳感器元件

表面敏感型傳感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可檢測氣體為CO、NO2和氟利昂等，傳感材料Pt-SnO2的氣體傳感器可檢測氣體為可燃性氣體如H2、CO、CH4等。

2.3.3 容積控制型傳感材料

容積控制型傳感材料有TiO2、CoO-MgO-SnO2等，其半導體氣體傳感器可檢測氣體為液化石油氣、酒精和燃燒爐氣尾氣等。

3.神經網絡

人工神經網絡（Artificial Neuron Networks，ANN）是近年來人工智能的一個重要科學分支。二十世紀五十年代末人工神經網絡系統開始作為人工智能的一種重要計算工具逐漸受到重視。進入二十世紀八十年代后期，人工神經網絡的研究進入了一個新的。主要原因是：一方面經過幾十年迅速發展起來的以邏輯符號處理為主的人工智能理論和馮-諾依曼計算機在處理諸如視覺、聽覺、形象思維和聯想記憶等智能信息問題時遇到挫折;另一方面，具有并行分布處理模式的人工神經網絡本身的研究取得了巨大的進展。

神經網絡具有一些不同于其它計算方法的性質和特點以及它自身是基于人類大腦結構和功能而建立起來的，因此具有很多和人類智能類似的特點。首先，神經網絡將信息存儲在大量的神經元中，具有內在的知識索引功能。信息在網絡中使用兩種方式被保留：一種是神經元之間的連接，另一種是連接權重因子。其次，人工神經網絡具有對周圍環境自學習、自適應功能，也可用于處理帶噪聲的、不完整的數據集。在人工神經網絡中，輸入與輸出的關系不是由單獨的神經元直接負責的，相反是與神經元的輸入輸出有關。最后，人工神經網絡模擬人類的學習過程。人類大多數的學習和求解過程都是采用嘗試法，而人工神經網絡可以以相同的方式運行。

神經元（neuron）即神經網絡中的基本處理單元，也就是節點。一般節點由輸入與輸出、權重因子、內部閥值和函數形式四部分組成。

圖1 神經元模型

圖1給出了一個基本的神經元模型，它具有R個輸入，每個輸入都通過一個適當的權值wli和下一層相連，網絡輸出可表示為：

式中，n為該神經元（序號l）的總輸入;

f（n）為神經元輸入輸出關系的函數，稱為作用函數、響應函數或傳遞函數。

人工神經網絡的拓撲結構是指它的處理單元是如何相互連接的，主要由輸入層、隱含層和輸出層組成。每一節點的輸出被送到下一層的所有節點。通過將這些處理單元組成層，將其相互連接起來，并對連接進行加權，從而形成神經網絡的拓撲結構，將若干個人工神經元作為有向圖的節點，可連接成人工神經網絡。其中每一層對于人工神經網絡的成功都非常關鍵。可以將人工神經網絡輸入層、隱含層和輸出層看成為一個通過輸入層的所有節點輸入特定信息的黑箱。人工神經網絡通過節點之間的相互連接關系來處理這些信息，最后從輸出層的節點給出最終結果。

4.誤差反向傳播網絡（BP網絡）

1985年，以Rumelhart和McClelland為首提出了至今仍廣泛接受和使用的誤差反向傳播學習算法。按照這一算法進行訓練的多層神經網絡被直接稱為BP神經網絡。BP網絡是一種多層前饋型神經網絡，其神經元的傳遞函數是S型函數，輸出量為0到1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。其權值的調整采用反饋傳播學習算法。

目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型都采用BP網絡及其變化形式。BP網絡主要用于以下四方面：

（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡以逼近一個函數;

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來;

（3）分類：把輸入矢量所定義的合適方式進行分類;

（4）數據壓縮：減少輸出矢量維數以便于傳輸和存儲。

對于神經網絡算法，使用基于誤差反向傳遞的神經網絡算法設第p個模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N為模式個數），將其視為BP網絡的輸入，yip為其實際輸出，隱含層和輸出層各單元的激活函數采用sigmoid函數，即：

一般基于BP的神經網絡算法具體步驟如下：

Step1、構造網絡，初始化網絡的權矩陣，設置學習因子，動態因子，跌代次數和允許誤差;

Step2、從一個網絡開始，提供訓練模式;

Step3、開始訓練第k個網絡;

Step4、前向傳播過程，對所有訓練模式，計算網絡的實際輸出并與目標輸出相比較，如果誤差超過運行誤差，則進行下一步，否則訓練第k+1個網絡;

Step5、反向傳播過程：計算隱含層和輸出層各單元的誤差精度，修正權值和閥值：

式中，為學習效率;

di為教師信號或希望輸出;

為實際輸出yi與希望輸出di之差，其中yi和xj是取1或0的離散值。

Step6、繼續訓練第k個網絡。

BP網絡的訓練函數有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP網絡的簡單性，在人工嗅覺系統的模式識別部分占有很大的比例，許多以前和現在的一些成熟人工嗅覺系統的產品仍然使用BP神經網絡進行模式識別。

BP網絡的學習是通過求解一個優化問題完成的，從數學的角度看，它是通過函數逼近擬合曲面（線）的想法，并且將其轉化為一個非線性優化問題而求解。BP網絡是對簡單的非線性函數進行復合，經過多次復合后，則可以實現復雜的函數，但存在BP學習算法收斂速度慢、不完備性和隱節點數只能憑經驗選取。

由于存在上述問題，科學家們從利用線性的自適應步長加速BP算法和增加動量項來去除收斂過程中的局部最小點。模擬退火（Simulated Annealing，簡稱SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小點的出現，把它用在優化中是由Kirkpatrick等人提出的。組合優化問題的解空間中的每一個點都代表一個解。不同的解有著不同的目標函數值。優化過程就是在解空間中尋找目標函數的最小解。

SA算法的特點是通用性強、可達到全局最小。傳統的啟發式搜索算法如快速下降法，每次都是向改進解的方向搜索，往往只能找到一個局部最優解，而不是全局最優解。而SA算法在系統朝能量減少這個總趨勢的過程中，允許解的搜索以一定的概率向較差的方向走，以避開局部最小，而最終穩定到全局能量最小的狀態。

5.利用自組織神經網絡進行氣體識別

將被測氣體按所需測量精度和濃度范圍按成份分成不同的濃度等級，采用標準氣體配置這些等級的不同成份氣體的所有組合作為標準模態來訓練神經網絡。通過識別某一未知氣體樣本的模式，即可以得到未知氣體的成份濃度。例如，選用N種互相參比配制混合氣體樣本。根據傳感器的靈敏范圍，將配制的氣體濃度限制在a1到am以內，濃度變化間隔為l。這樣每種氣體有m種濃度模式，共計可得到mN個樣本。采用這些樣本作為原始數據訓練自組織神經網絡，就可以實現在這一濃度范圍內的最大誤差為l的氣體定量測量。