1人工神經技術

1.1拓撲結構調節

通過對靜態鄰域的各種結構以及它們對技術性能影響進行分析后得出，在拓撲適應性方面星形拓撲、VonNeumann拓撲以及環形拓撲最好。此外，人工神經網絡技術性能與鄰域密切相關，處理復雜問題時小鄰域的人工神經網絡技術性能較好，但是處理簡單問題上大鄰域的人工神經網絡技術性能會更好。Chend從改進人工神經網絡結構的角度出發，提出了一種具有雙結構的人工神經網絡技術。技術將神經網絡單元分為M+1層，其中“1”指頂層，技術通過獲得頂層神經網絡單元的全局最優值影響其余各層的粒子對最優值的探索，以此提高神經網絡單元搜索結果的多樣性。該技術考慮到神經網絡單元體表現以及粒子個體的表現，并將其作為觸發條件控制領域變化從而提高尋優效率。提出了KRTG-人工神經網絡技術，通過產生隨機動態的網絡拓撲結構并將平均值引入到粒子更新公式中，增加了種群的多樣性，改善了粒子間信息的傳播速度。

1.2結合其他技術改進

相關研究將遺傳技術中遺傳算子的選擇、交叉、變異等過程與人工神經網絡技術相結合，提出一種混合技術。改進后的技術提高人工神經網絡技術的性能，增加種群的多樣性并提高逃離局部最小的能力，可以將差分進化技術和人工神經網絡技術相結合，通過兩種技術的交叉執行來提高改進技術的效率。白俊強等將二階振蕩和自然選擇兩種方法融入到人工神經網絡技術中，通過二階振蕩對技術速度公式進行更新，通過自然選擇提高了神經網絡單元中靠近最優值粒子的比重。通過收集粒子的取值信息構建記憶庫，讓庫中信息和粒子自身極值共同決定粒子的尋優方向，從而提高尋優準確性。

2人工神經網絡技術在計算機系統中的應用

2.1系統管理模塊

1互聯網人工神經網絡技術的重要起源以及發展過程

在上世紀九十年代初期，利用數學知識將感知器模型的弊病全面提出，致使社會各界對于人工神經網絡的探究非常少。另一方面，針對邏輯運算的人工神經網絡研究存在一定的弊端，一直沒有被大家發現，因此，致使人工神經網絡探究工程進入嚴重的低谷期。

關于人工神經網絡技術飛速發展時期，九十年代初期，對于人工神經網絡技術的弊端予以充分解決，尤其是Hopefield的人工神經網絡技術模型的提出，致使對于互聯網的穩定性以及收斂性的探究有了充分的理論依據。而且將人工神經網絡模型全面應用到具體的實踐中，并且得到全面推廣，同時，將科學技術和人工神經網絡進行有機結合，使人工神經網絡技術更加具有可研究性。

2關于人工神經技術的構造以及典型模型

互聯網人工神經技術的構造的組成包括以神經元件為主，同時，這項包含多種神經元結構的互聯網信息處理技術是可以并行存在的。每一個具體的人工神經元件可以單一輸出，還可以和其他的神經元件相結合，并且具有非常多的連接輸出方法，每一種連接措施都會有相應的權系數。具體的人工神經網絡技術的特點有：（1）針對每一個節點i，都會有相應的狀態變量Xi存在；（2）節點j到節點i之間，是相應的權系數Wij存在；（3）在每一個節點i的后面，具體存在相應的閾值θi；（4）在每一個節點i的后面，存在變換函數fi（Xi，Wijθi），但是，通常情況來說，這個函數取fi(∑，WijXi-θi)的情況。

3將人工神經網絡技術進行全面使用

互聯網的人工神經網絡技術具有獨特的結構和處理措施，具體包括在：自動控制處理和網絡技術模式識別、模型圖像處理和相應的傳感器信號處理技術。信號處理技術和機器人控制處理技術、地理領域和焊接、在電力系統應用和相關數據挖掘、軍事和交通行業、農業和氣象行業等多個領域紛紛體現出其卓越的貢獻。

1人工神經網絡的生物學基礎

人工神經網絡直接受神經生理學和生物解剖學研究的啟發。一個簡單的神經細胞通常稱之為神經元，細胞的胞體是一球形，由胞體延伸出來的主要管狀信號傳輸神經纖維稱為軸突，胞體上其他又細又短的纖維稱為樹突，整個神經細胞—胞體、軸突和樹突—都包含在細胞膜內。胞體和樹突接受來自其他神經元的信息，在軸突的終端附近，通常分成許多分支，稱為突觸區域。突觸將一個神經元的信息傳給其他神經細胞。信息從突觸前細胞神經元傳到突觸后神經元。信息通過突觸的傳遞稱為化學傳遞，因其利用化學物質的擴散來完成信息的傳遞。神經元有許多不同的種類，具有相似或相關功能的神經元通常相互連接。緊密連接的神經元通常在神經系統中聚集在一起(它們具有明顯的解剖學特征)，其主要原因是短突觸更有效：它容易生成，所費材料少，占據更小的空間，且傳遞信息快。這一結構的形成原理可用于城市規劃、網絡建沒和研究各種自然現象的自組織行為。自組織特征映射算法便是基于這一結構的形成原理而設計的。大腦大致包含了數百個這樣的細胞聚合塊，它們的形狀多為球形和盤狀。短的連接出現在同一結構中，結構和結構之間由大量長神經纖維形成的束來連接，球或盤的順序連接稱為通道。大腦便通過這些以復雜方式連接起來的神經元形成的網絡，處理各式各樣的從外部世界輸入的信息。由于現代計算技術的發展，人們對于外部世界的表示通常用一個數字向量來表示，這一表示使得人類在自然科學的諸多領域獲得了巨大的成功。大腦是利用神經網絡表示外部世界刺激，神經網絡亦可用一組向量表示外部事件的刺激，但其計算方式卻與現行的數字計算機的運算方式大相徑庭。

2人工神經網絡的基本功能

（1）聯想記憶。人工神經網絡的設計使其具有分布存儲信息和并行計算的功能，所以它能對輸入其中的信息和輸入的模式有聯想記憶的能力。

（2）非線性映射。在大多數的現實的設計中，大多數的系統的輸入和輸出之前不能建立線性的關系，導致不能在這種類型的系統上建立相關的熟悉模型。而設計合理的人工神經網絡可以十分精準的逼近非線性映射，利用它的這一優良的能力，可以建立多維非線性函數的通用數學模型，可以應用于幾乎所有的領域。

（3）分類與識別。人工神經網絡對輸入其中的樣本具有分類與識別，能力十分強大和精準，區別于傳統分類方法只能局限于同類相聚、異類分離的識別與分類問題，神經網絡對非線性曲面的逼近一類問題也有很強的解決能力。

（4）知識處理。人工神經網絡獲取知識的路徑與我們人類相同，也是通過對輸入和輸出的信息分析進而發現規律從而獲得相關知識，并進一步在神經網絡中儲存。神經網絡的另外一大優勢，就是可以缺少先驗知識的條件下，自動通過從輸入的數據中抽取特征，發現規律，并構建成適合于表達的規律。

摘要:

人工神經網絡屬于一種對人腦結構及功能進行反映的數學抽象模型，對人的思維以及存儲知識等功能進行模擬，從而完成某項工作。對于巖土工程來說，主要包括巖體和土體兩項內容，且這兩項內容均具備很高的復雜性。在巖土工程研究過程中，有必要借助人工神經網絡，從而使巖土工程的研究得到有效進步發展。本文在分析人工神經網絡的基礎上，進一步對人工神經網絡在巖土工程中的應用進行分析，以期為巖土工程研究的進展提供一些具有價值的參考建議。

關鍵詞:

人工神經網絡；巖土工程；應用

巖土工程的研究對象分為兩大類:其一為巖體;其二為土體。巖土工程涉及的介質存在兩大特性，即模糊性和隨機性，這兩大特性又統稱為不確定性。近年來，不少學者在巖土工程研究過程中，提出了人工神經網絡這一概念，即利用人工神經網絡，將其應用到巖土工程研究領域當中，從而為深入了解巖土工程的某些介質特征奠定有效基礎［1］。從巖土工程研究的優化及完善角度考慮，本文對“人工神經網絡在巖土工程中的應用”進行分析意義重大。

1人工神經網絡分析

1．1人工神經網絡概念

摘要：隨著車用發動機的不斷發展與完善，發動機產生故障的種類也越來越多，故障現象與故障原因之間的非線性關系越來越復雜，發動機故障診斷越來越難。基于此，筆者分別對BP神經網絡、RBF神經網絡、PNN神經網絡及SOM神經網絡在汽車發動機故障診斷領域的應用及成效展開了分析。每種神經網絡所應有的診斷場景有所不同，需要結合具體情況和各種神經網絡的結構特點去選擇。實踐證明，RBF神經網絡的預測精度要高于BP神經網絡，同時訓練時間更短，可以極大地提升對故障診斷的效率。

關鍵詞：神經網絡；故障診斷；汽車發動機

0前言

汽車發動機特別是電控發動機在近年來獲得了快速發展。隨著新技術新工藝不斷地應用于發動機，發動機已然成為一個復雜的非線性系統，其設計變量和操作變量之間關系較為復雜，很難針對一個變量進行優化來提升發動機的性能，同時給發動機的故障檢測與維修帶了極大困難[1]。近年來，人工神經網絡已被大量引入到汽車發動機故障診斷領域[2]，特別是“1+X”證書制度對汽車動力系統檢修有了更高的要求，這就需要進一步探索汽車發動機故障檢修更多的方法和途徑，以更好地助推汽車發動機的快速發展[3]。當前發動機故障診斷的神經網絡類型還比較單一，運用于發動機故障診斷的相關研究還處于初級階段，存在較大的發展空間。基于此，筆者對當前應用于汽車發動機故障診斷的人工神經網絡進行了系統分析，并提出了發動機故障診斷未來的發展方向。

1人工神經網絡在汽車發動機故障診斷中的應用

1.1BP神經網絡

BP神經網絡是一種具有多層結構的前饋神經網絡，其特點是信號向前傳播，誤差信號逆向傳播，故該神經網絡又稱為反向傳播網絡，其非線性的映射能力強，推導步驟較為嚴謹，無論是在網絡理論還是在性能方面都已經得到了廣泛的認可。因此，BP神經網絡是目前使用最普遍的神經網絡之一。其不足之處是存在收斂速度慢、容易陷入局部極小值以及泛化能力弱的缺點[4]。林海濤等[5]利用BP神經網絡建立了發動機故障診斷模型，并且利用LM算法對網絡學習訓練，發現當隱含層節點數為11時網絡的誤差是最小的。因此，將隱含層節點數確定為11，該神經網絡對發動機的故障診斷正確率能達到94%。曾榮等[6]通過采集發動機噪聲信號并利用小波分解技術對采集的發動機聲壓信號進行分解并對不同的小波分解方法進行比較，得出了相應的故障聲音特征參數，然后基于這些聲音特征參數建立了BP神經網絡的故障診斷模型，試驗證明該網絡模型對發動機故障診斷準確性較高，診斷速度快，對于發動機異響類故障診斷有重要意義。

［提要］介紹人工神經網絡、粒子群優化算法、人工神經網絡-粒子群優化算法及相關研究。綜述人工神經網絡-粒子群優化算法在化工工程、機械工程、信息工程、建筑工程、水利工程、電氣工程、通信工程、工業機器人、飛機制造業、工業過程優化等工業工程領域的研究。評述人工神經網絡與粒子群優化交叉算法在工業工程領域中的研究前景及經濟價值。

關鍵詞：人工神經網絡；粒子群優化；工業工程；經濟價值；綜述

近年來，人工智能、大數據、物聯網和云計算的發展迅速，人工神經網絡-粒子群優化算法可以在眾多領域中應用，達到減少人力、物力，節約資源的效果。同時，人工神經網絡-粒子群優化算法在眾多工業與工程領域中也有了一定的應用，在工業與工程產業中產生了一定的經濟價值。

一、人工神經網絡

人工神經網絡（ANN）是可用于處理實際問題的網絡結構。雖然人腦和人工神經網絡這兩個應用程序都具有極其強大的信息處理能力，但仍然具有許多差異。Deepmin最初是由DemisHassabis，MustafaSu－leyma和ShaneLegg創立的，在AlphaGo（阿爾法圍棋）擊敗了圍棋世界冠軍李世石后，逐漸得到人們的認可，也表明人工神經網絡具有巨大的潛力。與人腦處理信息的方式不同，人工神經網絡開發的機器人采用線性思維方式對獲取的信息進行處理，與計算機進行通信，在串行算術任務中快速準確的順序數值運算處理比人類更多。但人腦的“并行處理系統”相對人工神經網絡具有絕對領先的能力。近年來，隨著人工智能領域的發展，人工神經網絡也進入研究者的視野，實現了不同程度的融合發展。雖然目前人工神經網絡被廣泛使用，但仍然面臨著許多問題，在解決實際工業與工程領域問題時，需要結合其他算法進行優化。

二、粒子群優化算法

Kennedy和Eberhart共同提出粒子群優化（PSO）。VandenBerghF從理論角度對PSO算法的穩定性和收斂性進行分析和證明。2002年，Cello與Lechuga正式發表多目標粒子群優化算法的成果，用粒子群算法求解多目標優化問題，稱為粒子群（MOPSO）算法。PSO算法中，將鳥群的個體位置或食物當作優化問題的解，利用群體中個體與最優個體以及群體之間的信息交互，引導整個群體中個體在保留自身多樣性信息的同時，朝向群體最優個體收斂，通過不斷地更新逐漸找到最優解。鳥群中個體被抽象為“粒子”，忽略其質量、體積，拓撲結構決定了每次迭代時“粒子”受到自身和群體狀態信息的綜合影響，即粒子的更新機制是通過種群歷史最優粒子和個體歷史最優粒子的有機結合得到的。

摘要:

基于神經網路方法實現高考英語口語成績的采集,實現口語成績等級手寫體的識別,提高在英語口語成績處理的效率,實現口語成績的自動采集。目前該方案應用于蘇州市高考英語口語成績采集。

關鍵詞:

成績采集；模式識別；神經網絡；特征提取

對于未實行高考口語人機對話的省市,高考口語還是采用打分模式。然后人工采集,為解決這一問題,通過識別手寫評分和OCR識別結果比對確保成績采集的準確。而神經網絡很適合用于解決字符識別問題。

1BP神經網絡

人工神經網絡是在人類對其大腦神經網絡認識理解的基礎上人工構造的能實現某種功能的神經網絡,是一種典型的前饋神經網絡,包含輸入層、隱層及輸出層。BP網絡是典型的多層網絡,分輸入層、隱含層和輸出層,算法由數據流的前向計算和誤差信號的反向傳播兩個過程構成。通過這兩個過程的交替進行,在權向量空間執行誤差函數梯度下降策略,動態迭代搜索一組權向量,使網絡誤差函數達到最小值,從而完成信息提取和記憶過程[1]。

1原理與方法

1.1人工神經網絡基本原理

人工神經網絡是一個并行的分布式數據處理與決策系統，將人工神經網絡理論應用到故障診斷當中，不僅能夠提高診斷的數據處理速度和診斷精度，而且還能夠按照人們的設定對特定工作環境進行學習，具有良好的環境適應能力。人工神經網絡的模型時模擬人類的大腦結構和工作原理進行信息處理的，其基本單元是神經元其中，wi表示每個輸入xi所占的權重，當wi為正數時表示該輸入xi對神經元產生激勵，為負數時代表該輸入對神經元產生抑制。其中f(x)是一個非線性函數，可以是閾值函數或者Sigmoid函數中的一種，標準的BP神經網絡由輸入層、隱含層和輸出層三層神經元結構構成，其結構如圖3所示。BP神經網絡通過輸出層神經元的逐層向前傳播，以將輸出誤差“分攤”隱含層和輸入層的每個神經元，進而得到各個層單元的參考誤差和相應的權值，最終使誤差加權值能夠滿足系統的誤差要求。

1.2決策樹

決策樹是從一些雜亂無章的數據中通過層層歸納總結，得到最終決策結果的過程，它的結構是自上而下的，在每一個節點處都要進行屬性判斷，每一個分支表示數據流的通路，每個分支的終點表示決策的一類屬性。決策樹的基本結構如圖4所示。

2故障診斷系統設計

故障診斷系統將人工神經網絡技術應用到專家系統，使系統具有了良好的學習功能，能夠很好的適應礦井下復雜的工作環境，實現對采礦機械系統故障準確診斷的目的。