人工神經(jīng)網(wǎng)絡(luò)的算法精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經(jīng)網(wǎng)絡(luò)的算法主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；預(yù)測；誤差
1.引言
許多金融學(xué)家和計量學(xué)家對發(fā)達(dá)國家成熟市場的波動性進(jìn)行了廣泛的研究，但是在對股市的預(yù)測上，由于人們在知識、能力、經(jīng)驗上存在著較大的差異，加之問題本身又具有很大的隨機(jī)性和高度的非線性，即使是一些金融專家、炒股高手對出現(xiàn)的同一復(fù)雜行情進(jìn)行分析，往往也會得出不同的結(jié)論。此外，傳統(tǒng)方法還要事先知道各種參數(shù)，以及這些參數(shù)在什么情況下應(yīng)作怎樣的修正。這都給預(yù)測股市帶來一定的困難。
基于以上股市預(yù)測的困難性，本文提出了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。隨著計算機(jī)、人工智能尤其是專家系統(tǒng)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸成熟并開始應(yīng)用于各個領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（ANN，簡稱神經(jīng)網(wǎng)絡(luò)）作為一種由大量簡單神經(jīng)元廣泛相互聯(lián)接而成的非線性映射或自適應(yīng)動力系統(tǒng)，恰好能有效解決股市預(yù)測處理中常見的困難，因此它很快在股市預(yù)測分析與處理領(lǐng)域得到了廣泛的應(yīng)用。
2.BP神經(jīng)網(wǎng)絡(luò)介紹
2.1 BP 網(wǎng)絡(luò)算法的基本原理
2.1.1 標(biāo)準(zhǔn)的BP 網(wǎng)絡(luò)算法的基本原理
BP(Back Propagation)網(wǎng)絡(luò)是反向傳播的多層前饋式網(wǎng)絡(luò)，是目前使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。它的核心是BP算法，一種對于多基本子系統(tǒng)構(gòu)成的大系統(tǒng)進(jìn)行微商計算的嚴(yán)格而有效的方法，采用最小均方差學(xué)習(xí)方式。BP 神經(jīng)網(wǎng)絡(luò)的原理說到底就是給它一些輸入變量，然后就有一個輸出，輸出值的情況與實際的情況進(jìn)行比較，差多少，然后再進(jìn)行網(wǎng)絡(luò)的內(nèi)部調(diào)整，屬于有導(dǎo)師的學(xué)習(xí)規(guī)則，使得網(wǎng)絡(luò)輸出與實際逼近。
神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入―輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。人工神經(jīng)網(wǎng)絡(luò)由非線性函數(shù)組成，而由一系列不同權(quán)重的線性過濾器組合而成：
2.1.2 BP網(wǎng)絡(luò)算法的優(yōu)化
由于常用的BP算法主要缺點為收斂速度慢，局部極值，難以確定隱含層和隱含層的個數(shù)，使得在實際應(yīng)用中BP算法很難應(yīng)用，因此，出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑，一種是采用啟發(fā)式學(xué)習(xí)方法；另一種則是采用更有效的優(yōu)化算法，本文采用了動量法和學(xué)習(xí)率自適應(yīng)調(diào)整的策略，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。動量法降低了網(wǎng)絡(luò)對于誤差曲面局部極值的敏感性，有效地抑制了網(wǎng)絡(luò)陷于局部極小。
2.2 BP神經(jīng)網(wǎng)絡(luò)的模型識別及步驟
模式通常指對事物的一種定量描述或結(jié)構(gòu)描述，“識別”是指對客觀事物按其物理特征進(jìn)行分類。模式識別的基本原理就是從待識別對象和理想標(biāo)本之間若干特征的相似性推斷它們之間總體的相似性。BP神經(jīng)網(wǎng)絡(luò)模式識別過程分為訓(xùn)練階段和模式分類階段，分為初始化、數(shù)據(jù)與處理、網(wǎng)絡(luò)訓(xùn)練以及模式分類四個步驟。以下利用實證分析來進(jìn)行著四個步驟。
3.實例分析
下面以上證的某股600個交易日的股票價格收盤指數(shù)作為原始樣本數(shù)據(jù)，對上述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求解，預(yù)測20天的收盤價，與實際收盤價進(jìn)行比較，并求出其誤差：
式中，表示第日的實際收盤指數(shù)，表示第日的預(yù)測值，表示誤差。主要按照如下幾部分來處理：（1）準(zhǔn)備600個數(shù)據(jù)的時間序列，進(jìn)行歸一化。BP神經(jīng)網(wǎng)絡(luò)中每個神經(jīng)元的輸出值由傳遞函數(shù)Sigmoid函數(shù)來計算，其輸出值的范圍是（0，1）；（2）留出最后20個數(shù)據(jù)，作為預(yù)測檢驗使用；（3）繪制圖像，包括實際值和預(yù)測值，能量函數(shù)；（4）分析實際和預(yù)測兩曲線的趨勢。
采用I-J-K學(xué)習(xí)模型，該模型是輸入層I個神經(jīng)元，隱層J 個神經(jīng)元，輸出層K個神經(jīng)元。利用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練500次、800次、1000次的輸出值和期望值以及能量函數(shù)（或者叫誤差函數(shù)）E，結(jié)果見圖1到圖3。
通過上面的圖示，可以看到用BP神經(jīng)網(wǎng)絡(luò)預(yù)測的效果比較明顯，這說明該模型適用于短期預(yù)測嗎，股市的波動在很多地區(qū)都是非常劇烈的，各種因素的綜合作用也使得長期股指的變動具有極大的不確定性，使得預(yù)測變得很困難。而BP網(wǎng)絡(luò)的算法原理和自學(xué)習(xí)的特點使其能夠充分挖掘出隱含在樣本數(shù)據(jù)中的規(guī)律性，實現(xiàn)從輸入空間到輸出空間的非線性映射，對樣本數(shù)據(jù)進(jìn)行精確的擬合。從而BP神經(jīng)網(wǎng)絡(luò)的方法對于股市上的一些很難看出規(guī)律的數(shù)據(jù)列的預(yù)測而言，無疑是一個比較精確的預(yù)測方法。
4.結(jié)論
本文介紹了股市的特點以及股市預(yù)測的困難性，提出了利用BP神經(jīng)網(wǎng)絡(luò)的方法來解決股市預(yù)測問題。文章介紹了BP神經(jīng)網(wǎng)絡(luò)算法的基本原理，BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)模型識別及步驟，最后后以上海證券交易所每日股票價格收盤指數(shù)為分析對象，把原理應(yīng)用于實際，利用BP神經(jīng)網(wǎng)絡(luò)對股票價格收盤指數(shù)進(jìn)行了短期預(yù)測，并計算出預(yù)測值和實際值的誤差。通過實驗發(fā)現(xiàn)該模型收斂速度快，預(yù)測精度非常高，對預(yù)測短周期內(nèi)股指波動具有較強(qiáng)的適用性。
參考文獻(xiàn)
[1]高琴.人工神經(jīng)網(wǎng)絡(luò)在股市預(yù)測模型中的應(yīng)用[J].微電子學(xué)與計算機(jī),2007年第24卷第11期.
[2]周翠紅,路邁西.線性回歸與人工神經(jīng)網(wǎng)絡(luò)預(yù)測煤炭發(fā)熱量[J].煤炭科學(xué)技術(shù),第37卷第12期.
[3]尹慶雙,奉瑩.人工神經(jīng)網(wǎng)絡(luò)在第三產(chǎn)業(yè)就業(yè)分析中的應(yīng)用[J].人口與經(jīng)濟(jì),2009年第6期.
[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術(shù)平臺人工神經(jīng)網(wǎng)絡(luò)BP模型及應(yīng)用[J].水文,第30卷第1期.
[5]康進(jìn),劉敬偉.非參數(shù)回歸估計與人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測效果比較[J].統(tǒng)計與決策,2009年第23 期.
[6]楊本昭,田耕.基于人工神經(jīng)網(wǎng)絡(luò)的客戶價值分類研究[J].科技管理研究,2007年第12期.
第2篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
關(guān)鍵詞: 人工神經(jīng)網(wǎng)絡(luò)BP算法改進(jìn)BP算法倒立擺小車
1.引言
倒立擺系統(tǒng)是時變的、非線性、多變量和自然不穩(wěn)定系統(tǒng),在控制過程中,它能有效地反映可鎮(zhèn)定性、魯棒性、隨動性和跟蹤等許多控制中的關(guān)鍵問題,是檢驗各種控制理論的理想模型。人工神經(jīng)網(wǎng)絡(luò)BP算法,在多變量輸入情況下具有精度高、實現(xiàn)快、算法簡單、魯棒性好等優(yōu)點,從而滿足了系統(tǒng)的要求[1]。
2.人工神經(jīng)網(wǎng)絡(luò)BP算法簡介
人工神經(jīng)網(wǎng)絡(luò)(ANN)由于具有信息的分布存儲、并行處理和自學(xué)習(xí)能力等優(yōu)點,在信息處理、模式識別、智能控制等領(lǐng)域得到了越來越廣泛的應(yīng)用。近年來,已有多種ANN模型被提出研究,80%―90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或其改進(jìn)形式,它是前向網(wǎng)絡(luò)的核心部分,體現(xiàn)了網(wǎng)絡(luò)最精華的部分[2]。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)是根據(jù)Widrow―Hoff規(guī)則,采用梯度下降算法,主要由信息信號的正向傳播和誤差信號的反向傳播兩部分組成。
但BP網(wǎng)絡(luò)存在需較長的訓(xùn)練時間、收斂于局部極小值等缺點,為此人們對BP算法進(jìn)行了許多改進(jìn)。改進(jìn)主要有兩類:一類采用啟發(fā)式技術(shù),如附加動量法、自適應(yīng)學(xué)習(xí)率法;另一類是采用數(shù)字優(yōu)化技術(shù),如共軛梯度法、擬牛頓法、Levenberg―Marquardt(LM)法[3]。由于LM算法收斂速度最快,精度較高,且經(jīng)過大量仿真實驗分析比較,LM效果最好,故我們采用LM法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
LM優(yōu)化方法權(quán)重和閾值更新公式[4]為:
其中J為誤差對權(quán)值微分的雅可比矩陣,e為誤差向量,μ為一個標(biāo)量。依賴于μ的幅值,該方法光滑地在兩種極端情況之間變化,即牛頓法(當(dāng)μ0)和著名的最陡下降法(當(dāng)μ∞)。
3.神經(jīng)網(wǎng)絡(luò)控制器設(shè)計
3.1訓(xùn)練樣本的選取
BP神經(jīng)網(wǎng)絡(luò)在未經(jīng)任何訓(xùn)練的情況下,不能作為系統(tǒng)控制器使用。在實際仿真過程中,我們選擇極點配置控制為BP網(wǎng)絡(luò)的教師進(jìn)行學(xué)習(xí),經(jīng)過試探訓(xùn)練,樣本數(shù)為2000時結(jié)果較為合理,此時樣本數(shù)據(jù)能夠反映系統(tǒng)的基本特征,可以得到預(yù)期的仿真結(jié)果。極點配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。
3.2 BP網(wǎng)絡(luò)結(jié)構(gòu)
BP網(wǎng)絡(luò)設(shè)計時,增加層數(shù)主要可以進(jìn)一步降低誤差,提高精度,但卻使網(wǎng)絡(luò)復(fù)雜化。而增加隱含層的神經(jīng)元數(shù)也可提高誤差精度,且訓(xùn)練效果更易觀察和調(diào)整。為了使誤差盡可能小,我們要合理選擇初始權(quán)重和偏置,如果太大就容易陷入飽和區(qū),導(dǎo)致停頓,一般應(yīng)選為均勻分布的小數(shù),介于(-1,1)。
根據(jù)需要,在網(wǎng)絡(luò)初始化時,BP采用0.5*Rands函數(shù)初始化權(quán)值,權(quán)值初始值選在(-0.5,0.5),選取訓(xùn)練目標(biāo)誤差為0.0001,訓(xùn)練次數(shù)上限為5000次。通過多次仿真實驗性能比較,選取[4 9 1]的單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隱含層、輸出層分別采用Tansig、Purelin函數(shù),仿真實驗表明變學(xué)習(xí)率訓(xùn)練算法訓(xùn)練時間長,5000次還不能達(dá)到所要求的精度,且系統(tǒng)容易發(fā)散,控制倒立擺效果不好,采用改進(jìn)的LM訓(xùn)練算法對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練可以得到較好的控制效果且訓(xùn)練時間短。在實際仿真過程中,BP網(wǎng)絡(luò)經(jīng)過53次訓(xùn)練即達(dá)到了訓(xùn)練目標(biāo)。
4.BP網(wǎng)絡(luò)訓(xùn)練結(jié)果
圖1分別給出了倒立擺小車位移、擺角和控制力的BP算法與極點配置算法仿真曲線對比圖,仿真結(jié)果表明:相較極點配置,BP算法精度高、實現(xiàn)快、魯棒性好,倒立擺小車在BP算法下只需2.5s左右就可以達(dá)到所設(shè)定精度的穩(wěn)定效果,且超調(diào)量很小,滿足了系統(tǒng)的要求。
5.結(jié)論
通過對人工神經(jīng)網(wǎng)絡(luò)BP算法的分析,筆者進(jìn)行了倒立擺小車改進(jìn)BP算法的控制系統(tǒng)仿真實驗。仿真表明該改進(jìn)BP算法收斂性好、計算量小,尤其在非線性和魯棒控制等領(lǐng)域具有良好的應(yīng)用前景。BP神經(jīng)網(wǎng)絡(luò)從理論上可以逼近任意非線性函數(shù),所以它特別適合控制像倒立擺這樣的嚴(yán)重非線性、多變量系統(tǒng)。
參考文獻(xiàn):
[1]于秀芬,段海濱,龔華軍.基于人工神經(jīng)網(wǎng)絡(luò)BP算法的倒立擺控制研究[J].測控技術(shù),2003,22(3):41-44.
[2]張志華,朱章森,李儒兵.幾種修正的自適應(yīng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用[J].地球科學(xué),1998,23(2):179-182.
[3]蘇高利,鄧芳萍.論基于Matlab語言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法[J].科技通報,2003,19(2):130-135.
第3篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
關(guān)鍵詞：BP算法；神經(jīng)網(wǎng)絡(luò)；工業(yè)品出廠價格指數(shù)
中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A文章編號：1006-4311（2012）08-0112-02
0引言
工業(yè)品出廠價格指數(shù)（PPI）是衡量工業(yè)企業(yè)產(chǎn)品出廠價格變動趨勢和變動程度的指數(shù)，是反映某一時期生產(chǎn)領(lǐng)域價格變動情況的重要經(jīng)濟(jì)指標(biāo)，也是制定有關(guān)經(jīng)濟(jì)政策和國民經(jīng)濟(jì)核算的重要依據(jù)。
工業(yè)品出廠價格指數(shù)的調(diào)查范圍是工業(yè)企業(yè)出售給本企業(yè)以外所有單位的各種生產(chǎn)資料和直接出售給居民用于生活消費(fèi)的各種生活資料。其中，生產(chǎn)資料包括原材料工業(yè)、采掘工業(yè)和加工工業(yè)3類；生活資料包括一般日用品、食品、衣著和耐用消費(fèi)品4類。在PPI的結(jié)構(gòu)中，生產(chǎn)資料所占的權(quán)重較大，超過了70%；生活資料所占的權(quán)重只有不到30%。因此PPI在很大程度上反映的是工業(yè)企業(yè)生產(chǎn)成本的高低。目前我國PPI覆蓋了全部39個工業(yè)行業(yè)大類，涉及186個種類，4000多種產(chǎn)品。
我國現(xiàn)行的工業(yè)品價格指數(shù)是采用算術(shù)平均法編制的。其中除包括工業(yè)企業(yè)售給商業(yè)、外貿(mào)、物資部門的產(chǎn)品外，還包括售給工業(yè)和其他部門的生產(chǎn)資料以及直接售給居民的生活消費(fèi)品。通過工業(yè)生產(chǎn)價格指數(shù)能觀察出廠價格變動對工業(yè)總產(chǎn)值的影響。工業(yè)品出廠價格指數(shù)的計算公式為：工業(yè)品出廠價格指數(shù)=工業(yè)總產(chǎn)值總指數(shù)/工業(yè)總產(chǎn)量總指數(shù)×100%。我國目前編制的工業(yè)品出廠價格指數(shù)的4種分組：①輕、重工業(yè)分組；②生產(chǎn)資料和生活資料分組；③工業(yè)部門分組；④工業(yè)行業(yè)分組。權(quán)數(shù)計算資料來源于工業(yè)經(jīng)濟(jì)普查數(shù)據(jù)。工業(yè)品出廠價格指數(shù)的權(quán)數(shù)確定，采用分?jǐn)倷?quán)數(shù)。
在市場經(jīng)濟(jì)活動中，資源配置是通過價格漲跌引導(dǎo)市場主體的經(jīng)濟(jì)活動來完成的。因此，價格的波動對經(jīng)濟(jì)運(yùn)行會有很大的影響，價格總水平的波動也是一個重要的宏觀經(jīng)濟(jì)現(xiàn)象。通常認(rèn)為PPI反映的是工業(yè)品進(jìn)入流通領(lǐng)域的最初價格，是制定工業(yè)品批發(fā)價格和零售價格的基礎(chǔ)，而CPI反映的是居民購買消費(fèi)品的價格。
為抑制通貨膨脹，中央銀行需要準(zhǔn)確把握通貨膨脹的先行指標(biāo)，從而正確把握經(jīng)濟(jì)和物價的未來走勢并進(jìn)行前瞻性調(diào)控。根據(jù)價格傳導(dǎo)規(guī)律，PPI對CPI有一定的影響。研究表明PPI引導(dǎo)了CPI變動，其原因是生產(chǎn)資料價格指數(shù)、生活資料價格指數(shù)和原材料、燃料和動力價格指數(shù)都引導(dǎo)了CPI變動，PPI可以作為我國通貨膨脹的先行指標(biāo)，政府和學(xué)者可以利用PPI預(yù)測通貨膨脹[1-2]。PPI是一個非常復(fù)雜的、受諸多因素影響的非線性系統(tǒng)。如果采用傳統(tǒng)的計量經(jīng)濟(jì)模型無法很好地提高預(yù)測精度。
目前對PPI預(yù)測的研究較少，鑒于PPI的時間序列是是非線性的，為了準(zhǔn)確和客觀地預(yù)測PPI，采用人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法。人工神經(jīng)網(wǎng)絡(luò)是目前一種有效的預(yù)測方法，大量的仿真實驗和理論研究已經(jīng)證明BP算法是一種有效的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，它具有很強(qiáng)的處理非線性問題的能力，近年來已經(jīng)廣泛應(yīng)用到經(jīng)濟(jì)領(lǐng)域中。但在實際應(yīng)用中，BP算法也暴露出一些自身的缺點，如算法容易陷入局部極值點，收斂速度慢等，這使得BP算法只能解決小規(guī)模的問題，求得全局最優(yōu)的可能性較小，這樣限制了BP算法在實際中的應(yīng)用。因此應(yīng)用改進(jìn)BP算法的人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測PPI。
1PPI預(yù)測模型的建立
人工神經(jīng)網(wǎng)絡(luò)是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。其信息的處理是通過學(xué)習(xí)動態(tài)修改各神經(jīng)元之間的連接權(quán)值閾值來實現(xiàn)的。根據(jù)某一學(xué)習(xí)規(guī)則，通過修改神經(jīng)元之間的連接權(quán)值和閾值，存儲到神經(jīng)網(wǎng)絡(luò)模型中，建立輸入層神經(jīng)元與輸出層神經(jīng)元之間的高度非線性映射關(guān)系，并通過學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)來識別新的模式或回憶過去的記憶。在各種神經(jīng)網(wǎng)絡(luò)模型中，80%-90%的模型采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)（簡稱BP神經(jīng)網(wǎng)絡(luò)）或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。1989年Robert Hecht-Nielson證明了對于任何的連續(xù)函數(shù)映射關(guān)系都可以用含有一個隱含層的BP神經(jīng)網(wǎng)絡(luò)來逼近。
BP神經(jīng)網(wǎng)絡(luò)具有非局域性、非線性、非定常性和非凸性，在信息處理方面具有如下顯著特點：BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)和自組織能力，通過與外界環(huán)境的相互作用，從外界環(huán)境中獲取知識，把環(huán)境的統(tǒng)計規(guī)律反映到自身結(jié)構(gòu)上來，并能有機(jī)地融合多種信息。當(dāng)外界環(huán)境發(fā)生變化時，只需輸入新的資料讓模型再學(xué)習(xí)即可很快跟蹤環(huán)境的變化，可操作性強(qiáng)。BP神經(jīng)網(wǎng)絡(luò)模型的建立不需要有關(guān)體系的先驗知識，主要依賴于資料，只需給網(wǎng)絡(luò)若干訓(xùn)練實例，BP神經(jīng)網(wǎng)絡(luò)就可以通過自學(xué)習(xí)來完成，完全能夠發(fā)現(xiàn)其隱含的信息，并有所創(chuàng)新。BP神經(jīng)網(wǎng)絡(luò)作為一個高度的非線性動態(tài)處理系統(tǒng)，具有很強(qiáng)的容錯功能。由于神經(jīng)元之間的高維、高密度的并行計算結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的集體計算能力，完全可以進(jìn)行高維數(shù)據(jù)的實時處理，同時也可以進(jìn)行分布式聯(lián)想存儲。
工業(yè)品出廠價格指數(shù)（PPI）數(shù)據(jù)來源于《中國統(tǒng)計年鑒（2009年）》，PPI數(shù)據(jù)時間范圍為1990年-2008年。在實際應(yīng)用中，由于所采集的數(shù)據(jù)跨度較大，為提高訓(xùn)練速度和靈敏性以及有效避開Sigmoid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0-l之間。再有，為保證建立的模型具有一定的外推能力，最好使數(shù)據(jù)預(yù)處理后的值在0.2-0.8之間，把0-0.2和0.8-1.0的空間預(yù)留。下面是數(shù)據(jù)預(yù)處理和反預(yù)處理算法：①數(shù)據(jù)預(yù)處理法：y=（0.8-0.2）*（x-min（x））/ （max（x）-min（x））+0.2。②反預(yù)處理算法：x=（y-0.2）*（max（x）-min（x））/（0.8-0.2）+min（x）。其中：x是工業(yè)品出廠價格指數(shù)原始數(shù)據(jù)；y是預(yù)處理后的工業(yè)品出廠價格指數(shù)數(shù)據(jù)；max（x）和min（x）分別是工業(yè)品出廠價格指數(shù)原始數(shù)據(jù)取值范圍的最大值與最小值。
我國歷年P(guān)PI數(shù)據(jù)按順序構(gòu)成一組時間序列，利用時間序列分析方法對我國歷年P(guān)PI數(shù)據(jù)時序進(jìn)行檢驗識別，可知PPI數(shù)據(jù)服從4階自回歸模型AR（4），由此模型輸入層單元數(shù)為4個，輸出層單元數(shù)為1個。
適當(dāng)?shù)碾[層數(shù)目及節(jié)點數(shù)決定于多種因素。如訓(xùn)練樣本的多少、樣本噪音的大小以及所面對問題的復(fù)雜程度。隱層在BP神經(jīng)網(wǎng)絡(luò)中起著很重要的作用，它具有高度的抽象功能，并可從輸入單元中提取特征。隱層層數(shù)的選擇與問題的復(fù)雜性有關(guān)，為了確保訓(xùn)練后人工神經(jīng)網(wǎng)絡(luò)模型的泛化能力和預(yù)測能力，應(yīng)在滿足精度要求的前提下取盡可能緊湊的網(wǎng)絡(luò)結(jié)構(gòu)。一個三層人工神經(jīng)網(wǎng)絡(luò)模型就可解決一般函數(shù)的擬合、逼近問題。因此三層人工神經(jīng)網(wǎng)絡(luò)能滿足預(yù)報要求。由于BP網(wǎng)絡(luò)在確定隱層單元數(shù)的問題上還沒有成熟的理論可依，大都根據(jù)經(jīng)驗來定。目前比較有效的方法就是試錯法。本文分別組建了隱層節(jié)點數(shù)從1-35的BP網(wǎng)絡(luò)，為了防止出現(xiàn)過擬合現(xiàn)象，經(jīng)過大量試算，最后根據(jù)試報效果，確定了較為理想的隱層單元數(shù)是6。
傳統(tǒng)BP網(wǎng)絡(luò)的學(xué)習(xí)算法實質(zhì)上是一種簡單的最速下降靜態(tài)尋優(yōu)算法，通常具有收斂速度慢、易陷入局部極小值和網(wǎng)絡(luò)推廣能力不強(qiáng)等方面的缺陷。本文采用MATI AB神經(jīng)網(wǎng)絡(luò)工具箱提供的改進(jìn)快速學(xué)習(xí)算法，有效克服了傳統(tǒng)BP網(wǎng)絡(luò)學(xué)習(xí)算法的缺陷。Trainlm訓(xùn)練函數(shù)采用Levenberg-Marquardt優(yōu)化方法，該訓(xùn)練函數(shù)的效率優(yōu)于最速下降靜態(tài)尋優(yōu)算法。
2結(jié)果
利用1990年-2003年的我國PPI數(shù)據(jù)作為訓(xùn)練樣本，采用改進(jìn)BP算法的Trainlm訓(xùn)練函數(shù)進(jìn)行訓(xùn)練構(gòu)建的神經(jīng)網(wǎng)絡(luò)，然后采用2004年-2008年的PPI數(shù)據(jù)作為檢驗樣本，利用訓(xùn)練好的BP網(wǎng)絡(luò)對2004年-2008年的PPI進(jìn)行預(yù)測，結(jié)果見表1。仿真實驗表明我國PPI訓(xùn)練樣本模擬值和實際值的平均相對誤差為0.82%，模擬值和實際值的相關(guān)系數(shù)為0.994778；我國PPI檢驗樣本預(yù)測值和實際值的平均相對誤差為0.80%，預(yù)測值和實際值的相關(guān)系數(shù)為0.915313；2007年P(guān)PI預(yù)測值為102.6，PPI實際值為103.1，預(yù)測值和實際值的相對誤差為-0.48%；2008年P(guān)PI的預(yù)測值為107.4，PPI實際值為106.9，預(yù)測值和實際值的相對誤差僅為0.47%，這都與實際情況相近，結(jié)果較為滿意。并對2011年和2012年的我國PPI做了預(yù)測，PPI預(yù)測值分別為107.3和107.6。
3結(jié)論
人工神經(jīng)網(wǎng)絡(luò)模型能夠很好地捕捉我國PPI內(nèi)在的規(guī)律性，無需設(shè)計任何數(shù)學(xué)模型，通過神經(jīng)元之間的相互作用來完成整個人工神經(jīng)網(wǎng)絡(luò)的信息處理，并能得到很好的預(yù)測精度。
將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于我國PPI預(yù)測，PPI預(yù)測值和實際值的平均相對誤差為0.80%，預(yù)測誤差小，PPI檢驗樣本預(yù)測值與實際值的線性相關(guān)系數(shù)為0.915313，預(yù)測精度高，模型預(yù)測值和實際值能較好的吻合。
參考文獻(xiàn)：
[1]孫紅英,劉向榮,解玲麗.基于傳導(dǎo)模型的2010年價格指數(shù)預(yù)測[J].遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版),2010,5:941-944.
第4篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
【關(guān)鍵詞】自適應(yīng)距離保護(hù) 人工神經(jīng)網(wǎng)絡(luò) BP算法
一、引言
距離保護(hù)長期以來一直是復(fù)雜電網(wǎng)中高壓輸電線路最重要的也是應(yīng)用最廣泛的保護(hù)方案。這種保護(hù)有許多獨特的優(yōu)點，如能瞬時切除輸電線80%～90%范圍內(nèi)的各種故障。但是有許多原因會影響阻抗的測量精度，從而影響測量阻抗的計算，使測量阻抗為短路阻抗與附加阻抗之和，從而會引起誤動或者拒動。
基于這些問題，本文提出了人工神經(jīng)網(wǎng)絡(luò)。近年來，人工神經(jīng)網(wǎng)絡(luò)（ANN）逐漸得到電力系統(tǒng)研究人員的高度重視和廣泛研究。人工神經(jīng)網(wǎng)絡(luò)是由眾多的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自適應(yīng)、較好的容錯性和優(yōu)良的非線性逼近能力，廣泛應(yīng)用于模式識別和模式分類等方面。
本文所采用的三層前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法為反傳學(xué)習(xí)算法，即BP算法，學(xué)習(xí)過程采用反向傳播法。
二、基于人工神經(jīng)網(wǎng)絡(luò)的距離保護(hù)模型
BP網(wǎng)絡(luò)模型也即多層前向網(wǎng)絡(luò)（Multi-layer Feedforward Neural Network，MFNN），因其訓(xùn)練算法采用反向傳播算法，也即BP算法。由于這種算法在本質(zhì)上是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的數(shù)學(xué)模型，所以，BP算法也通常暗示著神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是一種無反饋的多層前向網(wǎng)絡(luò)。
人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的基本元件——神經(jīng)元相互連接而成的自適應(yīng)非線性動態(tài)系統(tǒng)。一般而言，只要采用三層神經(jīng)網(wǎng)絡(luò)，而且對各層神經(jīng)元數(shù)目不加限制，則可在模式空間構(gòu)成任意復(fù)雜程度的幾何圖形，從而對任意復(fù)雜的對象進(jìn)行分類。
人工神經(jīng)網(wǎng)絡(luò)含有輸入層、輸出層以及處于輸入輸出層之間的中間層。中間層有單層或多層，由于他們與外界沒有直接聯(lián)系，故也稱為隱層。在隱層中的神經(jīng)元也稱隱單元。隱層雖然和外界不連接，但是他們的狀態(tài)則影響輸入輸出之間的關(guān)系。BP網(wǎng)絡(luò)的結(jié)構(gòu)的每一層連接權(quán)值都可以通過學(xué)習(xí)來調(diào)節(jié)，它的基本處理單元（輸入層）除外通常為非線性輸入輸出關(guān)系。
三、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及檢驗
本文通過EMTP仿真的數(shù)據(jù)預(yù)處理中得出了這兩個子網(wǎng)絡(luò)的權(quán)值和閥值矩陣中，用一些不同于訓(xùn)練樣本的檢測樣本（本文在故障檢測與選相子網(wǎng)絡(luò)是用40組進(jìn)行訓(xùn)練，13組進(jìn)行檢測的；對故障定位子網(wǎng)絡(luò)是用35組進(jìn)行訓(xùn)練，14組進(jìn)行校驗的）。每一個子網(wǎng)絡(luò)的隱含層節(jié)點的數(shù)目，是在訓(xùn)練過程中根據(jù)最快的收斂速度和最好的精度標(biāo)準(zhǔn)通過多次采用不同的隱含層節(jié)點數(shù)目進(jìn)行訓(xùn)練，反復(fù)比較，根據(jù)實際的收斂效果和計算精度來選擇確定的。其中，故障檢測與選相子網(wǎng)絡(luò)（ANN1）的隱含層數(shù)目取為42個，故障定位子網(wǎng)絡(luò)（ANN2）的隱含層數(shù)目取為33個。
在確定了兩個子網(wǎng)絡(luò)的隱含層以后，開始對故障檢測和選相子網(wǎng)絡(luò)（ANN1）和故障定位子網(wǎng)絡(luò)（ANN2）采用BP算法進(jìn)行訓(xùn)練。經(jīng)過對子網(wǎng)絡(luò)的多次訓(xùn)練，其訓(xùn)練過程是收斂的，其訓(xùn)練速度也是令人滿意。
下面將2個子網(wǎng)絡(luò)的部分訓(xùn)練樣本、檢驗樣本及檢驗結(jié)果。
在對第一個、第二個子網(wǎng)絡(luò)故障檢測與選相子網(wǎng)絡(luò)其訓(xùn)練過程過程是收斂的，其訓(xùn)練速度也是令人滿意的。
下面是子網(wǎng)絡(luò)ANN1的訓(xùn)練樣本和訓(xùn)練樣本及檢測樣本。故障類型有：內(nèi)部故障，A相接地、內(nèi)部故障，B相接地、內(nèi)部故障，C相接地、內(nèi)部故障，兩相短路、內(nèi)部故障，兩相接地短路、內(nèi)部故障，三相短路。理想輸出：1，0，0，0；0，1，0，0；0，0，1，0；0，0，0，1；0，0，0，1；0，0，0，1。檢驗結(jié)果：
0.9985，0.0378，0.0838，0.0230；0.0315，0.9988，0.0607，0.0121；0.1004，0.1718，0.9980，0.2715；0.2815，0.0499，0.0614，0.9864；0.2496，0.3688，0.0370，0.9798；0.0197，0.0551，0.0187，0.9981。
從上面可以清楚的看出，故障檢測和選相子網(wǎng)絡(luò)在各種故障情況下都能正確反映故障，并啟動保護(hù)和正確選相。
在第二個子網(wǎng)絡(luò)訓(xùn)練過程也是表明故障定位子網(wǎng)絡(luò)ANN2也是收斂的，其訓(xùn)練速度也是令人滿意的。
下面是故障定位子網(wǎng)絡(luò)ANN2的訓(xùn)練樣本和檢驗樣本及結(jié)果舉例。當(dāng)故障點線路全長線路全長83%，故障類型分別為單相接地、兩相故障、三相故障時，其理想輸出為1、1、1；當(dāng)故障點線路全長線路全長87%，其理想輸出為0、0、0。檢測結(jié)果：當(dāng)故障點線路全長線路全長83%，輸出：0.9867、0.9827、0.9572。當(dāng)故障點線路全長線路全長87%，輸出：0.1758、0.1820、0.1602。
從上面數(shù)據(jù)可以看到，故障定位子網(wǎng)絡(luò)距離保護(hù)經(jīng)過訓(xùn)練以后，基本能夠正確的識別故障點位置。
四、結(jié)論
本論文針對傳統(tǒng)距離保護(hù)在系統(tǒng)發(fā)生振蕩和系統(tǒng)經(jīng)過過渡電阻發(fā)生故障時，可能會誤動或拒動等，因此，提出了基于BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)距離保護(hù)原理由兩個相互獨立的子網(wǎng)絡(luò)來實現(xiàn)，即故障檢測與選相子網(wǎng)絡(luò)和故障定位子網(wǎng)絡(luò)。兩個子網(wǎng)絡(luò)組成一個并行處理系統(tǒng)，經(jīng)過大量的訓(xùn)練樣本進(jìn)行訓(xùn)練，投入實際運(yùn)行線路中，根據(jù)本身需要提取輸電線路的運(yùn)行參數(shù)，對電力系統(tǒng)運(yùn)行狀態(tài)進(jìn)行判斷。研究結(jié)果表明，用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)最復(fù)雜的保護(hù)原理——距離保護(hù)是可行的，而且具有顯著的優(yōu)點。
參考文獻(xiàn)：
[1]賀家李，宋從矩.電力系統(tǒng)繼電保護(hù)原理（第三版）[M].北京：中國電力出版社，2001.
第5篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò)；發(fā)展；應(yīng)用
中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）12-0003-01
隨著科學(xué)技術(shù)的發(fā)展，各個行業(yè)和領(lǐng)域都在進(jìn)行人工智能化的研究工作，已經(jīng)成為專家學(xué)者研究的熱點。人工神經(jīng)網(wǎng)絡(luò)就是在人工智能基礎(chǔ)上發(fā)展而來的重要分支，對人工智能的發(fā)展具有重要的促進(jìn)作用。人工神經(jīng)網(wǎng)絡(luò)從形成之初發(fā)展至今，經(jīng)歷了不同的發(fā)展階段，并且在經(jīng)濟(jì)、生物、醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用，解決了許多技術(shù)上的難題。
1人工神經(jīng)網(wǎng)絡(luò)概述
關(guān)于人工神經(jīng)網(wǎng)絡(luò)，到目前為止還沒有一個得到廣泛認(rèn)可的統(tǒng)一定義，綜合各專家學(xué)者的觀點可以將人工神經(jīng)網(wǎng)絡(luò)簡單的概括為是模仿人腦的結(jié)構(gòu)和功能的計算機(jī)信息處理系統(tǒng)[1]。人工神經(jīng)網(wǎng)絡(luò)具有自身的發(fā)展特性，其具有很強(qiáng)的并行結(jié)構(gòu)以及并行處理的能力，在實時和動態(tài)控制時能夠起到很好的作用；人工神經(jīng)網(wǎng)絡(luò)具有非線性映射的特性，對處理非線性控制的問題時能給予一定的幫助；人工神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練掌握數(shù)據(jù)歸納和處理的能力，因此在數(shù)學(xué)模型等難以處理時對問題進(jìn)行解決；人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性和集成性很強(qiáng)，能夠適應(yīng)不同規(guī)模的信息處理和大規(guī)模集成數(shù)據(jù)的處理與控制；人工神經(jīng)網(wǎng)絡(luò)不但在軟件技術(shù)上比較成熟，而且近年來在硬件方面也得到了較大發(fā)展，提高了人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息處理能力。
2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
2.1 萌芽時期
在20世紀(jì)40年代，生物學(xué)家McCulloch與數(shù)學(xué)家Pitts共同發(fā)表文章，第一次提出了關(guān)于神經(jīng)元的模型M-P模型，這一理論的提出為神經(jīng)網(wǎng)絡(luò)模型的研究和開發(fā)奠定了基礎(chǔ)，在此基礎(chǔ)上人工神經(jīng)網(wǎng)絡(luò)研究逐漸展開。1951年，心理學(xué)家Hebb提出了關(guān)于連接權(quán)數(shù)值強(qiáng)化的法則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能開發(fā)進(jìn)行了鋪墊。之后生物學(xué)家Eccles通過實驗證實了突觸的真實分流，為神經(jīng)網(wǎng)絡(luò)研究突觸的模擬功能提供了真實的模型基礎(chǔ)以及生物學(xué)的依據(jù)[2]。隨后，出現(xiàn)了能夠模擬行為以及條件反射的處理機(jī)和自適應(yīng)線性網(wǎng)絡(luò)模型，提高了人工神經(jīng)網(wǎng)絡(luò)的速度和精準(zhǔn)度。這一系列研究成果的出現(xiàn)為人工神經(jīng)網(wǎng)絡(luò)的形成和發(fā)展提供了可能。
2.2 低谷時期
在人工神經(jīng)網(wǎng)絡(luò)形成的初期，人們只是熱衷于對它的研究，卻對其自身的局限進(jìn)行了忽視。Minskyh和Papert通過多年對神經(jīng)網(wǎng)絡(luò)的研究，在1969年對之前所取得的研究成果提出了質(zhì)疑，認(rèn)為當(dāng)前研究出的神經(jīng)網(wǎng)絡(luò)只合適處理比較簡單的線性問題，對于非線性問題以及多層網(wǎng)絡(luò)問題卻無法解決。由于他們的質(zhì)疑，使神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入了低谷時期，但是在這一時期，專家和學(xué)者也并沒有停止對神經(jīng)網(wǎng)絡(luò)的研究，針對他們的質(zhì)疑也得出一些相應(yīng)的研究成果。
2.3 復(fù)興時期
美國的物理學(xué)家Hopfield在1982年提出了新的神經(jīng)網(wǎng)絡(luò)模型，并通過實驗證明在滿足一定的條件時，神經(jīng)網(wǎng)絡(luò)是能夠達(dá)到穩(wěn)定的狀態(tài)的。通過他的研究和帶動，眾多專家學(xué)者又重新開始了對人工神經(jīng)網(wǎng)絡(luò)方面的研究，推動了神經(jīng)網(wǎng)絡(luò)的再一次發(fā)展[3]。經(jīng)過專家學(xué)者的不斷努力，提出了各種不同的人工神經(jīng)網(wǎng)絡(luò)的模型，神經(jīng)網(wǎng)絡(luò)理論研究不斷深化，新的理論和方法層出不窮，使神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用進(jìn)入了一個嶄新的時期。
2.4 穩(wěn)步發(fā)展時期
隨著人工神經(jīng)網(wǎng)絡(luò)研究在世界范圍內(nèi)的再次興起，我國也迎來了相關(guān)理論研究的熱潮，在人工神經(jīng)網(wǎng)絡(luò)和計算機(jī)技術(shù)方面取得了突破性的進(jìn)展。到20世紀(jì)90年代時，國內(nèi)對于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究得到了進(jìn)一步的完善和發(fā)展，而且能夠利用神經(jīng)網(wǎng)絡(luò)對非線性的系統(tǒng)控制問題進(jìn)行解決，研究成果顯著。隨著各類人工神經(jīng)網(wǎng)絡(luò)的相關(guān)刊物的創(chuàng)建和相關(guān)學(xué)術(shù)會議的召開，我國人工神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用條件逐步改善，得到了國際的關(guān)注。
隨著人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)步發(fā)展，逐漸建立了光學(xué)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，利用光學(xué)的強(qiáng)大功能，提高了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和自適應(yīng)能力。對非線性動態(tài)系統(tǒng)的控制問題，采取有效措施，提高超平面的光滑性，對其精度進(jìn)行改進(jìn)。之后有專家提出了關(guān)于人工神經(jīng)網(wǎng)絡(luò)的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經(jīng)網(wǎng)絡(luò)的效率，因此在此基礎(chǔ)上又提出了改進(jìn)算法FERNN?；煦缟窠?jīng)網(wǎng)絡(luò)的發(fā)展也得到了相應(yīng)的進(jìn)步，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。
3人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
3.1 在信息領(lǐng)域中的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域中的應(yīng)用主要體現(xiàn)在信息處理和模式識別兩個方面。由于科技的發(fā)展，當(dāng)代信息處理工作越來越復(fù)雜，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以對人的思維進(jìn)行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統(tǒng)方法無法解決的問題，在軍事信息處理中的應(yīng)用極為廣泛[4]。模式識別是對事物表象的各種信息進(jìn)行整理和分析，對事物進(jìn)行辨別和解釋的一個過程，這樣對信息進(jìn)行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統(tǒng)計模式識別，還有一種是結(jié)構(gòu)模式識別，在語音識別和指紋識別等方面得到了廣泛的應(yīng)用。
3.2 在醫(yī)學(xué)領(lǐng)域的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)對于非線性問題處理十分有效，而人體的構(gòu)成和疾病形成的原因十分復(fù)雜，具有不可預(yù)測性，在生物信號的表現(xiàn)形式和變化規(guī)律上也很難掌握，信息檢測和分析等諸多方面都存在著復(fù)雜的非線性聯(lián)系，所以應(yīng)用人工神經(jīng)網(wǎng)絡(luò)決解這些非線性問題具有特殊意義[5]。目前，在醫(yī)學(xué)領(lǐng)域中的應(yīng)用涉及到理論和臨床的各個方面，最主要的是生物信號的檢測和自動分析以及專家系統(tǒng)等方面的應(yīng)用。
3.3 在經(jīng)濟(jì)領(lǐng)域中的應(yīng)用
經(jīng)濟(jì)領(lǐng)域中的商品價格、供需關(guān)系、風(fēng)險系數(shù)等方面的信息構(gòu)成也十分復(fù)雜且變幻莫測，人工神經(jīng)網(wǎng)絡(luò)可以對不完整的信息以及模糊不確定的信息進(jìn)行簡單明了的處理，與傳統(tǒng)的經(jīng)濟(jì)統(tǒng)計方法相比具有其無法比擬的優(yōu)勢，數(shù)據(jù)分析的穩(wěn)定性和可靠性更強(qiáng)。
3.4 在其他領(lǐng)域的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域、交通領(lǐng)域、心理學(xué)領(lǐng)域等方面都有很廣泛的應(yīng)用，能夠?qū)Ω唠y度的非線性問題進(jìn)行處理，對交通運(yùn)輸方面進(jìn)行集成式的管理，以其高適應(yīng)性和優(yōu)秀的模擬性能解決了許多傳統(tǒng)方法無法解決的問題，促進(jìn)了各個領(lǐng)域的快速發(fā)展。
4總結(jié)
隨著科技的發(fā)展，人工智能系統(tǒng)將進(jìn)入更加高級的發(fā)展階段，人工神經(jīng)網(wǎng)絡(luò)也將得到更快的發(fā)展和更加廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)也許無法完全對人腦進(jìn)行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統(tǒng)的各個領(lǐng)域中得到成功應(yīng)用，今后的發(fā)展趨勢將向著更加智能和集成的方向發(fā)展。
參考文獻(xiàn)
[1]徐用懋，馮恩波.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在控制中的應(yīng)用[J].化工進(jìn)展，1993（5）：8-12，20.
[2]湯素麗，羅宇鋒.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用[J].電腦開發(fā)與應(yīng)用，2009（10）：59-61.
[3]李會玲，柴秋燕.人工神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)控制的發(fā)展及展望[J].邢臺職業(yè)技術(shù)學(xué)院學(xué)報，2009（5）：44-46.
第6篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
e.高曼等著
人工神經(jīng)網(wǎng)絡(luò)(anns)作為強(qiáng)大的計算工具,應(yīng)用于分類、模式識別、函數(shù)逼近和生物神經(jīng)網(wǎng)絡(luò)建模等領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)具有從實例中學(xué)習(xí)的程序,它們可以解決那些還不知道算法解的難題。但是,人工神經(jīng)網(wǎng)絡(luò)的缺點之一就是它學(xué)習(xí)的知識是通過一種非常不透明的形式來表示,這就是人工網(wǎng)絡(luò)的“黑箱”特性。在本專著中,作者介紹了一種新型的模糊規(guī)制庫(frb),稱為模糊全排列規(guī)制庫(farb)。作者證明了模糊全排列規(guī)制庫和人工神經(jīng)網(wǎng)絡(luò)具有等價性,這種等價性把符號范式模糊規(guī)制庫和亞符號范式人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點融為一體?；谶@一點,作者使用模糊全排列規(guī)制庫設(shè)計了一種新的基于知識的神經(jīng)計算方法。
本書共7章。1. 引言,介紹了人工神經(jīng)網(wǎng)絡(luò)(anns)、模糊規(guī)制庫(frbs)、人工神經(jīng)網(wǎng)絡(luò)與模糊規(guī)制庫的協(xié)同、基于知識的神經(jīng)計算、模糊全排列規(guī)制庫;2. 模糊全排列規(guī)制庫,引入定義、輸入輸出映射;3. 模糊全排列規(guī)制庫和人工神經(jīng)網(wǎng)絡(luò)的等價性,介紹模糊全排列規(guī)制庫和前饋的人工神經(jīng)網(wǎng)絡(luò)、模糊全排列規(guī)制庫和一階遞歸神經(jīng)網(wǎng)絡(luò)(rnns)、模糊全排列規(guī)制庫和二階遞歸神經(jīng)網(wǎng)絡(luò)、總結(jié);4. 規(guī)制簡化,介紹靈敏度分析、一種簡化模糊全排列規(guī)制庫的方法;5. 采用模糊全排列規(guī)制庫的知識提取,主要包括艾里斯分類問題、發(fā)光二極管顯示屏識別問題、l4語言識別問題;6. 人工神經(jīng)網(wǎng)絡(luò)基于知識的設(shè)計,包括直接法、模塊法;7. 結(jié)論和后續(xù)工作,后續(xù)工作包括規(guī)則化的網(wǎng)絡(luò)訓(xùn)練、在訓(xùn)練過程中進(jìn)行知識提取、從支持向量機(jī)中做知識提取、從網(wǎng)絡(luò)訓(xùn)練中做知識提取。
本書簡明扼要,內(nèi)容新穎,適合模糊集、粗糙集、神經(jīng)網(wǎng)絡(luò)、演化式計算、概率和論據(jù)推理、多值邏輯等相關(guān)領(lǐng)域研究生和研究人員參考學(xué)習(xí)。
陳濤,碩士
第7篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
摘要：本文在用人工神經(jīng)網(wǎng)絡(luò)BP模型對流域年均含沙量進(jìn)行多因素建模過程中，對BP算法進(jìn)行了改進(jìn)。在學(xué)習(xí)速率η的選取上引進(jìn)了一維搜索法，解決了人工輸入η時，若η值過小，收斂速度太慢，η值過大，又會使誤差函數(shù)值振蕩，導(dǎo)致算法不收斂的問題。建模實踐表明，改進(jìn)后的BP算法可能使網(wǎng)絡(luò)誤差函數(shù)達(dá)到局部極小點，提高了算法的擬合精度。
關(guān)鍵詞：BP算法 學(xué)習(xí)速率 年均含沙量 一維搜索法
我國河流眾多，自然資源十分豐富，但江河流域水土流失非常嚴(yán)重，給國家的可持續(xù)發(fā)展以及生態(tài)環(huán)境帶來較大的危害。對于流域產(chǎn)沙的定量研究，一般采用單因子線性回歸方法。這類方法雖然也能反映出某種統(tǒng)計特性，但不能刻畫自然界復(fù)雜的非線性特性。人工神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)模型是復(fù)雜非線性映射的新方法。在引入這一新的定量研究方法對流域年均含沙量進(jìn)行建模預(yù)測時發(fā)現(xiàn)：算法中學(xué)習(xí)速率η值的選取對算法成敗起著關(guān)鍵作用，若η值過小，收斂速度太慢，而η值過大，又會使誤差函數(shù)值不下降，導(dǎo)致算法不收斂。本文正是針對這一問題進(jìn)行了探討。
1 BP網(wǎng)絡(luò)模型及學(xué)習(xí)率η固定的弊端
人工神經(jīng)網(wǎng)絡(luò)理論是80年代中后期迅速發(fā)展起來的一門前沿科學(xué)，其應(yīng)用已滲透到各個領(lǐng)域[1]。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)理論的重要模型之一，應(yīng)用尤為廣泛。盡管BP網(wǎng)絡(luò)模型發(fā)展逐步成熟，但仍然存在許多問題，在理論上需要完善[2]。BP算法主要包括兩個過程，一是由學(xué)習(xí)樣本、網(wǎng)絡(luò)權(quán)值ω從輸入層隱含層輸出層逐次算出各層節(jié)點的輸出；二是反過來由計算輸出與實際輸出偏差構(gòu)出的誤差函數(shù)E（ω），用梯度下降法調(diào)節(jié)網(wǎng)絡(luò)權(quán)值，即ωk+1=ωk+η()使誤差E(ωk+1)減小。
第8篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
關(guān)鍵詞：人工神經(jīng)；網(wǎng)絡(luò)游戲程序；研究和設(shè)計；分析探究
中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2017）01-0044-01
近年來，在網(wǎng)絡(luò)游戲發(fā)展過程中，圖像的呈現(xiàn)質(zhì)量已經(jīng)提升到了一個極高的水平，人工智能游戲已經(jīng)成為決定一款游戲成功與否的重要關(guān)鍵，并受到了游戲開發(fā)商的廣泛關(guān)注和高度重視。網(wǎng)絡(luò)游戲作為一種目標(biāo)性、競爭性、互動性、情節(jié)性的娛樂作品，它的智能水平對游戲的質(zhì)量和可玩性具有著直接的影響作用。因此，將計算機(jī)圖形學(xué)和人工智能有機(jī)的結(jié)合起來，把人工智能中的預(yù)測、路徑規(guī)劃、搜索、學(xué)習(xí)等技術(shù)有效的應(yīng)用到網(wǎng)絡(luò)游戲的研發(fā)工作中去，不僅能夠提升游戲的質(zhì)量和可玩性，同時還有利于促進(jìn)游戲開發(fā)企業(yè)的發(fā)展。
1 人工神經(jīng)網(wǎng)絡(luò)分析
人腦可以用一套較為獨特的方法來解決相關(guān)問題，并且還能夠從正反兩面的行為差異中進(jìn)行學(xué)習(xí)，經(jīng)過研究發(fā)現(xiàn)，人腦是由十萬種類的遺傳因子中的十萬億個細(xì)胞組合而成，人工神經(jīng)網(wǎng)絡(luò)就相當(dāng)于模擬人腦功能的一個數(shù)學(xué)模型。其中神經(jīng)元作為人腦系統(tǒng)中處理基本信息的單元，是人體神經(jīng)器官的重要組成部分，通過軸將各個神經(jīng)元進(jìn)行有效連接，而其他神經(jīng)元的發(fā)送的信號能夠使當(dāng)前神經(jīng)元產(chǎn)生相應(yīng)的反映，這一反映如果能夠達(dá)到特定的閾值，就會逐漸產(chǎn)生一種新的信號，并且沿著軸將信號傳輸?shù)狡渌窠?jīng)元[1]。人工神經(jīng)網(wǎng)絡(luò)主要就是由各種節(jié)點相互連接組合形成的，節(jié)點類似于人腦的各個神經(jīng)元細(xì)胞，會存在一些節(jié)點連接外部環(huán)境，主要負(fù)責(zé)相關(guān)的信息輸出和輸入工作，被稱作是輸出點或者輸入點，而另外一些網(wǎng)絡(luò)內(nèi)部的節(jié)點，通常被稱作隱藏節(jié)點。隱藏節(jié)點的信息輸出通常是輸出節(jié)點的信息輸入，輸入節(jié)點的信息輸出通常是隱藏節(jié)點的信息輸入。
此外，人工神經(jīng)網(wǎng)絡(luò)的主要核心思想就是對人類大腦神經(jīng)系統(tǒng)功能進(jìn)行模擬的機(jī)器學(xué)習(xí)的一種方法，并且通過對系統(tǒng)內(nèi)部各個神經(jīng)元的各種連接參數(shù)進(jìn)行反復(fù)的調(diào)節(jié)，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)得到訓(xùn)練，并且在遇到一定情況時能夠做出最佳的反映[2]?？傊窠?jīng)網(wǎng)絡(luò)作為一項發(fā)展較為成熟的技術(shù)，其在解決相關(guān)問題之后，將會使網(wǎng)絡(luò)游戲的智能化提升到一個全新的高度。
2 人工神經(jīng)網(wǎng)絡(luò)中的游戲?qū)W習(xí)設(shè)計分析
與傳統(tǒng)方法相比，神經(jīng)網(wǎng)絡(luò)解決問題的方式有著明顯的不同，其具有著較強(qiáng)的自主學(xué)習(xí)能力，經(jīng)過不斷的學(xué)習(xí)，ANN可以從未知式中的各種復(fù)雜數(shù)據(jù)信息中發(fā)現(xiàn)規(guī)律[3]。這種神經(jīng)網(wǎng)絡(luò)方法在很大程度上克服了傳統(tǒng)方法在分析中的復(fù)雜性以及各種模型函數(shù)選擇的困難，通過訓(xùn)練對問題進(jìn)行解答，ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)作，首先就需要讓網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，不斷的訓(xùn)練網(wǎng)絡(luò)，幫助它獲取更多的知識信息，最后將這些信息有效的存儲起來。一旦完成相關(guān)的訓(xùn)練和學(xué)習(xí)，就可以將知識有效的存儲在權(quán)值中。在游戲的開發(fā)過程中，將神經(jīng)網(wǎng)絡(luò)模型看作是人物建模的基礎(chǔ)，通過對玩家將要進(jìn)行的動作或者選擇的畫面場景進(jìn)行預(yù)測，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息存儲，并且在游戲的運(yùn)行過程中要保證學(xué)習(xí)元素的有效運(yùn)行，進(jìn)而讓神經(jīng)網(wǎng)絡(luò)潛移默化的學(xué)會相應(yīng)的自適應(yīng)技術(shù)，最終實現(xiàn)游戲的可玩性和趣味性，提升游戲的開發(fā)設(shè)計質(zhì)量和效果，進(jìn)而吸引更多的游戲玩家。
3 BP神經(jīng)網(wǎng)絡(luò)游戲開發(fā)設(shè)計分析
在神經(jīng)網(wǎng)絡(luò)的眾多模型中，BP算法是其中較為常用的一種神經(jīng)網(wǎng)絡(luò)，一般分為輸入層、輸出層、中間層等三個部分，各個層之間按順序進(jìn)行連接，因為中間存在隱含層，可以從中發(fā)現(xiàn)一定的學(xué)習(xí)規(guī)律，可以通過對這種網(wǎng)絡(luò)的有效訓(xùn)練，進(jìn)而形成一種較為復(fù)雜、多樣的決策界面[4]。同時，BP神經(jīng)網(wǎng)絡(luò)具有一個強(qiáng)大的功能，其主要就是能夠封裝一個將信息輸入映射到信息輸出的非線性函數(shù)。假如不存在隱含層，那么神經(jīng)網(wǎng)絡(luò)只能發(fā)現(xiàn)信息輸入與信息輸出之間存在的線性關(guān)系。但是，僅僅是為感知網(wǎng)絡(luò)增添一個隱含層還是遠(yuǎn)遠(yuǎn)不夠的，需要通過非線性激活函數(shù)為網(wǎng)絡(luò)連接提供相應(yīng)的非線性元素。大多數(shù)的非線性函數(shù)基本上都能夠進(jìn)行使用，但是多項式函數(shù)除外。
在游戲中，設(shè)置網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)實現(xiàn)的基本步驟，可以將特定數(shù)據(jù)當(dāng)做輸入訓(xùn)練網(wǎng)絡(luò)，并且在游戲的具體輸入中進(jìn)行實際應(yīng)用。在游戲問題的神經(jīng)網(wǎng)絡(luò)設(shè)計中，應(yīng)該注意結(jié)構(gòu)、學(xué)習(xí)、神經(jīng)元特點等三個方面的因素。其中結(jié)構(gòu)主要就是指要進(jìn)行構(gòu)造的神經(jīng)網(wǎng)絡(luò)組織、連接方式以及基本類型。而且在神經(jīng)網(wǎng)絡(luò)中節(jié)點數(shù)設(shè)計要遵循相關(guān)的原則就是越少越好。神經(jīng)網(wǎng)絡(luò)中的節(jié)點數(shù)越多，那么神經(jīng)網(wǎng)絡(luò)搜索正確解的空間范圍就越廣闊[5]。神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點數(shù)在一定程度上決定著模式匹配或網(wǎng)絡(luò)分類的變量數(shù)，例如，籃球類型的游戲中，運(yùn)動員投籃命中、灌籃動作、球員分布、難度等級等變量數(shù)。
4 結(jié)語
總而言之，網(wǎng)絡(luò)游戲作為一種新型的娛樂方式，具有著較強(qiáng)的生活模擬性和互動性，深受廣大社會群眾的喜愛。因此，我國應(yīng)該重視游戲產(chǎn)業(yè)的發(fā)展，不斷加大對網(wǎng)絡(luò)游戲的開發(fā)和設(shè)計，將神經(jīng)網(wǎng)絡(luò)有效的應(yīng)用到網(wǎng)絡(luò)游戲開發(fā)的實踐中去，尤其是BP神經(jīng)網(wǎng)絡(luò)，它不僅可以預(yù)測玩家的行為，及時提供信息反饋，同時還能提高網(wǎng)絡(luò)游戲的可玩性和趣味性，提升游戲設(shè)計的整體質(zhì)量和效果，有利于促進(jìn)我國游戲開發(fā)產(chǎn)業(yè)的發(fā)展和進(jìn)步。
參考文獻(xiàn)：
[1]余穎.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的人工智能游戲研究與應(yīng)用[D].湖南大學(xué)，2011.
[2]王淑琴.神經(jīng)網(wǎng)絡(luò)和遺傳算法在游戲設(shè)計中的應(yīng)用研究[D].東北師范大學(xué)，2014.
[3]f潭凱.神經(jīng)網(wǎng)絡(luò)在即時戰(zhàn)略游戲中的應(yīng)用[D].福州大學(xué)，2014.
第9篇：人工神經(jīng)網(wǎng)絡(luò)的算法范文
隨著計算機(jī)網(wǎng)絡(luò)、信息技術(shù)、自動化技術(shù)的進(jìn)步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過互聯(lián)網(wǎng)進(jìn)行動態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進(jìn)步，已經(jīng)廣泛應(yīng)用在社會各個領(lǐng)域，使現(xiàn)代計算機(jī)中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會領(lǐng)域的具體應(yīng)用。
【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢
人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實際問題主要包括兩個過程，一個是學(xué)習(xí)訓(xùn)練過程，另外一個是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理、圖像處理、智能識別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們在交通運(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。
1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)
人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個世紀(jì)八十年代人工智能發(fā)展興起的一個研究熱點，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實就是一種運(yùn)算模型，它是通過大量的節(jié)點――神經(jīng)元連接起來的，其中不同的節(jié)點所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當(dāng)有兩個節(jié)點連接起來時稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實時學(xué)習(xí)、自適應(yīng)性和自組織性等特點。
2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析
隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。
2.1 生物信號的檢測分析
目前大部分醫(yī)學(xué)檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號檢測方面的難題，其適應(yīng)性和獨立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學(xué)圖像、肌電荷胃腸等信號的處理、識別和分析。
2.2 醫(yī)學(xué)專家系統(tǒng)
傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗、學(xué)歷、臨床診斷方面取得的成績等存儲在計算機(jī)中，構(gòu)建獨立的醫(yī)學(xué)知識庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲的醫(yī)學(xué)知識越來越多，每天產(chǎn)生新的病況和知識，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。
2.3 市場價格預(yù)測
在經(jīng)濟(jì)活動中，傳統(tǒng)統(tǒng)計方法受到一些因素的制約，無法對價格變動做出準(zhǔn)確的預(yù)測，因此難免在預(yù)測的時候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計方法無法比擬的優(yōu)勢。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個完整的預(yù)測模型，準(zhǔn)確預(yù)測出商品的價格變動情況。
2.4 風(fēng)險評價
在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項活動時，對活動進(jìn)行有效的預(yù)測和評估，避免風(fēng)險。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險的實際來源，構(gòu)筑一套信用風(fēng)險模型結(jié)構(gòu)和風(fēng)險評估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險模型分析彌補(bǔ)主觀預(yù)測方面的不足，從而達(dá)到避免風(fēng)險的目的。
3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展
人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對語言識別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。
4 結(jié)語
通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎(chǔ)上不斷尋找新的突破點，加強(qiáng)對生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會創(chuàng)造更大的財富。
參考文獻(xiàn)
[1]周文婷，孟琪.運(yùn)動員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預(yù)測（綜述）[J].哈爾濱體育學(xué)院學(xué)報，2015，33（03）：15-21.
[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信，2014（02）：76-76.
[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報，2001，27（05）：564-568.
