前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經網絡綜述范文，相信會為您的寫作帶來幫助，發(fā)現更多的寫作思路和靈感。

人工神經網絡綜述范文第1篇

【關鍵詞】人工神經網絡 信息技術 發(fā)展趨勢

人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發(fā)展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的發(fā)展，人工神經網絡技術得到了快速的發(fā)展階段。

1人工神經網絡技術

人工神經網絡技術也稱ANN，是隨著上個世紀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網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節(jié)點——神經元連接起來的，其中不同的節(jié)點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節(jié)點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統(tǒng)，這種工作機理與傳統(tǒng)的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2人工神經網絡技術應用分析

隨著人工神經網絡技術的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機器人控制等方面的應用較廣。

2.1生物信號的檢測分析

目前大部分醫(yī)學檢測設備都是通過連續(xù)波形得到相關數據，從而根據所得數據對病情進行診斷。人工神經網絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫(yī)學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫(yī)學領域該技術主要應用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2醫(yī)學專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫(yī)學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫(yī)院需要存儲的醫(yī)學知識越來越多，每天產生新的病況和知識，過去的一些專家系統(tǒng)顯然已經無法適應醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經網絡技術的出現為醫(yī)院專家系統(tǒng)的構建提出了新的發(fā)展方向，通過人工神經網絡技術，系統(tǒng)能夠自主學習、自己組織、自行推理。因此在醫(yī)學專家系統(tǒng)中該網絡技術應用面較廣。麻醉醫(yī)學、重癥醫(yī)學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或者尚未發(fā)現的關系與現象，通過人工神經網絡便能有效地解決。

2.3市場價格預測

在經濟活動中，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確的預測，因此難免在預測的時候出現失誤的現象。人工神經網絡技術能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數據，并作出有效地預測，因此人工神經網絡技術具有傳統(tǒng)統(tǒng)計方法無法比擬的優(yōu)勢。例如人工神經網絡技術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測模型，準確預測出商品的價格變動情況。

2.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，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網絡技術可以根據風險的實際來源，構筑一套信用風險模型結構和風險評估系數，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3人工神經網絡技術未來發(fā)展

人工神經網絡克服了傳統(tǒng)人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統(tǒng)、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結合，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，人工神經網絡正在模擬人類認知的方向發(fā)展，目前市場已經有很多不少人工智能產品面世。

4結語

通過上述研究分析，人工神經網絡技術已經取得了相應的發(fā)展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統(tǒng)的研究和探索，進一步挖掘其潛在的價值，將人工神經網絡技術應用在更多領域中，為社會創(chuàng)造更大的財富。

參考文獻

[1]周文婷,孟琪.運動員賽前心理調控的新策略——基于人工神經網絡技術的比賽場地聲景預測(綜述)[J].哈爾濱體育學院學報,2015,33(03):15-21.

[2]張紅蘭.人工神經網絡技術的應用現狀分析[J].中國新通信,2014(02):76-76.

人工神經網絡綜述范文第2篇

關鍵詞：BP神經網絡、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號：TP183 文獻標識碼：A文章編號：

引言

BP人工神經網絡算法是現今應用較為廣泛的多層前向反饋式神經網絡算法，BP人工神經網絡有較好的容錯能力、魯棒性、并行協(xié)同處理能力和自適應能力，受到了國內外眾多領域學者的關注。由于神經網絡高效率的集體計算能力和較強的魯棒性，它在圖像分割方面的應用已經很廣泛，Jain和Karu采用了多通道濾波與前向神經網絡相結合的方法實現圖像紋理分割算法。神經網絡算法在特征提取階段，壓縮特征數量，以提高分類速度和精度。在圖像識別領域中神經網絡作為分類器的研究也得到了很大的進展，尤其是其學習能力和容錯性對于模式識別是非常有利的，在一定程度上提高了訓練速度和識別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識別，每一層神經網絡處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經網絡的基本原理

人工神經網絡的研究起源于對生物神經系統(tǒng)的研究，它將若干處理單元（即神經元）通過一定的互連模型連結成一個網絡，這個網絡通過一定的機制可以模仿人的神經系統(tǒng)的動作過程，以達到識別分類的目的。人工神經網絡區(qū)別于其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與了解，具有一定的智能化處理的特點。神經網絡的學習過程實際上就是不斷地調整權值和閾值的過程。根據有無訓練樣本的指導可以將神經網絡的學習方式分為兩種：監(jiān)督學習方式和非監(jiān)督學習方式，也稱為有導師指導學習方式和無導師指導學習方式。監(jiān)督學習方式，是在給定固定的輸入輸出樣本集的情況下，由網絡根據一定的學習規(guī)則進行訓練學習，每一次學習完成后，通過對比實際的輸出和期望的輸出，以此決定網絡是否需要再學習，如果還沒有達到期望的誤差，則將實際誤差反饋到網絡，進行權值和閾值的調整，使實際的誤差隨著學習的反復進行而逐步減小，直至達到所要求的性能指標為止。非監(jiān)督學習方式，是在沒有外界的指導下進行的學習方式，在學習過程中，調整網絡的權重不受外來教師的影響，但在網絡內部會對其性能進行自適應調節(jié)。

BP神經網絡分類器的設計

BP神經網絡是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經網絡，由輸入層、輸出層、一個或多個隱含層所組成。BP神經網絡結構確定之后，通過對輸出和輸入樣本集進行訓練，反復修正網絡的權值和閾值，達到學習訓練的期望誤差，以使網絡能夠實現給定的輸入輸出映射關系。BP人工神經網絡的學習過程分為兩個階段，第一階段是輸入己知的學習樣本數據，給定網絡的結構和初始連接權值和閾值，從輸入層逐層向后計算各神經元的輸出；第二階段是對權值和閾值進行修改，即根據網絡誤差從最后一層向前反饋計算各層權值和閾值的增減量，來逐層修正各層權值和閾值。以上正反兩個階段反復交替，直到網絡收斂。具體實現步驟如下：

(1) 網絡的初始化：首先對輸入的學習訓練樣本進行歸一化處理，對權值矩陣W和閾值向量賦初值，將網絡計數器和訓練次數計數器置為1，網絡誤差置為0。

(2) 輸入訓練樣本，計算輸入層，隱含層以及輸出層的實際輸出。

(3) 計算網絡輸出誤差。將實際的輸出和期望的輸出值進行對比，采用均方根誤差指標作為網絡的誤差性能函數。

(4) 若誤差還沒達到期望標準，則根據誤差信號，逐層調整權值矩陣和閾值向量。

(5) 若最終調整之后的網絡輸出達到了誤差范圍之內，則進行下一組訓練樣本繼續(xù)訓練網絡。

(6) 若全部的訓練樣本訓練完畢，并且達到了期望的誤差，則訓練結束，輸出最終的網絡聯接權值和閾值。

BP神經網絡可以逼近任意連續(xù)函數，具有很強的非線性映射能力，而且BP神經網絡中間層數、各層神經元數及網絡學習速率等參數均可以根據具體情況設定，靈活性較強，所以BP神經網絡在許多領域中廣泛應用。一般來說，神經網絡方法應同傳統(tǒng)的人工智能方法相聯系的。神經網絡本身結構及性能上的特點使其對問題的處理更富有彈性，更加穩(wěn)健。神經網絡的基本特點是采用自下而上的設計思路，使其容易確定具體的目標分割或識別算法，在增加了不確定因素的同時也產生了網絡最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實踐中并非所有的偽狀態(tài)對應完全失敗的結果，但是畢竟這不符合對之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經網絡同人工智能結合起來，相當于賦予神經網絡高層指導的知識及邏輯推理的能力，具有潛在的優(yōu)勢。

輸入層中間層 輸出層

圖1 BP人工神經網絡結構

BP神經網絡的訓練

4.1 BP神經網絡的設計

BP神經網絡的設計主要包括兩方面內容：一是神經網絡結構的確定，特別是隱含層層數及隱含層單元數目的確定；二是高精度收斂問題，隱含層和隱含層單元數過多，將導致訓練時間過長并出現過度擬和的問題，隱含層單元數過少又導致網絡收斂速度慢甚至不收斂，達不到誤差精度要求。在確定隱含層層數以及隱含層單元數目時，沒有一個嚴格的理論依據指導，需要根據特定的問題，結合經驗公式確定大致范圍來進行逐步試算比較得到。

4.2 數據預處理

為了加快網絡的訓練速度，通常在網絡訓練前進行神經網絡輸入和輸出數據預處理，即將每組數據都歸一化變?yōu)閇-1,1]之間的數值的處理過程。

4.3 神經網絡的訓練

%當前輸入層權值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當前網絡層權值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設置訓練參數

net.trainParam.show = 1000;%限時訓練迭代過程

net.trainParam.lr = 0.1; %學習率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓練次數，缺省為100

net.trainParam.goal = 0.001; %訓練要求精度，缺省為0

[net,tr]=train(net,P,T);%調用 TRAINGDM 算法訓練 BP 網絡

A = sim(net,P) %對 BP 網絡進行仿真

E = T - A;%計算仿真誤差

MSE=mse(E)

結束語

BP網絡因為具有較強的學習性、自適應型和容錯性，在很多領域均已經大量運用。本文將BP人工神經網絡運用于圖像的識別，探索人工神經網絡在圖像識別領域中的重要的現實意義。研究表明，BP人工神經網絡應用于圖像識別在一定程度上提高了識別的效率和準確率。但是，BP神經網絡算法還存在以下幾點不足之處：（1）權的調整方法存在局限性，容易陷入局部最優(yōu)；（2）網絡的結構需要提前指定或者在訓練過程中不斷的修正；（3）過分依賴學習樣本，由于學習樣本是有限的或者學習樣本質量不高，那么會導致訓練達不到效果；（4）對于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點、判斷不準確等缺陷?？傊?，如何解決以上問題，如何進一步提高識別精度，擴大識別范圍，使之更具有更好的工程實用性，是有待進一步研究的內容。

參考文獻：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學工．模式識別（第二版）[M]．清華大學出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實用數字圖像處理[M]．科學出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經網絡的圖像識別研究[J]．武漢科技大學學報（自然科學版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經網絡理論與應用（第2版）[M]．北京：中國科學技術出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計算機工程與科學．2005．27（12）．68-71．

[9] 賈花萍．基于神經網絡的特征選擇與提取方法研究[J]．網絡安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．數字圖像處理與分析[M]．清華大學出版社，北京．2006．7．

人工神經網絡綜述范文第3篇

關鍵詞：人工智能 機器學習 機器人情感獲得 發(fā)展綜述

中圖分類號：TP18 文獻標識碼：A 文章編號：1003-9082 （2017） 04-0234-01

引言

人類自從工業(yè)革命結束之后，就已然開始了對人工智能的探索，究其本質，實際上就是對人的思維進行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時期，那時圖靈就希望未來的智能系統(tǒng)能夠像人一樣思考。在20世紀五十年代，人工智能被首次確定為一個新興的學科，并吸引了大批的學者投入到該領域的研究當中。經過長時間的探索和嘗試，人工智能的許多重要基本理論已經形成，如模式識別、特征表示與推理、機器學習的相關理論和算法等等。進入二十一世紀以來，隨著深度學習與卷積神經網絡的發(fā)展，人工智能再一次成為研究熱點。人工智能技術與基因過程、納米科學并列為二十一世紀的三大尖端技術， 并且人工智能涉及的學科多，社會應用廣泛，對其原理和本質的理解也更為復雜。 一、人工智能的發(fā)展歷程

回顧人工智能的產生與發(fā)展過程 ，可以將其分為：初期形成階段，綜合發(fā)展階段和應用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對人腦神經元模型的抽象。其早期工作被認為是由美國的神經學家和控制論學者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學的研究生制造出了第一臺人工神經元計算機。而其真正作為一個新的概念被提出是在1956年舉行的達茅斯會議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學科。1969年的國際人工智能聯合會議標志著人工智能得到了國際的認可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數學、生物、計算機、神經科學等相關學科的學者參與該領域的研究。

2.綜合發(fā)展階段

1.7 7年， 費根鮑姆在第五屆國際人工智能聯合會議上正式提出了“知識工程”這一概念。而后其對應的專家系統(tǒng)得到發(fā)展，許多智能系統(tǒng)紛紛被推出，并應用到了人類生活的方方面面。20世紀80年代以來，專家系統(tǒng)逐步向多技術、多方法的綜合集成與多學科、多領域的綜合應用型發(fā)展。大型專家系統(tǒng)開發(fā)采用了多種人工智能語言、多種知識表示方法、多種推理機制和多種控制策略相結合的方式， 并開始運用各種專家系統(tǒng)外殼、專家系統(tǒng)開發(fā)工具和專家系統(tǒng)開發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過程中，人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展，并能夠在一些具體的任務中接近甚至超過人類專家的水平。

3.應用階段

進入二十一世紀以后，由于深度人工神經網絡的提出，并在圖像分類與識別的任務上遠遠超過了傳統(tǒng)的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學的Geoffery Hinton及其學生在《Science》雜志上發(fā)表文章，其中首次提到了深度學習這一思想，實現對數據的分級表達，降低了經典神經網絡的訓練難度。并隨后提出了如深度卷積神經網絡（Convolutional Neural Network， CNN），以及區(qū)域卷積神經網絡（Region-based Convolutional Neural Network， R-CNN），等等新的網絡訓練結構，使得訓練和測試的效率得到大幅提升，識別準確率也顯著提高。

二、人工智能核心技術

人工智能由于其涉及的領域較多，內容復雜，因此在不同的應用場景涉及到許多核心技術，這其中如專家系統(tǒng)、機器學習、模式識別、人工神經網絡等是最重要也是發(fā)展較為完善的幾個核心技術。

1.專家系統(tǒng)

專家系統(tǒng)是一類具有專門知識和經驗的計算機智能程序系統(tǒng)，通過對人類專家的問題求解能力建模，采用人工智能中的知識表示和知識推理技術來模擬通常由專家才能解決的復雜問題，達到具有與專家同等解決問題能力的水平。對專家系統(tǒng)的研究，是人工智能中開展得較為全面、系統(tǒng)且已經取得廣泛應用的技術。許多成熟而先進的專家系統(tǒng)已經被應用在如醫(yī)療診斷、地質勘測、文化教育等方面。

2.機器學習

機器學習是一個讓計算機在非精確編程下進行活動的科學，也就是機器自己獲取知識。起初，機器學習被大量應用在圖像識別等學習任務中，后來，機器學習不再限于識別字符、圖像中的某個目標，而是將其應用到機器人、基因數據的分析甚至是金融市場的預測中。在機器學習的發(fā)展過程中，先后誕生了如凸優(yōu)化、核方法、支持向量機、Boosting算法等等一系列經典的機器學習方法和理論。機器學習也是人工智能研究中最為重要的核心方向。

3.模式識別

模式識別是研究如何使機器具有感知能力 ，主要研究圖像和語音等的識別。其經典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發(fā)展起來應用模糊數學模式、人工神經網絡模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計學習的識別方法。圖形識別方面例如識別各種印刷體和某些手寫體文字，識別指紋、癌細胞等技術已經進入實際應用。語音識別主要研究各種語音信號的分類，和自然語言理解等等。模式識別技術是人工智能的一大應用領域，其非常熱門的如人臉識別、手勢識別等等對人們的生活有著十分直接的影響。

4.人工神經網絡

人工神經網絡是在研究人腦的結構中得到啟發(fā)， 試圖用大量的處理單元模仿人腦神經系統(tǒng)工程結構和工作機理。而近年來發(fā)展的深度卷積神經網絡（Convolutional neural networks， CNNs）具有更復雜的網絡結構，與經典的機器學習算法相比在大數據的訓練下有著更強的特征學習和表達能力。含有多個隱含層的神經網絡能夠對輸入原始數據有更抽象喝更本質的表述，從而有利于解決特征可視化以及分類問題。另外，通過實現“逐層初始化”這一方法，實現對輸入數據的分級表達，可以有效降低神經網絡的訓練難度。目前的神經網絡在圖像識別任務中取得了十分明顯的進展，基于CNN的圖像識別技術也一直是學術界與工業(yè)界一致追捧的熱點。

三、機器人情感獲得

1.智能C器人現狀

目前智能機器人的研究還主要基于智能控制技術，通過預先定義好的機器人行動規(guī)則，編程實現復雜的自動控制，完成機器人的移動過程。而人類進行動作、行為的學習主要是通過模仿及與環(huán)境的交互。從這個意義上說，目前智能機器人還不具有類腦的多模態(tài)感知及基于感知信息的類腦自主決策能力。在運動機制方面，目前幾乎所有的智能機器人都不具備類人的外周神經系統(tǒng)，其靈活性和自適應性與人類運動系統(tǒng)還具有較大差距。

2.機器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發(fā)達的神經系統(tǒng)的處理下獲得情感。智能機器人在不斷的機器學習和大數據處理中，中樞處理系統(tǒng)不斷地自我更新、升級，便具備了獲得情感的可能性及幾率。不斷地更新、升級的過程類似于生物的進化歷程，也就是說，智能機器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機器人獲得情感的利弊

機器人獲得情感在理論可行的情況下，伴之而來的利弊則眾說紛紜。一方面，擁有豐富情感世界的機器人可以帶來更多人性化的服務，人機合作也可進行地更加深入，可以為人類帶來更為逼真的體驗和享受。人類或可與智能機器人攜手共創(chuàng)一個和諧世界。但是另一方面，在機器人獲得情感時，機器人是否能徹底貫徹人類命令及協(xié)議的擔憂也迎面而來。

4.規(guī)避機器人情感獲得的風險

規(guī)避智能機器人獲得情感的風險應預備強制措施。首先要設計完備的智能機器人情感協(xié)議，將威脅泯滅于未然。其次，應控制智能機器人的能源獲得，以限制其自主活動的能力，杜絕其建立獨立體系的可能。最后，要掌控核心武器，必要時強行停止運行、回收、甚至銷毀智能機器人。

三、總結

本文梳理了人工智能的發(fā)展歷程與核心技術，可以毋庸置疑地說，人工智能具有極其廣闊的應用前景，但也伴隨著極大的風險?；仡櫰浒l(fā)展歷程，我們有理由充分相信，在未來人工智能的技術會不斷完善，難題會被攻克。作為世界上最熱門的領域之一，在合理有效規(guī)避其風險的同時，獲得情感的智能機器人會造福人類，并極大地幫助人們的社會生活。

參考文獻

[1]韓曄彤.人工智能技術發(fā)展及應用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機學報，2016，（01）：212-222.

[3]張越.人工智能綜述：讓機器像人類一樣思考

人工神經網絡綜述范文第4篇

摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經網絡理論的模擬電路故障診斷方法進行了綜述．指出了小波神經網絡應用于模擬電路故障診斷存在的問題和未來的應用前景。

    模擬電路故障診斷在理論上可概括為:在已知網絡拓撲結構、輸人激勵和故障響應或可能已知部分元件參數的情況下，求故障元件的參數和位置。

    盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數識別法、故障驗證法等。但是由于模擬電路測試和診斷有其自身困難，進展比較緩慢。其主要困難有:模擬電路中的故障模型比較復雜，難以作簡單的量化;模擬電路中元件參數具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時需要大量的復雜計算;實際的模擬電路中可測電壓的節(jié)點數非常有限.導致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。

    因此，以往對模擬電路故障診斷的研究主要停留在中小規(guī)模線性無容差或小容差的情況，有些方法也已成功地應用于工程實際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經網絡則因其利于模擬人類處理問題的過程、容易顧及人的經驗且具有一定的學習能力等特點，所以在這一領域得到了廣泛應用。

1小波分析理論在模擬電路故障診斷中的應用現狀分析

    簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數的伸縮和平移，是fourier分析、gabor分析和短時fourier分析發(fā)展的直接結果。小波分析的基木原理是通過小波母函數在尺度上的伸縮和時域上的平移來分析信號，適當選擇母函數.可以使擴張函數具有較好的局部性，小波分析是對信號在低頻段進行有效的逐層分解，而小波包分析是對小波分析的一種改進，它為信號提供了一種更加精細的分析方法，對信號在全頻段進行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩(wěn)信號的奇異性分析。如:利用連續(xù)小波變換可以檢測信號的奇異性，區(qū)分信號突變和噪聲，利用離散小波變換可以檢測隨機信號頻率結構的突變。

    小波變換故障診斷機理包括:利用觀測器信號的奇異性進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換具有不需要系統(tǒng)的數學模型、故障檢測靈敏準確、運算量小、對噪聲的抑制能力強和對輸入信號要求低的優(yōu)點。但在大尺度下由于濾波器的時域寬度較大，檢測時會產生時間延遲，且不同小波基的選取對診斷結果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預處理器之后，再將這些故障特征信息送人故障分類處理器進行故障診斷。小波分析理論的應用一般被限制在小規(guī)模的范圍內，其主要原因是大規(guī)模的應用對小波基的構造和存儲需要的花費較大。

2神經網絡理論在模擬電路故障診斷中的應用分析

    人工神經網絡(ann)是在現代神經科學研究成果的基礎上提出來的，是一種抽象的數學模型，是對人腦功能的模擬。經過十幾年的發(fā)展，人工神經網絡已形成了數十種網絡，包括多層感知器kohomen自組織特征映射、hopfield網絡、自適應共振理論、art網絡、rbf網絡、概率神經網絡等。這些網絡由于結構不同，應用范圍也各不相同。由于人工神經網絡本身不僅具有非線性、自適應性、并行性、容錯性等優(yōu)點以及分辨故障原因、故障類型的能力外，而且訓練過的神經網絡能儲存有關過程的知識，能直接從定量的、歷史故障信息中學習。所以在20世紀80年代末期，它已開始應用于模擬電路故障診斷。隨著人工神經網絡的不斷成熟及大量應用，將神經網絡廣泛用于模擬電路的故障診斷已是發(fā)展趨勢。by神經網絡由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領域，因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經網絡。

3小波神經網絡的應用進展分析

3,1小波分析理論與神經網絡理論結合的必要性

    在神經網絡理論應用于模擬電路故障診斷的過程中，神經網路對于隱層神經元節(jié)點數的確定、各種參數的初始化和神經網絡結構的構造等缺乏更有效的理論性指導方法，而這些都將直接影響神經網絡的實際應用效果。小波分析在時域和頻域同時具有良好的局部化特性，而神經網絡則具有自學習、并行處理、自適應、容錯性和推廣能力二因此把小波分析和神經網絡兩者的優(yōu)點結合起來應用于故障診斷是客觀實際的需要。

    目前小波分析與神經網絡的結合有兩種形式，一種是先利用小波變換對信號進行預處理，提取信號的特征向量作為神經網絡的輸人，另一種則是采用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合第一種結合方式是小波神經網絡的松散型結合，第二種結合方式是小波神經網絡的緊致型結合。

3.2小波分析理論與神經網絡理論的結合形式

    小波與神經網絡的松散型結合，即:用小波分析或小波包分析作為神經網絡的前置處理手段，為神經網絡提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨立的頻帶之內，各頻帶內的能童值形成一個向覺，該向童對不同的故障對應不同的值，從而可作為神經網絡的輸入特征向量一旦確定神經網絡的輸入特征向童，再根據經驗確定采用哪種神經網絡及隱層數和隱層單元數等，就可以利用試驗樣本對神經網絡進行訓練，調整權值，從而建立起所需的小波神經網絡模型。

    小波與神經網絡的緊致型結合，即:用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合，稱為狹義上的小波神經網絡，這也是常說的小波神經網絡。它是以小波函數或尺度函數作為激勵函數，其作用機理和采用sigmoid函數的多層感知器基本相同。故障診斷的實質是要實現癥狀空間到故障空間的映射，這種映射也可以用函數逼近來表示。小波神經網絡的形成也可以從函數逼近的角度加以說明。常見的小波神經網絡有:利用尺度函數作為神經網絡中神經元激勵函數的正交基小波網絡、自適應小波神經網絡、多分辨率小波網絡、區(qū)間小波網絡等。

3.3小波分析理論與神經網絡理論結合的優(yōu)點

    小波神經網絡具有以下優(yōu)點:一是可以避免m ly等神經網絡結構設計的育目性;二是具有逼近能力強、網絡學習收斂速度快、參數的選取有理論指導、有效避免局部最小值問題等優(yōu)點。

    在模擬電路故障診斷領域，小波神經網絡還是一個嶄新的、很有前途的應用研究方向。隨著小波分析理論和神經網絡理論的不斷發(fā)展，小波神經網絡應用于模擬電路故障診斷領域將日益成熟。

人工神經網絡綜述范文第5篇

關鍵詞：負荷預y；電力市場；時間序列法；回歸分析法；人工神經網絡法

中圖分類號：TM715

文獻標識碼：A

文章編號：1009-2374(2011)22-0005-03

一、負荷預y的含義及意義

在社會發(fā)展過程中，電力工業(yè)是國民經濟發(fā)展的基礎產業(yè)，對整個國民經濟的發(fā)展起著舉足輕重的作用，電力市場需求、電力系統(tǒng)規(guī)劃建設的基礎、依據是負荷預y，其準確度直接影響到電力的投資、布局和網絡運行的合理性和穩(wěn)定性，因此。負荷預y在國民發(fā)展的規(guī)劃中顯得尤為重要。

在電力系統(tǒng)中，負荷指電力需求量或用電量。需求量是指能量隨時問的變化率，即指功率。負荷預y包括兩個方面的含義：對未來需求量的預y和用電量的預y。電力負荷的準確預y是不僅是電力系統(tǒng)安全運行的前提，還是電力市場分析的基礎，對電力生產和國民經濟都有重要意義，隨著我國電力事業(yè)的不斷發(fā)展，高質量、高效率的電網管理已經受到國家和電力部門的高度重視，高質量的電力負荷預y問題研究已經成為現代電力系統(tǒng)運行研究的重要課題之一。

二、電力負荷預y

(一)負荷預y的分類

電力負荷預y按期限不同可以分為年度預y、月度預y和日度預y，從大的方面來分類，也可以分為長期、中期、短期和超短期負荷預y。長期預y大概為30年；中期預y為5-6年；短期預y是指幾個月、幾周、幾天、幾小時甚至更短；超短期預y一般指小時級或分鐘級的預y。

(二)負荷預y的模型

電力系統(tǒng)總負荷預y模型一般可以按四個分量模型描述為L(t)=B(t)+W(t)+s(t)+V(t)．L為時刻t的系統(tǒng)總負荷；B為時刻t的基本正常負荷分量；w為時刻t的天氣敏感負荷分量；s為時刻t的特別時間負荷分量；V為時刻t的隨機負荷分量。對于中長期負荷預y來說，E呈明顯增長趨勢的周期性變化，對于短期來說，B一般呈周期性變化；對于超短期負荷預y，B近似線性變化。

由以上可見不同的預y周期，B的內涵有不同的內涵，而對于基本正常負荷分量，可以用線性變化模型和周期變化模型描述。線性變化模型是將前面時刻的負荷描述成一條直線，其延長線即可預y下一時刻的負荷；周期變化模型，是用來反應負荷有按日、月、年得周期變化特性。

(三)負荷預y方法

電力負荷預y按預y方法可以分為經典預y方法和現代預y方法。

1．經典預y方法分為趨勢分析法，時間序列法，回歸分析法。

趨勢分析法是指根據若干歷史資料來擬合一條能反映負荷本身的增長趨勢曲線，之后再根據這個增長趨勢曲線，根據未來某一點估計出該時刻的負荷預y值。主要有有線性趨勢模型、線性趨勢模型、多項式趨勢模型、對數趨勢模型、指數趨勢模型、冪函數趨勢模型、邏輯斯蒂(Logistic)模型、龔伯茨(Gompertz)模型等模型。但是，只有符合以下兩個條件時才能正確應用趨勢分析法：一是負荷并未呈現跳躍式變化趨勢，二是負荷發(fā)展因素不變或變化較小。對于趨勢分析法的應用來說，選擇合適趨勢模型至關重要，選擇趨勢模型的方法有兩種，一是圖形識別法，二是差分法。大多數情況下，能夠選擇好適當的趨勢曲線，能夠預y出較好的結果。其中的關鍵在于，人們要根據地區(qū)發(fā)展的不同情況，來選擇合適的模型。

時間序列法是目前電力系統(tǒng)短期負荷預y中發(fā)展較為成熟的算法，是根據負荷的歷史數據的一個時間系列，建立描述電力負荷隨時問變化的數學模型，在該模型的摹礎上確立負荷預y的表達式，并對未來負荷進行預y。時間序列方法優(yōu)點是所需數據少，工作量??；計算速度較快；反映了負荷近期變化的連續(xù)性。時間序列方法存在的不足是建模過程比較復雜，需要較高的理論知識；該模型對原始時間序列的平穩(wěn)性要求較高，只適用于負荷變化比較均勻的短期預y；沒有考慮影響負荷變化的因素，對不確定性因素(如天氣、節(jié)假日等)考慮不足，當天氣變化較大或遇到節(jié)假日時，該模型預y誤差較大。

回歸分析法是根據歷史數據的變化規(guī)律和影響負荷變化的因素，尋找自變量與因變量之間的相關關系及其回歸方程式，確定模型參數，據此推斷將來時刻的負荷值?；貧w分析法的優(yōu)點是計算原理和結構形式簡單，預y速度快，外推性能好，對于歷史上沒有出現的情況有較好的預y。存在的不足是對歷史數據要求較高，采用線性方法描述比較復雜的問題，結構形式過于簡單，精度較低；該模型無法詳細描述各種影響負荷的因素，模型初始化難度較大，需要豐富的經驗和較高的技巧。

2．現代預y方法是基于非參數模型的，主要采用專家系統(tǒng)、灰色系統(tǒng)、模糊邏輯和人工神經網絡理論建立的方法。

專家系統(tǒng)預y法是一個用基于專家知識的程序設計方法建立起來的計算機系統(tǒng)(在現階段主要表現為計算機軟件系統(tǒng))，它擁有某個特殊領域內專家的知識和經驗，并能像專家那樣運用這些知識，通過推理在某個領域內作出智能決策，所以，一個完整的專家系統(tǒng)由4個部分組成：知識庫、推理機、知識獲取部分和解釋界面。專家系統(tǒng)技術應用到負荷預y上，可以克服單一算法的片面性；同時全過程的程序化，使本方法還具有快速決斷的優(yōu)點。此方法雖然有較廣泛的使用前景，但由于預y專家比較缺乏，預y過程容易出現人為差錯，在建數據庫及將專家經驗轉化為數學規(guī)則時存在一系列的困難。目前，此方法在實踐中應用不廣泛。

灰色系統(tǒng)預y法是利用部分明確信息，通過形成必要的有限數列和微分方程，尋求各參數間的規(guī)律，從而推出不明確信息發(fā)展趨勢的分析方法?；疑Ay又稱GM模型。GM(1，N)表示一階的N變量的微分方程模型，GM(1，1)則是一階一個變量的微分方程模型，灰色預y模型的優(yōu)點是，建模時不需要計算統(tǒng)計特性量，從理論上講，可以適用于任何非線性變化的負荷指標預y；不足之處是，其微分方程指數解比較適合于具有指數增長趨勢的負荷指標，對于具有其它趨勢的指標則擬合灰度較大，精度難以提高。

模糊邏輯預y法是以模糊集合論、模糊語言變量及模糊邏輯推理為基礎的非線性智能控制，它基于模糊推理，模仿人的思維方式，對難以建立精確數學模型的對象實施的一種控制。它是模糊數學同控制理論相結合的產物，模糊控制器的設計依賴于實踐經驗。但是，有時人們對過程認識不足，或者總結不出完整經驗，這樣模糊邏輯勢必粗糙，不完善用于負荷預y，難以滿足對精度的要求。

負荷預y技術經過幾十年的發(fā)展，人們提出了許多預y方法。現在的預y方法大體可以分為兩大類：數學方法統(tǒng)計和人工智能方法。人工智能方法是在20世紀90年代中期開始運用，其中人工神經網絡方法屬于運用較成功的方法。

(四)人工神經網絡法

傳統(tǒng)意義上的電力負荷預y都是通過人工完成的，工作人員通過整理收集歷史負荷數據，采用一定的預y方法，對歷史數據加以計算，得到預y結果后，再結合自己的經驗加以修正，便得出了最后的預y數據。在整個過程中，整理以前的數據，預y算法的選用和預y工作人員的經驗，都是制約預y結果的因素，而這些因素是不可避免的會存在問題，會對預y結果產生很大的影響，使預y的精度難以保證。

如果負荷預y出現問題，電網的發(fā)展便不能適應實際發(fā)展的需要，就無法滿足用戶正常用電需求。因此，電力企業(yè)迫切需要建立適合自己本企業(yè)的電力負荷預y系統(tǒng)，這種系統(tǒng)必須保證企業(yè)在現有的資源條件下，能夠克服人工預y的各種弊端，這就要求預y系統(tǒng)不僅達到較高的預y精度，還要具備自動化和智能化的特征。

人工神經網絡法是以人類大腦神經網絡為基礎，模擬人類神經活動的仿生系統(tǒng)。具有以下很多優(yōu)于傳統(tǒng)人工計算負荷量的特點：

1．高度的非線性。不是單純的數學計算，會綜合考慮到經濟、時間、天氣、地域等影響負荷的因素，可以連續(xù)多日進行負荷預y電力系統(tǒng)，這樣就保證了負荷預y的精準度。

2．良好的自學習和自適應性。從真正意義上來說，不只是一個單板的計算機，可以對大量非結構性、非精確性規(guī)律具有自適應功能，可以根據自己的學習要求，來適應各方面的發(fā)展和變化，其自學習和自適應功能是常規(guī)算法和傳統(tǒng)技術所不具備的。

3．良好的容錯性和聯想記憶能力。新增的這一能力就保證了計算機的智能化和自動化，可以把歷史預y數據記錄下來，降低再出現的出錯率，并且可以根據這些歷史數據，預y出可能出現的問題，這就大大提高了預y的準確性。

4．人工神經網絡結構簡單。它是由許多的簡單處理單元組合而成，是理論化的人腦神經網絡的模型，它的工作工程是通過模仿大腦神經網絡結構和功能，建立信息處理系統(tǒng)，將收集和記錄的負荷數據，預y未來的用電量。

因此，負荷預y被當作人工神經網絡具有最有潛力的應用領域之一。

三、人工神經網絡的發(fā)展

人工神經網絡技術由于自身的優(yōu)點并且經過不斷發(fā)展已逐漸成熟，并成功的應用于模式識別基于人工神經網絡的電力負荷預y系統(tǒng)?；谲浖缑婕軜媮肀ＷC系統(tǒng)與其他應用的良好集成，避免過去人工預y的盲目與隨意，保證了負荷預y更準確，更高效。

人工神經網絡技術預y手段的先進性。包含兩層意思：一是預y工具的先進性，由于數據量很大，人工神經網絡是通過計算機進行各種統(tǒng)計分析及預y工作，預y人員可以從繁雜的大量計算中解脫出來；二是預y理論的先進性，由于人工神經網絡可以不斷發(fā)展和應用新的預y理論，借鑒其他領域預y工作中的成功經驗，這樣就使電力系統(tǒng)負荷預y達到一個較高的水平。以現代化的地理信息系統(tǒng)為基礎，與市場營銷系統(tǒng)、調度自動化系統(tǒng)、負荷控制系統(tǒng)等系統(tǒng)聯網，建立現代化的市場營銷地理信息系統(tǒng)，所以說通過人工神經網絡電力負荷預y可以是準確把握市場脈搏，高速快效的分析未來電力需求的走勢。四、電力市場環(huán)境下對負荷預y的要求

負荷預y是電力系統(tǒng)安全并且經濟運行的一個重要手段，是電力交易的主要數據源，在電力市場環(huán)境里，存在著大量的不確定性因素，并且各個因素之問有著比較復雜的影響關系，本文上述方法均有一定的適用場合，各有各的優(yōu)勢和缺陷，在實際運行中，工作人員應結合當地電網的實際負荷情況及特點，考慮各種環(huán)境因素的影響，以需求預y管理為基礎，以計算機技術為支撐，建立負荷預y軟件與電力市場的軟件的有效接口，靈活地選用預y模型，積極探索預y模型的新思路和新方法。不斷提高負荷預y的準確性，促進電力企業(yè)整體經濟效益的提高，推動整個國民經濟的發(fā)展。

為了做好負荷預y工作，必須對電力系統(tǒng)負荷的現狀及歷史統(tǒng)計資料進行認真調查，搜集規(guī)劃期各行業(yè)用戶的發(fā)展資料，要不斷研究那些電力負荷所代表的國民經濟各行各業(yè)的發(fā)展規(guī)律，認清行業(yè)實際發(fā)展的可能性和未來性，更好的把握電力市場環(huán)境的發(fā)展方向。

參考文獻

[1]鐘慶，吳捷，鐘丹虹．基于系統(tǒng)論的負荷預y集成化方法

[J]．電力自動化設備,2002，(10)．

[2]王天華，王平洋，袁欽成．空間負荷預y中不確定性因素

的處理方法[J]電網技術,2001，(1)．

[3]李歷波．城市配網空間負荷預y方法及應用研究[D]，重

慶大學，2002．

[4]王天華，王平洋，袁欽成．空間負荷預y中不確定性因素