人工神經網絡的起源
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篇人工神經網絡的起源范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
人工神經網絡的起源范文第1篇
關鍵詞 BP網絡；客車備件；需求預測
中圖分類號 F426 文獻標識碼 A 文章編號 1673-9671-（2012）102-0195-01
客車備件需求是售后服務的基礎和重要組成部分。產品備件準備的是否合理，不僅關系到售后服務的質量，而且也關系到企業的經營效率。然而，準確的備件預測是相當困難的。一方面，影響備件需求量的因素很多，例如產品的市場保有量、產品的地理分布及使用狀態、備件的生命周期、備件通用度等等。另一方面，需求預測具有很強的時效性和復雜性，各種因素的影響力隨環境變化而變化。
目前國際上采用多種方法進行需求預測的應用研究，如增量法、回歸法、季節指數法、時間序列法等。但在備件需求預測方面的實際效果卻不盡如人意。起源于二十世紀八十年代的人工神經網絡（ANN）屬于人工智能技術之一，突破了傳統技術的局限，在諸多領域取得了成功。近年來，ANN技術已經成為經濟預測、管理決策領域的研究熱點，并已經成功的運用在非線性領域以及識別、智能傳感器等工程領域。
但在汽車和客車備件需求預測領域，很少見到采用該方法進行研究的案例，因此，本文著重研究神經網絡在客車備件需求預測領域的應用。
1 人工神經網絡基本理論
1.1 人工神經網絡概述
人工神經網絡（Artificial Neural Network，簡稱ANN）的研究始于20世紀四十年代初期。經過半個多世紀的興衰，經歷了從興起到又到蕭條最終走向穩步發展的艱難路途，如今人工神經網絡已經是一門比較成熟的學科了。特別是經過最近將近20年的發展，目前的人工神經網絡是一門融匯了神經學、信息學、計算機科學、工程學等為一體的邊緣交叉學科，是一種大規模、并行、復雜的非線性系統。人工神經網絡具有高度并行的處理機制，高度靈活的拓撲結構，以及強大的自組織、自學習、自適應能力和處理非線性問題的能力。因此，人工神經網絡在預測科學領域得到了高度重視。
至今為止，人工神經網絡技術的發展大致經歷了五個階段，其研究集中在三個方面：開發現有模型的應用，并在應用中根據實際運行情況對模型、算法加以改造，以提高網絡的訓練速度和運行的準確度；希望在理論上尋找新的突破，建立新的專用或通用的模型和算法；進一步對生物神經系統進行研究，不斷的豐富對人腦的認識。
人工神經網絡模擬人腦的功能，雖然只是低級近似，但區別于一般的人工智能和其他計算機智能程序，它表現出的許多特質與人類的智能相似。同人類的大腦類似，單個神經元功能很弱，但是當成千上萬的神經元組合起來所表現出的活動處理功能卻十分強大。
1.2 人工神經網絡模型
人工神經網絡是由大量的神經元按照層內連接、循環連接和層間連接等模式相互連接起來而構成的。將一個神經元的輸出送至另一個神經元作為輸入信號稱之為連接，每個連接通路對應一個連接權值，神經元的連接方式不同會生成具有不同特性的神經網絡。經過幾十年的探索，目前已經提出了上百種人工神經網絡結構，但大部分都是幾種典型網絡的組合和變形。
根據神經元的連接方式不同這一特點，可將神經網絡分為兩大類：分層網絡和相互連接型網絡。分層網絡的代表是BP網絡、RBF網絡和Hopfield網絡。
1.3 BP神經網絡
目前應用最為廣泛的神經網絡結構是多層前饋神經網絡。由于采用的網絡結構、傳遞函數和學習規則的不同，前饋網絡主要有感知神經網絡、BP網絡（Back Propagation Network）、RBF網絡等不同網絡模型。上述三種網絡各有其優缺點，經對比得知，BP網絡相比其他網絡具有算學習精度高、運行速度很快、網絡具有一定的推廣能力和概括能力等多方面優點。
因此，我們決定采用BP網絡作為客車備件需求預測的神經網絡模型。
2 基于BP網絡的客車備件需求預測設計
2.1 客車備件需求預測方法設計
2.1.1 模型輸入和輸出設計
本文選取對配件需求量影響程度大的三個因素即近期實際需求量（6個月的實際需求值）、季節性因素以及客車保有量作為網絡的輸入，分別將其量化后得到8個點作為神經網絡的輸入向量。顯而易見，目標向量Y就是某配件預測月當月的需求量。
2.1.2 數據歸一化
在本研究過程中，除了季節性因素值X7已經提前設置在0～1之間，其余各變量都應按照上式進行歸一化處理；在網絡訓練完畢進行測試時，還要將預測輸出結果進行反歸一化處理并與實際值進行比較來對網絡進行評價。
2.2 BP網絡結構設計
本研究選擇三層BP網絡即單隱層的BP網絡進行設計仿真。本文使用Kolmogorov定理和試湊法相結合的方法，經多次試驗和結果比較，選擇網絡誤差最小和訓練速度最快時對應的隱層節點個數，最終確定隱層神經元個數為17。
針對本文研究的問題，按照BP網絡的一般設計原則，中間層神經元的傳遞函數設定為S型正切函數tansig（）。由于網絡的輸出向量值已經被歸一化到區間[0，1]中，因此，輸出層神經元傳遞函數設定為 S型對數函數logsig（）。
網絡的訓練算法對網絡收斂速度、泛化能力、網絡性能等有很大影響。經過對幾種改進的BP算法進行實驗對比，觀察各算法的收斂速度和網絡誤差，最終確定最適合本研究的訓練算法為“擬牛頓算法”。
2.3 預測實現和結果對比
本文選取某大型客車制造企業的售后備件進行研究，選取高頻需求備件中的兩種數據歸一化后作為樣本數據進行實驗。根據設計好的網絡結構方案進行網絡創建和訓練仿真。使用train（）函數對兩種備件分別進行訓練。經過35次和44次訓練后，網絡目標誤差達到要求。
使用訓練好的模型開始對其余樣本數據進行預測，實際結果說明，網絡的預測誤差范圍在±7%之內，已達到客車領域備件需求預測預期目標。
在將網絡測試結果與實際值比較的同時，我們也將它與該企業目前采用的時序預測方法進行對比，結果說明利用神經網絡進行備件需求預測的效果明顯好于傳統方法。
參考文獻
[1]張立明.人工神經網絡的模型及其應用[J].復旦大學出版社，1993：5.
[2]丁杏娟.基于人工神經網絡的產品需求預測研究[J].上海交通大學碩士學位論文，2006：1.
[3]王萬森.人工智能原理及其應用[J].電子工業出版社，2000：27-51.
人工神經網絡的起源范文第2篇
33歲的加拿大發明家黎忠(Le Trung)，花光自己所有積蓄，制造了一個名為“愛子”的女性機器人。黎忠稱，“愛子”是科技與美麗邂逅的產物，她“年方”20多歲，正值青春妙齡，身材苗條，相貌姣好。她總是樂于打掃房間，幫助黎忠記賬，而且知道他愛喝什么。每天早上，“愛子”都為黎忠讀報，開始新的一天。她可以用女性溫柔的聲音告訴黎忠當天的天氣狀況，比如：“戶外是零下2℃”。“愛子”全身關鍵部位布滿傳感器，脖子上還有一個攝像頭，這樣她就可以具備觸覺、視覺和聽覺。愛子可以對撓癢和觸摸做出反應，能夠認人。可以用英語和日語說1.3萬句話。她可以點頭，手也可以動。如果有人粗魯地觸碰她，她就會憤怒地大聲叫喊。即使黎忠輕輕地拍她的頭，她也會說：“摸女孩的頭可不好，摸你自己的頭。”她甚至會扇“騷擾者”的耳光。很有趣，對吧?看來找個機器人做女友并非遙不可及。
雖然這個“愛子”還沒有“智能”到《i，Robot》中的Sunny或《Wall?E》中的瓦力那樣具有情感并自主思考，但她所具備的功能卻足以讓人大吃一驚了。那么，她為何會具有這些看起來非常“人性化”的特征呢?這一切還得從人工智能說起。
關于人工智能
人工智能(ArtificialIntelligence，AI)是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一(空間技術、能源技術、人工智能)。人工智能是研究使計算機來模擬人的某些思維過程和智能行為(如學習、推理、思考、規劃等)的學科，主要包括計算機實現智能的原理、制造類似于人腦智能的計算機，使計算機能實現更高層次的應用。人工智能將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇。從思維觀點看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智能學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等范圍發揮作用，數學進入人工智能學科，它們將互相促進而更快地發展。近年來人工智能技術獲得了迅速的發展，在很多學科領域都得到應用和發展。
隨著計算機及網絡技術的不斷發展，許多原來無法完成的工作現在已經能夠實現。目前人工智能研究的未來發展方向是智能接口、數據挖掘、主體及多主體系統。其中多主體(Multi-Agent)技術是近年來發展迅猛并在科研和工程技術領域不斷取得應用成果的重要研究方向。主體(Agent)與多主體(Multi-Agent System，MAS)系統的概念起源于人工智能領域，是分布式人工智能的主要方向之一。Agent具有自治性、可通信性、反應性、面向目標性和針對環境性等特性。
咱治性：即對自己的行為或動作具有控制權，無須外部干預，自主地完成其特定的任務；
?可通信性：每個Agent在有組織的群體中，通過相互通信接受任務指派和反饋任務執行的信息；
?反應性：Agent應具備感知環境并做出相應動作的能力；
?面向目標性：對自己的行為做出評價并使其逐步導向目標；
?針對環境性，Agent只能工作在特定的環境中。
典型的智能控制系統通常采用分層控制結構，對整個系統進行分散遞階控制，它將整個系統分為組織層、協調層和響應層。每層均由完成相應任務的Agent組成。響應層Agent對自的子系統進行控制，并向協調層反饋信息；協調層則根據反饋的信息和組織層的指令協調響應層Agent的執行過程；組織層從全局的角度對整個系統進行分析，并向低層Agent發送指令。常見的MAS的體系結構主要有Agent網絡、Agent聯盟以及“黑板”結構。Agent的任務執行機制是指系統對每個Agent分配了不同角色，各自獨立地執行一定的任務，Agent之間遵循民主協商原則和獨立自治的原則。
MAS是在單Agent理論的基礎上發展起來的，它由一組具有自主性、適應性、反應性和社會性的Agent組成，擁有較單Agent更多的資源和知識以及更強的處理能力，是分布式人工智能(Distributed Artificial Intelligence，DAI)在最近的研究中提出的一項新技術。主要應用在對現實世界和社會的模擬、機器人以及智能機械等領域。
機器人的歷史其實并不算長。1959年美國英格伯格和德沃爾制造出世界上第一臺工業機器人，至此機器人的歷史才真正開始。近百年來發展起來的機器人，大致經歷了三個成長階段，即三個時代。第一代為簡單個體機器人，第二代為群體勞動機器人，第三代為類似人類的智能機器人，它的未來發展方向是有知覺和思維，能與人對話。第一代機器人屬于示教再現型，第二代則具備了感覺能力，第三代機器人是智能機器人，它不僅具有感覺能力，而且還具有獨立判斷和行動的能力。當機器人與人類生活接觸更多時，我們可以發現機器人已漸漸擺脫冰冷的機械外觀，研究人員也正設法讓機器人具有人類般的感知能力，如視覺、聽覺、觸覺甚至情緒傳感，并能有相對應的回應等。除TX形機器人，機器人的發展方向更將無限廣闊。
智能機器人未來還能朝模仿生物的形態與功能的“仿生學”方向發展。譬如，美國國防先進研究計劃局贊助航空環境公司研究“黑寡婦”機器人，希望利用15公分長的小型仿真蜘蛛飛行器偵測到衛星也無法拍攝到的細節，伯克利大學正在研究灰塵般大小的微形機器人，只要散布在空氣中就能讓一個個微小感應器串聯成網絡；黏在指尖上，不用鍵盤就可直接操作計算機的機器人，以及撒在冰箱內就能監控食物新鮮程度的“智能型灰塵”。
展望未來，機器人將不只是勞工、手術助理、指揮家、清潔人員和寵物，只要人類的想像力源源不絕，智能機器人也將為我們的生活帶來無限驚喜。
什么技術讓機器人更智能?
1 模式識別
所謂模式，從廣義上說，就是事物的某種特性類屬，如：圖像、文字、語言、符號等感知形象信息；雷達、聲納信號、地球物探、衛星云圖等時空信息動植物種類形態、產品等級、化學結構等類別差異信息等等。模式識別是研究如何使機器具有感知能力，主要研究視覺模式和聽覺模式的識別。如
識別物體、地形，圖象、字體(如簽字)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的用統計模式和結構模式的識別方法。特別神經網絡方法在模式識別中取得較大進展。代表性產品有光學字符識別系統(Optical CharacterRecognition，OCR)、語音識別系統等。計算機識別的顯著特點是速度快、準確性和效率高。識別過程與人類的學習過程相似。
最近我國研制成功的無人駕駛系統，就標志著我國研制高速智能汽車的能力已達到當今世界先進水平。汽車自主駕駛技術是集模式識別、智能控制、計算機學和汽車操縱動力學等多門學科于一體的綜合性技術，代表著一個國家控制技術的水平。自主駕駛系統采用計算機視覺導航方式，并采用仿人控制，實現了對汽車的操縱控制。
除此之外，指紋識別系統也是模式識別技術的一個具體應用。利用模式識別技術已成功建立了利用指紋灰度圖像計算紋線局部方向、從而提取指紋特征信息的算法，這一研究成果不僅適于民用身份鑒定也適用于公安刑事偵破的指紋鑒定。目前各地已經建立指紋庫，而檢索一枚現場指紋僅需4分鐘時間。
2 專家系統
專家系統是依靠人類專家已有的知識建立起來的知識系統，目前專家系統是人工智能研究中開展較早、最活躍、成效最多的領域，廣泛應用于醫療診斷、地質勘探、石油化工、軍事、文化教育等各方面。它是在特定的領域內具有相應的知識和經驗的程序系統，它應用人工智能技術、模擬人類專家解決問題時的思維過程，來求解領域內的各種問題，達到或接近專家的水平。隨著計算機科學技術整體水平的提高，分布式專家系統、協同式專家系統等新一代專家系統的研究也發展很快。在新一代專家系統中，不但采用基于規則的推理方法，而且采用了諸如人工神經網絡的方法與技術。
根據專家系統處理的問題的類型，把專家系統分為解釋型、診斷型、調試型、維修型、教育型、預測型、規劃型、設計型和控制型等10種類型。為了實現專家系統，必須要存儲有該專門領域中經過事先總結、分析并按某種模式表示的專家知識庫，并擁有解決實際問題的推理機制。系統能借此做出決策和判斷，其解決問題的水平達到或接近專家的水平，因此能起到專家或專家助手的作用。例如血液凝結疾病診斷系統、電話電纜維護專家系統、花布圖案設計和花布印染專家系統等等。
3 人工神經網絡
人工神經網絡(Artificial NeuralNetwork，簡稱ANN)是模擬生物神經元的結構而提出的一種信息處理方法。它是一種非線性映射的方法，很多難以列出方程式或難以求解的復雜的非線性問題，應用神經網絡方法則可迎刃而解。在人工神經網絡中，信息的處理是由神經元之間的相互作用來實現的，知識與信息的存儲表現為網絡元件互連間分布式的物理聯系，網絡的學習和識別取決于和神經元連接權值的動態演化過程。人工神經網絡由大量簡單的基本元件一一神經元(neuron)相互連接而成的自適應非線性動態系統，神經元是神經網絡的基本處理單元，它一般是一個多輸入單輸出的非線性動態系統，其結構模型如所示。其中為神經元內部狀態，為閾值，為輸入信號，表示從輸入到的聯結權值。
一個人工神經網絡的神經元模型和結構描述了一個網絡如何將它的輸入矢量轉化為輸出矢量的過程。這個轉化過程從數學角度來看就是一個計算的過程。也就是說，人工神經網絡的實質體現了網絡輸入和其輸出之間的一種函數關系。通過選取不同的模型結構和激活函數，可以形成各種不同的人工神經網絡，得到不同的輸入／輸出關系式，并達到不同的設計目的，完成不同的任務，所以在利用人工神經網絡解決實際應用問題之前，必須首先掌握人工神經網絡的模型結構及其特性以及對其輸出矢量的計算。
多年來，人工神經網絡的研究取得了較大的進展，成為具有一種獨特風格的信息處理學科。當然目前的研究還只是一些簡單的人工神經網絡模型。要建立起一套完整的理論和技術系統，需要做出更多努力和探討。然而人工神經網絡已經成為人工智能中極其重要的一個研究領域。在人工神經網絡的實際應用中，絕大部分的神經網絡模型是采用反向傳播(BP)網絡和它的變化形式，它也是前向網絡的核心部分，并體現了人工神經網絡最精華的部分。多層BP網絡結構包括輸入節點、輸出節點，一層或多層隱節點。
BP網絡適宜于處理具有殘缺結構和含有錯誤成分的模式，能夠在信源信息含糊、不確定、不完整，存在矛盾及假象等復雜環境中處理模式。網絡所具有的自學習能力使得傳統專家系統技術應用最為困難的知識獲取工作轉換為網絡的變結構調節過程，從而大大方便了知識庫中知識的記憶和抽取。在許多復雜問題中(如醫學診斷)，存在大量特例和反例，信息來源既不完整又含有假象，且經常遇到不確定信息，決策規則往往相互矛盾，有時無條理可循，這給傳統專家系統應用造成極大困難，甚至在某些領域無法應用，而BP網絡技術則能突破這一障礙，且能對不完整信息進行補全。根據已學會的知識和處理問題的經驗對復雜問題作出合理的判斷決策，給出較滿意的解答，或對未來過程作出有效的預測和估計。這方面的主要應用是：自然語言處理、市場分析、預測估值、系統診斷、事故檢查、密碼破譯、語言翻譯、邏輯推理、知識表達、智能機器人、模糊評判等。
人工神經網絡是未來人工智能應用的新領域，情感是智能的一部分，而不是與智能相分離的，因此人工智能領域的下一個突破可能在于賦予計算機情感能力。情感能力對于計算機與人的自然交往至關重要。
目前AI研究出現了新的，這一方面是因為在人工智能理論方面有了新的進展，另一方面也是因為計算機硬件突飛猛進的發展。隨著計算機速度的不斷提高、存儲容量的不斷擴大、價格的不斷降低以及網絡技術的不斷發展，許多原來無法完成的工作現在已經能夠實現。目前人工智能研究的3個熱點是：智能接口、數據挖掘、主體及多主體系統。
毋庸置疑，未來的機器人與人類社會的生活更為密切地結合起來，以為人做出更多的服務作為要素。研究內容主要包括餐飲服務多機器人系統、競技與娛樂多機器人系統、家庭生活支援多機器人系統及其關鍵技術的研究、系統集成試驗驗證和示范應用。
1 餐飲服務多機器人系統
設計規劃智能餐飲服務模式、研究和突破機器人自動烹飪工藝及烹飪方法、智能餐飲多機器人間的交互及安全操作等關鍵技術，研制開發由迎賓／點菜、烹飪、送菜機器人組成的智能餐飲服務多機器人系統，實現以機器人為主的餐廳服務系統集成和示范應用。這樣，我們通過點菜系統輸入喜歡的菜品。就可以在家里盡享五星級服務了。
2 競技多機器人系統
研究競技與娛樂機器人的復雜動作的運動規劃與控制、高速視覺識別與伺服控制、多機器人間的協調控制等關鍵技術，研制以仿人機器人為核心的武術，足球等競技與娛樂多機器人系統，實現多機器人的協同武術表演與足球比賽、機器人與人的互動娛樂(圖9)。足球機器人就由四個部分組成，即視覺系統、通訊系統、計算機系統及移動裝置等，在賽場上可以實現自主踢球，不受外界控制。
3 家庭生活支援多機器人系統
研究基于網絡的機器人遠程監測與遙操作、自主導航與規劃技術、家政多機器人協調作業等關鍵技術，構建面向家居監控、家庭輔助作業等家庭生活支援多機器人系統，實現家庭設備的遠程遙控與監測、家庭輔助作業等功能。未來家庭機器人正朝著實用型的方向發展，一個合格的家庭機器人，還應當具備多項技能。例如檢測到家中有異常情況時，可將住宅內的情形通過圖片形式發送到主人手機或個人電腦上。并能兼保姆和秘書，早上叫醒你，提醒你一天的日程安排，并轉達當天的電話留言等等。你將再也不必因為忘了老婆的生日或結婚紀念日而挨訓了。
人工神經網絡的起源范文第3篇
Abstract： The factors influencing the sports scores are a lot. The traditional sports predicted method is difficult to obtain satisfactory results. According to the correlation between specific performance and quality training level of long jumper， based on the powerful nonlinear mapping ability of BP neural network， the paper builds the neural network model of long jumper's specific performance. The model makes up for the deficiency of traditional forecasting methods， and makes full use of the information contained in the data， and compared with the traditional prediction method， the accuracy of the prediction results have greatly improved. The paper puts forward a new thought and method to solve the problems that is difficult to solve by using traditional mathematical methods， providing a theoretical basis for scientific training for athletes.
關鍵詞： BP神經網絡；跳遠運動員；專項成績；預測精度
Key words： BP neural network；long jump athletes；special scores；prediction accuracy
中圖分類號：TP31 文獻標識碼：A 文章編號：1006-4311（2013）03-0178-03
0 引言
影響體育競賽成績的因素很多，最主要的是運動員的體質，但同時運動員的體形、技術特點、心理狀態及外界環境等都會在一定程度上影響運動員的競技成績[1-2]。傳統的預測方法雖然在一定程度上能夠利用運動員個人的訓練指標對專項成績進行預測，從而指導運動員的日常訓練，但是這些模型都有比較苛刻的條件限制和使用范圍，如在利用多重線性回歸模型進行預測時，專項成績與各相關因素之間需要服從正態性、方差齊性、多重線性關系等嚴格的條件，而灰色系統預測模型屬于線性建模，在短期預測精度上有一定效果，而對于復雜的非線性關系時，單純的灰色預測就很難獲得一個可接受的預測誤差[3]。但是，實際上專項成績與各素質訓練水平之間可能存在復雜的非線性函數關系，很難滿足傳統預測模型的條件限制，因此，使用多重線性回歸或灰色系統等傳統模型對運動員的專項成績進行預測可能會存在較大誤差，導致模型的預測精度降低，從而顯示出不合理的特征[4-6]。
與傳統的預測方法相比，BP神經網絡的應用沒有嚴格的條件限制，變量間不需要滿足線性、獨立性、正態性、方差齊性等條件，該網絡具有自組織、自適應及容錯性強等特點，從而可以有效的進行數據間的非線性映射，當傳統預測模型無法達到目的或者預測效果不好時，使用此模型往往會達到很好的預測效果。
1 研究對象
部分國內一流水平的跳遠運動員，國家健將。
2 研究方法
人工神經網絡是由大量的處理單元相互連接而組成的信息處理系統，具有非線性、自適應等特點。神經網絡起源于現代神經科學的研究成果，其主要目的是嘗試通過模擬大腦神經網絡處理及記憶信息的方式來進行信息處理。人工神經網絡是并行分布式系統，采用了與傳統人工智能和信息處理技術完全不同的原理，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷， 具有較好的容錯和抗干擾能力以及具有記憶、聯想、自適應和良好的魯棒性等一系列優點[7]。
BP神經網絡，即反向傳播，是目前應用比較多的一種。其基本思想是使用梯度搜索理論，使網絡實際輸出與期望輸出的差值的均方達到最小。輸入變量Xi通過中間節點影響輸出節點，經過復雜的非線性變換過程，生成輸出變量Yk，當反應變量與模型的輸出變量之差大于事先設定的誤差標準時，模型重新設置各層的權值，重新建立模型，直到誤差值小于事先設定的誤差時訓練停止。BP神經網絡的計算流程圖如圖1所示。
3 預測專項成績的BP神經網絡模型
3.1 模型自變量的篩選 由于各項素質訓練指標與專項成績之間的關聯強度不同，對于專項成績預測的影響系數也會不同。需要篩選出對運動員專項成績影響較大的素質訓練指標。利用2008-2009年國家體育總局收錄的跳遠運動員歷史數據信息，對跳遠運動員各素質訓練指標與專項成績做相關性分析，計算出各自相關系數（r），結果見表1。由表1可知，運動員的立定三級跳、30米跑、離板瞬間重心騰起初速度、最后5米助跑速度及100米跑等五項素質訓練指標與專項成績之間的相關系數均較大，選取這五項素質訓練指標作為運動員專項成績的預測因子。
3.2 BP神經網絡預測模型的建立
3.2.1 網絡結構的確定 建立神經網絡模型的基礎是確定神經網絡的結構。Kolmogorov定理指出[8-9]，給定任一連續函數f：[0，1] IRJ，f可以精確地用一個三層BP神經網絡來實現，此網絡的輸入層有I個神經元，中間層有2I+1個神經元。本研究選取五個與運動員專項成績關系密切的預測因子，需要設定五個輸入神經元，按照Kolmogorov定理，選用一個隱含層，設定其神經元的個數為11個。輸出層為收錄的專項成績數據。
3.2.2 網絡的學習 以選定的五項素質訓練指標以及專項成績數據作為訓練樣本（數據見表2），其中五項素質訓練指標數據作為預測因子進行輸入，對應的專項成績作為輸出數據。由于BP神經網絡模型對（0，1）之間的數最敏感，因此需要將原始數據進行歸一化處理，將其歸一化到（0，1）范圍。具體處理方式如下：x■■=■
其中，xi為原始值，x■■為歸一化后的值，Xmin和Xmax分別表示最小值和最大值。把歸一化后的數據輸入BP神經網絡，對訓練樣本進行學習，使網絡輸出誤差減少到可接受的程度，從而最好的形成訓練素質指標與專項成績之間的映射，以實現對跳遠用動員專項成績的精確預測。由于神經網絡要解決的是一個復雜的非線性化問題，學習的計算過程相當復雜，本研究中運用SPSS19.0統計軟件對BP神經網絡實現訓練學習。
3.2.3 BP神經網絡模型的結果 選擇跳遠運動員2008年- 2009年的素質訓練指標數據，首先進行歸一化處理，之后將其代入訓練好的神經網絡模型中，通過軟件的分析處理，得到了專項成績的預測值。2008年-2009年的素質訓練指標與專項成績采用多元線性回歸模型表達時，利用最小二乘法來擬合，獲得的數學模型為：
y=0.35X1+0.2X2-0.18X3-0.26X4+0.29X5+7.68
X1、X2、X3、X4、X5分別代表了前面選定的素質訓練指標，即跳遠運動員的立定三級跳成績、30米跑成績、最后五米助跑速度、100米跑成績及離板瞬間重心騰起初速度。
利用上述多重線性回歸模型，計算得出2008年- 2009年運動員的專項成績預測值。計算結果見表3。
由表3中的誤差一欄可見，BP神經網絡預測模型的預測誤差遠低于多元線性回歸模型的預測誤差。通過計算各種方法的誤差值求出BP神經網絡模型的平均相對誤差為0.048，而多重線性回歸模型的平均相對誤差為0.188。說明神經網絡模型的預測效果優于多重線性回歸模型，BP神經網絡模型更適于進行跳遠運動員專項成績的預測。
4 結束語
本文提出的基于BP神經網絡的跳遠運動員專項成績預測方法，具有強大的非線性映射能力和泛化能力，克服了現有跳遠運動員專項成績預測方法的不足，即主觀性、隨意性，以及要事先確定預測模型的數學表達形式和苛刻的使用條件，具有較高的預測精度。為運動員安排合理科學的訓練計劃和運動員的選材提供依據，值得進一步探討和研究。
參考文獻：
[1]徐向軍.對青少年田徑運動員運動能力發展的影響因素探討[J].首都體育學院學報，2001，13（2）：60-62.
[2]FOREMAN K. The use of talent-predictive factors in the selection of track and field athletes [J] . In Gambetta V （Ed.） ，The Athletic Congress' s T rack and Field Coaching Manual ， Champaign， IL： Leisure Press ， 1989： 31-36.
[3]孫莉，翟永超.基于BP神經網絡的服裝面料規格參數預測[J].計算機應用與軟件，2012，29（17）：154-155.
[4]袁磊．世界優秀男子跳高運動員身體素質與專項成績相關關系的遞歸神經網絡模型構建[J]．北京體育大學學報，2008，31（2）：202-204.
[5] Guoli Wang， Jianhui Wu， Jianhua Wu， et al .A Comparison between the Linear Neural Network Method and the Multiple Linear Regression Method in the Modeling of Continuous Data[J]. Journal of computers， 2011，6（10）：2143-2148.
[6]Jianhui Wu， Qi Ren， Houjun Xu， et al. Comparison of Modeling of Data with Different Variation Degree with BP Neutral Network[J]. Journal of Convergence Information Technology，2012，7（13）：180-188.
[7]季蘇，李曉新.基于神經網絡模型的田徑比賽預測[J].運動，2012（14）：21-22.
人工神經網絡的起源范文第4篇
關鍵詞：計算智能 神經網絡 模擬退火 模糊邏輯
1 概述
什么是計算智能，并沒有確切的定義。如同人工智能一樣，不同的人對計算智能有不同的理解。我們不必急于為計算智能下定義，更不必像爭論“智能計算機”一樣在名詞上浪費時間，重要的是弄明白“計算智能”究竟包含哪些新思想。廣義地講，人工智能也是試圖用計算機來實現人的智能，所以人工智能也可以看作計算智能。當加拿大的學者創辦“計算智能”學術刊物時，人們只覺得增添了一種人工智能學報，并未仔細考慮這兩者的區別。隨著人工神經網絡、遺傳算法、進化程序、混沌計算等研究逐漸興旺，而每年召開的人工智能學術會議，如AAAI(美國人工智能協會)等，又不太樂意接受這方面的論文與產品演示，從事上述研究的學者逐步組織自己的有相當規模的國際學術會議，取名為計算智能，似乎造成一種與人工智能分庭抗禮的局面。但從學術上講，把計算智能看成人工智能研究的新方向也許更恰當［1］。
計算智能是在1994年IEEE舉辦的首屆計算智能世界大會上提出的，它以連接主義和進化主義思想為基礎，計算智能中的主要算法自適應的結構、隨機產生的或指定的初始狀態、適應度的評測函數、修改結構的操作、系統狀態存儲器、終止計算的條件、指示結果的方法、控制過程參數等共同要素，具有自學習、自組織、自適應的特征和簡單、通用、魯棒性強、易并行處理等特點，這些特征已被用于信息安全、模式識別、數據分類與挖掘、優化設計、故障診斷、機器學習、聯想記憶和控制等領域［2］。本文從計算智能主要算法的角度來對計算智能的研究現狀作分析。［2］
2 計算智能的主要算法
計算智能的主要算法有神經網絡、模擬退火、模糊邏輯、遺傳與演化算法、禁忌搜索算法、DNA軟計算、人工免疫系統、蟻群算法、粒子群算法、多（Agent）系統等。
計算智能的算法雖然有很多種，但它們多是受自然或生物界規律的啟迪，根據其原理、思想來模仿求解問題的算法。這樣它們也就具有自然界或生物界的一些特性，同時它們通過長時間的發展變化，逐漸成熟，形成了自己獨有的特點。下面對它們的共同特點作一個介紹：（1）它們大都引入了隨機因素，具有不確定性。很多計算過程實際上是在計算機上作隨機過程的模擬。比如著名的蒙特卡羅模擬。（2）它們大多具有自適應機制的動力體系或隨機動力體系，并且在計算過程中體系結構還在不斷作自我調整。（3）它們都是針對通用的一般目標而設計的，它們不同于針對特殊問題而設計的算法。（4）一些算法在低維或簡單的情況下顯得很笨，但是到了高維復雜的情形下具有很強的競爭力。［3］
3 主要的計算智能算法
3.1 人工神經網絡
神經系統的基本構造是神經元(神經細胞)，它是處理人體內各部分之間相互信息傳遞的基本單元。據神經生物學家研究的結果表明，人的一個大腦一般有1010―1011個神經元。每個神經元都由一個細胞體，一個連接其他神經元的軸突和一些向外伸出的其它較短分支――樹突組成。軸突的功能是將本神經元的輸出信號(興奮)傳遞給別的神經元。其末端的許多神經末梢使得興奮可以同時傳送給多個神經元。樹突的功能是接受來自其它神經元的興奮。神經元細胞體將接受到的所有信號進行簡單處理(如加權求和，即對所有的輸入信號都加以考慮且對每個信號的重視程度――體現在權值上――有所不同)后由軸突輸出。神經元的樹突與另外的神經元的神經末梢相連的部分稱為突觸。
“人工神經網絡”（artificial neural network：簡稱ANN）是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統，是對人大腦神經細胞的簡單近似的模擬。大量的神經元廣泛互連而成的系統，它的這一結構特點決定著人工神經網絡具有高速信息處理的能力。人腦的每個神經元大約有103―104個樹突及相應的突觸，一個人的大腦總計約形成1014―1015個突觸。用神經網絡的術語來說，即是人腦具有1014―1015個互相連接的存儲潛力。雖然每個神經元的運算功能十分簡單，且信號傳輸速率也較低(大約100次/秒)，但由于各神經元之間的極度并行互連功能，最終使得一個普通人的大腦在約1秒內就能完成現行計算機至少需要數10億次處理步驟才能完成的任務。
因為人工神經網絡的結構特點和其信息存儲的分布式特點，使得它相對于其它的判斷識別系統，如專家系統等，具有另一個顯著的優點：健壯性。生物神經網絡不會因為個別神經元的損失而失去對原有模式的記憶。最有力的證明是，當一個人的大腦因意外事故受輕微損傷之后，并不會失去原有事物的全部記憶。人工神經網絡也有類似的情況。因某些原因，無論是網絡的硬件實現還是軟件實現中的某個或某些神經元失效，整個網絡仍然能繼續工作。
因此ANN具有快速、并行處理、容錯性強和自學習能力強等特點。幾種典型的ANN為：多層感知網絡、競爭型神經網絡、Hopfield神經網絡。
3.2 模擬退火
模擬退火(SA，simulated annealing)算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解計算目標函數差接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
模擬退火是一種全局優化方法，就是人為地引入噪聲，使得當某算法陷入局部最優的陷阱時，而造成從該陷阱中逃脫的條件，進而再逐步減小噪聲，以使得算法能停留在全局最優點。其實早在1965年，Khas就提出了這一想法，不過并未受到計算機科學與優化應用領域的足夠重視。直到1983年，Kirkpatrick提出模擬退火算法，才引起了優化應用領域的重視，成為熱點流行起來。它的特點主要有以下幾個方面：（1）以一定的概率接受惡化解，在迭代過程中不僅接受使目標函數變“好”的試探點，而且還能以一定的概率接受目標函數值變“差”的試探點，迭代中出現的狀態是隨機產生的，并且不強求后一個狀態一定優于前一個狀態，即以一定的可能容忍的退化狀態的出現；（2）引進算法控制參數T，它將優化過程分為各個階段，并決定各個階段下隨機狀態的取舍標準，接受函數由Metropolis算法給出一個簡單的數學模型，接受概率隨著溫度的下降而逐漸減小；（3）使用對象函數值（即適應值）進行搜索，它僅使用由目標函數變換來的適應度函數值，就可確定進一步的搜索方向和搜索范圍，無需其它一些輔助信息［4］。
3.3 模糊邏輯
模糊邏輯（FUZZY，fuzzy logic system）自提出以后，特別是在人工智能和控制等領域得到較好的應用之后，已經引起研究人員的濃厚興趣。進入20世紀90年代，模糊邏輯無論在理論上還是在應用方面都得到了較快地發展。
模糊邏輯本身并不模糊，而是用來對“模糊”進行處理以達到消除模糊的邏輯。其最大特點是用它可以自然地處理人類的概念。由于輸入、輸出均為實型變量，所以特別適用于工程應用系統，FUZZY提供了一種描述專家組織的模糊“If-then”規則的一般化模式，模糊產生器、模糊推理機和反模糊化的選擇也有很大的自由度。FUZZY的知識表達易于理解，但難于利用數值信息，自學習能力較差。
3.4 遺傳算法
遺傳算法（Genetic Algorithms）是基于生物進化理論的原理發展起來的一種廣為應用的、高效的隨機搜索與優化的方法。其主要特點是群體搜索策略和群體中個體之間的信息交換，搜索不依賴于梯度信息。它是在70年代初期由美國密執根（Michigan）大學的霍蘭（Holland）教授發展起來的。1975年霍蘭教授發表了第一本比較系統論述遺傳算法的專著《自然系統與人工系統中的適應性》（《Adaptation in Natural and Artificial Systems》）。遺傳算法最初被研究的出發點不是為專門解決最優化問題而設計的，它與進化策略、進化規劃共同構成了進化算法的主要框架，都是為當時人工智能的發展服務的。迄今為止，遺傳算法是進化算法中最廣為人知的算法。
遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。在遺傳算法中，基于染色體群的并行搜索，帶有猜測性質的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區別開來。
遺傳算法具有以下幾方面的特點：（1）遺傳算法從問題解的串集開始嫂索，而不是從單個解開始。這是遺傳算法與傳統優化算法的極大區別。傳統優化算法是從單個初始值迭代求最優解的；容易誤入局部最優解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優。
(2)許多傳統搜索算法都是單點搜索算法，容易陷入局部的最優解。遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優解的風險，同時算法本身易于實現并行化。
(3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，在此基礎上進行遺傳操作。適應度函數不僅不受連續可微的約束，而且其定義域可以任意設定。這一特點使得遺傳算法的應用范圍大大擴展。
(4)遺傳算法不是采用確定性規則，而是采用概率的變遷規則來指導他的搜索方向。
(5)具有自組織、自適應和自學習性。遺傳算法利用進化過程獲得的信息自行組織搜索時，硬度大的個體具有較高的生存概率，并獲得更適應環境的基因結構。
3.5 禁忌搜索算法
Tabu Search是由美國科羅拉多州大學的Fred Glover教授在1977年左右提出來的，是一個用來跳出局部最優的搜尋方法。
禁忌搜索是對局部鄰域搜索的一種擴展，是一種全局逐步尋求最優算法。禁忌搜索算法中充分體現了集中和擴散兩個策略，它的集中策略體現在局部搜索，即從一點出發，在這點的鄰域內尋求更好的解，以達到局部最優解而結束，為了跳出局部最優解，擴散策略通過禁忌表的功能來實現。禁忌表中記下已經到達的某些信息，算法通過對禁忌表中點的禁忌，而達到一些沒有搜索的點，從而實現更大區域的搜索。
禁忌搜索算法算法具有以下幾方面的特點：（1）從移動規則看，每次只與最優點比較，而不與經過點比較，故可以爬出局部最優。
（2）選優規則始終保持曾經達到的最優點，所以即使離開了全局最優點也不會失去全局最優性。
（3）終止規則不以達到局部最優為終止規則，而以最大迭代次數、出現頻率限制或者目標值偏離成都為終止規則。
所以禁忌搜索算法是一種局部搜索能力很強的全局迭代尋優算法。
3.6 DNA軟計算
DNA軟計算是一種基于DNA湯（種群）和生物進貨機制的隨機搜索算法，其設計變量服從均值和方差進化過程變化的正態分布，不必預先設定其取值范圍，且算法引導種群逐步向優化區域搜索，確保其全局收斂能力［5］，它的特點主要有以下幾個方面：首先，DNA具有不可估量水平的并行性。其次，DNA軟計算有很高的能量效率和存貯容量。此外，嘗試開發實際的DNA軟計算能促進生物學和生物化學獲得更靈活的操作和更可靠的技術［6］。
3.7 人工免疫系統
人工免疫系統（AIS，artificial immune system）是研究借鑒和利用生物免疫系統的信息處理機制而發展的各類信息處理技術、計算技術及應用的總稱，用于復雜問題的解決。AIS結合了分類器、神經網絡和機器推理學習系統的優點，是一種突現計算，但也存在收斂速度慢等缺點。1994年以來，AIS成為國際上新的研究熱點。目前這一領域還處于起步階段［2］。
3.8 蟻群算法
蟻群算法是人們通過對自然界中蟻群群體行為的研究而提出的一種基于種群的模擬進化算法［7］。該算法通過模擬螞蟻搜索食物的過程來求解一些實際問題。螞蟻能夠在沒有任何可見提示下找出蟻穴到食物源的最短路徑，并且能隨著環境的變化而變化，然后搜索新的路徑，產生新的選擇。受螞蟻覓食時的通信機制的啟發，90年代Dorigo提出了蟻群優化算法。由于這個算法利用了正反饋機制，使得較短的路徑能夠有較大的機會得到選擇，并且由于采用了概率算法，所以它能夠不局限于局部最優解。
3.9 粒子群算法
粒子群算法(PSO，particle swarm optimization)是一種進化計算技術(Evolutionary Computation)，有Eberhart博士和Kennedy博士發明。源于對鳥群捕食的行為研究。PSO同遺傳算法類似，是一種基于疊代的優化工具。系統初始化為一組隨機解，通過疊代搜尋最優值。但是并沒有遺傳算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優的粒子進行搜索。同遺傳算法比較，PSO的優勢在于簡單，容易實現并且沒有許多參數需要調整。目前已廣泛應用于函數優化、神經網絡訓練、模糊系統控制以及其他遺傳算法的應用領域。粒子群優化算法(PSO)也是起源對簡單社會系統的模擬，最初設想是模擬鳥群覓食的過程，但后來發現PSO是一種很好的優化工具。
3.10 多（Agent）系統
多Agent系統（Multi-Agent System，MAS）是指由多個自主構件組成的所有類型的系統，它是一個松散耦合的問題求解器網絡，其目標是為了解決那些超出每個問題求解器的單獨能力或知識的問題。這些問題的求解器就是Agent，它們是自主的，并可能是異構的。
多Agent系統的表現通過Agent的交互來實現，主要研究多個Agent，為了聯合采取行動實際系統時，多Agent系統通過各Agent間的通信、合作、協調、管理及控制來表達系統的結構、功能及行為特性。多體系中，知識具有局部性，而問題具有全局性，在大多數情況下，需要同其他的聯合解決一個問題，這樣間的信息傳遞不可避免，因此需要有通訊語言（ACL）。
結束語
本文對主要的計算智能算法及各自的特點作了一個介紹，這些算法在解決實際問題中都發揮了相當的作用，當然也有待我們進一步研究、改進和提高。計算智能是一個發展潛力巨大的方向，未來的發展一定會越來越智能化，個性化的傾向越來越濃，目的性變得日益明確，應用的領域也會越來越廣。
參考文獻：
［1］李國杰.計算智能：一個重要的研究方向［A］.
［2］蘇建元.計算智能主要算法的比較與融合［J］.中國電子科學研究院學報，2007.2，(1)：52-56.
［3］錢敏平，龔光魯.從數學角度看計算智能［J］.科學通報，1998，（16）：1681-1695.
［4］項寶衛，凌塑勇.計算智能算法的研究現狀［J］.臺州學院學報，2006.6，(3)：22-25.
［5］黃自元，師黎等.一類自適應范圍DNA軟計算模型.控制理論與應用，2004.12，（6）：889-992.
人工神經網絡的起源范文第5篇
現代等離子體物理第一卷，湍流等離子體物理動理學
數值相對論計算機求解愛因斯坦方程
物理學家的隨機過程理解噪聲系統
量子信息和糾纏性的哲理
環境流體力學進展
聚合物的粘彈性力學基礎分子理論、實驗和模擬，第2版
天文問答指南
利用雙筒望遠鏡探索太陽系的奧秘
藥物設計
生態恢復
花圖式
大腦中的語言
利用人工神經網絡模擬感知
自然資源保護與管理中的分子方法
美容的神經生物學
空間認知與空間感知
評估自然資源
多媒體檢索數據管理
Event—B語言的建模
算法語言Scheme的第6次修訂報告
量子計算中的語義學技術
機械臂的自適應控制統一無回歸矩陣方法
稀疏圖像信號處理
機械和電子工程
偉大的工程師們
隨機調度
復值數據的統計信號處理
移動機器人分析學的更多的進展 第5屆國際ISAAC會議論文集
分析學的進一步進展 第6屆國際ISAAC會議論文集
線性算子方法 逼近與正則化
2008年Isehia群論會議文集
應用數學和計算數學的前沿
計算科學的最近進展
超流宏觀理論
高等凝聚態物理
量子雜談 微觀世界的魅力
從π介子到夸克 20世紀50年代的粒子物理學
非線性振動
非線性波
時間序列分析 社會科學家用的全面介紹
時間，空間，星系與人類 關于宇宙大爆炸的故事
彗星和生命起源
發現宇宙大爆炸)膨脹宇宙的發現
環境科學中的機器學習方法 神經網絡與核方法
世界上最大的濕地 生態與保護
有害污染物的科學管理
達爾文的短篇出版物1829—1883
物理生物學 從原子到醫學
達爾文筆記1836—1844
諾貝爾生理醫學獎專題講座2001—2005
陸蟹生物學
無標記生物傳感技術以及應用
傳感器與微系統 第13屆意大利學術報告會論文集
傳感器與微系統 第12屆意大利學術報告會論文集基本泛函分析
物理學及有關領域大學生用數學方法
伽羅瓦理論 第二版
變分法中的重積分
數論概要
解Pell方程
復雜的非線性 混沌、相變、拓撲變化和路徑積分
量子位勢論
導電物質量子理論 超導
自旋 Poincare研討會2007
結構系統的現代試驗技術
結構力學中的混沌
物質結構
激光材料加工原理 現代傳熱與傳質技術
超快強激光科學的進展 第四卷
相變材料 科學和應用
分析系統動力學 建模與仿真
微極亞塑性顆粒狀物體中的剪切局部化
天線和望遠鏡的建模與控制
將無人飛機系統集成到國家空域系統
動力學系統中的模型提取 用于移動機器人控制
臨床核磁共振成像及其物理學 指南
膠原蛋白 結構和力學
大型渦流模擬的質量及可靠性
信息系統開發、
移動多媒體廣播標準 技術與實踐
計算系統中的安全性
