神經網絡綜述

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篇神經網絡綜述范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡綜述范文第1篇

論文關鍵詞：人工神經網絡(ANN)，船舶與海洋工程，海洋預報與預測，海洋資源評估，海洋環境監測

 

人工神經網絡是對人類大腦特性的一種描述。它是一個數學模型，可以用電子線路實現，也可以用計算機程序來模擬。是人工智能研究的一種方法。主要功能有：聯想記憶、分類識別、優化計算、非線性映射。由于其具有好的容錯性、并行處理信息、自學習性及非線性映射逼近能力等特點,因此被廣泛的應用于各個領域。

ANN在海洋領域的應用起步較晚。20世紀90年代以來，國內外掀起了應用ANN研究海洋問題的熱潮。相比傳統方法，由于ANN提高了預測的準確性，減少了對數據的要求并且便于應用，到目前為止，ANN模型的應用已經遍布海洋工程（包括港口、沿海、近海和深海工程）海洋環境監測，海洋預報與預測，海洋資源與環境等各方面，并且應用前景不斷擴大。本文通過梳理相關文獻，分析和總結了ANN在海洋領域的研究進展和主要成果，以期為相關研究提供參考。

1 船舶與海洋工程

鋼材腐蝕問題是海洋工程的重大課題。國內許多學者通過建立ANN模型考察海水環境相關參數與鋼材腐蝕速度的相關性。劉學慶等根據四層BP神經網絡分析了3C鋼腐蝕速度與海水環境參數的相關性,建立了3C鋼在海洋環境中腐蝕速度的人工神經網絡模型，證明該方法在監測與評價區域海洋環境腐蝕性方面具有實際應用價值[1]。鄧春龍等研究建立了海洋環境材料腐蝕與防護數據庫，收集和整理了大量的材料腐蝕數據。并在此基礎上建立了誤差反傳（BP）人工神經網絡預測模型和灰色GM（1,1）腐蝕預測模型。從而形成一套較完整的數據采集、處理和分析網絡系統[2]。王佳等采用電化學、人工神經網絡和數據庫方法研究了5種海洋工程鋼材在深海環境中非現場腐蝕行為評價技術。結果表明,結合采用多種非現場方法可以可靠評價深海環境鋼材的腐蝕行為[3]。劉艷俠等同樣利用三層BP神經網絡,根據已有的3C鋼在不同海水環境參數下的腐蝕速度數據,建立了3C鋼在海洋環境中腐蝕速度的人工神經網絡模型;并分析預測了海水環境參數與腐蝕速度之間的關系 [4]。

ANN在海洋工程中的應用主要是海洋平臺的抗擊性和穩定性的模擬。許亮斌等針對海洋平臺樁基模擬中存在的問題，將神經網絡應用于樁基分析 [5]。淙在引進遺傳算法的基礎上構造了工程結構優化的神經網絡模型,計算結果表明這一方法具有很好的穩定性和全局收斂性[6]。周亞軍等將經典最優控制算法與人工神經網絡相結合，采用BP神經網絡模型，實現了受隨機波浪力作用下的海洋平臺的振動主動控制[7]。由于神經網絡的優越性能，克服了傳統算法本身的時滯問題，為海洋平臺的振動控制提供了一條新的思路。

以上學者都對神經網絡進行了一定程度的改進和完善，達到了良好的模擬和預測效果，推進了海洋工程中ANN理論的發展。除此以外，針對波浪數據的完備性對于海岸海洋工程設計的關鍵作用, 人工神經網絡作為一個具有高度非線性映射能力的計算模型，在工程中具有廣泛的應用前景。在數值預測方面，它不需要預選確定樣本的數學模型海洋環境監測，僅通過學習樣本數據即可以進行預測論文格式范文。

2 海洋預報與預測

赤潮作為海洋災害的一種，對海洋經濟造成巨大影響。蔡如鈺利用人工神經網絡BP算法,建立了赤潮預報模型 。楊建強通過比較發現人工神經網絡方法在模擬和預測方面優于傳統的統計回歸模型,具有較強的模擬預測能力及實用性 。在此基礎上，為克服BP網絡訓練易陷入局部最優的缺點，王晶采用遺傳算法改進網絡訓練方法，建立赤潮生物密度與環境因子的人工神經網絡的預報模型，保證網絡達到全局最優。此外，還有部分學者將改進的人工神經網絡模型用于赤潮預報，經過實證研究，取得良好的預測效果。

潮汐預報對人類活動和降低海洋環境建筑成本是非常重要的。為了解決潮位預測中存在的時滯問題,提高預測精度，不少學者進行了初步探索，并且普遍認為BP模型應用于潮汐預報具有較高的預測精度和良好的泛化能力,它為海洋潮汐預報工作提供了一種全新的思路和方法。張韌利用人工神經網絡BP模型及其優化算法，建立起了赤道太平洋緯向風和滯后的東太平洋海溫之間的映射關系和預報模型，結果表明，這種方法可有效用于辯識和反演復雜的大氣、海洋動力系統及其預報模型.馮利華針對海洋預報問題，初步建立了基于神經網絡的預報分析系統，給出了應用實例。以我國東南沿海地區一次登陸臺風所造成的最大24小時暴雨量為例來說明ANN在海洋預報中的應用問題。羅忠輝采用人工神經網絡智能方法，建立了多參數聲速預報神經網絡模型海洋環境監測，克服了回歸擬合方法在獲得海底沉積物聲速預報中存在的不足，為海底沉積物的聲速預報提供了一條新途徑。

3 海洋資源評估

張富元等利用東太平洋CC區多波束海底地形測量、結核覆蓋率深拖系統探測、結核豐度地質采樣和地球物理地震勘探資料,運用板塊構造和沉積動力學理論,并與豐度趨勢面和神經網絡分析結果對比,對東太平洋CC區構造與多金屬結核資源效應關系進行了探討。李少波等討論了如何利用神經網絡預測天然氣水合物的合成和分解。利用了聲速、幅度、頻率來反映天然氣水合物的合成，建立了一個3層前向型網絡,通過實驗,人工神經網絡的引用取得了良好的效果。近年來人工神經網絡還越來越多地被用來預測水資源。在水資源應用中,前饋神經網絡建模技術是使用最廣泛的類型。

4 海洋環境監測

非法排放油污和海上漏油事件對海洋生態系統造成的嚴重危害，人工神經網絡可以有效的用于海水石油污染診斷。李偉認為海中懸移質是決定海洋光學性質、海洋水質,河口海岸帶演變動力過程的重要環境參數。利用模擬遙感反射比數據集建立人工神經網絡反演懸移質濃度,并利用東中國海現場同步數據對該算法進行驗證，神經網絡技術對于反演大洋水和沿岸海域中的組分濃度有一個很好的前景。劉輝等采用BP神經網絡和廣義回歸神經網絡2種方法進行訓練,建立了南海南部海區的上混合層深度人工神經網絡計算模型 。結果顯示,人工神經網絡方法精度較高,是一種切實可行的上混合層深度估算方法。

5 結語

人工神經網絡在海洋領域的應用遍布海洋工程、海洋科學技術、海洋環境資源等各個方面。國內外學者根據研究的需要設立了不同的ANN模型，隨著時間的發展，這些模型的預測和分析能力逐步完善。大量實證結果表明，很多ANN模型都取得了良好的模擬和預測效果。大部分的人工神經網絡模型對傳統的統計回歸計算、時間序列分析、模型匹配和數值方法等產生了替代或補充作用。在某些情況下，神經網絡的應用減少了對數據的要求。在未來，隨著現有模型的不斷完善和ANN模型缺陷的不斷糾正，先進和混合神經網絡結構很可能會在海洋領域更多方面得到廣泛應用。

參考文獻

[1]劉學慶,唐曉,王佳.3C鋼腐蝕速度與海水環境參數關系的人工神經網絡分析[J].中國腐蝕與防護學報, 2005,(1):11-14.

[2]鄧春龍,孫明先,李文軍等.海洋環境中材料腐蝕數據采集處理網絡系統的研究[J].裝備環境工程,2006,(3):58-62.

[3]王佳,孟潔,唐曉等.深海環境鋼材腐蝕行為評價技術[J].中國腐蝕與防護學報. 2007,(1):1-7.

[4]劉艷俠,高新琛,張國英等.BP神經網絡對3C鋼腐蝕性能的預測分析[J].材料科學與工程學報,2008,(1):94-97.

[5]許亮斌,陳國明.神經網絡在平臺樁基分析中的應用[J].中國海上油氣(工程),2001,(1):7-10.

[6]淙.海洋工程結構優化的遺傳Hopfield神經網絡算法研究[J].中國海洋平臺,2001,(5-6):58-61.

[7]周亞軍,趙德有,馬駿.基于人工神經網絡的海洋平臺振動主動控制[J].船舶力學, 2003,(5):65-69.

神經網絡綜述范文第2篇

【關鍵詞】人工神經網絡；故障診斷；模式識別；Matlab軟件

一、人工神經網絡綜述

BP神經網絡是目前應用最為廣泛和成功的神經網絡之一，它是由一個輸入層，一個或多個隱層以及一個輸出層組成，上下層之間實現全連接，而每層神經元之間沒有連接。網絡的學習過程包括信號正向傳播和誤差反向傳播。在正向傳播進程中，輸入信息從輸入層經隱層加權處理傳向輸出層，經功能函數運算后得到的輸出值與期望值進行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權重系數，減小誤差。隨著這種誤差逆向傳播修正的不斷進行，網絡對輸入模式響應的正確率也不斷上升。

二、人工神經網絡的識別、診斷過程

滾動軸承在設備中是比較典型的，本文以滾動軸承的故障識別、診斷為例。進行模式識別的大體步驟為：首先對經過零均值化后的振動信號數據進行時域、頻域分析，將篩選后的有效時域、頻域特征值作為人工神經網絡輸入層的輸入，經Matlab軟件進行神經網絡的訓練，最后可得出一個可以識別軸承工作狀態的神經網絡，進而可以對滾動軸承進行模式識別。可見采用振動信號檢測法對機器設備進行故障診斷的過程包含信號采集、特征提取、狀態識別、故障分析和決策干預等五個基本環節，在滾動軸承故障診斷中，振動信號的采集是關鍵，保證信號采集的準確性、合理性和實時性是正確實現故障診斷的前提。（1）信號采集。每臺機器設備都有自身的固有頻率，若設備發生故障，其頻率變化，其振動信號也會發生變化。因此，振動信號可以作為故障診斷的一個重要標準。在信號采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉換器。先通過壓電式加速度傳感器對振動信號進行拾取，然后經過電荷放大器及通過帶濾波的A/D轉換電路得到微機可以識別的數字信號，從而實現振動信號的采集。（2）特征值提取。為了便于觀察，要把采樣點的值分布在0附近，故先對采集的采樣點值進行零均值化。用matlab對零均值化后的的采樣點進行時域、頻域分析。時域分析是計算振動信號的在時域范圍內的特征參數，包括：平均值、方差、均方根、峰值峰值因子、峭度系數等參數。頻域分析是對零均值化后數據進行傅里葉變換，繪制頻譜圖，對不同樣本故障軸承和正常軸承的頻譜圖進行對比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對所有有效特征值進行歸一化，歸一化后的結果可以作為神經網絡的輸入值。（3）模式識別和故障分析。在狀態檢測過程中，樣本數據來源于實驗數據分析后提取的有效特征值，這些有效的特征值作為神經網絡的輸入。神經網絡的輸出為軸承狀態，分為正常軸承和故障軸承（也可以把故障具體分，比如內圈、外圈、滾動體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網絡中設計2個輸出神經元表示這2個狀態。對軸承的不同狀態進行識別，建立神經網絡對它進行訓練，可以用公式（其中是輸入層神經元數，是隱層神經元數）大體的計算出隱層神經元層數。我們設計一個隱層可以隨意改變的BP神經網絡，通過誤差對比確定隱層數目。設定神經網絡的隱含層神經元的傳遞函數為tansig，輸出層神經元的傳遞函數為logsig，目標誤差為0.001，最大訓練步數為1000。由以上設計寫出網絡訓練代碼，經Matlab運行，找出網絡誤差最小所對應層數，該層數作為神經網絡的隱層。

確定神經網絡的隱層后便可確定神經網絡的最終結構，下一步就要對網絡進行訓練，使人工神經網絡所產生的網絡誤差小于目標誤差，對神經網絡訓練好以后，接下來就是對軸承的測試，神經網絡測試代碼為：y=sim（net，測試數據）。把正常軸承和故障軸承的測試數據導入Matlab程序中，結果整理后可得（以實驗室中的一組實驗數據為例）：

用均值表示結果為：

把預先設定好的狀態值和測試后的結果進行比較，很清楚的可以辨別出正常軸承和故障軸承。可見，對機器設備或者系統的故障診斷實質是一個模式識別過程。利用神經網絡的模式識別能力，直接識別系統的當前模式，實現正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區分。

參 考 文 獻

神經網絡綜述范文第3篇

【關鍵詞】員工安全等級；粗糙集理論；人工神經網絡

1.引言

電力行業是國民經濟的基礎產業，它直接關系到經濟發展和社會穩定。然而，電力企業員工在生產過程中，由于知識、能力與經驗的不足或者心理因素等原因，為了追求某些利益，從而導致人身事故、電網事故、設備事故和火災事故等人因事故[1]。據統計60%-70%電力生產事故是由人的失誤造成的，所以減少人因失誤是有效控制電力生產事故發生的關鍵[2-3]。

目前專門針對電力企業生產中人因失誤的研究成果還不是很豐富，對電力企業生產中人的不安全行只分析了其對電力系統的影響，提出了防范不安全行為的措施，并沒有對不安全行為的嚴重程度進行劃分。另外，一些地區已經開始著手進行了員工等級的鑒定工作，但標準和方法不一致且過于簡單造成了結果的不具有可比性，并且存在著評價周期長、缺乏準確性等諸多弊端。所以，需要構建統一的電力企業員工安全等級評價模型。

2.電力企業員工安全等級評價模型的設計

電力企業中現行的管理經驗和方法缺乏系統性和前瞻性，管理還比較粗放，特別是員工的習慣性違章仍屢禁不止，為了從根本上提高電力企業員工的安全意識，減少人因事故的發生，本文在充分研究電企中人因失誤問題的基礎上，基于粗糙集與BP神經網絡設計了電力企業員工安全等級評價模型，模型框架如圖1所示。

評價前，首先要確定寬泛的評價屬性集，然后收集數據，界定屬性值語義，并對每個屬性界定屬性值，最后構建出屬性約簡決策表。構建員工屬性決策表是進行員工安全等級評價的首要問題，決策表是一類特殊而重要的知識表達系統，多數決策問題都可以用決策表形式來表達。

評價中，將粗糙集作為人工神經網絡的前置系統，以減少神經網絡的復雜性。

評價后，為了進一步檢驗評價模型的性能，評價結束后要對評價結果進行仿真分析。利用相關函數對網絡進行仿真，并計算輸出結果和目標輸出之間的誤差，從而作為網絡訓練結果優劣的判別依據。

3.評價核心要素的提取方法

在評價過程中，為了解決人工神經網絡當輸入的信息空間維數較大時，網絡結構復雜和訓練時間長的問題，所以在這里使用粗糙集作為神經網絡的前置系統[4]。

3.2 屬性約簡算法

粗糙集的屬性約簡就是指在保持原始決策表條件屬性和決策屬性之間的依賴關系不發生變化的前提下刪除冗余的屬性和屬性值[5]。粗糙集的屬性約簡算法有很多種，本文使用的是基于區分矩陣的約簡算法。算法具體如下：

(1)計算區分矩陣，將區分矩陣的核賦給約簡后的集合；

(2)找出不含和指標的指標組合；

(3)將不包含和指標的指標集表示為合取范式；

(4)將合取范式轉換為析取范式的形式；

(5)根據需要選擇合理的指標組合。

4.BP神經網絡的實現

6.結論

筆者在綜合分析國內外相關研究基礎上，提出了電力企業員工安全等級的概念，并基于粗糙集與人工神經網絡設計了電力企業生產中員工安全等級評價模型，模型將粗糙集作為神經網絡的前置系統，用以縮減神經網絡學習時的訓練樣本，可達到簡化神經網絡結構、提高評價模型工作效率的目的，同時BP神經網絡能夠有效減少噪聲對粗糙集評價過程的影響。最后，通過實例對模型進行應用，仿真結果說明，該網絡能夠較好地對電力企業員工安全等級進行評估。

參考文獻

[1]袁周.電力生產事故人因分析與預防簡明問答[M].北京:中國電力出版社,2007.

[2]馬京源,李哲,何宏明,鐘定珠.電氣誤操作事故人因因素分析與控制[J].中國電力,2010(5):72-76.

[3]林杰.安全行為科學理論在電力生產中的應用研究[D].貴州:貴州大學碩士論文,2006.

神經網絡綜述范文第4篇

關鍵詞：仿生算法；神經網絡；遺傳算法

中圖分類號：TP183文獻標識碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017

An Improved Algorithm of Bionic Research and Analysis

Yue Tong-sen, Wang Da-hai

(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)

【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.

【Key words】Bionic algorithm; Neural network; Genetic algorithm

0引言

人工神經網絡[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優化問題一直是眾多研究者所倍為關注的研究熱點之一。在人工神經網絡和遺傳算法結構的研究中發現，人工神經網絡具有很好的模式分類的特性，遺傳算法有很好的動態變更權值的特性，基于此，本文提出了一種改進的基于人工神經網絡和遺傳算法的算法。本章的改進算法，就是對人工神經網絡和遺傳算法進行了變換，增強了對輸入權值的變化速度，并提出用減少輸入層個數的方法是加快神經網絡學習的有效方法，取得了良好的實驗效果。

1神經網絡和遺傳算法的特究點

1.1神經網絡和遺傳算法的不同點

1．神經網絡是多層感知機，而遺傳算法是單層感知機。神經網絡是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個數組，不管基因的長度有多長，其結構仍然是一個單層感知機。

2． 神經網絡的隱含神經元個數是不確定的，而輸出層和輸入層的個數是可以確定的。我們希望輸入層的個數用新的方法得到降低，這樣神經網絡的訓練速度就可以提高。同時對于隱含層的層數，一般情況設為1。每層的神經元個數也并不是越多越好，是要根據問題的情況而變動的。但神經網絡的隱含層是不確定的，而且隱含層的個數也是不確定的。對于遺傳算法，它的二進制的長度是可以確定的，但是交叉和變異的比例是變動的。對于單點交叉比例，我們可以設定為黃金分割點。雖然設定為黃金分割點作為單點交叉比例沒有用數學方法嚴格的證明，但是，大量的實驗表明，選擇黃金分割點往往可以得到較好的結果。對于變異比例，沒有交好的方法確定，只能設計交互式的實驗來調試決定。

3．權值的更新方式不一樣。神經網絡的權值的更新方式是時時的，而遺傳算法權值的更新方式是批量的。

4．兩者應用的范圍不一樣。神經網絡主要應用于模式匹配，錯誤診斷，監視病人的狀態，特征提取，數據過濾。而遺傳算法主要應用在計算機輔助設計，日程安排，經濟學的投資研究等。

1.2神經網絡和遺傳算法的相同點

1．有教師的學習。神經網絡的輸出是有目標的，當然是確定的。同時對于遺傳算法的目標也是確定的。所以兩者都是有目標的，也就是有教師的學習。

2．隨機近似優化過程。神經網絡中，如果把網絡的權值初始化為接近于0的值，那么在早期的梯度下降步驟中，網絡將表現為一個非常平滑的函數，近似為輸入的線性函數，這是因為sigmoid函數本身在權值靠近0時接近線性。同樣，遺傳算法的初始個體都是隨機產生的，它的交叉和變異都是一個不斷近似的過程。

3．并行化。神經網絡的每個神經元是獨立的，如果把每個神經元分配一個處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實現，有粗粒度并行方法和細粒度并行方法。有粗粒度并行方法就是把群體細分成相對獨立的個體群，稱為類屬，然后為每個類屬分配一個不同的計算節點，在每個節點進行標準的GA搜索。細粒度并行方法就是給每個個體分配一個處理器，然后相鄰的個體間發生重組。

2算法的研究及改進

結合人工神經網絡和遺傳算法的研究的本質，通過兩種算法結合的研究及改進，提高算法的收斂速度，從大量的數據中模擬生物的特性來完成特定的任務和解決問題的方法和方向。由于遺傳算法是單層感知機，而神經網絡是多層感知機，所以可以從多層感知機的多層性，我們想象為遺傳算法是單層感知機作為神經網絡是多層感知機的輸入層。這樣，我們就可以采用遺傳算法的動態變更權值的特性來對神經網絡輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應用，就像無人駕駛技術中控制行駛的速度和方向的控制一樣。基本的框架如圖1：

圖1結合人工神經網絡和遺傳算法的框圖

Fig.1 Combined with artificial neural network and genetic algorithm diagram

最上面的是智能體，神經網絡的輸出來控制智能體，控制中心將神經網絡的權值用遺傳算法的初始體來提供。

2.1遺傳算法的基因作為神經網絡的權值變量

遺傳算法的基因的初始化必須要滿足神經網絡的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達到神經網絡的輸入要求，是要在（-1，+1）之間隨機產生。

2.2遺傳傳算法中雜交點選擇

遺傳算法中，一般都是采用隨機平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時候，采用標記變異的方法。我們可以首先根據圖2的神經網絡來考慮：

圖2遺傳算法作為人工神經網絡和的權值圖

Fig.2 Genetic algorithm as artificial neural network and the weights of figure

很顯然，（0.3,-0.8,-0.2）是神經元1的權值 ；(0.6,0.1,-0.1)是神經元2的的權值；(0.4,0.5) 神經元3的權值。為了在遺傳算法中的雜交過程中，不破壞每個神經元的權值個數，特意標記（3，6）所在的箭頭。

2.3引入神經網絡輸入層的數據預處理

神經網絡的計算問題是神經網絡應用中最為關鍵的問題。如何提高網絡的訓練速度是算法研究的重點。我們在思考問題的時候，總是希望問題越簡單越容易解決。同樣，我們也可以通過對數據的預處理，來降低問題的難度。

為了減少輸入層的個數，我們可以先對數據進行預處理。預處理的方法為如下流程：

（1）.計算機器人前進方向Position(x,y)和目標的所在的位置Location(x,y)。

（2）.歸一化Position(x,y) 和Location(x,y)。

（3）.用點乘的計算公式計算兩者點乘。

（4）.用符號重載的方式計算是順時針還是相反。

（5）.計算角度=第3步的結果*第4步的結果。

3實驗結果及分析

3.1實驗框架

將本算法應用于掃雪機器人的智能控制中，設計的主要模塊：

3.1.1神經網絡部分的設計

神經網絡的輸入由四個變量組成：掃雪機器人方向向量（由兩個變量組成，即在X和Y的分量），發現目標，即雪的向量（由兩個變量組成，即在X和Y的分量）。神經網絡的隱含層由一層組成，而且由10個神經元。神經網絡的輸出由兩個變量組成，V1和V2，分別作用在機器人的左輪和右輪上。神經網絡的響應函數采用SIGMOD。

3.1.2遺傳算法部分的設計

遺傳算法的初始化是為神經網絡提供權值，所以是由[-1，1]隨機數產生。遺傳算法的變異是采用隨機變量的變異，選擇采用輪轉法。

3.1.3掃雪機器人

掃雪機器人用神經網絡來控制，當找到目標后，它的適值就加一。這樣就隨著發現目標越多，它的適值就越大。學習能力是通過不斷的學習后，它的適值就會加強。如果直接采用機器人前進方向和目標的所在的位置，那么神經網絡的輸入為四個變量。

3.2結果與分析

如果直接采用機器人前進方向和目標的所在的位置，那么神經網絡的輸入為四個變量。通過對掃雪機器人的學習過程，沒有進行預處理的數據，即四個變量輸入神經網絡后的參數設定：神經網絡的輸入為4，神經元為6個，輸出個數為2個，如圖3所示：

圖3網絡的參數設定圖

Fig.3 Network parameters set figure

我們設定初始的適值為0，如果發現一個目標后，它所對應的適值就加上1，這樣經過50次的進化后，沒有進行數據預處理的最大值是25，平均值是10.1333。如表1所示：

將50次的統計結果用柱狀圖進行對比,如圖4所示。

圖4進化50代后的加入數據預處理和沒有加入預處理的對比圖

Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

為了減少輸入層的個數，我們可以先對數據進行預處理下面，用統計的方法對數據進行的結果分析，如表2所示。

將進化100代后，對比兩者的對比柱狀圖如圖5所示。

圖5進化50代后的加入數據預處理和沒有加入預處理的對比圖

Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

實驗結果表明，為了減少輸入層的個數，先對數據進行預處理。通過對掃雪機器人的過程的數據分析進行分析，數據預處理后的智能進化學習能力相對于原始數據的智能進化學習能力有明顯的提高。

4結束語

本文提出了基于神經網絡和遺傳算法結合的改進算法，對于遺傳算法的變異操作進行改進，不會破壞單個神經元的輸入權值的基礎上，采用數據預處理的方法來減少輸入層的個數，從而提高進化學習的能力。從實驗數據中可以看到，本章提出的改進算法加快了學習速度，達到了提高智能學習的預期

目的。

參考文獻

[1] 喬俊飛，韓桂紅．神經網絡結構動態優化設計的分析與展望[J].控制理論與應用，2010,3(13):350-357.

[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計算機應用研究,2008,10(9):2911-2916.

[3] 丁建立，陳增強，袁著祉．智能仿生算法及其網絡優化中的應用研究進展[J].計算機工程與應用，2003,12(3):10-15

[4] 鞏敦衛，等．交互式遺傳算法原來及其應用[M].北京:國防工業出版社,2007.

神經網絡綜述范文第5篇

［關鍵詞］BP神經網絡農業工程農業管理農業決策

一、引言

采用神經網絡算法的信息處理技術，以其較強的計算性和學習性，現如今已經在各工程領域內得到了廣泛應用。隨著科技不斷的發展和研究的不斷深入，農業系統中采用的傳統分析和管理的方法已經不能滿足農業工程領域快速發展的需要。在農業系統中采用神經網絡技術可在一定程度上可彌補傳統方法的不足，現已成為實現農業現代化的一個重要途徑。神經網絡現已在農業生產的各個環節得到廣泛的應用，從作物營養控制、作物疾病診斷、產量預測到產品分級，顯示了巨大的潛力，并正以很快的速度與生產實際相結合。目前應用比較多的BP神經網絡，可通過學習以任意精度逼近任何連續映射，在農業生產與科研中展示出了廣闊的應用前景。

BP人工神經網絡方法。人工神經網絡是對生物神經網絡的簡化和模擬的一種信息處理系統，具有很強的信息存貯能力和計算能力，屬于一種非經典的數值算法。通常可分為前向神經網絡、反饋神經網絡和自組織映射神經網絡。BP神經網絡(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經網絡，可通過連續不斷的在相對于誤差函數斜率下降的方向上計算網絡權值以及偏差的變化而逐漸逼近目標值，每一次數字和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實現了神經網絡的學習過程。BP人工神經網絡的結構如圖所示，BP神經網絡可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網絡結點之間沒有連接。每個網絡結點表示一個神經元，其傳遞函數通常采用Sigmoid型函數。BP神經網絡相當于從輸入到輸出的高度非線性映射，對于樣本輸入和輸出，可以認為存在某一映射函數g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數，xi為輸入樣本，yo為輸出結果。

BP神經網絡的一個顯著優點就是其可進行自學習，能夠通過訓練得到預期的效果。其學習過程由正向傳播和反向傳播組成，神經網絡的輸入值經過非線性變換從輸入層經隱含層神經元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經元的狀態將影響到下一層神經元狀態。如果輸出層得到的數值與期望輸出有一定的偏差，則轉入反向傳播過程。神經網絡通過對輸入值和希望的輸出值(教師值)進行比較，根據兩者之間的差的函數來調整神經網絡的各層的連接權值和各個神經元的閾值，最終使誤差函數達到最小。其調整的過程是由后向前進行的，稱為誤差反向傳播BP算法。具體學習過程如下：

（1)隨機給各個權值賦一個初始權值，要求各個權值互不相等，且均為較小的非零數。

（2)輸入樣本集中每一個樣本值，確定相應的網絡實際輸出值。

（3)計算實際的輸出值與相應的樣本集中的相應輸出值的差值。

（4)按極小誤差方式調整權值矩陣。

（5)判斷網絡誤差是否小于訓練前人為設定的一個較小的值，若小于，則跳出運算，此時的結果為神經網絡的最終訓練結果；若大于，則繼續計算。

（6）判斷最大迭代次數是否大于預先設定的數，若小于，返回（2）;若大于，則中止運算，其結果為神經網絡的最終訓練結果。

上述的計算過程循環進行，直到完成給定的訓練次數或達到設定的誤差終止值。

二、BP神經網絡在農業工程領域中的應用

1.在農業生產管理與農業決策中的應用

農業生產管理受地域、環境、季節等影響較大，用產生式規則完整描述實際系統，可能會因組合規則過多而無法實現。神經網絡的一個顯著的優點就是其具有較強的自學習、自適應、自組織能力，通過對有代表性的樣本的學習可以掌握學習對象的內在規律，從而可以在一定程度上克服上述信息量大的問題。神經網絡在農業生產管理方面可用于農作物生長過程中對農作物生長需求進行預測，從而通過對養分、水分、溫度、以及PH值的優化控制達到最優的生長狀況。采用神經網絡預測算法的主要思想可描述為：（1）收集一定規模的樣本集，采用BP算法進行訓練，使網絡收斂到預定的精度；（2）將網絡權值矩陣保存到一存儲介質中，例如文本文件或數據庫中；（3）對于待預測數據的輸入部分，從存儲介質中讀出網絡連接權值矩陣，然后通過BP神經網絡的前向傳播算法計算網絡輸出，輸出結果既是預測出來的數值向量。如霍再林等針對油葵不同階段的相對土壤含鹽濃度對其產量的影響有一定的規律的現象，以油葵的6個成長階段的土壤溶液含鹽的相對濃度為輸入樣本，相對產量為輸出樣本，通過比較發現，訓練后的神經網絡能較好預測油葵產量，采用此方法可補充傳統模型的不足，為今后進一步的研究開辟了新路。

在農業決策方面，主要將農業專家面對各種問題時所采取的方法的經驗，作為神經網絡的學習樣本，從而采用神經網絡建立的專家系統將從一定程度上彌補了傳統方法的不足，將農業決策智能化。如何勇、宋海燕針對傳統專家系統自學習能力差的缺點，利用神經網絡可自我訓練的優點，將神經網絡引入專家系統中。將小麥缺素時的田間宏觀表現，葉部、莖部、果實癥狀及引起缺素的原因這五個方面的可信度值作為神經網絡的輸入量，將農業專家診斷的結論作為輸出量，將這些數據作為神經網絡的訓練數據。實際應用表明此系統自動診斷的結果與專家現場診斷的結果基本一致，從而采用該系統能夠取代專家，實現作物的自我診斷，為農業管理方面提供了極大的幫助。如馬成林等針對于傳統施肥決策方法中非線性關系描述不足的問題，基于數據包分析和BP神經網絡，建立了施肥決策模型，應用表明，在有限的范圍內，模型預測結果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經網絡應用在農業生產決策中，以莜麥播種方式決策為例，通過對產生式規則的分析導出神經網絡輸入、輸出單元數，并通過多次試驗確定隱層單元數，用MATLAB方針結果表明，采用神經網絡作為農業生產決策的方法，取得了較好的效果。譚宗琨提出將基于互聯網環境下的神經網絡應用在玉米智能農業專家系統中，根據農作物發育進程分成若干個發育期，分別對各個發育期建立管理模型，依照作物各發育期進程時間間隔，由計算機系統自動選取相應的模型進行決策。應用分析的結果表明采用神經網絡的玉米智能專家系統已初步接近農業生產的實際。

2.在農產品外觀分析和品質評判

農產品的外觀，如形狀、大小、色澤等在生產過程中是不斷變化的，并且受人為和自然等復雜因素的影響較大。農產品的外觀直接影響到農產品的銷售，研究出農作物外觀受人為和自然的影響因素，通過神經網絡進行生產預測，可解決農產品由于不良外觀而造成的損失。如Murase 等針對西紅柿表皮破裂的現象，西紅柿表皮應力的增長與西紅柿果肉靠近表皮部分水分的增加有關，當表皮應力超過最大表皮強度時，將導致表皮破裂。用人工神經網絡系統，預測在環境溫度下的表皮應力，可通過控制環境變量來減少西紅柿表皮破裂所造成的損失。

在農業科研和生產中，農產品的品質評判大多是依賴于對農產品外觀的辨識。例如對果形尺寸和顏色等外觀判別果實的成熟度，作物與雜草的辨別，種子的外觀質量檢測。由于農業環境的復雜性和生物的多樣性，農產品的外觀不具有較確定的規律性和可描述性，單一采用圖像處理技術辨識農產品的外觀時不宜過多采取失真處理和變換，否則則增加圖像處理的復雜性，特征判別也相對困難。人工神經網絡由于其具有自學習、自組織的能力，比較適宜解決農業領域中許多難以用常規數學方法表達的復雜問題，與圖像處理技術相結合后，可根據圖像特征進行選擇性判別。采用此方法可以部分替代人工識別的工作，提高了生產效率，也有利于實現農業現代化。如Liao等將玉米籽粒圖像用34個特征參數作為神經網絡的輸入變量，將輸出的種粒形態分為5類，經過學習的神經網絡對完整籽粒分類的準確率達到93％，破籽粒分類的準確率達91％。

3.蔬菜、果實、谷物等農產品的分級和鑒定

在農業生產中，蔬菜、果實、谷物等農產品的分級和鑒定是通過對農產品外觀的辨識進行的。傳統的農產品外觀的辨識方法費時費力、預測可靠度很低，而且多采用人工操作，評價受到操作者主觀因素的影響，評判的精度難以保證。利用人工神經網絡技術結合圖像處理技術可部分代替以往這些主要依靠人工識別的工作，從而大大提高生產效率，實現農業生產與管理的自動化和智能化。

利用BP神經網絡技術對農產品果形尺寸和顏色等外觀評判，目前國內外已有不少成果用于實際生產中。何東健等以計算機視覺技術進行果實顏色自動分級為目的，研究了用人工神經網絡進行顏色分級的方法。分別用120個著色不同的紅星和紅富士蘋果作為訓練樣本集對網絡進行離線訓練。兩個品種的蘋果先由人工依據標準按著色度分成4級，對每一個品種分別求出7個模式特征值作為BP網絡的輸入，用訓練好的神經網絡進行分級。結果表明紅富士和紅星果實的平均分級一致率分別為94.2％和94.4％。劉禾等用對稱特征、長寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網絡與人工智能相結合，建立果形判別人工神經網絡專家系統。試驗水果品種為富士和國光。試驗表明系統對富士學習率為80％，對非學習樣本的富士蘋果的果形判別推確率為75％，系統對國光學習率為89％，對非學習樣本的國光蘋果果形判別系統的難確率為82％。

三、未來的發展方向

人工神經網絡的信息處理技術現已在農業工程領域內得到了迅速的應用，采用人工神經網絡算法的農業系統能夠從一定程度上改善控制效果，但此技術在農業范圍內還不夠成熟，有待于進一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經網絡算法的改進

人工神經網絡算法由于本身具有一定的缺點，從而采用人工神經網絡的算法的信息處理技術在應用過程中具有一定的局限性。在今后的研究中，可以從人工神經網絡方向著手，改進人工神經網絡算法，從而實現其在農業領域內更好的應用。近年來隨著模糊算法、蟻群算法等算法的相繼出現，將神經網絡與其他算法結合在一起已經成為了研究的熱門話題，也是未來算法研究的主要方向之一。

2.應用領域的擴展

人工神經網絡算法在農業工程方面現已得到了迅速的發展，擴展其在農業工程領域的應用范圍是未來的一個主要研究方向。人工神經網絡由于其具有自學習能力，可對農業系統的非線形特性進行較好的描述，采用人工神經網絡可解決傳統方法的不足，從而實現農業現代化。如何將神經網絡較好地引入到農業系統，解決農業工程中的部分問題，已是今后農業科研中的一個方向。

四、結束語

神經網絡作為一種人工智能范疇的計算方法，具有良好的自學習與數學計算的能力，可通過計算機程序進行模擬運算，現已廣泛用于模式識別、管理決策等方面。隨著計算機硬件和軟件的不斷發展與農業工程方面的研究的不斷深入，神經網絡將在農業管理、農業決策、農作物外觀分類、品質評判等方面充分發揮其自學習能力強，計算能力強的優勢，通過對樣本數據的學習，神經網絡可較好地解決農作物生長過程中的作物分類、預測等非線形的問題。在農業工程領域內，神經網絡擁有廣闊的科研前景。

參考文獻:

[1]余英林李海洲:神經網絡與信號分析[M]. 廣州: 華南理工大學出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經網絡的作物水―鹽響應初步研究[J].內蒙古農業大學學報，2003，24（3）：66～70

[3]何勇宋海燕:基于神經網絡的作物營養診斷專家系統[J]. 農業工程學報,2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數據包絡分析和人工神經網絡的變量施肥決策方法研究[J].農業工程學報,2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式決策的BP神經網絡模型[J]. 太原理工大學學報，2006,37(5):119～121

[6]譚宗琨: BP人工神經網絡在玉米智能農業專家系統中的應用[J].農業網絡信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579