- 相關(guān)推薦
淺談神經(jīng)網(wǎng)絡(luò )在人工智能中的應用論文
摘 要：神經(jīng)網(wǎng)絡(luò )是人工智能領(lǐng)域不可或缺的部分，當前最常見(jiàn)的幾種神經(jīng)網(wǎng)絡(luò )分別是感知器網(wǎng)絡(luò )、BP網(wǎng)絡(luò )、柯荷倫網(wǎng)絡(luò )、競爭網(wǎng)絡(luò )，這幾種網(wǎng)絡(luò )各具特點(diǎn)，最后給出了兩個(gè)使用BP網(wǎng)絡(luò )解決實(shí)際問(wèn)題的例子。
關(guān)鍵詞：
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò ) 人工智能 機器學(xué)習 控制算法
控制理論從提出到目前為止，一共經(jīng)歷了三個(gè)重大的發(fā)展時(shí)期，分別是經(jīng)典控制理論、現代控制理論和智能控制理論。智能控制屬于較新的控制理論，它現在主要用于人工智能領(lǐng)域。為了使更多的人了解到人工智能，推動(dòng)控制理論的不斷前進(jìn)，就需要對神經(jīng)網(wǎng)絡(luò )進(jìn)行推廣。
1 典型神經(jīng)網(wǎng)絡(luò )
1.1 感知器
感知器的工作原理是使用直線(xiàn)、平面等切割平面或立體空間，將這些平面或空間分成若干不同的區域[1]，以達到對輸入信號進(jìn)行分類(lèi)的目的。感知器在使用前，需要先進(jìn)行訓練。訓練感知器的主要目的是調整它的權值。訓練感知器時(shí)，通過(guò)選擇典型的輸入類(lèi)型，這些輸入需要能代表所有的輸入類(lèi)型，然后將這些數據輸入到感知器中對感知器進(jìn)行訓練。訓練之后，感知器網(wǎng)絡(luò )的節點(diǎn)數及權值得到了調整。當感知器訓練完成之后，就可以進(jìn)行工作了。
1.2 BP網(wǎng)絡(luò )
BP網(wǎng)絡(luò )是當前使用得最多的一種神經(jīng)網(wǎng)絡(luò )，它的主要功能是對非線(xiàn)性有理函數進(jìn)行逼近，以滿(mǎn)足對非線(xiàn)性系統的控制作用。一般使用最速下降法對BP網(wǎng)絡(luò )進(jìn)行訓練，將誤差反向傳播，當有大量的數據通過(guò)BP網(wǎng)絡(luò )時(shí)，網(wǎng)絡(luò )的權值和閾值得到調整，并使得網(wǎng)絡(luò )的誤差系數降低到最小[2]。下式是不含反饋的神經(jīng)網(wǎng)絡(luò )的輸入與輸出關(guān)系： 以上表達式不能表示具有反饋方式的神經(jīng)網(wǎng)絡(luò )，如果需要表示BP網(wǎng)絡(luò )，還需要對上式加入反饋部分，如下式所示： 當訓練結束之后，此神經(jīng)網(wǎng)絡(luò )即是BP網(wǎng)絡(luò )，它就可用于對非線(xiàn)性系統的控制。它將輸出反饋到輸入，作為輸入的一部分，以達到對系統權值的持續調整，消除非線(xiàn)性影響的作用。
1.3 競爭網(wǎng)絡(luò )
競爭網(wǎng)絡(luò )一般用于對大量具有典型特征的數據進(jìn)行分類(lèi)，它是一種單層網(wǎng)絡(luò )，包括輸入層和競爭層，輸入層和競爭層共用一個(gè)權值函數。競爭網(wǎng)絡(luò )的訓練和工作并未像其它神經(jīng)網(wǎng)絡(luò )那樣明確分開(kāi)，而是在工作的過(guò)程中實(shí)現對網(wǎng)絡(luò )的訓練。它的訓練方式是無(wú)監督式的，訓練過(guò)程是通過(guò)競爭，將獲勝節點(diǎn)的權值進(jìn)行調整，從而使網(wǎng)絡(luò )的輸出于輸入間的誤差逐漸減小，在這個(gè)競爭過(guò)程中，就可以通過(guò)輸出的不同，而將輸入分成不同的類(lèi)型，以實(shí)現自動(dòng)分類(lèi)的功能。
1.4 柯荷倫網(wǎng)絡(luò ) 為了實(shí)現對具有概率分布模式的數據進(jìn)行分類(lèi)，可以利用柯荷倫網(wǎng)絡(luò )模型�？潞蓚惥W(wǎng)絡(luò )網(wǎng)絡(luò )模型與普通的網(wǎng)絡(luò )模型很相似，它的不同之處在與它在訓練過(guò)程中對節點(diǎn)的調整方法的區別�？潞蓚惥W(wǎng)絡(luò )模型對節點(diǎn)的調節方式與競爭網(wǎng)絡(luò )的比較相似，都是通過(guò)競爭來(lái)確定需要調整的網(wǎng)絡(luò )節點(diǎn)，競爭網(wǎng)絡(luò )只需要調整競爭獲勝的節點(diǎn)，而柯荷倫網(wǎng)絡(luò )除了需要調整競爭獲勝的網(wǎng)絡(luò )節點(diǎn)，還需要調整獲勝節點(diǎn)的臨近節點(diǎn)。
2 BP網(wǎng)絡(luò )在智能系統中的應用
2.1 聯(lián)想記憶
在信號處理、語(yǔ)音和圖像識別等領(lǐng)域，當輸入數據具有干擾或需要網(wǎng)絡(luò )具有糾錯能力時(shí)，就需要網(wǎng)絡(luò )能夠識別出這種錯誤，并將其糾正過(guò)來(lái)。為了能得到具有這種功能的神經(jīng)網(wǎng)絡(luò )，可以先將識別對象轉換成網(wǎng)絡(luò )的平衡節點(diǎn)，通過(guò)調整節點(diǎn)的權值，使其記住這些目標。然后再通過(guò)不斷對網(wǎng)絡(luò )輸入學(xué)習數據，使其不斷進(jìn)行聯(lián)想，最終使目標模型的特征收斂到網(wǎng)絡(luò )的平衡節點(diǎn)上。例如在進(jìn)行文字處理時(shí)，為了能是神經(jīng)網(wǎng)絡(luò )具有識別出錯誤文字的功能，可先將特定模型的文字轉化成網(wǎng)絡(luò )平衡節點(diǎn)，然后在對網(wǎng)絡(luò )輸入正確的文字，在不斷的訓練過(guò)程中，網(wǎng)絡(luò )就能實(shí)現對錯誤輸入的識別作用。
2.2 優(yōu)化計算
霍普菲爾德的網(wǎng)絡(luò )穩定性判別函數以能量為基礎。當系統不穩定時(shí)，能量會(huì )逐漸減小，并最終趨于穩定。在大規模電力線(xiàn)路的設計過(guò)程中，為了使設計的電子線(xiàn)路系統最優(yōu)，就需要對設計不斷進(jìn)行優(yōu)化。通過(guò)對系統網(wǎng)絡(luò )進(jìn)行分析，求解出網(wǎng)絡(luò )的最優(yōu)參數之后，將這些參數轉換成神經(jīng)網(wǎng)絡(luò )中的平衡節點(diǎn)。在對神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練之后，網(wǎng)絡(luò )就可以通過(guò)不斷循環(huán)優(yōu)化，最終設計出一個(gè)最優(yōu)電子線(xiàn)路系統。
2.3 影像處理
在人造成像系統中，無(wú)論是光學(xué)成像，還是聲波成像，以及電磁波成像，由于在對影像進(jìn)行采集和處理的系統一般是數字系統，并且數字信號本身比模擬信號具有更強的抗噪能力，在采集和處理過(guò)程中，必須先對影像資料進(jìn)行數字化處理，將模擬信號轉換成數字信號。因此，最終采集到的影像資料都是不連續的。 當前對影像數據的處理主要包括：處理因焦距問(wèn)題而產(chǎn)生的影像模糊;影像噪聲含量較多時(shí)將噪聲處理掉;使用邊緣檢測的方法，得到圖像的特殊屬性。影像處理所涉及的領(lǐng)域也非常寬廣，如對影像進(jìn)行分類(lèi)、在醫學(xué)中對藥物反應的影像進(jìn)行分析等。
【淺談神經(jīng)網(wǎng)絡(luò )在人工智能中的應用論文】相關(guān)文章：
淺談在機械設計制造中綠色理念的應用論文07-04
人工智能技術(shù)在電氣自動(dòng)化中的應用論文07-04
淺談翻轉課堂在實(shí)驗教學(xué)中的應用研究論文07-03
淺談SPSS在證券投資實(shí)訓中的應用的優(yōu)秀論文07-04
《微表情在面試中的應用》淺談07-11
淺談信息技術(shù)在服裝工藝教學(xué)中的應用前景論文07-03