神經網絡的概念
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篇神經網絡的概念范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
神經網絡的概念范文第1篇
【關鍵詞】模糊系統；神經網絡；結合；現狀
中圖分類號：Q189文獻標識碼： A 文章編號：
一、前言
隨著我國經濟的快速發展，我國的各項事業都取得了巨大的成就。其中模糊系統與神經網絡的結合就是重要的體現，模糊系統與神經網絡的結合在很多方面都得到了應用，同時也引起了更多學者研究其的愿望。相信模糊系統與神經網絡的結合在未來會發展的更好。
二、模糊系統與神經網絡概述
1、模糊系統與神經網絡的概念
（1）、模糊系統概念
模糊系統(Fuzzy System, 簡稱 FS)是仿效人的模糊邏輯思維方法設計的系統, 方法本身明確地說明了系統在工作過程中允許數值量的不精確性存在。
（2）、神經網絡概念
神經網絡( Neural Network, 簡稱 NN) 是由眾多簡單的神經元連接而成的網絡。盡管每個神經元結構、功能都不復雜, 但網絡的整體動態行為極為復雜, 可組成高度非線性動力學系統, 從而可表達許多復雜的物理系統。神經網絡的研究從上世紀40年代初開始, 目前, 在世界范圍已形成了研究神經網絡前所未有的熱潮。它已在控制、模式識別、圖像和視頻信號處理、金融證券、人工智能、軍事、計算機視覺、優化計算、自適應濾波和A/D變換等方面獲得了應用。
2、模糊系統與神經網絡的異同
（1）映射集及映度
神經網絡是用點到點的映射得到輸入與輸出的關系, 它的訓練是確定量, 因而它的映射關系也是一一對應的; 模糊系統的輸入、輸出都是經過模糊化的量, 不是用明確的數來表示的, 其輸入輸出已模糊為一個隸屬度的值,因此它是區域與區域間的映射, 可像神經網絡一樣映射一個非線性函數。
（2）知識存儲方式
神經網絡的基本單元是神經元, 對映射所用的多層網絡間是用權連接的, 因此學習的知識是分布在存儲的權中間的, 而模糊系統則以規則的方式來存儲知識, 因此在隸屬函數形式上, 區域的劃分大小和規則的制定上人為因素較多。
（3）聯結方式
神經網絡的聯結, 以前饋式網絡為例, 一旦輸出的隱層確定了, 則聯結結構就定了, 通過學習后, 幾乎每一個神經元與前一層神經元都有聯系, 因此, 在控制迭代中, 每迭代一次,各權都要學習。而在模糊系統中, 每次輸入可能只與幾條規則有關, 因此聯結不固定, 每次輸入輸出聯系的規則都在變動, 而每次聯結的規則少, 運算簡單方便。
（4）計算量的比較
人工神經網絡的計算方法需要乘法、累加和指數運算, 而模糊系統的計算只需兩個量的比較和累加, 又由于每次迭代的規則不多, 因此在實時處理時, 模糊系統的速度比神經網絡快。但是當模糊輸入與輸出變量很多的時候,模糊規則僅靠一張表已不能描述多變量間的關系, 且規則的控制存在一定困難, 此時人為的先驗指數變得較少, 那么隸屬函數、規則本身都要通過學習得到, 因此它的計算量也會增加。
三、模糊和神經網絡的結合形式
目前,模糊和神經網絡技術從簡單結合到完全融合主要體現在四個方面(見圖1)。由于模糊系統和神經網絡的結合方式目前還處于不斷發展的進程中,所以,還沒有更科學的分類方法,下述結合方式是從不同應用中綜合分析的結果。
1、模糊系統和神經網絡系統的簡單結合(見圖1(a))
模糊系統和神經網絡系統各自以其獨立的方式存在,并起著一定的作用。¹松散型結合 在一系統中,對于可用“if-then”規則來表示的部分,用模糊系統描述;而對很難用“if-then”規則表示的部分,則用神經網絡,兩者之間沒有直接聯系。
（1）并聯型結合 模糊系統和神經網絡在系統中按并聯方式連接,即享用共同的輸入。按照兩系統所起作用的輕重程度,還可分為等同型和補助型。
（2）串聯型結合 模糊系統和神經網絡在系統中按串聯方式連接,即一方的輸出成為另一方的輸入。
圖表 1模糊系統與神經網絡結合形式分類
2、用模糊邏輯增強的神經網絡。這種結合的主要目的是用模糊神經系統作為輔助工具,增強神經網絡的學習能力,克服傳統神經網絡容易陷入局部極小值的弱點。
3、用神經網絡增強的模糊邏輯
這種類型的模糊神經網絡是用神經網絡作為輔助工具,更好地設計模糊系統。
（1）網絡學習型的結合 模糊系統設計的關鍵是知識的獲取,傳統方法難于有效地獲取規則和調整隸屬度函數,而神經網絡的學習能力能夠克服這些問題,故用神經網絡增強的模糊系統。
（2）基于知識擴展型的結合 神經網絡和模糊系統的結合是為了擴展知識庫和不費時地對知識庫進行修正,增強系統的自學習能力,這種自學習能力是靠神經網絡和模糊系統之間進行雙向。
4、模糊系統與神經網絡的等價
（1）函數通近
模糊系統與神經網絡除了都是無模型系統外,它們都是函數的全局逼近器.模糊系統以其插值機理來逼近任意的連續函數。不但傳統的模糊系統模型是任意連續函數的全局逼近器,而且神經網絡與模糊系統的不同結合能逼近不同的函數,如模糊神經網絡可以逼近模糊函數，神經網絡也是任意連續函數的全局逼近器。設任意連續函數h(x),對于緊空間X和任意小的正數,總能找到一個三層的前向神經網絡N(x)滿足:
在前向神經網絡家族中,RBF神經網絡是最優的函數逼近器,即對于任意的神經網絡N(x)總存在一個RBF神經網絡N‘(x),滿足:
（2）神經網絡與模糊系統的等價性
模糊系統和神經網絡的等價性主要有兩個方面:模型的等價性和Madani模型的等價性。對于TS模型.首先Jang〔,5〕給出了標準的Gauss,anRBF神經網絡等價于限制的Ts一型模糊系統。Hunt指出推廣的GaussianRBF神經網絡等價于TS一型模糊系統。Benitez證明了若一個三層的神經網絡,隱含單元的激發函數為對數函數(loglst1C),輸出層的激發函數為單元函數.設N(x),則存在一個模糊系統的輸出也為N(x)。
四、模糊系統與神經網絡結合的現狀
目前, FS和NN的結合主要有模糊神經網絡和神經模糊系統。神經模糊系統是以NN為主, 結合模糊集理論。它將NN作為實現FS 模型的工具, 即在NN的框架下實現FS或其一部分功能。神經模糊系統雖具有一些自己所具有而NN不具備的特性, 但它沒有跳出NN 的框架。神經模糊系統從結構上來看, 一般是四層或五層的前向神經網絡。模糊神經網絡是神經網絡的模糊化。即以模糊集、模糊邏輯為主, 結合 NN 方法, 利用NN的自組織性, 達到柔性信息處理的目的。目前,FS理論和NN結合主要應用于商業及經濟估算、自動檢測和監視、機器人及自動控制、計算機視覺、專家系統、語音處理、優化問題、醫療應用等方面, 并可推廣到工程、科技、信息技術和經濟等領域。
五、模糊神經網絡的發展方向及存在問題
然模糊神經網絡得到了突飛猛進的發展,但目前還存在很多問題:（1）多變量、復雜控制系統中,很難確定網絡的結構和規則點的組合“爆炸”問題；（2）傳統的Bp學習方法昜陷入局部極小值,并切學習速度較慢。
發展方向主要集中于:（1）模糊邏輯和神經網絡的對應關系,將模糊控制器的調整轉化為等價的神經元網絡學習,利用等價的模糊邏輯來初始化神經元網絡；（2）尋找一般模糊集的模糊神經網絡的學習算法
七、結束語
近年來隨著信息技術的發展，模糊理論和人工神經網絡近年來取得了引人注目的進展, 模糊理論和人工神經網絡的各個方面都取得了越來越多的成果。 通過不斷的努力，我們一定可以進一步的推進模糊理論和神經網絡將會在發展新理論, 完善各自體系。相信在未來的研究中，模糊和神經網絡的結合
將會為研究更高智能系統開創一條成功之路，造福人類。
參考文獻
[1]劉增良.模糊技術與應用選篇[J].京航空航天大學出版社,1997.
[2]莊鎮泉,章勁松.神經網絡與智能信息處理[J].中國科學技術大學,2000.
神經網絡的概念范文第2篇
人工神經網絡屬于一種對人腦結構及功能進行反映的數學抽象模型，對人的思維以及存儲知識等功能進行模擬，從而完成某項工作。對于巖土工程來說，主要包括巖體和土體兩項內容，且這兩項內容均具備很高的復雜性。在巖土工程研究過程中，有必要借助人工神經網絡，從而使巖土工程的研究得到有效進步發展。本文在分析人工神經網絡的基礎上，進一步對人工神經網絡在巖土工程中的應用進行分析，以期為巖土工程研究的進展提供一些具有價值的參考建議。
關鍵詞:
人工神經網絡；巖土工程；應用
巖土工程的研究對象分為兩大類:其一為巖體;其二為土體。巖土工程涉及的介質存在兩大特性，即模糊性和隨機性，這兩大特性又統稱為不確定性。近年來，不少學者在巖土工程研究過程中，提出了人工神經網絡這一概念，即利用人工神經網絡，將其應用到巖土工程研究領域當中，從而為深入了解巖土工程的某些介質特征奠定有效基礎［1］。從巖土工程研究的優化及完善角度考慮，本文對“人工神經網絡在巖土工程中的應用”進行分析意義重大。
1人工神經網絡分析
1．1人工神經網絡概念
對于人工神經網絡來說，是一種對人腦結構與功能進行反映的數學抽象模型;主要通過數理策略，經信息處理，進一步對人腦神經網絡構建某種簡化模型，進一步采取大量神經元節點互連，從而形成復雜網絡，最終完成人類思維及儲存知識的能力的模擬。神經網絡無需構建反映系統物理規律的數學模型，與別的方法比較，在噪聲容忍度方面更強［2］。與此同時，還擁有很強的非線性映射功能，對于大量非結構性以及非精準性規律存在自適應能力，具備超強的計算能力，可完成信息的記憶以及相關知識的推理，且其自身還具備自主學習能力;與常規算法相比，優勢、特點突出。
1．2BP網絡簡述
從研究現狀來看，基于實際應用過程中，人工神經網絡模型大多數采取BP網絡。BP網絡即指的是多層前饋網絡，因多層前饋網絡的訓練通常使用誤差反向傳播算法，所以將BP網絡稱之為屬于一類誤差反向傳播的多層前饋網絡。對于其網絡而言，具備輸入節點和輸出節點，同時還具備一層隱層節點與多層隱層節點，基于同層節點當中不存在耦合狀態。其中的輸入信號從輸出層節點依次傳過各個隱層節點，進一步傳輸至輸出節點，每一層節點的輸出只對下一層的節點輸出產生影響。
2人工神經網絡在巖土工程中的應用分析
在上述分析過程中，對人工神經網絡的概念有一定的了解，由于其模型算法的優越性，可將其應用到巖土工程研究領域當中，從而為解決巖土工程問題提供有效憑據。從現狀來看，人工神經網絡在巖土工程中的應用主要體現在以下幾大方面。
2．1在巖石力學工程中的應用
巖石力學工程是巖土工程中尤為重要的一部分，將神經網絡應用到巖石力學工程當中，主要對巖石非線性系統加以識別，同時還能夠為工程巖體分類提供有效幫助，此外在爆破效應預測方面也具備一定的應用價值。對于人工神經網絡來說，存在從有限數據中獲取系統近似關系的優良特性，而巖石當中的各項參數之間又存在很復雜的關系，并且難以獲取完整的參數集。在這樣的情況下，使用人工神經網絡技術，便能夠使巖石非線性系統識別問題得到有效解決［3］。此外，有研究者將巖石抗壓強度、抗拉強度以及彈性能量指數等作為巖爆預測的評判指標，進一步對巖爆預測的神經網絡模型進行構建，然后預測了巖爆的發生與烈度。通過計算得出結論:采取人工神經網絡方法進行巖爆預測行之有效，值得采納借鑒。
2．2在邊坡工程中的應用
對于巖土工程中的邊坡工程來說，邊坡失穩狀況突出，且是由多因素造成的，比如邊坡失穩的地質形成條件、誘發因素的復雜性以及隨機性等。與此同時，由于邊坡動態監測技術從目前來看尚且不夠成熟，因此邊坡失穩在巖土工程研究領域一直視為是一項難以解決的工程項目。而對于神經網絡方法來說，因其具備非常好的預測功能，因此相關巖土工程研究工作者通常會采取人工神經網絡對巖土工程中的邊坡工程問題進行求解。并且，從現有研究成果來看，將人工神經網絡應用于巖土工程的成果突出。有學者對影響巖質邊坡的穩定性的相關因素進行了分析，包括地形因素、巖體因素以及外部環境因素等，并構建了邊坡穩定性分析的BP網絡模型［4］。此外，還有學者將大量水電邊坡工程的穩定狀況作為學習訓練樣本及預測樣本，對以人工神經網絡技術的邊坡巖體的穩定性進行了研究，結果顯示，采取人工神經網絡對邊坡巖體的穩定狀況進行預測可行性高。
2．3在基坑工程中的應用
采取人工神經網絡對基坑變形進行預測主要分為兩種情況:其一，對會影響基坑變形的各大因素及位移的神經網絡模型加以構建;其二，把變形監測數據作為一個時間序列，以歷史數據為依據，將系統演變規律查找出來，進一步完成系統未來發展趨勢的分析及預測。有學者針對基坑變形利用了人工神經網絡方法進行預測，結果表明:對前期實測結果加以應用，使用此方法能夠對后續階段的基坑變形實時預測出來，并且預測結果和實測結果保持一致性。此外，還有學者根據具體工程項目，采取人工神經網絡，對深基坑施工中地下連續墻的位移進行了深入分析及預測，結果顯示:使用人工神經網絡方法進行分析及預測，在精準度上非常高，值得在深基坑工程相關預測項目中使用［5］。
2．4在地鐵隧道工程中的應用
在地鐵隧道施工過程中，存在地表變形和隧道圍巖變形等狀況，為了深入了解這些狀況，可將人工神經網絡應用其中。有學者在對地層的影響因素進行分析過程中，列出了可能的影響因素:盾構施工參數、盾構物理參數以及地質環境條件，進一步利用人工神經網絡，構建了人工神經網絡模型，進一步針對盾構施工期間的地層移動進行實時動態預測，最終得到了不錯的預測成果。此外，還有學者對BP網絡算法進行改進，然后對某地鐵工程中隧道上方的地表變形進行了未來趨勢預測，結果表明:和其他地表變形預測方法相比，人工神經網絡預測方法的應用價值更為顯著。
3結語
通過本文的探究，認識到基于人工神經網絡模型的算法具備很高的優越性，由于巖土工程地質條件復雜，為了深入研究巖土工程，可將人工神經網絡應用其中。結合現狀研究成果可知，人工神經網絡在巖石力學工程、邊坡工程、基坑工程以及地鐵隧道工程中均具備顯著應用價值。例如:將人工神經網絡應用于巖石力學工程當中，能夠預測巖爆的發生與烈度;應用于邊坡工程當中，能夠邊坡工程的穩定性進行精準預測;應用于基坑工程當中，實現對基坑工程變形的實時動態監測;應用于地鐵隧道工程當中，能夠進一步了解地鐵工程中隧道上方的地表變形情況。
總而言之，人工神經網絡在巖土工程中的應用價值高，值得相關工作者采納應用。
作者：張洪飛 單位：山東正元建設工程有限責任公司
參考文獻
［1］鄭惠娜．章超樺．秦小明．肖秀春，等．人工神經網絡在食品生物工程中的應用［J］．食品工程，2012(01):16－19．
［2］鄒義懷．江成玉．李春輝，等．人工神經網絡在邊坡穩定性預測中的應用［J］．礦冶，2011(04):38－41．
［3］曹建智．張?。斯ど窠浘W絡在白洋淀水質評價中的應用［J］．電子技術與軟件工程，2016(08):261－262．
神經網絡的概念范文第3篇
本文主要介紹了人工神經網絡的概念，并對幾種具體的神經網絡進行介紹，從它們的提出時間、網絡結構和適用范圍幾個方面來深入講解。
【關鍵詞】神經網絡 感知器網絡 徑向基網絡 反饋神經網絡
1 引言
人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系。它實際上是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統，通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可呈現出人腦的許多特征，并具有人腦的一些基本功能，利用這一特性，可以設計處具有類似大腦某些功能的智能系統來處理各種信息，解決不同問題。下面對幾種具體的神經網絡進行介紹。
2 感知器網絡
感知器是由美國學者Rosenblatt在1957年首次提出的，感知器可謂是最早的人工神經網絡。感知器具有分層結構，信息從輸入層進入網絡，逐層向前傳遞到輸出層。感知器是神經網絡用來進行模式識別的一種最簡單模型，屬于前向神經網絡類型。
2.1 單層感知器
單層感知器是指只有一層處理單元的感知器，它的結構與功能都非常簡單，通過讀網絡權值的訓練，可以使感知器對一組輸入矢量的響應達到元素為0或1的目標輸出，從而實現對輸入矢量分類的目的，目前在解決實際問題時很少被采用，但由于它在神經網絡研究中具有重要意義，是研究其他網絡的基礎，而且較易學習和理解，適合于作為學習神經網絡的起點。
2.2 多層感知器
多層感知器是對單層感知器的推廣，它能夠成功解決單層感知器所不能解決的非線性可分問題，在輸入層與輸出層之間引入隱層作為輸入模式的“內部表示”，即可將單層感知器變成多層感知器。
3 線性神經網絡
線性神經網絡類似于感知器，但是線性
神經網絡的激活函數是線性的，而不是硬限轉移函數。因此線性神經網絡的輸出可以使任意值，而感知器的輸出不是0就是1。線性神經網絡最早的典型代表就是在1963年由美國斯坦福大學教授Berhard Windrow提出的自適應線性元件網絡，它是一個由輸入層和輸出層構成的單層前饋性網絡。自適應線性神經網絡的學習算法比感知器的學習算法的收斂速度和精度都有較大的提高，自適應線性神經網絡主要用于函數逼近、信號預測、系統辨識、模式識別和控制等領域。
4 BP神經網絡
BP神經網絡是1986年由以Rumelhart和McCelland為首的科學家小組提出的，是一種按誤差逆傳播算法訓練的多層前饋網絡，在人工神經網絡的實際應用中，80%～90%的人工神經網絡模型采用BP網絡或者它的變化形式，它也是前向網絡的核心部分，體現了人工神經網絡最精華的部分，BP神經網絡由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經過一步處理后完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者達到預先設定的學習次數為止。
BP網絡主要應用于以下方面：
（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡逼近一個函數。
（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來。
（3）分類：對輸入矢量以所定義的合適方式進行分類。
（4）數據壓縮：減少輸出矢量維數以便于傳輸或存儲。
5 反饋神經網絡
美國加州理工學院物理學家J.J.Hopfield教授于1982年發表了對神經網絡發展頗具影響的論文，提出一種單層反饋神經網絡，后來人們將這種反饋網絡稱作Hopfield網。在多輸入/多輸出的動態系統中，控制對象特性復雜，傳統方法難以描述復雜的系統。為控制對象建立模型可以減少直接進行實驗帶來的負面影響，所以模型顯得尤為重要。但是，前饋神經網絡從結構上說屬于一種靜態網絡，其輸入、輸出向量之間是簡單的非線性函數映射關系。實際應用中系統過程大多是動態的，前饋神經網絡辨識就暴露出明顯的不足，用前饋神經網絡只是非線性對應網絡，無反饋記憶環節，因此，利用反饋神經網絡的動態特性就可以克服前饋神經網絡的缺點，使神經網絡更加接近系統的實際過程。
Hopfield神經網絡的應用：
（1）在數字識別方面。
（2）高校科研能力評價。
（3）應用于聯想記憶的MATLAB程序。
6 徑向基神經網絡
徑向基RBF網絡是一個3層的網絡，除了輸入、輸出層之間外僅有一個隱層。隱層中的轉換函數是局部響應的高斯函數，而其他前向網絡，轉換函數一般都是全局響應函數。由于這樣的差異，要實現同樣的功能，RBF需要更多的神經元，這就是RBF網絡不能取代標準前向型絡的原因。但是RBF網絡的訓練時間更短，它對函數的逼近時最優的，可以以任意精度逼近任意連續函數。隱層中的神經元越多，逼近越精確。
徑向基網絡的應用：
（1）用于曲線擬合的RBF網絡。
（2）徑向基網絡實現非線性函數回歸。
7 自組織神經網絡
自組織競爭型神經網絡是一種無教師監督學習，具有自組織功能的神經網絡，網絡通過自身的訓練。能自動對輸入模式進行分類，一般由輸入層和競爭層夠曾。兩層之間各神經元實現雙向連接，而且網絡沒有隱含層。有時競爭層之間還存在著橫向連接。
常用自組織網絡有一下幾種：
（1）自組織特征映射網絡。
（2）學習矢量量化網絡。
（3）自適應共振理論模型。
（4）對偶傳播網絡。
參考文獻
[1]韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.
[2]周品.神經網絡設計與應用[M].北京：清華大學出版社，2013.
作者簡介
孔令文（1989-），男，黑龍江省齊齊哈爾市人?，F為西南林業大學機械與交通學院在讀研究生。研究方向為計算機仿真。
神經網絡的概念范文第4篇
計算機網絡技術已經逐漸發展成為廣泛應用于人們日常生產生活的重要技術，而在實際的使用過程中，卻難免要遇到安全隱患，例如黑客的入侵、安全漏洞和病毒傳播等。在計算機網絡安全的評價體系中，神經網絡的應用以其能夠形成非線性自適應動態系統的特點，迅速適應網絡環境，進而實現對信息的運算、識別和控制功能，提高了計算機的工作效率和安全性。
2計算機網絡安全的概念
計算機的網絡安全，主要指的是針對網絡信息瀏覽和操作等過程中的安全管理，以達到提高網絡信息保密性、安全性的目的，維護使用者的合法權益，最終實現整個網絡的順利運行。我國當前的計算機網絡安全問題通常涉及到信息安全、計算機網絡技術等多個方面，而伴隨計算機網絡的日益普及，其網絡信息的安全問題更加為人們所重視。例如，對于企業而言，其日常經營活動中往往會運用到計算機網絡，因此要求網絡必須具備核心技術，對企業信息實施保護和保密，維護重要內部信息的安全性，從而維護企業利益。即便是個人在使用計算機網絡時，也同樣需要網絡對個人信息實施控制與保護，防止泄漏或被不法分子盜取，損害人民的權益和實際利益。
3神經網絡概述
3.1概念
所謂神經網絡，其模型建立的基礎，是人體腦部的信息處理模式作為參考，然后運用數學模型，模擬生物的神經元、腦細胞結構，以及其生理特征，最終模擬獲得該神經網絡模型。此后，計算機專家則以此模型為基礎，添加入編制好的學習機制，然后將其應用到實際工程中，最終開發出了感知器神經網絡模型。該模型具備了聲納波的識別功能，可用于探測潛艇位置等實踐中。經過進一步的深入研究，相關研究人員在其中運用了映射拓撲性質，在計算機的基礎之上建立了映射自組織網絡模型;繼而通過分析研究生物自組織神經網絡，確定神經網絡模的實質，獲得一組微分非線性方程，然后將神經網絡應用于實際，最終形成了神經網絡的系統性科學研究，例如具有一定代表性的BP神經網絡。
3.2神經網絡的優越性
神經網絡建立的基礎是生物大腦結構和工作原理，因而屬于人工智能系統，該系統基于計算機網絡內部大量節點的關系分析，發揮出方面優越的應用性能，主要包括以下方面：
3.2.1自學功能
神經網絡系統能夠進行自我學習，通過自動識別正在輸入的信息，自行為操作者總結相關的規律，進而形成聯想的模式。其優勢即在于這種對于信息的識別能力，使系統能夠在之后的工作中，進行獨立自動運作，從而縮短操作人員的工作時間?，F有計算機神經網絡系統，甚至能夠實現高于聯想模式的預測功能，應用于證券市場中，系統可以基于對當前股市證券、市場經濟和企業現狀的研究分析，預測其未來的效益，從而企業未來的良性發展，提供了有力的智能支持。
3.2.2優化系統
神經網絡同時還具備了自我優化的能力，可以自行提高計算機運轉能力，同時幫助操作用戶，針對某些問題提出解決方案?；诖耍窠浘W絡系統被建議應用于計算機的網絡安全評價中，以發揮其自身的優越性能。
4計算機網絡安全評價中神經網絡的應用
4.1計算機網絡安全評價體系的構建
4.1.1構建神經網絡體系的必要性
基于神經網絡的計算機網絡安全評價保護是多元化的，由于其對于環境的適應力較強，因而能夠迅速適應周圍狀況，并對自身進行調整，以降低誤差。另外，神經網絡的自我訓練使其能夠在計算機網絡安全評價的體系中，實現自我總結和完善。此外，神經網絡還具備了良好的容錯性，對于一些不完整信息、噪聲等并不敏感，因而在網絡節點出現問題時，不會對神經網絡的整體保護產生影響。且神經網絡在進行自我訓練之后，能夠將正常的工作效率提升至常規的4～5倍。加上神經網絡對于結果的獲取高效快捷，因此更加便于使用，其各方面的設置也更加人性化。
4.1.2安全評價體系構成指標
計算機網絡安全的一級評價，其中的指標通常包括：管理安全、物理安全以及邏輯安全，具體如下：①管理安全評價指標時二級指標，分別為安全組織體系、安全管理制度、人員安全培訓以及應急響應機制;②物理安全評價指標為二級指標，包括防電磁泄漏措施、供電線路、網絡機房、容錯冗余以及設備安全;③邏輯安全評價指標同樣是二級指標，包括數據的備份、恢復，訪問的控制、軟件安全、防病毒措施、系統審計、數字簽名、數據加密以及入侵防范。
4.2實現評價指標的標準化
不同的評價指標集，對于影響因素的描述也存在差異，因此需要在實施定量、定性評價時有所側重。此外，應當合理運用科學的方法，對計算機的網絡安全情況作出反應，因而一定程度上影響了指標的客觀對比。因此，必須保持客觀的態度，對評價指標的取值規則進行調整，以實現指標的標準化。在定量指標評價時，相關工作人員應當結合計算機網絡系統的實際運行狀況，對其進行客觀評價與取值，進行科學的分析。此外，對于不同的評價指標，應當使用不同的衡量單位，有所側重地進行標準化處理，將取值固定到一定范圍內，通常在0～1之間。而為了實現定性指標評價，則通常會采用打分的方式來客觀評價計算機的網絡系統機型，定性指標評價標準化。
4.3基于神經網絡的計算機網絡安全評價構建
4.3.1服務器維護機制規范化構建
構建計算機網絡安全評價體系，其首要的任務和硬件維護的關鍵，即在于服務器維護。在構建服務器維護機制規范化的過程中，應當注意避免不當服務器所可能造成的傷害，要求操作人員時刻警醒，保證及時清除網卡冗余，調整服務器的荷載，以維持服務器的平衡與穩定。
4.3.2云主機的建立
以神經網絡為基礎建立的計算機網絡安全評價體系，需要快速打造安全云主機，用以集成包括了云鎖服務安全軟件的所有安全防護體系，從而達到突破傳統服務器安防理念，實現對于用戶的實時安全服務效果。因此，構建過程中需要在云主機中使用很多快捷自動安裝軟件，如MYSQL、PHP、ASP等。這些軟件的共同點在于均適用于對網站數據庫的實時管控、對于站點信息的實時監控，以及對于計算機各種軟件溫度進行的調節，和WebShell病毒查殺功能。如今的計算機網絡安全系統已經首創了以C/S的神經網絡架構為基礎的應用體系，實現了計算機端和服務器之間的遠程訪問與控制功能，從而提升了計算機網絡對于木馬、病毒和惡意代碼、惡意攻擊等危害的防御能力，起到保護計算機服務器與網站安全的作用。
4.3.3安全管理和服務體系的建立
基于神經網絡建立起來的計算機網絡安全評價體系，其作用即在于在進行安全評價時，管理人員能夠提供與評價標準判定相對應的具體內容、實施范圍等信息，然后針對計算機安全狀況、信息技術的關鍵點，實施研究與分析，運用評價方法測算其安全等級。計算機網絡的安全級別評價，可以按照以下公式生成評價因子，基于神經網絡的計算機網絡安全評價級別公式如下：f=(x1，x2，x3……，xi……xm)式中：xi-計算機網絡安全評價中最主要的評價因子;f-計算機網絡安全評價模型主體。管理人員應當結合實際，為計算機系統選取正確的評價模型主體與安全等級，進而依據系統要求，對神經網絡安全管理體系采取必要的優化措施，以做到有備無患。
4.4建立并完善評價結果評語集
基于計算機網絡安全評價指標特征，可建立評價結果評語集，按照網絡安全等級差異，將該評語集劃分為四個集合：①第一等集合設置為“安全”;②第二等集合設置為“較為安全”;③第三等集合設置為“不安全”;④最后一個等集合則設置為“很不安全”。此外，還可以對這些集合附以說明，從而有效地位計算機使用者提供便捷的方式，來了解計算機網絡安全狀況，提供良。
5結語
神經網絡技術在計算機網絡安全評價中的應用，實現了評價體系的自動抽提功能，體現出了外推性、容錯性、適應性等優勢，滿足了計算機網絡的在線實用性要求，在有效提高計算機網絡評價客觀性、正確性的同時，為用戶提供了安全的使用環境，確保用戶能夠通過網絡獲得可靠、有效的數據信息。
參考文獻
[1]王強.基于神經網絡的計算機網絡故障診斷[J].信息與電腦：理論版，2015(10)：157~158.
神經網絡的概念范文第5篇
隨著計算機網絡、信息技術、自動化技術的進步，極大的改變了我們的生活。人工神經網絡技術是一種全新的控制技術，通過互聯網進行動態模擬，從而建立一種新的控制互聯網的系統。經過十幾年的發展，人工神經網絡技術研究取得了巨大的進步，已經廣泛應用在社會各個領域，使現代計算機中的難題得到了解決。本文主要從人工神經網絡技術的概念出發，探討了它在現代社會領域的具體應用。
【關鍵詞】人工神經網絡 信息技術 發展趨勢
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l展，人工神經網絡技術得到了快速的發展階段。
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，它是通過大量的節點――神經元連接起來的，其中不同的節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，這種工作機理與傳統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展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。
2.1 生物信號的檢測分析
目前大部分醫學檢測設備都是通過連續波形得到相關數據，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。在生物醫學領域該技術主要應用于對心電信號、聽覺誘發電位信號、醫學圖像、肌電荷胃腸等信號的處理、識別和分析。
2.2 醫學專家系統
傳統的醫院專家系統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，醫院需要存儲的醫學知識越來越多，每天產生新的病況和知識，過去的一些專家系統顯然已經無法適應醫院的發展需求，因此醫院的效率很低。而人工神經網絡技術的出現為醫院專家系統的構建提出了新的發展方向，通過人工神經網絡技術，系統能夠自主學習、自己組織、自行推理。因此在醫學專家系統中該網絡技術應用面較廣。麻醉醫學、重癥醫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，傳統統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統計方法無法比擬的優勢。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。
2.4 風險評價
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展
人工神經網絡克服了傳統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、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的快速發展，AI與遺傳算法、模糊系統等方面結合，形成了計算智能，很多企業和國家開始大規模研發AI，人工神經網絡正在模擬人類認知的方向發展，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.
[3]張廣軍.人工神經網絡技術在光電檢測中的應用[J].北京航空航天大學學報，2001，27（05）：564-568.
