神經網絡的基本概念
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篇神經網絡的基本概念范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。
神經網絡的基本概念范文第1篇
關鍵詞:學生綜合素質評價;BP神經網絡;算法設計
中圖分類號:TP311文獻標識碼:A文章編號:1009-3044(2009)24-6786-03
BP neural Network Based on the Overall Quality of the Student Evaluation of Algorithm Design
ZHANG Wen-sheng
(Xiamen Gongshang Lvyou Xuexiao, Xiamen 3610012,China)
Abstract: In this paper, the overall quality of the students a variety of evaluation methods carried out in-depth analysis to explore the use of BP neural network theory to evaluate the feasibility of the overall quality, and BP neural network based on the overall quality of the student evaluation of algorithm design.
Key words: evaluation of the overall quality of students; BP neural network; algorithm design
學校德育教育是提高學生綜合素質的重要一環(huán),在學校工作中占有舉足輕重的地位。德育涉及大量定性和定量的數(shù)據(jù)處理,為了體現(xiàn)其科學性和公平性,采用先進的計算機技術進行學生綜合素質量化評估勢在必行。
1 問題的提出
據(jù)調查,目前在學校里對學生素質評價的方法,主要有以下幾種:
1) 定性描述法
在學期或學年結束時,班主任根據(jù)學生在班級、學校和社會活動中的行為表現(xiàn),運用文字對學生的綜合素質進行描述,作為對學生的評價。這種方法在評價學生綜合素質時起過一定的作用,但是,由于教師對學生綜合素質評價的內容不明確,要求不統(tǒng)一,帶有一定的主觀片面性和模糊性。
2) 等級劃分法
班主任根據(jù)平時對學生的觀察和了解,對學生的綜合素質行為劃分出優(yōu)、良、中、差四個等級。它只能說明每個學生綜合素質發(fā)展的程度,在班集體中所處的地位,但缺乏具體內容,學生對于自己或他人的優(yōu)點和缺點、以及個人今后的努力方向都不明確。
3) 自我總結法
這種方法是以學生為主,在教師的指導下總結自己的收獲,存在的問題、以及今后的努力方向,并寫成書面材料,然后寫在操行表的自我總結欄內。這種方法是以學生的自我評價為主,它對于提高學生的自我評價能力,具有一定的促進作用。但是,由于沒有老師和同學們參加評價,其評價結果缺乏客觀性。
4) 小組評議法
是以班級小組評議為主。通過開評議會的形式,對全組成員分別進行評議,肯定成績,提出缺點,最后把大家的意見集中起來,作為對學生的評價結果。它具有一定的客觀性,可是,沒有教師參加評議,影響了評價結果的可信度。
上述各種方法的都有一定的長處,也有一定的缺點。例如,對學生的綜合素質的結構,沒有明確統(tǒng)一的規(guī)定和具體要求;不能同時吸收各方面的意見參加評價;沒有制定較為符合需要的綜合素質量表和采用科學的測量手段等等。所以,評價的結果往往帶有主觀片面性,評語內容的不確定性,以及處在同一等級的同學之間存在差異的模糊性。于是最近又提出了對學生綜合素質定量進行測量和評價。
5) 定量分數(shù)法
將構成學生綜合素質的各種因素數(shù)量化,并制定出綜合素質量表。在具體的進行測量和評價時,把學生綜合素質所含每種因素的發(fā)展程度分為優(yōu)、良、中、差四個等級,每個等級分別對應一定的標準值。對不同因素確定不同的權重大小,再綜合學生每個因素所取得的標準值,最后得出學生的綜合素質分。
用定量的方法對學生的綜合素質發(fā)展程度進行評價時,不同因素需要確定不同的權重大小。權重的大小對評估結果十分重要,它反映了各指標的相對重要性。由于對不同的因素的權重是人為給定的,而學生綜合素質的各項因素對學生的整體素質存在不可確定的影響程度,因些在對學生的測量和評定過程中必然受到主觀因素及模糊隨機性的影響。并且這種方法需要消耗大量的人力和時間。
為了探討這個問題,我們根據(jù)BP神經網絡的基本概念和原理,用神經網絡自我學習的方法,對中學生綜合素質進行測量和評價。BP神經網絡能利用經驗樣本對神經網絡的訓練,達到神經網絡的自我學習,在網絡中自動建立一個多輸入變量與輸出變量間的非線性映射過程,無需建立具體的數(shù)學模型和規(guī)則,可以處理那些難以用模型或規(guī)則描述的過程或系統(tǒng)。神經網絡具有自組織、自學習、自適應的特點,能通過連接權重的不斷調整,克服權重確定的困難,弱化人為因素,自動適應信息、學習新知識,最終通過學習訓練對實際學習樣本提出合理的求解規(guī)則,對學生的綜合素質的整體評定具有十分重要的意義。首先我們來了解BP神經網絡的基本原理。
2BP神經網絡的基本原理
1) 神經元網絡基本概念
神經網絡是單個并行處理元素的集合,從生物學神經系統(tǒng)得到啟發(fā)。在自然界,網絡功能主要由神經節(jié)決定,可以通過改變連接點的權重來訓練神經網絡完成特定的功能。如圖1所示。這里,網絡將根據(jù)輸出和目標的比較而進行調整,直到網絡輸出和目標匹配。
2) 神經元網絡結構
圖2所示為一個單標量輸入且無偏置的神經元。
神經元輸出計算公式為:a=f(wp+b)。神經元中的w和b都是可調整的標量參數(shù)。可以選擇特定的傳輸函數(shù),通過調整權重 和偏置參量 訓練神經網絡做一定的工作,或者神經網絡自己調整參數(shù)以得到想要的結果。
3) BP結構及算法描述
在實際應用中,神經網絡用得最廣泛的是反向傳播網絡(BP網絡),典型的BP網絡是三層網絡,包括輸入層、隱含層和輸出層,各層之間實行全連接。
BP網絡是采用Widrow-Hoff學習算法和非線性可微傳輸函數(shù)的多層網絡。網絡的學習過程由正向和反向傳播兩部分組成。在正向傳播過程中,每一層神經元的狀態(tài)只影響到下一層神經元網絡,如果輸出層不能得到期望輸出,就是實際輸出值與期望輸出值之間有誤差,那么轉入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層神經元的權值,逐次地向輸入層傳播去進行計算,再經過正向傳播過程,這兩個過程的反復運用,使得誤差信號最小。實際上,誤差達到人們所希望的要求時,網絡的學習過程就結束了。
4) 反向傳播算法
反向傳播學習算法最簡單的應用是沿著性能函數(shù)最速增加的方向一梯度的負方向更新權重和偏置。這種遞歸算法可以寫成:
xk+1=xk-ak*gk
這里xk是當前權重和偏置向量,gk是當前梯度,ak是學習速率。在神經元中,學習速度又稱為“學習速率”,它決定每一次循環(huán)訓練中所產生的權值變化量(即該值的存在是神經元網絡的一個必須的參數(shù))。大的學習速度可能導致系統(tǒng)的不穩(wěn)定,但小的學習速度將會導致訓練較長,收斂速度很慢,通常情況下取值在0-01～0,8之間。
3 基于BP神經網絡的學生綜合素質量化評估模型
從上述對神經元網絡基本概念的研究,我們可以看出BP神經網絡主要根據(jù)所提供的數(shù)據(jù),通過學習和訓練,找出輸入與輸出之間的內在聯(lián)系,從而求取問題的解,而不是完全依據(jù)對問題的經驗知識和規(guī)則,因而具有自適應功能,這對于弱化權重確定中的人為因素是十分有益的;其次能夠處理那些有噪聲或不完全的數(shù)據(jù),具有泛化功能和很強的容錯能力;由于實際對學生量化評估往往是非常復雜的,各個因素之間相互影響,呈現(xiàn)出復雜的非線性關系,人工神經網絡為處理這類非線性問題提供了強有力的工具。因此與其它評定方法相比,基于神經網絡的評價方法越來越顯示出它的優(yōu)越性。結合學校對學生進行綜合素質評估考核的具體問題,我們提出以下設計。
3.1量化評估內容的確定
1) 確定學生的綜合素質結構
學生的綜合素質結構,主要是根據(jù)一定歷史階段的社會要求、學校對學生的傳統(tǒng)要求,以及各個不同年齡階段學生心理和生理發(fā)展的特征來確定的,它具有一定的社會性、科學性、可行性。以教育部提出的職業(yè)學校學生發(fā)展目標為依據(jù),評定內容包括:道德品質與公民素養(yǎng)、學習能力、交流與合作能力、運動與健康、審美與表現(xiàn)、職業(yè)技能等6個層次。每個層次又包括各種因素,各層次和因素之間又是相互聯(lián)系和相互促進的,它既反映了社會的、學校的具體要求,又符合學生綜合素質發(fā)展和形成的規(guī)律。當然,在實際評價學生中,可以根據(jù)學校的實際特點進一步確定各要素,進一步構成學生綜合素質評價的綜合評價指標體系。
2) 學生綜合素質評價的結構設計
用BP神經網絡進行學生綜合素質評價結構的設計如圖3所示。對學生的綜合素質進行量化評估時,從輸入層輸入評價學生綜合素質的n個評價指標因素信息,經隱含層處理后傳入輸入層,其輸出值y即為學生評估結果。這n個評價指標因素的設置,要考慮到能符合學生綜合素質發(fā)展和形成的規(guī)律,能全面評價學生的綜合素質狀況。
網絡結構的參數(shù)選擇十分重要,由于輸入層與隱含層神經元個數(shù)的增加會增加網絡的表達能力,不僅會降低系統(tǒng)的性能,同時也會影響其收斂速度和增加噪聲干擾。所以首先必須確定輸入層神經元的數(shù)目。為使模型即有理論價值又有可操作性,本例對應于對學生綜合素質考核結構的六個因素,本文采用6個輸入神經元,分別為道德品質與公民素養(yǎng)、學習能力、交流與合作能力、運動與健康、審美與表現(xiàn)、職業(yè)技能等評價指標。由于目前隱單元數(shù)尚無一般的指導原則,為了兼顧網絡的學習能力和學習速度,隱含層神經元的個數(shù)選擇采用試算法,在網絡訓練過程中進行調整。筆者首先選定15,用訓練樣本來學習,然后減少隱含層單元數(shù)后再進行學習,通過觀察訓練誤差變化的大小來調整隱單元數(shù)。其原則是:若在減少隱單元數(shù)進行訓練時過程平衡(即逐步收斂并達到較小的誤差)且誤差無顯著增加,則說明減少隱單元數(shù)是合適的;否則表明隱單元數(shù)不宜減少,而應增加隱單元數(shù)直到滿意為止。選擇一個輸入神經元為學生綜合素質最終評價結果,分別以0、0,5、1對應于學生評議等級的優(yōu)、良、中三種不同的評價結果。經過多次實驗,最后得到適宜的網絡模型為6-4-1網絡模式。
3.2 量化評估模型
1) 指標體系的規(guī)范化處理
根據(jù)神經網絡計算規(guī)則,為了保證輸出在線性部分,不到兩端去,應保證輸入輸出在0-1之間,反傳達時也一樣,輸出應在0~1之間。因此要將原始數(shù)據(jù)歸一預處理,變換為[0,1]區(qū)間的數(shù)值,得到規(guī)范化數(shù)據(jù),作為輸入輸出節(jié)點的樣本數(shù)據(jù)。原始數(shù)據(jù)采用我校高一年一個班級的50名學生的學生綜合素質各項指標因素樣本數(shù)據(jù),將實際數(shù)據(jù)分為兩組:前40名學生的各項指標因素成績樣本數(shù)據(jù)作為學習樣本,后10名學生的成績數(shù)據(jù)作為測試樣本。
2) 學習算法
本模型采用6-4-1BP神經網絡結構,其中輸入層為6個指標值和一個閾值。模型初始化時對所有的連接權賦予(0,1)上分布的隨機數(shù),閾值取1。權值的修正依據(jù)帶慣性因子的delta規(guī)則。根據(jù)多次試驗的結果,其中,慣性因子α=0.075,學習率η=0.85,將樣本數(shù)據(jù)40組為一次循環(huán),每次循環(huán)記錄40組樣本中最大的學習誤差。經過多次的學習,最后觀察網絡輸入與期望輸出的相對誤差,當誤差小于0.005時,學習結束。可以得到如果增大樣本的個數(shù),精度還會進一步提高。
本文探討了神經網絡在學生綜合素質評價上的應用方法,可取得較為理想的結果,它可以解決用傳統(tǒng)統(tǒng)計方法不能或不易解決的問題。但是由于它是一種黑盒方法,無法表達和分析評估系統(tǒng)的輸入與輸出間的關系,因此也難于對所得結果作任何解釋,對求得的結果作統(tǒng)計檢驗;再者,采用神經網絡作評價系統(tǒng)時,由沒有一個便于選定最合適的神經網絡結構的標準方法,只能花大量時間采用湊試法,從許多次實驗中找出“最合適”的一種;還有樣本數(shù)據(jù)需要足夠的多,才能得到較為理想的結果。
參考文獻:
[1] 高長梅,趙承志,白昆榮.學校德育工作全書(上)[M].北京:人民日報出版社,2005.
[2] 聞新,周露,李翔,張寶偉.MATLAB神經網絡仿真與應用[M].北京:科學出版社,2008.
[3] J.P.Marques de sa,Pattern Recognition―Concepts,Methods and Applications[M].北京:清華大學出版社,2006.
神經網絡的基本概念范文第2篇
關鍵詞：模糊神經網絡；字符識別；角點；連通域
0 引言
印刷體字符識別技術具有極大的實用價值，被廣泛應用于大量文報資料、財務票據(jù)、文案掃描等文件處理領域[1]。它采用模式識別方法，將通過光學掃描輸入得到的印刷品圖像，轉化為計算機能夠處理的電子文檔，其技術衡量指標包括識別率、識別速度、版面理解正確率及版面還原滿意度四個方面[2]。
近年來，以模糊邏輯、神經網絡與遺傳算法為代表的人工智能這一新興學科以其強大的學習功能在字符識別領域得到了廣泛的應用。其中，模糊控制常用于少量字符情況下，它具有不依賴被控對象的精確模型、魯棒性強、算法簡明易懂等特點，但是其規(guī)則庫難于設計，學習功能差；神經網絡可以用于大規(guī)模字符識別，它具有能夠逼近任意非線性函數(shù)關系的能力和比較方便的學習手段等特點[3,4]，但其參數(shù)不易收斂，推理功能差。而模糊神經網絡集兩者優(yōu)勢于一體，具有高魯棒性和高度非線性學習能力，能夠準確、快速的對已有數(shù)據(jù)進行學習，并在一定程度上提高了字符識別效率。本文利用模糊神經網絡，采用角點定位和連通域提取等技術，設計了一套印刷體字符識別的新方法。
1 FNN結構和學習算法
FNN結構如圖1所示，第一層為輸入層，該層的各個結點直接于輸入圖像向量的各分量x1連接，它起著將輸入值x=[x1 x2 …xn]T傳送到下一層的作用，該層結點數(shù)N1=n；第二層每個結點代表一個模糊語言變量值，如PB，NS等。它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬度u，本文的隸屬度函數(shù)采用最常用的高斯函數(shù)，該層結點數(shù)N2=m1+m2+…mn；第三層的每個結點代表一條模糊規(guī)則，它的作用是用來匹配模糊規(guī)則的前件，計算出每條的適用度，即ai=min{ ui1，ui1，ui2…uin}，對于給定的輸入，只有在輸入點附近的那些語言變量值才有較大的隸屬度值，遠離輸入點的語言變量值的隸屬度很小或者是0，該層結點數(shù)為m；第四層用于歸一化計算，其結點數(shù)與第三層相同；第五層是輸出層，實現(xiàn)清晰化計算，其yi=wi1a1+ wi2a2+ … wirar，i=1,2,..r。
圖1
該網絡學習方法與BP反向傳播網絡訓練方法類似，基本步驟為：①初始化網絡的隨機權值wi；②計算結果與期望輸出向量的誤差；③按a=0.7的比例學習因數(shù)調整第五層神經元的權重，以減少與期望的誤差；④將誤差返回到上層的每個神經元；⑤重復③④調整每個神經元的權重，直到網絡滿足要求為止。
2 字符特征提取
圖2為系統(tǒng)流程圖，在圖像采集后，需要將圖像規(guī)則化，這通過濾波、二值化、平移、旋轉等操作來實現(xiàn)。圖像濾波方法很多，本文采用常用的平滑濾波；而旋轉變換則需要判斷出圖像的角度。一般印刷品具有規(guī)則的幾何形狀，故在標準平面坐標下，根據(jù)圖像四個角之間相對距離的不變性，經過旋轉后的圖像必與水平坐標呈某一角度[5] ，故可以檢測出圖像的四個角作為角點，計算出角點間連線與水平坐標的夾角，進而將待檢測圖像及標準圖像恢復到水平位置，即可做進一步的單個字符提取，按照正確的角度去識別印刷品上的內容。
角點是二維圖像亮度變化劇烈的點或圖像邊緣曲線上曲率極大值的點，通過對待檢測圖像求其二次梯度圖，可知其每個象素點的灰度變化劇烈程度，進而獲得圖像四個角的坐標值。然后，通過角點坐標，我們可以計算出圖像的傾斜角度，則角度旋轉后可將圖像轉化為與標準模板相同的角度。
下一步就是提取單個字符并識別，本文采用連通域分析法進行字符提取。
象素的連通域是一個基本概念，它能夠對數(shù)字圖像區(qū)域和邊界等概念進行簡化。當兩個象素相鄰并且象素值滿足一定的相似性準則，則這兩個象素連通，依據(jù)具體范圍需要，一般分為4鄰接連通域，8鄰接連通域和m連接連通域。本實驗是在已知字符大小的情況下，將規(guī)定的、大小合理的提取線框從左、上到右、下進行逐行移動，依據(jù)各種標點符號的類型，漢字的上下、左右等構成方式，把規(guī)定合理范圍內最相近連通域結合，視為一個字符。為了防止產品印刷過程中漏印、飛墨、針孔、刮擦等情況出現(xiàn)，我們又針對不同的連通域使用不同的圖像處理方法，比如：為防止漏印，將4連接連通域和8連接連通域結合使用，減少漏印象素的影響；為防止飛墨，將完全連通域取中值，以恢復其合理的結構。
3 仿真研究
本文仿真軟件使用MatlabR2010b，圖像采集設備為工業(yè)攝像頭。模糊神經網絡輸入為上述規(guī)定方框的象素值，輸出為人工設定的字符標號，比如：0表示阿拉伯數(shù)字‘0’，55表示漢字‘人’字，80表示英文字母‘B’。
該系統(tǒng)采用監(jiān)督學習方法，依據(jù)1、2所述原理，第一步為訓練階段，采集標準印刷品圖像上面300個常見字符作為訓練數(shù)據(jù)，對所建模糊神經網絡進行訓練。第二步是學習測試階段，將作為訓練的印刷品作為測試樣本，其學習準確率為98%，高于單獨使用神經網絡（92%）；第三步是實際測試階段，將其他類似印刷品字符作為測試數(shù)據(jù)，得出的字符識別準確率是86.53%，高于單獨使用神經網絡（74%）。
4 結論
本文利用模糊神經網絡，使用角點定位和連通域分析等技術，建立了一個印刷品字符識別器。實驗結果表明，相對于單純學習算法，該模糊神經網絡具有很好的學習能力和很強的魯棒性，能夠很好應用于印刷品字符識別領域。未來工作可放在改進學習算法和在字符大小不同情況下的識別兩個方面。
圖2
參考文獻
[1] 李果. 自動印刷質量檢測技術及系統(tǒng)綜述[J]. 印刷質量與標準化，2011．
[2] 鐘輝. 彩色印刷品圖像缺陷自動檢測系統(tǒng)算法的研究[D]. 吉林大學，2007
[3] 趙曉霞. 一種粗糙模糊神經網絡識別器及其應用[J]. 中北大學學報(自然科學版），2009
[4] 周澤華, 胡學友等. 基于神經網絡的印刷體數(shù)字字符的識別[J]. 自動化與儀器儀表，2009
[5] 王詩琴, 程耀瑜等. 等基于角點定位的印刷品缺陷監(jiān)測[J]. 信號與系統(tǒng)， 2011
作者簡介
神經網絡的基本概念范文第3篇
關鍵詞：人工神經網絡；信息處理；風險評估
中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）06-1285-02
Research on the Application of Artificial Neural Network
LI Hong-chao
（China University of Petroleum （East China）， Qingdao 266580，China）
Abstract： Artificial neural networks are part of an integrated artificial intelligence， it is proposed is based on research of modern neuroscience. With the continuous development of artificial neural networks， and their use more widely. This article first analyzes the basic concepts and features of artificial neural networks， from six aspects of information， medicine， psychology and other details of the application of artificial neural networks.
Key words： artificial neural network； information processing； risk assessment
1 人工神經網絡
人工神經網絡，英文名為“Artificial Neural Network”，簡稱ANN，它充分分析大腦神經突觸聯(lián)接的結構特點，對其進行模擬，然后進行信息處理。簡單來說，人工神經網絡就是對人腦結構、人腦功能的模仿。它的特點有很多，比如非線性、非局限性、非常定性、非凸性等。這些特點鑄就了人工神經網絡的各種功能，促進了它的應用。
2 人工神經網絡的應用
隨著人們對人工神經網絡的不斷研究，人工神經網絡的作用越來越大，給人們提供了更好的服務，下面就以人工神經網絡在信息領域、醫(yī)學、經濟領域、控制領域、交通運輸、心理學六個方面分別介紹其應用。
2.1 信息領域
人工神經網絡在信息領域的應用分為兩個方面，一個是信息處理，一個是信息識別。
1）信息處理
由于現(xiàn)代信息的多樣化和多變性的特點，信息處理就變得復雜起來，人工神經網絡可以對人的一部分思維能力進行模仿甚至代替，解決傳統(tǒng)信息處理的困難。在通常情況下，人工神經網絡可以自動診斷問題，開啟問題求解模式。另外，人工神經網絡系統(tǒng)的容錯性能高，當其連接線遭到破壞，自身的組織功能還是可以保持它的優(yōu)化工作狀態(tài)。因此，軍事系統(tǒng)充分利用這一優(yōu)勢，在其電子設備廣泛應用人工網絡信息系統(tǒng)。
2）模式識別
這項功能的理論基礎有兩個，一個是貝葉斯的概率論，另一個是申農提出的信息論。模式識別主要是分析和處理存在于目標體上的各種形式的信息，然后在處理和分析的基礎上對目標體進行描述、辨認等過程。隨著人工神經網絡在模式識別中的應用，傳統(tǒng)的模式識別逐漸被取代。隨著模式識別的發(fā)展，已經逐漸應用到語音識別、人臉識別、文字識別等各個方面。
2.2 醫(yī)學領域
人體是非常復雜的，在醫(yī)學中，想要弄清楚疾病的類型、疾病的嚴重情況等，僅僅依靠傳統(tǒng)的望聞問切診斷方法是遠遠不夠的，醫(yī)學的發(fā)展需要運用新技術。人工神經網絡應用于醫(yī)學中，可以分析生物信號，觀察信息的表現(xiàn)形式以及研究信息的變化規(guī)律，將這三者的結果進行分析和比較，從而掌握病人的病情。
1）生物信號的檢測與分析
在醫(yī)學診斷中，醫(yī)生基本上都是通過對醫(yī)學設備中呈現(xiàn)出來的連續(xù)波形進行分析。人工神經網絡中有一套自適應的動力學系統(tǒng)，該系統(tǒng)由一些數(shù)量龐大的簡單處理單元互相連接。因此，它具有多種功能，比如Massively Parallelism，即所謂的巨量并行，分布式存貯功能以及強大的自組織自學習功能等。用常規(guī)處理法處理生物醫(yī)學信號分析非常困難，而人工神經網絡的功能可以有效解決難題，其在生物醫(yī)學人腦檢測與處理中的應用非常廣泛，比如分析電腦信號，對心電信號進行壓縮處理，醫(yī)學圖像的識別等，在很大程度上促進了醫(yī)學的發(fā)展。
2）醫(yī)學專家系統(tǒng)
對于傳統(tǒng)的專家系統(tǒng)而言，其工作原理基本上就是先由專家根據(jù)自己多年的醫(yī)學經歷，總結自己的經驗和所掌握的知識，以某種規(guī)則的形式將這些經驗和知識存儲在電腦中，建立一個專家的知識庫，然后借助邏輯推理等方式開展醫(yī)療診斷工作。但是，隨著專家知識的不斷增長和經驗的日益豐富化，數(shù)據(jù)庫的規(guī)模會越來越大，極有可能產生知識“爆炸”的現(xiàn)象。同時，專家在獲取知識的過程中也會遇到困難，導致工作效率低下。人工神經網絡中的非線性并行處理方式解決了傳統(tǒng)專家系統(tǒng)中的困難，在知識推理、自組織等方面都有了很大的提高，醫(yī)學專家系統(tǒng)也開始逐漸采用人工神經網絡系統(tǒng)。
在醫(yī)學領域中，麻醉和危重醫(yī)學的研究過程中，存在很多的生理方面的分析與檢測工作，人工神經網絡系統(tǒng)有良好的信號處理能力，排除干擾信號，準確檢測臨床狀況的相關情況，有力促進了醫(yī)學的發(fā)展。
2.3 經濟領域
經濟的快速有效增長是基于人們對市場規(guī)律良好的掌握和運用以及對經濟活動中的風險評估，及時應對和解決，這樣才能保障經濟活動的快速發(fā)展。人工神經網絡應用于經濟領域，主要有預測市場價格和評估經濟風險兩個方面。
1）預測市場價格的波動情況
商品的價格主要是由市場的供求關系和國家宏觀調控來變化的。國家的宏觀調控是客觀存在的，我們可以在遵循國家宏觀調控的前提之下分析市場的供求關系，從而預測商品的市場價格。在傳統(tǒng)的統(tǒng)計學方法中，在預測價格波動時因其自身的局限性，難以做出科學的判斷。人工神經網絡可以有效處理不完整數(shù)據(jù)和規(guī)律性不強的數(shù)據(jù)，它是傳統(tǒng)統(tǒng)計方法所不能達到的。人工神經網絡系統(tǒng)基于市場價格的確定機制，綜合分析影響商品價格的因素，比如城市化水平、人均工資水平、貸款情況等，將這些復雜的因素綜合起來，建立一個模型，通過模型中的數(shù)據(jù)顯示，科學預測商品的市場價格波動情況，有效利用商品的價格優(yōu)勢。
2）評估經濟風險
經濟風險，即Economic Exposure，它指的是由于經濟前景的一些不確定因素，導致經濟實體出現(xiàn)重大的經濟損失。在處理經濟風險的時候，做好的措施就是防患于未然，做好評估和預測，將經濟風險扼殺在萌芽時期。人為的主觀判斷經濟風險具有一定的可靠性，但是也存在很多的不足。將人工神經網絡系統(tǒng)應用于評估經濟風險，可以有效彌補人為判斷風險的不足。人工神經網絡先提取具體風險來源，然后在此基礎上構建出一個模型，這個模型一般要符合實際情況，通過對模型的研究，得出風險評價系數(shù)，最終確定有效的解決方案。
2.4 控制領域
隨著人工神經網絡的不斷發(fā)展，人們開始研究其在控制領域的應用。比如現(xiàn)在的機器人的攝像機控制、飛機控制等。它主要是通過控制圖像傳感器，再結合圖像表面的非線性關系，進行計算和分析，另外，它還可以將圖像傳感器瞄準到處于運動狀態(tài)中的目標物上。
2.5 交通運輸
交通問題具有高度的非線性特點，它的數(shù)據(jù)處理是非常龐大和復雜的，這與人工神經網絡有很大的吻合性。就目前來講，人工神經網絡應用到交通領域有模擬駕駛員的行為、分析交通的模式等等。
2.6 心理學
人工神經網絡是對人腦神經元的信息處理能力的模擬，本身就帶有一定的抽象性，它可以訓練很多的認知過程，比如感覺、記憶、情緒等。人們通過對人工神經系統(tǒng)的不斷研究，多個角度分析了其認知功能。就目前來看，人工神經網絡可以分析人的認知，同時對認知方面有缺陷的病人進行模擬，取得了很大的進步。當然，人工神經網絡應用于心理學領域也存在很多的問題，比如結果精確度不高、模擬算法的速度不夠等，這些都需要人們持之以恒的研究。突破這些難題，促使人工神經網絡有效應用于心理學領域。
3 結束語
綜上所述，隨著人工神經網絡的不斷發(fā)展，它特有的非線性適應能力和自身的模擬結構都有效推動了其應用范圍。我們應該不斷運用新技術，不斷完善人工神經網絡的功能，拓寬其應用范圍，促進其智能化、功能化方向發(fā)展。
參考文獻：
[1] 毛健，趙紅東，姚婧婧.人工神經網絡的發(fā)展及應用[J].電子設計工程，2011（12）.
[2] 林和平，張秉正，喬幸娟.回歸分析人工神經網絡[J].吉林大學學報：信息科學版，2010（3）.
[3] 李雷雷.人工神經網絡在建筑工程估算中的應用研究[D].華北電力大學，2012.
神經網絡的基本概念范文第4篇
關鍵詞:建筑廢料管理;評價指標體系;評價方法
中圖分類號:TU72 文獻標識碼:A
經濟的高速發(fā)展和城市化進程的推進形成房屋建筑的巨大需求,促進我國建筑行業(yè)快速發(fā)展,同時產生大量的建筑廢料。要實現(xiàn)建筑業(yè)的可持續(xù)發(fā)展,就必須實施建筑廢料管理。實施有效的建筑廢料管理,要有一個較科學合理的評價指標體系。石志方等(1993)針對城市廢塑料污染提出綜合使用廢塑料的回收再用、填埋和分解性塑料的研制與應用等方法進行治理。趙等(2003)采用主成分分析法及德爾菲法構建浙江省生態(tài)環(huán)境可持續(xù)發(fā)展評價指標體系。陳德全等(2006)從減量化、資源化、無害化及社會經濟發(fā)展四個控制層面構建浙江省循環(huán)經濟發(fā)展指標體系。陳帆等(2008)建立了造紙工業(yè)循環(huán)經濟評價指標體系,分為經濟發(fā)展指標、循環(huán)經濟特征指標、生態(tài)環(huán)境效益指標和系統(tǒng)管理指標。目前,鮮見對建筑廢料管理評價指標體系進行研究。因此,構建科學合理的評價指標體系對建筑廢料管理進行評價。
一、評價指標設計的原則
評價指標的構建遵循的一般原則包括:①科學性原則,基于科學系統(tǒng)的建筑廢料管理理論,在基本概念和邏輯結構上構建嚴謹合理的評價指標體系,并對其客觀實際抽象描述得清楚、簡練、符合實際;②系統(tǒng)優(yōu)化原則,以較少的指標(數(shù)量較少、層次較少)較全面系統(tǒng)地反映評價對象的內容,達到評價指標體系的總體最優(yōu);③通用可比原則,評價指標可有效用于同一對象不同時期以及不同對象間的比較,即縱向比較和橫向比較;④實用性原則,評價指標體系具有實用性、可行性和可操作性;⑤目標導向原則,評價的目的是引導和鼓勵被評價對象向正確的方向和更高的水平發(fā)展。通過評價過程對其廢料管理實踐現(xiàn)狀加深認識,通過評價結果對其產生激勵作用,從而不斷提高建筑廢料管理水平。
二、評價指標體系的構建
(一)建筑廢料管理評價指標體系。從管理規(guī)范性和實施有效性對建設工程的建筑廢料管理進行全面評價。管理規(guī)范性是建筑廢料管理有效實施的重要基礎,組織、資金、計劃、培訓等管理要素貫穿于管理全過程并發(fā)揮影響。實施有效性是建筑廢料管理實現(xiàn)預定目標,取得良好成果的重要保障。在對建筑廢料管理理論、實踐方法與流程進行系統(tǒng)總結與提煉的基礎上,初擬以單一新建建設工程項目(不包含拆除工程)的建筑廢料管理活動為評價對象的評價指標體系。進一步通過問卷調查的形式,向國內著名高校建筑管理領域的專家學者和建筑行業(yè)(主要包括建筑施工行業(yè)和建筑管理咨詢行業(yè)等)的資深從業(yè)人員廣泛征求意見和建議,對初擬的評價指標體系進行了調整、補充和完善,最終構建體系較科學完整、指標精煉實用的評價指標體系,由評價目標、7個一級指標(分為管理規(guī)范性指標和實施有效性指標兩類)和19個二級指標構成。(表1)
(二)評價指標的內涵
1、建筑廢料管理組織。這是建筑廢料管理活動的組織者和具體承擔者,其組織結構和運行機制影響著建筑廢料管理實踐的效果。
2、建筑廢料管理計劃。這是建筑廢料管理實踐的行動方案,是對各種資源在時間、空間上的組織規(guī)劃,是實現(xiàn)建筑廢料管理目標的重要基礎和保障。
3、建筑廢料管理資金。建筑廢料管理的實踐需要充足和穩(wěn)定的資金支持,才能保證其實現(xiàn)預定目標,達到良好成效。
4、建筑廢料管理培訓。現(xiàn)場負責建筑廢料管理具體實施的專業(yè)操作工人的技術水平是影響建筑廢料管理成果的重要因素。另外,其他施工人員對廢料管理的認識和配合程度對廢料管理的成效也有著重要的影響。因此,組織建筑廢料管理的相關培訓是保障建筑廢料管理實踐高效、順利開展的重要條件。
5、建筑廢料管理科研。在工程項目前期設計方案和采購計劃的制定過程中,有效結合建筑廢料管理的研究,從源頭上控制和削減建筑廢料的產生。
6、建筑廢料處理流程。建筑廢料實施依靠若干環(huán)節(jié)的銜接和配合,包括廢料處理流程設計合理,環(huán)節(jié)精煉,將冗余環(huán)節(jié)最小化。
7、建筑廢料處理操作。結合工程實際選擇適宜的操作方法,降低廢料管理成本,提高效益和效率。
8、建筑廢料分類。分類標準越細對應的收集與分選成本越高,因此選擇適當?shù)慕ㄖU料分類標準和有效分揀回收廢料。
9、建筑廢料的回收。這是工程現(xiàn)場廢料管理實踐的第一個環(huán)節(jié),其工作效率和質量對后續(xù)的廢料再用和循環(huán)利用等工作將產生直接影響。
10、建筑廢料的回收再用是對廢料最經濟的一種利用方式。積極發(fā)掘、有效保護和充分實現(xiàn)廢料的再用價值是提高廢料管理經濟性的重要方法。
11、建筑廢料的循環(huán)利用。這是建筑廢料管理的重要工作內容之一,也是目前國際上普遍關心和努力推動的廢料管理實踐,對于實現(xiàn)建筑業(yè)的可持續(xù)發(fā)展具有重要意義。
12、建筑廢料的填埋處理。不可循環(huán)利用的建筑廢料必須實行符合規(guī)范的填埋處理,是保護環(huán)境、避免污染的關鍵。結合工程具體情況,就近選擇有資質的廢料填埋處理場所,實施不可循環(huán)利用廢料的安全填埋。
13、建筑廢料管理人員。其技術水平、專業(yè)素質和工作效率是建筑廢料管理實踐中的重要因素之一。
14、建筑廢料轉運機械。這是建筑廢料管理活動的主要工具之一,其運行使用效率直接影響建筑廢料管理實踐的效率和效益,包括提高承擔施工現(xiàn)場與廢料回收中心間廢料轉運機械的工作效率。
15、建筑廢料回收站與回收箱。其布置和管理直接影響建筑廢料管理工作的效率。
16、建筑廢料管理成本。建筑廢料管理的經濟效益是建筑廢料管理效益的重要組成部分,因而有必要通過成本計劃和控制等措施降低廢料管理成本,提高廢料管理經濟效益。
17、建筑廢料銷售收益。建筑廢料管理的經濟效益是建筑廢料管理效益的重要組成部分,因而有必要有效管理可循環(huán)利用廢料,并通過銷售創(chuàng)造收益,提高廢料管理經濟效益。可描述為出售可循環(huán)利用的廢料,為項目創(chuàng)造收益。
18、建筑廢料管理的操作安全。在建筑工程實踐中,安全生產是重要的前提,在建筑廢料管理的實踐中,同樣需要注意確保工作安全。可描述為,在建筑廢料的回收、分類和轉運過程中注意安全,避免和減少事故。
19、建筑廢料處理的環(huán)境安全。有危害性的建筑廢料必須實行安全填埋處理。可描述為,對于有危害性的建筑廢料,如特殊防腐劑處理過的木料等,須進行專門處理而后進行填埋,避免環(huán)境污染。
三、評價方法及流程
人工神經網絡是由大量稱為神經元的簡單信息單元廣泛連接組成的復雜網絡,用于模擬人類大腦神經網絡的結構和行為,其工作原理是根據(jù)所提供的樣本數(shù)據(jù),通過網絡的學習和訓練,找出輸入和輸出之間的內在聯(lián)系,建立更接近于人類思維模式的定性與定量相結合的綜合評價模型的方法,從而求取問題的解。與采用傳統(tǒng)的評價方法,如層次分析法、模糊理論分析法等相比具有顯著的優(yōu)越性。①建筑廢料管理的評價綜合性強,各種因素相互影響,存在著復雜的非線性關系。基于人工神經網絡的評價方法具有神經網絡自組織、自適應能力,能全面反映對指標間的非線性關系,避免評價過程中的人為因素及模糊隨機性的影響;②具有較強的容錯能力及泛化功能,能夠處理有噪聲或不完全的數(shù)據(jù);③具有較強的自學習能力,通過學習新樣本,可使網絡的知識、經驗更豐富,評價結果更科學、準確。因此,本文采用BP人工神經網絡對建筑廢料管理進行評價研究。
基于BP人工神經網絡的建筑廢料管理評價模型的算法實現(xiàn)。①確定BP網絡結構參數(shù),即各層神經元節(jié)點數(shù);②以MATLAB為工具,建立一個輸入層、隱含層、輸出層神經元節(jié)點數(shù)分別為19、9、1的人工神經網絡,選用trainscg訓練函數(shù),初始化網絡的權值和閾值,設置網絡學習精度為10～6;③選定數(shù)據(jù)及兩組邊界限定樣本數(shù)據(jù)作為學習樣本輸入網絡,啟動網絡進行學習訓練。通過不斷執(zhí)行迭代過程,至滿足學習精度為止,得到較為準確的內部表示神經網絡,即合適的輸入與輸出之間的非線性映射關系;④將訓練好的神經網絡存入文件。當遇到建筑廢料管理評價問題時,只需輸入待評價項目的指標得分矩陣,啟動網絡,即可得到評價結果。
四、案例分析
上海某高校教學科研綜合樓工程位于該高校東北角。工程采取一些針對性的措施治理施工空氣污染和水污染、處理建筑廢料的基礎措施,降低對周圍環(huán)境的影響,取得了一定的效果。但由于施工單位管理層的廢料管理意識不強,因而并沒有建立專職的廢料管理組織和編制專項的廢料管理計劃及為廢料的分類、回收、利用與處理設計專門的流程和方案。
對項目的各項評價指標做出評判。由于各評價指標中定性因素較多,因此采用專家評判方法,對各個指標從優(yōu)至劣劃分優(yōu)秀、良好、一般、及格和不及格五個等級,分別給以5分、4分、3分、2分和1分。(表2)
將表2的數(shù)據(jù)輸入先前通過專家調研統(tǒng)計、函數(shù)訓練并保存的神經網絡模型,經網絡計算,得到該項目建筑廢料管理的綜合評價得分為3.0366,表明該項目的建筑廢料管理總體水平一般。該評價結果經該項目的項目經理和總監(jiān)理工程師確認,基本符合項目的實際情況。證明基于BP人工神經網絡的評價模型可以有效地應用于建筑廢料管理評價的實踐。
五、結語
本文構建的建筑廢料管理評價指標體系豐富了建筑廢料管理評價指標的理論,有利于提高建筑廢料管理水平,為其提供參考依據(jù);提出了應用BP人工神經網絡進行評價,并以實際案例進行了演示,得出該評價模型適用于建筑廢料管理評價實踐的結論。
(作者單位:同濟大學經濟與管理學院)
主要參考文獻:
[1]石志方,劉健,陸平中等.廢塑料污染的綜合治理[J].環(huán)境污染與防治,1993.
[2]趙多,盧劍波,閔懷.浙江省生態(tài)環(huán)境可持續(xù)發(fā)展評價指標體系的建立[J].環(huán)境污染與防治,2003.12.25.
[3]陳德全等.浙江省循環(huán)經濟發(fā)展評價指標體系研究[J].環(huán)境污染與防治,2006.4.28.
[4]陳帆,吳波,祝秀蓮.造紙工業(yè)循環(huán)經濟模式評價指標體系研究[J].環(huán)境污染與防治,2008.5.30.
神經網絡的基本概念范文第5篇
【關鍵詞】 毒邪；證候；SARS
筆者以中醫(yī)理論為指導，結合SARS發(fā)病特點，從現(xiàn)代心理測量理論出發(fā)，并引入結構化的決策方式，編制了SARS中醫(yī)證候特征及其演變規(guī)律一線專家調查問卷。運用德爾菲法重新修訂問卷結構和內容，建立了三維結構化的關聯(lián)數(shù)據(jù)庫(以下簡稱“專家調查問卷數(shù)據(jù)庫”)。通過對京、津、粵地區(qū)880份專家調查問卷數(shù)據(jù)進行統(tǒng)計處理，對各個階段不同的癥狀群和舌脈進行辨證分析，確定了證候類別和SARS證候因素。 SARS的證候因素是互相聯(lián)系互相影響的。現(xiàn)代醫(yī)學已經認識到心理失衡影響機體免疫力，導致抵抗力下降；而中醫(yī)理論認為，情志不暢易使肝失疏泄條達，而致肝氣郁結，氣機升降失調，臟腑不和，氣化受阻，氣不行則血不運，血行不暢，氣血不得交換，則血滯成瘀，即毒自內生，促使機體正氣不足，衛(wèi)外不固，營陰失守，御邪能力減退，即所謂“邪雖自外來，其無毒者不入”。
1 七情化毒影響SARS成因
七情，是指喜、怒、憂、思、悲、恐、驚七種情志變化，是人體對外界刺激產生的不同反映。這種刺激過于突然或過于持久，超過了人體的調節(jié)適應范圍，就會導致氣機逆亂，氣血失調，而發(fā)為疾病。《素問·舉痛論》說：“怒則氣逆，甚則嘔血及飧泄。”劉完素《素問玄機原病式》中“五志七情過度而卒病也”，即是言此[1]。由此可見，疾病的發(fā)生也常與人的精神情志因素有關。因為精神過勞或情志創(chuàng)傷會使人體氣機紊亂，降低人體的防病和抗病能力，招致邪氣侵害而發(fā)病，或導致臟腑功能失常而發(fā)病。暴怒傷肝、過喜傷心、思慮傷脾、憂悲傷肺、驚恐傷腎，故傷于不同的情志，能導致相應臟腑的病證。SARS也不例外。精神愉快可使人體生機活躍，營衛(wèi)通利，氣血流暢。悲觀和憂慮可使人氣機阻滯，血脈沉澀，進而致使臟腑功能失調，人體正氣受損，易受病邪侵襲，從而加重病體原來的損害，促使病情惡化。現(xiàn)代研究認為，不良的心理因素可從各個不同途徑影響噬菌體、T細胞和B細胞的功能，影響抗體形成，從而降低機體免疫功能，招致感染，引起肺系病證的急性發(fā)作[2]。
2 數(shù)理統(tǒng)計分析情志因素
情志改變作為SARS的證候因素之一，影響著SARS發(fā)病與病情演變。筆者運用多種統(tǒng)計學方法，對SARS專家調查問卷數(shù)據(jù)庫的各個證候因素進行了統(tǒng)計分析，現(xiàn)將情志改變的決策樹建模、神經網絡訓練、頻數(shù)分布分析結果介紹如下。
2.1 決策樹建模
分類是數(shù)據(jù)挖掘領域的一種非常重要的方法，分類與聚類的不同在于分類是對已知現(xiàn)存的類別建立描述規(guī)則，并對新的觀察值判別歸類；而聚類是無監(jiān)督的學習，對給定的一組觀察值建立類別。數(shù)據(jù)挖掘中最為典型的分類方法是決策樹技術。決策樹可以很方便地轉化為分類規(guī)則，是一種非常直觀的分類模式表示形式。
決策樹是一種類似二叉樹或多叉樹的樹結構。樹中的每個非葉節(jié)點(包括根節(jié)點)對應于訓練樣本集中一個非類別屬性的測試，非葉節(jié)點的每個分支對應屬性的一個測試結果，每個葉節(jié)點代表一個類或類分布。從根節(jié)點到葉子節(jié)點的一條路徑形成一條分類規(guī)則，決策樹從節(jié)點來尋找分支定類的思想就是逐步找到更具有確定類別意義和更“純”的節(jié)點。一般情況下，單一決策樹能很好地解決分類問題，但當類的個數(shù)增多時，所產生的單一決策樹就容易變得復雜且概括能力降低。而筆者分析的證候因素就恰恰存在多分類問題。由于在處理多類問題時，層次分解的決策樹比傳統(tǒng)的單一決策樹有更多的優(yōu)勢，所以，根據(jù)證候因素之間的層次對應關系，筆者采用基于層次分解的方法，通過產生多棵決策樹來處理多類問題。情志改變具體的決策樹可以見圖1。
另外，情志變量關系比較顯示，變量“心情-多慮”，“心情-憂郁”，“心煩易怒-伴口苦”，“心情-多疑”，“心情-焦慮”，“心煩易怒-伴失眠心慌”相對于其他變量來說，對于判斷患者是否有情志改變起到了較大的作用。見表1。表1 情志變量關系比較（略）
2.2 神經網絡訓練
神經網絡，或稱人工神經網絡，指模仿人腦而建立的、具有和人腦相似功能的統(tǒng)計模型。神經網絡系統(tǒng)可以對大量數(shù)據(jù)進行快速建模。網絡不需要人為地選擇具體的模型，在學習和訓練的基礎上，通過本身的學習功能，對樣本進行學習，選擇合適的結構，就能得到理想的結果，從而解決特定領域中的問題。
神經網絡一般采用簡單的網絡結構，包括三層，即輸入層、隱藏層(中間層)、輸出層。因為從理論上已經證明：只要訓練數(shù)據(jù)精度高，具有一個隱藏層的神經網絡，能以任意精度表示任何函數(shù)。所以，對于中醫(yī)證候因素的分析也將采用具有一個隱藏層的神經網絡，輸入層為各癥狀變量，輸出層為證候因素。神經網絡對情志-證候因素的預測效果比較一致，無論是訓練集還是驗證集、評估集的正確率均達到了80%以上。見表2。表2 神經網絡訓練的預測效果（略）
