人工神經網絡范文精選

肺癌的診斷問題各國醫學界已作了一些研究，并取得了某些實際的成果。但是，由于肺癌的多種類型以及多種相關因素，使得現有的診斷在準確性和實用性方面都存在著相當的局限性，如建模復雜困難。由于對影響罹病與否的各種因子的作用機制了解得不是很清楚，如何建立診斷模型，以及如何確定新建立的模型在何種程度上與實際情況相吻合還是一個問題；容錯能力不強，適用范圍不廣；依賴于某個病例庫新建立起來的醫學模型往往具有很強的局限性，用于新的病例庫時誤差有時較大。另外，由于醫學方面的原因，我們收集到的數據有時不完整，而現有的研究方法所建立起的醫學模型由于容錯性差，對這些不完整的數據通常都難以處理。以非線性大規模并行分布處理為特點的人工神經網絡理論突破了傳統的線性處理模式，以其高度的并行性，良好的容錯性和自適應能力成為人們研究其賴以生存的非線性世界，探索和研究某些復雜大系統的有力工具。

原理與方法

神經網絡是一個具有高度非線性的超大規模連續時間動力系統。是由大量的處理單元(神經元)廣泛互連而形成的網絡。它是在現代神經科學研究成果的基礎上提出的，反映了腦功能的基本特征。但它并不是人腦的真實描寫，而只是它的某種抽象、簡化與模擬。網絡的信息處理由神經元之間的相互作用來實現；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；網絡的學習和計算決定于各神經元連接權系的動態演化過程。因此神經元構成了網絡的基本運算單元。每個神經元具有自己的閾值。每個神經元的輸入信號是所有與其相連的神經元的輸出信號和加權后的和。而輸出信號是其凈輸入信號的非線性函數。如果輸入信號的加權集合高于其閾值，該神經元便被激活而輸出相應的值。在人工神經網絡中所存儲的是單元之間連接的加權值陣列。

神經網絡的工作過程主要由兩個階段組成，一個階段是工作期，此時各連接權值固定，計算單元的狀態變化，以求達到穩定狀態。另一階段是學習期(自適應期，或設計期)，此時各計算單元狀態不變，各連接權值可修改(通過學習樣本或其他方法)，前一階段較快，各單元的狀態亦稱短期記憶(STM)，后一階段慢的多，權及連接方式亦稱長期記憶(LTM)〔1〕。

根據網絡的拓撲結構和學習規則可將人工神經網絡分為多種類型，如不含反饋的前向神經網絡、層內有相互結合的前向網絡、反饋網絡、相互結合型網絡等〔2〕。本文的人工神經網絡模型是采用BP算法的多層前饋網絡。

該模型的特點是信號由輸入層單向傳遞到輸出層，同一層神經元之間互不傳遞信息，每個神經元與鄰近層所有神經元相連，連接權用Wij表示。各神經元的作用函數為Sigmoid函數，設神經網絡輸入層的p個節點，輸出層有q個節點，k-1層的任意節點用l表示，k層的任意節點用j表示，k+1層的任意節點用l表示。Wij為k-1層的第i個神經元與k層的第j個神經元相連接的權值。k-1層的節點i輸出為O(k-1)i，k層節點j的輸出為：

摘要：根據現代控制技術的人工神經網絡理論提出了一種保護原理構成方案，并分析了原理實現的可行性和技術難點。

人工神經網絡（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數學家WalthH.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網絡結構及算法直觀、簡單，在工業領域中應用較多。

經訓練的ANN適用于利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網絡補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結構控制或滑動?？刂疲?，在實時工業控制執行程序中較為有效［3］。人工神經網絡（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解［4］。

因此，對于電力系統這個存在著大量非線性的復雜大系統來講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面［5］。

本文介紹了一種基于人工神經網絡（ANN）理論的保護原理。

1、人工神經網絡理論概述

1財務管理決策支持系統的研究現狀

決策支持系統經過二十多年的發展，形成了如圖l所示公認的體系結構。它把模型并入信息系統軟件中，依靠管理信息系統和運籌學這兩個基礎逐步發展起來。它為解決非結構化決策問題提供了相應的有用信息，給各級管理決策人員的工作帶來了便利。從圖1可以看出決策支持系統體系結構可劃分為三級，即語言系統(LS)級、問題處理系統(PPS)級和知識系統fKS)級。其中問題處理系統級包括推理機系統(RS)、模型庫管理系統(MBMS)、知識庫管理系統(KBMS)及數據庫管理系統(DBMS)。知識系統級包括模型庫(MB)、知識庫(KB)及數據庫(DBo九十年代中期，興起了三個輔助決策技術：數據倉庫(DW)、聯機分析處理(0LAP)和數據挖掘(DM)。聯機分析處理是以客戶，服務器的方式完成多維數據分析。數據倉庫是根據決策主題的需要匯集大量的數據庫，通過綜合和分析得到輔助決策的信息。數據挖掘顧名思義，是為了獲得有用的數據，在大量的數據庫中進行篩選。人工智能技術建立一個智能的DSS人機界面，可進行圖、文、聲、像、形等多模式交互，人機交互此時變得更為自然和諧，人們能沉浸其中，進行合作式、目標向導式的交互方法。從目前情況來看，財務決策支持系統的研究還處于初級發展階段，財務數據的保密性、特殊性決定了財務決策不能全部公開化、透明化，但隨著中央及國務院相關部門財務預決算數據的公開，財務決策系統及其支持系統和過程也將隨之公開，這就要求決策者充分利用財務知識和決策支持系統的知識“聰明”決策、合理決策、科學決策、規范決策。

2財務管理神經網絡智能決策支持系統總體研究框架

2．1神經網絡運行機制神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發出較快較強的速度來。我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優化計算和聯想記憶、軍事應用以及決策支持系統中。

2.2財務管理神經網絡集成智能財務DSS的必然性在企業經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統模式來支持這類評價決策問題是目前財務管理智能決策支持系統的一種發展趨勢和必然趨勢圈。

2．3財務管理神經網絡集成智能DSS系統框架神經網絡智能決策支持系統主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統研究框架『2I。研究中有兩個重點，即神經網絡推理系統和神經網絡數據開采系統。

摘要：隨著經濟的不斷發展，科技的提高，開闊了各個行業的發展前景，計算機網絡得到良好改善。隨著社會經濟的發展，計算機成為人們日常生活必備用品，但是要想計算機網絡迅速發展，還需要提高運行能力和整體性能，使計算機不斷滿足當下社會的需求。計算機網絡模型具備儲存信息、使信息規劃等不同特點，保證使用人員能夠快速搜索所需要信息。同時，計算機網絡還具備優化的優勢，使信息聯想，計算機神經網絡算法可以構造全面的信息儲存庫，保證信息儲存和信息處理。

關鍵詞：計算機網絡模型；神經網絡算法

計算機網絡在人們日常生活越來越重要，被廣泛應用到各個行業。隨著社會不斷發展，人們需求不斷加高，使計算機得到良好改善，目前，計算機網絡運用集線式服務器來實現網絡互連，促進網絡發展。但是也有很大弊端，過多的聯想信息雖然滿足人們需求，但是對技術的要求也更加苛刻，現有的技術滿足不了計算機網絡運行，使人們日常操作不方便。為了解決這一問題，研究人員需要全面優化計算機網絡，提高運行能力和性能，運用神經網絡算法，使計算機更加適合現代社會發展，儲存更多信息。

1神經網絡算法概論分析

1.1神經網絡算法整體概論神經網絡算法是按照人體大腦的思維方式進行模擬，根據邏輯思維進行推理，將信息概念化形成人們認知的符號，呈現在顯示屏前。根據邏輯符號按照一定模式進行指令構造，使計算機執行。目前，神經網絡被廣泛使用，使直觀性的思維方式分布式存儲信息，建立理論模型。優化網絡的神經網絡主要是Hop?eld神經網絡，是1982年由美國物理學家提出的，它能夠模擬神經網絡的記憶機理，是全連接的神經網絡。Hop?eld神經網絡中的每個神經元都能夠信號輸出，還能夠將信號通過其他神經元為自己反饋，那么其也稱之為反饋性神經網絡。

1.2優化神經網絡基本基礎Hop?eld神經網絡是通過能量函數分析系統，結合儲存系統和二元系統的神經網絡，Hop?eld神經網絡能收斂到穩定的平衡狀態，并以其認為樣本信息，具備聯想記憶能力，使某種殘缺信息進行回想還原，回憶成完整信息。但是Hop?eld神經網絡記憶儲存量有限，而且大多數信息是不穩定的，合理優化計算機聯想問題，使Hop?eld神經網絡能夠建設模型。

1計算智能概述

計算智能（ComputationalIntelligenee，簡稱CI），又稱軟計算，該詞于1992年被美國學者J.C.Bezdekek首次提出，1994年全計算智能大會明確提出了計算智能的概念，標志著計算智能作為一門獨立學科的誕生。傳統的人工智能問題的處理、結論的得出都需要在建立精確的數字模型的基礎上才能實現，但現實中有很多的數據都是模糊的，無法建立精確的模型，使得人工智能的應用范圍相對狹窄，而計算智能則突破了人工智能的瓶頸，以模型為基礎，模擬人的理論與方法，只需要直接輸入數據，系統就可以對數據進行處理，應用范圍更加的廣泛。計算智能的本質是一類準元算法，主要包括進化計算，人工神經網絡、模糊計算、混沌計算、細胞自動機等，其中以進化計算、人工神經網絡及模糊系統為典型代表。

1.1進化計算

進化計算是采用簡單的編碼技術來表示各種復雜的結構，并通過遺傳操作和優勝劣汰的自然選擇來指導學習和確定搜索的方向，具有操作簡單、通用性強、效率高的優點，其工作原理是通過種群的方式進行計算，借助生物進化的思想來解決問題，分為遺傳算法、進化規劃及進化策略三大類。

1.2人工神經網絡

人工神經網絡是一個高度復雜的非線性動力學系統，具有模糊推理、并行處理、自訓練學習等優勢，其工作原理是仿照生物神經網絡處理信息方式，通過不同的算法和結構，將簡單的人工神經細胞相互連接，通過大量的人工神經單元來同時進行信息的傳播，并將信息儲存在改革細胞單元的連接結構中，快速地得到期望的計算結構。生物神經網絡的細胞是在不斷的生成和更新著的，即部分細胞壞死，整個神經網絡仍能維持正常的運轉秩序而不會驟然崩潰，同樣人工神經網絡也有著這樣的特性，即使部分神經細胞發生問題，整個網絡也能夠正常的運轉。人工神經網絡按照連接方式的不同分為前饋式網絡與反饋式網絡，前饋式網絡結構中的神經元是單層排列的，分為輸入層、隱藏層及輸出層三層，信息的傳播是單向的，每個神經元只與前一層的神經元相連，即信息只能由輸出層傳向隱藏層再傳向輸入層，而不能由輸出層直接傳向輸入層；反饋式網絡結構中每個人工神經細胞都是一個計算單元，在接受信息輸入的同時還在向外界輸出著信息。不同的行業和領域可以根據自身的需要將不同的網絡結構和學習方法相結合，建立不同的人工神經網絡模型，實現不同的研究目的。