- 相關(guān)推薦
淺談神經(jīng)網(wǎng)絡(luò)在人工智能中的應(yīng)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，最后給出了兩個使用BP網(wǎng)絡(luò)解決實際問題的例子。
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)歷了三個重大的發(fā)展時期，分別是經(jīng)典控制理論、現(xiàn)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(xiàn)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，推動控制理論的不斷前進，就需要對神經(jīng)網(wǎng)絡(luò)進行推廣。
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、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(qū)域[1]，以達到對輸入信號進行分類的目的。感知器在使用前，需要先進行訓(xùn)練。訓(xùn)練感知器的主要目的是調(diào)整它的權(quán)值。訓(xùn)練感知器時，通過選擇典型的輸入類型，這些輸入需要能代表所有的輸入類型，然后將這些數(shù)據(jù)輸入到感知器中對感知器進行訓(xùn)練。訓(xùn)練之后，感知器網(wǎng)絡(luò)的節(jié)點數(shù)及權(quán)值得到了調(diào)整。當感知器訓(xùn)練完成之后，就可以進行工作了。
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性有理函數(shù)進行逼近，以滿足對非線性系統(tǒng)的控制作用。一般使用最速下降法對BP網(wǎng)絡(luò)進行訓(xùn)練，將誤差反向傳播，當有大量的數(shù)據(jù)通過BP網(wǎng)絡(luò)時，網(wǎng)絡(luò)的權(quán)值和閾值得到調(diào)整，并使得網(wǎng)絡(luò)的誤差系數(shù)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(xùn)練結(jié)束之后，此神經(jīng)網(wǎng)絡(luò)即是BP網(wǎng)絡(luò)，它就可用于對非線性系統(tǒng)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(tǒng)權(quán)值的持續(xù)調(diào)整，消除非線性影響的作用。
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(shù)據(jù)進行分類，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權(quán)值函數(shù)。競爭網(wǎng)絡(luò)的訓(xùn)練和工作并未像其它神經(jīng)網(wǎng)絡(luò)那樣明確分開，而是在工作的過程中實現(xiàn)對網(wǎng)絡(luò)的訓(xùn)練。它的訓(xùn)練方式是無監(jiān)督式的，訓(xùn)練過程是通過競爭，將獲勝節(jié)點的權(quán)值進行調(diào)整，從而使網(wǎng)絡(luò)的輸出于輸入間的誤差逐漸減小，在這個競爭過程中，就可以通過輸出的不同，而將輸入分成不同的類型，以實現(xiàn)自動分類的功能。
1.4 柯荷倫網(wǎng)絡(luò) 為了實現(xiàn)對具有概率分布模式的數(shù)據(jù)進行分類，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(xùn)練過程中對節(jié)點的調(diào)整方法的區(qū)別�？潞蓚惥W(wǎng)絡(luò)模型對節(jié)點的調(diào)節(jié)方式與競爭網(wǎng)絡(luò)的比較相似，都是通過競爭來確定需要調(diào)整的網(wǎng)絡(luò)節(jié)點，競爭網(wǎng)絡(luò)只需要調(diào)整競爭獲勝的節(jié)點，而柯荷倫網(wǎng)絡(luò)除了需要調(diào)整競爭獲勝的網(wǎng)絡(luò)節(jié)點，還需要調(diào)整獲勝節(jié)點的臨近節(jié)點。
2 BP網(wǎng)絡(luò)在智能系統(tǒng)中的應(yīng)用
2.1 聯(lián)想記憶
在信號處理、語音和圖像識別等領(lǐng)域，當輸入數(shù)據(jù)具有干擾或需要網(wǎng)絡(luò)具有糾錯能力時，就需要網(wǎng)絡(luò)能夠識別出這種錯誤，并將其糾正過來。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(zhuǎn)換成網(wǎng)絡(luò)的平衡節(jié)點，通過調(diào)整節(jié)點的權(quán)值，使其記住這些目標。然后再通過不斷對網(wǎng)絡(luò)輸入學(xué)習數(shù)據(jù)，使其不斷進行聯(lián)想，最終使目標模型的特征收斂到網(wǎng)絡(luò)的平衡節(jié)點上。例如在進行文字處理時，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(zhuǎn)化成網(wǎng)絡(luò)平衡節(jié)點，然后在對網(wǎng)絡(luò)輸入正確的文字，在不斷的訓(xùn)練過程中，網(wǎng)絡(luò)就能實現(xiàn)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(wěn)定性判別函數(shù)以能量為基礎(chǔ)。當系統(tǒng)不穩(wěn)定時，能量會逐漸減小，并最終趨于穩(wěn)定。在大規(guī)模電力線路的設(shè)計過程中，為了使設(shè)計的電子線路系統(tǒng)最優(yōu)，就需要對設(shè)計不斷進行優(yōu)化。通過對系統(tǒng)網(wǎng)絡(luò)進行分析，求解出網(wǎng)絡(luò)的最優(yōu)參數(shù)之后，將這些參數(shù)轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)中的平衡節(jié)點。在對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之后，網(wǎng)絡(luò)就可以通過不斷循環(huán)優(yōu)化，最終設(shè)計出一個最優(yōu)電子線路系統(tǒng)。
2.3 影像處理
在人造成像系統(tǒng)中，無論是光學(xué)成像，還是聲波成像，以及電磁波成像，由于在對影像進行采集和處理的系統(tǒng)一般是數(shù)字系統(tǒng)，并且數(shù)字信號本身比模擬信號具有更強的抗噪能力，在采集和處理過程中，必須先對影像資料進行數(shù)字化處理，將模擬信號轉(zhuǎn)換成數(shù)字信號。因此，最終采集到的影像資料都是不連續(xù)的。 當前對影像數(shù)據(jù)的處理主要包括：處理因焦距問題而產(chǎn)生的影像模糊;影像噪聲含量較多時將噪聲處理掉;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，如對影像進行分類、在醫(yī)學(xué)中對藥物反應(yīng)的影像進行分析等。
【淺談神經(jīng)網(wǎng)絡(luò)在人工智能中的應(yīng)用論文】相關(guān)文章：
淺談在機械設(shè)計制造中綠色理念的應(yīng)用論文07-04
人工智能技術(shù)在電氣自動化中的應(yīng)用論文07-04
淺談翻轉(zhuǎn)課堂在實驗教學(xué)中的應(yīng)用研究論文07-03
淺談SPSS在證券投資實訓(xùn)中的應(yīng)用的優(yōu)秀論文07-04
《微表情在面試中的應(yīng)用》淺談07-11
淺談信息技術(shù)在服裝工藝教學(xué)中的應(yīng)用前景論文07-03
淺談學(xué)科思維導(dǎo)圖在電工電子技術(shù)課程中的應(yīng)用論文07-04
淺談新課改中的英語教學(xué)論文07-03