《先进制造技术》课程论文
——人工神经网络
摘要：人工神经网络是对人脑功能的某些程度的反映，具有自适应和自学习的能力，可通过对模式 样本的自学习，从中获取特征，并能将学习获得的知识应用到图像、文字等识别中。本文对人工神经网络做了简要的概述，重点讲述了两种应用最广泛的神经网络模型：BP神经网络和Hopfield神经网络。对BP神经网络作了详细的介绍，重点在于三层BP网络的学习。Hopfield神经网络应用非常广泛，本文用Hopfield 神经网络进行英文字母识别。
关键词：人工神经网络，BP神经网络，三层BP网络，Hopfield神经网络，模式识别
Study on Simulation Analytical Method of Artificial neural network
(School of Engineering, HLJ August First Land Reclamation University, Daqing 163319)Abstract:Artificial neural network is to the brain function, some degree of reflect with adaptive and self-learning ability, but through the study of pattern samples from, obtain characteristics, and can be applied to study the knowledge obtained recognition of images and text.Based on artificial neural network did briefly, focused on the two kinds of the most widely used neural network model: BP neural network and Hopfield neural networks.On BP neurl network is analyzed in detail, the emphasis is on three layers of BP neural network learning.Hopfield neural network is us extensively, this article with the Hopfield neural network for English letters recognition.Key words: artificial neural network, the BP neural network, and the third floor Hopfield
neural network BP network, pattern recognition
1引言
随着多媒体和网络技术的飞速发展及广泛应用，人工神经网络已被广泛运用于各种领域，而它的预测功能也在不断被人挖掘着。人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。现代计算机构成单元的速度是人脑中神经元速度的几百万倍，对于那些特征明确，推理或运算规则清楚地可编程问题，可以高速有效地求解，在数值运算和逻辑运算方面的精确与高速极大地拓展了人脑的能力，从而在信息处理和控制决策等方面为人们提供了实现智能化和自动化的先进手段。但由于现有计算机是按照冯·诺依曼原理，基于程序存取进行工作的，历经半个多世纪的发展，其结构模式与运行机制仍然没有跳出传统的逻辑运算规则，因而在很多方面的功能还远不能达到认得智能水平。随着现代信息科学与技术的飞速发展，这方面的问题日趋尖锐，促使科学和技术专家们寻找解决问题的新出路。当人们的思想转向研究大自然造就的精妙的人脑结构模式和信息处理机制时，推动了脑科学的深入发展以及人工神经网络和闹模型的研究。随着对生物闹的深入了解，人工神经网络获得长足发展。在经历了漫长的初创期和低潮期后，人工神经网络终于以其不容忽视的潜力与活力进入了发展高潮。这么多年来，它的结构与功能逐步改善，运行机制渐趋成熟，应用领域日益扩大，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果。通过
运用人工神经网络建模，可以进行预测事物的发展，节省了实际要求证结果所需的研究时间。
2我国人工神经网络现状
随着人工神经网络的20世纪80年代在世界范围内的复苏，国内也逐步掀起了研究热潮，1989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国型号处理——神经网络学术会议；1990年2月由国内八个学会（中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会）联合在北京召开“中国神经网络首届学术会议”，这次大会以“八学会联盟，探只能奥秘为主题，收到了300多篇学术论文”，开创了中国人工神经网络及神经计算机方面科学研究的新纪元，经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加。在国际上，1987年，在美国加洲召开第一届国际神经网络学会，此后每年召开两次国际联合神经网络大会（UCNN），不久，改学会创办了刊物Journal Neural Networks，另有十几种国际著名的神经网络学术刊物相继问世。至此，神经网络理论研究在国际学术领域获得了其应有的地位。
经过多年的发展，目前已有上百种的神经网络模型被提出。这么多年来，它的结构与功能逐步改善，运行机制渐趋成熟，应用领域日益扩大，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果
[1]。正是由于人工神经网络是一门新兴的学科，它在理论、模型、算法、应用和时限等方面都还有很多空白点需要努力探索、研究、开拓和开发。因此，许多国家的政府和企业都投入了大量的资金，组织大量的科学和技术专家对人工神经网络的广泛问题立项研究。从人工神经网络的模拟程序和专用芯片的不断推出、论文的大量发表以及各种应用的报道可以看到，在这个领域里一个百家争鸣的局面已经形成。
3人工神经网络现状的分析
人工神经网络是一个新兴学科，因此还存在许多问题。其主要表现有：
(1) 受到脑科学研究的限制：由于生理实验的困难性，因此目前人类对思维和记忆机制的认识还很肤浅，还有很多问题需要解决；
(2) 还没有完整成熟的理论体系；
(3) 还带有浓厚的策略和经验色彩；
(4) 与传统技术的接口不成熟。
上述问题的存在，制约了人工神经网络研究的发展。
我相信只要能客服这些局限性，人工神经网络的发展将不可限量。
4结论
在理论上．RBF网络和BP网络一样能以任意精度逼近任何非线性函数。但由于它们使用的激励函数不同，其逼近性能也不相同。Poggio和Girosi已经证明，RBF网络是连续函数的最佳逼近，而BP网络不是。BP网络使用的Sigmoid函数具有全局特性，它在输入值的很大范围内每个节点都对输出值产生影响，并且激励函数在输入值的很大范围内相互重叠，因而相互影响，因此BP网络训练过程很长。此外，由于BP算法的固有特性，BP网络容易陷入局部极小的问题不可能从根本上避免，并且BP网络隐层节点数目的确定依赖于经验和试凑，很难得到最优网络。采用局部激励函数的RBF网络在很大程度上克服了上述缺点，RBF不仅有良好的泛化能力，而且对于每个输入值，只有很少几个节点具有非零激励值，因此只需很少部分节点及权值改变。学习速度可以比通常的BP算法提高上千倍,容易适应新数据，其隐层节点的数目也在训练过程中确定，并且其收敛性也较BP网络易于保证，因此可以得到最优解[10] [11]。
从上面所示的结果来看，主要有一下几方面的不同：
（1）由于学习速率是固定的，因此BP网络的训练过程较长，当需要处理较复杂的问题时，需要的时间很长。而RBF网络的建网过程即是训练过程此外，训练时间较少．精度也比较高。
（2）在处理同一问题时，通常情况BP网络所需的神经元个数比RBF网络要少。
（3）BP网络的输出和初始的权值有关，而RBF网络的输出与初始的权值无关。
（4）RBP网络隐含层的层数和单元数的选择要凭借经验反复验证，因此网络的冗余性比较大。RBF隐层节点的数目也在训练过程中确定。但是要确定径向基函数的分布密度。
人工神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。可以通过神经网络对事物进行预测从而用简单的方法完成复杂的问题。
参考文献：
[1] 高隽.人工神经网络原理及其仿真实例 机械工业出版社，2007.2
[2] 边肇祺，张学工.模式识别.清华大学出版社，2006.1
[3] 徐丽娜.神经网络控制.哈尔滨:哈尔滨工业大学出版社，2008.3
[4]朱大奇.人工神经网络研究现状及其展望.江南大学学报，2004
[5]董军，胡上序.混沌神经网络研究发展和展望.信息与控制，1997
[6]韩力群.人工神经网络理论，设计及应用.北京化学工业出版社，2002
[7]马锐.人工神经网络原理.北京机械工业出版社，2010
[8]胡守仁，余少波，戴葵.神经网络导论.国防科技大学出版社，1992
[9]胡金滨，唐旭清.人工神经网络的BP算法及其应用.信息技术，2004
[10]宋桂荣.改进BP算法在故障诊断中的应用.沈阳工业大学学报，2001
