淺談神經網絡在人工智能中的應用論文

摘 要：神經網絡是人工智能領域不可或缺的部分，當前最常見的幾種神經網絡分別是感知器網絡、BP網絡、柯荷倫網絡、競爭網絡，這幾種網絡各具特點，最後給出了兩個使用BP網絡解決實際問題的例子。

關鍵詞：

關鍵詞：神經網絡 人工智能 機器學習 控制算法

控制理論從提出到目前為止，一共經歷了三個重大的發展時期，分別是經典控制理論、現代控制理論和智能控制理論。智能控制屬於較新的控制理論，它現在主要用於人工智能領域。為了使更多的人瞭解到人工智能，推動控制理論的不斷前進，就需要對神經網絡進行推廣。

　　1 典型神經網絡

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，需要先進行訓練。訓練感知器的主要目的是調整它的權值。訓練感知器時，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，然後將這些數據輸入到感知器中對感知器進行訓練。訓練之後，感知器網絡的節點數及權值得到了調整。當感知器訓練完成之後，就可以進行工作了。

1.2 BP網絡

BP網絡是當前使用得最多的一種神經網絡，它的主要功能是對非線性有理函數進行逼近，以滿足對非線性系統的控制作用。一般使用最速下降法對BP網絡進行訓練，將誤差反向傳播，當有大量的數據通過BP網絡時，網絡的權值和閾值得到調整，並使得網絡的誤差係數降低到最小[2]。下式是不含反饋的神經網絡的輸入與輸出關係： 以上表達式不能表示具有反饋方式的.神經網絡，如果需要表示BP網絡，還需要對上式加入反饋部分，如下式所示： 當訓練結束之後，此神經網絡即是BP網絡，它就可用於對非線性系統的控制。它將輸出反饋到輸入，作為輸入的一部分，以達到對系統權值的持續調整，消除非線性影響的作用。

1.3 競爭網絡

競爭網絡一般用於對大量具有典型特徵的數據進行分類，它是一種單層網絡，包括輸入層和競爭層，輸入層和競爭層共用一個權值函數。競爭網絡的訓練和工作並未像其它神經網絡那樣明確分開，而是在工作的過程中實現對網絡的訓練。它的訓練方式是無監督式的，訓練過程是通過競爭，將獲勝節點的權值進行調整，從而使網絡的輸出於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，以實現自動分類的功能。

1.4 柯荷倫網絡 為了實現對具有概率分佈模式的數據進行分類，可以利用柯荷倫網絡模型。柯荷倫網絡網絡模型與普通的網絡模型很相似，它的不同之處在與它在訓練過程中對節點的調整方法的區別。柯荷倫網絡模型對節點的調節方式與競爭網絡的比較相似，都是通過競爭來確定需要調整的網絡節點，競爭網絡只需要調整競爭獲勝的節點，而柯荷倫網絡除了需要調整競爭獲勝的網絡節點，還需要調整獲勝節點的臨近節點。

　　2 BP網絡在智能系統中的應用

2.1 聯想記憶

在信號處理、語音和圖像識別等領域，當輸入數據具有干擾或需要網絡具有糾錯能力時，就需要網絡能夠識別出這種錯誤，並將其糾正過來。為了能得到具有這種功能的神經網絡，可以先將識別對象轉換成網絡的平衡節點，通過調整節點的權值，使其記住這些目標。然後再通過不斷對網絡輸入學習數據，使其不斷進行聯想，最終使目標模型的特徵收斂到網絡的平衡節點上。例如在進行文字處理時，為了能是神經網絡具有識別出錯誤文字的功能，可先將特定模型的文字轉化成網絡平衡節點，然後在對網絡輸入正確的文字，在不斷的訓練過程中，網絡就能實現對錯誤輸入的識別作用。

2.2 優化計算

霍普菲爾德的網絡穩定性判別函數以能量為基礎。當系統不穩定時，能量會逐漸減小，並最終趨於穩定。在大規模電力線路的設計過程中，為了使設計的電子線路系統最優，就需要對設計不斷進行優化。通過對系統網絡進行分析，求解出網絡的最優參數之後，將這些參數轉換成神經網絡中的平衡節點。在對神經網絡進行訓練之後，網絡就可以通過不斷循環優化，最終設計出一個最優電子線路系統。

2.3 影像處理

在人造成像系統中，無論是光學成像，還是聲波成像，以及電磁波成像，由於在對影像進行採集和處理的系統一般是數字系統，並且數字信號本身比模擬信號具有更強的抗噪能力，在採集和處理過程中，必須先對影像資料進行數字化處理，將模擬信號轉換成數字信號。因此，最終採集到的影像資料都是不連續的。 當前對影像數據的處理主要包括：處理因焦距問題而產生的影像模糊;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域也非常寬廣，如對影像進行分類、在醫學中對藥物反應的影像進行分析等。