- 相关推荐
浅谈神经网络在人工智能中的应用论文
摘 要：神经网络是人工智能领域不可或缺的部分，当前最常见的几种神经网络分别是感知器网络、BP网络、柯荷伦网络、竞争网络，这几种网络各具特点，最后给出了两个使用BP网络解决实际问题的例子。
关键词：
关键词：神经网络 人工智能 机器学习 控制算法
控制理论从提出到目前为止，一共经历了三个重大的发展时期，分别是经典控制理论、现代控制理论和智能控制理论。智能控制属于较新的控制理论，它现在主要用于人工智能领域。为了使更多的人了解到人工智能，推动控制理论的不断前进，就需要对神经网络进行推广。
1 典型神经网络
1.1 感知器
感知器的工作原理是使用直线、平面等切割平面或立体空间，将这些平面或空间分成若干不同的区域[1]，以达到对输入信号进行分类的目的。感知器在使用前，需要先进行训练。训练感知器的主要目的是调整它的权值。训练感知器时，通过选择典型的输入类型，这些输入需要能代表所有的输入类型，然后将这些数据输入到感知器中对感知器进行训练。训练之后，感知器网络的节点数及权值得到了调整。当感知器训练完成之后，就可以进行工作了。
1.2 BP网络
BP网络是当前使用得最多的一种神经网络，它的主要功能是对非线性有理函数进行逼近，以满足对非线性系统的控制作用。一般使用最速下降法对BP网络进行训练，将误差反向传播，当有大量的数据通过BP网络时，网络的权值和阈值得到调整，并使得网络的误差系数降低到最小[2]。下式是不含反馈的神经网络的输入与输出关系： 以上表达式不能表示具有反馈方式的神经网络，如果需要表示BP网络，还需要对上式加入反馈部分，如下式所示： 当训练结束之后，此神经网络即是BP网络，它就可用于对非线性系统的控制。它将输出反馈到输入，作为输入的一部分，以达到对系统权值的持续调整，消除非线性影响的作用。
1.3 竞争网络
竞争网络一般用于对大量具有典型特征的数据进行分类，它是一种单层网络，包括输入层和竞争层，输入层和竞争层共用一个权值函数。竞争网络的训练和工作并未像其它神经网络那样明确分开，而是在工作的过程中实现对网络的训练。它的训练方式是无监督式的，训练过程是通过竞争，将获胜节点的权值进行调整，从而使网络的输出于输入间的误差逐渐减小，在这个竞争过程中，就可以通过输出的不同，而将输入分成不同的类型，以实现自动分类的功能。
1.4 柯荷伦网络 为了实现对具有概率分布模式的数据进行分类，可以利用柯荷伦网络模型。柯荷伦网络网络模型与普通的网络模型很相似，它的不同之处在与它在训练过程中对节点的调整方法的区别。柯荷伦网络模型对节点的调节方式与竞争网络的比较相似，都是通过竞争来确定需要调整的网络节点，竞争网络只需要调整竞争获胜的节点，而柯荷伦网络除了需要调整竞争获胜的网络节点，还需要调整获胜节点的临近节点。
2 BP网络在智能系统中的应用
2.1 联想记忆
在信号处理、语音和图像识别等领域，当输入数据具有干扰或需要网络具有纠错能力时，就需要网络能够识别出这种错误，并将其纠正过来。为了能得到具有这种功能的神经网络，可以先将识别对象转换成网络的平衡节点，通过调整节点的权值，使其记住这些目标。然后再通过不断对网络输入学习数据，使其不断进行联想，最终使目标模型的特征收敛到网络的平衡节点上。例如在进行文字处理时，为了能是神经网络具有识别出错误文字的功能，可先将特定模型的文字转化成网络平衡节点，然后在对网络输入正确的文字，在不断的训练过程中，网络就能实现对错误输入的识别作用。
2.2 优化计算
霍普菲尔德的网络稳定性判别函数以能量为基础。当系统不稳定时，能量会逐渐减小，并最终趋于稳定。在大规模电力线路的设计过程中，为了使设计的电子线路系统最优，就需要对设计不断进行优化。通过对系统网络进行分析，求解出网络的最优参数之后，将这些参数转换成神经网络中的平衡节点。在对神经网络进行训练之后，网络就可以通过不断循环优化，最终设计出一个最优电子线路系统。
2.3 影像处理
在人造成像系统中，无论是光学成像，还是声波成像，以及电磁波成像，由于在对影像进行采集和处理的系统一般是数字系统，并且数字信号本身比模拟信号具有更强的抗噪能力，在采集和处理过程中，必须先对影像资料进行数字化处理，将模拟信号转换成数字信号。因此，最终采集到的影像资料都是不连续的。 当前对影像数据的处理主要包括：处理因焦距问题而产生的影像模糊;影像噪声含量较多时将噪声处理掉;使用边缘检测的方法，得到图像的特殊属性。影像处理所涉及的领域也非常宽广，如对影像进行分类、在医学中对药物反应的影像进行分析等。
【浅谈神经网络在人工智能中的应用论文】相关文章：
浅谈在机械设计制造中绿色理念的应用论文07-04
人工智能技术在电气自动化中的应用论文07-04
浅谈翻转课堂在实验教学中的应用研究论文07-03
《微表情在面试中的应用》浅谈07-11
浅谈新课改中的英语教学论文07-03
浅谈林业机械化技术的应用的论文07-04