前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經(jīng)網(wǎng)絡(luò)的起源范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

人工神經(jīng)網(wǎng)絡(luò)的起源范文第1篇

關(guān)鍵詞 BP網(wǎng)絡(luò)；客車備件；需求預(yù)測

中圖分類號 F426 文獻(xiàn)標(biāo)識碼 A 文章編號 1673-9671-（2012）102-0195-01

客車備件需求是售后服務(wù)的基礎(chǔ)和重要組成部分。產(chǎn)品備件準(zhǔn)備的是否合理，不僅關(guān)系到售后服務(wù)的質(zhì)量，而且也關(guān)系到企業(yè)的經(jīng)營效率。然而，準(zhǔn)確的備件預(yù)測是相當(dāng)困難的。一方面，影響備件需求量的因素很多，例如產(chǎn)品的市場保有量、產(chǎn)品的地理分布及使用狀態(tài)、備件的生命周期、備件通用度等等。另一方面，需求預(yù)測具有很強(qiáng)的時效性和復(fù)雜性，各種因素的影響力隨環(huán)境變化而變化。

目前國際上采用多種方法進(jìn)行需求預(yù)測的應(yīng)用研究，如增量法、回歸法、季節(jié)指數(shù)法、時間序列法等。但在備件需求預(yù)測方面的實(shí)際效果卻不盡如人意。起源于二十世紀(jì)八十年代的人工神經(jīng)網(wǎng)絡(luò)（ANN）屬于人工智能技術(shù)之一，突破了傳統(tǒng)技術(shù)的局限，在諸多領(lǐng)域取得了成功。近年來，ANN技術(shù)已經(jīng)成為經(jīng)濟(jì)預(yù)測、管理決策領(lǐng)域的研究熱點(diǎn)，并已經(jīng)成功的運(yùn)用在非線性領(lǐng)域以及識別、智能傳感器等工程領(lǐng)域。

但在汽車和客車備件需求預(yù)測領(lǐng)域，很少見到采用該方法進(jìn)行研究的案例，因此，本文著重研究神經(jīng)網(wǎng)絡(luò)在客車備件需求預(yù)測領(lǐng)域的應(yīng)用。

1 人工神經(jīng)網(wǎng)絡(luò)基本理論

1.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial　Neural　Network，簡稱ANN）的研究始于20世紀(jì)四十年代初期。經(jīng)過半個多世紀(jì)的興衰，經(jīng)歷了從興起到又到蕭條最終走向穩(wěn)步發(fā)展的艱難路途，如今人工神經(jīng)網(wǎng)絡(luò)已經(jīng)是一門比較成熟的學(xué)科了。特別是經(jīng)過最近將近20年的發(fā)展，目前的人工神經(jīng)網(wǎng)絡(luò)是一門融匯了神經(jīng)學(xué)、信息學(xué)、計算機(jī)科學(xué)、工程學(xué)等為一體的邊緣交叉學(xué)科，是一種大規(guī)模、并行、復(fù)雜的非線性系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有高度并行的處理機(jī)制，高度靈活的拓?fù)浣Y(jié)構(gòu)，以及強(qiáng)大的自組織、自學(xué)習(xí)、自適應(yīng)能力和處理非線性問題的能力。因此，人工神經(jīng)網(wǎng)絡(luò)在預(yù)測科學(xué)領(lǐng)域得到了高度重視。

至今為止，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展大致經(jīng)歷了五個階段，其研究集中在三個方面：開發(fā)現(xiàn)有模型的應(yīng)用，并在應(yīng)用中根據(jù)實(shí)際運(yùn)行情況對模型、算法加以改造，以提高網(wǎng)絡(luò)的訓(xùn)練速度和運(yùn)行的準(zhǔn)確度；希望在理論上尋找新的突破，建立新的專用或通用的模型和算法；進(jìn)一步對生物神經(jīng)系統(tǒng)進(jìn)行研究，不斷的豐富對人腦的認(rèn)識。

人工神經(jīng)網(wǎng)絡(luò)模擬人腦的功能，雖然只是低級近似，但區(qū)別于一般的人工智能和其他計算機(jī)智能程序，它表現(xiàn)出的許多特質(zhì)與人類的智能相似。同人類的大腦類似，單個神經(jīng)元功能很弱，但是當(dāng)成千上萬的神經(jīng)元組合起來所表現(xiàn)出的活動處理功能卻十分強(qiáng)大。

1.2 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元按照層內(nèi)連接、循環(huán)連接和層間連接等模式相互連接起來而構(gòu)成的。將一個神經(jīng)元的輸出送至另一個神經(jīng)元作為輸入信號稱之為連接，每個連接通路對應(yīng)一個連接權(quán)值，神經(jīng)元的連接方式不同會生成具有不同特性的神經(jīng)網(wǎng)絡(luò)。經(jīng)過幾十年的探索，目前已經(jīng)提出了上百種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，但大部分都是幾種典型網(wǎng)絡(luò)的組合和變形。

根據(jù)神經(jīng)元的連接方式不同這一特點(diǎn)，可將神經(jīng)網(wǎng)絡(luò)分為兩大類：分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。分層網(wǎng)絡(luò)的代表是BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。

1.3 BP神經(jīng)網(wǎng)絡(luò)

目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是多層前饋神經(jīng)網(wǎng)絡(luò)。由于采用的網(wǎng)絡(luò)結(jié)構(gòu)、傳遞函數(shù)和學(xué)習(xí)規(guī)則的不同，前饋網(wǎng)絡(luò)主要有感知神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)（Back　Propagation　Network）、RBF網(wǎng)絡(luò)等不同網(wǎng)絡(luò)模型。上述三種網(wǎng)絡(luò)各有其優(yōu)缺點(diǎn)，經(jīng)對比得知，BP網(wǎng)絡(luò)相比其他網(wǎng)絡(luò)具有算學(xué)習(xí)精度高、運(yùn)行速度很快、網(wǎng)絡(luò)具有一定的推廣能力和概括能力等多方面優(yōu)點(diǎn)。

因此，我們決定采用BP網(wǎng)絡(luò)作為客車備件需求預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。

2 基于BP網(wǎng)絡(luò)的客車備件需求預(yù)測設(shè)計

2.1 客車備件需求預(yù)測方法設(shè)計

2.1.1 模型輸入和輸出設(shè)計

本文選取對配件需求量影響程度大的三個因素即近期實(shí)際需求量（6個月的實(shí)際需求值）、季節(jié)性因素以及客車保有量作為網(wǎng)絡(luò)的輸入，分別將其量化后得到8個點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入向量。顯而易見，目標(biāo)向量Y就是某配件預(yù)測月當(dāng)月的需求量。

2.1.2 數(shù)據(jù)歸一化

在本研究過程中，除了季節(jié)性因素值X7已經(jīng)提前設(shè)置在0～1之間，其余各變量都應(yīng)按照上式進(jìn)行歸一化處理；在網(wǎng)絡(luò)訓(xùn)練完畢進(jìn)行測試時，還要將預(yù)測輸出結(jié)果進(jìn)行反歸一化處理并與實(shí)際值進(jìn)行比較來對網(wǎng)絡(luò)進(jìn)行評價。

2.2 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

本研究選擇三層BP網(wǎng)絡(luò)即單隱層的BP網(wǎng)絡(luò)進(jìn)行設(shè)計仿真。本文使用Kolmogorov定理和試湊法相結(jié)合的方法，經(jīng)多次試驗和結(jié)果比較，選擇網(wǎng)絡(luò)誤差最小和訓(xùn)練速度最快時對應(yīng)的隱層節(jié)點(diǎn)個數(shù)，最終確定隱層神經(jīng)元個數(shù)為17。

針對本文研究的問題，按照BP網(wǎng)絡(luò)的一般設(shè)計原則，中間層神經(jīng)元的傳遞函數(shù)設(shè)定為S型正切函數(shù)tansig（）。由于網(wǎng)絡(luò)的輸出向量值已經(jīng)被歸一化到區(qū)間[0，1]中，因此，輸出層神經(jīng)元傳遞函數(shù)設(shè)定為　S型對數(shù)函數(shù)logsig（）。

網(wǎng)絡(luò)的訓(xùn)練算法對網(wǎng)絡(luò)收斂速度、泛化能力、網(wǎng)絡(luò)性能等有很大影響。經(jīng)過對幾種改進(jìn)的BP算法進(jìn)行實(shí)驗對比，觀察各算法的收斂速度和網(wǎng)絡(luò)誤差，最終確定最適合本研究的訓(xùn)練算法為“擬牛頓算法”。

2.3 預(yù)測實(shí)現(xiàn)和結(jié)果對比

本文選取某大型客車制造企業(yè)的售后備件進(jìn)行研究，選取高頻需求備件中的兩種數(shù)據(jù)歸一化后作為樣本數(shù)據(jù)進(jìn)行實(shí)驗。根據(jù)設(shè)計好的網(wǎng)絡(luò)結(jié)構(gòu)方案進(jìn)行網(wǎng)絡(luò)創(chuàng)建和訓(xùn)練仿真。使用train（）函數(shù)對兩種備件分別進(jìn)行訓(xùn)練。經(jīng)過35次和44次訓(xùn)練后，網(wǎng)絡(luò)目標(biāo)誤差達(dá)到要求。

使用訓(xùn)練好的模型開始對其余樣本數(shù)據(jù)進(jìn)行預(yù)測，實(shí)際結(jié)果說明，網(wǎng)絡(luò)的預(yù)測誤差范圍在±7%之內(nèi)，已達(dá)到客車領(lǐng)域備件需求預(yù)測預(yù)期目標(biāo)。

在將網(wǎng)絡(luò)測試結(jié)果與實(shí)際值比較的同時，我們也將它與該企業(yè)目前采用的時序預(yù)測方法進(jìn)行對比，結(jié)果說明利用神經(jīng)網(wǎng)絡(luò)進(jìn)行備件需求預(yù)測的效果明顯好于傳統(tǒng)方法。

參考文獻(xiàn)

[1]張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[J].復(fù)旦大學(xué)出版社，1993：5.

[2]丁杏娟.基于人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)品需求預(yù)測研究[J].上海交通大學(xué)碩士學(xué)位論文，2006：1.

[3]王萬森.人工智能原理及其應(yīng)用[J].電子工業(yè)出版社，2000：27-51.

人工神經(jīng)網(wǎng)絡(luò)的起源范文第2篇

33歲的加拿大發(fā)明家黎忠(Le Trung)，花光自己所有積蓄，制造了一個名為“愛子”的女性機(jī)器人。黎忠稱，“愛子”是科技與美麗邂逅的產(chǎn)物，她“年方”20多歲，正值青春妙齡，身材苗條，相貌姣好。她總是樂于打掃房間，幫助黎忠記賬，而且知道他愛喝什么。每天早上，“愛子”都為黎忠讀報，開始新的一天。她可以用女性溫柔的聲音告訴黎忠當(dāng)天的天氣狀況，比如：“戶外是零下2℃”?！皭圩印比黻P(guān)鍵部位布滿傳感器，脖子上還有一個攝像頭，這樣她就可以具備觸覺、視覺和聽覺。愛子可以對撓癢和觸摸做出反應(yīng)，能夠認(rèn)人。可以用英語和日語說1.3萬句話。她可以點(diǎn)頭，手也可以動。如果有人粗魯?shù)赜|碰她，她就會憤怒地大聲叫喊。即使黎忠輕輕地拍她的頭，她也會說：“摸女孩的頭可不好，摸你自己的頭。”她甚至?xí)取膀}擾者”的耳光。很有趣，對吧?看來找個機(jī)器人做女友并非遙不可及。

雖然這個“愛子”還沒有“智能”到《i，Robot》中的Sunny或《Wall?E》中的瓦力那樣具有情感并自主思考，但她所具備的功能卻足以讓人大吃一驚了。那么，她為何會具有這些看起來非?！叭诵曰钡奶卣髂?這一切還得從人工智能說起。

關(guān)于人工智能

人工智能(ArtificialIntelligence，AI)是計算機(jī)學(xué)科的一個分支，二十世紀(jì)七十年代以來被稱為世界三大尖端技術(shù)之一(空間技術(shù)、能源技術(shù)、人工智能)。人工智能是研究使計算機(jī)來模擬人的某些思維過程和智能行為(如學(xué)習(xí)、推理、思考、規(guī)劃等)的學(xué)科，主要包括計算機(jī)實(shí)現(xiàn)智能的原理、制造類似于人腦智能的計算機(jī)，使計算機(jī)能實(shí)現(xiàn)更高層次的應(yīng)用。人工智能將涉及到計算機(jī)科學(xué)、心理學(xué)、哲學(xué)和語言學(xué)等學(xué)科。可以說幾乎是自然科學(xué)和社會科學(xué)的所有學(xué)科，其范圍已遠(yuǎn)遠(yuǎn)超出了計算機(jī)科學(xué)的范疇。從思維觀點(diǎn)看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進(jìn)人工智能的突破性的發(fā)展，數(shù)學(xué)常被認(rèn)為是多種學(xué)科的基礎(chǔ)科學(xué)，數(shù)學(xué)也進(jìn)入語言、思維領(lǐng)域，人工智能學(xué)科也必須借用數(shù)學(xué)工具，數(shù)學(xué)不僅在標(biāo)準(zhǔn)邏輯、模糊數(shù)學(xué)等范圍發(fā)揮作用，數(shù)學(xué)進(jìn)入人工智能學(xué)科，它們將互相促進(jìn)而更快地發(fā)展。近年來人工智能技術(shù)獲得了迅速的發(fā)展，在很多學(xué)科領(lǐng)域都得到應(yīng)用和發(fā)展。

隨著計算機(jī)及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，許多原來無法完成的工作現(xiàn)在已經(jīng)能夠?qū)崿F(xiàn)。目前人工智能研究的未來發(fā)展方向是智能接口、數(shù)據(jù)挖掘、主體及多主體系統(tǒng)。其中多主體(Multi-Agent)技術(shù)是近年來發(fā)展迅猛并在科研和工程技術(shù)領(lǐng)域不斷取得應(yīng)用成果的重要研究方向。主體(Agent)與多主體(Multi-Agent System，MAS)系統(tǒng)的概念起源于人工智能領(lǐng)域，是分布式人工智能的主要方向之一。Agent具有自治性、可通信性、反應(yīng)性、面向目標(biāo)性和針對環(huán)境性等特性。

咱治性：即對自己的行為或動作具有控制權(quán)，無須外部干預(yù)，自主地完成其特定的任務(wù)；

?可通信性：每個Agent在有組織的群體中，通過相互通信接受任務(wù)指派和反饋任務(wù)執(zhí)行的信息；

?反應(yīng)性：Agent應(yīng)具備感知環(huán)境并做出相應(yīng)動作的能力；

?面向目標(biāo)性：對自己的行為做出評價并使其逐步導(dǎo)向目標(biāo)；

?針對環(huán)境性，Agent只能工作在特定的環(huán)境中。

典型的智能控制系統(tǒng)通常采用分層控制結(jié)構(gòu)，對整個系統(tǒng)進(jìn)行分散遞階控制，它將整個系統(tǒng)分為組織層、協(xié)調(diào)層和響應(yīng)層。每層均由完成相應(yīng)任務(wù)的Agent組成。響應(yīng)層Agent對自的子系統(tǒng)進(jìn)行控制，并向協(xié)調(diào)層反饋信息；協(xié)調(diào)層則根據(jù)反饋的信息和組織層的指令協(xié)調(diào)響應(yīng)層Agent的執(zhí)行過程；組織層從全局的角度對整個系統(tǒng)進(jìn)行分析，并向低層Agent發(fā)送指令。常見的MAS的體系結(jié)構(gòu)主要有Agent網(wǎng)絡(luò)、Agent聯(lián)盟以及“黑板”結(jié)構(gòu)。Agent的任務(wù)執(zhí)行機(jī)制是指系統(tǒng)對每個Agent分配了不同角色，各自獨(dú)立地執(zhí)行一定的任務(wù)，Agent之間遵循民主協(xié)商原則和獨(dú)立自治的原則。

MAS是在單Agent理論的基礎(chǔ)上發(fā)展起來的，它由一組具有自主性、適應(yīng)性、反應(yīng)性和社會性的Agent組成，擁有較單Agent更多的資源和知識以及更強(qiáng)的處理能力，是分布式人工智能(Distributed Artificial Intelligence，DAI)在最近的研究中提出的一項新技術(shù)。主要應(yīng)用在對現(xiàn)實(shí)世界和社會的模擬、機(jī)器人以及智能機(jī)械等領(lǐng)域。

機(jī)器人的歷史其實(shí)并不算長。1959年美國英格伯格和德沃爾制造出世界上第一臺工業(yè)機(jī)器人，至此機(jī)器人的歷史才真正開始。近百年來發(fā)展起來的機(jī)器人，大致經(jīng)歷了三個成長階段，即三個時代。第一代為簡單個體機(jī)器人，第二代為群體勞動機(jī)器人，第三代為類似人類的智能機(jī)器人，它的未來發(fā)展方向是有知覺和思維，能與人對話。第一代機(jī)器人屬于示教再現(xiàn)型，第二代則具備了感覺能力，第三代機(jī)器人是智能機(jī)器人，它不僅具有感覺能力，而且還具有獨(dú)立判斷和行動的能力。當(dāng)機(jī)器人與人類生活接觸更多時，我們可以發(fā)現(xiàn)機(jī)器人已漸漸擺脫冰冷的機(jī)械外觀，研究人員也正設(shè)法讓機(jī)器人具有人類般的感知能力，如視覺、聽覺、觸覺甚至情緒傳感，并能有相對應(yīng)的回應(yīng)等。除TX形機(jī)器人，機(jī)器人的發(fā)展方向更將無限廣闊。

智能機(jī)器人未來還能朝模仿生物的形態(tài)與功能的“仿生學(xué)”方向發(fā)展。譬如，美國國防先進(jìn)研究計劃局贊助航空環(huán)境公司研究“黑寡婦”機(jī)器人，希望利用15公分長的小型仿真蜘蛛飛行器偵測到衛(wèi)星也無法拍攝到的細(xì)節(jié)，伯克利大學(xué)正在研究灰塵般大小的微形機(jī)器人，只要散布在空氣中就能讓一個個微小感應(yīng)器串聯(lián)成網(wǎng)絡(luò)；黏在指尖上，不用鍵盤就可直接操作計算機(jī)的機(jī)器人，以及撒在冰箱內(nèi)就能監(jiān)控食物新鮮程度的“智能型灰塵”。

展望未來，機(jī)器人將不只是勞工、手術(shù)助理、指揮家、清潔人員和寵物，只要人類的想像力源源不絕，智能機(jī)器人也將為我們的生活帶來無限驚喜。

什么技術(shù)讓機(jī)器人更智能?

1　模式識別

所謂模式，從廣義上說，就是事物的某種特性類屬，如：圖像、文字、語言、符號等感知形象信息；雷達(dá)、聲納信號、地球物探、衛(wèi)星云圖等時空信息動植物種類形態(tài)、產(chǎn)品等級、化學(xué)結(jié)構(gòu)等類別差異信息等等。模式識別是研究如何使機(jī)器具有感知能力，主要研究視覺模式和聽覺模式的識別。如

識別物體、地形，圖象、字體(如簽字)等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發(fā)展起來應(yīng)用模糊數(shù)學(xué)模式，人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的用統(tǒng)計模式和結(jié)構(gòu)模式的識別方法。特別神經(jīng)網(wǎng)絡(luò)方法在模式識別中取得較大進(jìn)展。代表性產(chǎn)品有光學(xué)字符識別系統(tǒng)(Optical CharacterRecognition，OCR)、語音識別系統(tǒng)等。計算機(jī)識別的顯著特點(diǎn)是速度快、準(zhǔn)確性和效率高。識別過程與人類的學(xué)習(xí)過程相似。

最近我國研制成功的無人駕駛系統(tǒng)，就標(biāo)志著我國研制高速智能汽車的能力已達(dá)到當(dāng)今世界先進(jìn)水平。汽車自主駕駛技術(shù)是集模式識別、智能控制、計算機(jī)學(xué)和汽車操縱動力學(xué)等多門學(xué)科于一體的綜合性技術(shù)，代表著一個國家控制技術(shù)的水平。自主駕駛系統(tǒng)采用計算機(jī)視覺導(dǎo)航方式，并采用仿人控制，實(shí)現(xiàn)了對汽車的操縱控制。

除此之外，指紋識別系統(tǒng)也是模式識別技術(shù)的一個具體應(yīng)用。利用模式識別技術(shù)已成功建立了利用指紋灰度圖像計算紋線局部方向、從而提取指紋特征信息的算法，這一研究成果不僅適于民用身份鑒定也適用于公安刑事偵破的指紋鑒定。目前各地已經(jīng)建立指紋庫，而檢索一枚現(xiàn)場指紋僅需4分鐘時間。

2　專家系統(tǒng)

專家系統(tǒng)是依靠人類專家已有的知識建立起來的知識系統(tǒng)，目前專家系統(tǒng)是人工智能研究中開展較早、最活躍、成效最多的領(lǐng)域，廣泛應(yīng)用于醫(yī)療診斷、地質(zhì)勘探、石油化工、軍事、文化教育等各方面。它是在特定的領(lǐng)域內(nèi)具有相應(yīng)的知識和經(jīng)驗的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)、模擬人類專家解決問題時的思維過程，來求解領(lǐng)域內(nèi)的各種問題，達(dá)到或接近專家的水平。隨著計算機(jī)科學(xué)技術(shù)整體水平的提高，分布式專家系統(tǒng)、協(xié)同式專家系統(tǒng)等新一代專家系統(tǒng)的研究也發(fā)展很快。在新一代專家系統(tǒng)中，不但采用基于規(guī)則的推理方法，而且采用了諸如人工神經(jīng)網(wǎng)絡(luò)的方法與技術(shù)。

根據(jù)專家系統(tǒng)處理的問題的類型，把專家系統(tǒng)分為解釋型、診斷型、調(diào)試型、維修型、教育型、預(yù)測型、規(guī)劃型、設(shè)計型和控制型等10種類型。為了實(shí)現(xiàn)專家系統(tǒng)，必須要存儲有該專門領(lǐng)域中經(jīng)過事先總結(jié)、分析并按某種模式表示的專家知識庫，并擁有解決實(shí)際問題的推理機(jī)制。系統(tǒng)能借此做出決策和判斷，其解決問題的水平達(dá)到或接近專家的水平，因此能起到專家或?qū)＜抑值淖饔?。例如血液凝結(jié)疾病診斷系統(tǒng)、電話電纜維護(hù)專家系統(tǒng)、花布圖案設(shè)計和花布印染專家系統(tǒng)等等。

3　人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial NeuralNetwork，簡稱ANN)是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。它是一種非線性映射的方法，很多難以列出方程式或難以求解的復(fù)雜的非線性問題，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法則可迎刃而解。在人工神經(jīng)網(wǎng)絡(luò)中，信息的處理是由神經(jīng)元之間的相互作用來實(shí)現(xiàn)的，知識與信息的存儲表現(xiàn)為網(wǎng)絡(luò)元件互連間分布式的物理聯(lián)系，網(wǎng)絡(luò)的學(xué)習(xí)和識別取決于和神經(jīng)元連接權(quán)值的動態(tài)演化過程。人工神經(jīng)網(wǎng)絡(luò)由大量簡單的基本元件一一神經(jīng)元(neuron)相互連接而成的自適應(yīng)非線性動態(tài)系統(tǒng)，神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，它一般是一個多輸入單輸出的非線性動態(tài)系統(tǒng)，其結(jié)構(gòu)模型如所示。其中為神經(jīng)元內(nèi)部狀態(tài)，為閾值，為輸入信號，表示從輸入到的聯(lián)結(jié)權(quán)值。

一個人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型和結(jié)構(gòu)描述了一個網(wǎng)絡(luò)如何將它的輸入矢量轉(zhuǎn)化為輸出矢量的過程。這個轉(zhuǎn)化過程從數(shù)學(xué)角度來看就是一個計算的過程。也就是說，人工神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)體現(xiàn)了網(wǎng)絡(luò)輸入和其輸出之間的一種函數(shù)關(guān)系。通過選取不同的模型結(jié)構(gòu)和激活函數(shù)，可以形成各種不同的人工神經(jīng)網(wǎng)絡(luò)，得到不同的輸入／輸出關(guān)系式，并達(dá)到不同的設(shè)計目的，完成不同的任務(wù)，所以在利用人工神經(jīng)網(wǎng)絡(luò)解決實(shí)際應(yīng)用問題之前，必須首先掌握人工神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)及其特性以及對其輸出矢量的計算。

多年來，人工神經(jīng)網(wǎng)絡(luò)的研究取得了較大的進(jìn)展，成為具有一種獨(dú)特風(fēng)格的信息處理學(xué)科。當(dāng)然目前的研究還只是一些簡單的人工神經(jīng)網(wǎng)絡(luò)模型。要建立起一套完整的理論和技術(shù)系統(tǒng)，需要做出更多努力和探討。然而人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能中極其重要的一個研究領(lǐng)域。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型是采用反向傳播(BP)網(wǎng)絡(luò)和它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，并體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。多層BP網(wǎng)絡(luò)結(jié)構(gòu)包括輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)，一層或多層隱節(jié)點(diǎn)。

BP網(wǎng)絡(luò)適宜于處理具有殘缺結(jié)構(gòu)和含有錯誤成分的模式，能夠在信源信息含糊、不確定、不完整，存在矛盾及假象等復(fù)雜環(huán)境中處理模式。網(wǎng)絡(luò)所具有的自學(xué)習(xí)能力使得傳統(tǒng)專家系統(tǒng)技術(shù)應(yīng)用最為困難的知識獲取工作轉(zhuǎn)換為網(wǎng)絡(luò)的變結(jié)構(gòu)調(diào)節(jié)過程，從而大大方便了知識庫中知識的記憶和抽取。在許多復(fù)雜問題中(如醫(yī)學(xué)診斷)，存在大量特例和反例，信息來源既不完整又含有假象，且經(jīng)常遇到不確定信息，決策規(guī)則往往相互矛盾，有時無條理可循，這給傳統(tǒng)專家系統(tǒng)應(yīng)用造成極大困難，甚至在某些領(lǐng)域無法應(yīng)用，而BP網(wǎng)絡(luò)技術(shù)則能突破這一障礙，且能對不完整信息進(jìn)行補(bǔ)全。根據(jù)已學(xué)會的知識和處理問題的經(jīng)驗對復(fù)雜問題作出合理的判斷決策，給出較滿意的解答，或?qū)ξ磥磉^程作出有效的預(yù)測和估計。這方面的主要應(yīng)用是：自然語言處理、市場分析、預(yù)測估值、系統(tǒng)診斷、事故檢查、密碼破譯、語言翻譯、邏輯推理、知識表達(dá)、智能機(jī)器人、模糊評判等。

人工神經(jīng)網(wǎng)絡(luò)是未來人工智能應(yīng)用的新領(lǐng)域，情感是智能的一部分，而不是與智能相分離的，因此人工智能領(lǐng)域的下一個突破可能在于賦予計算機(jī)情感能力。情感能力對于計算機(jī)與人的自然交往至關(guān)重要。

目前AI研究出現(xiàn)了新的，這一方面是因為在人工智能理論方面有了新的進(jìn)展，另一方面也是因為計算機(jī)硬件突飛猛進(jìn)的發(fā)展。隨著計算機(jī)速度的不斷提高、存儲容量的不斷擴(kuò)大、價格的不斷降低以及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，許多原來無法完成的工作現(xiàn)在已經(jīng)能夠?qū)崿F(xiàn)。目前人工智能研究的3個熱點(diǎn)是：智能接口、數(shù)據(jù)挖掘、主體及多主體系統(tǒng)。

毋庸置疑，未來的機(jī)器人與人類社會的生活更為密切地結(jié)合起來，以為人做出更多的服務(wù)作為要素。研究內(nèi)容主要包括餐飲服務(wù)多機(jī)器人系統(tǒng)、競技與娛樂多機(jī)器人系統(tǒng)、家庭生活支援多機(jī)器人系統(tǒng)及其關(guān)鍵技術(shù)的研究、系統(tǒng)集成試驗驗證和示范應(yīng)用。

1　餐飲服務(wù)多機(jī)器人系統(tǒng)

設(shè)計規(guī)劃智能餐飲服務(wù)模式、研究和突破機(jī)器人自動烹飪工藝及烹飪方法、智能餐飲多機(jī)器人間的交互及安全操作等關(guān)鍵技術(shù)，研制開發(fā)由迎賓／點(diǎn)菜、烹飪、送菜機(jī)器人組成的智能餐飲服務(wù)多機(jī)器人系統(tǒng)，實(shí)現(xiàn)以機(jī)器人為主的餐廳服務(wù)系統(tǒng)集成和示范應(yīng)用。這樣，我們通過點(diǎn)菜系統(tǒng)輸入喜歡的菜品。就可以在家里盡享五星級服務(wù)了。

2　競技多機(jī)器人系統(tǒng)

研究競技與娛樂機(jī)器人的復(fù)雜動作的運(yùn)動規(guī)劃與控制、高速視覺識別與伺服控制、多機(jī)器人間的協(xié)調(diào)控制等關(guān)鍵技術(shù)，研制以仿人機(jī)器人為核心的武術(shù)，足球等競技與娛樂多機(jī)器人系統(tǒng)，實(shí)現(xiàn)多機(jī)器人的協(xié)同武術(shù)表演與足球比賽、機(jī)器人與人的互動娛樂(圖9)。足球機(jī)器人就由四個部分組成，即視覺系統(tǒng)、通訊系統(tǒng)、計算機(jī)系統(tǒng)及移動裝置等，在賽場上可以實(shí)現(xiàn)自主踢球，不受外界控制。

3　家庭生活支援多機(jī)器人系統(tǒng)

研究基于網(wǎng)絡(luò)的機(jī)器人遠(yuǎn)程監(jiān)測與遙操作、自主導(dǎo)航與規(guī)劃技術(shù)、家政多機(jī)器人協(xié)調(diào)作業(yè)等關(guān)鍵技術(shù)，構(gòu)建面向家居監(jiān)控、家庭輔助作業(yè)等家庭生活支援多機(jī)器人系統(tǒng)，實(shí)現(xiàn)家庭設(shè)備的遠(yuǎn)程遙控與監(jiān)測、家庭輔助作業(yè)等功能。未來家庭機(jī)器人正朝著實(shí)用型的方向發(fā)展，一個合格的家庭機(jī)器人，還應(yīng)當(dāng)具備多項技能。例如檢測到家中有異常情況時，可將住宅內(nèi)的情形通過圖片形式發(fā)送到主人手機(jī)或個人電腦上。并能兼保姆和秘書，早上叫醒你，提醒你一天的日程安排，并轉(zhuǎn)達(dá)當(dāng)天的電話留言等等。你將再也不必因為忘了老婆的生日或結(jié)婚紀(jì)念日而挨訓(xùn)了。

人工神經(jīng)網(wǎng)絡(luò)的起源范文第3篇

Abstract： The factors influencing the sports scores are a lot. The traditional sports predicted method is difficult to obtain satisfactory results. According to the correlation between specific performance and quality training level of long jumper， based on the powerful nonlinear mapping ability of BP neural network， the paper builds the neural network model of long jumper's specific performance. The model makes up for the deficiency of traditional forecasting methods， and makes full use of the information contained in the data， and compared with the traditional prediction method， the accuracy of the prediction results have greatly improved. The paper puts forward a new thought and method to solve the problems that is difficult to solve by using traditional mathematical methods， providing a theoretical basis for scientific training for athletes.

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；跳遠(yuǎn)運(yùn)動員；專項成績；預(yù)測精度

Key words： BP neural network；long jump athletes；special scores；prediction accuracy

中圖分類號：TP31 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2013）03-0178-03

0 引言

影響體育競賽成績的因素很多，最主要的是運(yùn)動員的體質(zhì)，但同時運(yùn)動員的體形、技術(shù)特點(diǎn)、心理狀態(tài)及外界環(huán)境等都會在一定程度上影響運(yùn)動員的競技成績[1-2]。傳統(tǒng)的預(yù)測方法雖然在一定程度上能夠利用運(yùn)動員個人的訓(xùn)練指標(biāo)對專項成績進(jìn)行預(yù)測，從而指導(dǎo)運(yùn)動員的日常訓(xùn)練，但是這些模型都有比較苛刻的條件限制和使用范圍，如在利用多重線性回歸模型進(jìn)行預(yù)測時，專項成績與各相關(guān)因素之間需要服從正態(tài)性、方差齊性、多重線性關(guān)系等嚴(yán)格的條件，而灰色系統(tǒng)預(yù)測模型屬于線性建模，在短期預(yù)測精度上有一定效果，而對于復(fù)雜的非線性關(guān)系時，單純的灰色預(yù)測就很難獲得一個可接受的預(yù)測誤差[3]。但是，實(shí)際上專項成績與各素質(zhì)訓(xùn)練水平之間可能存在復(fù)雜的非線性函數(shù)關(guān)系，很難滿足傳統(tǒng)預(yù)測模型的條件限制，因此，使用多重線性回歸或灰色系統(tǒng)等傳統(tǒng)模型對運(yùn)動員的專項成績進(jìn)行預(yù)測可能會存在較大誤差，導(dǎo)致模型的預(yù)測精度降低，從而顯示出不合理的特征[4-6]。

與傳統(tǒng)的預(yù)測方法相比，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用沒有嚴(yán)格的條件限制，變量間不需要滿足線性、獨(dú)立性、正態(tài)性、方差齊性等條件，該網(wǎng)絡(luò)具有自組織、自適應(yīng)及容錯性強(qiáng)等特點(diǎn)，從而可以有效的進(jìn)行數(shù)據(jù)間的非線性映射，當(dāng)傳統(tǒng)預(yù)測模型無法達(dá)到目的或者預(yù)測效果不好時，使用此模型往往會達(dá)到很好的預(yù)測效果。

1 研究對象

部分國內(nèi)一流水平的跳遠(yuǎn)運(yùn)動員，國家健將。

2 研究方法

人工神經(jīng)網(wǎng)絡(luò)是由大量的處理單元相互連接而組成的信息處理系統(tǒng)，具有非線性、自適應(yīng)等特點(diǎn)。神經(jīng)網(wǎng)絡(luò)起源于現(xiàn)代神經(jīng)科學(xué)的研究成果，其主要目的是嘗試通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理及記憶信息的方式來進(jìn)行信息處理。人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的原理，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷， 具有較好的容錯和抗干擾能力以及具有記憶、聯(lián)想、自適應(yīng)和良好的魯棒性等一系列優(yōu)點(diǎn)[7]。

BP神經(jīng)網(wǎng)絡(luò)，即反向傳播，是目前應(yīng)用比較多的一種。其基本思想是使用梯度搜索理論，使網(wǎng)絡(luò)實(shí)際輸出與期望輸出的差值的均方達(dá)到最小。輸入變量Xi通過中間節(jié)點(diǎn)影響輸出節(jié)點(diǎn)，經(jīng)過復(fù)雜的非線性變換過程，生成輸出變量Yk，當(dāng)反應(yīng)變量與模型的輸出變量之差大于事先設(shè)定的誤差標(biāo)準(zhǔn)時，模型重新設(shè)置各層的權(quán)值，重新建立模型，直到誤差值小于事先設(shè)定的誤差時訓(xùn)練停止。BP神經(jīng)網(wǎng)絡(luò)的計算流程圖如圖1所示。

3 預(yù)測專項成績的BP神經(jīng)網(wǎng)絡(luò)模型

3.1 模型自變量的篩選 由于各項素質(zhì)訓(xùn)練指標(biāo)與專項成績之間的關(guān)聯(lián)強(qiáng)度不同，對于專項成績預(yù)測的影響系數(shù)也會不同。需要篩選出對運(yùn)動員專項成績影響較大的素質(zhì)訓(xùn)練指標(biāo)。利用2008-2009年國家體育總局收錄的跳遠(yuǎn)運(yùn)動員歷史數(shù)據(jù)信息，對跳遠(yuǎn)運(yùn)動員各素質(zhì)訓(xùn)練指標(biāo)與專項成績做相關(guān)性分析，計算出各自相關(guān)系數(shù)（r），結(jié)果見表1。由表1可知，運(yùn)動員的立定三級跳、30米跑、離板瞬間重心騰起初速度、最后5米助跑速度及100米跑等五項素質(zhì)訓(xùn)練指標(biāo)與專項成績之間的相關(guān)系數(shù)均較大，選取這五項素質(zhì)訓(xùn)練指標(biāo)作為運(yùn)動員專項成績的預(yù)測因子。

3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)的確定 建立神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)是確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。Kolmogorov定理指出[8-9]，給定任一連續(xù)函數(shù)f：[0，1] IRJ，f可以精確地用一個三層BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，此網(wǎng)絡(luò)的輸入層有I個神經(jīng)元，中間層有2I+1個神經(jīng)元。本研究選取五個與運(yùn)動員專項成績關(guān)系密切的預(yù)測因子，需要設(shè)定五個輸入神經(jīng)元，按照Kolmogorov定理，選用一個隱含層，設(shè)定其神經(jīng)元的個數(shù)為11個。輸出層為收錄的專項成績數(shù)據(jù)。

3.2.2 網(wǎng)絡(luò)的學(xué)習(xí) 以選定的五項素質(zhì)訓(xùn)練指標(biāo)以及專項成績數(shù)據(jù)作為訓(xùn)練樣本（數(shù)據(jù)見表2），其中五項素質(zhì)訓(xùn)練指標(biāo)數(shù)據(jù)作為預(yù)測因子進(jìn)行輸入，對應(yīng)的專項成績作為輸出數(shù)據(jù)。由于BP神經(jīng)網(wǎng)絡(luò)模型對（0，1）之間的數(shù)最敏感，因此需要將原始數(shù)據(jù)進(jìn)行歸一化處理，將其歸一化到（0，1）范圍。具體處理方式如下：x■■=■

其中，xi為原始值，x■■為歸一化后的值，Xmin和Xmax分別表示最小值和最大值。把歸一化后的數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，對訓(xùn)練樣本進(jìn)行學(xué)習(xí)，使網(wǎng)絡(luò)輸出誤差減少到可接受的程度，從而最好的形成訓(xùn)練素質(zhì)指標(biāo)與專項成績之間的映射，以實(shí)現(xiàn)對跳遠(yuǎn)用動員專項成績的精確預(yù)測。由于神經(jīng)網(wǎng)絡(luò)要解決的是一個復(fù)雜的非線性化問題，學(xué)習(xí)的計算過程相當(dāng)復(fù)雜，本研究中運(yùn)用SPSS19.0統(tǒng)計軟件對BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)訓(xùn)練學(xué)習(xí)。

3.2.3 BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果 選擇跳遠(yuǎn)運(yùn)動員2008年- 2009年的素質(zhì)訓(xùn)練指標(biāo)數(shù)據(jù)，首先進(jìn)行歸一化處理，之后將其代入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，通過軟件的分析處理，得到了專項成績的預(yù)測值。2008年-2009年的素質(zhì)訓(xùn)練指標(biāo)與專項成績采用多元線性回歸模型表達(dá)時，利用最小二乘法來擬合，獲得的數(shù)學(xué)模型為：

y=0.35X1+0.2X2-0.18X3-0.26X4+0.29X5+7.68

X1、X2、X3、X4、X5分別代表了前面選定的素質(zhì)訓(xùn)練指標(biāo)，即跳遠(yuǎn)運(yùn)動員的立定三級跳成績、30米跑成績、最后五米助跑速度、100米跑成績及離板瞬間重心騰起初速度。

利用上述多重線性回歸模型，計算得出2008年- 2009年運(yùn)動員的專項成績預(yù)測值。計算結(jié)果見表3。

由表3中的誤差一欄可見，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測誤差遠(yuǎn)低于多元線性回歸模型的預(yù)測誤差。通過計算各種方法的誤差值求出BP神經(jīng)網(wǎng)絡(luò)模型的平均相對誤差為0.048，而多重線性回歸模型的平均相對誤差為0.188。說明神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果優(yōu)于多重線性回歸模型，BP神經(jīng)網(wǎng)絡(luò)模型更適于進(jìn)行跳遠(yuǎn)運(yùn)動員專項成績的預(yù)測。

4 結(jié)束語

本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的跳遠(yuǎn)運(yùn)動員專項成績預(yù)測方法，具有強(qiáng)大的非線性映射能力和泛化能力，克服了現(xiàn)有跳遠(yuǎn)運(yùn)動員專項成績預(yù)測方法的不足，即主觀性、隨意性，以及要事先確定預(yù)測模型的數(shù)學(xué)表達(dá)形式和苛刻的使用條件，具有較高的預(yù)測精度。為運(yùn)動員安排合理科學(xué)的訓(xùn)練計劃和運(yùn)動員的選材提供依據(jù)，值得進(jìn)一步探討和研究。

參考文獻(xiàn)：

[1]徐向軍.對青少年田徑運(yùn)動員運(yùn)動能力發(fā)展的影響因素探討[J].首都體育學(xué)院學(xué)報，2001，13（2）：60-62.

[2]FOREMAN K. The use of talent-predictive factors in the selection of track and field athletes [J] . In Gambetta V （Ed.） ，The Athletic Congress' s T rack and Field Coaching Manual ， Champaign， IL： Leisure Press ， 1989： 31-36.

[3]孫莉，翟永超.基于BP神經(jīng)網(wǎng)絡(luò)的服裝面料規(guī)格參數(shù)預(yù)測[J].計算機(jī)應(yīng)用與軟件，2012，29（17）：154-155.

[4]袁磊．世界優(yōu)秀男子跳高運(yùn)動員身體素質(zhì)與專項成績相關(guān)關(guān)系的遞歸神經(jīng)網(wǎng)絡(luò)模型構(gòu)建[J]．北京體育大學(xué)學(xué)報，2008，31（2）：202-204.

[5] Guoli Wang， Jianhui Wu， Jianhua Wu， et al .A Comparison between the Linear Neural Network Method and the Multiple Linear Regression Method in the Modeling of Continuous Data[J]. Journal of computers， 2011，6（10）：2143-2148.

[6]Jianhui Wu， Qi Ren， Houjun Xu， et al. Comparison of Modeling of Data with Different Variation Degree with BP Neutral Network[J]. Journal of Convergence Information Technology，2012，7（13）：180-188.

[7]季蘇，李曉新.基于神經(jīng)網(wǎng)絡(luò)模型的田徑比賽預(yù)測[J].運(yùn)動，2012（14）：21-22.

人工神經(jīng)網(wǎng)絡(luò)的起源范文第4篇

關(guān)鍵詞：計算智能 神經(jīng)網(wǎng)絡(luò) 模擬退火 模糊邏輯

1 概述

什么是計算智能，并沒有確切的定義。如同人工智能一樣，不同的人對計算智能有不同的理解。我們不必急于為計算智能下定義，更不必像爭論“智能計算機(jī)”一樣在名詞上浪費(fèi)時間，重要的是弄明白“計算智能”究竟包含哪些新思想。廣義地講，人工智能也是試圖用計算機(jī)來實(shí)現(xiàn)人的智能，所以人工智能也可以看作計算智能。當(dāng)加拿大的學(xué)者創(chuàng)辦“計算智能”學(xué)術(shù)刊物時，人們只覺得增添了一種人工智能學(xué)報，并未仔細(xì)考慮這兩者的區(qū)別。隨著人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、進(jìn)化程序、混沌計算等研究逐漸興旺，而每年召開的人工智能學(xué)術(shù)會議，如AAAI(美國人工智能協(xié)會)等，又不太樂意接受這方面的論文與產(chǎn)品演示，從事上述研究的學(xué)者逐步組織自己的有相當(dāng)規(guī)模的國際學(xué)術(shù)會議，取名為計算智能，似乎造成一種與人工智能分庭抗禮的局面。但從學(xué)術(shù)上講，把計算智能看成人工智能研究的新方向也許更恰當(dāng)［1］。

計算智能是在1994年IEEE舉辦的首屆計算智能世界大會上提出的，它以連接主義和進(jìn)化主義思想為基礎(chǔ)，計算智能中的主要算法自適應(yīng)的結(jié)構(gòu)、隨機(jī)產(chǎn)生的或指定的初始狀態(tài)、適應(yīng)度的評測函數(shù)、修改結(jié)構(gòu)的操作、系統(tǒng)狀態(tài)存儲器、終止計算的條件、指示結(jié)果的方法、控制過程參數(shù)等共同要素，具有自學(xué)習(xí)、自組織、自適應(yīng)的特征和簡單、通用、魯棒性強(qiáng)、易并行處理等特點(diǎn)，這些特征已被用于信息安全、模式識別、數(shù)據(jù)分類與挖掘、優(yōu)化設(shè)計、故障診斷、機(jī)器學(xué)習(xí)、聯(lián)想記憶和控制等領(lǐng)域［2］。本文從計算智能主要算法的角度來對計算智能的研究現(xiàn)狀作分析。［2］

2 計算智能的主要算法

計算智能的主要算法有神經(jīng)網(wǎng)絡(luò)、模擬退火、模糊邏輯、遺傳與演化算法、禁忌搜索算法、DNA軟計算、人工免疫系統(tǒng)、蟻群算法、粒子群算法、多（Agent）系統(tǒng)等。

計算智能的算法雖然有很多種，但它們多是受自然或生物界規(guī)律的啟迪，根據(jù)其原理、思想來模仿求解問題的算法。這樣它們也就具有自然界或生物界的一些特性，同時它們通過長時間的發(fā)展變化，逐漸成熟，形成了自己獨(dú)有的特點(diǎn)。下面對它們的共同特點(diǎn)作一個介紹：（1）它們大都引入了隨機(jī)因素，具有不確定性。很多計算過程實(shí)際上是在計算機(jī)上作隨機(jī)過程的模擬。比如著名的蒙特卡羅模擬。（2）它們大多具有自適應(yīng)機(jī)制的動力體系或隨機(jī)動力體系，并且在計算過程中體系結(jié)構(gòu)還在不斷作自我調(diào)整。（3）它們都是針對通用的一般目標(biāo)而設(shè)計的，它們不同于針對特殊問題而設(shè)計的算法。（4）一些算法在低維或簡單的情況下顯得很笨，但是到了高維復(fù)雜的情形下具有很強(qiáng)的競爭力。［3］

3 主要的計算智能算法

3.1 人工神經(jīng)網(wǎng)絡(luò)

神經(jīng)系統(tǒng)的基本構(gòu)造是神經(jīng)元(神經(jīng)細(xì)胞)，它是處理人體內(nèi)各部分之間相互信息傳遞的基本單元。據(jù)神經(jīng)生物學(xué)家研究的結(jié)果表明，人的一個大腦一般有1010―1011個神經(jīng)元。每個神經(jīng)元都由一個細(xì)胞體，一個連接其他神經(jīng)元的軸突和一些向外伸出的其它較短分支――樹突組成。軸突的功能是將本神經(jīng)元的輸出信號(興奮)傳遞給別的神經(jīng)元。其末端的許多神經(jīng)末梢使得興奮可以同時傳送給多個神經(jīng)元。樹突的功能是接受來自其它神經(jīng)元的興奮。神經(jīng)元細(xì)胞體將接受到的所有信號進(jìn)行簡單處理(如加權(quán)求和，即對所有的輸入信號都加以考慮且對每個信號的重視程度――體現(xiàn)在權(quán)值上――有所不同)后由軸突輸出。神經(jīng)元的樹突與另外的神經(jīng)元的神經(jīng)末梢相連的部分稱為突觸。

“人工神經(jīng)網(wǎng)絡(luò)”（artificial neural network：簡稱ANN）是在對人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)，是對人大腦神經(jīng)細(xì)胞的簡單近似的模擬。大量的神經(jīng)元廣泛互連而成的系統(tǒng)，它的這一結(jié)構(gòu)特點(diǎn)決定著人工神經(jīng)網(wǎng)絡(luò)具有高速信息處理的能力。人腦的每個神經(jīng)元大約有103―104個樹突及相應(yīng)的突觸，一個人的大腦總計約形成1014―1015個突觸。用神經(jīng)網(wǎng)絡(luò)的術(shù)語來說，即是人腦具有1014―1015個互相連接的存儲潛力。雖然每個神經(jīng)元的運(yùn)算功能十分簡單，且信號傳輸速率也較低(大約100次/秒)，但由于各神經(jīng)元之間的極度并行互連功能，最終使得一個普通人的大腦在約1秒內(nèi)就能完成現(xiàn)行計算機(jī)至少需要數(shù)10億次處理步驟才能完成的任務(wù)。

因為人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)和其信息存儲的分布式特點(diǎn)，使得它相對于其它的判斷識別系統(tǒng)，如專家系統(tǒng)等，具有另一個顯著的優(yōu)點(diǎn)：健壯性。生物神經(jīng)網(wǎng)絡(luò)不會因為個別神經(jīng)元的損失而失去對原有模式的記憶。最有力的證明是，當(dāng)一個人的大腦因意外事故受輕微損傷之后，并不會失去原有事物的全部記憶。人工神經(jīng)網(wǎng)絡(luò)也有類似的情況。因某些原因，無論是網(wǎng)絡(luò)的硬件實(shí)現(xiàn)還是軟件實(shí)現(xiàn)中的某個或某些神經(jīng)元失效，整個網(wǎng)絡(luò)仍然能繼續(xù)工作。

因此ANN具有快速、并行處理、容錯性強(qiáng)和自學(xué)習(xí)能力強(qiáng)等特點(diǎn)。幾種典型的ANN為：多層感知網(wǎng)絡(luò)、競爭型神經(jīng)網(wǎng)絡(luò)、Hopfield神經(jīng)網(wǎng)絡(luò)。

3.2 模擬退火

模擬退火(SA，simulated annealing)算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內(nèi)部粒子隨溫升變?yōu)闊o序狀，內(nèi)能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達(dá)到平衡態(tài)，最后在常溫時達(dá)到基態(tài)，內(nèi)能減為最小。根據(jù)Metropolis準(zhǔn)則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內(nèi)能，ΔE為其改變量，k為Boltzmann常數(shù)。用固體退火模擬組合優(yōu)化問題，將內(nèi)能E模擬為目標(biāo)函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當(dāng)前解重復(fù)“產(chǎn)生新解計算目標(biāo)函數(shù)差接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當(dāng)前解即為所得近似最優(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)式隨機(jī)搜索過程。退火過程由冷卻進(jìn)度表(Cooling Schedule)控制，包括控制參數(shù)的初值t及其衰減因子Δt、每個t值時的迭代次數(shù)L和停止條件S。

模擬退火是一種全局優(yōu)化方法，就是人為地引入噪聲，使得當(dāng)某算法陷入局部最優(yōu)的陷阱時，而造成從該陷阱中逃脫的條件，進(jìn)而再逐步減小噪聲，以使得算法能停留在全局最優(yōu)點(diǎn)。其實(shí)早在1965年，Khas就提出了這一想法，不過并未受到計算機(jī)科學(xué)與優(yōu)化應(yīng)用領(lǐng)域的足夠重視。直到1983年，Kirkpatrick提出模擬退火算法，才引起了優(yōu)化應(yīng)用領(lǐng)域的重視，成為熱點(diǎn)流行起來。它的特點(diǎn)主要有以下幾個方面：（1）以一定的概率接受惡化解，在迭代過程中不僅接受使目標(biāo)函數(shù)變“好”的試探點(diǎn)，而且還能以一定的概率接受目標(biāo)函數(shù)值變“差”的試探點(diǎn)，迭代中出現(xiàn)的狀態(tài)是隨機(jī)產(chǎn)生的，并且不強(qiáng)求后一個狀態(tài)一定優(yōu)于前一個狀態(tài)，即以一定的可能容忍的退化狀態(tài)的出現(xiàn)；（2）引進(jìn)算法控制參數(shù)T，它將優(yōu)化過程分為各個階段，并決定各個階段下隨機(jī)狀態(tài)的取舍標(biāo)準(zhǔn)，接受函數(shù)由Metropolis算法給出一個簡單的數(shù)學(xué)模型，接受概率隨著溫度的下降而逐漸減?。唬?）使用對象函數(shù)值（即適應(yīng)值）進(jìn)行搜索，它僅使用由目標(biāo)函數(shù)變換來的適應(yīng)度函數(shù)值，就可確定進(jìn)一步的搜索方向和搜索范圍，無需其它一些輔助信息［4］。

3.3 模糊邏輯

模糊邏輯（FUZZY，fuzzy logic system）自提出以后，特別是在人工智能和控制等領(lǐng)域得到較好的應(yīng)用之后，已經(jīng)引起研究人員的濃厚興趣。進(jìn)入20世紀(jì)90年代，模糊邏輯無論在理論上還是在應(yīng)用方面都得到了較快地發(fā)展。

模糊邏輯本身并不模糊，而是用來對“模糊”進(jìn)行處理以達(dá)到消除模糊的邏輯。其最大特點(diǎn)是用它可以自然地處理人類的概念。由于輸入、輸出均為實(shí)型變量，所以特別適用于工程應(yīng)用系統(tǒng)，F(xiàn)UZZY提供了一種描述專家組織的模糊“If-then”規(guī)則的一般化模式，模糊產(chǎn)生器、模糊推理機(jī)和反模糊化的選擇也有很大的自由度。FUZZY的知識表達(dá)易于理解，但難于利用數(shù)值信息，自學(xué)習(xí)能力較差。

3.4 遺傳算法

遺傳算法（Genetic Algorithms）是基于生物進(jìn)化理論的原理發(fā)展起來的一種廣為應(yīng)用的、高效的隨機(jī)搜索與優(yōu)化的方法。其主要特點(diǎn)是群體搜索策略和群體中個體之間的信息交換，搜索不依賴于梯度信息。它是在70年代初期由美國密執(zhí)根（Michigan）大學(xué)的霍蘭（Holland）教授發(fā)展起來的。1975年霍蘭教授發(fā)表了第一本比較系統(tǒng)論述遺傳算法的專著《自然系統(tǒng)與人工系統(tǒng)中的適應(yīng)性》（《Adaptation in Natural and Artificial Systems》）。遺傳算法最初被研究的出發(fā)點(diǎn)不是為專門解決最優(yōu)化問題而設(shè)計的，它與進(jìn)化策略、進(jìn)化規(guī)劃共同構(gòu)成了進(jìn)化算法的主要框架，都是為當(dāng)時人工智能的發(fā)展服務(wù)的。迄今為止，遺傳算法是進(jìn)化算法中最廣為人知的算法。

遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。在遺傳算法中，基于染色體群的并行搜索，帶有猜測性質(zhì)的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區(qū)別開來。

遺傳算法具有以下幾方面的特點(diǎn)：（1）遺傳算法從問題解的串集開始嫂索，而不是從單個解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。

(2)許多傳統(tǒng)搜索算法都是單點(diǎn)搜索算法，容易陷入局部的最優(yōu)解。遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進(jìn)行評估，減少了陷入局部最優(yōu)解的風(fēng)險，同時算法本身易于實(shí)現(xiàn)并行化。

(3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評估個體，在此基礎(chǔ)上進(jìn)行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設(shè)定。這一特點(diǎn)使得遺傳算法的應(yīng)用范圍大大擴(kuò)展。

(4)遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)他的搜索方向。

(5)具有自組織、自適應(yīng)和自學(xué)習(xí)性。遺傳算法利用進(jìn)化過程獲得的信息自行組織搜索時，硬度大的個體具有較高的生存概率，并獲得更適應(yīng)環(huán)境的基因結(jié)構(gòu)。

3.5 禁忌搜索算法

Tabu Search是由美國科羅拉多州大學(xué)的Fred Glover教授在1977年左右提出來的，是一個用來跳出局部最優(yōu)的搜尋方法。

禁忌搜索是對局部鄰域搜索的一種擴(kuò)展，是一種全局逐步尋求最優(yōu)算法。禁忌搜索算法中充分體現(xiàn)了集中和擴(kuò)散兩個策略，它的集中策略體現(xiàn)在局部搜索，即從一點(diǎn)出發(fā)，在這點(diǎn)的鄰域內(nèi)尋求更好的解，以達(dá)到局部最優(yōu)解而結(jié)束，為了跳出局部最優(yōu)解，擴(kuò)散策略通過禁忌表的功能來實(shí)現(xiàn)。禁忌表中記下已經(jīng)到達(dá)的某些信息，算法通過對禁忌表中點(diǎn)的禁忌，而達(dá)到一些沒有搜索的點(diǎn)，從而實(shí)現(xiàn)更大區(qū)域的搜索。

禁忌搜索算法算法具有以下幾方面的特點(diǎn)：（1）從移動規(guī)則看，每次只與最優(yōu)點(diǎn)比較，而不與經(jīng)過點(diǎn)比較，故可以爬出局部最優(yōu)。

（2）選優(yōu)規(guī)則始終保持曾經(jīng)達(dá)到的最優(yōu)點(diǎn)，所以即使離開了全局最優(yōu)點(diǎn)也不會失去全局最優(yōu)性。

（3）終止規(guī)則不以達(dá)到局部最優(yōu)為終止規(guī)則，而以最大迭代次數(shù)、出現(xiàn)頻率限制或者目標(biāo)值偏離成都為終止規(guī)則。

所以禁忌搜索算法是一種局部搜索能力很強(qiáng)的全局迭代尋優(yōu)算法。

3.6 DNA軟計算

DNA軟計算是一種基于DNA湯（種群）和生物進(jìn)貨機(jī)制的隨機(jī)搜索算法，其設(shè)計變量服從均值和方差進(jìn)化過程變化的正態(tài)分布，不必預(yù)先設(shè)定其取值范圍，且算法引導(dǎo)種群逐步向優(yōu)化區(qū)域搜索，確保其全局收斂能力［5］，它的特點(diǎn)主要有以下幾個方面：首先，DNA具有不可估量水平的并行性。其次，DNA軟計算有很高的能量效率和存貯容量。此外，嘗試開發(fā)實(shí)際的DNA軟計算能促進(jìn)生物學(xué)和生物化學(xué)獲得更靈活的操作和更可靠的技術(shù)［6］。

3.7 人工免疫系統(tǒng)

人工免疫系統(tǒng)（AIS，artificial immune system）是研究借鑒和利用生物免疫系統(tǒng)的信息處理機(jī)制而發(fā)展的各類信息處理技術(shù)、計算技術(shù)及應(yīng)用的總稱，用于復(fù)雜問題的解決。AIS結(jié)合了分類器、神經(jīng)網(wǎng)絡(luò)和機(jī)器推理學(xué)習(xí)系統(tǒng)的優(yōu)點(diǎn)，是一種突現(xiàn)計算，但也存在收斂速度慢等缺點(diǎn)。1994年以來，AIS成為國際上新的研究熱點(diǎn)。目前這一領(lǐng)域還處于起步階段［2］。

3.8 蟻群算法

蟻群算法是人們通過對自然界中蟻群群體行為的研究而提出的一種基于種群的模擬進(jìn)化算法［7］。該算法通過模擬螞蟻搜索食物的過程來求解一些實(shí)際問題。螞蟻能夠在沒有任何可見提示下找出蟻穴到食物源的最短路徑，并且能隨著環(huán)境的變化而變化，然后搜索新的路徑，產(chǎn)生新的選擇。受螞蟻覓食時的通信機(jī)制的啟發(fā)，90年代Dorigo提出了蟻群優(yōu)化算法。由于這個算法利用了正反饋機(jī)制，使得較短的路徑能夠有較大的機(jī)會得到選擇，并且由于采用了概率算法，所以它能夠不局限于局部最優(yōu)解。

3.9 粒子群算法

粒子群算法(PSO，particle swarm optimization)是一種進(jìn)化計算技術(shù)(Evolutionary Computation)，有Eberhart博士和Kennedy博士發(fā)明。源于對鳥群捕食的行為研究。PSO同遺傳算法類似，是一種基于疊代的優(yōu)化工具。系統(tǒng)初始化為一組隨機(jī)解，通過疊代搜尋最優(yōu)值。但是并沒有遺傳算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優(yōu)的粒子進(jìn)行搜索。同遺傳算法比較，PSO的優(yōu)勢在于簡單，容易實(shí)現(xiàn)并且沒有許多參數(shù)需要調(diào)整。目前已廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制以及其他遺傳算法的應(yīng)用領(lǐng)域。粒子群優(yōu)化算法(PSO)也是起源對簡單社會系統(tǒng)的模擬，最初設(shè)想是模擬鳥群覓食的過程，但后來發(fā)現(xiàn)PSO是一種很好的優(yōu)化工具。

3.10 多（Agent）系統(tǒng)

多Agent系統(tǒng)（Multi-Agent System，MAS）是指由多個自主構(gòu)件組成的所有類型的系統(tǒng)，它是一個松散耦合的問題求解器網(wǎng)絡(luò)，其目標(biāo)是為了解決那些超出每個問題求解器的單獨(dú)能力或知識的問題。這些問題的求解器就是Agent，它們是自主的，并可能是異構(gòu)的。

多Agent系統(tǒng)的表現(xiàn)通過Agent的交互來實(shí)現(xiàn)，主要研究多個Agent，為了聯(lián)合采取行動實(shí)際系統(tǒng)時，多Agent系統(tǒng)通過各Agent間的通信、合作、協(xié)調(diào)、管理及控制來表達(dá)系統(tǒng)的結(jié)構(gòu)、功能及行為特性。多體系中，知識具有局部性，而問題具有全局性，在大多數(shù)情況下，需要同其他的聯(lián)合解決一個問題，這樣間的信息傳遞不可避免，因此需要有通訊語言（ACL）。

結(jié)束語

本文對主要的計算智能算法及各自的特點(diǎn)作了一個介紹，這些算法在解決實(shí)際問題中都發(fā)揮了相當(dāng)?shù)淖饔?，?dāng)然也有待我們進(jìn)一步研究、改進(jìn)和提高。計算智能是一個發(fā)展?jié)摿薮蟮姆较?，未來的發(fā)展一定會越來越智能化，個性化的傾向越來越濃，目的性變得日益明確，應(yīng)用的領(lǐng)域也會越來越廣。

參考文獻(xiàn)：

［1］李國杰.計算智能：一個重要的研究方向［A］.

［2］蘇建元.計算智能主要算法的比較與融合［J］.中國電子科學(xué)研究院學(xué)報，2007.2，(1)：52-56.

［3］錢敏平，龔光魯.從數(shù)學(xué)角度看計算智能［J］.科學(xué)通報，1998，（16）：1681-1695.

［4］項寶衛(wèi)，凌塑勇.計算智能算法的研究現(xiàn)狀［J］.臺州學(xué)院學(xué)報，2006.6，(3)：22-25.

［5］黃自元，師黎等.一類自適應(yīng)范圍DNA軟計算模型.控制理論與應(yīng)用，2004.12，（6）：889-992.

人工神經(jīng)網(wǎng)絡(luò)的起源范文第5篇

現(xiàn)代等離子體物理第一卷，湍流等離子體物理動理學(xué)

數(shù)值相對論計算機(jī)求解愛因斯坦方程

物理學(xué)家的隨機(jī)過程理解噪聲系統(tǒng)

量子信息和糾纏性的哲理

環(huán)境流體力學(xué)進(jìn)展

聚合物的粘彈性力學(xué)基礎(chǔ)分子理論、實(shí)驗和模擬，第2版

天文問答指南

利用雙筒望遠(yuǎn)鏡探索太陽系的奧秘

藥物設(shè)計

生態(tài)恢復(fù)

花圖式

大腦中的語言

利用人工神經(jīng)網(wǎng)絡(luò)模擬感知

自然資源保護(hù)與管理中的分子方法

美容的神經(jīng)生物學(xué)

空間認(rèn)知與空間感知

評估自然資源

多媒體檢索數(shù)據(jù)管理

Event—B語言的建模

算法語言Scheme的第6次修訂報告

量子計算中的語義學(xué)技術(shù)

機(jī)械臂的自適應(yīng)控制統(tǒng)一無回歸矩陣方法

稀疏圖像信號處理

機(jī)械和電子工程

偉大的工程師們

隨機(jī)調(diào)度

復(fù)值數(shù)據(jù)的統(tǒng)計信號處理

移動機(jī)器人分析學(xué)的更多的進(jìn)展 第5屆國際ISAAC會議論文集

分析學(xué)的進(jìn)一步進(jìn)展 第6屆國際ISAAC會議論文集

線性算子方法 逼近與正則化

2008年Isehia群論會議文集

應(yīng)用數(shù)學(xué)和計算數(shù)學(xué)的前沿

計算科學(xué)的最近進(jìn)展

超流宏觀理論

高等凝聚態(tài)物理

量子雜談 微觀世界的魅力

從π介子到夸克 20世紀(jì)50年代的粒子物理學(xué)

非線性振動

非線性波

時間序列分析 社會科學(xué)家用的全面介紹

時間，空間，星系與人類 關(guān)于宇宙大爆炸的故事

彗星和生命起源

發(fā)現(xiàn)宇宙大爆炸)膨脹宇宙的發(fā)現(xiàn)

環(huán)境科學(xué)中的機(jī)器學(xué)習(xí)方法 神經(jīng)網(wǎng)絡(luò)與核方法

世界上最大的濕地 生態(tài)與保護(hù)

有害污染物的科學(xué)管理

達(dá)爾文的短篇出版物1829—1883

物理生物學(xué) 從原子到醫(yī)學(xué)

達(dá)爾文筆記1836—1844

諾貝爾生理醫(yī)學(xué)獎專題講座2001—2005

陸蟹生物學(xué)

無標(biāo)記生物傳感技術(shù)以及應(yīng)用

傳感器與微系統(tǒng) 第13屆意大利學(xué)術(shù)報告會論文集

傳感器與微系統(tǒng) 第12屆意大利學(xué)術(shù)報告會論文集基本泛函分析

物理學(xué)及有關(guān)領(lǐng)域大學(xué)生用數(shù)學(xué)方法

伽羅瓦理論 第二版

變分法中的重積分

數(shù)論概要

解Pell方程

復(fù)雜的非線性 混沌、相變、拓?fù)渥兓吐窂椒e分

量子位勢論

導(dǎo)電物質(zhì)量子理論 超導(dǎo)

自旋 Poincare研討會2007

結(jié)構(gòu)系統(tǒng)的現(xiàn)代試驗技術(shù)

結(jié)構(gòu)力學(xué)中的混沌

物質(zhì)結(jié)構(gòu)

激光材料加工原理 現(xiàn)代傳熱與傳質(zhì)技術(shù)

超快強(qiáng)激光科學(xué)的進(jìn)展 第四卷

相變材料 科學(xué)和應(yīng)用

分析系統(tǒng)動力學(xué) 建模與仿真

微極亞塑性顆粒狀物體中的剪切局部化

天線和望遠(yuǎn)鏡的建模與控制

將無人飛機(jī)系統(tǒng)集成到國家空域系統(tǒng)

動力學(xué)系統(tǒng)中的模型提取 用于移動機(jī)器人控制

臨床核磁共振成像及其物理學(xué) 指南

膠原蛋白 結(jié)構(gòu)和力學(xué)

大型渦流模擬的質(zhì)量及可靠性

信息系統(tǒng)開發(fā)、

移動多媒體廣播標(biāo)準(zhǔn) 技術(shù)與實(shí)踐

計算系統(tǒng)中的安全性