人工神經(jīng)網(wǎng)絡(luò)的方法及應(yīng)用初探

許昌職業(yè)技術(shù)學(xué)院機電工程系 張亮亮 馬齋愛拜

1.緒論

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實際上是由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)。

2.生物神經(jīng)網(wǎng)絡(luò)的基本原理

2.1 生物神經(jīng)元結(jié)構(gòu)

神經(jīng)元是生物神經(jīng)系統(tǒng)的最基本的單元，形狀和大小各種各樣。從組織結(jié)構(gòu)方面看，各種神經(jīng)元有其共性。神經(jīng)元由細胞體、樹突和突軸組成。

2.2 神經(jīng)元工作機理

考慮到輸入信號的影響要持續(xù)一段時間（毫秒級），因此，神經(jīng)元的整合功能是一種時空整合。當(dāng)神經(jīng)元的時空整合產(chǎn)生的膜電位超過閾值時，神經(jīng)元產(chǎn)生興奮性電脈沖，處于興奮狀態(tài)；否則，無電脈沖產(chǎn)生，處于抑制狀態(tài)。整合后產(chǎn)生的信號延著該細胞的軸突傳遞出去，并通過突觸傳遞給其他神經(jīng)細胞，神經(jīng)細胞通過突觸的連接形成神經(jīng)網(wǎng)絡(luò)。

3.人工神經(jīng)網(wǎng)絡(luò)的基本原理

3.1 人工神經(jīng)元模型

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，是生物神經(jīng)元的抽象、簡化和模擬。抽象是從數(shù)學(xué)角度而言，模擬是以神經(jīng)元的結(jié)構(gòu)和功能而言。一般形式神經(jīng)元如圖1所示。

3.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和工作機理基本上是以人腦的組織結(jié)構(gòu)和活動規(guī)律為背景的，它反映了腦的某些基本特征，但并不是要對人腦部分的真正實現(xiàn)，可以說它是某種抽象、簡化或模仿。

如果將大量功能簡單的形式神經(jīng)元通過一定的拓撲結(jié)構(gòu)組織起來，構(gòu)成群體并行分布式處理的計算結(jié)構(gòu)，那么這種結(jié)構(gòu)就是人工神經(jīng)網(wǎng)絡(luò)，在不引起混淆的情況下，統(tǒng)稱為神經(jīng)網(wǎng)絡(luò)。

4.感知器網(wǎng)絡(luò)

4.1 感知器模型

感知機模型由感知層S（Sensory）、連接層A（Assocation）、反應(yīng)層R（Response）三層構(gòu)成。

圖1 形式神經(jīng)元模型

4.2 感知機的結(jié)構(gòu)

感知機是人們?yōu)榱搜芯看竽X的存貯、學(xué)習(xí)和認(rèn)識過程而提出的一種神經(jīng)網(wǎng)絡(luò)模型基本感知機是一個兩層網(wǎng)絡(luò)，分為輸入層和輸出層，每層可由多個處理單元構(gòu)成，輸入層單元接收外部輸入模式，并傳遞給相連的輸出層單元；輸出層單元對所有輸入值加權(quán)求和，經(jīng)閾值性傳遞函數(shù)產(chǎn)生一組輸出模式。通常輸入、輸出模式用二進制表示。兩層之間為全互連方式，即輸入層各單元與輸出層各單元均有連接，且兩層之間的連接權(quán)值是可調(diào)的。

4.3 感知器神經(jīng)網(wǎng)絡(luò)的初始化

進行程序設(shè)計的第一步就是初始化，對感知器神經(jīng)網(wǎng)絡(luò)的初始化可采用MATLAB 7.O神經(jīng)網(wǎng)絡(luò)工具箱中的init（）函數(shù)。使用init（net）函數(shù)可以得到一個已經(jīng)初始化的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的權(quán)值和閥值是按照網(wǎng)絡(luò)初始化函數(shù)來進行調(diào)整的，而網(wǎng)絡(luò)的初始化函數(shù)是由NET.initFcn設(shè)定的，其參數(shù)是由Net.initParam指定的。

5.BP神經(jīng)網(wǎng)絡(luò)

5.1 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)（Backpropagation NN）是一種單向傳播的多層前向網(wǎng)絡(luò)。網(wǎng)絡(luò)除輸入輸出節(jié)點外，還有一層或多層的隱層節(jié)點，同層節(jié)點中沒有任何耦合。輸入信號從輸入層節(jié)點依次傳過各隱層節(jié)點，然后傳到輸出節(jié)點，每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。其節(jié)點單元特性（傳遞函數(shù)）通常為Sigmoid型，但在輸出層中，節(jié)點的單元特性有時為線性。

5.2 BP網(wǎng)絡(luò)中的神經(jīng)元模型

一個基本的神經(jīng)元模型，它具有R個輸入，每個輸入都通過一個適當(dāng)?shù)臋?quán)值w與神經(jīng)元相連，BP網(wǎng)絡(luò)中基本神經(jīng)元的激活函數(shù)必須處處可微，所以，經(jīng)常使用的是S型的對數(shù)或正切激活函數(shù)或線性函數(shù)。

5.3 BP算法的改進

在實際應(yīng)用中，原始的BP算法很難勝任，因此出現(xiàn)了很多的改進算法。BP算法的改進主要有兩種途徑，一種是采用啟發(fā)式學(xué)習(xí)法，另一種則是采用更有效的優(yōu)化算法。

在神經(jīng)網(wǎng)絡(luò)工具箱中，函數(shù)trainbpx（）采用動量法和學(xué)習(xí)速率自適應(yīng)調(diào)整兩種策略，從而提高了學(xué)習(xí)速度并增加了算法的可靠性，動量法降低了網(wǎng)絡(luò)對于誤差曲面局部細節(jié)的敏感性，有效地抑制了網(wǎng)絡(luò)陷于局部極小；自適應(yīng)調(diào)整學(xué)習(xí)速率有利于縮短學(xué)習(xí)時間。

6.總結(jié)

本文通過對人工神經(jīng)網(wǎng)絡(luò)的方法及應(yīng)用做了系統(tǒng)的闡述，通過分析與研究感知器網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)作者得出以下結(jié)論：

感知器是最早提出的一種神經(jīng)網(wǎng)絡(luò)模型，它具有簡單，易學(xué)易理解的優(yōu)點，是我們初學(xué)人工神經(jīng)網(wǎng)絡(luò)時首先接觸到的一類網(wǎng)絡(luò)模型。但是它有很大的局限性，如只能對線性可分的輸入向量進行分類；當(dāng)感知器神經(jīng)網(wǎng)絡(luò)的所有輸入樣本中存在奇異的樣本，即該樣本向量同其他所有的樣本向量比較起來特別大或特別小時，網(wǎng)絡(luò)訓(xùn)練花費的時間將很長。

BP神經(jīng)網(wǎng)絡(luò)模型是在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中很流行的一種網(wǎng)絡(luò)模型，它也是前向網(wǎng)絡(luò)的核心部分。BP網(wǎng)絡(luò)有很強的映射能力，其主要用于：模式識別、函數(shù)逼近、數(shù)據(jù)壓縮。

[1]樓順天,陳生潭,雷虎民.MATLAB5.X程序設(shè)計語言[M].西安電子科技大學(xué)出版社,2003,10.

[2][美]A.N.米歇爾,劉德榮著.張化光,季策,王臺山譯.遞歸人工神經(jīng)網(wǎng)絡(luò)的定性分析和綜合[M].科學(xué)出版社,2004,7.

[3]索興梅,王崇桃.人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用研究[J].計算機與農(nóng)業(yè),2002(2):6-7.