神经网络的发展精选(九篇)
前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络的发展主题范文，仅供参考，欢迎阅读并收藏。
第1篇：神经网络的发展范文
关键词:商业流通;指标体系;智能决策支持系统;数据挖掘;神经网络
中图分类号:F49 文献标识码:A 文章编号:1009-8631(2010)02-0081-02
引 言
随着现代计算机技术与信息处理技术和通讯技术的快速发展,服务于国民经济各行业的各类信息管理系统应运而生。这些系统提高了工作效率、及时准确地进行各类信息服务,成为政府部门及企业决策者的有效工具。为此,在综合考虑了商业流通经济现代化发展的特点后。建立了商业经济发展规划智能决策支持系统(CEIDSS)。
该系统设计成一个由问题驱动的智能决策支持系统,具有良好的人机交互功能,通过定量计算方法、定性推理与定量相结合的方法进行问题求解,实现智能决策支持。该系统按照“问题导向、用户第一”的开发原则进行开发,即完全按照商业部门的工作需求确定决策支持的目标、问题和方法,并充分考虑了决策技术和方法的先进性。
一、商业经济发展规划智能决策支持系统的目标和功能
1.系统的目标
商业经济是国民经济的一个重要组成部分。它有一个战略目标,流通企业经营活动总是为这个战略目标服务的。商业流通是一个比较复杂的系统,必须有一套综合指标体系深入地、科学地评价。商业经济评价指标体系是反映流通系统宏观和微观活动成果的各种指标的数字形式,这些数字在计划任务、统计分析、效果评价活动中构成一系列相互联系的整体。考虑到国家对流通经济现代化的要求和信息分析处理的特点,其构成的基本内容如图1所示:
商业经济发展规划智能决策支持系统(CEIDSS)的总目标是:建立一个较实用的决策支持系统直接供省级商业部门进行战略研究,制定中长期规划和模拟仿真。由于它服务的对象是高层领导,决策环境复杂多变,涉及国民经济各部门、流通、企业经营和工业生产诸多因素,能够获取的信息有的是精确的、定量的,有的却带有不确定性因素或只能定性描述,牵扯到的利益主体也是多方面的,价值观和评价准则也各不相同。为了建立一个实用的决策支持工具,就必须把系统分析思想和计算机信息处理技术以及知识工程、专家系统工具结合起来,构成集成化的决策支持系统,以灵活、方便的形式向决策者和决策分析人员提供支持。
2.系统的功能
本系统的主要功能大体包含几个方面:
国民经济及商业经济发展综合信息查询
系统能以数字、表格、图形和图像等形式,向决策者、决策分析人员和系统操作人员提供综合的商业经济各方面的信息。本系统不象一般MIS那样采集比较全面而详尽的数据,而是采集经过加工的综合信息。
商业流通经济发展现状的比较分析
在综合信息查询的基础上,系统增加了比较分析的功能,这是当前决策者经常使用的一种方法。通过对某些信息的直接或综合比较,认识现状,发现差距,从数量上和结构上明确问题所在,选择主攻方向。根据目前国内开发的类似系统试用经验来看,比较分析是一种有效的研究方法。它可以在“同中求异”,在可能条件下找出事物间的差别,给决策者以启示。
商业经济系统模拟仿真
系统可根据设定的经济、社会情景,利用已有的信息与有关的模型和由专家经验形成的事实和规则,对不同的政策措施下的发展前景、结果和影响进行模拟仿真。这里的模型有定量、半定量和定性的各种类型。由于商业经济系统无法进行大规模、全局性现场实验,利用模拟仿真可对后果与产生的影响进行预测、分析和研究。
实施方案的评价与优选
系统对于不同发展方案、规则、政策措施,可从不同侧面、角度、准则行比较评价和优化选择,以供决策参考。现代的评价与优选法带有综合特点,因此系统具有综合评价与多准则优化的功能。
商业经济发展预测分析
本系统提供了功能较全的预测软件,可帮助用户进行反复运算分析,建立经济计量模型,大体勾画出商业流通经济发展的前景趋势,揭示未来发展的可能和潜在的各种危险、问题,采取相应对策,降低计划与决策的风险和减少不确定性。
二、系统的框架结构、关键技术与开发
1.商业经济发展规划智能决策支持系统的结构
在经济活动中。很多决策问题是围绕着如何对某些事物进行综合评价、并根据评价结果制定相应策略,采取进一步的行动。针对这类决策问题,人们往往需要根据有关理论及经验制定一系列的衡量标准,即建立一套多级指标体系,从不同角度、不同层次对事物进行综合评判。这种评价是一个非常复杂的非结构化决策过程,一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系,运用多种专业知识,集成各类专家意见和建议,统筹决策。但在这种多级指标体系中,各种指标之间的关系很难明确,而且还受评价者效用标准和主观偏好所左右,受环境条件和个人认识能力的局限。
因此,很难在指标体系和评价目标间建立起准确的定量或定性模型,而通常的规则推理也难以描述这一过程。因此,鉴于商业环境的复杂性和不确定性,本文所提出的系统需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。利用人工神经网络构造系统模型来支持这类评价决策问题是目前智能决策支持系统的一种发展趋势。我们所确定的系统总体技术结构如图2所示:
2.系统的关键技术
本系统主要是以知识、数据和模型为主体,结合神经网络进行推理与数据挖掘。图中有两个重点,即神经网络推理系统和神经网络数据挖掘系统。
神经网络数据挖掘
神经网络数据挖掘是利用神经网络技术协助从数据中抽取模式。数据挖掘有如下基本任务:分类、关联分析、聚类、概念描述、偏差检测、预测等。常用的前馈式神经网络,例如BP网络。可用于进行概念描述及预测。对向传播(CounterPropagation,简称CP)神经网络可用来进行统计分析和聚类。CP网络是美国神经计算专家Robert Hecht-Nielsen提出的一种新型特征映射网络,其网络结构分输入、竞争、输出三层。输入层与竞争层构成自组织特征映射神经网络。竞争层与输出层构成基本竞争型网络。网络从整体上看属于有教师示教型网络,而由输入层与竞争层构成的自组织特征映射神经网络又属于一种典型的无教师示教型网络。因此,该网络既吸取了无教师示教型网络分类灵活、算法简练的优点,又采纳了有教师示教型网络分类精细、准确的好处,使两者有机地结合起来。由输入层至竞争层,网络按自组织特征映射学习规则产生竞争层的获胜神经元,并按这一规则调整相应的输人层至竞争层的连接权。由竞争层至输出层,网络按基本竞争型网络学习规则得到各输出神经元的实际输出值,并按有教师示教的误差校正方法调整由竞争层至输出层的连接权。经过这样反复地学习,可以将任意输入模
式映射为输出模式。由CP网络的这一基本思想,可发现处于网络中间的位置的竞争层获胜神经元及与其相关的连接权向量,既反映了输入模式的统计特征,又反映了输出模式的统计特征。因而,可认为输入、输出模式通过竞争层实现了相互映射。
神经网络推理系统
神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”等问题。在神经网络系统中,计算与存储是完全合二为一的,即信息的存储体现在神经元互连的分布上,并以大规模并行方式处理。这种并行决不是简单地以空间复杂性代替时间复杂性,而是反映了完全不同的计算原理。从数学观点来看,可以把神经网络看作是由大量子系统组成的大系统,系统的最终行为完全由它的吸引子决定。如果视动力系统的稳定吸引子为记忆的话,那么初态向稳定吸引子流动的过程就是寻找记忆的过程。初态可以认为是给定有关记忆的部分信息。
换言之,流动的过程就是从部分信息找到全部信息的过程,这就是联想记忆的基本原理。进一步,若视动力系统的稳定吸引子为系统计算能量函数的极小点,系统最终会流向期望的最小点,计算也就在运动过程中悄悄地完成了,运动的时间就是计算时间。因而,可用双向联想记忆(BAM)网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式。且将之分为x和Y两部分。网络通过提供的样本对进行充分的学习后,就可用来进行模式间的联想推理。
3.系统开发
系统的总体开发工作采用速成原型法,因为决策支持系统不象管理信息系统那样执行的是例行性任务,特别是为高层决策服务的系统,处理的多半是半结构化或非结构化的系统,系统建立之前,用户不可能明确完整地提出系统的功能要求。开发者一开始也不能完全了解决策环境、决策任务和决策程序。只有建立一个原型系统,通过演示使用户通过自己的亲眼所见,知道系统能够做什么和不能够做什么,才能提出恰如其分的要求,从中得到启示,改进自己的决策方式。这样通过原型试用进行用户与开发者的沟通,对于促进系统的使用针对性和用户友好性有很大的作用,也是用户逐步接受和掌握系统的必经步骤。
系统开发分三个步骤完成,第一步是建立硬件和软件环境,包括3s多库结构智能决策支持系统平台,生成一个能加载数据、模型等资源的专用决策支持系统;第二步是根据数据字典编码加载数据,同时把有关部门模型和方法编人系统,进行调试和试运行;第三步是用户试运行,提出修改意见,从而进一步完善。
第2篇：神经网络的发展范文
[关键词] 网络； Web2.0； 儿童； 儿童发展
[中图分类号] G434 [文献标志码] A
[作者简介] 李少梅（1968—），女，陕西延安人。副教授，硕士生导师，主要从事学前教育基本理论研究。E-mail： 。
一、引 言
网络时代的到来，标志着人类社会已经全面进入了信息化时代。科技的高速发展，使得信息技术正在以前所未有的速度影响着人们的生产、生活和学习方式。作为“.com”的一代，我们几乎每时每刻都在不自觉地接触着大量的信息，学前儿童也不例外，而这些信息在给儿童带来新鲜感的同时，也将很大程度地影响着他们的身心发展和行为习惯。[1]置身于信息海洋的新一代儿童，与以往任何时代都不同，他们的生活正接受着来自于Web2.0时代信息技术的全面渗透。
信息技术的高速发展带领人类社会从互联网Web1.0时代进入了Web2.0时代。如果说Web1.0 的主要特点在于用户通过浏览器获取信息，那么Web2.0 则更注重用户的交互作用。换言之，互联网上的每一个用户不再仅仅是互联网的读者，同时也成为互联网的作者，由被动地接收互联网信息向主动创造互联网信息发展，从而更加人性化。
Web2.0被认为是互联网发展的第二阶段，它的核心概念是互动与分享，其技术主要包括博客（Blog）、RSS、百科全书（Wiki）、网摘、社会网络（SNS）、P2P、即时信息（IM）等。信息环境中的Web2.0技术正在改变着传统的教育传播模式和应用方式，改变着传统意义上对“学习”的定义，这意味着学习者不仅能够在时间上、空间上拥有更大的灵活性和便利性，而且学习模式、信息获取途径、学习方法等都会有普适性的革新。学习不再是只充当教学计划内的角色，也可以是随时随处发生的非正式学习。[2]在Web2.0所提供的学习平台中，不仅学习者之间可以在社会化的网络中进行广泛的交互协作，学习内容也变得更加多元化。学习无处不在，这在极大程度上满足了学习者个体个性化的需求，也为终身教育的发展奠定了基础。
二、互联网对儿童发展的渗透方式
在以Web2.0为代表的新一代互联网技术的推动下，网络对教育的影响已不再只是作为一种工具或手段，它对社会各领域的影响、对教育的影响、对学前儿童发展的影响都是广阔而深远的。也许学龄前阶段的社会关系、生活环境相对来说并不复杂，但是他们所接触的环境无处不带有社会文化色彩。因而，网络也会以其势不可挡的冲击力，像进入成人世界那般进入儿童的天地。对于学前儿童而言，因其个体的特殊性使信息技术不会过于直接地作用于个体，而是通过与儿童接触的抚养者、居住环境、玩具用品，特别是幼儿园的教育内容与形式，以一种强烈而深刻的渗透方式影响着儿童身体、智能和社会性的发展。[3]
（一）幼儿园教育
在儿童的综合发展中，幼儿园教育是其最主要的受教育方式。从投影、电视到计算机，再从多媒体技术到更加开放互动的网络环境，不少幼儿园已经投入了极大的人力、物力、财力和热情。当然，硬件环境的创设并不意味着已经达到了现代化环境的要求。究其本质，新技术引入学前教育的最终目的乃是实现信息技术和学前教育的充分整合，实现教育效果的最优化。[4]
随着Web2.0技术的发展，儿童的学习环境将真正体现出开放、共享、交互、协作等特点，而技术手段的日益网络化、智能化、虚拟化，也将对幼儿园教学产生深远影响。[5]这些影响集中表现在以下三个方面。
1. 教学资源
以互动分享为核心的Web2.0技术拓展了获取信息的途径，在加快知识更新速度的同时，加强了课堂与现实世界的资源互动。而网络信息的不断聚合也会将教学资源以集约化、模块化的方式在网络中形成数据库，实现优质教学资源多元化、形象化、知识化的共建共享，大大拓展了学前儿童教育的资源共享，打破了幼儿园教学资源之间画地为牢的时空界限，实现了学前儿童信息化教育零距离、最大化的资源共享，这对于未来的幼儿园发展和园所之间的学习共建都有重要意义。[6]
2. 教学方法
由于学龄前儿童身心发展的局限性，幼儿往往对抽象的知识难以吸收、消化。而幼儿园教学可以利用新兴的媒体、技术，将其融入更为生动活泼的视频、动画、音乐、图像、游戏、动漫等，使抽象难懂的内容可视化、立体化，以更多趣味性、互动性、丰富性、形象性、实用性的方式呈现。在网络环境中，孩子们还可以探究无法用肉眼看到的微观世界，走进美丽神秘的大自然深处，甚至兴趣盎然地与卡通人物对话。这种方式在很大程度上能够满足学前儿童的求知欲望，在积极的情感体验中激发他们的兴趣并带来愉悦感，同时也能使他们迅速掌握学习内容，促进教学活动的有效性。
3. 教学模式
由于学龄前儿童个体身心发展尚未成熟，他们往往更习惯于选择服从，其知识源也主要来自老师和家长。然而信息技术的发展正在悄然改变这种单一的教学模式，尤其是网络环境的开放、互动以及人性化的发展，为儿童的发展创设了一种适应性、触发性、沉浸性和诱导性的学习氛围，[7]使儿童有机会进行主动探究和自主学习。同时，信息时代的到来也呼唤着教师角色的转换，教师不再是唯一的知识来源，他们必须走出传统的角色，随时掌握新资料、汲取新知识、利用新教材，从注重自己的“教”走向学生的“学”，解决教学内容滞后于时展的矛盾，完成作为儿童学习活动的支持者、合作者、引导者这一角色的转换。[8]
（二）家庭环境
家庭作为人生的第一站，是儿童成长的摇篮，家庭环境将直接影响着幼儿个体的综合发展。
随着网络触角在生活中的逐渐扩展，互联网因其庞大的信息、快捷的传递和人性化的交互等特点，拓展了传统意义下的社会圈，也缩短了人们之间的距离。越来越多的家长开始参与到分享互动的群体中，成为互联网资源共建共享者中的一员。通过网络，他们可以登录丰富多样的儿童资源网站、收听有关幼儿保教知识的微博、关注载有幼儿教师心路历程的网络博客、参与同城论坛家长互动的分享讨论。他们能够通过最先进快捷的信息获取方式，汲取新鲜的教育理念，获得有助于孩子智力开发、学习成长的优质教育资源，找到一个可以和孩子共同参与的娱乐教育平台。他们逐渐认识到学前儿童身体、心理、情感、人格等方面全面发展的重要性，并希望通过多种途径来拓展孩子的兴趣，促进个体个性的积极发展。
与此同时，那些开始或已经涉足网络世界的儿童，也在模仿着成人，好奇地睁着双眼窥探这个五彩缤纷的虚拟世界。作为父母，在网络不断普及和深入的今天，也应及时调整改变自己的角色，更多地参与到儿童的活动中来。尤其在儿童接触网络并对其进行主动探究的过程中，父母应成为他们学习的指导者和设计者，不仅要合理引导儿童对新事物的接触，解答他们的好奇，还应引导儿童进行自主性、探索型的学习活动，进而培养他们宽阔的视野和创新意识。通过互联网，儿童不仅能够学到知识，还能够学习到信息的获取、处理方法，这在一定程度上有利于儿童信息素养的启蒙和问题解决能力的培养。
（三）网络虚拟社区
陈鹤琴曾说：“幼稚教育是一种很复杂的事情，不是家庭一方面可以单独胜任的，也不是幼稚园一方面可以单独胜任的，必定要两方面共同合作才能得到充分的功效。”[9]Web2.0时代的到来，不但影响着家庭环境中父母对于孩子的培养教育方式，也改变着父母了解有关孩子信息的方式，这一点在“家园共育”中尤为突出。
1. QQ班级群
作为即时通信的网络工具，QQ班级群具有较强的互动性。参与者可以针对任何话题进行实时讨论，实现“幼儿园—家庭”的交流协作和共同教育。教师既可以通过与孩子学习成长有关的话题，和家长们实现一对多的共同讨论，也可以就单个儿童情况，在教师和家长之间进行一对一的对话。此外，通过即时通信软件的附属功能，如电子邮件、群相册、群共享、群公告、微博、空间等，可以建立起更加便捷化、立体化、个性化的交互模式，加强家长和教师、家长与家长之间的交流和分享，帮助彼此更充分地了解儿童的表现。
2. 班级Blog
在家园共育中，一些幼儿园组建了Blog圈，主要涉及教学心得、活动札记、教学设计、育儿日记、生活杂感等内容。[10]家长可以分享教师的教学心得，也可以汲取其他家长优秀的教育方法和经验；教师也可以通过家长日志，了解孩子在家中的表现，并对一些家长在教育中的难题困惑进行解答指点，给予正确的建议和合理的帮助。
3. 校园网站
校园网站的搭建可以提供给家园双方一个更为平等、互动、透明的平台。通过园所新闻、专家讲坛、活动动态、教学研究、站内调查等板块，家长可以第一时间了解幼儿园教学管理活动的相关动态。同时在家园互动方面，一些网站还设立了网站留言板、热点话题讨论区等模块，[11]希望通过不同的网络交互模式扩展交流空间，为家长和教师提供双向互动的便捷渠道，更好地促进学前儿童的健康成长和全面发展。
（四）教育电子产品
信息技术的迅猛发展和人们需求的不断提高，在加快市场电子产品更新换代的同时，也刺激了教育类电子产品的兴起和快速发展。教育电子产品，即利用电子和多媒体等技术手段，变被动教育为主动学习的电子学习工具，从录音机、复读机到电子词典、视频学习机，每一次更迭都深深打上了科技发展的烙印。而当下最令孩子们爱不释手的是以平板电脑为代表的新一代电子产品，它以强大的人机互动模式、多媒体化的学习方式，集便携性与实用性于一身，开创了现代电教产品的新时代。
对于正在成长中的学龄前儿童，平板电脑在开发儿童学习兴趣、满足儿童发展需求等方面也挖掘甚深。
1. 人机交互
在外观上，平板电脑轻巧简约，便于儿童拿在手中进行操作，而内容界面也会随着儿童的持握方式横竖变换，这种人性化的设计也深受儿童喜欢。在人机交互方面，平板电脑不再局限于键盘和鼠标的固定输入方式，以手写和全屏触摸的方式进行操作。这对于充满好奇喜欢探索的儿童来说，只需手指的轻轻点触、拨弄、滑动等，就可以完成和平板电脑的亲密接触。这样的操作不仅简单易行，还能在一定程度上促进儿童小肌肉的发展，锻炼手指的精细动作，提高手指的灵活性。此外，进入虚拟世界的儿童，在多媒体网络技术营造的学习氛围里，接受着来自于文字、图像、声音、颜色、线条、视频等多重感觉刺激。这些刺激提供了一种儿童自身内在产生兴趣的学习环境，不仅使其全神贯注于手头的任务，减少了其他环境刺激所引起的分心，又如同电视一样毫不费力地维持了儿童的注意力，并把儿童引导到值得他们加以关注的电脑教学内容之中。[12]
2. 儿童早期教育软件
众所周知，游戏是儿童最好的学习方式。根据学龄前儿童这一学习特点，互联网也为此搭建起一个更为广阔的娱乐、教育平台，提供了丰富多样可供下载的儿童早期教育软件。借助于平板触屏电脑开发的早教软件中，也多以教育游戏为主。这些软件综合了游戏的教育性与娱乐性等特点，以加德纳多元智能理论为基础，依据儿童的年龄特点及其认知方式、发展规律，将内容划分为健康、语言、社会、科学、艺术等五大领域。而每个领域，不仅收容了与人类生存与发展相关的诸多环境，通过生活化场景的介入和在游戏间的不停切换，将与儿童生活息息相关的经验一点一滴呈现，同时又针对儿童潜能发展的需要，提出了更为详细的可评估目标，以期从不同的角度促进他们知识、能力、技能、态度、情感等方面的发展。对于儿童来说，他们可以根据自己的兴趣、爱好、经验、需求来选择学习资源和学习方式，通过弹琴、画画、学拼音、玩游戏等活动，在特定的内容领域里以主动探索的方式发现问题、获取信息，发展解决问题的技能。而对于家长来说，在多样化的智能活动中，他们也可以按己所需，有针对性地拓展儿童兴趣、启蒙学习、开发智力，以达到促进儿童个性成长和协调发展的目的。
三、互联网：良师益友？洪水猛兽？
随着儿童对网络痴迷程度的加深，以及以互联网为载体的电子产品逐渐趋于低龄化，反对学前儿童接触网络的声音也越来越多。面对互联网这把双刃剑，许多家长显得无所适从。互联网虽然可以被视为一个寓教于乐的大课堂，但也是一个包罗万象的大杂烩。笔者认为，我们既应看到它作为良师益友的积极影响，也应看到它作为洪水猛兽的潜在威胁。再者，我们可以借鉴古代“大禹治水”的道理，他没有选择不治大水或筑高堤治大水，而是采用了开凿水道、疏导大水的办法。[13]这正如网络时代我们对孩子的教育办法，不应过度轻视网络的负面影响，自信于孩子的自控力而忽视放纵，也不应夸大网络的负面影响，以过度的保护主义避免孩子和网络接触。面对问题，寻找合理有效的途径进行疏导，才是解决问题的办法。
（一）家长合理引导是关键
学前期儿童虽然年龄小、判断能力差，但这个时期他们的接受能力却极强，所以儿童应该在父母的陪伴和监护下上网，尤其在鉴别网络良莠信息的时候，父母一定要进行有效屏蔽和合理引导，为其建立正确的示范。对于三岁前的孩子，笔者是不赞成他们过早地进行人机接触的，这个年龄段的孩子更需要的是和父母的亲子互动、和大自然的接触、语言能力的发展等，学会在真实的世界中交流对于他们而言更为重要。[14]三到六岁的孩子，随着身心发展过渡到一个更高的阶段，在其好奇探索的天性和网络时代环境的共同作用下，他们内心也容易产生接触网络的需求。如果父母也希望让孩子提前接触电脑，那么使用频率最好控制在每周一至两次为宜，每次使用时间也不宜超过半个小时。因为学前阶段正是孩子身心发育的关键期，长时间的接触电脑，可能会造成视力下降、骨骼发育不良等问题。一旦在情感上过分依赖，也会对儿童个体社会化发展产生不良影响。因此，为避免或减少网络的负面影响，在儿童接触网络之初，家长就有责任对孩子进行正确引导，尽可能地和孩子共同参与到网络中，一起学习成长，一起互动游戏，加强儿童对网络的正确认识，提高其自制力和判断力。
（二）幼儿园混合教学促变革
网络时代的到来推进着学前教育改革的深化，让学前儿童接触信息技术、使信息技术和学前教育充分整合将会成为学前教育发展的一种新的趋势。然而倡导信息技术并不意味着排斥传统教育媒体，那些真实形象的实物演示、乐趣盎然的集体活动以及教师无微不至的温暖关爱，都彰显着弥足珍贵的价值。我们不应完全否定传统幼儿教育课堂教学的优势，那些与自然的亲近、情感的培养、身体的活动、团体的交流等都是信息化教育所无法替代的。在信息技术和传统教育逐渐整合的过程中，最终将走向“混合式教学”，即把传统学习方式的优势和信息技术的优势结合起来，既要发挥教师引导、启发、监控教学过程的主导作用，又要充分体现儿童作为学习过程主体的主动性、积极性和创造性。两者将相辅相成地推动学前教育的变革，促进儿童的综合发展，优质而高效地培养能够适应信息时代要求的创新型人才。
（三）家园互动共享借鉴经验
互联网为家园互动搭建了非常便捷的平台，教师和家长、家长和家长之间都可以就学前儿童发展教育中的问题进行交流沟通，寻求帮助解答。对于困扰着家长们的儿童上网问题，集思广益，有不少可行的办法可供借鉴。例如上网之前，父母和孩子一起制定一个上网的时间并严格遵守，最好让孩子在节假日的时间内集中上网；选择一些优秀的、健康的、适合孩子的网站，可以考虑使用过滤软件，为孩子选择安全的信息和服务；设立儿童专用的浏览器；通过网络监管功能，为孩子上网进行“限时”，并对部分网站进行限制访问。此外，孩子迷恋网络，往往与他们课外生活贫乏有关，父母应培养孩子广泛的兴趣，多与孩子一起参加户外活动。孩子正常成长也离不开同龄群体的密切交往，让孩子体验从小生活在伙伴的友谊之中，鼓励孩子与朋友交往，也是减少网络诱惑的好办法。[15]
（四）企业责任意识不可少
随着平板电脑受宠于消费市场，作为朝阳行业的教育电子行业吸引了社会各界的关注，不少企业也做好了跨入电教产品领域的准备，预期分享这块市场蛋糕。作为软件的开发商，尤其在儿童教育软件开发方面，企业应该和消费群体的教师与家长在监督和指导儿童发展方面形成一股合力，聚合专业人士的指导建议，建立消费群体的意见反馈机制。在考虑信息技术产品应用于学前教育问题上，企业应将重心回归到本源的产品价值上，也应更好地思考如何将社会责任与企业发展有效统一起来的问题，杜绝功利的商业行为，有力地维护儿童权利，打造出高质量的学前教育产品。[16]
总之，学前教育阶段作为一生中发展最快、可塑性最强的时期，其发展状况对个体未来的社会性和人
格发展产生着持续性影响。当我们从未来社会的发展来思考今天的学前教育，以未来社会的发展需要重新审视学前儿童的发展，可以推测，在学前期进行科学的、适宜的信息素养启蒙，可以为个体日后具备良好的信息素养奠定基础，促进儿童在后期成长中对信息技术的理性使用，对提升全面素质、培养未来社会的人才具有重要价值。因而，辩证地看待互联网这把双刃剑，在合理有效的疏导中减少或避免洪水猛兽的威胁，发挥其良师益友的积极影响，在激发儿童学习兴趣、帮助儿童立体感知这个世界的过程中，真正促进儿童的身心和谐发展。
[参考文献]
[1] 高爽.信息技术对学前教育的影响[D].上海：华东师范大学，2006.
[2] 张学波，林秀瑜.信息化环境中的教育传播实践应用模式研究[J].电化教育研究，2011，（9）：37～40.
[3] 林崇德.发展心理学[M].杭州：浙江教育出版社，2002.
[4] [10] 何磊，黄艳霞，金晓晓.信息技术与幼儿教育的整合[J].学前教育研究，2009，（1）：56～59.
[5] [8] 杨九民，李书明.现代教育技术[M].武汉：华中师范大学出版社，2005.
[6] 陈鹤婷.幼儿信息化教育探赜[J].科教文汇，2011，（8）：72～74.
[7] 钟志贤.多元智能理论与教育技术[J].电化教育研究，2004，（3）：7～11.
[9] 李玉莲，张文芳.用陈鹤琴幼儿教育思想指导家园共育[J].学前教育研究，2006，（3）：38～40.
[11] 俞白.家园网络互动模式的探索实践[J].中国信息技术教育，2008，（3）：106～107.
[12] [美]乔治.S.莫里森（George S. Morrison）.当今美国儿童早期教育[M].王全志，等译.北京：北京大学出版社，2004.
[13] [14] 李萍，沈浩，涂雄悦.网络与孩子教育[M].上海：上海教育出版社，2006.
第3篇：神经网络的发展范文
随着计算机网络、信息技术、自动化技术的进步，极大的改变了我们的生活。人工神经网络技术是一种全新的控制技术，通过互联网进行动态模拟，从而建立一种新的控制互联网的系统。经过十几年的发展，人工神经网络技术研究取得了巨大的进步，已经广泛应用在社会各个领域，使现代计算机中的难题得到了解决。本文主要从人工神经网络技术的概念出发，探讨了它在现代社会领域的具体应用。
【关键词】人工神经网络 信息技术 发展趋势
人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的l展，人工神经网络技术得到了快速的发展阶段。
1 人工神经网络技术
人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点――神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。
2 人工神经网络技术应用分析
随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。
2.1 生物信号的检测分析
目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。
2.2 医学专家系统
传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。
2.3 市场价格预测
在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。
2.4 风险评价
在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。
3 人工神经网络技术未来发展
人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。
4 结语
通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。
参考文献
[1]周文婷，孟琪.运动员赛前心理调控的新策略――基于人工神经网络技术的比赛场地声景预测（综述）[J].哈尔滨体育学院学报，2015，33（03）：15-21.
[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信，2014（02）：76-76.
[3]张广军.人工神经网络技术在光电检测中的应用[J].北京航空航天大学学报，2001，27（05）：564-568.
第4篇：神经网络的发展范文
关键词：时间序列 神经网络 房地产价格预测 MATLAB
中图分类号：F293.3 文献标识码：A
文章编号：1004-4914（2015）09-284-02
随着MathWorks公司对MATLAB软件中的神经网络工具箱的功能加强，时间序列预测方法可以应用于诸多方面，房地产价格预测便是其一。时间序列预测分为三类：NARX网络类型，NAR网络类型和只有输入数据无输出数据类型（此类型不常用）。
人工神经网络，或神经网络，它是一种神经网络来模仿动物的行为特征，并制定分布式并行信息处理的算法数学模型。神经网络分为静态神经网络和动态神经网络，静态神经网络无反馈无记忆功能，与此相反，动态神经网络是一种有记忆功能并且网络不仅与当前输入也与之前输入有关。动态神经网络分为有反馈与无反馈两类。有反馈指该时间输出不仅依赖于当前输入，有可能依靠于前一个输入，同时也依赖于前一个输出;无反馈指该时间输出不仅依赖于当前输入，同时也依赖于之前的输入，即通过昨天和前天的房价，就可以预测出今天的价格。由此可知，动态神经网络适合时间序列预测，因为时间序列预测是一种有记忆功能，即不仅依赖于当前输入而且依赖于之前的输出的预测。
一、数据来源及处理
选取全国近18年房地产平均价格为基础样本做简单预测。为保证预测结果的真实性，1997-2011年数据全部采用。2012-2014年价格作为预测分析对象，不涉及在内，仅用于判断研究方法的可行性。
二、神经网络模型的训练
将原始数据导入MATLAB中，将需要训练的数据设置变量，便于之后训练。使用nnstart命令进入工具箱进行训练。数据采用动态神经网络无反馈模型，训练网络时把数据分为三类，即数据分割为训练数据、数据验证和数据检测。训练数据和数据验证决定神经网络测试的结果，数据检测只判断结果好不好。在此次训练中，三者比例为：70%、15%、15%，之后设置神经元个数和时间距离相关个数。在训练结束后要关注error图，结合error图进行有效的分析，如果不满意训练结果可以更改比例或神经元和时间距离相关个数，直到训练完成。
三、预测结果分析
利用训练成功后的预测模型，预测2012-2014年的平均房地产价格。再与实际价格进行比较，计算出相对误差并取平均值。
通过对基于动态神经网络的房地产预测模型预测的平均房地产价格比较实际价格可以看出：预测模型预测结果与实际价格相比，平均相对误差为1.72%;结合房价指数进行分析比较，发现二者之间差别不大，所以说明该预测模型具有很强的可操作性和实用性。同时，对2015年后的平均房地产价格通过时间序列预测方法和指数平滑预测方法比较后发现后几年内平均房地产价格增长稳定，增长趋势维持在8%左右。在动态神经网络中，时间序列预测法是基于时间数列所能反映的社会经济现象的发展过程和规律性，进行引申外推，预测其发展趋势的方法。当有一定时间的房地产价格后，可以结合之前的价格对之后的价格进行预测。另外，预测模型根据训练样本自动映射房地产价格的非线性关系。此外，由于神经网络具有去噪能力，有偏差的样本价格对模型的结果影响不大。
四、总结
随着经济的快速发展，以及国家对房地产事业的政策调控，即使在市场相对低迷的2015年，房地产作为国家的支柱性产业仍然对国家的经济建设有很大的影响。房地产价格预测是结合多方调研，查询相关资料，掌握充分信息进行分析预算，从而进行投资。对于广大人民来说他们格外关注房地产价格，利用动态神经网络进行时间序列预测房地产价格，得到的神经网络模型能够反映房地产价格的动态特性。虽然通过建模不能预测到其精确的发展趋势，但是当前房地产价格需要一个合理的预测模型来满足我国房地产事业的发展态势，因此时间序列预测房地产价格不失为一个好的可以提高各方面综合效益的模型，对房地产价格预测的发展具有极大的促进作用。
参考文献：
[1] 张晓平，周芳芳，谢朝.基于神经网络的房地产估价模型研究及其Matlab实现.技术经济与管理研究，2009（1）
[2] 龚卿，陈碧琼.中国房地产业发展与经济增长的动态关系分析.经济师，2006（11）
[3] 胡晓龙，郜振华，马光红.基于Elman神经网络的房地产价格预测.统计与决策，2008（7）
第5篇：神经网络的发展范文
关键词：经济预测，RBF理论，BP神经网络
中图分类号：F12 文献标识码：A 文章编号：1001-828X（2013）12-0-01
一、引言
随着经济全球化的快速发展，各个国家和政府为了了解本国市场经济发展走势，推动国与国之间的经济贸易协作，越来越重视对未来经济发展前景的预测，通过经济预测可以了解本国经济情况，为制定中长期经济发展规划、政策措施和经济指导方针提供理论基础[1]。然而经济预测涉及的诸多变量间存在模糊性及非线性的特点[2]，其他方法均存在自身的缺陷。
本文引入径向基函数理论构建经济预测模型，通过实例分析检验RBF模型的可行性和可靠性，并与传统的BP神经网络作对比，期望为日后经济决策的制定提供理论方法。
二、RBF基础理论
径向基函数（Radial Basis Function，RBF）神经网络是一种局部逼近的前馈式神经网络[3]。
常选用高斯函数作为RBF网络的径向基函数，它的基本表达形式如下：
式中：为隐含层第个节点的输出，；为隐含层第个节点的方差，它决定基函数围绕中心点的宽度。
图1 高斯函数
径向基函数将径向基层的每个神经元（）的权值向量与第个输入向量之间的向量距离与偏差的乘积作为输入值，输入表达式：
则径向基层神经元 的输出为[4]，如图2。
图2 RBF神经网络隐含层神经元的输入与输出示意图
RBF神经网络结构如图3所示。
图3 RBF神经网络结构
隐含层神经元数的确定是RBF 神经网络训练过程中的关键问题，RBF神经网络结构自适应确定、输出与初始权值无关[5]。
三、实例分析
（一）数据来源
本文以松原市前郭县区域经济的GDP为数据源，通过比较分担率的大小得出区域内生产总值有着显著影响的因素：
其中：为某因素i项所占的分担率；为单影响指数；是各单因子指数之和。通过计算得出就业数量、固定资产投资、银行贷款、财政支出及研究与开发费用对区域经济有显著影响作为经济预测变量。
（二）RBF神经网络的应用
RBF神经网络模型将经济预测问题转化为影响因子和GDP的非线性问题。通过训练，RBF神经网络模型能够达到对经济预测的目的。然后同样的数据应用BP神经网络进行训练，对比分析两种预测方法的可行性，预测结果见表1.
表1 两种预测模型的输出值与实测值拟合结果对比
通过比较，RBF神经网络预测模型比BP神经网络模型得到的输出结果预测精度更高，是一种适用于经济预测的方法。
四、结论
由于经济预测的复杂性及变量的未知性及非线性，本文将RBF神经网络理论应用到经济预测模型中，结果表明，RBF神经网络模型比BP神经网络的泛化能力较强，预测精度更高，经济预测效果可行可靠，是一种具有实用价值值得推广的经济预测模型。基于RBF理论构建的经济预测模型能够为科学的经济决策提供参考价值。但是每一种方法都不是完美的，RBF理论也有许多需要进一步完善改进的地方，因此它的理论和学习算法还有待于进一步完善和提高。
参考文献：
[1]陈健，游玮，田金信.应用神经网络进行经济预测方法的改进[J].哈尔滨工业大学学报，2006，38（6）：897-898，916.
[2]叶正波.基于人工神经网络的区域经济子系统可持续发展指标预测研究[J].浙江大学学报（理学版），2003，30（1）：109-114.
第6篇：神经网络的发展范文
关键词：人工智能；深度学习；教学建议
0 引言
传统的人工智能课程主要包括人工智能导论、模式分析、机器学习、数据挖掘等。这些课程由各个院校根据专业情况不同而选择，课程的内容也有较大差别，但是，基本上都涉及人工神经网络的内容。然而在人工神经网络的教学内容上，一般只讲解经典的多层感知器和反向传播算法，或再加入一些反馈网络的内容，这种教学内容设计的一个不足是忽视了人工智能领域的最新发展——深度学习，它是近几年人工智能领域最具影响力的研究主题，并在大规模语音识别、大规模图像检索等领域取得突破。
北京邮电大学计算机学院开设人工智能科学与技术的本科专业，笔者从事深度学习的研究工作，同时承担了本科生和研究生人工智能类课程的教学工作，因此产生了将深度学习内容引人人工智能类课程的想法。本文先介绍深度学习的背景，说明深度学习在人工智能发展中的地位，之后分析了将深度学习基本内容引入人工智能类课程的必要性和可行性，最后给出了一些实施建议供探讨。
1 深度学习背景
2006年，加拿大多伦多大学的GeoffreyHinton教授与Salakhutdinov博士在美国《科学》杂志发表了题为“Reducing the Dimensionality ofDatawith Neural Networks”的论文，该文提出一种学习多层神经网络的方法，并将这种具有多层结构的学习方法命名为深度学习（Deep Learning），而这成为深度学习研究的一个导火索，从此深度学习的研究与应用蓬勃发展起来。
深度学习在语音识别与生成、计算机视觉等应用领域取得了突出进展。近几年的国际机器学会（International Conference on MachineLearning，ICML）、神经信息处理大会（AnnualConference On Neural Information Processing Systems，NIPS）、计算机视觉大会（InternationalConference on Computer Vision，ICCV）、
声学语音与信号处理大会（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、计算语言学大会（Annual Meeting of the Association for Computational Linguistics.ACL）、计算机视觉与模式识别（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相关的研究论文、会议教程和小组研讨会（Workshop）。美国国防高级研究计划（DARPA）也提出了关于深层学习的研究项目。此外，2013年6月《程序员杂志》的封面故事，采访了周志华、李航、朱军3位国内的机器学习专家对于深度学习的看法，他们一致肯定了深度学习在机器学习领域的贡献。
工业界对深度学习也寄予了很高期望。2012年6月，《纽约时报》报道了斯坦福大学计算机科学家AndrewNg和谷歌公司的系统专家JeffDean共同研究深度神经网络的机器学习模型在语音识别和图像识别等领域获得的巨大成功。2012年11月，微软公司在天津公开演示了一个全自动的同声传译系统，其关键技术也是深度学习。2013年1月，百度公司首席执行官李彦宏先生宣布建立深度学习研究院（Institute of Deep Learning）。2013年3月，谷歌公司收购了由深度学习创始人Geoffrey Hinton创立的公司。
从学术界与工业界的研究态势看，深度学习已经成为机器学习与模式识别，乃至人工智能领域的研究热点。正是在这样一个背景下，人工神经网络重新回到人们的视野。此前人工神经网络的发展大致可以分为两个时期，1943年，McCulloch和Pitts提出了最早的人工神经元，这种神经元具有学习能力，这是人工神经网络的发端，也可以被认为是人工智能的发端（当时还没有人工智能这个术语）。1949年，Hebb提出了Hebbian学习算法。1957年，Rosenblatt提出了感知器的神经网络模型。1969年，Minsky和Papert分析了这种感知器神经网络模型的局限性。然而，很多研究者认为，感知器的这种局限性对于所有的神经网络模型都适用，这使人工神经网络的研究很快暗淡下来。1980年代中期，诺贝尔奖得主John Hopfield提出了Hopfield神经网络模型，这种Recurrent神经网络具有的动态性有可能用于解决复杂的问题。同时，多层前向神经网络的后传算法也被重新发现，这两个工作使人工神经网络得到重生。这时，人工神经网络已经成为人工智能的一个重要组成部分。但是，在随后的研究中，人们发现，当学习多层神经网络包含更多的隐藏层时，后传算法并不能学到有效的网络权值，这使得神经网络的研究再次陷入低潮。此次以深层神经网络为代表的深度学习重新回到研究的舞台，其中一个重要因素是Hinton提出的逐层预训练神经网络方法治愈了多层神经网络的一个致命伤。
2 必要性与可行性
深度学习的发展使得从事教学一线的教师也无法忽视这个颇具影响力的研究主题。为此，我们提出将深度学习这个主题引入到人工智能类课程中，将它作为课题教学的一部分。
2.1 必要性
将深度学习这个主题引入到人工智能类课程中的必要性主要包括如下4点。
1）深度学习是人工智能的前沿。
2006年以来，深度学习的研究席卷了整个人工智能，从机器学习、机器视觉、语音识别到语言处理，都不断涌现出新的研究工作和突破性进展。深度学习不仅在机器学习领域成为研究热点，同时在多个应用领域也成为有力工具，而且，在工业界的系统应用中，深度学习成为其中的关键解决技术。
2）深度学习是人工智能的突破。
深度学习的发端是神经网络。关于神经网络的论述，在人工智能类常见教科书中还停留在多层神经网络，即神经网络的第二阶段，它们大部分描述多层结构无法训练的现象。但是，从深度学习的角度看，深层神经网络不仅可学习，而且有必要，这与第二代神经网络的观点是完全不同的。深度学习突破了原有人工神经网络的认识，超越了人工智能神经网络教科书中的原有内容，因此，有必要将多层神经网络结构的可学习性告知学生，从新的视角纠正原有的观点。
3）深度学习是人工智能的延伸。
深度学习不仅提供了一种可以在深层神经结构下训练网络的方法，也包含了不少新的内容，是人工智能的新发展，为人工智能补充了新的内容。到目前为止，深度学习至少包括：从生物神经网络与人类认知的角度认识深层神经网络的必要性；如何构建和学习深层学习网络；如何将深层结构用于解决视觉、语音、语言的应用问题；如何看待深度学习与原有的机器学习方法，如流形学习、概率图模型、能量模型的直接关系；深度学习与其他学科的关系等。
4）深度学习是学生的潜在兴趣点。
大学生对知识有着强烈的好奇心，加之当前信息技术的发达，部分对智能感兴趣的学生可以从其他途径了解到这个学科发展的前沿。因此，顺势而为，将深度学习这个主题做具体讲解，满足学生的好奇心，培养他们对学科前沿与发展的认识，是十分必要的。对高年级的学生而言，了解深度学习的基本知识，是他们全面认识人工智能与发展前沿的一个途径，而对于研究生，较多地了解和掌握深度学习的基本知识有助于他们研究工作的开展。
基于以上几点，笔者认为，将深度学习这个主题引入到人工智能类课程中非常有必要。深度学习作为人工智能的前沿，既是对人工智能原有理论和技术的一个突破和补充。
2.2 可行性
将深度学习引入到人工智能类课程中的可行性主要包括如下3点。
1）深度学习与现有人工智能联系密切。
深度学习并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理论与技术。深度学习是以神经网络为出发点，这正是深度学习教与学的切入点。比如，可以通过对多层感知器隐藏层的增加和后传算法的失效来讲解深度学习是如何解决这个问题的。再者，深度学习的一个核心构建“受限波尔兹曼机（Restricted Boltzmann Machine）”，可以被认为是一种能量模型，而这种模型与Hopfield网络都可以从物理学的能量模型角度分析，RBM可以认为是Hopfield网络的随机扩展。总之，深度学习与现有人工智能的联系，使学习深度学习变得容易。
2）深度学习的基本内容并不深。
深度学习有个很好的名字，这个名字恰当地描述了特定的学习结构。比如，深度学习的核心部件受限于波尔兹曼机RBM，其结构非常简单。从神经网络的角度，受限波尔兹曼机是一种随机的双向连接神经网络，信号可以从可见层传递到隐藏层，也可以从隐藏层传递到可见层。网络中每个节点是具有特定结构的神经元，其中的神经元具有典型的包含自身偏置的Logistic函数的随机单元，能够依Logistic函数计算得到的概率输出0状态或1状态。概括地说，深度学习的基本内容在高年级阶段较易掌握。
3）深度学习的资料容易获得。
当前的信息资讯非常发达，有相当多的资料可以通过互联网等多种途径获得，这使学习深度学习成为可能。近期，中国计算机学会主办了多个技术讲座均涉及深度学习的部分；深度学习的创始人Hinton教授的主页也有很多资料；Coursera网站有免费的Hinton教授的神经网络课程；斯坦福大学的Ng教授提供了很多的在线教程；蒙特利尔大学Bengio教授发表的题为“Learning Deep Architectures for AI”的论文也是这领域的优质资料。
3 实施建议
在具体的教学过程中，笔者建议适当安排深度学习的最基本内容，内容不宜过多，也不宜占用过多的学时，可以根据教学对象的不同进行调整。比如，本科生的高年级专业课可以安排1学时的教学量，介绍层次训练的基本算法；也可以在高年级前沿讲座中安排2学时，内容覆盖面尽可能广泛。在研究生的教学中，可以根据教学的课程主题安排内容与学时。比如，神经网络主题的课程可以安排4-6学时的教学内容，包括波尔兹曼机及学习算法、深层信念网络与学习算法、深层波尔兹曼机与学习算法卷、积神经网络、自动编码器等。结合应用，课程还可以包含MNIST数字识别的应用、人脸识别的应用、图像检索的应用、语音识别中的应用等。另外，深度学习是一个实践性很强的研究，随机性：大规模（意味着数据不宜可视化，程序运行时间长）等多种因素混合，使深度学习在学习中不容易理解。为此，可以在条件允许的前提下，增加小规模的实验，辅助理解。最后，课件可以通过对优质资料做修改得到。
第7篇：神经网络的发展范文
【关键词】建筑经济管理；神经网络
中图分类号：TU198文献标识码： A
一、前言
建筑经济管理在我国是一个非常重要的行业，为社会的进步提供了夯实的基础，但是在神经网络的应用这方面还是存在一定的问题，所以，科学技术人员在这个方面还是很努力的研究，并且促使这个技术发展更为全面。
二、神经网络的特征及其信息处理特点
人工神经网络(Application of Neural Network，即:ANN)是一种对人脑中枢神经系统的生物神经结构进行的功能性抽象，在模式识别和分类领域显示了强大的能力，它们以“黑箱”模式工作，不需要先验模型，具有自适应能力，可以从数据中捕捉和学习规律，其计算能力在预测和评估、模式识别和优化等领域得到了广泛验证。神经网络尤其适合解决那些采用传统的数学方法和手段建模困难的复杂问题，并已被证明是解决复杂非线性问题的一种有效工具。
1、神经网络的基本特征
（1）内在并行性。神经网络是一个高度并行的非线性系统，其并行性不仅体现在结构上，它的处理运行过程也是并行的。神经网络从单个处理单元到整个系统，在理论和实践上都反映了并行性，计算是分布在多个处理单元上同时进行的。
（2）分布式存储。与传统计算机不同，神经网络中信息并非存储在一个特定的存储区域，而是分布存储在整个系统中。神经网络的每一个神经元都只是整体概念的一个部分，每一个单元都包含着对整体的贡献，而每一个单元都无法决定整体的状态。
（3）容错性。因为信息是分布存储在整个系统中，而不是驻留在某一个特定的存储区域内，因此，网络中部分神经元的误差不会在很大程度上影响改变整个系统的行为。
（4）学习与自适应性。神经网络的一个重要特点是具有很强的学习能力，它可以通过对数据的监督或非监督学习，实现任意复杂的函数关系，而且整个网络具有自适应性，即进行自我调节的能力。
2、神经网络的信息处理特点
神经网络的基本特征使其在信息处理上具有与传统信息处理技术不同的特点。
（1）数据驱动、“黑箱”建模方式。神经网络通过训练能够直接从数据中发现规则和特征，实现任意复杂的函数映射。这种学习能力使得神经网络分析和建模过程相当于一个“黑箱”，既无需模型结构设计和参数估计过程，而且在没有输入模式先验信息的情况下，通过数据驱动取得优良的结果。
（2）非编程、自适应的工作方式。神经网络的学习是便利而且可塑的，在网络整体结构不变的情况下，只需调整权值即可完成任意关系的学习，通过递进补充训练样本即可跟踪和适应外界环境的不断变化。因此，神经网络的工作方式可以是实时的和自适应的。
（3）信息处理与存储合二为一。神经网络在运行时信息处理与存储同时完成，信息的隐含特征和规则分布于神经元状态和权值之上，通常具有冗余性。这样，当不完全信息或含噪信号输入时，神经网络就可以根据这些分布记忆进行联想以恢复全部信息。同时，这种合二为一的方式从本质上消除了软件和算法的“瓶颈效应，”提供了实现高速信息处理的手段。
（4）实时信息处理。神经网络是一个大规模非线性动力学系统，具有高维、高密度的并行计算结构。大量神经元的微观活动构成了神经网络的整体宏观效应。这种集体运算能力使得神经网络可以完成高维数据的在线实时处理。
三、建筑经济管理研究面临的问题
1、对系统的非线性认识不足
(1)忽视了系统内各变量之间复杂的非线性关系，过分强调先验假设。建筑活动在理论和实践中有明显的非线性和复杂性。建筑经济管理问题的本质上是因为现实的复杂性导致的非线性。建筑活动随时代和环境的变迁表现出其非线性特征。一方面，建筑经济管理问题的线性假没体现了系统特殊性。但另一方面，系统建模时所使用的理论总是落后于现实，这是因为其相关理论发展的滞后性，而这又是由于其非线性和复杂性引起的。
(2)忽视数据本身效用，过分依赖理论指导。模型的函数形式很难仅仅通过理论考虑获得。在实践中选择理论框架既是十分重要又是十分困难的。
2、对系统变量自身特征的认识不足
(1)变量(数据)的高噪声。采集、编制建筑经济管理数据时会有很多误差，再加上诸多外在因素的冲击造成了波动强烈变形，所以数据是包含有许多“奇异点”而且是高噪声。
(2)变量的高度不确定性。目前经济学界对不确定性没有一个统一的定义，一般情况下有2种不确定性的定义。一种定义是变量的不确定性通过随机变量的方差来定义，通常称为概率型不确定性，也可称为“风险”。另一种定义是一种没有稳定概率的随机事件，称为非概率型不确定性。
(3)变量不同程度的模糊性。一定的模糊性是大多数建筑管理问题变量的特点。现实中的不分明现象就是模糊性。而从一种状态过度到另一种有差异的状态的过程中，中间发生了量变到质变的连续过程。总之，常常需要解决建筑管理中的决策、优化等非线性问题，由于它们的一次性、高度动态性和复杂性的特点，建筑管理的信息是随机的，具有非线性和时变性，相应的变量也有不确定性、高噪声和模糊性的特点，因此搜集数据、分析因素等方面有相当大的难度。
四、ANN在建筑工程项目管理中的应用研究
1、ANN在造价预测方面的应用
汪应洛，杨耀红(2004年)总结了ANN在费用估计方面的应用。采用BP网络，用40个公路工程样例训练网络，并用工程实例进行验证，发现效果比传统方法好。Tarek Hegazy(1998年)等用MS-Excel表格进行ANN模拟，并在输入层和隐含层加入了偏置神经元来促进网络学习。其缺点是由于网络学习时的训练样本数据中有噪声，会造成过度学习现象，运用规范化网络可以解决这个问题。周丽萍，胡振锋(2005年)在研究BP神经网络在建筑工程估价中的应用时指出，可以利用神经网络“特征提取器”的作用，从大量过去的工程资料中自动提取工程特征与预算资料的规律关系；由于神经网络具有高度的容错性，因而对于过去的工程资料中由于人为的或其他因素造成的偏差有自动纠偏功能；此外由于神经网络是并行处理数据的，因而其处理速度相当快，这点满足了快速估算要求，实践证明是有效的。
2、ANN在工程项目管理绩效评价中的应用
闫文周(2005年)等运用ANN中的BP网络对工程项目管理绩效评价问题进行研究，建立了一个综合考虑项目工期、质量、费用、安全四大控制指标的工程项目管理绩效评价模型。实例分析表明，其评价结果更加全面、更加符合实际情况，从而有助于促进工程项目管理水平的提高。基于BP神经网络的工程项目管理绩效评估模型，将影响工程项目管理绩效的主要因素进行整合，通过神经网络反映了工程项目工期、质量、成本、安全与项目绩效之间复杂的非线性关系，从而使项目管理绩效的评价更客观。
3、Hop field网络模型在建设工程评标中的应用
建设工程评标是一个多目标决策过程，评标过程中存在着大量的定性和模糊的因素，评标人很难快速做出准确客观的评判。朱玉涛(2006年)等用ANN作为新型信息处理工具，在建设工程评标中可应用于优选中标企业。介绍了Hop field网络模型构造及算法设计，包括进行方案优劣排序、换位矩阵以及能量函数构造、神经元之间连接和输出，并用实例说明了该方法的优越性和实用性。应用Hop field网络对非定量因素进行科学的分析，可以消除一些人为因素的影响，使评选结果更加合理。
4、BP网络模型在建设工程招投标管理中的应用
BP网络以其自学习、自联想功能的优点在建设工程招投标中得到广泛应用。杨中宣(2006年)结合人工神经网络基本理论，介绍了它在工程招投标的招标价格、风险因素分析以及竞标单位资格审查等方面的应用，指出利用人工神经网络具有的高度并行处理和可完成复杂输入输出的非线性映射能力，不仅可以保证高的中标率，且可避免招标过程中不确定性因素的影响。
五、人工神经网络的发展趋势
人工神经网络在建筑管理中的应用与研究，解决了不少该领域中的难题，显现出广阔的应用前景。但是，神经网络作为新兴学科，在理论和实践中，还有很多不完善和不成熟的地方，又在一定程度上制约了它的实际应用。因此在利用人工神经网络解决问题时，需要选定合适的网络模型及网络算法，同时还要加深人工神经网络基础理论方面的研究。
六、结束语
总而言之，就建筑经济管理中神经网络的应用这方面而言，这项技术的发展不仅使建筑经济管理体系更加的完善，更加使人们的生活带来了许多的便利条件，通过科学技术人员的不断努力，会使为社会发展做出巨大的贡献。
参考文献
[1]王其文，刘广灵.人工神经网络与线性回归的比较 决策与决策支持系统，2008（4）:22-26.
第8篇：神经网络的发展范文
旅游市场趋势预测是旅游业发展战略和旅游规划与开发工作的重要基础依据，一直是旅游市场研究中最重要的内容之一。根据市场趋势预测的结果，旅游相关部门才可以制定合理的旅游规划，进行旅游资源的优化配置。旅游市场趋势预测是在对影响市场的诸因素进行系统调查和研究的基础上，运用科学的方法，对未来旅游市场的发展趋势以及有关的各种因素的变化，进行分析、预见、估计和判断。
近年来，旅游研究者对旅游市场趋势预测的方法进行了探索。目前主要有时间序列法、回归分析法、指数预测法、人工神经网络法。由于旅游市场的变化受到诸多因素的影响，导致旅游市场的趋势预测难度较大，但我们对预测精度的要求却越来越高。
本文是基于人工神经网络方法，提出使用遗传算法对人工神经网络进行优化，探索更精确、更适用于旅游市场预测现实状况的预测方法。
1 方法概述
人工神经网络是近年来的热点研究领域，是人类智能研究的重要组成部分，已经成为神经科学、计算机科学、认知科学、数学和物理学等多学科关注的热点。其应用领域包括：分类、预测、模式识别、信号处理和图像处理等，并继续向其他领域延伸。
1.1 BP神经网络
BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。
图中，X1，X2，…，Xn是BP神经网络的输入值，Y1，Y2，…，Ym是BP神经网络的预测值，wij和wjk为BP神经网络权值。从图可以看出，BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n，输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。
1.2 遗传算法
遗传算法（Genetic Algorithms）是1962年由美国Michigan大学Holland教授提出的模拟自然界遗传机制和重托进货论而成的一种并行随机搜索最优化方法。它把自然界“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选，使适应度值好的个体被保留，适应度差的个体被淘汰，新的群体既继承了上一代的信息，又优于上一代。这样反复循环，直至满足条件。
1.3 遗传算法优化BP神经网络的流程
遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。其中，BP神经网络结构确定部分根据按拟合函数输入输出参数个数确定BP神经网络结构，进而确定遗传算法个体的长度。遗传算法优化使用遗传算法优化BP神经网络的权值和阈值，种群中的每个个体都包含了一个网络所有权值和阈值，个体通过适应度函数计算个体适应度。遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体。BP神经网络预测用遗传算法得到最优个体对网络初始权值和阈值赋值，网络经训练后预测函数输出。
遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好地预测函数输出。遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作。
1）种群初始化
个体编码方法为实数编码，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络全部权值和阈值，在网络结构已知的情况下，就可以构成一个结构、权值、阈值确定的神经网络。
2）适应度函数
2 实证分析
旅游客流量与当地旅游硬件及软件设施建设、各种交通设备的完善程度有着密切的关系。一个旅游地的交通设施完善程度决定了该景区的可进入性以及客源地到旅游地的时间距离，直接影响该景区游客量。此外，景区建设情况及旅游接待设施的建设情况决定着景区的吸引力。需要指出的是，由于信息传达的特性，游客数量对景区旅游相关条件改善的反应具有延迟性的特点。本文中，采用2000 年以来北京旅客周转量、人均GDP、全国交通、A级及以上景区个数、北京公共交通运营线路长度、北京市基础投资，预测北京市旅游人数。
通过查询中国国家统计局及北京市统计局相关资料，得到全国人均GDP、全国交通、北京市旅客周转量、北京市A级及以上景区个数、北京市公共交通运营线路长度、北京市基础投资数据，如表1所示。
根据遗传算法和BP 神经网络理论，在MATLAB 软件中编程实现基于遗传算法优化的BP神经网络进行预测。预测误差及真实值与预测值对比如图2、图3所示。
3 模型的评价
第9篇：神经网络的发展范文
关键词：BP神经网络算法；货运量；预测模型；实证分析
中图分类号：F252 文献标识码：A
交通运输系统是国民经济大系统中的一个子系统，运输需求同时受到来自系统内部和系统外部因素的影响，同时又反作用于国民经济系统[1]。其中，货运量是反映运输生产成果，体现运输系统为国民经济服务数量的重要指标[2]，它作为衡量一个国家或地区经济发展的重要经济指标，愈加受到人们的重视，如何正确、有效地根据相关影响因素做出货运量预测，对于物流产业的发展具有至关重要的作用。
货运量预测具有较大的复杂性和非线性等特点[3]，进行货运量预测的方法很多，常用的方法包括时间序列法、回归分析法和灰色系统法等，这些方法都集中在对其因果关系回归模型和时间序列模型的分析上，所建立的模型不能全面和本质地反映所预测动态数据的内在结构和复杂特性，从而丢失了信息[4]。人工神经网络具有良好的曲线拟合能力、学习能力、抗干扰能力[4-5]，采用BP神经网络方法，建立货运量预测模型，具有更好的说服力。
近几年来，在国家政策的大力扶持和倾斜下，整个新疆的经济社会发展都步入了快车道。经济社会的快速发展，对相应的物流能力提出了更高的要求。现有的南疆兵团物流企业已经难以满足其经济快速高效发展的需要，日益成为制约南疆兵团经济快速发展的瓶颈。科学合理地预测南疆兵团物流企业的货运量以对其物流能力进行客观评价，对于优化配置南疆兵团有限的物流资源，实现南疆兵团物流企业的可持续发展，具有重要的现实意义和实践价值。
1 BP神经网络算法与模型
近年来，全球性的神经网络研究热潮再度兴起，不仅仅是因为神经科学本身取得了巨大的进展，更主要的原因在于发展新型计算机和人工智能新途径的迫切需要。迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制。另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径[6]，它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注。
目前，已发展了几十种神经网络， 例如Hopficld模型、Feldmann等的连接型网络模型、Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型，等等[6]。神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于20世纪50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习，即BP算法[7]，实现了Minsky的多层网络设想，如图1所示。
BP算法不仅有输入层节点、输出层节点，还可有一个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数激励后，再把隐含层节点的输出信号传播到输出节点，最后给出输出结果。节点的作用激励函数通常选取S型函数，如：
式中Q为调整激励函数形式的Sigmoid参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。
从上述BP算法可以看出，BP模型把一组样本的I/O问题变为一个非线性优化[8]，是优化中最普通的梯度下降法。如果把神经网络的看成输入到输出的映射，则这个映射是一个高度非线性映射。
设计一个神经网络专家模型的构成和学习算法的选择，一般来说，是根据所研究领域及要解决的问题确定的[6]。通过对所研究问题的大量历史资料数据的分析及目前的神经网络理论发展水平，建立合适的模型，并针对所选的模型采用相应的学习算法，在网络学习过程中，不断地调整网络参数，直到输出结果满足要求为止。
2 货运量预测模型与实证分析
基于上述BP神经网络算法与模型，结合新疆兵团各师物流实际，构建南疆兵团各师货运量的预测模型，采用Matlab软件编制程序（见附录），将2006～2010年间的各师货运量数据[9]代入Matlab程序中，以对南疆兵团各师货运量加以预测。下面对Matlab中神经网络训练函数的训练步数、收敛精度及误差加以比较，通过反复训练来确定最佳的BP神经网络训练函数[8]，以此来确定最优的货运量BP神经网络模型。
通过运行程序，得到训练均方误差曲线图如图2：
由图2可看出，误差训练值接近10e-2，而目标训练值为10e-7，说明经过2 000次步长训练，均方误差逐渐趋于目标值，训练结果非常小，结果较满意。同时，得到训练梯度及有效性检查曲线图如图3：
由图3可得出，训练梯度为0.00021324，检查错误几乎为0，说明经过2 000次步长训练，在这期间训练梯度变化不大，且错误趋于0，进一步说明预测结果较好。与此同时，得到训练回归曲线图如图4。
由图4可得到，目标训练值R=0.99983，趋于1，说明回归训练效果较好，预测精度较高，而同时回归曲线近似趋于一线性函数，其训练起点和终点（图中黑点）与源数据（白圆点）都很好的分布在曲线两侧，由此可见，运用BP神经网络仿真的效果十分理想，训练后的BP网络能很好地逼近给定的目标函数，据此表明训练效果很好。由此可见，所建模型与实际吻合度较高，模型结果具有可信度和说服力。
3 结果分析
通过运行BP神经网络程序，求得2006～2010年南疆兵团各师货运量的的预测值，将之与实际值放在一起进行比较，汇编结果如表1。
由表1可以看出，南疆兵团各师货运量持续上升，而且增加幅度逐年加快。事实上，近年来随着新疆经济社会的快速发展，南疆兵团各师的货运量呈现一个较大程度的逐年递增，这一点是符合客观事实的。
通过南疆兵团各师货运量的预测值和实际值的比较分析，发现预测值与实际值之间相对误差较小，位于0.8%～7.8%之间，平均相对误差约为4.45%，误差达到通常的精度要求10e-2，计算精度较高。由此可见，通过BP神经网络算法建立的南疆兵团各师货运量预测模型，所得结果符合计算精度要求，而且泛化能力较好，模拟结果比较可靠，与实际吻合度较高。
4 结 论
本文通过对近几年南疆兵团各师货运量的分析，合理地设计了BP神经网络结构；同时，通过比较Matlab中神经网络训练函数的训练步数、收敛精度及误差，反复训练并确定了最佳的BP神经网络训练函数；并以2006～2010年南疆兵团各师货运量数据为基准，建立南疆兵团各师货运量的预测模型，采用Matlab提供的神经网络工具箱编程求解，得到相应的南疆兵团各师货运量的预测值，通过实际值与预测值的比较，发现二者之间的相对误差较小，所得结果具有较好的说服力和可信度。
本文的研究结果，对于南疆兵团地区优化配置物流资源，引导地方政府决策提供理论依据，具有重要的现实意义和实践价值。人工神经网络具有良好的曲线拟合能力、学习能力、抗干扰能力，采用BP神经网络算法，建立相应的预测模型，所得结果因与实际吻合度较高，而具有较好的可信度。BP神经网络算法，可以广泛地应用于复杂经济系统的评价与预测工作。文中所采用的建模思想方法，还可以广泛地应用于其他复杂经济系统的建模工作，具有一定的普遍性，有着良好的应用推广价值。
参考文献：
[1] 王振军. 交通运输系统工程[M]. 南京：东南大学出版社，2008：13-17.
[2] 张艳云，艾力·斯木吐拉. BP神经网在新疆货运量预测中的应用[J]. 运输与物流，2011（17）：144-147.
[3] 许银甲. 公路货运量预测的系统动力学模型构建[J]. 交通科技与经济，2007，9（6）：95-97.
[4] 赵闯，刘凯. 基于广义回归神经网络的货运量预测[J]. 铁道学报，2004，26（1）：12-15.
[5] 徐优丽. 基于神经网络的物流需求预测[J]. 浙江树人大学学报，2008（1）：56-58.
[6] 飞思科技产品研发中心. MATLAB6.5辅助神经网络分析与设计[M]. 北京：中国统计出版社，2003：64-69.
[7] 高宁，邵陆寿. 基于MATLAB的BP神经网络在农作物预报中的应用[J]. 计算机与农业，2003（7）：16-18.
