人工神经网络文献综述精选(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人工神经网络文献综述主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络文献综述范文

［关键词］BP神经网络农业工程农业管理农业决策

一、引言

采用神经网络算法的信息处理技术，以其较强的计算性和学习性，现如今已经在各工程领域内得到了广泛应用。随着科技不断的发展和研究的不断深入，农业系统中采用的传统分析和管理的方法已经不能满足农业工程领域快速发展的需要。在农业系统中采用神经网络技术可在一定程度上可弥补传统方法的不足，现已成为实现农业现代化的一个重要途径。神经网络现已在农业生产的各个环节得到广泛的应用，从作物营养控制、作物疾病诊断、产量预测到产品分级，显示了巨大的潜力，并正以很快的速度与生产实际相结合。目前应用比较多的BP神经网络，可通过学习以任意精度逼近任何连续映射，在农业生产与科研中展示出了广阔的应用前景。

BP人工神经网络方法。人工神经网络是对生物神经网络的简化和模拟的一种信息处理系统，具有很强的信息存贮能力和计算能力，属于一种非经典的数值算法。通常可分为前向神经网络、反馈神经网络和自组织映射神经网络。BP神经网络(Backpropugation Neura1 Network)是一种单向传播的多层前向神经网络，可通过连续不断的在相对于误差函数斜率下降的方向上计算网络权值以及偏差的变化而逐渐逼近目标值，每一次数字和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层，从而实现了神经网络的学习过程。BP人工神经网络的结构如图所示，BP神经网络可分为输入层、中间层(隐含层)和输出层，其中输入和输出都只有一层，中间层可有一层或多层。同层的网络结点之间没有连接。每个网络结点表示一个神经元，其传递函数通常采用Sigmoid型函数。BP神经网络相当于从输入到输出的高度非线性映射，对于样本输入和输出，可以认为存在某一映射函数g，使得y0=g(xi)，i＝1，2，3，…，m，其中m为样本数，xi为输入样本，yo为输出结果。

BP神经网络的一个显著优点就是其可进行自学习，能够通过训练得到预期的效果。其学习过程由正向传播和反向传播组成，神经网络的输入值经过非线性变换从输入层经隐含层神经元的逐层处理传向输出层，此为正向传播过程。每一层神经元的状态将影响到下一层神经元状态。如果输出层得到的数值与期望输出有一定的偏差，则转入反向传播过程。神经网络通过对输入值和希望的输出值(教师值)进行比较，根据两者之间的差的函数来调整神经网络的各层的连接权值和各个神经元的阈值，最终使误差函数达到最小。其调整的过程是由后向前进行的，称为误差反向传播BP算法。具体学习过程如下：

（1)随机给各个权值赋一个初始权值，要求各个权值互不相等，且均为较小的非零数。

（2)输入样本集中每一个样本值，确定相应的网络实际输出值。

（3)计算实际的输出值与相应的样本集中的相应输出值的差值。

（4)按极小误差方式调整权值矩阵。

（5)判断网络误差是否小于训练前人为设定的一个较小的值，若小于，则跳出运算，此时的结果为神经网络的最终训练结果；若大于，则继续计算。

（6）判断最大迭代次数是否大于预先设定的数，若小于，返回（2）;若大于，则中止运算，其结果为神经网络的最终训练结果。

上述的计算过程循环进行，直到完成给定的训练次数或达到设定的误差终止值。

二、BP神经网络在农业工程领域中的应用

1.在农业生产管理与农业决策中的应用

农业生产管理受地域、环境、季节等影响较大，用产生式规则完整描述实际系统，可能会因组合规则过多而无法实现。神经网络的一个显著的优点就是其具有较强的自学习、自适应、自组织能力，通过对有代表性的样本的学习可以掌握学习对象的内在规律，从而可以在一定程度上克服上述信息量大的问题。神经网络在农业生产管理方面可用于农作物生长过程中对农作物生长需求进行预测，从而通过对养分、水分、温度、以及PH值的优化控制达到最优的生长状况。采用神经网络预测算法的主要思想可描述为：（1）收集一定规模的样本集，采用BP算法进行训练，使网络收敛到预定的精度；（2）将网络权值矩阵保存到一存储介质中，例如文本文件或数据库中；（3）对于待预测数据的输入部分，从存储介质中读出网络连接权值矩阵，然后通过BP神经网络的前向传播算法计算网络输出，输出结果既是预测出来的数值向量。如霍再林等针对油葵不同阶段的相对土壤含盐浓度对其产量的影响有一定的规律的现象，以油葵的6个成长阶段的土壤溶液含盐的相对浓度为输入样本，相对产量为输出样本，通过比较发现，训练后的神经网络能较好预测油葵产量，采用此方法可补充传统模型的不足，为今后进一步的研究开辟了新路。

在农业决策方面，主要将农业专家面对各种问题时所采取的方法的经验，作为神经网络的学习样本，从而采用神经网络建立的专家系统将从一定程度上弥补了传统方法的不足，将农业决策智能化。如何勇、宋海燕针对传统专家系统自学习能力差的缺点，利用神经网络可自我训练的优点，将神经网络引入专家系统中。将小麦缺素时的田间宏观表现，叶部、茎部、果实症状及引起缺素的原因这五个方面的可信度值作为神经网络的输入量，将农业专家诊断的结论作为输出量，将这些数据作为神经网络的训练数据。实际应用表明此系统自动诊断的结果与专家现场诊断的结果基本一致，从而采用该系统能够取代专家，实现作物的自我诊断，为农业管理方面提供了极大的帮助。如马成林等针对于传统施肥决策方法中非线性关系描述不足的问题，基于数据包分析和BP神经网络，建立了施肥决策模型，应用表明，在有限的范围内，模型预测结果较为合理，可以反映玉米的需肥特性。刘铖等人提出采用神经网络应用在农业生产决策中，以莜麦播种方式决策为例，通过对产生式规则的分析导出神经网络输入、输出单元数，并通过多次试验确定隐层单元数，用MATLAB方针结果表明，采用神经网络作为农业生产决策的方法，取得了较好的效果。谭宗琨提出将基于互联网环境下的神经网络应用在玉米智能农业专家系统中，根据农作物发育进程分成若干个发育期，分别对各个发育期建立管理模型，依照作物各发育期进程时间间隔，由计算机系统自动选取相应的模型进行决策。应用分析的结果表明采用神经网络的玉米智能专家系统已初步接近农业生产的实际。

2.在农产品外观分析和品质评判

农产品的外观，如形状、大小、色泽等在生产过程中是不断变化的，并且受人为和自然等复杂因素的影响较大。农产品的外观直接影响到农产品的销售，研究出农作物外观受人为和自然的影响因素，通过神经网络进行生产预测，可解决农产品由于不良外观而造成的损失。如Murase 等针对西红柿表皮破裂的现象，西红柿表皮应力的增长与西红柿果肉靠近表皮部分水分的增加有关，当表皮应力超过最大表皮强度时，将导致表皮破裂。用人工神经网络系统，预测在环境温度下的表皮应力，可通过控制环境变量来减少西红柿表皮破裂所造成的损失。

在农业科研和生产中，农产品的品质评判大多是依赖于对农产品外观的辨识。例如对果形尺寸和颜色等外观判别果实的成熟度，作物与杂草的辨别，种子的外观质量检测。由于农业环境的复杂性和生物的多样性，农产品的外观不具有较确定的规律性和可描述性，单一采用图像处理技术辨识农产品的外观时不宜过多采取失真处理和变换，否则则增加图像处理的复杂性，特征判别也相对困难。人工神经网络由于其具有自学习、自组织的能力，比较适宜解决农业领域中许多难以用常规数学方法表达的复杂问题，与图像处理技术相结合后，可根据图像特征进行选择性判别。采用此方法可以部分替代人工识别的工作，提高了生产效率，也有利于实现农业现代化。如Liao等将玉米籽粒图像用34个特征参数作为神经网络的输入变量，将输出的种粒形态分为5类，经过学习的神经网络对完整籽粒分类的准确率达到93％，破籽粒分类的准确率达91％。

3.蔬菜、果实、谷物等农产品的分级和鉴定

在农业生产中，蔬菜、果实、谷物等农产品的分级和鉴定是通过对农产品外观的辨识进行的。传统的农产品外观的辨识方法费时费力、预测可靠度很低，而且多采用人工操作，评价受到操作者主观因素的影响，评判的精度难以保证。利用人工神经网络技术结合图像处理技术可部分代替以往这些主要依靠人工识别的工作，从而大大提高生产效率，实现农业生产与管理的自动化和智能化。

利用BP神经网络技术对农产品果形尺寸和颜色等外观评判，目前国内外已有不少成果用于实际生产中。何东健等以计算机视觉技术进行果实颜色自动分级为目的，研究了用人工神经网络进行颜色分级的方法。分别用120个着色不同的红星和红富士苹果作为训练样本集对网络进行离线训练。两个品种的苹果先由人工依据标准按着色度分成4级，对每一个品种分别求出7个模式特征值作为BP网络的输入，用训练好的神经网络进行分级。结果表明红富士和红星果实的平均分级一致率分别为94.2％和94.4％。刘禾等用对称特征、长宽特征、宽度特征、比值特征等一系列特征值来描述果形。采用BP网络与人工智能相结合，建立果形判别人工神经网络专家系统。试验水果品种为富士和国光。试验表明系统对富士学习率为80％，对非学习样本的富士苹果的果形判别推确率为75％，系统对国光学习率为89％，对非学习样本的国光苹果果形判别系统的难确率为82％。

三、未来的发展方向

人工神经网络的信息处理技术现已在农业工程领域内得到了迅速的应用，采用人工神经网络算法的农业系统能够从一定程度上改善控制效果，但此技术在农业范围内还不够成熟，有待于进一步的研究。今后科研的方向大体上可以从以下几方面着手：

1.人工神经网络算法的改进

人工神经网络算法由于本身具有一定的缺点，从而采用人工神经网络的算法的信息处理技术在应用过程中具有一定的局限性。在今后的研究中，可以从人工神经网络方向着手，改进人工神经网络算法，从而实现其在农业领域内更好的应用。近年来随着模糊算法、蚁群算法等算法的相继出现，将神经网络与其他算法结合在一起已经成为了研究的热门话题，也是未来算法研究的主要方向之一。

2.应用领域的扩展

人工神经网络算法在农业工程方面现已得到了迅速的发展，扩展其在农业工程领域的应用范围是未来的一个主要研究方向。人工神经网络由于其具有自学习能力，可对农业系统的非线形特性进行较好的描述，采用人工神经网络可解决传统方法的不足，从而实现农业现代化。如何将神经网络较好地引入到农业系统，解决农业工程中的部分问题，已是今后农业科研中的一个方向。

四、结束语

神经网络作为一种人工智能范畴的计算方法，具有良好的自学习与数学计算的能力，可通过计算机程序进行模拟运算，现已广泛用于模式识别、管理决策等方面。随着计算机硬件和软件的不断发展与农业工程方面的研究的不断深入，神经网络将在农业管理、农业决策、农作物外观分类、品质评判等方面充分发挥其自学习能力强，计算能力强的优势，通过对样本数据的学习，神经网络可较好地解决农作物生长过程中的作物分类、预测等非线形的问题。在农业工程领域内，神经网络拥有广阔的科研前景。

参考文献:

[1]余英林李海洲:神经网络与信号分析[M]. 广州: 华南理工大学出版社,1996:45

[2]霍再林史海滨孔东等: 基于人工神经网络的作物水―盐响应初步研究[J].内蒙古农业大学学报，2003，24（3）：66～70

[3]何勇宋海燕:基于神经网络的作物营养诊断专家系统[J]. 农业工程学报,2005,21（1）:110～113

[4]马成林吴才聪张书慧等:基与数据包络分析和人工神经网络的变量施肥决策方法研究[J].农业工程学报,2006，20（2）:152～155

[5]刘铖杨盘洪: 莜麦播种方式决策的BP神经网络模型[J]. 太原理工大学学报，2006,37(5):119～121

[6]谭宗琨: BP人工神经网络在玉米智能农业专家系统中的应用[J].农业网络信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

第2篇：人工神经网络文献综述范文

关键词：发电燃料；供应预测；BP神经网络；预测方法

中图分类号：TM 762 文献标示码：A

0 引言

发电燃料的供应受到能源政策、供需形势、资源分布、供应价格、交通运输、市场博弈等多种复杂因素的影响，长期以来缺乏合理有效的供应预测方法和技术手段，尤其是厂网分离后鲜见相关的研究工作。

文献1《辽宁火电厂燃料管理信息系统的开发与研制》开发和研制了覆盖辽宁全体直属电厂燃料公司并同东电局进行广域网数据交换，同时能进行审核管理和业务信息方便传输的燃料综合管理信息系统。

文献2《电力系统燃料MIS系统开发研究》探讨了燃料管理信息系统的组成、功能、结构及开发应用，为综述性理论研究。

以上文献均未对发电燃料供应提供较有效的预测方法。本文提出一种基于BP神经网络的发电燃料供应量预测方法，利用神经网络原理，通过数据收集、数据修正和神经网络结构选择建立起基于BP神经网络的发电燃料供应预测模型。通过MATLAB实际仿真，证明该预测方法预测较准确，并具有灵活的适应性。

基金项目：中国南方电网有限责任公司科技项目（K-ZD2013-005）

1 预测方法

按预测方法的性质不同，预测可分为定性预测和定量预测。常用的定性预测方法有主观概率法、调查预测法、德尔菲法、类比法、相关因素分析法等。定量方法又可以分为因果分析法和时间序列分析法等，因果分析法也叫结构关系分析法。它是通过分析变化的原因，找出原因与结果之间的联系方式，建立预测模型，并据此预测未来的发展变化趋势及可能水平。时间序列分析法也叫历史延伸法。它是以历史的时间序列数据为基础，运用一定的数学方法寻找数据变动规律向外延伸，预测未来的发展变化趋势。由于时间序列模型无法引入对负荷影响的其它变量，所以，单纯应用时间序列模型进行供应预测精度难以提高。

运用人工神经网络技术进行预测，其优点是可以模仿人脑的智能化处理过程，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能是常规算法和专家系统所不具备的，因此，预测是人工神经网络的最有潜力的应用领域之一，有非常广泛的前途。

2 BP神经网络模型

2.1 人工神经网络概述

人工神经网络是由神经元以一定的拓扑结构和连接关系组成的信息表现、储存和变换系统，是模仿人脑结构的一种信息系统，可较好地模拟人的形象思维能力。它是对自然界中生物体神经系统进行抽象和改造，并模拟生物体神经系统功能的产物。神经网络的重要特点是具有记忆和学习能力，经过一定训练之后，能够对给定的输入做出相应处理。

人工神经网络适用于处理实际中不确定性、精确性不高等引起的系统难以控制的问题，映射输入输出关系。人工神经网络优于传统方法在于：

1）实现了非线性关系的隐式表达，不需要建立复杂系统的显示关系式；

2）容错性强，可以处理信息不完全的预测问题，而信息不完全的情况在实际中经常遇到；

3）由于神经网络具有一致逼进效果，训练后的神经网络在样本上输出期望值，在非样本点上表现出网络的联想记忆功能；

4）由于大规模并行机制，故预测速度快；

5）动态自适应能力强，可适应外界新的学习样木，使网络知识不断更新。

图1是一个人工神经元的典型结构图。

图1 神经元典型结构图

它相当于一个多输入单输出的非线性阈值器件。，表示该神经元的输入向量；为权值向量；θ为神经元的阈值，如果神经元输入向量加权和大于0，则神经元被激活；f表示神经元的输入输出关系函数，即传输函数。因此，神经元的输出可以表示为：

其中传输函数是神经元以及网络的核心。网络解决问题的能力与功效除了与网络结构有关，在很大程度上取决于网络所采用的传输函数。

几种常见的传输函数如图2所示：

（1）为阈值型，将任意输入转化为0或1输出，其输入/输出关系为：

（2）为线性型，其输入/输出关系为：

（3）、（4）为S型，它将任意输入值压缩到（0，1）的范围内，此类传递函数常用对数（logsig）或双曲正切（tansig）等一类S形状的曲线来表示，如对数S型传递函数的关系为：

而双曲正切S型曲线的输入/输出函数关系是：

（1） （2）

（3） （4）

图2 常见的传递函数图形

2.2 BP神经网络概述

神经网络的魅力在于它超强的映射能力，单层感知器可实现性分类，多层前向网络则可以逼近任何非线性函数。可以将BP网络视为从输入到输出的高度非线性映射，而有关定理证明BP神经网络通过对简单的非线性函数进行数次复合，可以近似任何复杂的函数。

在人工神经网络的实际应用中，80%-90%的人工神经网络模型是采用BP网络和它的变化形式，它也是前向网络的核心，体现了人工神经网络最精华的部分。在人们掌握反向传播网络的设计之前，感知器和自适应线性元件都只能适用于对单层网络模型的训练，只是后来才得到进一步拓展。

BP神经网络主要应用有：

（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数。

（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来。

（3）分类：把输入矢量以所定义的合适方式进行分类。

（4）数据压缩：减少输出矢量维数以便于传输或存储。

2.3 误差反向传播算法原理

BP神经网络是一种多层前馈神经网络，名字源于网络权值的调整规则，采用的是误差反向传播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神经网络是单向传播的多层前向神经网络。除输入输出节点之外，有一层或多层的隐藏节点，同层节点之间无任何连接。典型的BP网络是三层前馈阶层网络，即：输入层、隐含层（中间层）和输出层，各层之间实行全连接。BP神经网络结构如图3所示：

图3 BP神经网络结构示意图

BP网络学习过程包括误差正向传播和反向传播两个过程。在正向传播过程中，输入样本从输入层传入，经各隐含逐层处理后，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。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差的某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各神经元之间权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络学习训练的过程。此过程一直进行到网络输出的误差减小到可接受的程度，或进行到预先设定的学习次数为止。

BP神经元与其他神经元类似，不同的是，由于BP神经元的传递函数必须是处处可微的，它不能采用二值型{0，1}或符号函数{-1，1}，所以其传递函数为非线性函数，最常用的函数S型函数，有时也采用线性函数。本文采用S型（Sigmoid）函数作为激发函数：

式中，为网络单元的状态：

则单元输出为：

其中，为单元的阀值。在这种激发函数下，有：

故对输出层单元：

对隐层单元：

权值调节为：

在实际学习过程中，学习速率对学习过程的影响很大。是按梯度搜索的步长。越大，权值的变化越剧烈。实际应用中，通常是以不导致振荡的前提下取尽量大的值。为了使学习速度足够快而不易产生振荡，往往在规则中再加一个“势态项”，即：

式中，是一个常数，它决定过去权重的变化对目前权值变化的影响程度。

图4为BP算法流程图。

图4 BP算法流程图

3 发电燃料供应预测BP神经网络模型建立

3.1 数据的收集与整理

发电燃料供应是一个庞大的系统，其中的数据资料纷繁复杂。在进行模型的搭建之前，需要进行历史资料的整理，提取出所需的数据。本模型中，选取与燃料供应有关的数据作为影响因素，如电厂发电量、能源政策、能源供需形势、交通运输状况、燃料价格和机组能耗等。

3.2 数据的修正

如果在数据采集与传输时受到一定干扰，就会出现资料出错或数据丢失的情况，此时都会产生影响预测效果的坏数据，这些坏数据将会掩盖实际模型的规律，直接影响模型的效果与精度。据此，需对样本数据进行预处理，以确保在建模和预测过程中所运用的历史数据具有真实性、正确性和同规律性。一般样本数据预处理方法主要有经验修正法、曲线置换法、插值法、20%修正法、数据横向纵向对比法、小波分析去噪法等。对于简单问题，采用数据的横向纵向对比即可实现坏数据的剔除。

3.3 BP神经网络的结构选择

理论证明，3层前向式神经网络能够以任意精度实现任意函数，所以，本模型中采用3层前向网络。同时，当有N个影响时， 3层BP神经网络的输入层节点数为N个，隐含层节点数一般为2N ～ 4N，最佳取值可根据实际问题试凑得，输出层为1个节点， 因此可以取其平均结构为N - 3N - 1型， 输入层激发函数为线性函数， 中间层和输出层的激发函数为S型函数。

3.4 BP神经网络模型建立

对于实际的燃料供应模型，数据的选择要有针对性，结构要合适，这在预测过程中是重中之重。为便于模型选择、结果对比，可同时采用几种不同的数学模型进行预测。在完成对恰当的预测模型的选择后，利用提取自历史资料的训练数据对建立好的预测数学模型进行参数训练。当模型的参数训练好以后，即可利用此模型进行预测。

具体操作步骤如下：

（1）对训练样本与预测样本进行归一化预处理，公式表示如式（1）。

（1）

其中表示经过归一化后的值，表示实际值，，分别是训练集中数据的最大值和最小值，k表示输入向量的维数，i表示有作用因素的个数。

（2）对预测的数据样本进行提取，并分别列出训练与测试的样本集合。

（3）对BP神经网络的输入层、隐含层、输出层的节点进行定义，对网络的权重、阈值进行初始赋值。

（4）利用训练样本对BP神经网络进行训练，建立符合实际问题的模型。

（5）利用事先预备的测试样本对训练好的网络进行测试，若效果不佳，则重新训练，若效果好则继续下一步。

（6）利用预测样本及训练好的模型进行预测。

具体流程图如图5所示：

图5 模型建立流程图

4 基于BP神经网络模型的发电燃料供应预测

（1）样本数据的选择

以各类影响耗煤的因素作为输入 。

（2）进行归一化处理

避免量纲对模型的影响。同时，降低数据的数量级，可以提高BP网络的训练的速度，避免饱和。

（3）确定BP神经网络的结构

3层BP神经网络的输入层节点为1个（可根据实际情况调整），对应于输入样本，隐含层节点为15，输出层节点为1，对应于输出样本。网络初始连接权及神经元初始阈值采用随机赋值方式。神经元的激发函数为S函数，最大迭代次数为400，学习步长为0.001，学习误差为0.00001。

（4）利用训练样本进行网络的训练

（5）利用测试样本进行模型的测试

人为选定5%相对误差为模型训练好坏的判别标准。若测试样本的测试结果的相对误差在5%以内，则进行下一步，否则重新训练。

（6）利用预测样本和已训练好的模型进行预测

南方电网全网发电燃料供应量预测结果值与实际值的对比如图6所示：

图6 南网全网发电燃料供应预测值与实际值对比图

5 结论

随着厂网分离的实施，电网公司和电力调度机构对发电燃料供应的掌握严重不足，已经不能满足电力供应工作的要求，尤其是在来水偏枯、电力供应紧张的时期，发电燃料供应的预测对缓解电力供需矛盾、有序做好发用电管理起着举足轻重的作用，因此，迫切需要开展发电燃料供应影响因素及预测方法的研究工作。

本文在收集、掌握发电燃料供应来源、价格、运输等情况的基础上，基于BP神经网络研究建立发电燃料供应量的预测模型和预测方法。通过MATLAB仿真预测，对预测结果值和实际值进行了对标分析，证明该预测方法预测较准确，并具有灵活的适应性。本文的研究有利于提升发电燃料的管理水平和掌控力度，为合理有序做好电力供应工作提供有力支持。

参考文献：

[1]孙长青.基于OSGI的发电集团燃料管控系统设计与实现[D].导师：陈有青.中山大学，2011.

[2]史新梅，裴珍.辽宁火电厂燃料管理信息系统的开发与研制[J].安徽工业大学学报，2001，（04）：359-362+366.

[3]付民庆.基于J2EE架构燃料管理信息系统的研究与实现[D].导师：申晓留.华北电力大学（北京），2008.

[4]魏学军.DF电厂燃料管理信息系统的研究与应用[D].导师：胡立德；戴鹤.重庆大学，2008.

[5]孙文君.发电企业燃料自动监管系统设计及应用[D].导师：张庆超；关万祥.天津大学，2010.

第3篇：人工神经网络文献综述范文

关键词:人工神经网络;专家系统;模糊聚类;模糊神经网络;粗糙集

中图分类号:TP183文献标识码:A文章编号:1009-3044(2009)13-3472-02

1 引言

所谓医疗诊断,就是收集症状,然后依据一定的规则找出发病的原因。目前,关于中医诊断系统的研究较少,主要由中医理论的独特性决定的。中医理论有模糊性、不确定、无量化等许多特点。中医运用望、闻、问、切四种诊断方法,收集病人的客观情况,根据他们的内在联系,以八纲为总纲,气血津液辨证和脏腑辨证为基础,进行综合、分析、归纳,寻找病证的根源和病变的本质,判断为某种性质的证候。在收集症状阶段,中医没有量化标准,从而不同的人得出的结论会不同,在辨证阶段,不同的人使用不同的辨证方法,如,五脏辨证,六津辨证,而得出的结论基本相同。我们在讨论于中医诊断系统的时候,不能忽视这些特点。

2 人工神经网络

诊断就是找出症状和病因之间的联系或映射,由于中医辨证施治理论的特殊性和复杂性,不同的人对同一症状的辨证会有所不同,但得出的病因结论则基本相同,所以,重点是如何找出症状和病因之间的联系。特别对于疑难杂症,并不是所有的医疗工作者都能正确诊断,而类似的病历却并不缺乏。从另一种角度看,医疗诊断可以看作是一类分类问题,也可看作是一类模式识别问题。基于这些特点,ANN是实现中医诊断系统的一个好选择。学习和训练是几乎所有ANN的基础。学习包括网络对权重进行系统的改变,改进网络的操作和响应,使之能达到可以接受的标准。网络通过学习过程来不断调整相互连接的层之间的权重,并且从寻找在输入和输出层之间的线性关系着手。权重值然后被分配给连接输入和输出层间的神经元。一旦这种关系确定,神经元就被分配给隐层,以便能找到非线性关系。训练的目的是寻找能产生最小偏差的权重。在训练过程中,平均平方根偏差值是网络根据预测的输出值〔Y (t) 〕与实际需要的输出值A (t) 之间的差值来估算的。即有偏差(E) 在时间t 内可表示为:

E(t)=0.15S[Y(t)-A(t)]2

学习算法不断改变与每个处理单元(PE) 有关的权重(W),以保证网络系统在目标输出和网络实际输出之间的误差达到最小。这种反向传播算法是训练多层感知网络(MLP) 最直观的方法。

1) ANN由许多具有非线性映射能力的神经元组成,神经元之间通过权系数相连接。这种大规模并行结构具有很高的计算速度,完全不同于传统机。2) 人工神经网络的信息分布存储于连续权系数中,使网络具有很高的容错性,减少了识别中往往存在噪声干扰或输入模式部分损失的影响。3) ANN可以看作是将知识库存储于各层结点连接权值之中的特殊ES,从而,这个ES根据知识库得出结论的过程相对于用户而言表现为一个黑盒,而这个黑盒中的内容正是我们不感兴趣的部分。4) ANN是自适应、自组织、自学习的因为中医辨证理论的复杂性,我们建立推理规则机制比较困难,ANN的这一特性正好弥补了这方面的缺陷。基于以上特点,ANN能够很好地实现中医诊断系统。

利用ANN设计中医诊断系统,存在着一些缺憾,即,ANN的求解过程对用户是透明的,ANN无法对自己给出的结论加以合理的解释,使得用户无法信服,而医疗诊断中,用户的信心是很重要的,如果把ANN看作是一个特殊的专家系统的话,ANN将知识表现为结点之间的连接权值,与专家系统不同,用户无法从ANN的使用中进行学习,也无法对ANN的知识库进行更新和维护,此外,如果把若干症状指标作为输入的话,一旦输入的选取不当,则对ANN的性能有很大影响,而输入的选取在中医科学里缺乏有效的理论指导。

3 专家系统

一个完整的ES由图1所示的6个部分组成。

知识库是领域知识的存储器。数据库用来存储领域内的初始数据和推理过程中得到的各种信息。推理机是用来控制、协调整个系统的。人机接口是专家系统与人的交互部分,负责整个系统的I/O工作。解释部分对推理给出必要的解释。知识获取部分为修改、扩充知识库中的知识提供手段。一般而言,它应该具备删除知识库中无用知识和添加新知识入库的能力。

人们对于专家系统应用于医疗诊断的研究由来以久,从20世纪70年代开始,人们着手进行“医疗诊断专家系统”的研究工作,美国Stanford大学最先于1974 年开发出了性能较高、功能较全的MYCIN系统,用于帮助内科医生诊治感染性疾病。在这之后将近三十年的时间内,国内外都投入了巨大的力量进行研究与开发,有了一定的进展,但真正能为医生所接受并投入实际临床使用的为数极少。能够诊断疾病的专家系统可以帮助医生解决复杂的医学问题,可以作为医生诊断的辅助工具,可以继承和发扬医学专家的宝贵理论以及丰富的临床经验,特别是对那些年轻无经验的医生,能够帮助他们提高诊断技能,为患者提供最佳的诊断方案。

当然,专家系统应用于医疗诊断也存在一些缺陷:1) 当知识库中的规则太多时,每一规则的前件又包含很多前提,需对规则的各前提一一匹配,以致在规则库中寻找可用规则的开销很大,从而造成推理的低效、容错性差、抗干扰性差等诸多缺陷;2) 自学习能力很弱,对知识库知识的修改、补充必须借助知识工程师的规则干预才能进行,没有机器的自学习机制。

由Sycara 提出的案例推理是目前自动推理研究的焦点之一,主要思路是从案例库中提取隐含的“指导思想”,用量化方式表示,形成知识库。

用神经网络实现专家系统,也已经成为人工智能界的一个研究热点,尽管这种系统的功能还很有限,如只适于解决规模较小的问题、性能受训练数据集的限制以及无法解释推理过程和依据等。选择它作为建立专家系统的工具是因为:1) 神经网络实现了并行处理的机制,可以提供高速处理的能力;2) 具有联想记忆与联想映射能力,可以增强专家系统的容错能力;3) 可存储大量的专家知识,且能根据学习算法,不断地自动学习,完善知识的存储;4) 是一类大规模的非线性系统,提供了系统自组织和协同的潜力。目前对神经网络已开展了大量的研究,自组织映射AOM 网、Hopfield 网的联想记忆能力、ART 网络的自动聚类、BP 网络的分类等在实际应用中已屡见不鲜。

中医辨证施治理论的特殊性,即理论还不完善、不统一、模糊性等特点使得建立起中医ES系统的推理机制非常困难,通常情况下,只能对于那些诊断机理已经非常确定的疾病建立起专家系统,另外,中医ES的知识库、数据库建立也比较复杂,这是由于中医诊断中用的初始数据具有离散性、无量化、无结构、模糊性,也正式由于中医的这些特点,专家系统并不是中医诊断系统实现的最佳途径,事实上,关于这方面的努力一直鲜有成效。

4 模糊聚类

聚类就是按照一定的规则来对事物进行区分和分类的过程,在之中没有任何关于分类的先验知识的指导,仅据事物属性的相似性作为类别划分的依据。聚类分析就是用数学的方法研究和处理给定对象的分类分析应用很广泛,归结出来可以大致分为4种:谱系聚类法、基于等价关系的聚类方法、图论聚类法和基于目标函数的聚类方法等。基于目标函数的聚类算法是把聚类归为一个带约束的非线性规划问题,通过优化求解而获得数据集的模糊划分和聚类, 其中模糊c 均值FCM类型算法理论发展最为成熟,应用最广泛。模糊c 均值算法最早是从硬聚类目标函数的优化中导出的。这种方法提供了一种如何将多维空间分布的数据点分组成特定数目的途径。

5 粗糙集

粗糙集(Rough Set)理论作为一种处理不精确、不确定与不完全数据的新的数学理论最初是由波兰数学家Z.Pawlak年提出的,粗糙理论是建立在分类机制的基础上的,它将分类理解为在特定空间上的等价关系。而等价关系就构成了对该空间的划分,粗糙集理论的主要思想是利用已知的知识库将不精确或不确定的知识用已知的知识库中的知识来近似刻画,它无需提供问题所需处理的数据集合之外的任何先验知识或附加信息,不需要预先给予主观评价,所以它对问题的不确定性描述或处理是比较客观的。

采用粗糙集理论对医疗信息系统进行信息融合的一般步骤如下:

1) 编码:将医疗信息系统中的信息依据某种准则进行数值化处理;

2) 列表:将编码后的信息组成决策表的形式;

3) 属性集约简:利用属性集约简的概念对决策表进行化简处理;

4) 属性值约简:利用属性值约简的概念对决策表进行化简处理;

5) 规则生成:根据化简后的决策表生成规则。

6 人工神经网络与专家系统的集成

虽然神经网络专家系统比传统专家系统有许多优越之处,但同时传统专家系统的某些优点如符号信息处理却变成了它的不足之处。从思维的观点看,专家系统的知识处理模拟的是人的逻辑思维,神经网络的知识处理模拟的是经验思维,它们处理问题的方法不一样,其特点不一样也是必然的。只有将二者结合起来研究,取长补短,才能形成一个新型的高智能的系统,它既有专家系统的知识与人机交互,又有人工神经网络的并行分布式处理、非线性、模糊推理和自动知识获取,这是智能发展的必由之路。ANN 和ES 的结合一般通过以下几种途径来完成:

1) 将ANN 作为ES 的一个子系统来处理。可以将ANN 理解为知识表达的一类模型,即用ANN 表达那些与形象思维有关的知识,用其它的知识表达方法表达与逻辑思维有关的知识。为了将ANN 与其它的知识表达方法统一为一个整体,可以把ANN 块作为知识表达之间的桥梁。其具体形式为:

O= f(W1f(W2f(W3I)))

其中O为一个NN 块,W1、W2、W3分别为输入层、隐层、输出层的连接矩阵,I为输入模式。ANN块被引入后,在ANN上的推理与使用基于规则的知识进行推理在形式上已没有什么区别。如将ANN块作为语义网络的一个节点,就不难将语义变为一条规则。对于解释来说,ANN 块仅作为语义网中的一个节点,对于语义网的推理解释,采用专家系统的方法,ANN块的解释可以基于实例来处理。这种结合方式大大提高了知识表达的能力,但总体上仍是一个专家系统,自然避免不了专家系统的弱点。

2) 把ANN 和ES 各自看作一个系统。即一个子系统采用ANN ,另一个子系统采用ES,两个系统保持分离,将已有专家系统的局部工作由神经网络来实现,彼此仅通过数据交换产生相互作用,这一子系统的输入便是另一子系统的输出,彼此都不知到对方的工作情况。例如,将对专家系统来说比较难的知识获取部分用ANN 来实现,其它部分如解释系统推理机制仍保留专家系统的结构。在ANN 与ES 的接口处,采用管道结构。在中医诊断系统中,可针对不同的病症特征,分别采用ANN或ES来实现,然而这样一来,ES和ANN的耦合就比较低了,彼此可以看成是毫无关系的2个系统。

3) ANN 与ES 全面融合形成综合智能系统。上述两种方式只是ANN 与ES 的简单相加,混合系统的能力虽然比单个系统有了很大改进,但它的能力也只是两个系统的简单和。要设计更高智能的系统,就要使系统能够利用“全信息”。“全信息”包括语法信息、语义信息和语用信息。不管是ANN 或ES 还是ANN 与ES的松散耦合,都不具有利用全信息的功能,而人类的智能是建筑在人对于全信息的理解、获取、传递、处理和再生利用的能力上,因此,要模拟人的高层次智能,就要发展能够处理和利用全信息的综智能系统。它要有一个巨大的全信息知识库以及有效地利用全信息的机制,其结构示意图如图2所示。输入处理单元执行“任务识别与分配”的功能(可以用神经网络分类器实现) ,它将输入的问题进行分类,如果属于经验思维处理的类型,就送到神经网络阵列,有某个适当的ANN 系统执行相应的处理,如果问题属于逻辑思维处理的类型,就送到全信息处理系统处理,可以在神经网络阵列和全信息处理系统之间作多重多次的交互处理。

7 总结

上面简单地介绍了几种智能计算方案,并分析了其在中医诊断系统的实现中的应用价值,除次之外,很多其他方案也是目前的热点,如模糊神经网络等。目前,国内有很多机构在进行中医诊断系统方面的研究,如脉象诊断,舌苔诊断,面色诊断等,均取得了很大的进展。

参考文献:

[1] 粟然.专家系统与人工神经网络的发展与结合[J].华北电力大学学报,1998,25(2):37-40.

[2] 王炳和.基于人工神经网络的人体脉象识别研究[J].西北工业大学学报,2002,20(3):455-456

[3] 孙佰清.人工神经网络在医疗智能系统中的应用[J].哈尔滨商业大学学报:自然科学版,2002,18(4):394-395.

[4] 郑鹏.模糊聚合算子在医疗诊断中的应用[J].计算机工程与应用,2001(24):170-171.

[5] 李翱翔.BP神经网络参数改进方法综述[J].电子科技,2007,29(2):79-80.

[6] 邵虹.医疗诊断专家系统研究进展[J].小型微型计算机系统,2003,24(3):509-511.

[7] 方宏斌,模糊聚类及其实际应用[J].广东通讯技术,2008,5(1):50-51.

第4篇：人工神经网络文献综述范文

【关键词】人工智能 图像识别 深度学习

1 概述

图像识别技术是人工智能研究的一个重要分支，其是以图像为基础，利用计算机对图像进行处理、分析和理解，以识别不同模式的对象的技术。目前图像识别技术的应用十分广泛，在安全领域，有人脸识别，指纹识别等；在军事领域，有地形勘察，飞行物识别等；在交通领域，有交通标志识别、车牌号识别等。图像识别技术的研究是更高级的图像理解、机器人、无人驾驶等技术的重要基础。

传统图像识别技术主要由图像处理、特征提取、分类器设计等步骤构成。通过专家设计、提取出图像特征，对图像M行识别、分类。近年来深度学习的发展，大大提高了图像识别的准确率。深度学习从大量数据中学习知识（特征），自动完成特征提取与分类任务。但是目前的深度学习技术过于依赖大数据，只有在拥有大量标记训练样本的情况下才能够取得较好的识别效果。本文认为研究如何在标记数据有限的情况下继续利用深度学习完成物体识别任务具有重要意义。这也是未来人工智能研究的重要方向之一。

2 传统图像识别技术

传统的图像识别技术包括：图像获取、预处理、特征提取、分类。在图像输入后，需要先对图像进行预处理。一幅标准灰度图像，如果每个像素的像素值用一个字节表示，灰度值级数就等于256级，每个像素可以是0～255之间的任何一个整数值。一幅没有经过压缩处理的640×480分辨率的灰度图像就需要占据300KB的存储空间。通常我们需要将图片的亮度及对比度调整合适，才能使图片更加清晰、便于观察。

许多采集到的图片带有或多或少的噪声，需要对图片的噪声进行消除。对图片噪声的消除可以使用不同的去噪方法，如中值滤波、算数平均滤波、平滑线性滤波和高斯滤波等。不同滤波器分别适用于不同情况的噪声。如椒盐噪声便适合使用中值滤波器，高斯噪声便适合使用平滑线性滤波和高斯滤波。有时候，我们需要对图像细化处理（如指纹细化，字符细化等），以便获取主要信息，减少无关信息。细化操作，可以得到由单像素点组成的图像轮廓，便于后续特征提取操作。

基本的图像特征提取包括边缘、角点等提取。一般使用不同的特征提取算子结合相应的阈值得到这些关键点。另一类在频域中进行特征提取的方法主要是通过傅里叶变换，将图像基于频率分为不同的部分，从而可以在频谱中反映出原始图像的灰度级变化，便可得到图像的轮廓、边缘。

在完成图像的预处理和特征提取之后，我们便能够对图像进行识别、分类。常用的分类器有K-近邻（KNN），支持向量机（SVM），人工神经网络（ANN）等等。K-近邻算法原理是，当一个样本的k个最相邻的样本中大部分属于某一类别时，该样本也应当属于同一类别。支持向量机是通过寻找支持向量，在特征空间确定最优分类超平面，将两类样本分开。人工神经网络模仿生物大脑中的神经网络结构，通过误差反向传播不断优化参数，从而得到较好的分类效果。

3 基于深度学习的图像识别技术

一般认为深度学习技术是由Hinton及其学生于2006年提出的，其属于人工神经网络分支。深度神经网络模仿人脑的神经机制来分析样本，并尽可能地对样本的特征进行更深度的学习。以图片为例，利用深度学习技术对样本的特征进行学习时，由低层特征到高层特征越来越抽象，越来越能表达语义概念。当样本输入后，首先对图像进行卷积与下采样操作，卷积和下采样操作是为了进行特征提取和选择。以原始像素作为输入，深度学习技术可以自动学习得到较好的特征提取器（卷积参数）。深度学习的训练过程，首先将当前层的输出作为下一层的输入，进行逐层分析，使得每一层的输入与输出差别尽可能小。其后，再联合优化，即同时优化所有层，目标是分类误差最小化。

传统的深度神经网络往往网络中的节点数太过庞大，难以训练。人们构造出卷积神经网络，以权值共享的方式减少了节点数量，从而能够加深学习的深度，使系统能学习到更抽象、更深层的特征，从而提高识别正确率。目前较成功的深度学习网络结构有AlexNet、GoogLeNet、ResNet等。

与传统识别技术相比，深度学习技术具有以下优势：

（1）无需人工设计特征，系统可以自行学习归纳出特征。

（2）识别准确度高，深度学习在图像识别方面的错误率已经低于人类平均水平，在可预见的将来，计算机将大量代替人力进行与图像识别技术有关的活动。

（3）使用简单，易于工业化，深度学习由于不需要领域的专家知识，能够快速实现并商业化，国内较知名的深度学习创业公司有专注人脸识别的Face++、研究无人车的驭势科技等。

4 存在问题与未来展望

虽然深度学习具备诸多优点，但目前来看深度学习仍有许多不足之处。首先，由于深度学习模型为非凸函数，对其的理论研究十分困难，缺乏理论保证。在对数据进行调整时，仍是简单的“试错”，缺少理论支撑。

同时，由于深度学习过于依赖数据量和计算资源。对一个新概念的学习，往往需要数百个甚至更多有标记的样本。当遇到有标记的样本难以获取或者代价太大时，深度学习就无法取得好的学习效果。并且深度学习需要十分昂贵的高性能GPU，这使得深度学习难以平民化。目前深度学习训练速度较慢，往往需要几天甚至一个月。其模型扩展性差，缺少“举一反三”的能力，样本稍加变化，系统性能便会迅速下降。目前的深度学习属于静态过程，与环境缺乏交互。

对其的解决方案目前主要有两点：

（1）针对于模型扩展性差的问题，通过引入迁移学习，研究不同任务或数据之间的知识迁移，提高模型的扩展能力、学习速度，同时降低学习成本，便于冷启动。

（2）与强化学习结合，研究在动态环境下进行深度学习，提高深度学习与环境交互的能力。

参考文献

[1]蒋树强，闵巍庆，王树徽.面向智能交互的图像识别技术综述与展望[J].计算机研究与发展，2016：113-122.

[2]张翠平，苏光大.人脸识别技术综述[J].中国图象图形学报，2000：885-894.

[3]梅园，赵波，朱之丹.基于直线曲线混合Gabor滤波器的指纹增强算法[J].计算机科学，2016.

[4]孙志军，薛磊，许阳明，王正.深度学习研究综述[J].计算机应用研究，2012：2806-2810.

[5]庄福振，罗平，何清，史忠植.迁移学习研究进展[J].软件学报，2015：26-39.

[6]高阳，陈世福，陆鑫.强化学习研究综述[J].自动化学报，2004：86-100.

第5篇：人工神经网络文献综述范文

关键词 粗糙集 模糊集 神经网络

中图分类号：O24 文献标识码：A

0 引言

随着大规模数据库的广泛使用和因特网的迅猛发展，庞大的信息量已渗透到社会生活和生产的各个领域。由于人的参与以及自然语言中存在的模糊性和歧义性使得数据与信息不够准确，甚至不完整。如何处理这些模糊的、不确定的、不完整的大量信息，从中获取潜在的、正确的、有利用价值的知识？

粗糙集（Rough Set）理论是一种刻画不完整性和不确定性的数学工具，能有效分析和处理不精确、不一致和不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。 它对人工智能和认知科学非常重要，且为数据挖掘、机器学习、决策分析和支持系统、模式识别、粒度计算、近似推理等领域的信息处理提供了很有效的理论框架。

1 粗糙集理论基础

1.1 与知识相关的定义

定义1 知识库：假设R是在论域U基础上的一个等价关系，那么，U/R则表示为该论域U上R的等价类构成的集合，所以，一个关系系统K = （U，R）就是一个知识库。并且，一个知识库对应着一个划分。通常情况下，我们用等价关系来代替分类，因此，知识库代表了对论域U的一种分类能力。

定义2 不可分辨关系：如果PH誖且P≠Q，那么∩P（P中全部等价关系的交集）也是一种等价关系，称其为P上的不可分辨关系，记为（P），此时U/（P），表示成ind（P）上的等价关系簇P的等价类构成的集合，即与P相关的知识。

1.2 上、下近似集、正域、负域、边界域

定义3 上近似集、下近似集：给定知识库K = （U，S），S表示论域U上的等价关系簇，则HOXH誙和论域U上的一个等价关系R∈IND（K），定义子集X关于知识R的上近似集和下近似集分别为：

上近似：（X） = {∈U：[]R∩X≠HT}

下近似：（X） = {∈U：[]RH誜}

定义4 正域、负域和边界域：（X） = （X）称为X的R正域。表示论域U中R的某个或某些划分完全属于X。（X） = U（X）称为X的R负域，表示根据知识R，肯定不属于集合X的U中元素组成的集合。上近似和下近似的差（X） = （X）（X）称为X的R边界域，表示根据知识R，不能肯定属于集合X也不能肯定属于集合一X的U中元素组成的集合。由此可知，集合的不确定性是由边界域引起的。

1.3 信息系统

定义5 信息系统：四元组IS = （U，C，V， ）是一个信息系统，其中U = {，，…}，为对象的非空有限集合，即论域； = {∣∈C}为属性的非空有限集合，每个∈C（1≤≤）称为C的一个简单属性；V = ∪表示信息函数 的值域，为属性的值域； = {∣：U}表示IS的信息函数，为属性的信息函数。

当HO∈C，HO∈U，（）没有缺省值时，我们称信息系统是完备的，否则是不完备的。如果在知识系统KRS中，令A = C∪D（C∩D = HT），其中C称为条件属性集，D称为决策属性集。若D = HT，则知识表达系统就是一个信息系统（信息表）；若D ≠ HT，则称知识表达系统是一个决策表。

2 粗糙集理论的背景及应用

粗糙集理论是波兰科学家Z· Pawlak于1982年提出的一种关于数据分析和推理的理论。1991年Z·Pawlak出版了第一本关于粗糙集的专著《Rough set：theoretical aspects of reasoning about data》，成为粗糙集理论研究的第一个里程碑。1993年在加拿大召开第二届国际粗糙集理论与知识发现研讨会，由于当时正值数据库知识发现（KDD）成为研究的热门话题，一些著名KDD学者参加了这次会议，介绍了许多应用扩展粗糙集理论的知识发现方法与系统。我国对粗糙集理论的研究起步较晚，始于20世纪90年代初期。王珏等人在将粗糙集理论引入作出了重要贡献。2001年5月在重庆举行了第一届中国粗糙集理论与软计算学术研讨会（CRSSC）。

粗糙集理论与模式识别、机器学习、数据库等理论相结合，开发了多个原型系统，其中有代表性的有Rosetta系统、KDD-R系统、LERS系统等。粗糙集应用在许多方面。

2.1 连续属性的离散化

一般来说，数据库中的属性可以分为两种类型：一种是连续（也称定量）属性，表示对象的某些可测性质，其取值自某个连续区间，如温度等；另一种是离散（定性）属性，这种属性值使用语言或少量离散值来表述，如性别等。在大多数情况下，同一个数据库中既包含连续属性，也包含离散属性。粗糙集理论为处理离散属性提供了很有效的工具，但遗憾的是不能直接处理连续属性。所以，连续属性的离散化是制约粗糙集理论实用化的难点之一。目前已有一些离散化方法：Slowinski在研究一个医疗诊断决策表的粗糙分类时，利用粗糙集理论将这类数据转换成定性词或词汇表示的属性值，如低、中、高等，在医疗诊断实践中，这种转换一般是根据专家的经验标准来完成的，像这样利用领域知识进行连续属性离散化的方法称之为S方法。

2.2 不完备信息处理

由于一些原因，如对数据测量的误差、数据处理和数据获取的限制等，造成数据丢失，而经典粗糙集理论只能处理完备的信息系统。为了利用粗糙集理论处理不完备数据，很多学者提出了各自不同的方法，基本上都是基于对等价关系的泛化来解决的。如相似关系、容差关系、限制容差关系等。粗糙集理论在不完备信息系统中的应用增大了其实用性。

2.3 粗糙集与模糊集

粗糙集和模糊集在处理不确定性和不精确性问题方面都推广了经典集合论，都能处理不完备数据，但方法不同，粗糙集强调数据的不可辨别、不精确和模棱两可，模糊集则注重描述信息的含糊程度。虽然有一定的相容性和相似性，但它们的侧重面不同：粗糙集理论的计算方法是知识的表达和简化，模糊集理论的计算方法主要是连续特征函数的产生；从集合的关系来看，粗糙集强调的是对象间的不可分辨性，而模糊集强调的是集合边界的病态定义上的，即边界的不分明性；从知识的“粒度”的描述上来看，粗糙集是通过一个集合关于某个可利用的知识库的上下近似来描述的，而模糊集通过对象关于集合的隶属程度来近似描述的；从研究的对象来看，粗糙集研究的是不同类中的对象组成的集合关系，重在分类，而模糊集研究的是属于同一类的不同对象间的隶属关系，重在隶属程度。因此粗糙集和模糊集是两种不同的理论，但它们又不是相互对立的，在处理不完备数据方面可以互为补充。目前已有的模糊粗糙集模型有Radzikowska模型、Morsi模型、Dubois模型、Greco模型、MI模型、Wu模型等。

2.4 粗糙集理论与神经网络

粗糙集和神经网络是数据挖掘中是常用的两种技术，但它们在处理信息时存在两方面的差别：一是人工神经网络处理信息时，一般不能将输入信息空间的维数减少，所以输入的信息空间维数较大，网络不仅结构复杂，而且训练时间很长，而粗糙集方法通过挖掘数据间的关系，不仅可以去掉冗余输入信息，还可以简化输入信息的表达空间；二是在实际问题的处理中，粗糙集方法对噪声较敏感，而人工神经网络方法有较好的抑制噪声干扰的能力。用无噪声的训练样本学习推理的结果去处理有噪声环境中的信息，一般应用效果不佳。所以，将两者结合起来，把粗糙集方法作为人工神经网络的前置系统，有以下优点：

（1）通过粗糙集方法去掉冗余信息，使训练集简化，以便减少人工神经网络的训练时间；

（2）通过粗糙集方法减少信息表达的属性数量，减少构建人工神经网络系统的复杂性，同时也减少后继流程中信息作为网络输入时的特征值计算时间；

（3）使用人工神经网络作为后置的信息识别系统，有较强的容错及抗干扰能力；

（4）因为粗糙集理论在简化知识的同时，很容易得出决策规则，所以也可以作为后续使用中的信息识别规则，将粗糙集方法得到的结果与人工神经网络方法得到的结果相比较，从而作进一步修正。

3 结束语

粗糙集理论是一种新颖、有效的软计算方法。虽然该理论产生至今只有二十几年的发展历史，但在诸多领域获得了广泛的应用，并且取得了一定的研究成果。而且粗糙集理论及其应用研究还处在继续发展中，相信会有越来越多的学者加入其中，共同促进该学科在更多的实际应用领域中发挥作用。

参考文献

[1] 王国胤，姚一豫，于洪.粗糙集理论与应用研究综述[J].计算机学报，2009，7（32）：1229-1246.

[2] 陈奇南，梁洪峻.模糊集和粗糙集[A].计算机工程，2002，8（28）：138-140.

[3] 黄正华，胡宝清.模糊粗糙集理论研究进展[A].模糊系统与数学，2005，4（19）：125-134.

[4] 胡可云，陆玉昌，石纯一.粗糙集理论及其应用进展[A].清华大学学报（自然科学版），2001，1（41）：64-68.

第6篇：人工神经网络文献综述范文

关键词：羊绒羊毛纤维；贝叶斯分类器；BP神经网络；SVM支持向量机

中图分类号：TS102.3 文献标志码：A

A Research of Classifiers for Testing Cashmere & Wool Fibers

Abstract： This paper mainly studies the classifiers for identifying the image features of wool and cashmere fibers. The image features， which are selected in the same way， are identified by using respectively Bayes classifier， BP neural network and SVM support vector machine. Then， by comparison we conclude that the SVM support vector machine is more suitable for testing of wool and cashmere fiber thanks to its higher recognition rate and speed.

Key words： cashmere and wool fibers； Bayes classifier； BP neural network； SVM support vector machine

羊绒纤维是制作高档面料的重要原料，但其产量极少，仅占动物纤维总产量的很少一部分。由于羊绒的珍稀、高价、优良品质及风格特征，生产商常采用山羊绒与其它纤维进行混纺加工；并且市场上也存在用混纺产品假冒纯羊绒制品进行销售的问题。故准确鉴别羊毛羊绒纤维十分必要。

图像分析技术是纺织纤维形态研究的重要技术之一，使用图像分析技术有助于提高羊绒羊毛检测领域对于天然纤维的识别和分类的效率。本研究通过比较当今鉴别羊绒羊毛纤维时使用的不同分类器，来找到较适合的分类器。

1分类器介绍

1.1贝叶斯分类器

贝叶斯分类器依据研究对象的先验概率，利用贝叶斯公式计算出研究对象的后验概率，即是该对象属于其中某一类的概率，选择属于最大的后验概率的类为其所属的类。因此，贝叶斯分类器是最大正确率意义上的优化。

若已知有M类物体，以及每一类在n维特征空间的统计规律，即是各类别ωi（i=1，2，3，…，M）的先验概率P（ωi）以及类条件概率密度P（X|ωi）。对于待测样本，贝叶斯公式公式（1）可以计算出该样本各类别的概率，即后验概率，根据后验概率的大小决定X属于哪一类。

在羊绒羊毛纤维检测中，统计数据服从正态分布，其相应的均值和方差可以由样本均值以及样本方差求出。

1.2BP神经网络

人工神经网络是通过对人脑思维方式的模仿，以一定的学习准则，通过人工神经元的网络系统进行一定的记忆与学习，并通过不断的学习，调整整个网络的权值和阈值，达到减少错误的发生率的过程。

BP神经网络，即人工神经网络使用误差逆传播算法（BP算法）的学习过程。该算法由信息的正向传播和误差的反向传播两个过程组成，其中正向传播使用最速下降法进行传播，误差反向传播则是利用输出层的误差来估计其直接前导层的误差，即形成了将输出端表现出的误差沿着与输入信号传送的逆方向逐级向网络的输入端传递的过程。利用各层的误差进行神经网络阈值和权值的选取，以达到神经网络误差平方和最小的目的。

1.3SVM支持向量机

支持向量机是以VC维原理和结构风险最小化理论为基础建立的机器学习方法，是一种监督式的学习、分类方法。其优势表现在解决小样本、非线性和高维模式识别问题上，并且解决了模式识别中经常出现的“维数灾难”和“过学习”等问题。SVM支持向量机的原理是通过不同的“核函数”将提取的纤维特征在低维进行计算然后将分类效果映射到高维，从而实现从低维向高维的转化。这避免了在高维上的复杂计算，实现了计算的精简，提高了分类学习的效率。

2羊绒羊毛纤维图像特征提取

本文所用的羊绒羊毛纤维图像为中国纤维检验局提供的辽宁盖县种羊场成年公羊羊绒纤维图像样本100张和国际羊毛局标准羊毛纤维图像100张。通过图像旋转，灰度化，中值滤波，边缘提取等预处理过程。使用中轴线法提取纤维鳞片直径和纤维鳞片高度作为特征参数。

3仿真结果分析

3.1贝叶斯分类器

本次研究选取羊毛纤维特征及羊绒纤维特征各95个作为训练学习对象，其余羊毛羊绒纤维特征作为检测对象，重复进行100次，贝叶斯算法仿真结果（图1）得到的平均识别结果为88.7%。

3.2BP神经网络

本次使用的BP神经网络是最常见的两节点的BP神经网络。选取羊毛纤维特征及羊绒纤维特征各95个作为训练学习对象，其余羊毛羊绒纤维特征作为检测对象，仿真结果如图2所示，得到平均识别率为84.8%，并且仿真时训练时间过长，为138.242s。

3.3SVM支持向量机

本次以纤维鳞片直径和纤维鳞片高度作为特征变量，利用交叉验证，SVM支持向量机仿真结果如图3所示。从图3（a）可看出，通过使用SVM支持向量机，得到的识别率为92.7%；通过图3（b）可以看到，分类效果相较于BP神经网络效果更好。

4结论

通过对不同仿真结果的分析可以得出：首先，BP神经网络针对小样本的识别过程耗时过多，可能会出现过度训练的情况，相比较而言，贝叶斯方法和SVM支持向量机识别过程耗时较少，更有效率；其次，针对识别率，BP神经网络为84.8%，贝叶斯方法为88.7%，SVM支持向量机为92.7%，识别率更高。因此，SVM支持向量机较贝叶斯方法以及BP神经网络更适宜作为羊绒羊毛纤维图像特征识别的分类器。

参考文献

[1] 卫敏.羊绒的鉴别检测方法分析[J].福建轻纺，2011（2）：33-37.

[2] 杨潇，季益平，张毅.图像识别在羊绒羊毛检测中的应用研究[J].广西纺织科技，2010，39（3）：13-16.

[3] 石先军，于伟东，袁子厚.基于贝叶斯方法的山羊绒与细羊毛的鉴别[J].纺织学报，2008，29（1）：27-33.

[4] 刘彩红.BP神经网络学习算法的研究[D].重庆：重庆师范大学，2008.

[5] 丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011（1）：2-10.

[6] 王柏华，胡志宇，葛顺顺，等.基于光镜条件下绵羊毛与山羊绒的鉴别[J].毛纺科技，2011，39（4）：42-45.

[7] Rafael C. Gonzalez， Richard E. Woods， Steven L. Eddins.Digital Image Processing Using MATLAB[M].阮秋琦，译.北京：电子工业出版社，2005.

作者简介：侍瑞峰，男，1989年生，硕士在读，研究方向为图像处理与模式识别。

通讯作者：刘亚侠，副教授，E-mail：。

第7篇：人工神经网络文献综述范文

关键词：光伏发电；发电量预测；BP神经网络；果蝇算法

中图分类号：TM615；TP39 文献标识码：A 文章编号：2095-1302（2017）04-00-02

0 引 言

随着全球经济的不断发展，人类对能源需求不断增长，不可再生能源不断减少，使得发展并利用新能源迫在眉睫。研究和实践表明，太阳能是资源最丰富的可再生能源，是人类社会未来能源的基石。由于光伏发电具有较强的随机性和波动性，光伏电站并网势必会造成电网的不稳定，因此准确预测光伏发电量具有重要意义。

目前，国内外对光伏发电量预测已有相关研究，一些相关人工智能算法也被应用到预测模型中，如马尔科夫链，神经网络，灰色理论，粒子群，遗传算法等。考虑到神经网络具有很强的非线性拟合、学习规则简单，但收敛速度慢且易陷入局部最优等缺点，同时考虑到果蝇算法与其他算法相比具有全局寻优能力强、计算复杂度小、精度高、收敛速度快等优点，故本文提出一种果蝇算法结合神经网络的混合算法。此混合算法能很好的结合两者的优点。

1 光伏发电量预测模型

1.1 BP神经网络模型

神经网络（Neural Network）是模拟人大脑学习知识的过程而提出的一种人工智能算法。神经网络分为单层前馈网络（LMS学习算法）、多层前馈网络（BP神经网络）、后馈网络等。其中BP神经网络是目前研究最为成熟、广泛的预测网络模型之一。预测模型分为输入层、隐含层以及输出层，如图1所示。

（1）输入层

针对本文的预测模型，输入变量为光伏发电系统各个时段的平均温度、平均光照。

（2）隐含层

本文模型采用双隐含层。多层前向网络是单层感知器的推广，解决了非线性可分问题。隐含层由神经元组成，神经元决定了各输入变量权值以及各输出变量权值。

（3）输出层

本文预测模型的输出变量为当日各时段的光伏发电量。文中将光伏发电预测模型分为24小时/天，每一个小时为一个计算单位。输入层中的每个结点作为激励信号，组成下一层的输入信号，而该层输出信号又作为下层的输入信号，以此类推。神经网络具有很好的非线性拟合性，学习规则简单。

1.2 果蝇算法

果蝇优化算法（Fruit Fly Optimization Algorithm， FOA）是一种基于果蝇觅食行为的人工智能仿生算法，是由台湾潘文超教授于2011年6月提出的。果蝇可以使用嗅觉和视觉来寻找食物及同伴，具有很好的群体智能性。

果蝇寻找食物时飞行线路具有一定的随机性，为了寻找食物，果蝇会根据空间中的食物气味浓度进行判定，向浓度高的方向飞行。其算法流程如下所示：

（1）在搜索空间中随机产生果蝇种群。随机产生个体果蝇的位置及各自飞行方向向量。

（2）各果蝇分别沿预定方向移动一定的步长，计算各果蝇所在位置的浓度。

（3）找出种群中浓度最高的果蝇的位置，保存为Piter，然后所有果蝇飞向浓度最高的位置。

（4）计算移动后各果蝇所处位置的浓度，若Piter，i比Piter浓度更高，则更新Piter，再转到步骤（2），直到找到食物位置。

Piter表示第iter代的浓度最高的位置；Piter，i表示第i个果蝇第iter代的位置。

1.3 FOA-BP算法

榻饩錾窬网络收敛速度慢以及容易陷入局部最优的缺点，本文提出一种果蝇算法结合神经网络的混合算法，该混合算法具有较强的全局搜索能力、不易陷入局部最优、收敛快等优点。本文主要利用果蝇算法来优化神经网络权值以达到优化的目的。混合算法流程如下所示：

（1） 初始化。初始化种群规模S，最大迭代次数iter，随机生成各果蝇的位置、移动方向、移动步长及神经元权值等。

（2） 读取数据。读取光伏发电系统训练样本数据，包括各时段的平均温度、平均光照强度以及光伏发电量，对样本数据进行归一化处理。

（3）通过神经网络样本进行训练，得到相应的权值，并利用果蝇算法对权值进行修正与优化。果蝇个体向预定方向移动一定的步长，计算浓度，此时浓度即预测值，若预测值Pbest更优，则保留，继续迭代，直到达到预测精度为止。

（4）输出种群中果蝇所处浓度最高的位置，即神经网络的最优权值。输出预测结果。FOA-BP算法流程如图2所示。

2 实验结果与分析

本模型采用武汉某发电企业发电机组1的发电数据进行试验。时间段选取6：00-19：00。训练样本选取6月份的数据120组，其中输入量是各时段的平均光照强度、平均温度，输出量是各时段的发电量。预测样本是6月6日6：00-19：00各时段的数据。神经网络激励函数采用单极性sigmod激励函数g（x）=1/（1+e-x），神经网络结构为双隐含层，隐含层神经元个数为25，预测样本各时段的平均温度以及平均光照，分别如图3，图4所示。

预测发电量与实际发电量的对比如图5所示。预测误差如图6所示。

由图6的预测曲线图可知，大部分时段的预测误差都在15%内，在第6、第10时段误差较大，总体来看发电量预测曲线能很好的与实际发电量曲线拟合。

3 结 语

本文提出的FOA-BP算法能应用到光伏发电量预测模型，使得输出结果具有较强的准确性、收敛速度快以及寻优能力强等特点。本模型算法可以有效为光伏发电厂的选址以及电厂维护提供理论依据，从而为发电企业带来更多的利益。准确的光伏发电量预测能够为公共电网的维护和电力的再分配提供有力的理论支持。

参考文献

[1]李春鹏，张廷元，周封.太阳能光伏发电综述[J].电工材料，2006（3）：45-48.

[2]孟杰，李庚银.含风光电站的电力系统动态经济调度[J].电网与清洁能源，2013，29（11）：70-75.

[3]潘文超.果蝇最佳化演算法[M].台北：沧海书局，2011.

[4]景亚平，张鑫，罗艳.基于灰色神经网络与马尔科夫链的城市需组合预测水量[J].西北农林科技大学学报（自然科学版），2011，39（7）：229-234.

[5]陈勇，刘洲，李伏麟，等.人工神经网络在货运预测系统中的应用[J].物联网技术，2016，6（1）：42-43.

[6]刘瑞叶，黄磊.基于动态神经网络的风电场输出功率预测[J].电力系统自动化，2012，36（11）：19-22.

第8篇：人工神经网络文献综述范文

本文在分析研究国内外关于财务危机动态预警相关研究的基础之上，对财务危机的动态预警模型的研究现状进行综述，探讨财务危机动态预警研究的发展趋势。

【关键词】财务危机 动态预警 研究综述

在全球经济衰退、金融危机的大背景下，探索识别财务危机，为企业利益相关者提供预警信号是非常值得研究的现实问题。因此，建立基于时间序列特征的动态预警系统成为了必然的趋势。国内外很多学者都对财务危机预警模型进行了研究，并建立了相应的预警模型。但是现阶段关于财务危机预警的动态研究还是较少，目前我们的财务危机预警系统大多是静态预警，大部分学者采用的都是多截面样本数据，对不同时期的多个样本数据进行研究，但是这样研究存在一个显著的逻辑性缺陷，即没有考虑到财务状况的时间延续性。这些实证研究的结果普遍存在着预测准确率不理想的情况，特别是多期财务危机预测准确率较低的情况。如果企业的整体财务状况很好，只是单期的表现不好，随后企业的财务状况会很快恢复正常，这种暂时的偏离正常值不应该被归为财务危机公司，但静态模型不考虑历史的影响，会将这种公司归为危机公司，预测准确率不理想。

一、财务危机动态预警模型简介

动态财务预警主要使用的技术有人工智能技术（如神经网络模型和机器学习等分析技术）具备良好的模式辨别能力，克服了传统统计方法的局限性，有更高的预测能力。

二、国外关于财务危机动态预警模型的研究

目前，国外学者广泛应用的动态预警模型主要有神经网络模型、遗传算法模型、案例推理模型等等。

（一）人工神经网络模型

人工神经网络模型主要是运用神经网络的分类方法来进行财务预警。许多功能是对人脑神经网络系统的模拟，有很好的模式识别能力，根据随时更新的数据进行自我学习，因此有很高的纠错能力，能够更好的预测财务危机。Odom和Sharda（1990）是最早在财务危机预警模型中运用人工神经网络模型的，随后许多学者做了相似研究，并对模型及算法进行了响应的改进。

（二）遗传算法（genetic algorithm，GA）

遗传算法是模仿生物遗传进化规律，运用在大量复杂概念空间内随机搜索的技术，用于企业财务危机的预测。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都进行了这方面的研究，Franco（2010）的研究表明了采用GA来进行预测比较省时并且受到主观影响也较小，但是预测精度没有MDA高。

（三）案例推理（case-based reasoning，CBR）

案例推理一般运用K临近算法对存储案例进行分类，据此来对新增的案例进行推断，主要适用于在复杂多变的环境中进行决策。Hongkyu（1997）对案例推理（CBR）、人工神经网络模型（ANN）以及多元判别分析方法（MDA）进行了比较分析，结果显示CBR与MDA判别结果无本质上的区别，更适合在数据不充分的时候使用；Cheol-Soo（2002）用层次分析法（AHP）对K临近算法进行了改进，预测精度明显得到了提高。

（四）支持向量机（support vector machine，SVM）

SVM方法是在统计学理论基础之上的一种机器学习方法，这种算法通过非线性变换把实际问题换到高维特征空间，并且进行处理，对维数的要求没有那么严格，具有很好的推广能力。在这方面，Fan、Palaniswami均有相关的研究，Kyung-Shik Shin（2005）采用这种算法构建了财务危机预警模型，并对韩国的企业进行实证研究，结果表明SVM的预测性能高于BP神经网络模型。

（五）粗集理论（rough set theory，RST）

RST是一种用多个财务比率来描述财务危机与财务正常公司的工具，可以有效地解释财务指标与财务危机的关系。Pawlak、Dimitras和Joseph都将RST应用与财务危机预警系统的研究中。

三、国内关于财务危机动态预警模型的研究

国外对财务危机动态预警模型的研究已经取得比较丰硕的成果，国内的学者关于动态预警系统的研究少之甚少。

（一）大部分学者是从动态管理角度得出破产公司和非破产公司的现金管理特征变量，并据此构建预警模型

国内由于对现金流重要性的认识不够，加上我国从1998年开始才要求上市公司编制现金流量表，因此进行实证研究所需的现金流量方面的数据严重缺乏。这些原因，最终导致国内的研究仅仅停留在对现金流量指标体系构建的理论探讨层面。

姚靠华、蒋艳辉（2005）就动态财务预警系统建立的技术基础和系统框架进行了阐述，提出应该充分利用数据仓库技术、数据挖掘技术和Agent技术来建立企业的动态财务预警系统。

张鸣、程涛（2005）运用Logistic回归方法，先从财务指标角度构建财务指标预警模型，然后引入现金管理特征变量和现金管理结果变量，从财务指标和现金流量角度共同构建综合预警模型。

（二）对财务危机动态预警模型的研究主要有以下几种

杨淑娥、王乐平（2007）以T-2、T-3期财务数据组合的面板数据作为研究样本，构建BP神经网络模型对上市公司的财务状况进行预测。

蒋丽（2007）用因子分析法分别建立ST前三年的三个评分模型F1、F2、和F3，依次对样本进行预测，从动态的角度找出不同时期的特征变量，预测财务危机的紧急程度。

陈磊、任若恩（2008）以因财务原因被实施特别处理和暂停上市作为上市公司财务阶段的分类标志，将上市公司的财务状况分成3个阶段，借鉴Theodossiou的方法，使用时间序列判别分析技术、指数加权移动平均控制图模型对中国上市公司的财务危机预测进行研究。

孙晓琳、田也壮、王文彬（2010）基于Kalman滤波理论，考虑财务比率在时间序列上的趋势性和历史数据对结果的影响，构建了财务危机的动态预警模型。

时建中，程龙生在2012年针对模型的增量学习能力不足的问题，建立了能够增量学习的财务危机动态预警模型，且经过实证分析证明该模型有很好的适应性与稳定性。

四、对国内外关于财务危机动态预警模型研究的评价

一是财务危机动态预警模型有很好的适用性，并且跟静态模型相比，其预测精度有很大的提高，能够更及时的给企业预警，避免财务危机的发生。

二是现有关于财务危机动态预警的研究还是较少，主要还是采用静态预警模型进行回归分析来对企业的财务危机状况进行预测。

三是对财务危机的动态预警大都是针对总体的企业，很少针对某一行业的特点对特定行业进行动态预警，每个行业的特点不同，与财务危机发生影响密切的相关指标也不尽相同，并且由于动态预警能够比静态模型给出早期的预警信号，分行业研究就更加有必要。

五、对将来财务危机动态预警模型研究的展望

通过上文的综述，今后我们可以在财务危机动态预警系统的以下几个方面做进一步的研究：

首先，在样本指标的选择方面，可以根据不同行业在财务指标方面的差异，加入行业调整变量以更加贴合不同企业的实际情况，提高预测准确率。

其次，在模型的构建方面，目前大部分学者的研究均为单纯的运用一个模型进行实证分析，可以综合模型的不同特点，组成模型组优化现有模型，提高模型的预测精度。

最后，在信息利用方面，可以充分利用现在先进的信息技术，运用各种技术来更新完善财务危机的动态系统，实时、准确的预测财务危机，避免企业陷入财务困境。

参考文献

[1]Ross Neophytou，Andreas Charitou，Predicting Corporate Failure.Empirical Evidence for the UK[M]. Corporate Finance，2000（9）：457-471.

[2]Claessens，Stijin，Simeon Djankov，and Larry Lang，The Separation of Ownership and Control in East Asian Corporations[J].Journal of Financial Economics， 2000，（58）：81-112.

[3]Stephen A.Ross.Randolph.Wethersfield.Jeffrey F.Jaff.吴世农，沈艺峰等译.公司理[M].北京机械出版社，2000：157-163.

[4]Howard and Swaryl.An Analysis of Risk and Return Characteristic Of Corporate Bankruptcy Using Capital Market Data.The Journal of Finance，SeP.1980.1001-1016.

[5]孙晓琳. 财务危机动态预警模型研究[M]，上海交通大学出版社，2011：3-56.

[6]顾晓安.公司财务预警系统的构建[J].财经论坛，2000（4）：65-71.

第9篇：人工神经网络文献综述范文

关键词：数控智能；机械制造；领域；应用；研究

1.数控智能在机械制造领域中的应用

智能控制机械制造主要包括以下四个部分：机械设计；机械制造；机械电子；机械系统故障诊断。

1.1 机械设计

机械设计在现实生产中是指技术人员对想要设计物体的一个模型进行综合和分析的过程，这个过程包括大量高精度的计算、分析、绘图等精确数值计算工作，同时还需要结合多方面的知识，在通过设计人员自身丰富的实践经验，进行多元综合，最终做出最佳的设计。但是在实际的设计中，很难用精确数值计算的方法来建立准确数据模型，而现在流行的CAD制图技术对这一部分工作也是无能为力的。这就要求 CAD/CAM的操作系统具有智能性，利用计算机系统把一些数值数据处理扩展到非数值数据处理，包括把数据数值知识与实际操作中的经验进行集成、推理和决策，使机械设计过程自动化智能化，弥补设计专家在现实中对机械设计过程中由于人为因素造成的不足。

1.2 机械制造

在机械生产制造中，人们首先要做的是确定机械生产计划，制定机械生产计划就是指从多种因素（设计、制造、生产等）的组合中选出最能满足所有约束条件（生产成本、设计图形、生产工序等）的最佳方案。这些过程是很难用数学模型来准确地表示出来的。数字化智能化技术一方面使数字化制造装备等得到快速发展，大幅度提升生产系统的功能、性能和自动化程度。另一方面这些技术集成可形成柔性制造单元、数字化车间乃至数字化工厂，使生产系统的柔性自动化不断提高，并想着具有感知、决策、执行能功能特征的智能化系统发展。目前以智能机器人为典型代表的智能制造装备已经开始在某些领域得到应用。

1.3 机械电子

机械电子系统结构比较简单，元件和运动部件较少，高性能，但是其系统的内部结构非常复杂。传统的数学解析的方法固然严密、精确，但是只能适用于相对比较简单的电子系统，对于那些比较复杂的系统是不能给出数学解析式的，这样就只能通过烦琐的操作系统来完成。由于智能化的处理是以知识信息为基础进行的推理和计算，这种推理具有复杂性、不确定性和模糊性，而且这种智能化的处理一般不存在已知的算法（传统数学公式化的方法），所以，对不能用传统的数学解析方法解决的问题，人工智能提供了新的解决思路和方法。一般通过人工智能建立的系统有两种方法：神经网络系统和模糊推理系统。目前只有智能系统可以适用于相对比较复杂的电子系统。

1.4 机械系统故障诊断

所谓的机械系统故障的诊断，就是指根据电子系统出现的一些不正常的现象，按照一定的法则，推论出产生问题的原因，找出设备出现故障的所在的部位。故障诊断包括三个方面的内容：故障监测，故障分析和处理决策。但是由现象推出故障原因是一个复杂的推理过程，需要根据维护保修人员多年积累的实际经验，才能得出正确的结论，假如把人工智能的方法应用于机械故障诊断，发展智能化的机械故障诊断技术，是机械故障诊断的一个新途径。机械故障中的人工智能诊断方法主要包括专家系统、人工神经网络，模糊集理论等。

2.数控智能机械制造领域中的应用方法

2.1 专家系统

专家系统是计算机的一种智能程序，这种程序运用知识和推理步骤来解决出现只有专家才能解决的一些比较复杂的问题。智能控制专家系统的框架主要由五个部分组成：知识库，综合数据库，推理机，用户接口和系统输出。

2.2 人工神经网络

人工神经网络是指只智能控制系统摸拟的生物的激励系统，将一系列输入通过神经网络产生输出。这里的输出、输入都是标准化的量，输出是输入的非线性函数，其值可由连接各神经元的权重改变，以获得期望的输出值。

2.3 模糊集理论

人在认知世界的时候，出现一些不确定的事物的时候，就会对所获得的信息进行一定的模糊化处理，以此来减少问题的复杂程度。模糊集理论是指将经典的集合理论模糊化，并引入语言变量和近似推理的模糊逻辑，是一种具有完整的推理体系的智能技术。一般的模糊系统的结构与专家系统的结构比较类似，由模糊知识库、模糊推理机和人机界面等几个部分组成，可以这么说模糊系统是模糊理论与专家系统结构的结合体。

3.智能控制在机械制造系统中的发展趋势

智能控制的实施主要有四个部分，虽然这四个部分在机械领域都有不同程度的应用，但各自使用的时候都存在一定的局限。所以目前，要找到一种普遍的有效的方法把这四个部分有效的结合到一起应用于机械制造系统的各个领域，因此，从这可以看出数控智能组合将成为机械制造系统新的发展趋势。

4.结语

综合起来，数字化智能化技术可以对产业的模式进行创新升级。以数字化技术为基础，在互联网、物联网、云计算、大数据等技术的强力支持下，制造业的产业模式将发生根本性的变化。因此，无论从哪个角度考虑，“制造业数字化智能化”都是新一轮工业革命的核心技术。

参考文献：

[1]陈海勇，朱诗兵，李冲.军事物联网的需求分析[J].物联网技术，2011（5）：53-57

[2]王晓静，张晋.物联网研究综述[J].辽宁大学学报：自然科学版，2010，37（1）：37-39.

[3]刘若冰.物联网的研究进展与未来展望[J].物联网技术，2011（5）：58-62.