神经网络的基本特征精选(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基本特征主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的基本特征范文

【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2篇：神经网络的基本特征范文

（①东软集团股份有限公司，沈阳 110179；②沈阳工程学院，沈阳 110136）

（①Neusoft Group Co.，Ltd.，Shenyang 110179，China；②Shenyang Institute of Engineering，Shenyang 110136，China）

摘要： 本文在阐明企业绿色竞争力内涵及特征的基础上，构建企业绿色竞争力评价指标体系，给出了基于BP神经网络的企业绿色竞争力评价模型，以期为企业构建绿色竞争力，实现可持续发展提供支持和参考。

Abstract: The enterprise green competitiveness evaluation index system is constructed based on clarifying the meaning and characteristic of green competitiveness. And then, the evaluation model of green competitiveness based on BP neural network is provided, so as to provide support for enterprise to construct green competitiveness and attain sustainable development.

关键词 ： BP神经网络；绿色竞争力；评价

Key words: BP neural network；green competitiveness；evaluation

中图分类号：F272.5 文献标识码：A 文章编号：1006-4311（2014）34-0005-02

作者简介：韩意（1986-），女，辽宁沈阳人，东软集团股份有限公司会计师，硕士，研究方向为工程管理；姚大鹏（1963-），男，辽宁沈阳人，沈阳工程学院信息学院，副教授，硕士，研究方向为计算机工程。

0 引言

近年来，越来越多的人开始关注环境保护与环境影响评价、绿色认证和绿色消费、清洁生产与绿色制造等，因为它们直接而广泛地影响着人们的消费行为和企业的经营行为。因而在企业战略管理领域的研究中，国内外学者对绿色竞争力做了许多有益的研究探索工作，如Porter和Vander Linde（1995）提出 “双赢”的观点，认为恰当设计的环境规制可以激发被规制企业创新，产生效率收益[1]；Bonnifant等（1995）认为通过创新，可减少环境方面的成本从而获得竞争优势[2]；吴晓玲（2004）把绿色竞争力的内涵概括为发展度、协调度和持续度三个方面等[3]；但至今有关企业绿色竞争力评价方面的研究成果却相对少见，为此，本文试图做一粗浅研究，聚焦企业绿色竞争力评价问题，以期为企业构建绿色竞争力，实现可持续发展提供支持和参考。

1 企业绿色竞争力的内涵及特征

企业绿色竞争力可理解为企业在科学发展观的指导下，采取可持续发展战略，通过绿色创新提高企业资源利用效率、生产效率和管理水平，向市场提供比竞争对手更具吸引力的绿色产品和服务，从而在环境保护、资源节约和经济绩效方面获得竞争优势的一种综合能力。企业绿色竞争力应表现出的基本特征是[4]：

①资源属性方面的特征。企业的资源与企业竞争力密切相关，其素质与规模是企业竞争力的基本保证。

②技术属性方面的特征。现代企业的竞争是技术的竞争，只有当企业具备一定的经营优势和核心技术时，企业的竞争力才有坚实的基础并体现出竞争优势。

③管理属性方面的特征。管理能力是企业竞争力的核心内容，包括环境适应能力、创新能力、企业文化建设等。

④经济属性方面的特征。主要体现在产品全生命周期成本低，企业的环境处理成本低，产品具有绿色性和环保竞争优势，产品市场占有率高。

⑤环境属性方面的特征。企业的环境行为是一种提高企业竞争力的战略性资产，是提高企业竞争力的基本因素。

⑥责任属性方面的特征。企业从事生产经营活动时，必须考虑社会的整体利益和长远发展，自觉承担其相应的社会责任，促进企业、环境和社会和谐发展。

2 企业绿色竞争力的评价指标体系建立

企业绿色竞争力评价机制是通过一系列评价指标来完成的，评价指标选择不同会产生不同的评价结果，所以评价指标的选择是建立评价系统的关键。对应于绿色竞争力的基本特征，构建评价指标体系包含六个方面的指标。然后采用频度统计法、理论分析法初步设置指标，通过主成分分析法、极大不相关法对指标进一步筛选、分类，然后采用专家咨询法调整指标，并综合前人的研究成果构建企业绿色竞争力评价指标体系如表1所示。

3 基于BP神经网络的企业绿色竞争力评价方法

3.1 指标归一化处理 企业绿色竞争力评价指标体系中有些指标是正指标，有些指标是逆指标，需要对各指标进行归一化去量纲处理。

对于正指标：X’i=Xi-Xmin/Xmax-Xmin

对于逆指标：X’i=Xmax-Xi/Xmax-Xmin

归一化处理后的指标值X’i在数值上介于0-1之间，它消除了量纲的影响，具有了可比性，可以进行指标间的相互比较。

3.2 BP神经网络评价的基本原理 BP神经网络是一种具有两层或两层以上的阶层型神经网络，层间神经元实现全连接，而层内各神经元间无连接。典型的BP网络是三层前馈阶层网络，即：输入层、隐含层和输出层。

BP网络的学习由四个过程组成，输入模式由输入层经中间层向输出层的“模式顺传播”过程；网络的希望输出与网络实际输出之差的误差信号，由输出层经中间层向输入层逐层修正连接权的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程；网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。

BP 神经网络分析具有许多优秀的品质，并且善于从近似的、不确定的、甚至相互矛盾的知识环境中做出决策，其模型的结构如图1所示。

应用BP网络对企业绿色竞争力做评价的方法是把用于描述评价对象的特征信息作为神经网络的输出向量，将代表相应综合评价的量值作为神经网络的输出向量；使用网络前，用一些经传统综合评价取得成功的样本训练这个网络，使它所持有的权值系数值经过自适应学习后得到正确的内部表示，训练后的神经网络便可作为企业绿色竞争力评价的有效工具。

4 企业绿色竞争力评价实例分析

本文的实证分析过程选取了我国造纸业上市公司作为研究案例，具体指标值来源于X纸业集团。首先对各输入指标进行归一化处理，然后利用BP神经网络模型对企业绿色竞争力进行评价。

在构造评价企业绿色竞争力的BP神经网络时，考虑到二级指标体系包括36个指标，所以输入层神经元设36个；设置1个输出层神经元，为了增加评价结果的直观性，将评价结果划分为优、良、中、差四个等级，分别对应于（1，0，0，0）、（0，1，0，0）、（0，0，1，0）、（0，0，0，1）；隐含层神经元可根据经验公式n1=sqrt（m+n）+d来确定，其中m为输入层神经元个数，n为输出层神经元个数，d为0到10之间的常数，本文取d=5，由此可确定隐含层神经元个数n1=11。使用Matlab编程软件编写BP神经网络程序，取神经网络学习效率η=0.05，给定收敛值ε=0.001，当企业的指标值经输入层进入网络时，网络便用训练好的权值进行运作，最后根据输出层输出的向量值的隶属关系确定企业的绿色竞争力，得到输出结果为（0.9863，-0.0048，-0.0169，-0.0124），此输出结果与（1，0，0，0）等级最为契合，表明该企业具有较强的绿色竞争力。

5 结论

适应当今企业经营绿色化发展趋势和新的形势要求，本文提出了企业绿色竞争力评价指标体系，给出了基于BP神经网络的企业绿色竞争力评价模型，推演出了企业绿色竞争力评价指标的应用途径，并结合具体的实例对该指标体系的整合性评价模式进行了实证分析，以期为企业实现可持续发展提供支持和参考。

参考文献：

[1]Porter M E, Vander Linde C. Toward a New Conception of the Environment Competitiveness Relationship [J]. Journal of Economic Perspectives, 1995(9): 97-118.

[2]Bonifant B C, Arnold M B, Long F J. Gaining Competitive Advantage through Environmental Investments [J]. Business Horizons, 1995,38(4): 37-47.

第3篇：神经网络的基本特征范文

关键词：人工神经网络；金属切削刀具；磨损检测

1.前言：

随着我国的工业飞速发展，对于工件的要求也愈发严格，但是从工厂中制造出的工件或多或少都有些不尽人意，所以必须依靠金属切削技术对工件进行二次加工。但随着时间流逝，金属刀具的磨损逐渐成为了一个问题。而且随着机器的柔性化与机械化愈发提高，人工观测刀具磨损状况的方法也愈发得不可取。无数科学家为此进行了大量研究，讨论出了是数种方法，而人工神经网络运用于金属切削机的技术也应运而生。人工神经网络是一种以模拟动物神经网络而创造的数学模型，人工神经网络有大量简单的处理单元组成，它最大的作用处理信息，并且拥有学习和记忆、归纳的能力。目前，人工神经网络在智能控制、优化计算与信息处理中都有很大的进展，人工神经网络的前景不可估量。

2.人工神经网络在金属切削刀具中的应用

2.1人工神经网络的基础知识

人工神经网络是一种建立在现代医学对于人脑的研究上的一种模拟人脑的数学模型。它是由大量简单的处理单元组成的复杂网络，用以模仿人类大脑的神经活动与规律。所以，人工神经网络拥有人类大脑的基本特征，即：学习、记忆与归纳功能。虽然人工神经网络与人类大脑相比略有不足，但是由于其独特的结构，人工神经网络可以对己输入信息进行分析与归纳，并且拥有简单的决断能力与简单的判断能力，所以人工神经网络在逻辑学推理演算中，比起人类大脑更加有优势。故，人工神经网络在一些比较简单同时需要大量计算的工作上比起人脑更有优势。于是，人工神经网络被广泛用于金属切削技术，并获得了大量的好评。

2.2人工神经网络使金属切削的过程更加智能化

人工神经网络具有自学习、联想存储与优化计算的能力，在金属切削中被大量运用。人工神经网络在金属切削中起着多传感器多信息融合与模式联想器的作用。在对选定的人工神经网络进行训练，通过人工神经网络的学习与记录作用，将人工神经网络训练为模型，并将这个模型运用于金属切削中，使金属切削过程智能化。1992年王卫平博士使用人工神经网络令金属切削机在金属切削的过程中智能化。李旭东利用BP网络与人工神经网络的学习性，实现了金属切削加工的智能化选择。实际上，国内有许许多多的人用人工神经网络实现了金属切削过程的智能化，而随着他们的成功，越来越多的人也将加入金属切削智能化的队伍中来。

并且随着我国技术的逐渐加强，人工神经网络技术的逐渐完善，金属切削智能化的程度只会越来越强。

2.3人工神经网络对于刀具磨损的检测

人工神经系统被运用于金属切削领域的初衷，就是希望借助它的智能化与信息处理的优越性，代替人工来检验刀具的磨损程度。

通过人工神经网络的学习性，可以轻易在网络中建模，使人工神经网络可以轻易地检测出刀具的正常状态与非正常状态――即刀具是否磨损。当刀具处于磨损状态时，人工神经网络可以发出警告。实际上，在刀具磨损状态下发出警报已经不再是现在的研究重点了，在无人参与定情况下，对整个金属切削过程进行识别，当刀具发生磨损，人工神经网络可以进行自主替换，这，才是理想中的智能刀具检验系统，同时也是研究热点。如果要实现上述内容，应该具备这些特点：对于来自多个传感器的信息可以快速处理；在拥有样本数据的情况下可以快速学习；可以根据外界数据的变化，快速调整自身，以适应周遭环境。

2.4通过人工神经网络的计算，预测金属切削加工中的状态.

在人工神经网络运用于金属切削中的一个重要研究，便是通过人工神经网络的计算来预测金属切削加工中的状态。可惜这项技术现在还只是处于理论研究与建模模拟的状态下，跟可以正式使用还有一定的距离。如果这项技术可以得到突破，那么，毋庸置疑得，不止在金属切削领域是一大进步，更加可以推动工厂全智能化、C械化，这无疑是一场重工业的一场大地震与大革命。

第4篇：神经网络的基本特征范文

关键词　人工神经网络模型，人工语法学习，自动联系者，序列学习，简单循环网络。

分类号 B842

1 引言

人工神经网络模型（Artificial Neural Network Model，简称ANN），顾名思义，就是用人造的程序、机械或设备来模拟人脑神经网络的模型。人工神经网络模型的用途有二：（1）发明基于神经网络的人工智能系统，来模拟人的学习、记忆、推理等智能活动，以服务于人类的现实生活；（2）构建各种心理活动和心理过程的模型，以为各种心理学理论提供支持。前者是自动化、通信、制造、经济领域关注的，我们平时所见的语音识别、经济领域使用的股票走势预测等智能系统大多是基于人工神经网络模型研制出来的。而后者则是心理学家所关注的领域。至今，人工神经网络模型已被用来模拟诸如知觉、记忆、学习、判断等各种心理活动，以解释矛盾的实验数据，为有关的心理学理论提供丰富的证据。

和其他领域的研究者们一样，内隐学习领域的研究者们也注意到了这一行之有效的工具。Cleeremans（1993）指出根据已有的内隐学习理论构造人工神经网络模型，将模型的输出数据与人类被试的实验数据进行比较，能为原有的理论观点提供证据[1]。Dienes和Perner（1996）也有类似的看法[2]。然而，在发挥人工神经网络模型在内隐学习研究上的功效之前，必须解决如下问题：人工神经网络模型是否正如Cleeremans等所言适用于内隐学习研究？如果是，用哪类人工神经网络模型来模拟内隐学习？

2 人工神经网络模型的工作原理及其研究内隐学习的适用性

人工神经网络模型之所以适用于内隐学习，是因为它的基本工作原理和内隐学习的两个本质特征有着惊人的相似。

2.1 人工神经网络模型的工作原理

早在20世纪40年代，便有研究者对人工神经网络模型的工作原理做了最初的尝试。1943年，McCulloch和Pitts用类似“开关”的阈限逻辑单元（Threshold Logic Unit）**来模拟神经元，并将多个这样的单元以相等的强度（权重）连接起来，形成网络，这就是著名的MP模型[3]。1949年，Hebb在论述条件反射的形成时，无意间提到了神经元间连接强度更新的重要法则，即两个彼此相连的神经元同时激活或同时抑制，都能增加神经元间的连接强度，后人称此为Hebb法则[4]。然而，MP模型和Hebb法则都不能构成真正意义**上的神经网络模型，虽然，MP模型已经具备将多个神经元连接起来，形成网络的雏形，但是由于不同单元间的连接强度相等，且恒定不可变化，MP模型不具备人工神经网络的基本特征――学习性；而Hebb虽然提出了权重变化的一条有效法则，但却未将其应用到人工神经网络中来。真正将神经元连接成网络的思想与借助于权重更新使网络具有学习性的思想综合在一起的要属Rosenblatt。

Rosenblatt（1958）提出了第一个真正意义上的人工神经网络模型――感知器（Perceptron）[5]。其基本工作原理为：整个感知器由多个不同层次的加工单元组成，每个加工单元的功能类似于单个神经元或一组神经元，它能接收来自前一层的几个加工单元的激活，并综合这些激活，对此进行简单运算（例如：判断总激活量是否达到某一阈限），然后将运算的结果传递给下一层的加工单元。第一层单元的激活模式反映了外部刺激状态，即模型的输入，而最后一层单元的激活模式则为模型的输出反应。某个单元对下一层的另一个单元的影响取决于两个单元之间连接的强度（权重）。为了在给定输入的情况下，使模型获得类似于人类被试的输出反应，必须不停地调节单元与单元间的连接权重。所以，在构建合适的人工神经网络模型时，研究者往往会先设置一系列初始权重，然后不断地给予模型不同的输入模式，在每个特定输入后，比较模型输出与正确输出间的差异，并据此调整单元间的连接权重，这一过程不断进行，直到模型输出和正确输出间的差异达到最小值，此时，模型便完成了整个学习过程。图1为一个典型感知器的例子，它旨在判断呈现于视网膜的光条是垂直的还是水平的。整个感知器由3个加工单元层组成，第一层为网膜层，即将整个视网膜分割为10×10的网格，用每个网膜单元对应于一个网格，共100个单元，当光条落

图1 感知器例子（资料来源：文献[3]）

在视网膜的某几个网格上时，这些网格所对应的网膜单元被激活。第二层为联系层，其中的每个单元总是和某些网膜单元间存在兴奋或抑制连接，不论兴奋还是抑制连接，强度都是恒定的1或-1，当与联系单元连接的网膜单元的总激活量达到联系单元的激活阈限时，联系单元被激活，例如图1，Aj的接收到的总激活量为1＋1＋1-1＝2，如果Aj的阈限为2，那么2＝2，Aj被激活。第三层为反应层，其中只包括一个反应单元，它与所有的联系单元连接，连接权重为Wj，其中，j表示第j个联系单元。反应单元将综合来自联系单元的激活信息，即将每个联系单元的激活量乘以它们之间的连接权重，然后简单求和，得出总激活量，并判断激活是否达到阈限，公式表示如下：

aR为反应单元的激活水平，aj为联系单元的激活水平，θ为阈限值。如果，总激活量达到反应单元的阈限，反应单元被激活（激活量为1），感知器决定光条为垂直，否则，反应单元不被激活（激活量为0），感知器反应光条为水平。当然，感知器必须经过一个漫长的学习阶段，才能完成这一简单的判断任务。在学习阶段，感知器接受各种不同的水平和垂直光条刺激，并一一做出反应，当反应正确时，连接权重不做任何调整，一旦反应错误，感知器会自动调整联系单元与反应单元间的权重，比如：当反应单元的激活量为0时，而实际光条为垂直，说明反应单元所接收到的总激活量小于阈限，此时，则应增大那些被激活的联系单元与反应单元间的连接权重，以提高总激活量，使其更有可能达到阈限，致使在下次刺激呈现时，感知器更易做出正确反应。当然，Rosenblatt的感知器除了能调整权重外，还会调整反应单元阈限。这种通过逐步调整连接权重和阈限，以减少感知器反应和正确反应间的差距的方法就是著名的感知器收敛法则（perceptron convergence rule）。不过，调整阈限的方法对于拥有多个反应单元的模型来说过于复杂，所以未被以后的人工神经网络模型采纳。

可见，Rosenblatt的贡献是卓越的，他给出了人工神经网络的基本工作原理，基于感知器收敛法则发展而来的delta法则与斜率递减（gradient descent）法已成为如今人工神经网络最主要的算法，本文第3点中将对此做详细介绍。然而，值得注意的一点是感知器仅在联系层和反应层间使用了权重概念，学习过程也仅发生在这两层之间，所以从本质上讲，感知器只属于包含一个输入层和一个输出层的单层网络（single layer network），这种单层网络在解决某些实际问题时，遇到了障碍。Minsky等（1969）指出感知器甚至无法模拟诸如XOR（异或）等简单运算[3]。因此，在接下来的将近20年中，人工神经网络的发展一度进入低迷期。直到80年代中期，逆向传导法（back propagation）[6]、自动联系者（atuoassociator）[7]、循环模型（recurrent model）[8,9]一一提出，多层网络广泛应用智能模拟任务中，人工神经网络才得以迅速发展。然而，这些算法和模型的基本工作原理与最初的感知器却并无两样。

2.2 人工神经网络模型研究内隐学习的适用性

如上述，人工神经网络的工作原理为通过调整权重逐步学会正确反应。那么，这些基于调整权重来学习正确反应的人工神经网络模型是否适于研究内隐学习呢？内隐学习这一概念强调的是两个特征：第一，它是学习的一种形式；第二，这种学习是内隐的、无需意识努力的。人工神经网络的工作原理极好地匹配了这两个特征。首先，要建立针对某一心理活动的合适的网络模型，必须要经过长期的训练和学习过程，即向模型呈现许多刺激，要求其做出反应，并将模型反应与要求的正确反应进行比较，据此逐步调整内部结构，使模型在以后的刺激情景中，更易做出正确反应。这种学习过程和人类的学习有着惊人的相似，人类在幼年时，虽然脑神经已发展完全，但是他们仍然不能执行各种认知任务，这时候的人脑就好比初始状态的神经网络模型，虽然，已对模型基本结构做了设定（比如，模型由几个加工单元层组成，每层有几个单元，哪些单元和哪些单元间存在联系），但是由于所有的连接权重都是随机设置的，模型不知道刺激与反应间的联系，常常会给出错误反应，而当经过几年的学习之后，人类婴孩不断地从外界接收刺激，做出反应，并接收来自外界的反馈，将之与自己的反应做比较，逐步通过内部结构的改变，来调整自己的行为，从而能够知觉事物、理解言语、控制自身的机体运动，这就好比初始状态的网络模型，能够通过调整权重，达到稳定状态，对刺激模式做出正确反应。可见，人工神经网络模型很好地匹配了内隐学习地第一个特征――两者都是学习过程。其次，内隐学习强调学习是内隐地进行的。由于无法直接探索学习过程是否是内隐的，研究者往往通过验证学习中所获得的知识是内隐的来间接推断学习过程是内隐的，当被试在分类或选择任务中的表现高于随机，却不知道自己是依据何种知识做出正确判断时，习得的知识被认为是内隐的，从而进一步推断学习过程也是内隐的[10~12]。人工神经网络模型也一样，从根据输出结构来调整权重的过程来看，根本无法判断学习过程是否是内隐的，而类似的，人工神经网络的知识表征形式显示神经网络模型所获得的知识很有可能是内隐的。当人工神经网络能做到正确反应时，指导模型该如何反应的知识似乎是存在于单元的组织结构和他们之间的连接权重上，根本无法直接从这种无序而杂乱的结构和权重上看出什么规则，例如：上述判断光条垂直和水平的感知器，我们并无法从直观上判断哪些单元表征垂直光条，哪些单元表征水平光条，这种知识表征形式很有可能是内隐的。这种知识的表征形式被称为分布式表征（distributed representation），它和传统的局部表征（local representation）很不一样，局部表征中，每个用不同的单元表征不同的事物，例如：单元1表征事物1，单元2表征事物2……，在知识提取时，就好比查字典一样，根据不同的事物，找到表征的位置，便可以获悉有关事物的各种知识。而分布表征可以将不同的事物表征在同一组单元中，比如垂直光条和水平光条，在知识提取时，往往只需输入新刺激的内容，比如光条激活了视网膜的哪些区域，便能根据内容找到合适的反应。

3 广泛应用于内隐学习领域的两种人工神经网络模型

人工神经网络模型很好地匹配内隐学习的两大基本特征。因此，许多研究者针对不同的内隐学习任务，选择不同的人工神经网络模型来拟合内隐学习过程，以探讨内隐学习的本质和机制[13~17]。

纵观近40年来的内隐学习研究，虽然不同的研究者开发了许多不同的任务形式，获得了许多可喜的研究成果，但是这些任务都离不开两种根本的任务形式――人工语法学习和序列学习。相应地，根据两个任务的不同特点，研究者选择了两种不同的模型――自动联系者和简单循环网络（simple recurrent network，简称SRN）――分别对之加以模拟。

3.1 人工语法学习与自动联系者

人工语法学习任务通常是：在学习阶段，要求被试在不知道内在规则的情况下记忆一大堆合法字符串，然后，在测试阶段，向被试呈现一批新的合法和非法字符串，并告知前面学习的字符串是一类符合语法规则的合法字符串，要求被试根据前面的学习，判断新的字符串是否合法[10]。从测试阶段的要求、学习阶段的要求和所学习的知识这三个不同的角度来看，人工语法学习具有三个主要特征：

第一，测试阶段要求被试进行的是一项典型的分类任务。相应地，检索1943年以来，人工神经网络模型发展的这段历史，便可以发现只有模式联系者（pattern associator）是专门针对模式识别和分类而开发出来的模型。模式联系者的诞生源自于条件反射的思想，即建立刺激和反应间的联系。用模式联系者的话说，就是对于特定的输入刺激模式，给出相应的反应模式。有趣的是，当用一组单元表示输入模式，另一组单元表示输出模式，它们两两连接在一起（如图2），并使用Hebb法则Wij=εαiαi更新权重时（其中，ΔWij为输入单元j和输出单元i之间权重的变化量，ε为学习速率，是常数，aWi为输出单元的激活量，aWj为输入单元的激活量），模式联系者便能在同一个模型中存储不同的输入模式，将反应模式相同的输入模式归于同一类，并且当模式中的某些量缺失时，比如某个输入单元损坏，模型仍能正常运行[3]。可见，模式联系者能够有效地模拟分类任务，甚至是某些脑神经受损病人（相当于某些输入或输出单元受损）的分类活动。然而，人工语法学习并不仅是单纯的分类任务，它还具有其他特征，因此，只模拟测试阶段的分类任务是远远不够的。

第二，人工语法学习的另一个特征是，学习阶段要求被试在没有任何指导（反馈）的情况下学习字符串，即并没有在被试学习某一字符串的同时，告诉他们这一字符串属于哪一类，合法还是非法。投射到模式联系者中，就是在学习对特定刺激模式的分类时，不伴随相应的反应模式，即没有输出单元。事实上，人类的许多学习过程都是在没有外部指导的情况下进行的。比方说，当孩子看到麻雀和燕子（刺激模式）时，家长告诉他这是鸟（反应模式），但很多时候，家长并不在身边，比如，当孩子看到鸽子时，没有外在反应模式指导，孩子仍能反应为鸟，人类似乎能够在没有外在的反应模式引导教育的情况下，学会分类。人工语法学习也是一样，虽然在学习时，没有被告知哪些合法，哪些不合法，但是被试仍能学会分类规则。这些事实提示研究者：必须开发一种没有外在引导者的自适应模型。于是，McClelland 和Rumelhart（1985）在对模式联系者稍做调整的基础上，提出了模式联系者的一个自适应特例――自动联系者[7]。由于没有外部引导，任何自适应模型必须具备自我反馈的功能，自动联系者也一样，如图3所示，每个单元除了接收外部输入（e）以外，还必须接收来自其他单元的内部输入（i），这种存在内部反馈的模型被称为循环模型。为了达到分类的目的，自动联系者旨在再现单元的外部输入模式，就好像人工语法学

图3 含有8个单元的自动联系者（资料来源：文献[7]）

习中，记忆字符串一样。而为了达到这一点，必须调节连接权重，使单元的内部输入能匹配外部输入，用公式表示为：

aWj为单元j的激活量。虽然，自动联系者模型没有可比对的反应模式，但是，上述算法的核心仍是用内部状态去匹配外部状态，尽量减少两者间的差异，因此，上述公式仍可看成delta法则*的变式。当然，除了使用delta法则来训练自动联系者外，也有研究者（例如，文献[14]）使用类似模式联系者的Hebb法则训练该模型。和模式联系者一样，自动联系者也能习得不同的外部输入模式，并对此做出分类。可见，自动联系者能够很好地模拟人工语法学习任务学习和测试阶段的表面属性――无外部引导的分类学习任务。然而，它是否能模拟语法学习这一内部属性呢？

第三，人工语法学习的本质特征在于所获得的是有关语法的知识。虽然，如前所述，自动联系者获得的是一种无法外显的分布性表征的知识，但是，有意思的是这种表征似乎代表了某一类别的原型。而原型或许就好比语法的抽象表示方法。McClelland 和Rumelhart（1985）曾构建了一个由24个单元组成的自动联系者，将一些有关狗的信息输入这24个单元[7]，其中前8个单元输入的是狗的名字信息，后16个单元输入的是狗的外貌信息，结果发现经过训练后，模型的权重矩阵呈现出特殊的构造，即前8个单元之间及前3个单元与后16个单元间的权重处于随机水平，而后16个单元间的权重却出现某种固定的模式，McClelland和Rumelhart认为这种固定的模式就是狗视觉表象的原型。虽然，无法从这种固定的权重模式中，看出典型的狗应该具有哪些特征，但是至少可以认为，如果两个单元间的连接权重比较大，那么当这两个单元同时被激活时，模型有可能将目标判断为狗。也就是说，原型所表征的是每个视觉特征间的联系。这就好比，人工语法学习中的语法知识，语法或许是由字母间的联系所表征的。所以，从这点意义上来，自动联系者习得的原型或许就是语法知识。

3.2 序列学习和简单循环网络

序列学习任务要求被试对一系列规则序列进行选择反应，其假设为：如果被试习得了序列间存在的固定规则，则他们可以依据前面呈现的序列来预测下一个项目是什么，成功的预测将会缩短被试的反应时[11]。序列学习和人工语法学习之间的本质区别在于：它是一项预测任务，而非分类任务，被试对某一项目的反应依赖于前面的项目。

1990年，Elman开发了简单循环网络，专门用来模拟这类预测任务[9]。简单循环网络的目的是根据当前输入的项目来预测下一个项目，它的基本结构如图4所示，由4个加工单元层组成，它们分别是输入单元层、隐含单元层、上下文单元层和输出单元层。输入单元层用于表征当前输入的项目，输出单元层用于表征模型所预测的项目，上下文单元层用于表征在当前项目之前出现的项目序列，而隐含单元层负责在输入、输出和上下文单元层间的信息传递。简单循环网络的工作原理为：在接收第一

图4 简单循环网络的基本结构（资料来源：文献[16]）

个项目时，输入层中的某些单元被激活，并将激活传递给隐含层中的单元，隐含层除了将激活进一步传递给输出层，由输出层预测第二个项目外，还将自己的激活水平复制于上下文层，当接收第二个项目时，隐含层除了收到来自输入层的激活外，还将收到来自上下文层的激活，因此，它向输出层传递的激活则包含了第一和第二两个项目的信息，依此类推，输出层所做出的预测是基于包含当前项目之内的所有项目的信息。当然，和其他许多人工神经网络模型一样，简单循环模型依据delta法则来调整权重的，即将模型给出的预测与真实出现的后续项目进行比较，来调整权重。不过，简单循环网络所使用的delta法则和自动联系者有两点差异：（1）权重调整是通过斜率递减法进行的，即寻求预测反应和真实项目之间误差方差的最小值，用公式表示为：

其中，tout为真实的正确输出，aout为模型的预测输出；（2）不同于自动联系者，简单循环网络是多层模型，当调整输出层单元和隐含层单元间的权重时，计算预测和真实项目间的误差方差是可以直接计算获得的，然而当要调整隐含层单元与输入层单元或上下文层单元间的权重时，由于不存在真实的正确反应，误差方差则无从计算，所以Rumelhart和McClelland（1986）提出可以用输出层单元的误差来估计隐含层单元的误差，即某一隐含单元的误差为所有与之连接的输出层单元的误差与它们之间权重乘积求和的函数[6]

然后，同样用斜率递减法求出权重的变化量，这种误差计算的法则和简单循环网络中原有的信息流方向正好相反，所以又被称为逆向推导。

简单循环网络能有效地模拟序列学习中的预测机制，因此，它刚提出不久，就被用于模拟内隐序列学习，用来研究序列学习的抽象性等问题[13,15,16]。

总之，针对不同的内隐学习任务，为了得到更佳的模拟效果，研究者往往倾向于选择不同人工神经网络模型加以模拟。然而，就像是任务之间的划分并不绝对一样（比如：Cleeremans等就曾将人工语法和序列学习结合在同一个任务中），神经网络模型和内隐学习任务间的匹配也并不绝对，比如：Boucher等（2003）就层用简单循环网络来模拟序列学习[17]。

4 小结

基于权重调整来学习正确反应的人工神经网络模型和内隐学习的两大本质特征间有着极优的匹配，人工神经网络模型在内隐学习领域的适用性毋庸置疑。在这样的背景下，出于深入探讨内隐学习的目的，研究者纷纷根据不同的内隐学习任务，选用不同的人工神经网络模型对之加以模拟[18]。到目前为止，针对两种较为普遍的内隐学习任务，也相应地出现了两种使用较为广泛的神经网络模型――自动联系者和简单循环网络。在实际研究中，合理地使用这两个模型，必将为内隐学习的理论和人工模拟提供更有力的证据。

参考文献

[1] Cleeremans A. Mechanisms of Implicit Learning: Connectionist Models of Sequence Processing. In: Jeffrey L E ed. Neural Network Modeling and Connectionism. London: MIT Press, 1993

[2] Dienes Z, Perner J. Implicit knowledge in people and connectionist networks. In: Underwood G.. Implicit cognition. Oxford: Oxford University Press, 1996

[3] McLeod P, Plunkett K, Rolls E T. Introduction to Connectionist Modelling of Cognitive Processes. Oxford: Oxford University Press, 1998

[4] Milner P. A Brief History of the Hebbian Learning Rule. Canadian Psychology, 2003, 44(1): 5~9

[5] Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Reviews, 1958, 65: 386~408

[6] Rumelhart D, McClelland J. Parallel distributed processing (vol. 1). Cambridge: MIT press, 1986a

[7] McClelland J, Rumelhart D. Distributed Memory and the Represantation of General and Specific Information. Journal of Experimental Psychology: General, 1985, 114(2): 159~188

[8] Jordan M. An introduction to linear algebra in parallel distributed processing. In: Rumelhart D, McClelland J ed. Parallel distributed processing (vol. 1). Cambridge: MIT press, 1986a. 365~422

[9] Elman J. Finding structure in time. Cognitive Science, 1990, 14(2): 179~212

[10] Reber A S. Implicit learning of artificial grammars. Journal of Verbal Learning and Verbal Behavior, 1967, 6(2): 317~327

[11] Nissen M J, Bullemer P. Attentional requirement of learning: Evidence from performance measures. Cognitive Psychology, 1987, 19(1): 1~32

[13] 郭秀艳, 邹玉梅, 李强等. 中学生颜色内隐学习特征的实验研究. 心理与行为研究, 2003, 1(2): 122~127

[14] Cleeremans A, McClelland J L. Learning the Structure of Event Sequence. Journal of Experimental Psychology: General, 1991, 120(3): 235~253

[15] Dienes Z. Connectionist and Memory-Array Models of Artificial Grammar Learning. Cognitive Science, 1992, 16(1): 41~79

[16] Jiménez L, Méndez C, Cleeremans A. Comparing Direct and Indirect Measures of Sequence Learning. Journal of Experimental Psychology: Learning, Memory, and Cognition, 1996, 22(4): 948~969

[17] Dienes Z, Altmann G, Gao S J. Mapping across Domains Without Feedback: A Neural Network Model of Transfer of Implicit Knowledge. Cognitive Science, 1999, 23(1): 53~82

第5篇：神经网络的基本特征范文

关键词：供需平衡；可持续发展；BP神经网络

中图分类号：F2

文献标识码：A

文章编号：1672.3198（2013）04.0060.02

人与自然的矛盾，发展与限制的矛盾逐渐被人们所认识，现已经成为研究的热点。可持续发展的概念就是在这样的背景下提出的。我国的房地产业正逐渐发展成为国民经济支柱产业之一，因此研究房地产经济的可持续发展问题具有非常重要的战略意义。

1问题分析

住房需求与住房供给，二者之间相关制约、相互关联，它们是房地产行业的两大基本特征。住房需求和供给都是众多影响因素共同作用的结果，需求量和供给量仅仅是其外在体现。同时，他们的主要影响因素不完全一致，即使对于相同因素，其影响的方向和程度也不尽相同。因此，需求与供给各自孤立的发展，可能就会导致住房的供不应求或者供过于求现象，这都会影响房地产行业的稳定。

因此，本文将住房需求和供给的合理匹配与协调，视为房地产行业可持续发展的基本条件。需求和供给的协调程度的度量（简称协调度）定义如下：

式中，ρ（t）为第t期住房供需协调度；D（t）为第t期的需求，S（t）为第t期的供给。

显然，供需协调协调度为无量纲。特别地，当D（t）=0或S（t）=0时，ρ（t）=0；当D（t）=S（t）时，ρ（t）=1。该系数的取值范围为，且绝对值越大，意味着供需越协调。

基于以上分析，房地产行业的可持续发展问题可以描述为：通过控制住房需求影响因素以及住房供给影响因素的变化，达到需求和供给在一定容许范围内协调。换句话说，原问题转化为经典的控制问题。本文的控制策略调是单因素控制，也即是每次仅控制一个输入，保持其他输入不变。

2 模型建立

2.1 BP网络模型

人工神经网络是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，信息分布式存储于这些连接权系数中，使得网络具有很高的鲁棒性和容错性，能够解决噪声干扰等影响。本文建立基于神经网络的房地产行业可持续发展模型。

房地产行业可持续发展神经网络模型，本文选择反馈型的Hopfield网络结构，如图1所示，包含一个输入层、一个隐含层和一个输出层。其中：

（1）输入层神经元：需求影响因素和供给影响因素，共N个（相同影响因素算为一个），神经元分别记为{Z1，Z2，…，ZN}；

（2）输出层神经元：实际代表协调度，仅一个；

（3）隐含层神经元：个数为M，神经元记为{H1，H2，…，HM}。

3 模型求解

3.1输入层神经元的确定

根据文献[2]分析，选取城镇总人口数、商品房销售价格、城镇家庭恩格尔系数三项因素作为四川省住房需求影响因素；根据文献[3]分析，选取城市人均住宅建筑面积和城镇家庭恩格尔系数两项作为供给影响因素。因此，BP神经网络的输入层神经元为：城镇总人口数；商品房销售价格；城镇家庭恩格尔系数；城市人均住宅建筑面积，共四个。

3.2训练样本的确定

由于1998年我国取消福利分房推行住房分配货币化，本文将研究时段取为1998-2010年，具体为国家统计局网站上查询的年度数据。

对应的的输出，按照式（1）计算协调度。经计算，2008年的协调度最小。以该样本作为模型的测试样本，设定协调度阈值为0.85。每次仅控制一个输入，保持其他输入不变。经编程，分别计算四个输入的调整量，分别为：-3346、-295、-2.94、1.71。

4 结语

本文研究了房地产行业的可持续发展问题。研究思路为：将住房需求和供给的合理匹配与协调，视为房地产行业可持续发展的基本条件，并引入需求和供给的协调度概念，在此基础上，将该问题转化为控制问题：通过控制住房需求影响因素以及住房供给影响因素的变化，满足协调度在一定容许范围内。基于BP神经网络，建立需求供给因素的反馈控制模型。实例计算验证了模型的可行性。

参考文献

[1]边肇庆，张学工.模式识别[M].北京：清华大学出版社，2000.

[2]张莉莉.四川省住房需求逐步回归模型研究[J].现代商贸工业，2012，（13）：56.57.

第6篇：神经网络的基本特征范文

关键词：自主角色; 神经网络; 遗传算法

中图分类号： TP183

文献标识码：A

0引言

随着计算机图形学和硬件技术的高速发展，计算机游戏近十几年也取得了很大的发展，游戏软件已成为软件产业中非常重要的内容。游戏的类型主要包括FPS（第一人称射击）、RPG（角色扮演类型）和RTS（即时战略游戏）等几种类型，这些不同类型的游戏都要求游戏控制的角色（NPC）与玩家控制的角色（PLAYER）要有行为的交互，交互的方式直接影响玩家对游戏的兴趣度。因此，对NPC与PLAYER之间的角色交互行为方式的研究已经成为游戏软件中的一个非常重要的研究课题。

目前大多数游戏中的角色行为的交互方式采用的是确定型的交互行为，其特征主要表现在角色的行为都是预先确定的，这种类型的行为实现起来较为简单，也是目前大多数游戏所采用的交互方式。像这种确定性的行为往往体现不出角色的自主性，而且还会导致角色行动单调乏味，其行动很容易被玩家所预测,降低游戏的可玩性。为此,我们需要在游戏软件中设计和实现这样的NPC角色，它能够根据当前环境的变化以及以往的经验知识来动态地改变对PLAYER的行为。具有这种能力的角色，我们称之为自主角色,也称为自适应角色。具有自主和自适应特点的角色可具有推理能力和自适应能力,在游戏环境下可更受玩家的欢迎。

一款拥有自主角色的游戏能够牢牢地吸引玩家的注意力，从而延长这款游戏的生命周期，因此促使游戏开发人员花更多的时间来研究自主角色的实现。一些公司已经开始尝试从人工智能领域发展出更加高级的技术，如采用决策树或者强化学习来实现角色的自主性，也有的像著名的游戏Colin McRae Rally2则采用了学习系统和神经网络来实现角色的自主性。

有关自主角色行为的论文已经有很多做出了卓有成效的成绩，如在Reynolds的文献［1］中，对自主角色的群体行为进行了描述。Blumberg和Galyean［2］中引入更多的行为控制机制，并考虑了行为学习这样一个令人感兴趣的问题。对于自主角色的更高层次的认知能力方面，John David Fungc［3］中指出，认知模型是用于创建虚拟世界的模型“金字塔”的顶层，底层的行为模型作为认知模型和物理学模型之间的缓冲区，并将情景演算(situation calculus)［4］用于高度动态的虚拟世界。

但是，上述各种方法因为侧重点不同，各有优缺点，且相互之间较为独立，因此本文结合上述一些方法的优点，在此基础上提出了基于认知角色建模，采用神经网络和遗传算法相结合的游戏自主角色的设计思路。基于此，各小节安排如下：

第一节确定了基于认知建模方法的游戏自主角色模型；第二节介绍了神经网络在实现自主角色中的应用；第三节说明了遗传算法对神经网络的优化；第四节对自主角色的实验进行了分析。

1基于认知建模的角色自主性模型

由于认知建模方法能够采用精确的数学方式来定义自主角色的行为和学习模式，因此本文采用认知建模方法来对游戏角色的自主性进行建模。这里将游戏中存在的非玩家控制的角色简称为NPC,通过认知建模方法研究NPC的高级行为规划，指导NPC,提高NPC的智能水平能力，使NPC能够对环境作出判断，并根据当前的状态进行推理，进而完成相应的行动序列,有利于创建聪明自主的智能体――具有认知能力的自主的角色。

在计算机游戏中，我们将游戏角色关于他所在世界的内部模型称“认知模型”(Cognitive Model)。认知模型可以用于游戏中，控制一类自主的角色。通过认知模型支配游戏角色对其所在环境的了解程度，如何获取知识，以及如何利用知识选择行动。

NPC的行为分为“预定义的”和“非确定性的”两种，建立的认知模型也各不相同。建立预定义行为的认知模型比较简单，只要将事先定义好的NPC所在环境的领域知识赋予NPC系统，NPC就可以根据人们的要求采取某种行动。而非确定性的行为不容易控制。为了实现人为的控制，我们采取一种折中的方法，即将领域知识和人的指导赋予NPC，使NPC主动地向人们希望它达到的目标发展。可由下面的公式表示:

知识+指导=行为

领域知识能够用来规划目标，而指导对如何达到目标提供一种框架计划。

当然NPC在决定采取什么样的行动时并不需要整个虚拟世界的知识。所以，我们认为NPC的认知模型是角色对其虚拟世界的一种内部简化模型〔simplified model〕。

为此我们在现有游戏系统之上营造一个通过认知模型定义的高级行为规划器来实现对NPC的行为指导。规划器模型设计如图1所示。

NPC的预定义行为和非确定行为都可以形式化为认知模型，通过认知模型来指导NPC高级行为规划器，由于神经网络在非确定中的强大的学习作用，因此本项目通过神经网络来实现NPC高级行为规划器的三个方面：目标引导、行为协调、约束满足。

2基于人工神经网络的角色自主系统

这里,我们采用的是神经网络中的BP网络作为NPC的感知系统。BP算法是一种用于多层前向网络的学习算法，它包括输入层、输出层和隐含层，隐含层可以是多层结构。BP网络的学习过程包括两个阶段:第一阶段计算前向输出;第二阶段从反向调整连接权矩阵。

在前向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的输出作为上层神经元的输入.如果在输出层，实际输出值与期望输出值有误差时，则以反向将误差信号逐层修改连接权系数并且反复迭代，最后使实际输出值与期望值的均方差为最小。在修正连接权系数时，通常采用梯度下降算法。

BP神经网络使用的是指导式的学习方法,即在学习过程中,向网络提供有明确输入和输出目标的样本对。BP学习算法是基于最小二乘法LMS 算法,运用梯度下降方法,使网络的实际输出与期望输出的均方差最小。网络的学习过程是一种误差边向后传播边修正连接权的过程。因为BP网络对以分类为主要目的的学习非常有效,所以,我们采用B P网络进行NPC分类的自学习。需要输入NPC自主系统中BP网络的特征参数主要是NPC的生命值,NPC的攻击力，NPC的防御力，NPC的情感值等，玩家虚拟角色的生命值,玩家虚拟角色的攻击力，玩家虚拟角色的防御力，玩家虚拟角色的情感值等。

NPC在虚拟游戏环境下，在与玩家的不断交互中刺激着感知系统，在外界环境发生变化时产生认知模型指导下的自主行为，通过神经网络最终演化成具有自主性的行为系统，同时，利用遗传算法使适应度有一定程度的增加，使NPC更适应外界环境的变化。关于NPC的感知系统的设置如下：

1） 输入参数的确定

NPC的感知系统由人工神经网络构成，虚拟游戏环境的特征参数作为输入送入神经网络进行学习。在我们的游戏项目中，输入主要包括三种类型：布尔类型、枚举类型和连续类型三种，但是这三种类型都需要转化成神经网络所认可的实数类型。

2） 权重的确定

权重有些类似于生物神经网络的树突联结，权重影响了输出变量的值，并且定义了神经网络的行为，实际上训练或者演化神经网络的主要目标就是确定NPC神经网络的权重。为了确定每个输入参数的权重，需要确定激活函数。

3） 激活函数的确定

激活函数确定了输入与输出参数之间的映射关系，针对NPC自主角色的神经网络，我们采用的是非线性激活函数，具体采用的是S型激活函数。

3基于遗传算法的神经网络优化

神经网络的基本特征是大规模并行处理、容错性、自适应性和自组织性，适合处理直觉和形象思维信息。神经网络与遗传算法的结合使神经网络的训练有了一个崭新的面貌，目标函数既不要求连续，也不要求可微，仅要求该问题可计算，而且它的搜索始终遍及整个解空间，因此容易得到全局最优解。用遗传算法优化神经网络，可以使得神经网络具有自进化、自适应能力，从而构造出进化的神经网络(ENN)［5］。

研究NPC的进化,要建立NPC在虚拟环境中进行的各种行为模型。另外,同虚拟环境本身也会发生竞争。由于适应度是NPC竞争力大小的直接反映,为了建立NPC的竞争机制,首先要建立NPC的适应度函数。

首先,NPC的适应度函数和NPC的种类相关。在同一环境下,不同NPC的适应度肯定是不相同的［6］。同时,为了表现NPC自学习对进化的影响,有了学习能力的同种NPC适应度的取值也有所不同。其次,NPC的适应度还与其所处的不同阶段有关。适应度取值在其不同阶段中不是一成不变的。

在环境不发生变化时,NPC的适应度函数F(t)可以用此函数表示:

其中,参数a表示NPC的生命力值;参数k表示NPC的类型,不同的NPC对同一游戏环境的适应性是不一样的,当k取不同的值时,会得到适应度不同的各种NPC。接着按照以下工作步骤操作：

1） 从NPC神经网络中提取权重向量；

2） 用遗传算法演化出一个新的网络权重群体；

3） 把新的权重插入到NPC神经网络；

4） 转到第一步进行重复，直至获得理想的性能。

4试验分析

我们的实验测试场景如下：

在一个仿真的三维游戏环境下,游弋着若干个NPC角色和一个玩家控制的虚拟角色,主角可以漫游整个游戏场景,这些NPC当遇到主角后,可能会对主角采取不同的行为,比如攻击行为,逃避行为,团队作战行为,对话行为等,所有这些行为的决策都取自于神经网络的训练。

在采用神经网络算法之前，所有的NPC无论强弱，都会主动向玩家角色发起攻击，而在采用神经网络算法之后，这些NPC都具有了一个人工大脑，每个NPC在与玩家角色的交互过程不断地学习，不断地演化，最终变成自主角色，具体表现在：NPC根据以往与玩家角色交互过程中的经验，从而产生较为理智的行为，比如当NPC感觉玩家的综合实力要高于自己时，它可能会采取逃避的行为，而当NPC感觉其综合实力要高于玩家时，它往往会主动攻击玩家。

表1和表2列举了应用神经网络算法前后的测试数据。

应用神经网络算法所采取的实验方案如下：

(1) 对于NPC感知系统的输入，包括与虚拟玩家角色的距离， 虚拟玩家的攻击力，防御力，生命力，魔法力，信誉度，NPC自身的攻击力，防御力，生命力，魔法力，信誉度。并将参数归一化，使最终的参数范围位于[-1, 1]之间；

(2) 对于NPC感知系统的输出，包括躲避，单独攻击，潜伏，召唤同伴，团队攻击等行为。即将神经元的输出元设计成五个，这些行为通过一些标志符来确定，例如， 如果代表攻击的输出位为1，则其他位为零。

通过对比两组测试试验,可以发现后一组试验中,NPC能够根据自己的实力和玩家的实力对比，理智的采取一些行为（比如退避，呼唤同伴协同作战）而不是一味盲目攻击， NPC的存活率显然就很高，因此也显得较为智能。

第7篇：神经网络的基本特征范文

关键词：电力系统；自动化控制；技术；应用

中图分类号：TM73文献标识码： A 文章编号：

1.引言

目前状况下，我国的经济发展十分迅速，各种新科学、新技术层出不穷，这为电力系统的发展提供了良好的外部环境。而我国的电力系统也是不断吸取新的科技，将之与电力系统相结合，取得了进一步的发展与完善。新兴智能技术永远都是电力系统发展的新鲜血液，它可以对电力系统结构方面的问题进行有效的解决。在这些技术当中，自动化控制技术的表现尤为突出，在电力系统的运行之中也有着十分重要的地位与作用。通过对自动化控制技术进行有效的利用，电力部门可以对自身的管理水平以及管理效率进行较大程度上的提高。电力与人们的生活息息相关，在人们的生产、生活当中有着十分广泛的应用。而随着人民生活水平的提高，对电能的稳定性、有效性提出了更高的要求。这就要求在电力系统之中不断引入新技术，进一步提高其自动化水平。所以，对电力系统自动化控制技术及其进行研究与分析，可以对人力资本的投入进行一定程度的减小，同时又有效的提高了电力系统运行的效率，具有十分重要的现实意义。

2.电力系统的自动化控制技术

2.1 电力系统自动化的基本内容

对于电力系统自动化来说，它主要指的是先进的系统运行理念以及自动化程度较高的电力系统运行方法，其主要内容是电工的二次系统。换句话说，也就是指对各种装置、信号系统以及数据传输系统进行有效的利用，一次来对电力系统之中的部分元件、局部系统或者是全部系统进行一定程度上的监视、协调以及控制，在这一过程中保证了高度的自动化水平。值得一提的是，在对系统进行监视、协调以及控制的过程之中，发挥作用的装置具有三项基本功能，分别是自动检测、自主决策以及自我控制。这样一来，就可以对电力系统运行的安全性、稳定性进行有效的保证。

2.2 电力自动化系统的基本组成要素

电力系统在长期的发展过程当中，不断对已有技术进行发展与更新，同时又引入新的技术，为其注入新鲜血液，当这种发展达到了一定阶段，就形成了电力自动化系统。对于电力系统的自动化控制来说，它所涉及的内容较为广泛，主要包含以下几个方面的内容：首先是系统调度的自动化。在经济迅速发展以及科学技术水平不断提高的大环境之下，电力系统的自动化一直保持较高的优越性，而系统调度的自动化是其最为突出的表现，其功能主要是对与电力系统具有较大关联的数据进行有效的采集与监控。除了系统调度自动化以外，它还包含了电力系统经济运行与调度、电力市场运营与可靠性、发电厂运营决策、变电站综合自动化等内容。电力自动化系统存在着多个方面、多个环节的自动化控制，而在这些自动化控制当中，调度的自动化是电力系统自动化当中的一项核心技术，具有基础性地位，它可以对自动化系统运行的稳定性进行有效的保证。

2.3 变电站相关的自动化技术

在变电站的自动化技术之中，融合了多项先进技术，主要包含了计算机技术、现代电子技术、通信技术以及相应的现代信息处理技术。这些技术有机结合，融合成一个整体，有效的实现了对于变电站的二次设备的各种功能的重新优化与组合。对于这些二次设备来说，主要包含有继电保护设备、控制设备、测量设备以及其他各种自动装置等。通过对这些装置进行有效的设置与优化，能够对变电站的具体情况进行一定程度上的监视以及测量。除此之外，在发现存在异常情况时，可以及时的对其进行控制与调节。综上所述：变电站的自动化系统具有较强的综合性，可以对变电站设备的运行情况进行有效的监视、测量、控制与协调。

3.电力系统的自动化控制的各项基本技术

当前状况下，我国经济发展迅速，而且科学技术水平也取得了一定程度上的提高。相关的电力企业应当抓住机遇，引进新兴技术，进一步对电力系统的运行质量以及运行效率进行有效的提高，以满足人们对电力更高更严格的要求。下面我们对电力系统的自动化控制的各项基本技术进行一一阐述。

3.1 基于神经网络控制基本原理的控制技术

从理论的角度来看，神经网络控制存在着三项基本特征，它具有一定的非线性、并行处理性以及鲁棒性。除了这三项基本特征之外，神经网络控制还存在着一个十分显著的特点，即自组织学习能力。神经网络控制的这些特征与特点也正是其优点所在。其连接机理主要如下：将具有较大数量的神经元按照特定的方式进行有效的连接，这样一来，在连接的权值之上就会隐含了大量的有效信息。然后，只需要通过相应的算法对权值进行一定程度上的调节。这样一来，就可以实现神经网络的复杂映射，主要是从一个维度的空间向另一维度的空间进行映射，而且这种映射是非线性的。

3.2 专家系统的基本控制技术

对于专家系统来说，它是电力系统之中使用范围最广的系统之一。它所涉及到的内容十分广泛。它不仅包含了对处于警告状态或者紧急状态等特殊状态下的辨别能力，同时在专家系统之中，还包含了对突发事件的紧急处理的能力、系统重新恢复控制的能力以及状态的分析与转换等。即使专家系统的应用已经十分广泛，但它还是存在着一定的问题与弊端，具有较大的局限性，例如：无法进行对于电力专家创造性的有效模仿。

3.3 模糊逻辑控制的基本技术

这种模糊逻辑控制的基本技术主要是基于模糊方法理论之上的，相对于其他控制方法，它具有一定的简易性，十分容易对其进行有效的掌握。然而，简单并不意味着落后，它的先进性也是显而易见，正因为如此，它在实践之中有着十分广泛的应用。

3.4 综合智能控制技术

这种控制技术的最大特点表现在综合性之上，它将智能控制技术、现代控制技术、自动化控制技术的相关理论以及基本方法进行有机的结合。这样一来，将几种先进的技术与先进的理念进行综合，使其达到有效的合力，使得控制能力更强、效率更高。神经网络与专家系统的结合,专家系统与模糊控制的结合，神经网络与模糊控制的结合，神经网络、模糊控制与自适应控制的结合是在电力系统中应用较为广泛的基本方法。

4.结束语

本文主要针对电力系统的自动化控制技术与应用进行研究与分析。首先从电力系统自动化的基本内容、电力自动化系统的基本组成要素以及变电站相关的自动化技术三个方面介绍了电力系统的自动化控制技术。然后在此基础之上，重点分析了电力系统的自动化控制的各项基本技术，主要有基于神经网络控制基本原理的控制技术、专家系统的基本控制技术、模糊逻辑控制的基本技术、综合智能控制技术。经过实践证明，在电力系统之中运用自动化控制技术，可以有效的提高电力系统的稳定性、安全性以及高效性。希望我们的研究能够给读者提供参考并带来帮助。

参考文献：

[1] 李小燕，跖拓等. 电力系统自动化控制中的智能技术应用研究[J]. 华章，2011，(16).

[2] 唐亮. 论电力系统自动化中智能技术的应用[J]. 硅谷, 2008，(02).

[3] 夏永平,唐建春. 浅议电力系统自动化[J]. 硅谷, 2010，(06).

第8篇：神经网络的基本特征范文

关键词： 人工智能 足球机器人 人工神经网络 智能控制

引言

足球机器人系统是一个典型的多智能体系统和分布式人工智能系统，涉及机器人学、计算机视觉[1]、模式识别、多智能体系统[2]、人工神经网络[3]等领域，而且它为人工智能理论研究及多种技术的集成应用提供了良好的实验平台。机器人球队与人类足球一样，它的胜负不但取决于机器人本身的性能，而且取决于比赛策略，只有将可靠的硬件与先进的策略结合才能取胜。人工智能技术在足球机器人的平台上有着重要的作用。从机器人的外观到机器人最重要的核心部分——控制、决策，都无不起着重要的作用。专家系统[4]、人工神经网络在机器人的路径规划[5]上得到充分的应用。

1.人工智能研究现状

人工智能[6-8]是一门研究人类智能机理，以及如何用计算机模拟人类智能活动的学科，该领域的研究包括机器人、语言识别[9]、图像识别、自然语言处理和专家系统等，涉及数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示[10][11]、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

几乎所有的编程语言均可用于解决人工智能算法，但从编程的便捷性和运行效率考虑，最好选用“人工智能语言”[12]。常用的人工智能语言有传统的函数型语言Lisp、逻辑型语言Prolog及面向对象语言Smalltalk、VC++及VB等，Math-Works公司推出的高性能数值计算可视化软件Matlab中包含神经网络工具箱，提供了许多Matlab函数。另外，还有多种系统工具用于开发特定领域的专家系统，如INSIGHT、GURU、CLIPS、ART等。这些实用工具为开发人工智能应用程序提供了便利条件，使人工智能越来越方便地运用于各种领域。

智能机器人是信息技术和人工智能等学科的综合试验场，可以全面检验信息技术和人工智能等各领域的成果，以及它们之间的相互关系。人工智能技术中的视觉、传感融合、行为决策、知识处理等技术，需要使无线通讯、智能控制、机电仪一体化、计算机仿真等许多关键技术有机、高效地集成统一。人们在很多领域都成功地实现了人工智能：自主规划和调度、博弈、自主控制、诊断、后勤规划、机器人技术、语言理解和问题求解等。

2.人工智能主要研究领域

人工智能的研究领域非常广泛，而且涉及的学科非常多。目前，人工智能的主要研究领域包括：专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、智能决策支持系统及人工神经网络等。下面主要介绍在足球机器人设计、制造、控制等过程中常用的人工智能技术[13]。

2.1专家系统

专家系统是一个智能计算机程序系统，是一个具有大量专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。专家系统一般具有如下基本特征：具有专家水平的专门知识；能进行有效的推理；具有获取知识的能力；具有灵活性；具有透明性；具有交互性；具有实用性；具有一定的复杂性及难度。

2.2人工神经网络

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织和非线性映射等优点的神经网络与其他技术的结合，以及由此而来的混合方法和混合系统，已经成为一大研究热点。由于其他方法也有优点，因此将神经网络与其他方法相结合，取长补短，可以达到更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。

2.3图像处理

图像处理是用计算机对图像进行分析，达到所需结果，又称影像处理。图像处理技术主要包括图像压缩，增强和复原，匹配、描述和识别三个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。数字图像处理中的模式识别技术，可以对人眼无法识别的图像进行分类处理，可以快速准确地检索、匹配和识别出各种东西，在日常生活各方面和军事上用途较大。

3.人工智能在足球机器人中的应用

3.1基于专家系统的足球机器人规划

路径规划或避碰问题是足球机器人比赛中的一个重要环节。根据工作环境，路径规划模型可分为基于模型的全局路径规划和基于传感器的局部路径规划。全局路径规划的主要方法有：可视图法、自由空间法、最优控制法、栅格法、拓扑法、切线图法、神经网络法等。局部路径规划的主要方法有：人工势场法、模糊逻辑算法、神经网络法、遗传算法[14]等。机器人规划专家系统是用专家系统的结构和技术建立起来的机器人规划系统。大多数成功的专家系统都是以基于规则系统的结构来模仿人类的综合机理的。它由五部分组成：知识库、控制策略、推理机、知识获取、解释与说明。随着人工智能计算智能与进化算法研究的逐步发展，遗传算法、蚁群算法等的提出，机器人路径规划问题得到了相应发展。尤其是通过遗传算法在路径规划中的应用，机器人更加智能化，其运行路径更加逼近理想的优化要求。以动态、未知环境下的机器人路径规划为研究背景，利用遗传算法采用了基于路点坐标值的可变长染色体编码方式，构造了包含障碍物排斥子函数项的代价函数，使得路径规划中的地图信息被成功引入到了遗传操作的实现过程中。同时针对路径规划问题的具体应用，改进了交叉和变异两种遗传算子，获得了较为理想的路径搜索效率，达到了较好的移动机器人路径规划效果。

3.2人工神经网络在机器人定导航中的应用

人工神经网络是一种仿效生物神经系统的信息处理方法，其优点主要体现在它可以处理难以用模型或规则描述的过程和系统；对非线性系统具有统一的描述；有较强的信息融合能力。因此在移动机器人定位与导航方面，基于神经网络的多传感器信息融合正是利用了神经网络的这些特性，将机器人外部传感器的传感数据信息作为神经网络的输入处理对象，从而获得移动机器人自身位置与对障碍物比较精确的估计，实现移动机器人的避障与自定位。

结语

随着人工智能技术的进一步研究，足球机器人竞赛水平将不断提高。但就目前情况来看，在现有的基础上扩大应用的范围，增强应用的效果，还应主要在人工智能技术上做进一步的研究。专家系统在专家知识的总结、表述及不确定的情况下推理是目前专家系统的瓶颈所在。制造生产的多变复杂性及操作的人工经验性，使人工智能的应用受到限制。此外，一些工艺参数的定量化实现也不易。随着技术的飞速发展，人工智能技术也在进一步完善，如多种方法混合技术、多专家系统技术、机器学习方法、并行分布处理技术等。随着新型人工智能技术的出现，制造业将会更加光明，性能更加优越的足球机器人也不再遥远。

参考文献：

[1]郑南宁.计算机视觉与模式识别[M].北京-国防工业出版社，1998.3.

[2]Wang Hongbing Fan Zhihua She Chundong Formal Specification of Role Assignment for Open Multi Agent System Chinese of Journal Electronics[J].2007，16（2）：212-216.

[3]LIMING ZHANG AND FANJI GU NEURAL INFORMATION PROCESSING VOLUME 1[M]Fudan University Press， 2001.

[4]Cai Zixing，King-Sun Fu. Expert-System-Based Robot Planning ？Control Theory & Applications[J] .1988（2）： 35-42.

[5]张锐，吴成东.机器人智能控制研究进展[J].沈阳建筑工程学院学报（自然科学版），2003，19（1）：61-64.

[6]蔡自兴，徐光祐.人工智能机器应用（第三版）清华大学出版社，2004.

[7]艾辉.谢康宁，谢百治.谈人工智能技术[J]中国医学教育技术，2004，18（2）：78-80.

[8]Nilsson NJ.Artificial Intelligence：A New Synthesis[M].Beijing：China Machine Press，2006：72-95.

[9]Han Jiqing Gao Wen Robust Speech Recognition Method Based on Discriminative Environment Feature Extraction Journal of Computer Science and Technology[J]. 2001；16（5）：458-464.

[10]Tang Zhijie Yang Baoan Zhang Kejing Design of Multi-attribute Knowledge Base Based on Hybrid Knowledge Representation Journal of Donghua University 2006，23（6）：62-66.

[11]Hu Xiangpei Wang Xuyin Knowledge representation and rule——based solution system for dynamic programming model Journal of Harbin Institute of Technology 2003，10（2）：190-194.

[12]姚根.人工智能的概况及实现方法[J] .2009，28（3）：108.

第9篇：神经网络的基本特征范文

关键词：认知雷达；发展前景

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2014）20-4720-02

Introduction to Cognitive Radar

ZHANG Qi-wen， LIU Zhong-yi

（Radar Department of Navy Submarine Academy， Qingdao 266042，China）

Abstract： Cognitive radar is a new concept of radar， in this paper the development of cognitive radar， definitions， and the development direction of the future are expounded.

Key words： Cognitive radar； development trend

大脑视觉是一个强大的并行化信息处理机，具有完成某些任务如高可靠的目标检测和高精度的目标跟踪、其运行速度远超任何传统雷达系统的内在能力。尽管大脑视觉和传统雷达之间存在许多不同之处，但他们共享同一特征：他们都是外部世界（环境）的观察者，雷达是一个通过发射探测信号给环境的主动感知器，然后基于雷达回波进行决策处理得到环境场景[1]。作为一个主动感知器，雷达用于认知雷达回波，并据此发射相应的雷达探测信号。关键问题是：我们如何学脑视觉来显著地增强传统雷达的信息处理能力这个基本问题的答案在于认知，因此认知雷达（CR）的创新理念源于蝙蝠回波定位系统。注意力集中在大脑视觉己有大量地神经科学方面的视觉系统的文献[2]。

1 发展历程

从传统雷达到认知雷达（CR），最初的进化过程的描述是Kershaw和Evans[4]。在这篇论文中， 增加了从接收机到发射机的链接，虽然是离线方式，则系统转变为一个闭环雷达反馈系统，此后这种雷达看成一类提前主动雷达（FAR）[3]。

由此雷达可以分为三类：

传统主动雷达（TAR）， 工作在前馈方式；TAR包括接收机中使用自适应滤波器（卡尔曼滤波器） 进行迭代状态估计，及与发射波形匹配的接收处理。

提前―主动雷达（FAR）， 区别在于使用了连接接收机到发射机的反馈链路， 在雷达文献中， 这种雷达定义为完全自适应， 它的全局反馈， 包括环境在内的反馈环路， FAR包括接收机中使用自适应滤波器和发射机中自适应波束形成。在控制理论方面， 反馈便于智能化；因此也可以认为完全自适应雷达是一个受限的智能系统， 它是向认知雷达迈出的切实可行的第一步。

认知雷达（CR），它既不同于TAR， 也不同于FAR。主要表现在它能从与环境反复作用所获取的经验中进行自组织的学习能力，该能力必将发挥重要的作用。

有表1可以看出，大型脑网络的认知，人类认知传统观点，人脑看成模块化范式，被认定为执行各个专门功能的独立处理器。然而，认知神经科学发现了大脑区域的功能是相互作用的，它以一种大型网络的方式工作在一起。大脑皮层在认知的信息处理中发挥关键的作用， 皮层微柱是皮层的基本功能单元， 感知的任务是在整个皮层区域完成的。Fuster 提出了大脑皮层中用于知识表示的“认知”的概念，此外， 进一步提出了认知的抽象模型，即感知、记忆、注意力、智力和语言。后来，Sporns 等考虑到涉及多个学科的脑网络的复杂性， 扩展了脑区的功能的新范式。这里涉及的学科从生物到物理、社会学到信息学[6]。基于此，强调了如何研究复杂网络的结构和动力学才会有助于理解大脑和认知功能， 并尝试确定未来的信息处理领域实验与理论探讨。

控制论是研究调节系统的基础结构，主要是信息、控制和系统方面的理论，适用于闭环反馈调节系统，其因果循环关系是控制论的基本特征。1948年，维纳对控制论进行了描述，主要研究动物（人）和机器方面的控制和通信。McCulloch发展了控制论，1953年，提出了人工神经网络。Walter实现了初期的自适应机器人，能简单地模仿动物和人的大部分基本行为。

人工神经网络，长期与外部世界相互作用中进行学习的能力是大脑的一个鲜明特征。为了建立模仿人的学习模型，一种常用的方法是训练一个人工神经网络，它是由一组称之为神经元的计算单元组成。对于给定的神经网络，利用监督学习或无监督学习，算法上模仿其学习过程。

受大脑视觉启发，我们提出了一种新的将认知可控的传感引入雷达系统的途径。认知雷达的构建是基于感知―执行周期，它是认知的初始阶段。感知部分基于贝叶斯滤波器和寻求贝叶斯最优性；执行部分基于贝尔曼动态规划下的最佳控制器。将记忆和注意力加入到感知―执行周期中，雷达能够达到的性能水平可以理解为真正意义上体现了智能行为。

2 认知雷达的定义

具有感知周围环境能力的智能、动态闭环系统。其通过先验知识以及对环境的交互学习来感知环境，在此基础上，实时的调整发射机和接收机适应环境的变化，以有效地、可靠地、稳健地达到预定的目标。其主要包括三个基本要素：

1） 智能信息处理。它的主要任务是通过与环境的不断交互，获得并提高雷达对环境的认知；

2） 接收机到发射机的信息反馈。接收机截获雷达信号，经智能信息处理得到目标信息，然后将其反馈给发射机，使得发射机能够自适应调整发射信号，以期望提高整机性能；

3） 雷达回波数据的存储。通过更多雷达回波的积累效果，以提高雷达认知环境的精确程度。

3 认知雷达的未来发展方向

尽管对认知雷达的研究取得了一定的进展但至今还没有认知雷达的问世，编者认为网络化是未来雷达发展的重要方向。多部雷达互相合作可实现远程感知能力。认知雷达网络、可采用分布式（每部雷达都有认知功能）或集中式（设有中心基站，只有该中心基站具有认知功能），将认知雷达和传统雷达组网概念结合，即可充分利用传统雷达组成网络的节点，提高雷达系统的综合能力的同时降低了成本，而网络节点上的单部雷达可以是传统雷达，也可以是具有接收系统的被动雷达[5]。

参考文献：

[1] B. R. Frieden， Science From Fisher Information： A Unification. Cambridge， U.K.： Cambridge Univ. Press， 2004.

[2] S. Haykin， Cognitive radar： A way of the future， IEEE Signal Process. Mag.， vol. 23， no. 1， pp. 30-40， Jan. 2006.

[3] S. Haykin， New generation of radar systems enabled with cognition， presented at the IEEE Radar Conf.， Arlington， VA， May 2010， Keynote Lecture.