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

人工神經(jīng)網(wǎng)絡(luò)的起源范文第1篇

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

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

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

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

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

1 人工神經(jīng)網(wǎng)絡(luò)基本理論

1.1 人工神經(jīng)網(wǎng)絡(luò)概述

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

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

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

1.2 人工神經(jīng)網(wǎng)絡(luò)模型

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

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

1.3 BP神經(jīng)網(wǎng)絡(luò)

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

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

2 基于BP網(wǎng)絡(luò)的客車備件需求預(yù)測(cè)設(shè)計(jì)

2.1 客車備件需求預(yù)測(cè)方法設(shè)計(jì)

2.1.1 模型輸入和輸出設(shè)計(jì)

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

2.1.2 數(shù)據(jù)歸一化

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

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

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

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

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

2.3 預(yù)測(cè)實(shí)現(xiàn)和結(jié)果對(duì)比

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

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

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

參考文獻(xiàn)

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

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

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

人工神經(jīng)網(wǎng)絡(luò)的起源范文第2篇

33歲的加拿大發(fā)明家黎忠(Le Trung)，花光自己所有積蓄，制造了一個(gè)名為“愛(ài)子”的女性機(jī)器人。黎忠稱，“愛(ài)子”是科技與美麗邂逅的產(chǎn)物，她“年方”20多歲，正值青春妙齡，身材苗條，相貌姣好。她總是樂(lè)于打掃房間，幫助黎忠記賬，而且知道他愛(ài)喝什么。每天早上，“愛(ài)子”都為黎忠讀報(bào)，開(kāi)始新的一天。她可以用女性溫柔的聲音告訴黎忠當(dāng)天的天氣狀況，比如：“戶外是零下2℃”?！皭?ài)子”全身關(guān)鍵部位布滿傳感器，脖子上還有一個(gè)攝像頭，這樣她就可以具備觸覺(jué)、視覺(jué)和聽(tīng)覺(jué)。愛(ài)子可以對(duì)撓癢和觸摸做出反應(yīng)，能夠認(rèn)人。可以用英語(yǔ)和日語(yǔ)說(shuō)1.3萬(wàn)句話。她可以點(diǎn)頭，手也可以動(dòng)。如果有人粗魯?shù)赜|碰她，她就會(huì)憤怒地大聲叫喊。即使黎忠輕輕地拍她的頭，她也會(huì)說(shuō)：“摸女孩的頭可不好，摸你自己的頭?！彼踔?xí)取膀}擾者”的耳光。很有趣，對(duì)吧?看來(lái)找個(gè)機(jī)器人做女友并非遙不可及。

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

關(guān)于人工智能

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

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

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

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

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

?面向目標(biāo)性：對(duì)自己的行為做出評(píng)價(jià)并使其逐步導(dǎo)向目標(biāo)；

?針對(duì)環(huán)境性，Agent只能工作在特定的環(huán)境中。

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

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

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

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

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

什么技術(shù)讓機(jī)器人更智能?

1　模式識(shí)別

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

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

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

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

2　專家系統(tǒng)

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

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

3　人工神經(jīng)網(wǎng)絡(luò)

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

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

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

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

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

目前AI研究出現(xiàn)了新的，這一方面是因?yàn)樵谌斯ぶ悄芾碚摲矫嬗辛诵碌倪M(jìn)展，另一方面也是因?yàn)橛?jì)算機(jī)硬件突飛猛進(jìn)的發(fā)展。隨著計(jì)算機(jī)速度的不斷提高、存儲(chǔ)容量的不斷擴(kuò)大、價(jià)格的不斷降低以及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，許多原來(lái)無(wú)法完成的工作現(xiàn)在已經(jīng)能夠?qū)崿F(xiàn)。目前人工智能研究的3個(gè)熱點(diǎn)是：智能接口、數(shù)據(jù)挖掘、主體及多主體系統(tǒng)。

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

1　餐飲服務(wù)多機(jī)器人系統(tǒng)

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

2　競(jìng)技多機(jī)器人系統(tǒng)

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

3　家庭生活支援多機(jī)器人系統(tǒng)

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

人工神經(jīng)網(wǎng)絡(luò)的起源范文第3篇

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

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；跳遠(yuǎn)運(yùn)動(dòng)員；專項(xiàng)成績(jī)；預(yù)測(cè)精度

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

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

0 引言

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

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

1 研究對(duì)象

部分國(guó)內(nèi)一流水平的跳遠(yuǎn)運(yùn)動(dòng)員，國(guó)家健將。

2 研究方法

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

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

3 預(yù)測(cè)專項(xiàng)成績(jī)的BP神經(jīng)網(wǎng)絡(luò)模型

3.1 模型自變量的篩選 由于各項(xiàng)素質(zhì)訓(xùn)練指標(biāo)與專項(xiàng)成績(jī)之間的關(guān)聯(lián)強(qiáng)度不同，對(duì)于專項(xiàng)成績(jī)預(yù)測(cè)的影響系數(shù)也會(huì)不同。需要篩選出對(duì)運(yùn)動(dòng)員專項(xiàng)成績(jī)影響較大的素質(zhì)訓(xùn)練指標(biāo)。利用2008-2009年國(guó)家體育總局收錄的跳遠(yuǎn)運(yùn)動(dòng)員歷史數(shù)據(jù)信息，對(duì)跳遠(yuǎn)運(yùn)動(dòng)員各素質(zhì)訓(xùn)練指標(biāo)與專項(xiàng)成績(jī)做相關(guān)性分析，計(jì)算出各自相關(guān)系數(shù)（r），結(jié)果見(jiàn)表1。由表1可知，運(yùn)動(dòng)員的立定三級(jí)跳、30米跑、離板瞬間重心騰起初速度、最后5米助跑速度及100米跑等五項(xiàng)素質(zhì)訓(xùn)練指標(biāo)與專項(xiàng)成績(jī)之間的相關(guān)系數(shù)均較大，選取這五項(xiàng)素質(zhì)訓(xùn)練指標(biāo)作為運(yùn)動(dòng)員專項(xiàng)成績(jī)的預(yù)測(cè)因子。

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

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

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

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

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

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

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

利用上述多重線性回歸模型，計(jì)算得出2008年- 2009年運(yùn)動(dòng)員的專項(xiàng)成績(jī)預(yù)測(cè)值。計(jì)算結(jié)果見(jiàn)表3。

由表3中的誤差一欄可見(jiàn)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)誤差遠(yuǎn)低于多元線性回歸模型的預(yù)測(cè)誤差。通過(guò)計(jì)算各種方法的誤差值求出BP神經(jīng)網(wǎng)絡(luò)模型的平均相對(duì)誤差為0.048，而多重線性回歸模型的平均相對(duì)誤差為0.188。說(shuō)明神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果優(yōu)于多重線性回歸模型，BP神經(jīng)網(wǎng)絡(luò)模型更適于進(jìn)行跳遠(yuǎn)運(yùn)動(dòng)員專項(xiàng)成績(jī)的預(yù)測(cè)。

4 結(jié)束語(yǔ)

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

參考文獻(xiàn)：

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

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

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

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

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

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

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

人工神經(jīng)網(wǎng)絡(luò)的起源范文第4篇

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

1 概述

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

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

2 計(jì)算智能的主要算法

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

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

3 主要的計(jì)算智能算法

3.1 人工神經(jīng)網(wǎng)絡(luò)

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

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

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

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

3.2 模擬退火

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

模擬退火是一種全局優(yōu)化方法，就是人為地引入噪聲，使得當(dāng)某算法陷入局部最優(yōu)的陷阱時(shí)，而造成從該陷阱中逃脫的條件，進(jìn)而再逐步減小噪聲，以使得算法能停留在全局最優(yōu)點(diǎn)。其實(shí)早在1965年，Khas就提出了這一想法，不過(guò)并未受到計(jì)算機(jī)科學(xué)與優(yōu)化應(yīng)用領(lǐng)域的足夠重視。直到1983年，Kirkpatrick提出模擬退火算法，才引起了優(yōu)化應(yīng)用領(lǐng)域的重視，成為熱點(diǎn)流行起來(lái)。它的特點(diǎn)主要有以下幾個(gè)方面：（1）以一定的概率接受惡化解，在迭代過(guò)程中不僅接受使目標(biāo)函數(shù)變“好”的試探點(diǎn)，而且還能以一定的概率接受目標(biāo)函數(shù)值變“差”的試探點(diǎn)，迭代中出現(xiàn)的狀態(tài)是隨機(jī)產(chǎn)生的，并且不強(qiáng)求后一個(gè)狀態(tài)一定優(yōu)于前一個(gè)狀態(tài)，即以一定的可能容忍的退化狀態(tài)的出現(xiàn)；（2）引進(jìn)算法控制參數(shù)T，它將優(yōu)化過(guò)程分為各個(gè)階段，并決定各個(gè)階段下隨機(jī)狀態(tài)的取舍標(biāo)準(zhǔn)，接受函數(shù)由Metropolis算法給出一個(gè)簡(jiǎn)單的數(shù)學(xué)模型，接受概率隨著溫度的下降而逐漸減小；（3）使用對(duì)象函數(shù)值（即適應(yīng)值）進(jìn)行搜索，它僅使用由目標(biāo)函數(shù)變換來(lái)的適應(yīng)度函數(shù)值，就可確定進(jìn)一步的搜索方向和搜索范圍，無(wú)需其它一些輔助信息［4］。

3.3 模糊邏輯

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

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

3.4 遺傳算法

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

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

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

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

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

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

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

3.5 禁忌搜索算法

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

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

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

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

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

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

3.6 DNA軟計(jì)算

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

3.7 人工免疫系統(tǒng)

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

3.8 蟻群算法

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

3.9 粒子群算法

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

3.10 多（Agent）系統(tǒng)

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

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

結(jié)束語(yǔ)

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

參考文獻(xiàn)：

［1］李國(guó)杰.計(jì)算智能：一個(gè)重要的研究方向［A］.

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

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

［4］項(xiàng)寶衛(wèi)，凌塑勇.計(jì)算智能算法的研究現(xiàn)狀［J］.臺(tái)州學(xué)院學(xué)報(bào)，2006.6，(3)：22-25.

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

人工神經(jīng)網(wǎng)絡(luò)的起源范文第5篇

現(xiàn)代等離子體物理第一卷，湍流等離子體物理動(dòng)理學(xué)

數(shù)值相對(duì)論計(jì)算機(jī)求解愛(ài)因斯坦方程

物理學(xué)家的隨機(jī)過(guò)程理解噪聲系統(tǒng)

量子信息和糾纏性的哲理

環(huán)境流體力學(xué)進(jìn)展

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

天文問(wèn)答指南

利用雙筒望遠(yuǎn)鏡探索太陽(yáng)系的奧秘

藥物設(shè)計(jì)

生態(tài)恢復(fù)

花圖式

大腦中的語(yǔ)言

利用人工神經(jīng)網(wǎng)絡(luò)模擬感知

自然資源保護(hù)與管理中的分子方法

美容的神經(jīng)生物學(xué)

空間認(rèn)知與空間感知

評(píng)估自然資源

多媒體檢索數(shù)據(jù)管理

Event—B語(yǔ)言的建模

算法語(yǔ)言Scheme的第6次修訂報(bào)告

量子計(jì)算中的語(yǔ)義學(xué)技術(shù)

機(jī)械臂的自適應(yīng)控制統(tǒng)一無(wú)回歸矩陣方法

稀疏圖像信號(hào)處理

機(jī)械和電子工程

偉大的工程師們

隨機(jī)調(diào)度

復(fù)值數(shù)據(jù)的統(tǒng)計(jì)信號(hào)處理

移動(dòng)機(jī)器人分析學(xué)的更多的進(jìn)展 第5屆國(guó)際ISAAC會(huì)議論文集

分析學(xué)的進(jìn)一步進(jìn)展 第6屆國(guó)際ISAAC會(huì)議論文集

線性算子方法 逼近與正則化

2008年Isehia群論會(huì)議文集

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

計(jì)算科學(xué)的最近進(jìn)展

超流宏觀理論

高等凝聚態(tài)物理

量子雜談 微觀世界的魅力

從π介子到夸克 20世紀(jì)50年代的粒子物理學(xué)

非線性振動(dòng)

非線性波

時(shí)間序列分析 社會(huì)科學(xué)家用的全面介紹

時(shí)間，空間，星系與人類 關(guān)于宇宙大爆炸的故事

彗星和生命起源

發(fā)現(xiàn)宇宙大爆炸)膨脹宇宙的發(fā)現(xiàn)

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

世界上最大的濕地 生態(tài)與保護(hù)

有害污染物的科學(xué)管理

達(dá)爾文的短篇出版物1829—1883

物理生物學(xué) 從原子到醫(yī)學(xué)

達(dá)爾文筆記1836—1844

諾貝爾生理醫(yī)學(xué)獎(jiǎng)專題講座2001—2005

陸蟹生物學(xué)

無(wú)標(biāo)記生物傳感技術(shù)以及應(yīng)用

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

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

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

伽羅瓦理論 第二版

變分法中的重積分

數(shù)論概要

解Pell方程

復(fù)雜的非線性 混沌、相變、拓?fù)渥兓吐窂椒e分

量子位勢(shì)論

導(dǎo)電物質(zhì)量子理論 超導(dǎo)

自旋 Poincare研討會(huì)2007

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

結(jié)構(gòu)力學(xué)中的混沌

物質(zhì)結(jié)構(gòu)

激光材料加工原理 現(xiàn)代傳熱與傳質(zhì)技術(shù)

超快強(qiáng)激光科學(xué)的進(jìn)展 第四卷

相變材料 科學(xué)和應(yīng)用

分析系統(tǒng)動(dòng)力學(xué) 建模與仿真

微極亞塑性顆粒狀物體中的剪切局部化

天線和望遠(yuǎn)鏡的建模與控制

將無(wú)人飛機(jī)系統(tǒng)集成到國(guó)家空域系統(tǒng)

動(dòng)力學(xué)系統(tǒng)中的模型提取 用于移動(dòng)機(jī)器人控制

臨床核磁共振成像及其物理學(xué) 指南

膠原蛋白 結(jié)構(gòu)和力學(xué)

大型渦流模擬的質(zhì)量及可靠性

信息系統(tǒng)開(kāi)發(fā)、

移動(dòng)多媒體廣播標(biāo)準(zhǔn) 技術(shù)與實(shí)踐

計(jì)算系統(tǒng)中的安全性