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)的缺點(diǎn)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)的缺點(diǎn)范文第1篇

［關(guān)鍵詞］BP神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)工程農(nóng)業(yè)管理農(nóng)業(yè)決策

一、引言

采用神經(jīng)網(wǎng)絡(luò)算法的信息處理技術(shù)，以其較強(qiáng)的計(jì)算性和學(xué)習(xí)性，現(xiàn)如今已經(jīng)在各工程領(lǐng)域內(nèi)得到了廣泛應(yīng)用。隨著科技不斷的發(fā)展和研究的不斷深入，農(nóng)業(yè)系統(tǒng)中采用的傳統(tǒng)分析和管理的方法已經(jīng)不能滿足農(nóng)業(yè)工程領(lǐng)域快速發(fā)展的需要。在農(nóng)業(yè)系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)技術(shù)可在一定程度上可彌補(bǔ)傳統(tǒng)方法的不足，現(xiàn)已成為實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的一個(gè)重要途徑。神經(jīng)網(wǎng)絡(luò)現(xiàn)已在農(nóng)業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)得到廣泛的應(yīng)用，從作物營(yíng)養(yǎng)控制、作物疾病診斷、產(chǎn)量預(yù)測(cè)到產(chǎn)品分級(jí)，顯示了巨大的潛力，并正以很快的速度與生產(chǎn)實(shí)際相結(jié)合。目前應(yīng)用比較多的BP神經(jīng)網(wǎng)絡(luò)，可通過(guò)學(xué)習(xí)以任意精度逼近任何連續(xù)映射，在農(nóng)業(yè)生產(chǎn)與科研中展示出了廣闊的應(yīng)用前景。

BP人工神經(jīng)網(wǎng)絡(luò)方法。人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)化和模擬的一種信息處理系統(tǒng)，具有很強(qiáng)的信息存貯能力和計(jì)算能力，屬于一種非經(jīng)典的數(shù)值算法。通常可分為前向神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，可通過(guò)連續(xù)不斷的在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值以及偏差的變化而逐漸逼近目標(biāo)值，每一次數(shù)字和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示，BP神經(jīng)網(wǎng)絡(luò)可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網(wǎng)絡(luò)結(jié)點(diǎn)之間沒(méi)有連接。每個(gè)網(wǎng)絡(luò)結(jié)點(diǎn)表示一個(gè)神經(jīng)元，其傳遞函數(shù)通常采用Sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡(luò)相當(dāng)于從輸入到輸出的高度非線性映射，對(duì)于樣本輸入和輸出，可以認(rèn)為存在某一映射函數(shù)g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數(shù)，xi為輸入樣本，yo為輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著優(yōu)點(diǎn)就是其可進(jìn)行自學(xué)習(xí)，能夠通過(guò)訓(xùn)練得到預(yù)期的效果。其學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成，神經(jīng)網(wǎng)絡(luò)的輸入值經(jīng)過(guò)非線性變換從輸入層經(jīng)隱含層神經(jīng)元的逐層處理傳向輸出層，此為正向傳播過(guò)程。每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài)。如果輸出層得到的數(shù)值與期望輸出有一定的偏差，則轉(zhuǎn)入反向傳播過(guò)程。神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)輸入值和希望的輸出值(教師值)進(jìn)行比較，根據(jù)兩者之間的差的函數(shù)來(lái)調(diào)整神經(jīng)網(wǎng)絡(luò)的各層的連接權(quán)值和各個(gè)神經(jīng)元的閾值，最終使誤差函數(shù)達(dá)到最小。其調(diào)整的過(guò)程是由后向前進(jìn)行的，稱為誤差反向傳播BP算法。具體學(xué)習(xí)過(guò)程如下：

（1)隨機(jī)給各個(gè)權(quán)值賦一個(gè)初始權(quán)值，要求各個(gè)權(quán)值互不相等，且均為較小的非零數(shù)。

（2)輸入樣本集中每一個(gè)樣本值，確定相應(yīng)的網(wǎng)絡(luò)實(shí)際輸出值。

（3)計(jì)算實(shí)際的輸出值與相應(yīng)的樣本集中的相應(yīng)輸出值的差值。

（4)按極小誤差方式調(diào)整權(quán)值矩陣。

（5)判斷網(wǎng)絡(luò)誤差是否小于訓(xùn)練前人為設(shè)定的一個(gè)較小的值，若小于，則跳出運(yùn)算，此時(shí)的結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果；若大于，則繼續(xù)計(jì)算。

（6）判斷最大迭代次數(shù)是否大于預(yù)先設(shè)定的數(shù)，若小于，返回（2）;若大于，則中止運(yùn)算，其結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果。

上述的計(jì)算過(guò)程循環(huán)進(jìn)行，直到完成給定的訓(xùn)練次數(shù)或達(dá)到設(shè)定的誤差終止值。

二、BP神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程領(lǐng)域中的應(yīng)用

1.在農(nóng)業(yè)生產(chǎn)管理與農(nóng)業(yè)決策中的應(yīng)用

農(nóng)業(yè)生產(chǎn)管理受地域、環(huán)境、季節(jié)等影響較大，用產(chǎn)生式規(guī)則完整描述實(shí)際系統(tǒng)，可能會(huì)因組合規(guī)則過(guò)多而無(wú)法實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著的優(yōu)點(diǎn)就是其具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自組織能力，通過(guò)對(duì)有代表性的樣本的學(xué)習(xí)可以掌握學(xué)習(xí)對(duì)象的內(nèi)在規(guī)律，從而可以在一定程度上克服上述信息量大的問(wèn)題。神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)生產(chǎn)管理方面可用于農(nóng)作物生長(zhǎng)過(guò)程中對(duì)農(nóng)作物生長(zhǎng)需求進(jìn)行預(yù)測(cè)，從而通過(guò)對(duì)養(yǎng)分、水分、溫度、以及PH值的優(yōu)化控制達(dá)到最優(yōu)的生長(zhǎng)狀況。采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的主要思想可描述為：（1）收集一定規(guī)模的樣本集，采用BP算法進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)收斂到預(yù)定的精度；（2）將網(wǎng)絡(luò)權(quán)值矩陣保存到一存儲(chǔ)介質(zhì)中，例如文本文件或數(shù)據(jù)庫(kù)中；（3）對(duì)于待預(yù)測(cè)數(shù)據(jù)的輸入部分，從存儲(chǔ)介質(zhì)中讀出網(wǎng)絡(luò)連接權(quán)值矩陣，然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)的前向傳播算法計(jì)算網(wǎng)絡(luò)輸出，輸出結(jié)果既是預(yù)測(cè)出來(lái)的數(shù)值向量。如霍再林等針對(duì)油葵不同階段的相對(duì)土壤含鹽濃度對(duì)其產(chǎn)量的影響有一定的規(guī)律的現(xiàn)象，以油葵的6個(gè)成長(zhǎng)階段的土壤溶液含鹽的相對(duì)濃度為輸入樣本，相對(duì)產(chǎn)量為輸出樣本，通過(guò)比較發(fā)現(xiàn)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能較好預(yù)測(cè)油葵產(chǎn)量，采用此方法可補(bǔ)充傳統(tǒng)模型的不足，為今后進(jìn)一步的研究開辟了新路。

在農(nóng)業(yè)決策方面，主要將農(nóng)業(yè)專家面對(duì)各種問(wèn)題時(shí)所采取的方法的經(jīng)驗(yàn)，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，從而采用神經(jīng)網(wǎng)絡(luò)建立的專家系統(tǒng)將從一定程度上彌補(bǔ)了傳統(tǒng)方法的不足，將農(nóng)業(yè)決策智能化。如何勇、宋海燕針對(duì)傳統(tǒng)專家系統(tǒng)自學(xué)習(xí)能力差的缺點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)可自我訓(xùn)練的優(yōu)點(diǎn)，將神經(jīng)網(wǎng)絡(luò)引入專家系統(tǒng)中。將小麥缺素時(shí)的田間宏觀表現(xiàn)，葉部、莖部、果實(shí)癥狀及引起缺素的原因這五個(gè)方面的可信度值作為神經(jīng)網(wǎng)絡(luò)的輸入量，將農(nóng)業(yè)專家診斷的結(jié)論作為輸出量，將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。實(shí)際應(yīng)用表明此系統(tǒng)自動(dòng)診斷的結(jié)果與專家現(xiàn)場(chǎng)診斷的結(jié)果基本一致，從而采用該系統(tǒng)能夠取代專家，實(shí)現(xiàn)作物的自我診斷，為農(nóng)業(yè)管理方面提供了極大的幫助。如馬成林等針對(duì)于傳統(tǒng)施肥決策方法中非線性關(guān)系描述不足的問(wèn)題，基于數(shù)據(jù)包分析和BP神經(jīng)網(wǎng)絡(luò)，建立了施肥決策模型，應(yīng)用表明，在有限的范圍內(nèi)，模型預(yù)測(cè)結(jié)果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經(jīng)網(wǎng)絡(luò)應(yīng)用在農(nóng)業(yè)生產(chǎn)決策中，以莜麥播種方式?jīng)Q策為例，通過(guò)對(duì)產(chǎn)生式規(guī)則的分析導(dǎo)出神經(jīng)網(wǎng)絡(luò)輸入、輸出單元數(shù)，并通過(guò)多次試驗(yàn)確定隱層單元數(shù)，用MATLAB方針結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)作為農(nóng)業(yè)生產(chǎn)決策的方法，取得了較好的效果。譚宗琨提出將基于互聯(lián)網(wǎng)環(huán)境下的神經(jīng)網(wǎng)絡(luò)應(yīng)用在玉米智能農(nóng)業(yè)專家系統(tǒng)中，根據(jù)農(nóng)作物發(fā)育進(jìn)程分成若干個(gè)發(fā)育期，分別對(duì)各個(gè)發(fā)育期建立管理模型，依照作物各發(fā)育期進(jìn)程時(shí)間間隔，由計(jì)算機(jī)系統(tǒng)自動(dòng)選取相應(yīng)的模型進(jìn)行決策。應(yīng)用分析的結(jié)果表明采用神經(jīng)網(wǎng)絡(luò)的玉米智能專家系統(tǒng)已初步接近農(nóng)業(yè)生產(chǎn)的實(shí)際。

2.在農(nóng)產(chǎn)品外觀分析和品質(zhì)評(píng)判

農(nóng)產(chǎn)品的外觀，如形狀、大小、色澤等在生產(chǎn)過(guò)程中是不斷變化的，并且受人為和自然等復(fù)雜因素的影響較大。農(nóng)產(chǎn)品的外觀直接影響到農(nóng)產(chǎn)品的銷售，研究出農(nóng)作物外觀受人為和自然的影響因素，通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行生產(chǎn)預(yù)測(cè)，可解決農(nóng)產(chǎn)品由于不良外觀而造成的損失。如Murase 等針對(duì)西紅柿表皮破裂的現(xiàn)象，西紅柿表皮應(yīng)力的增長(zhǎng)與西紅柿果肉靠近表皮部分水分的增加有關(guān)，當(dāng)表皮應(yīng)力超過(guò)最大表皮強(qiáng)度時(shí)，將導(dǎo)致表皮破裂。用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，預(yù)測(cè)在環(huán)境溫度下的表皮應(yīng)力，可通過(guò)控制環(huán)境變量來(lái)減少西紅柿表皮破裂所造成的損失。

在農(nóng)業(yè)科研和生產(chǎn)中，農(nóng)產(chǎn)品的品質(zhì)評(píng)判大多是依賴于對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)。例如對(duì)果形尺寸和顏色等外觀判別果實(shí)的成熟度，作物與雜草的辨別，種子的外觀質(zhì)量檢測(cè)。由于農(nóng)業(yè)環(huán)境的復(fù)雜性和生物的多樣性，農(nóng)產(chǎn)品的外觀不具有較確定的規(guī)律性和可描述性，單一采用圖像處理技術(shù)辨識(shí)農(nóng)產(chǎn)品的外觀時(shí)不宜過(guò)多采取失真處理和變換，否則則增加圖像處理的復(fù)雜性，特征判別也相對(duì)困難。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)、自組織的能力，比較適宜解決農(nóng)業(yè)領(lǐng)域中許多難以用常規(guī)數(shù)學(xué)方法表達(dá)的復(fù)雜問(wèn)題，與圖像處理技術(shù)相結(jié)合后，可根據(jù)圖像特征進(jìn)行選擇性判別。采用此方法可以部分替代人工識(shí)別的工作，提高了生產(chǎn)效率，也有利于實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如Liao等將玉米籽粒圖像用34個(gè)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，將輸出的種粒形態(tài)分為5類，經(jīng)過(guò)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)對(duì)完整籽粒分類的準(zhǔn)確率達(dá)到93％，破籽粒分類的準(zhǔn)確率達(dá)91％。

3.蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定

在農(nóng)業(yè)生產(chǎn)中，蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定是通過(guò)對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)進(jìn)行的。傳統(tǒng)的農(nóng)產(chǎn)品外觀的辨識(shí)方法費(fèi)時(shí)費(fèi)力、預(yù)測(cè)可靠度很低，而且多采用人工操作，評(píng)價(jià)受到操作者主觀因素的影響，評(píng)判的精度難以保證。利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合圖像處理技術(shù)可部分代替以往這些主要依靠人工識(shí)別的工作，從而大大提高生產(chǎn)效率，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動(dòng)化和智能化。

利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)農(nóng)產(chǎn)品果形尺寸和顏色等外觀評(píng)判，目前國(guó)內(nèi)外已有不少成果用于實(shí)際生產(chǎn)中。何東健等以計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行果實(shí)顏色自動(dòng)分級(jí)為目的，研究了用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色分級(jí)的方法。分別用120個(gè)著色不同的紅星和紅富士蘋果作為訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。兩個(gè)品種的蘋果先由人工依據(jù)標(biāo)準(zhǔn)按著色度分成4級(jí)，對(duì)每一個(gè)品種分別求出7個(gè)模式特征值作為BP網(wǎng)絡(luò)的輸入，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行分級(jí)。結(jié)果表明紅富士和紅星果實(shí)的平均分級(jí)一致率分別為94.2％和94.4％。劉禾等用對(duì)稱特征、長(zhǎng)寬特征、寬度特征、比值特征等一系列特征值來(lái)描述果形。采用BP網(wǎng)絡(luò)與人工智能相結(jié)合，建立果形判別人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。試驗(yàn)水果品種為富士和國(guó)光。試驗(yàn)表明系統(tǒng)對(duì)富士學(xué)習(xí)率為80％，對(duì)非學(xué)習(xí)樣本的富士蘋果的果形判別推確率為75％，系統(tǒng)對(duì)國(guó)光學(xué)習(xí)率為89％，對(duì)非學(xué)習(xí)樣本的國(guó)光蘋果果形判別系統(tǒng)的難確率為82％。

三、未來(lái)的發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)現(xiàn)已在農(nóng)業(yè)工程領(lǐng)域內(nèi)得到了迅速的應(yīng)用，采用人工神經(jīng)網(wǎng)絡(luò)算法的農(nóng)業(yè)系統(tǒng)能夠從一定程度上改善控制效果，但此技術(shù)在農(nóng)業(yè)范圍內(nèi)還不夠成熟，有待于進(jìn)一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

人工神經(jīng)網(wǎng)絡(luò)算法由于本身具有一定的缺點(diǎn)，從而采用人工神經(jīng)網(wǎng)絡(luò)的算法的信息處理技術(shù)在應(yīng)用過(guò)程中具有一定的局限性。在今后的研究中，可以從人工神經(jīng)網(wǎng)絡(luò)方向著手，改進(jìn)人工神經(jīng)網(wǎng)絡(luò)算法，從而實(shí)現(xiàn)其在農(nóng)業(yè)領(lǐng)域內(nèi)更好的應(yīng)用。近年來(lái)隨著模糊算法、蟻群算法等算法的相繼出現(xiàn)，將神經(jīng)網(wǎng)絡(luò)與其他算法結(jié)合在一起已經(jīng)成為了研究的熱門話題，也是未來(lái)算法研究的主要方向之一。

2.應(yīng)用領(lǐng)域的擴(kuò)展

人工神經(jīng)網(wǎng)絡(luò)算法在農(nóng)業(yè)工程方面現(xiàn)已得到了迅速的發(fā)展，擴(kuò)展其在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用范圍是未來(lái)的一個(gè)主要研究方向。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)能力，可對(duì)農(nóng)業(yè)系統(tǒng)的非線形特性進(jìn)行較好的描述，采用人工神經(jīng)網(wǎng)絡(luò)可解決傳統(tǒng)方法的不足，從而實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如何將神經(jīng)網(wǎng)絡(luò)較好地引入到農(nóng)業(yè)系統(tǒng)，解決農(nóng)業(yè)工程中的部分問(wèn)題，已是今后農(nóng)業(yè)科研中的一個(gè)方向。

四、結(jié)束語(yǔ)

神經(jīng)網(wǎng)絡(luò)作為一種人工智能范疇的計(jì)算方法，具有良好的自學(xué)習(xí)與數(shù)學(xué)計(jì)算的能力，可通過(guò)計(jì)算機(jī)程序進(jìn)行模擬運(yùn)算，現(xiàn)已廣泛用于模式識(shí)別、管理決策等方面。隨著計(jì)算機(jī)硬件和軟件的不斷發(fā)展與農(nóng)業(yè)工程方面的研究的不斷深入，神經(jīng)網(wǎng)絡(luò)將在農(nóng)業(yè)管理、農(nóng)業(yè)決策、農(nóng)作物外觀分類、品質(zhì)評(píng)判等方面充分發(fā)揮其自學(xué)習(xí)能力強(qiáng)，計(jì)算能力強(qiáng)的優(yōu)勢(shì)，通過(guò)對(duì)樣本數(shù)據(jù)的學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可較好地解決農(nóng)作物生長(zhǎng)過(guò)程中的作物分類、預(yù)測(cè)等非線形的問(wèn)題。在農(nóng)業(yè)工程領(lǐng)域內(nèi)，神經(jīng)網(wǎng)絡(luò)擁有廣闊的科研前景。

參考文獻(xiàn):

[1]余英林李海洲:神經(jīng)網(wǎng)絡(luò)與信號(hào)分析[M]. 廣州: 華南理工大學(xué)出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經(jīng)網(wǎng)絡(luò)的作物水―鹽響應(yīng)初步研究[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2003，24（3）：66～70

[3]何勇宋海燕:基于神經(jīng)網(wǎng)絡(luò)的作物營(yíng)養(yǎng)診斷專家系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數(shù)據(jù)包絡(luò)分析和人工神經(jīng)網(wǎng)絡(luò)的變量施肥決策方法研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式?jīng)Q策的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 太原理工大學(xué)學(xué)報(bào)，2006,37(5):119～121

[6]譚宗琨: BP人工神經(jīng)網(wǎng)絡(luò)在玉米智能農(nóng)業(yè)專家系統(tǒng)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)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

人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)范文第2篇

關(guān)鍵詞：相似性；可塑性；阻變機(jī)理

DOI：10.16640/ki.37-1222/t.2016.03.102

0 引言

人工神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)。神經(jīng)元之間突觸的聯(lián)系強(qiáng)度是可變，這是學(xué)習(xí)和記憶的基礎(chǔ)。人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)“訓(xùn)練”而具有自學(xué)習(xí)和自適應(yīng)的能力。神經(jīng)網(wǎng)絡(luò)技術(shù)的關(guān)鍵是權(quán)重設(shè)計(jì)，權(quán)重的硬件實(shí)現(xiàn)需要一個(gè)長(zhǎng)期保持記憶且不耗能的納米級(jí)元件。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)技術(shù)都是在傳統(tǒng)計(jì)算機(jī)基礎(chǔ)上進(jìn)行的，其主要缺點(diǎn)是運(yùn)算量巨大且運(yùn)算不是并行處理。如果在硬件上實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的并行分布式處理、非線性處理，自我學(xué)習(xí)功能和自適應(yīng)性等功能，就能夠解決了人工神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)計(jì)算機(jī)上運(yùn)算量巨大的缺點(diǎn)。而單個(gè)憶阻器便可實(shí)現(xiàn)神經(jīng)突觸功能的模擬，而且憶阻器能夠很容易與納米交叉連接技術(shù)相結(jié)合，具有大規(guī)模并行處理、分布式信息存儲(chǔ)、巨大存儲(chǔ)量等優(yōu)勢(shì)。所以利用憶阻系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)神經(jīng)突觸功能的模擬的最好的方式之一，因而成為近年來(lái)研究的熱點(diǎn)。

1 憶阻與神經(jīng)突觸的相似性

神經(jīng)元是大腦處理信息的基本單元。人腦大約含有1011-1012個(gè)神經(jīng)元，神經(jīng)元互相連接成神經(jīng)網(wǎng)絡(luò)。突觸是神經(jīng)元間信息傳遞的關(guān)鍵部位，決定了前后神經(jīng)元之間的聯(lián)系強(qiáng)度。圖1.神經(jīng)突觸的結(jié)構(gòu)示意圖。神經(jīng)遞質(zhì)通過(guò)突觸前膜釋放到突觸間隙，作用于突觸后膜上的受體，使突觸后膜發(fā)生電位變化，使下一個(gè)神經(jīng)元產(chǎn)生興奮或抑制。生物系統(tǒng)記憶和學(xué)習(xí)功能是以精確控制通過(guò)神經(jīng)元及突觸的離子流為基礎(chǔ)建立的。突觸能夠隨外界的電位刺激變化，粒子流產(chǎn)生動(dòng)態(tài)連續(xù)的變化，聯(lián)系強(qiáng)度增強(qiáng)或者減弱，即突觸的可塑性。在憶阻器件出現(xiàn)之前，人工神經(jīng)網(wǎng)絡(luò)突觸的的硬件實(shí)現(xiàn)需要集成電路甚至超大規(guī)模的集成電路，而且人工神經(jīng)網(wǎng)絡(luò)的密度也很難達(dá)到生物神經(jīng)網(wǎng)絡(luò)的密度，因而電路復(fù)雜體積龐大，制約了人工神經(jīng)網(wǎng)絡(luò)對(duì)于復(fù)雜的人腦功能模擬的實(shí)現(xiàn)。憶阻器的出現(xiàn)解決了這個(gè)問(wèn)題，世界各地多個(gè)研究小組已實(shí)現(xiàn)了具有不同憶阻模型和憶阻特性的憶阻器件。由于憶阻器的電阻可變和電阻記憶特性，與突觸的功能上有很強(qiáng)的相似性，因此憶阻在人工神經(jīng)網(wǎng)絡(luò)電路中可以模擬突觸在生物神經(jīng)網(wǎng)絡(luò)中的作用。

2 神經(jīng)突觸的可塑性特性

神經(jīng)突觸一個(gè)重要的特征是突觸的可塑性，電信號(hào)刺激能夠加強(qiáng)或者弱化突觸，突觸連接強(qiáng)度可連續(xù)調(diào)節(jié)。利用憶阻器模擬生物突觸最基本的依據(jù)是由于它具有電阻緩變的特性，當(dāng)施加電壓下器件的阻值可實(shí)現(xiàn)從高（低）阻值到低（高）阻值的緩變過(guò)程，器件的導(dǎo)電性（或阻值）相當(dāng)于突觸權(quán)重，導(dǎo)電性增大和減小的過(guò)程分別對(duì)應(yīng)突觸的增強(qiáng)和抑制過(guò)程。記憶是通過(guò)大腦中大量突觸之間的相互連接所表現(xiàn)出來(lái)，因此，突觸可塑性被認(rèn)為是學(xué)習(xí)和記憶重要的神經(jīng)化學(xué)基礎(chǔ)。實(shí)現(xiàn)突觸學(xué)習(xí)功能時(shí)，一個(gè)典型特性是電脈沖時(shí)間依賴可塑性（STDP）。人類大腦中記憶或者突觸可塑性按保留時(shí)間可以分為短程記憶和長(zhǎng)程記憶。短時(shí)程可塑性與神經(jīng)元的信息傳遞和處理有著密切的關(guān)系。神經(jīng)系統(tǒng)每時(shí)每刻都接受數(shù)以千計(jì)來(lái)自外界的刺激，短時(shí)可塑性對(duì)如何在大量的輸入信息中提取有用信息扮演重要角色。長(zhǎng)時(shí)程可塑性促使突觸在數(shù)小時(shí)到數(shù)天之內(nèi)發(fā)生持續(xù)性的變化，人們認(rèn)為其在學(xué)習(xí)和記憶存儲(chǔ)的突觸機(jī)制中發(fā)揮重要作用。

3 憶阻器件的阻變機(jī)理

早在1971年，美國(guó)校華裔科學(xué)家蔡少棠就通過(guò)理論計(jì)算預(yù)言，在電阻、電容和電感之外必定存還在第四種無(wú)源電子元件，即憶阻器。如圖3所示，電路的3個(gè)基本元件電阻、電感和電容，可以分別有由4個(gè)電路變量變量電壓（v）、電流 （i）、電荷量（q）和磁通量（φ）中的兩個(gè)來(lái)定義，分別為：由電壓和電流定義的電阻R、由電荷和電壓定義的電容 C 以及由磁通量和電流定義的電感L。出于邏輯完備性，蔡紹棠認(rèn)為應(yīng)該還存在由電荷量和磁通量定義的第4類基本電路元器件即憶阻器。然而學(xué)界卻一直沒(méi)有找到這個(gè)在理論上成立的無(wú)源元器件，直到37年后（2008年），美國(guó)惠普公司宣布在Pt/TiO2Cx/Pt兩端器件實(shí)現(xiàn)了具有憶阻功能的器件結(jié)構(gòu)（圖4），從而找到這個(gè)一直缺失的電路元件，至此憶阻器開始引起更多學(xué)者的研究興趣，并迅速成為電路、材料、生物等領(lǐng)域的研究熱點(diǎn)。

隨著人們對(duì)憶阻器研究的深入，多種憶阻器件和模型在各研究領(lǐng)域相繼提出和實(shí)現(xiàn)。目前，阻變機(jī)理主要有邊界遷移模型、絲電導(dǎo)模型、電子自旋阻塞效應(yīng)、氧化還原反應(yīng)等。中科院諸葛飛課題組在錐形納米孔洞結(jié)構(gòu)的非晶碳薄膜材料中，實(shí)現(xiàn)了納米導(dǎo)電絲機(jī)制的憶阻器件。非晶碳膜阻變器件的電致電阻效應(yīng)決定于通孔中的納米導(dǎo)電細(xì)絲的通斷（如圖4）。

4 結(jié)論與展望

本文對(duì)神經(jīng)網(wǎng)絡(luò)的概念、憶阻器與神經(jīng)突觸的相似性、神經(jīng)突觸的可塑性、憶阻器的阻變機(jī)理進(jìn)行了綜述，指出了目前很多憶阻器是利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人工智能及超級(jí)計(jì)算機(jī)的硬件基礎(chǔ)。目前憶阻器材料研究存在的兩個(gè)主要問(wèn)題是阻 變機(jī)理不夠清楚和阻變性能不夠穩(wěn)定。憶阻器材料非常之多，甚至把任意絕緣材料做到納米級(jí)，就很有可能具有阻變特性。找出隱藏在眾多阻變現(xiàn)象之后的機(jī)理有無(wú)共同的規(guī)律，研究阻變特性是由材的化學(xué)成分決定還是由材料的微 觀結(jié)構(gòu)決定，這將是以后研究中需要回答的問(wèn)題。

人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)范文第3篇

A

Hierarchy feature recognition based on feature face

PENG Sizhen， HAO Yongtao

(CAD Research Center, Tongji Univ., Shanghai 200092, China)

Abstract： To decrease the complexity of feature recognition, a hierarchy feature classification method based on feature entity, feature concrete face and feature virtual face is proposed. A hierarchy feature recognition method based on feature face is implemented by constructing two kinds of neural network input matrixes, and taking advantage of neural network in feature recognition. The example demonstrates that the method is more effective in recognizing feature of which the material is removed, but the range of feature recognition is somewhat limited.Key words：feature face; feature recognition; neural network

な嶄迦掌冢2010[KG*9〗07[KG*9〗12 修回日期：2010[KG*9〗09[KG*9〗16ぷ髡嘸蚪椋 彭思楨(1986―)，男，山東臨沂人，碩士研究生，研究方向?yàn)橹悄蹸AD，(Email);ず掠咎(1973―)，男，山東威海人，副教授，博士，研究方向?yàn)槠髽I(yè)信息集成系統(tǒng)、知識(shí)處理與挖掘、智能設(shè)計(jì)、分布式智能系統(tǒng)和ば檳庀質(zhì)導(dǎo)際醯齲(Email)0 引 言

雖然對(duì)產(chǎn)品生產(chǎn)的自動(dòng)化、智能化研究很多，但在工業(yè)上的應(yīng)用效果并不理想.當(dāng)前產(chǎn)品數(shù)據(jù)主要以較低層次的形式存儲(chǔ)為主，如CSG和Brep這2種產(chǎn)品數(shù)據(jù)表示方法并不適合直接應(yīng)用到產(chǎn)品設(shè)計(jì)之后的加工和制造中，特征識(shí)別技術(shù)的提出正逐步解決這個(gè)問(wèn)題.

［1］

當(dāng)前已提出很多種特征識(shí)別方法，如基于規(guī)則的、基于圖的、基于幾何解釋的和基于體積分解的，這些方法都通過(guò)與特征庫(kù)中已定義的特征類型進(jìn)行比較來(lái)識(shí)別特征.但是，特征庫(kù)不可能包含所有的特征類型，也不可能為特征庫(kù)中所有的特征類型添加約束信息.另外，這些方法還存在效率低和沒(méi)有學(xué)習(xí)能力等缺陷.

［2］人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)和反饋的能力，在分類和特征識(shí)別領(lǐng)域有極大優(yōu)勢(shì).

［3］

特征的類型越來(lái)越多，對(duì)特征進(jìn)行準(zhǔn)確、有效的分類是特征識(shí)別的基礎(chǔ)，利用層次性分類方法可縮小特征對(duì)應(yīng)的范圍，從一定程度上降低特征識(shí)別的復(fù)雜度.層次性特征分類必然要求多層次的人工神經(jīng)網(wǎng)絡(luò)輸入表示.

本文提出層次性特征分類方法以及特征實(shí)體、特征實(shí)面、特征虛面的概念，構(gòu)造2個(gè)人工神經(jīng)網(wǎng)絡(luò)輸入表示矩陣，用人工神經(jīng)網(wǎng)絡(luò)識(shí)別不同層次的特征，并研究人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練方法.特征識(shí)別框架見(jiàn)圖1.ね 1 特征識(shí)別框架1 特征分類及表示1.1 特征分類

目前存在許多特征的分類方式，STEPAP224是被廣泛應(yīng)用的特征分類方法之一.在STEPAP224中，加工特征被定義為1種生成特征，這種生成特征識(shí)別出為獲得最終幾何形狀需從初始?jí)K中移除的材料體積；定義16種加工特征，如洞和狹槽等.作為1種國(guó)際標(biāo)準(zhǔn)，STEPAP224在特征分類上存在一定優(yōu)勢(shì)，但仍有以下缺點(diǎn)

［4］：（1）分類不嚴(yán)密，存在某些重疊的情況；（2）分類不完整，未包含所有的基礎(chǔ)加工實(shí)體；（3）加工特征的定義不準(zhǔn)確，STEPAP224定義移除材料的加工特征，但不適合定義添加材料的特征.為克服上述缺點(diǎn)，提出產(chǎn)品層次特征分類，見(jiàn)圖2.ね 2 產(chǎn)品層次特征分類じ梅椒ǘ隕產(chǎn)中各個(gè)角度的加工特征進(jìn)行層次分類，本文重點(diǎn)研究產(chǎn)品內(nèi)延特征，其在第1層中包含5種基本特征類型，詳細(xì)的分類層次見(jiàn)表1. 基于層次的特征分類方法不僅可清晰地描述各類特征之間的關(guān)系，而且可通過(guò)層次性特征識(shí)別減少特征識(shí)別的復(fù)雜度.每層特征的數(shù)量較少，使每個(gè)特征類型具有1個(gè)輸出神經(jīng)元成為可能.表 1 內(nèi)延特征層次分類原始層內(nèi)延特征第1層圓孔圓錐孔槽袋階梯第2層通孔盲孔通圓錐孔盲圓錐孔通槽盲槽封閉袋開口袋通階梯盲階梯1.2 特征表示方法

有效的特征表示是構(gòu)造特征識(shí)別的基礎(chǔ)，目前廣泛使用的特征表示方法是AAM（Attributed Adjacency Matrix），其由AAG（Attributed Adjacency Graph）轉(zhuǎn)化而來(lái)，主要描述特征模型的幾何和拓?fù)湫畔?該方法存在以下缺點(diǎn)

［5］：（1）表達(dá)形式不唯一，對(duì)于不同的特征，AAG可能具有相同的表達(dá)；（2）隨著組成特征的面的增加，矩陣的大小急劇增加；（3）不僅需要利用啟發(fā)式方法將AAG分解成幾個(gè)子圖，而且需要通過(guò)詢問(wèn)1組關(guān)于AM（Adjacency Matrix）布局和子圖面數(shù)量的12個(gè)問(wèn)題將每個(gè)矩陣轉(zhuǎn)換為表示向量；（4）可識(shí)別的特征的范圍有限，不能識(shí)別涉及到第2特征面的特征，如T槽.

為解決表達(dá)形式不唯一的問(wèn)題，提出1組新概念，用以形成新的輸入表示構(gòu)造方法.

特征實(shí)體 實(shí)體等價(jià)于為得到某個(gè)外部特征的輪廓而加載到原始材料上的體積.

特征實(shí)面 物理上包含模型外部特征的基本形狀的面，屬可見(jiàn)的特征面.

特征虛面 與特征實(shí)面一起構(gòu)成特征實(shí)體的邊界面，是為描述特征實(shí)體虛擬出來(lái)的1種不可見(jiàn)的特征實(shí)體面，在描述特征實(shí)體時(shí)使其具有可見(jiàn)性.

圖3為特征實(shí)體、特征實(shí)面、特征虛面及特征拓?fù)浣Y(jié)構(gòu).特征虛面、特征實(shí)面表達(dá)內(nèi)延特征的拓?fù)浣Y(jié)構(gòu)也可擴(kuò)展到外延特征中，此時(shí)的特征虛面以特征之間相交面的形式出現(xiàn).

(a)零件中的特征(b)移除的特征實(shí)體(c)特征拓?fù)浣Y(jié)構(gòu)圖 3 特征實(shí)體、特征實(shí)面、特征虛面及特征拓?fù)浣Y(jié)構(gòu)2 人工神經(jīng)網(wǎng)絡(luò)的輸入

以圖3的特征拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，結(jié)合層次性特征分類方法，構(gòu)造2類人工神經(jīng)網(wǎng)絡(luò)輸入以識(shí)別不同層次的特征.2.1 第1層輸入構(gòu)造

為實(shí)現(xiàn)表達(dá)形式的唯一性，從特征實(shí)體面的類型與特征面之間的角度關(guān)系出發(fā)，對(duì)組成特征實(shí)體的特征實(shí)面進(jìn)行有序化處理.首先構(gòu)造1個(gè)特征實(shí)面權(quán)重函數(shù)，其作用是根據(jù)組成特征的各個(gè)面的類型及相互間連接關(guān)系，對(duì)各個(gè)特征面進(jìn)行賦值，形成特征實(shí)面序列構(gòu)造的基礎(chǔ)，其形式為ИW=S×10－T+v×0.1И式中：S為與當(dāng)前實(shí)面鄰接的特征實(shí)面數(shù)量；T為與當(dāng)前實(shí)面鄰接的特征虛面數(shù)量；v為面類型值.以圖3為例，實(shí)面1與實(shí)面2，3和4鄰接，故S=3；與虛面1鄰接，故其T=1.面類型與面值的對(duì)應(yīng)關(guān)系見(jiàn)表2.け 2 面類型與面值的對(duì)應(yīng)關(guān)系面類型柱形面部分柱形面圓錐面部分圓錐面半圓面平面面值123456采用深度搜索方法進(jìn)行特征面序列構(gòu)造.首先選中權(quán)重最小的面，從此面出發(fā)，優(yōu)先選擇與此面連接且權(quán)重最小的面作為序列的下一元素，否則選擇具有較小相交角度的面作為序列的下一元素，直到所有特征實(shí)面都加入到序列中為止.圖4為某特征面序列構(gòu)造的過(guò)程.け嗪糯選特征面目標(biāo)序列1{f1, f2, f3, f4}NULL2{f2, f3, f4}f13{f2, f3}f1, f44{f2}f1, f4, f35NULLf1, f4, f3, f2圖 4 特征面序列構(gòu)造的過(guò)程ひ醞4序列為基礎(chǔ)，如果特征實(shí)面數(shù)量超過(guò)5，需進(jìn)行簡(jiǎn)化處理：如圖5(a)所示的包含7個(gè)特征實(shí)面的特征，根據(jù)其拓?fù)浣Y(jié)構(gòu)信息可簡(jiǎn)化為圖5(b)中含有5個(gè)特征實(shí)面的形式，構(gòu)造如圖5(c)所示的特征實(shí)面鄰接圖. （a） 7個(gè)特征實(shí)面的特征（b） 5個(gè)特征實(shí)面的特征 ぃc）簡(jiǎn)化的特征實(shí)面鄰接圖ね 5 復(fù)雜特征的簡(jiǎn)化と綣特征面滿足如下規(guī)則，則可進(jìn)行簡(jiǎn)化處理.

規(guī)則1 如果面fi，f

ij

利用特征實(shí)面鄰接矩陣可識(shí)別特征的5個(gè)基本類型，為方便CAPP(Computer Aided Process Planning)的應(yīng)用，需更細(xì)化地識(shí)別特征類型.

［6］為此，構(gòu)造特征虛面方向矩陣.特征虛面方向矩陣是個(gè)6×6的矩陣，它描述在+x，+y，+z，-x，-y和-z 6個(gè)方向上虛面的連接性，用V［i,i］表示在i方向是否存在特征虛面.如果i≠j，則V［i,j］表示在i方向上和j方向上的虛面是否存在連接性.類似地，特征虛面方向矩陣也是對(duì)稱的.為簡(jiǎn)化輸入，將21位的編碼作為人工神經(jīng)網(wǎng)絡(luò)的輸入.圖7為特征虛面方向矩陣實(shí)例.ね 7 特征虛面方向矩陣實(shí)例3 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)造和訓(xùn)練

由于采用層次性特征分類方法，故構(gòu)造如下的1個(gè)層次性特征識(shí)別網(wǎng)絡(luò).(1)第1層用于識(shí)別5個(gè)基礎(chǔ)特征類.識(shí)別中用到特征實(shí)面鄰接矩陣輸入向量，且輸出神經(jīng)元代表特征類型.對(duì)于特征識(shí)別，同時(shí)激活2個(gè)類不可行，因此只有1個(gè)輸出神經(jīng)元被激活，即其值大于閾值

0.5.如果1個(gè)或更多的輸出神經(jīng)元被激活，代表網(wǎng)絡(luò)的模式不屬于1個(gè)已知類型.為確定人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，須調(diào)整隱藏層的數(shù)量、每個(gè)隱藏層神經(jīng)元的數(shù)量以及調(diào)整學(xué)習(xí)率.含有17個(gè)神經(jīng)元的3層結(jié)構(gòu)的隱藏層被證明最合適.(2)第2層基于第1層，方便CAPP應(yīng)用程序更進(jìn)一步的識(shí)別.第2層中識(shí)別的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被設(shè)計(jì)成相同的步驟.如通過(guò)各種試驗(yàn)，狹槽或階梯分類器以特征虛面方向矩陣為輸入，輸入層包含21個(gè)神經(jīng)元，每個(gè)隱藏層包含18個(gè)神經(jīng)元，輸出層包含2個(gè)神經(jīng)元.(3)最后，利用經(jīng)常被用在特征識(shí)別系統(tǒng)中的BP算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練.4 基于特征面的層次識(shí)別方法實(shí)例

以所構(gòu)造的人工神經(jīng)網(wǎng)絡(luò)輸入矩陣、人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及訓(xùn)練為基礎(chǔ)，用圖6和7所示的實(shí)例驗(yàn)證該方法的有效性.

（1）構(gòu)造特征實(shí)面鄰接矩陣.輸入層的輸入序列為6 3 0 4 0 6 3 3 0 6 4 0 6 0 0，將其輸入3層（15個(gè)神經(jīng)元的輸入層、7個(gè)神經(jīng)元的隱藏層以及5個(gè)神經(jīng)元的輸出層）的人工神經(jīng)網(wǎng)絡(luò)中，得到的識(shí)別見(jiàn)表3.

表 3 袋特征識(shí)別結(jié)果特征類型圓孔圓錐孔一般孔槽/階梯袋耦合度0.000 49.573E-60.009 320.015 120.981 9ぃ2）構(gòu)造特征虛面方向矩陣.輸入層的輸入序列為1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0，將其輸入3層人工神經(jīng)網(wǎng)絡(luò)（21個(gè)神經(jīng)元的輸入層、18個(gè)神經(jīng)元的隱藏層以及2個(gè)神經(jīng)元的輸出層）中，得到的識(shí)別結(jié)果見(jiàn)表4.

表 4 開口袋特征識(shí)別結(jié)果特征類型封閉袋開口袋耦合度0.002 50.991 4び墑道可知，本文提出的方法可識(shí)別相對(duì)簡(jiǎn)單的特征.5 結(jié)束語(yǔ)

從層次性特征分類方法出發(fā)，借助特征的特征面構(gòu)造用于層次性特征識(shí)別的2類人工神經(jīng)網(wǎng)絡(luò)表示矩陣.該方法在識(shí)別去除材料的特征時(shí)比較有效，可更好地應(yīng)用到CAPP中，提高生產(chǎn)的自動(dòng)化和智能化，但也限制該方法識(shí)別特征的范圍.擴(kuò)大特征識(shí)別的范圍及對(duì)特征關(guān)系的識(shí)別是后續(xù)研究的重點(diǎn).參考文獻(xiàn)：

［1］ DING Lian, YUE Yong. Novel ANNbased feature recognition incorporating design by features［J］. Computers Industry, 2004, 55(2): 197222.

［2］ ZZTaRK N, ZZTaRK F. Neural network based nonstandard feature recognition to integrate CAD and CAM［J］. ComputersIndustry, 2001,

45(2): 123135.

［3］ DING Lian, MATTHEWS J. A contemporary study into the application of neural network techniques employed to automate CAD/CAM integration for die manufacture［J］. Computers & Ind Eng, 2009, 57(4): 14571471.

［4］ TSENG YuanJye. A modular modeling approach by integrating feature recognition and featurebased design［J］. Computers Industry, 1999,

人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)范文第4篇

［關(guān)鍵詞］多目標(biāo)決策；BP神經(jīng)網(wǎng)絡(luò)；礦產(chǎn)資源；綜合開發(fā)利用評(píng)價(jià)

礦產(chǎn)資源綜合開發(fā)利用評(píng)價(jià)是一個(gè)典型的多目標(biāo)決策問(wèn)題，應(yīng)用多目標(biāo)決策的有關(guān)技術(shù)進(jìn)行方案的排序選優(yōu)，能較好地解決多方案的優(yōu)化問(wèn)題。關(guān)鳳峻根據(jù)給出的多個(gè)綜合開發(fā)利用方案，采用的層次評(píng)價(jià)方法，建立評(píng)價(jià)體系并采用理想點(diǎn)法進(jìn)行排序，選出最優(yōu)方案。宋光興等人改進(jìn)了理想點(diǎn)法中權(quán)重的確定方式，利用熵技術(shù)法確定礦產(chǎn)資源綜合開發(fā)利用的評(píng)價(jià)指標(biāo)的權(quán)重，并得出了排序選優(yōu)的最終結(jié)果。李學(xué)全等人提出了一種灰色關(guān)聯(lián)度線性加權(quán)和方法，是解決礦產(chǎn)資源綜合開發(fā)利用評(píng)價(jià)問(wèn)題的一個(gè)有益的嘗試。周科平提出了一種新的多屬性決策法，有效解決了主觀確定的權(quán)重不精確的缺點(diǎn)。陳林、曹樹剛采用博弈論分析框架中混合策略情況下應(yīng)用最優(yōu)化方法，尋求混合策略Nash均衡的最優(yōu)化點(diǎn)，作為多指標(biāo)決策問(wèn)題的優(yōu)選方案。

礦產(chǎn)資源綜合開發(fā)利用評(píng)價(jià)中權(quán)重的確定是一個(gè)關(guān)鍵，采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評(píng)價(jià)模型對(duì)礦產(chǎn)資源的綜合利用水平進(jìn)行評(píng)價(jià)，可避免人為確定各指標(biāo)的權(quán)重帶來(lái)的主觀性。本文試采用BP人工神經(jīng)網(wǎng)絡(luò)方法對(duì)礦產(chǎn)資源綜合開發(fā)利用各個(gè)方案做出評(píng)價(jià)，并把評(píng)價(jià)結(jié)果與其他方法作比較，以驗(yàn)證方法的可靠性。

1數(shù)據(jù)來(lái)源以及研究方法

1.1數(shù)據(jù)來(lái)源

（1）數(shù)據(jù)來(lái)源于參考文獻(xiàn)三篇論文的舉例部分，某鐵金礦經(jīng)研究設(shè)計(jì)得出9個(gè)方案。

（2）將數(shù)據(jù)進(jìn)行歸一化處理，將每一列的數(shù)字xi代入歸一化公式x*i=[SX（]ximaxxi′[SX）]

即每一指標(biāo)數(shù)據(jù)除以各自指標(biāo)中的最大值，將數(shù)據(jù)劃歸在［0，1］范圍之內(nèi)。

1.2研究方法

BP人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介：人工神經(jīng)網(wǎng)絡(luò)是將大量簡(jiǎn)單的神經(jīng)元廣泛連接而成，用以模擬人腦思維方式的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，具有自組織、自適應(yīng)、自學(xué)習(xí)和容錯(cuò)性等特點(diǎn)，被廣泛應(yīng)用于模式識(shí)別、圖像處理、自適應(yīng)控制等領(lǐng)域。由于礦產(chǎn)資源綜合利用水平評(píng)價(jià)系統(tǒng)是一個(gè)多層次、多因素的復(fù)雜系統(tǒng)，采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評(píng)價(jià)模型對(duì)礦產(chǎn)資源的綜合利用水平進(jìn)行評(píng)價(jià)和識(shí)別可避免人為確定各指標(biāo)的權(quán)重帶來(lái)的主觀性，提高評(píng)價(jià)結(jié)果的準(zhǔn)確性。

2運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)對(duì)礦產(chǎn)資源綜合開發(fā)方案進(jìn)行評(píng)價(jià)

運(yùn)用matlab環(huán)境下的BP網(wǎng)絡(luò)模塊，我們將經(jīng)濟(jì)發(fā)展水平分級(jí)指標(biāo)作為樣本輸入，評(píng)價(jià)級(jí)別作為網(wǎng)絡(luò)輸出BP網(wǎng)絡(luò)通過(guò)不斷學(xué)習(xí)修改權(quán)重，找出評(píng)價(jià)指標(biāo)與評(píng)價(jià)級(jí)別間的內(nèi)在對(duì)應(yīng)關(guān)系，利用此網(wǎng)絡(luò)模型進(jìn)行經(jīng)濟(jì)發(fā)展水平的綜合評(píng)價(jià)。

第一、評(píng)價(jià)指標(biāo)體系的建立。以某銅鐵礦設(shè)計(jì)方案為例建立評(píng)價(jià)體系。參考其他人的研究成果及數(shù)據(jù)的可獲取性，選取5項(xiàng)指標(biāo)，分別為鐵選礦回收率（%）、金選礦回收率（%）、產(chǎn)值利潤(rùn)率（%）、成本利潤(rùn)率（%）、噸礦利潤(rùn)（元/噸）。

第二、網(wǎng)絡(luò)模型的構(gòu)建。選取以上5項(xiàng)指標(biāo)作輸入神經(jīng)元，輸出神經(jīng)元為銅鐵礦的綜合開發(fā)利用水平，構(gòu)建神經(jīng)網(wǎng)絡(luò)，采用等間距的線性內(nèi)插方法，對(duì)已經(jīng)歸一化了的數(shù)據(jù)進(jìn)行等級(jí)劃分，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)（見(jiàn)表1），并將銅鐵礦的綜合開發(fā)利用水平分為3級(jí)，3代表綜合開發(fā)利用水平高，2代表綜合開發(fā)利用水平中等，1代表綜合開發(fā)利用水平低。

據(jù)此構(gòu)建5×1×1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中隱含層神經(jīng)元為3個(gè)，輸出層神經(jīng)元1個(gè)。網(wǎng)絡(luò)設(shè)計(jì)的參數(shù)為：網(wǎng)絡(luò)初始值為［0，1］之間的隨機(jī)數(shù)，基本學(xué)習(xí)速率0.1；網(wǎng)絡(luò)訓(xùn)練的終止參數(shù)為：最大訓(xùn)練批次為10000次，最大誤差為0.01。網(wǎng)絡(luò)訓(xùn)練達(dá)標(biāo)后，將表1中的原始數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)，得出銅鐵礦的綜合開發(fā)利用水平的BP估計(jì)值。

表2表明，方案8的綜合開發(fā)利用水平BP值最大，是諸方案中最優(yōu)的；方案7的綜合開發(fā)利用水平次之，為次優(yōu)方案；方案1的綜合開發(fā)利用水平BP值最小，是諸方案中最差的。

3與基于理想點(diǎn)法評(píng)價(jià)模型計(jì)算得到的結(jié)果相比較

3.1理想點(diǎn)法簡(jiǎn)介

理想點(diǎn)法是屬于多屬性效用理論的多目標(biāo)決策方法，它最基本的思想是依據(jù)“綜合效用值”進(jìn)行方案排序選優(yōu)。其效用值的計(jì)算是用理想點(diǎn)法中的“距離值”的計(jì)算方法而得。通過(guò)選取各個(gè)目標(biāo)中的最優(yōu)值構(gòu)成一個(gè)多目標(biāo)的理想方案（也稱為理想點(diǎn)），并以目標(biāo)空間中，各方案與理想方案的距離值來(lái)度量各方案的優(yōu)劣。距離越小表示方案目標(biāo)值越接近理想方案的目標(biāo)點(diǎn)。這樣依距離值的大小來(lái)排列方案的優(yōu)劣順序，距離越小，方案越優(yōu)。

以下兩表格分別為基于層次評(píng)價(jià)方法與基于熵值法確定權(quán)重的理想點(diǎn)法得到的礦產(chǎn)資源綜合開發(fā)利用評(píng)價(jià)結(jié)果。

3.2各評(píng)價(jià)模型所得結(jié)果比較

將礦產(chǎn)資源綜合開發(fā)利用水平的BP值排序情況（表2）分別與基于層次方法和基于熵值法確定權(quán)重的理想點(diǎn)法（表3）得到的優(yōu)方案排序相比較。采用BP人工神經(jīng)網(wǎng)絡(luò)計(jì)算得到的結(jié)果與采用熵值確定權(quán)重的理想點(diǎn)法得到的結(jié)果相同；BP值法計(jì)算的結(jié)果中最好的三個(gè)方案分別為方案8、方案7、方案9，與層次理想點(diǎn)法的結(jié)果相同，不同之處僅僅存在于方案1與方案2，方案5與方案6，他們的排名也十分接近。這充分說(shuō)明采用BP人工神經(jīng)網(wǎng)絡(luò)方法對(duì)礦產(chǎn)資源的綜合開發(fā)利用進(jìn)行評(píng)價(jià)是可行的。此外，由于運(yùn)用matlab軟件可以輕易地實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)運(yùn)算，這種方法在處理大量數(shù)據(jù)方面還有著獨(dú)特的優(yōu)越性。

人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)范文第5篇

關(guān)鍵詞：機(jī)器人路徑規(guī)劃算法

一、本文就常見(jiàn)的幾種常見(jiàn)的路徑規(guī)劃算法及應(yīng)用進(jìn)行簡(jiǎn)單的探討如下：

（一）遺傳算法概念

遺傳算法是根據(jù)達(dá)爾文的進(jìn)化論，模擬自然選擇的一種智能算法，“適者生存”是它的核心機(jī)制。遺傳算法是從代表問(wèn)題可能潛在解集的一個(gè)種群開始的?；陔S機(jī)早期人口，根據(jù)的原則，優(yōu)勝劣汰，適者生存，世代演化產(chǎn)生更好的人口大概。在每一代，根據(jù)問(wèn)題域的個(gè)體適應(yīng)度大小來(lái)選擇個(gè)人，然后選定的個(gè)人在自然遺傳學(xué)，遺傳算子組合交叉和變異，產(chǎn)生代表性的解集的人口 。通過(guò)這些步驟，后生代種群比前代對(duì)于環(huán)境具有更好的適應(yīng)性。人口最優(yōu)個(gè)體解碼后可作為近似最優(yōu)解。

（二）遺傳算法的特點(diǎn)

作為一種智能算法，遺傳算法具有如下特點(diǎn)：①遺傳算法在尋優(yōu)過(guò)程中，只把適應(yīng)度函數(shù)的值作為尋優(yōu)判據(jù)。②遺傳算法是由一個(gè)問(wèn)題集合（種群）開始的，而不是從一個(gè)個(gè)體開始的。故而遺傳算法的搜索面積很大，適合全局尋優(yōu)。③遺傳算法根據(jù)概率性的變換規(guī)則進(jìn)行個(gè)體的優(yōu)勝劣汰并推動(dòng)種群的進(jìn)化。④遺傳算法具有隱含的并行性。⑤遺傳算法具有自組織、自適應(yīng)以及內(nèi)在的學(xué)習(xí)性，同時(shí)遺傳算法具有很強(qiáng)的容錯(cuò)能力。⑥遺傳算法的基本思想簡(jiǎn)單。對(duì)于復(fù)雜的和非線性的問(wèn)題具有良好的適應(yīng)性。

（三）遺傳算法的應(yīng)用

遺傳算法提供了一個(gè)整體框架地址復(fù)雜系統(tǒng)問(wèn)題，它不依賴于俞特定領(lǐng)域的問(wèn)題，問(wèn)題的類型、 已是強(qiáng)的魯棒性，所以廣泛應(yīng)用余許多科學(xué)： 功能優(yōu)化遺傳算法的經(jīng)典應(yīng)用，是遺傳算法的性能評(píng)價(jià)的常見(jiàn)的例子，許多人建設(shè)的各種復(fù)雜的表格功能測(cè)試： 連續(xù)函數(shù)和離散函數(shù)，凸、 凹函數(shù)、 低維功能和高尺寸功能、 單式功能和更多峰值函數(shù)。一些非線性、 多模型、 多目標(biāo)函數(shù)優(yōu)化問(wèn)題和其他優(yōu)化方法很難解決，GA 你可以更好的結(jié)果。增加問(wèn)題的規(guī)模，搜索空間的組合優(yōu)化問(wèn)題，將會(huì)迅速增加，有時(shí)的當(dāng)前枚舉方法和計(jì)算很難找到最佳的解決方案。實(shí)踐證明，遺傳算法、 組合優(yōu)化問(wèn)題的粒子非常有效。例如，已成功應(yīng)用遺傳算法解決旅行商問(wèn)題、 背包問(wèn)題、 裝箱問(wèn)題、 圖形劃分問(wèn)題。此外，遺傳算法的生產(chǎn)調(diào)度、 自動(dòng)控制、 機(jī)器人技術(shù)、 圖像處理和機(jī)器學(xué)習(xí)，人工生命，遺傳編碼，已獲得廣泛的應(yīng)用。

二、蟻群算法及其應(yīng)用

（一）蟻群算法概念

蟻群算法又稱螞蟻算法，是一種用來(lái)在圖中尋找優(yōu)化路徑的機(jī)率型算法。它由Marco Dorigo于1992年在他的博士論文中提出，靈感來(lái)源于螞蟻在尋找食物過(guò)程中發(fā)現(xiàn)路徑的行為。蟻群算法是一種模擬進(jìn)化算法。

（二）蟻群算法的特點(diǎn)

①蟻群算法是一種自組織算法。在早期的算法，單一的人工螞蟻障礙找到求解算法，久而久之，通過(guò)信息作用的激素，人工螞蟻進(jìn)化將找到一些解決辦法更接近最優(yōu)的解決方案，它是無(wú)序到有序的過(guò)程。

②蟻群算法的并行算法是一種基本的。每個(gè)蟻群搜索進(jìn)程獨(dú)立的對(duì)方，只能通過(guò)信息素通訊。因此，蟻群算法可以看作是一種分布式的多智能體系統(tǒng)，它在問(wèn)題空間搜索算法開始是一個(gè)獨(dú)立的解決方案，不僅提高了可靠性，這使得該算法具有強(qiáng)的全局搜索能力。

③蟻群算法是一種積極的反饋的算法。從螞蟻覓食中不難看到螞蟻已設(shè)法找到最短路徑的信息的過(guò)程取決于直接上的最短路徑的積累，以及信息素的積累是一個(gè)積極的反饋過(guò)程。這種正反饋的過(guò)程進(jìn)行初步的差距有不斷擴(kuò)大，并導(dǎo)致系統(tǒng)的最優(yōu)解的方向發(fā)展。

④蟻群算法具有較強(qiáng)的魯棒性。比較與其他算法、 蟻群算法、 初始對(duì)齊要求不高，外務(wù)大臣蟻群算法用于路由和搜索過(guò)程的初步結(jié)果不需要手動(dòng)調(diào)整。第二，設(shè)立簡(jiǎn)單、 便于應(yīng)用的蟻群算法求解組合優(yōu)化問(wèn)題的蟻群算法參數(shù)的殖民地，數(shù)目。

（三）蟻群算法應(yīng)用

蟻群算法應(yīng)用包括：二次分配問(wèn)題、車間任務(wù)調(diào)度問(wèn)題、車輛路線問(wèn)題、機(jī)構(gòu)同構(gòu)判定問(wèn)題、學(xué)習(xí)模糊規(guī)則問(wèn)題、旅行社新旅游線路與旅行產(chǎn)品的制作等領(lǐng)域。

三、神經(jīng)網(wǎng)絡(luò)算法

（一）神經(jīng)網(wǎng)絡(luò)的概念

人工神經(jīng)網(wǎng)絡(luò)也被稱為神經(jīng)網(wǎng)絡(luò)連接模式，它是一種動(dòng)物模型，神經(jīng)網(wǎng)絡(luò)的行為特征，分布式并行處理算法的數(shù)學(xué)模型。網(wǎng)絡(luò)依賴于復(fù)雜的系統(tǒng)，通過(guò)調(diào)整內(nèi)部之間的聯(lián)系，大量節(jié)點(diǎn)，以實(shí)現(xiàn)節(jié)能的目的，信息處理。

特征的神經(jīng)網(wǎng)絡(luò)模型的人工神經(jīng)網(wǎng)絡(luò)的主要網(wǎng)絡(luò)連接拓?fù)?，神?jīng)元的特點(diǎn)，學(xué)習(xí)規(guī)則。目前，近40種神經(jīng)網(wǎng)絡(luò)模型，其中有一個(gè)BP網(wǎng)絡(luò)，傳感器網(wǎng)絡(luò)，自組織映射，神經(jīng)，波爾茲曼機(jī)，自適應(yīng)共振理論。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能密切相關(guān)。

神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)信息處理能力，克服了傳統(tǒng)人工智能方法的直覺(jué)，作為模型，語(yǔ)音識(shí)別，非結(jié)構(gòu)化信息處理方面的缺陷，使神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，模式識(shí)別，智能控制，組合優(yōu)化，預(yù)測(cè)等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)和其他傳統(tǒng)方法相結(jié)合，將促進(jìn)人工智能和信息處理技術(shù)的發(fā)展。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)模擬人類認(rèn)知方式更深入的發(fā)展，模糊系統(tǒng)，遺傳算法，進(jìn)化機(jī)制相結(jié)合，形成智能計(jì)算，人工智能，已成為一個(gè)重要的方向，在實(shí)際的應(yīng)用開發(fā)。信息幾何學(xué)應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，人工神經(jīng)網(wǎng)絡(luò)理論開辟了一條新的途徑。