神经网络【文献综述】

《神经网络【文献综述】》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、毕业论文文献综述应用物理神经网络人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了

2、神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其

3、速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。　人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡（平均每小时约一千个），但不影响大脑的正常思维活动。而普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。人类大脑有很强的自适应与自组织特

4、性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时

5、利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。人工神经网络研究是人工智能学科领域的重要组成部分。人工神经网络模拟人类形象思维的方式,采用物理可实现器件或通过计算机软件模拟生物体中神经网络的某些结构与功能,并反过来运用于工程及其他领域。人工神经网络由大量的神经单元相互连接而成,这些神经元并行处理信息,具有很强的容错性和运算能力。人工神经网络通过训练,将学习样本中的信息以

6、连接权矩阵的方式存储起来,从而使得网络在接受输入时,可以得到适当的输出。机械零件加工过程中,切削用量的选择恰当与否将直接影响到成品质量、加工效率、加工成本等,然而由于影响切削用量的因素繁多,影响因素之间又相互交叉,相互制约,因而确定最佳切削用量较为困难。由于人工神经网络在处理这种非线性多输入、多输出系统时无需在建模方法上进行各变量的相关性分析,而是将影响因素对输出变量的作用通过连接权存储在神经网络中,因此,用人工神经网络解决类似切削用量确定的经验决策性问题具有良好的效果。　人工神经网络模型及算法由于单层神经网络只能解决线性可分的问

7、题,因此只有在输入层、输出层之间加入隐含层构成多层网络才能提高网络的分类能力。由神经网络理论可知:对于一个神经网络,有p个输入和q个输出,其作用可看作是由p维欧氏空间到q维欧氏空间的一个非线性映射,这种映射可逼近任何连续函数。采用BP网络实现切削用量选择系统的建模。所谓BP网络,即使用BP算法进行学习的多级非循环网络。该算法利用输出层的误差来估计输出层的直接前导层的误差,再利用这个误差估计更前一层的误差,以此类推下去。虽然这种误差估计本身的精度会随着误差本身的向后传播而不断降低,但仍然给多层网络的训练提供了有效的方法。主要参考文献

8、1L.Gammaitoni,P.Hänggi,P.Jung,andF.Marchesoni,Rev.Mod.Phys.70,223s1998d.2P.DayanandL.F.Abbot,TheoreticalNeuroscience:Computa