人工神经网络发展(收集5篇)

人工神经网络发展篇1

关键词计算机网络；连接优化；神经网络算法

中图分类号：TP393文献标识码：A文章编号：1671-7597（2013）15-0061-01

自计算机网络产生以来，人们的生活、工作都获得了极大的便利。计算机网络作为一门先进的应用技术，为了避免其因满足不了用户需求而被时代淘汰，就必须在应用发展过程中不断创新。而在当前，国内计算机网络连接环节相对薄弱，网络连接问题频繁发生，甚至于无法为用户创设一个良好的上网环境。为了改善这一状况，必须对计算网络连接进行优化，并采取适当措施进行计算机网络拓扑扩展，达到提高网络容量，优化网络效率的目的。针对计算机网络连接优化问题，现就网络连接优化下的均场神经网络算法作相关论述。

1计算机网络连接增强优化

1.1计算机网络连接增强优化的必要性

众所周知，对于计算机网络来说，如果网络连接出现问题，那么计算机设备与通信网络之间是没有办法进行信息交流的，或者说信息的交流交互性会受到影响而大大减小，这时就需要对其网络连接加以优化，也可称为计算机网络拓扑扩展。而如何增强优化计算网络的连接，拓扑扩展计算机网络结构？这便需要选择合适的结点，并将其添加到现有网络环境中，以此来提高网络容量和连接效率，达到网络结构拓扑扩展，增强信息交流交互性的目的。

在当前情况下，能够实现计算机网络连接增强效率，提高计算机网络的容量，优化用户上网环境的方法很多，但大多数优化方法都不具备良好的经济实用性，而如何在利益最大化情况下实现计算机网络连接优化又正好是计算机网络应用的基本要求，鉴于此，就必须采用增强优化下的均场神经网络算法。

1.2计算机网络拓扑结构

计算机网络拓扑结构主要指计算机连接网络以后，自身设备与传输媒介所形成的一种的物理构成模式。计算机网络拓扑结构的形式由通信子网来决定。结构的主要功能是实现数据信息的网络交换、处理以及共享，并在一定程度上提高网络数据信息系统运行的可靠性。从网络拓扑结构来看，计算机网络结构的主要构成部分是结点和链路，也就是说，计算机网络其实是由一组结点和多条链路共同组成起来的一种模拟结构。

一般用图G=来表示计算机网络，图中的V代表网络结点集，E表示链路集。而如果我们用Va来表示结构中增加的结点集，用Eb来表示增加的连接集，那么应该得到拓扑扩展的计算网络结构应该为G′=。

2基于计算机网络连接优化下的均场神经网络算法

本文中所指的均场神经网络算法，实质上是均场退火技术和神经网络算法的结合，利用该方法来增强计算机网络连接，能得到更快、更优化的连接效果。从某种意义上说，均场网络算法其实是一种利润最大化的网络优化算法，能最大限度的提高计算机网络的性价比。

2.1神经网络算法

思维学将人的大脑思维分为抽象、形象以及灵感等三个部分，认为人类大脑思维是由逻辑思维、直观思维以及顿悟思维共同组成的。其中逻辑思维是一中抽象化思想，直观思维是客观、形象化思想，灵感则属创造性。根据这一理论，可以判断出神经网络便是对人类大脑思维第二种方式的模拟。

人工神经网络属于非线性动力学系统，能够对信息进行分布式存储和协同处理。立足于人工神经网络之上的人工神经网络应用系统，能够利用网络模型和网络算法来处理某种信号，或对某种运行模式进行识别，进而构建成一个独立的专家系统，或者构成机器人。当前，人工神经网络在多个生产领域中都得到了广泛的应用，在其基础之上发展起来的人工神经网络算法作为一种监督性学习算法，也越来越受到人们的关注。但是，由于人工神经网络算法在实际应用时存在显著的收敛速度慢的问题，没有办法保证将收敛程度压制到全局的最小点，进而造成计算机网络学习和记忆的不稳定性增强，影响计算机网络连接效果，所以在实际生活中，人们对改进神经网络算法的探讨一直持续。

2.2均场神经网络算法

2.2.1网络模型构建

基于计算机网络连接增强优化下的均场神经网络算法，在对其进行研究，并想要判断其网络效果时，首要任务是建立一个比较完整的均场神经网络模型。建立时应重点管理好以下几个方面，严格控制好函数法构造过程中的目标函数。

2.3实例仿真分析

根据上述计算所得的结果，最后判定出均场网络算法的可行有效性。计算结果比较图如图1。

在上述所例举的例子中，分别采用遗传算法、模拟退火算法以及均场神经算法来进行分别计算，计算次数保持在100次乃至以上，最后得出利用模拟退火算法需要计算99次，才能计算出规定的连接集，并获得一定的利润；而遗传算法需要86次，均场神经网络算法需要98次。

从实验计算结果比较图可以看出，在均场神经网络计算法、遗传算法以及模拟退火算法三种方法中，均场神经网络算法所获得的网络连接效果相对来说更加快速、有效，更适用于计算机网络连接的增强优化以及网络结构的拓扑扩展。

3结束语

综上所述，随着计算机网络技术以及国民经济的不断进步，计算机网络在人们生活、生产中的应用已经十分广泛，甚至于社会中各个生产企业或工作部门在开展经济管理活动时都会计算机网络。在这样的前提条件下，为了防止计算机网络连接出现故障，给企业或计算机上网用户造成影响，损害其经济利益，就必须在计算机网络的应用基础上，增强优化连接效率，提高计算机网络容量和效率，促进计算机网络技术进一步发展。本文通过对均场神经网络算法的分析，指出利用均场神经算法可实现计算机网络连接优化目标，并适宜在计算机网络系统中进行应用。

参考文献

[1]彭国震，邱毓兰，彭德纯.计算机网络连接增强问题的模拟退火解决方法[J].计算机工程与科学，2000（02）.

[2]SahaDAnEficientLinkEnhancementStrategyforComputerNetworksUsingGeneticAlgofithm[J].Compu～rCommunication.1997.20（9）：2206-2210.

人工神经网络发展篇2

随着科学技术的快速发展，机械工程由传统的机械工程项机械电子工程方向转变，同时机械电子工程和人工智能的有效结合，不断的向自动化、智能化、数字化方向发展。机械电子工程与人工智能的整合，为社会生产力的发展带来了历史性的变革，对于推动党建社会的发展和进步具有非常重要的作用。因此，文章针对机械电子工程与人工智能整合思路构建的研究具有非常重要的现实意义。

2机械电子工程与人工智能的特点分析

2.1机械电子工程的特点分析

机械电子工程是指在信息技术快速发展的背景下，发展起来的以机械电子工程为核心的柔性制造系统，是以计算机技术、机械工程与电子工程为核心的综合性学科，机械电子工程的特点主要包括以下几个方面：（1)性能丰富，结构简单，机械电子产品与其他产品最大的区别在于不仅性能丰富，而且结构比较简单，传统的机械产品虽然具有较高的性能，但是外形比较笨重，因此机械电子工程在未来具有非常好的应用前景；（2)多技术融合的设计，电子机械工程是综合计算机技术、机械工程以及电子工程等多个相关技术融合设计的，工程师在进行机械电子工程设计的过程中，需要对各种技术、策略进行考虑，并将所有的技术、策略进行整合，以此完成相关产品的设计。

2.2人工智能的特点分析

人工智能是复杂、综合的学科，主要包括哲学、控制论、心理学、信息论以及计算机等，人工智能在社会生产与生活中发挥了非常重要的作用，具有非常广阔的应用前景。人工智能分为不同的发展阶段：（1)初级阶段，人工智能的研究方向主要集中在博弈、证明以及翻译等方面，此阶段在机器人、专家系统、自然语言理解、计算机视觉等方面获得了非常大的成就；（2)第二发展阶段，该阶段主要集中在商业化产品以及知识工程的应用领域，在智能机器、计算机视觉、基础常识、不确定推理以及分布式人工智能等方面获得了很大的成就，第二发展阶段相对平稳，但是平稳的发展阶段已经从原来的单个体向分布式方向发展。在当今社会，人工智能已经成为一种复杂、系统的技术，并且在人类生产和生活中发挥了至关重要的作用，作为一门使用的技术，在推动时代的发展中占据着非常重要的地位。

3机械电子工程和人工智能的整合思路分析

3.1机械电子工程与人工智能的关系分析

机械电子工程具有一定的不稳定性，描述机械电子系统的输入和输出的关系相对困难，传统的描述方式包括：学习并生成知识描述法、建设规则库方法以及数学方程推导法三种，由于传统的描述方法的严密性和精确度不高，并不能够满足曰益复杂系统的实际要求。人工智能在处理信息中具有很大的优势，能够有效解决传统机械电子系统不确定性、不稳定性、复杂性等问题。因此，机械电子工程与人工智能的整合已经成为一种必然趋势。机械电子工程中人工智能技术的应用存在一定的差异性，并不能够对网络系统进行有效的描述，并且系统资料库创建过程中需要进行严密的数学分析，在分析的过程中会出现许多问题，导致网络系统的建设存在许多问题，导致网络系统出现崩溃的现象，这对于机械电子工程系统的发展是非常不利的。人工智能技术创新的工程方式能够帮助机械电子工程系统创建系统资料库，机械电子工程和人工智能之间存在的密切关系，对现代科学技术进行了强化，对于促进机械电子工程的发展具有非常重要的作用。

3.2人工智能技术在机械电子工程中的应用分析人工智能技术在机械电子工程中的应用，创建了两大系统：其一，模糊推理系统，基于模糊集合理论的模糊推理系统，以模糊理念为设计工具，具有处理模糊信息的功能，模糊推理系统已经被广泛的推广和应用在数据处理、自动化控制等领域，并且获得了良好的效果，机械电子工程中的模糊推理系统，创建了模拟人脑的功能，进行语言信号的分析，通过网络结构接近一个连续函数，并运用域到域的映射方式规则的储存信息，具有非常明确的物力意义，但是模糊推理系统连接不固定，并且计算量相对较小，应用范围相对有限；其二，神经网络系统，神经网络系统是人工智能的重要分支，神经网络以神经元的兴奋模式将信息分布在网络上，并进行动态的相互作用，人工神经网络系统的特点是对信息进行分布式的储存，并且能够进行动态的协同处理，神经网络系统不仅具有丰富的行为，而且结构非常简单，神经网络系统能够模拟大脑的结构，对数字信号进行分析，采用点到点的映射方式联系各个神经元，具有输入输出精度高，计算量大等特点，与模糊推理系统相比，神经网络系统的应用范围更广泛。创建基于模糊推理系统与神经网络系统的智能系统后，其在机械电子工程领域的应用越来越广泛。神经网络与模糊逻辑系统的融合通常采用以下两种方式：功能相似的融合，利用模糊变量隶属函数和神经网络中神经元的非线性映射部分功能相似的融合，对神经元输出特性进行调整，能够实现对隶属函数的优化与修正;利用神经网络与模糊系统算子相似性的融合，合理的选择算子，既能够保证足够的信息量，又能够简化运算；功能互补的融合，将神经网络的学习能力融于模糊系统的分布式储存规则中，能够有效的提高模糊系统的智能;将模糊系统的逻辑推理功能融入到神经网络系统中，能够有效的提高神经网络系统的逻辑推理能力。

人工神经网络发展篇3

关键词：神经网络知识库多神经网络集成方法研究

随着我国科学技术的不断发展，神经网络技术已经获得广泛的应用，在我国的多个领域中使用，且已经小有成就。但是在使用的过程中还不成熟，仍存在很大的不足和问题，这就需要工作人员进行反复的试验和计算，以获得有关于神经网络的模型。神经网络模型在使用的过程中，会受到操作人员的影响，因此结果表现出来的也就不同。神经网络在实际使用的过程中，操作人员多是缺乏专业知识水平的普通工作人员，这就导致神经网络模型的使用效果得不到保障，因此需要系统的、可靠的神经网络模型操作的应用体系。

一、多神经网络集成方法

1.在神经网络知识库基础上发展而来的神经网络集成应用体系

在神经网络技术应用的过程中，要对工作人员所具备的神经网络方面的知识和经验进行培训，可以通过多元化的神经网络来学习和积累与神经网络有关的知识，神经网络所具备的实用性将获得大幅度的提高。现阶段，我国与神经网络技术有关的工程都较为复杂，大多数的工程都具备独立性较强的子系统、功能单元及部件等，将原本复杂的系统分解成多个简单的小系统。因此工作人员在遇到复杂的系统问题时，可以将复杂的问题分解成多个相对独立的部件、功能单元或者是子系统，进行信息资料的输出或者是输入。使用神经网络技术得到相关子系统的特点信息之后，就能够以此为基础面对系统复杂的问题，例如系统中的辨识度问题、同一个系统中包括多个子系统的神经网络问题等。

在上述想法的基础上，对神经网络知识库进行构建，并逐渐完善神经网络集成体系的框架。是按照将复杂的神经网络问题分解成多个子系统的神经网络问题，而不是针对一个相对较复杂的问题进行的。将复杂问题分解成多个子系统，能够充分体现复杂的神经网络技术所具备功能，并为神经网络问题的分类提供便利，不仅可以提高解决问题的工作效率，而且可以积累神经网络方面的经验。在神经网络问题的实际解决过程中，如果子系统所具备的属性是对数据资料的输出和输入是固定的话，就需要子系统记住这些匹配。也可以是将神经网络子系统中存在的知识库与神经网络中的仪器设备相匹配，那么在进行相关信息的输入时，就可以对神经网络知识库中的连接权、阈值等相关参数进行调用，而不进行反复性质的神经网络学习，这时神经网络所具备的功能就是对函数进行传递。如果在子系统的神经网络知识库中存在与子系统属性相匹配的网络部分，就需要在神经网络知识库中找到与初始值和缺省值相匹配的经验值，将其作为基础就可以对神经网络的子系统的连接权、阈值等相关参数进行训练；如果神经网络的知识库中不存在与子系统属性相匹配的网络部分，就要对神经网络的样本进行训练，并在神经网络问题求解的过程中对网络结构的设计和计算方法等进行学习和训练，以求真正与神经网络的知识库相融合。在神经网络知识库基础上发展而来的多神经网络集成体系如下图所示：

图在神经网络知识库基础上发展而来的多神经网络集成体系

2.多神经网络集成的方法与流程

从神经网络的有关资料可以看出，多神经的网络集成体系中存在多个子系统且属于多层并联或者串联的结构体系。从资料明显可以看出，子神经网络系统的结构较为简单，为神经网络进行计算和训练等操作提供了便利。在对复杂的网络问题进行分解的过程中，要进行反复的摸索和计算，以求得到最优化的结果，并把结果存储在神经网络的知识库中，为下一次的操作提供经验和学习的基础。在神经网络系统中存在多个层次，可以将位于下一层的输出当做是上一层的输入使用，位于同一层次的神经网络都可以被上一层的神经网络使用，直到到达神经网络的顶层为止。

二、在BP网络集成的基础上进行非线性的研究案例

本文通过复杂的非线性函数案例对神经网络的集成方法进行验证，以有效证明神经网络集成方法所具备的有效性、稳定性、可靠性和可行性。在神经网络函数的研究过程中，人们一直都比较注重对神经网络函数逼近原理进行研究，但是没有更为明确的说明。

1.非线性函数逼近原理的举例描述

通过神经网络进行函数的非线性映射的描述，函数F■（x■，x■）中的x■，x■要符合以下要求：x■，x■∈[-1，1]。函数表示为：

F■（x■，x■）=sin■∈（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）

在函数中根据x■=x■=0.05的原则进行取点的操作，并对函数进行神经网络的输入和输出操作的训练，以求得出函数公式最理想的输出结果。

2.函数问题的解题方法

（1）在函数公式求解的过程中，需要用到神经网络知识库中的逼近原理。

（2）在函数公式求解的过程中，需要进行反复的摸索和拼凑，以实现对神经网络拓扑结构的设计，通过BP算法的使用，实现对函数公式求解的目的。

（3）在函数公式的求解过程中，如果使用多神经网络集成方法的话，就要对神经网络的结构进行设计，以为函数公式的求解提供便利。

F■（x■，x■）=sin■（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）

=（sin（πx■）+cos（πx■））■

根据神经网络中可以将复杂的问题进行分解成多个子系统的原则，将函数公式分解成以下四个简单的函数问题：

f■（x■）=sin（πx■）

f■（x■）=cos（πx■）

f■（f■，f■）=sin（πx■）+cos（πx■）=f■f■

F■（f■）=f■■

对分解之后的函数公式进行求解，通过BP算法的求解，从而达到对函数公式求解的目的。

3.函数求解过程中所使用的方法对比

在使用神经网络进行求解的过程中，神经网络的结构呈现出较为复杂的特点，由于缺少经验作为基础，因此只能进行多次的尝试和摸索，比较花费人力，浪费时间，得到的结果还不理想，存在一系列的问题，例如速度慢、规律复杂等。本文介绍的案例就进行了反复的尝试，得到的输出三维图与最理想的三维图之间还存在差异。

把原来较为复杂的函数公式分解成多个简单的函数公式之后，在通过多神经网络集成方法进行求解的过程中，每个函数公式都很简单，在训练的过程中，也不存在大量的拼凑和尝试，能够在短时间内就确定函数公式结构的参数。将与函数公式有关的阈值和训练值等都存储在神经网络的知识库中，在遇到同类型的函数公式求解时，就可以从神经网络知识库中直接调用即可，不仅计算的速度快，输出结果的精确度也很高。通过神经网络集成方法找到的函数公式的输出三维图，与最优的三维图之间非常的相似，差异不大，可以忽略不计。

三、结语

在神经网络知识库的基础上使用多神经网络集成方法进行问题的求解时，不仅可以大大节省求解所用的时间，而且可以大大提高输出结果的精确度。可以将复杂的问题分解成多个简单的问题，以提高神经网络的工作效率，对计算方法进行创新和发展。

参考文献：

[1]林民龙.基于神经网络集成的增量式学习[D].中国科学技术大学，2012.

[2]唐东波.基于神经网络集成的电信客户流失预测建模及应用[J].大众商务，2010（06）.

[3]李明爱，王蕊，郝冬梅.基于神经网络集成技术的运动想象脑电识别方法[J].北京工业大学学报，2011（03）.

[4]刘大有，张冬威，李妮娅，刘杰，金弟.基于网络聚类选择的神经网络集成方法及应用[J].吉林大学学报，2011（04）.

[5]潘远.粗集约简的神经网络集成在遥感影像分类中的应用[D].辽宁工程技术大学，2012.

人工神经网络发展篇4

关键词：人工神经网络；信息处理；风险评估

中图分类号：TP18文献标识码：A文章编号：1009-3044（2014）06-1285-02

ResearchontheApplicationofArtificialNeuralNetwork

LIHong-chao

（ChinaUniversityofPetroleum（EastChina），Qingdao266580，China）

Abstract：Artificialneuralnetworksarepartofanintegratedartificialintelligence，itisproposedisbasedonresearchofmodernneuroscience.Withthecontinuousdevelopmentofartificialneuralnetworks，andtheirusemorewidely.Thisarticlefirstanalyzesthebasicconceptsandfeaturesofartificialneuralnetworks，fromsixaspectsofinformation，medicine，psychologyandotherdetailsoftheapplicationofartificialneuralnetworks.

Keywords：artificialneuralnetwork；informationprocessing；riskassessment

1人工神经网络

人工神经网络，英文名为“ArtificialNeuralNetwork”，简称ANN，它充分分析大脑神经突触联接的结构特点，对其进行模拟，然后进行信息处理。简单来说，人工神经网络就是对人脑结构、人脑功能的模仿。它的特点有很多，比如非线性、非局限性、非常定性、非凸性等。这些特点铸就了人工神经网络的各种功能，促进了它的应用。

2人工神经网络的应用

随着人们对人工神经网络的不断研究，人工神经网络的作用越来越大，给人们提供了更好的服务，下面就以人工神经网络在信息领域、医学、经济领域、控制领域、交通运输、心理学六个方面分别介绍其应用。

2.1信息领域

人工神经网络在信息领域的应用分为两个方面，一个是信息处理，一个是信息识别。

1）信息处理

由于现代信息的多样化和多变性的特点，信息处理就变得复杂起来，人工神经网络可以对人的一部分思维能力进行模仿甚至代替，解决传统信息处理的困难。在通常情况下，人工神经网络可以自动诊断问题，开启问题求解模式。另外，人工神经网络系统的容错性能高，当其连接线遭到破坏，自身的组织功能还是可以保持它的优化工作状态。因此，军事系统充分利用这一优势，在其电子设备广泛应用人工网络信息系统。

2）模式识别

这项功能的理论基础有两个，一个是贝叶斯的概率论，另一个是申农提出的信息论。模式识别主要是分析和处理存在于目标体上的各种形式的信息，然后在处理和分析的基础上对目标体进行描述、辨认等过程。随着人工神经网络在模式识别中的应用，传统的模式识别逐渐被取代。随着模式识别的发展，已经逐渐应用到语音识别、人脸识别、文字识别等各个方面。

2.2医学领域

人体是非常复杂的，在医学中，想要弄清楚疾病的类型、疾病的严重情况等，仅仅依靠传统的望闻问切诊断方法是远远不够的，医学的发展需要运用新技术。人工神经网络应用于医学中，可以分析生物信号，观察信息的表现形式以及研究信息的变化规律，将这三者的结果进行分析和比较，从而掌握病人的病情。

1）生物信号的检测与分析

在医学诊断中，医生基本上都是通过对医学设备中呈现出来的连续波形进行分析。人工神经网络中有一套自适应的动力学系统，该系统由一些数量庞大的简单处理单元互相连接。因此，它具有多种功能，比如MassivelyParallelism，即所谓的巨量并行，分布式存贮功能以及强大的自组织自学习功能等。用常规处理法处理生物医学信号分析非常困难，而人工神经网络的功能可以有效解决难题，其在生物医学人脑检测与处理中的应用非常广泛，比如分析电脑信号，对心电信号进行压缩处理，医学图像的识别等，在很大程度上促进了医学的发展。

2）医学专家系统

对于传统的专家系统而言，其工作原理基本上就是先由专家根据自己多年的医学经历，总结自己的经验和所掌握的知识，以某种规则的形式将这些经验和知识存储在电脑中，建立一个专家的知识库，然后借助逻辑推理等方式开展医疗诊断工作。但是，随着专家知识的不断增长和经验的日益丰富化，数据库的规模会越来越大，极有可能产生知识“爆炸”的现象。同时，专家在获取知识的过程中也会遇到困难，导致工作效率低下。人工神经网络中的非线性并行处理方式解决了传统专家系统中的困难，在知识推理、自组织等方面都有了很大的提高，医学专家系统也开始逐渐采用人工神经网络系统。

在医学领域中，麻醉和危重医学的研究过程中，存在很多的生理方面的分析与检测工作，人工神经网络系统有良好的信号处理能力，排除干扰信号，准确检测临床状况的相关情况，有力促进了医学的发展。

2.3经济领域

经济的快速有效增长是基于人们对市场规律良好的掌握和运用以及对经济活动中的风险评估，及时应对和解决，这样才能保障经济活动的快速发展。人工神经网络应用于经济领域，主要有预测市场价格和评估经济风险两个方面。

1）预测市场价格的波动情况

商品的价格主要是由市场的供求关系和国家宏观调控来变化的。国家的宏观调控是客观存在的，我们可以在遵循国家宏观调控的前提之下分析市场的供求关系，从而预测商品的市场价格。在传统的统计学方法中，在预测价格波动时因其自身的局限性，难以做出科学的判断。人工神经网络可以有效处理不完整数据和规律性不强的数据，它是传统统计方法所不能达到的。人工神经网络系统基于市场价格的确定机制，综合分析影响商品价格的因素，比如城市化水平、人均工资水平、贷款情况等，将这些复杂的因素综合起来，建立一个模型，通过模型中的数据显示，科学预测商品的市场价格波动情况，有效利用商品的价格优势。

2）评估经济风险

经济风险，即EconomicExposure，它指的是由于经济前景的一些不确定因素，导致经济实体出现重大的经济损失。在处理经济风险的时候，做好的措施就是防患于未然，做好评估和预测，将经济风险扼杀在萌芽时期。人为的主观判断经济风险具有一定的可靠性，但是也存在很多的不足。将人工神经网络系统应用于评估经济风险，可以有效弥补人为判断风险的不足。人工神经网络先提取具体风险来源，然后在此基础上构建出一个模型，这个模型一般要符合实际情况，通过对模型的研究，得出风险评价系数，最终确定有效的解决方案。

2.4控制领域

随着人工神经网络的不断发展，人们开始研究其在控制领域的应用。比如现在的机器人的摄像机控制、飞机控制等。它主要是通过控制图像传感器，再结合图像表面的非线性关系，进行计算和分析，另外，它还可以将图像传感器瞄准到处于运动状态中的目标物上。

2.5交通运输

交通问题具有高度的非线性特点，它的数据处理是非常庞大和复杂的，这与人工神经网络有很大的吻合性。就目前来讲，人工神经网络应用到交通领域有模拟驾驶员的行为、分析交通的模式等等。

2.6心理学

人工神经网络是对人脑神经元的信息处理能力的模拟，本身就带有一定的抽象性，它可以训练很多的认知过程，比如感觉、记忆、情绪等。人们通过对人工神经系统的不断研究，多个角度分析了其认知功能。就目前来看，人工神经网络可以分析人的认知，同时对认知方面有缺陷的病人进行模拟，取得了很大的进步。当然，人工神经网络应用于心理学领域也存在很多的问题，比如结果精确度不高、模拟算法的速度不够等，这些都需要人们持之以恒的研究。突破这些难题，促使人工神经网络有效应用于心理学领域。

3结束语

综上所述，随着人工神经网络的不断发展，它特有的非线性适应能力和自身的模拟结构都有效推动了其应用范围。我们应该不断运用新技术，不断完善人工神经网络的功能，拓宽其应用范围，促进其智能化、功能化方向发展。

参考文献：

[1]毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011（12）.

[2]林和平，张秉正，乔幸娟.回归分析人工神经网络[J].吉林大学学报：信息科学版，2010（3）.

[3]李雷雷.人工神经网络在建筑工程估算中的应用研究[D].华北电力大学，2012.

人工神经网络发展篇5

关键词：智能化；信息处理技术；人工智能；神经网络

中图分类号：TP393文献标识码：A文章编号：1009-3044（2016）31-0254-02

近年来，智能信息处理技术获得了突飞猛进的发展，该技术有机融合了控制技术、电子技术、计算机技术等多种先进技术，能够高效实现信息的采集和处理任务。开展信息的智能化处理技术研究具有非常重要的意义，能够全方位的了解和掌握智能信息处理技术的发展及运用状况，并发挥该技术的优势和作用，为今后的研究提供依据。

1信息的智能化处理技术的产生与发展

1.1信息的智能化处理技术的产生

早在1930年就产生了信息的智能化处理技术，然而因为运算功能强大的工具，致使智能化信息处理技术的功能无法得到全面体现，这在一定程度上限制了信息的智能化处理技术的发展和成熟。计算机技术的广泛应用为信息的智能化处理技术的进一步发展提供了坚实的基础保障，研发出多种智能信息处理产品，在人们的工作和生活中得到了大规模的应用，为人们提供了极大的便利，同时也产生了较大的社会及经济效益。针对当前医学领域中的GT机而言，该机器充分运用了智能化信息处理技术的优势[1]；同时美国科学家J.W.Coolev领导多位研究人员共同研制出先进的FFT算法，极大地推动了科学研究领域的创新发展。随后硬件电路就借助FFT算法对智能监测仪器进行开发研究，推出多种自动化和智能化程度较高的检测设施，获得了很大的成功[2]。科学技术的实时发展使信息的智能化处理技术也不断更新，科技水平逐步提升，智能化信息处理技术在信息处理系统中发挥的作用越发重要。

1.2信息的智能化处理技术的发展

信息处理技术顺应着通信技术、计算机技术的发展潮流，已经进入到一个全新的发展阶段，不仅更新了传统的发展理论及方式，在研究领域方面也获得了进一步的拓展，构建出全新的研究理论及方法。在信息处理技术最初发展阶段，线性、最小相位及因果等系统是几大关键研究内容，在不断的发展过程中已经逐渐转向非最小相位、非因果和非线性等研究领域，能够结合信息的变化开展针对性的处理工作。能够处理可靠性和稳定性较差的信息是智能化信息处理技术最显著的特征，能够使其转变为可靠和确定的信息。在智能化信息处理技术的支撑下，能够在确定性较差的信息内获取相对精确的结果，能够对信息进行有效、充分的利用，显著改善了信息的整体利用率。

构建具有良好判断能力、理解能力和学习能力的人工智能系统是开展智能化信息技术研究的根本目标，信息的智能化处理技术主要借助不同算法对信息进行采集和利用，最终达到智能化管控的效果。由此得知，信息的智能化处理技术主要研究内容为：1）环境、机器同人的彼此智能化交互协作。该技术能够对语音或文字开展自动识别研究，并尝试理解自然语言，对图像、视觉信息进行自主化的加工和处理，确保环境、机器同人三者能够实现信息的互动沟通、交流[3]；2）将有价值、有效信息从数据库内进行提取，并总结基本规律。智能化信息处理技术的根本研究内容为机器学习及简约数据，需要借助已经掌握的模式识别理论、知识，针对数据信息进行简化处理，通过可阅读的方式将信息呈献给决策人员，便于制定出科学的决策。也能够自动化的学习多种数据，进而进行数据的评价和分类处理工作，对结果进行准确的预测；3）合理规划和优化智能系统，发挥系统的协作、决策功能。应对计算机决策系统、辅助规划系统进行构建，参考优化指标改善社会及经济效益。还应对系统建模内容进行探究，对智能决策、规划、体系协作的基础理论和方式进行进一步的优化。

2信息的智能化处理技术理论及方法

信息的智能化处理技术涵盖多个研究领域，融合了通信技术、控制技术和计算机技术等先进技术，涉及多个信息科学技术学科。综合当前的研究及发展情况，可以将信息的智能化处理技术归为以下几类：

2.1模糊理论

若需要对无法确定对现象进行探究和分析，就必须要借助模糊理论来实现。由于事物本身拥有不确定的特性，同数学理论下的二元性原则没有直接关系，属于对象差异的中间过渡状态，无法进行准确的划分，从而不能明确对象类型。模糊系统具有模糊性特征，能够结合模糊理论发挥模糊信息处理功能，是一种动态化的模型。一般在模糊系统内，输入、输出彼此对应，能够将其视为连续函数的整理逼近器，主要包括模糊推理机、反模糊化器、模糊产生器及模糊规则库[4]。建立在神经网络、模糊系统之上的模糊神经网络，有效整合了模糊系统机理、神经网络，将二者的优势进行了整合，同时也融合了多种理论，包括动力学、逻辑计算、处理方式及语言等。模糊神经网络不仅具有较强的联想能力、识别能力和学习能力，同时还拥有良好的模糊信息处理性能。在普通神经网络内，对模糊输入信号、权值进行添加是模糊神经网络的核心所在，在优势互补的原理下，能够使神经网络、模糊系统的优势和功能充分展示出来，同时也弥补了二者各自的弊端和不足。构建的模糊神经网络使信息的智能化处理技术发展迈向一个全新的发展层面，具有非常重要的意义。