评价网 > 科教论文 > 其他论文 > 正文

神经网络的特点分析

2013-04-28 18:45

神经网络的特点分析
（1） 神经网络的一般特点
作为一种正在兴起的新型技术神经网络有着自己的优势，他的主要特点如下：
① 由于神经网络模仿人的大脑，采用自适应算法。使它较之专家系统的固定的推理方式及传统计算机的指令程序方式更能够适应化环境的变化。总结规律，完成某种运算、推理、识别及控制任务。因而它具有更高的智能水平，更接近人的大脑。
② 较强的容错能力，使神经网络能够和人工视觉系统一样，根据对象的主要特征去识别对象。
③ 自学习、自组织功能及归纳能力。
以上三个特点是神经网络能够对不确定的、非结构化的信息及图像进行识别处理。石油勘探中的大量信息就具有这种性质。因而，人工神经网络是十分适合石油勘探的信息处理的。
（2） 自组织神经网络的特点  
自组织特征映射神经网络作为神经网络的一种，既有神经网络的通用的上面所述的三个主要的特点又有自己的特色。
① 自组织神经网络共分两层即输入层和输出层。
② 采用竞争学记机制，胜者为王，但是同时近邻也享有特权，可以跟着竞争获胜的神经元一起调整权值，从而使得结果更加光滑，不想前面的那样粗糙。
③ 这一网络同时考虑拓扑结构的问题，即他不仅仅是对输入数据本身的分析，更考虑到数据的拓扑机构。
权值调整的过程中和最后的结果输出都考虑了这些，使得相似的神经元在相邻的位置，从而实现了与人脑类似的大脑分区响应处理不同类型的信号的功能。
④ 采用无导师学记机制，不需要教师信号，直接进行分类操作，使得网络的适应性更强，应用更加的广泛，尤其是那些对于现在的人来说结果还是未知的数据的分类。顽强的生命力使得神经网络的应用范围大大加大。 （转载自科教范文网http://fw.nseac.com）
1.1.3自组织神经网络相对传统方法的优点
 自组织特征映射神经网络的固有特点决定了神经网络相对传统方法的优点:
 （1）自组织特性，减少人为的干预，减少人的建模工作，这一点对于数学模型不清楚的物探数据处理尤为重要，减少不精确的甚至存在错误的模型给结果带来的负面影响。
 （2）强大的自适应能力大大减少了工作人员的编程工作，使得被解放出来的处理人员有更多的精力去考虑参数的调整对结果的影响。使得更快的改进方法成为可能。
 （3）网络工作过程中考虑数据和网络的拓扑结构的问题，更类似人类大脑思考问题的方式，问题的解决更符合人的特点，使得结果的可信程度加大。
 （4）无导师学习机制，不需要教师信号。对于地球物理勘探这类的很少有准确的教师信号作为指导的问题而言，这一点很有优势，很好的模仿人脑，所得结果是其他方法处理结果的很好的参考。
1.1.4完成本课题的目的
 本课题的目的就是通过毕业设计这一过程学习神经网络的基本原理、方法和应用情况，在了解自组织特征映射神经网络原理的基础上探索这样的方法、工具在地球物理数据处理上的应用，例如在储层识别方面。并且同一部分其他方法对比，分析各个方法的特点，为后面的工作打基础。
针对传统地球物理勘探数据处理方法存在的问题，结合自组织特征映射神经网络的优点，尝试这样的一个新方法，看他们这一问题上的表现如何，争取找到一个相对合适的方法。
保存所做的工作，为以后在这方面感兴趣的同学留下有限的一部分参考。国内外研究的过程及现状
人工神经网络是近几年来循序发展的人工智能新技术，他比专家系统、模糊理论等人工智能技术具有更高水平。

中国大学排名

人工神经网络在80年代中期得到了飞速的发展。1982年美国加州州立理工学院物理学家Hopfield教授提出了Hopfield人工神经网络模型，他将能量函数的概念引入人工神经网络，并给出了稳定性的判据，开拓了人工神经网络用于联想记忆和优化计算的新途径。
人工神经网络模拟人类部分形象思维的能力，是模拟人工智能的一条途径。特别是可以利用人工神经网络解决人工智能研究中所遇到的一些难题。人工神经网络理论的应用已经渗透到多个领域，在计算机视觉、模式识别、智能控制、非线性优化、自适应滤波相信息处理、机器人等方面取得了可喜的进展。
1.2.1国外研究发展的过程
神经网络诞生半个多世纪以来，同其他事务一样发展不是一帆风顺的，大体上经历了以下5个阶段：
（1）奠基阶段。
早在20世纪40年代初，神经解剖学、神经生理学、心理学以及人脑神经元的电生理的研究等都有一定的成果。其中，神经生物学家McCulloch提倡数字化具有特别的意义。他同青年数学家Pitts合作，从人脑信息处理观点出发，采用数理模型的方法研究了脑细胞的动作和结构及其生物神经元的一些基本生理特性，提出了第一个神经计算模型，即神经元的阈值元件模型，简称为MP模型，他们认识到了模拟大脑可用于逻辑运行的网络，有一些结点，及结点与结点之间相互联系，构成一个简单神经网络模型。其主要贡献在于，结点的并行计算能力很强，为计算神经行为的某此方面提供了可能性，从而开创了神经网络的研究。这一革命性的思想，产生了很大影响。 您可以访问中国科教评价网（www.NsEac.com）查看更多相关的文章。
（3） 第一次高潮阶段。
在1958年计算机科学家Rosenblatt基于MP模型，增加了学习机制，推广了MP模型。他证明了两层感知器能够将输入分为两类，首先假如这两种类型是线性并可分，也就是一个超平面能将输入空间分割，其感知器收敛定理：输入和输出层之间的权重的调节正比于计算输出值与期望输出之差。
他提出的感知器模型，首次把神经网络理论付诸工程实现。例如，1957年到1958年间在他的帅领下完成了第一台真正意义上的的神经计算机，即：Mark Ⅰ的感知器。他还指出了带有隐含层处理元件的3层感知器这一重要的研究方向，并尝试将两层感知器推广到3层。但是他没有能够找到比较严格的数学方法来训练隐含层处理单元。这种感知器是一种学习和自组织的心理学模型，其结构体现了神经生理学的知识。当模型的学习环境含有噪音时，内部结构有相应的随机联系，这种感知器的学习规则是突触强化律，它可能应用在模式识别和联想记忆等方面。可以说，他的模型包含了一些现代神经计算机的基本原理，而且是神经网络方法和技术上的重大突破，他是现代神经网络的主要构建者之一。Rosenblatt的行为激发了很多学者对神经网络研究的极大兴趣．美国的上百家有影响的实验室纷纷投入到这个领域，军方给予巨额资金资助，比如，对声纳波识别，迅速确定敌方的潜水艇位置，经过一段时间的研究终于获得了一定的成果。这些事实说明，神经网络形成了首次高潮。