神经网络计算机大全.docx

神经网络计算机大全.docx

《神经网络计算机大全.docx》由会员分享，可在线阅读，更多相关《神经网络计算机大全.docx（8页珍藏版）》请在冰点文库上搜索。

神经网络计算机大全

人工智能论文

论文名称：

　　神经网络智能计算机

小组成员:

谢磊　　E10914026　　

　　桂江源　　E10914036　

　齐连军　　E10914058　

一.背景

从1946年世界上第一台数字电子计算机诞生至今的短短50年时间内,计算机的发展和应用已取得了惊人的突破从单片机到巨型机,广泛应用于社会各领域。

由于电子计算机在代替人脑部分劳动方面的突出性能,人们称之为“电脑”。

但是,就目前计算机所具有的功能来看,将其称之为“电脑”尚为时过早。

之所以这么说,是因为现行计算机主要只能用于数值计算、文字处理、数据管理、简单控制等方面,而在一些智能信息处理方面则显得无能为力,与人脑相比,尚有极大的差距。

现行计算机的体系结构仍为当初发明它时采用的冯.诺依曼（vonNeumann）型结构在这种体系结构下,计算机只能被动地根人们己编制好的程序来执行相应的数值计算或逻辑演算,没有主动学习和自适应的能力。

它处理信息的方式是集中的串行的；存储器地址和其所存储的内容无关,没有联想存储功能，人脑则截然不同。

虽然迄今人类对自己大脑的了解还很肤浅,但某些研究成果表明,人脑约有140亿个神经细胞,而每个神经细胞又与大约1000个神经细胞相连,每个神经细胞既是存储单元又是处理单元,人脑正是通过这庞大的神经细胞网络并行协调的整体性运作来处理各种复杂问题的。

由此可见,要使计算机成为真正的“电脑”,就必须寻求一种类似于人脑结构的新的计算机体系结构。

人工神经网络正是人脑神经网络的简化模型,其基本思想是模仿人脑处理信息的方式。

实际上人工神经网络是一种非线性自适应动态网络系统,它仅是一种模仿而不是仿真，人工神经网络又是一种可计算的模型。

[1]

二.人工神经网络的模型

人工神经网络的模型很多，可以按照不同的方法进行分类。

其中，常见的两种分类方法是，按照网络连接的拓朴结构分类和按照网络内部的信息流向分类。

1.按照网络拓朴结构分类

网络的拓朴结构，即神经元之间的连接方式。

按此划分，可将神经网络结构分为两大类：

层次型结构和互联型结构。

层次型结构的神经网络将神经元按功能和顺序的不同分为输出层、中间层（隐层）、输出层。

输出层各神经元负责接收来自外界的输入信息，并传给中间各隐层神经元；隐层是神经网络的内部信息处理层，负责信息变换。

根据需要可设计为一层或多层；最后一个隐层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。

而互连型网络结构中，任意两个节点之间都可能存在连接路径，因此可以根据网络中节点的连接程度将互连型网络细分为三种情况：

全互连型、局部互连型和稀疏连接型。

2按照网络信息流向分类

从神经网络内部信息传递方向来看，可以分为两种类型：

前馈型网络和反馈（递归）型网络。

单纯前馈网络的结构与分层网络结构相同，前馈是因网络信息处理的方向是从输入层到各隐层再到输出层逐层进行而得名的。

前馈型网络中前一层的输出是下一层的输入，信息的处理具有逐层传递进行的方向性，一般不存在反馈环路。

因此这类网络很容易串联起来建立多层前馈网络。

前馈网络的例子有多层感知器（ＭＬＰ）、学习矢量量化（ＬＶＱ）网络、小脑模型联接控制（ＣＭＡＣ）网络和数据处理方法（ＧＭＤＨ）网络等。

反馈型网络的结构与单层全互连结构网络相同。

神经元的输出被反馈至同层或前层神经元，信号能够从正向和反向流通。

因此，在反馈型网络中的所有节点都具有信息处理功能，而且每个节点既可以从外界接受输入，同时又可以向外界输出。

Hopfield网络，Elmman网络和Jordan网络是递归网络有代表性的例子。

下面就是一个关于人工神经网络的例子——遗忘机制的人工神经网络模型。

人的大脑记忆具有天生的“记忆-遗忘机制”,总是只保存最有意义和最经常使用的那部分数据,大量的次要信息在长时间不使用后会慢慢遗忘掉,这种“优胜劣汰”的机制使得大脑总是能适应不断增长的信息处理工作,更快地提取到最有价值的那部分数据[2]。

这个过程的特征在于:

一切信息都在以遗忘的方式同步退化,经过日积月累,被不断重复和强化的重要信息才被保留下来。

著名的“帕累托原则”认为[3],在非线性系统的个体中,普遍存在着不平衡的关系,这种现象又称为“二八”现象。

如果能快速找出这些信息中“二”的部分,便能以较少的代价更快、更好地抓住重点,提高系统效率。

模式神经元网络是对人脑认知事物的一种模拟[4-5]。

人们在最初认识一种事物时,会根据经验知识和以前见过的事物进行比较、判断,从而确定是否认识该事物；认识该事物后往往会根据一定的规则标准对所认识的事物进行分类。

在认知科学对人脑记忆规律的研究成果基础上,利用记忆的遗忘特性,提出了一种简单有效的数据提炼算法。

该过程可被描述为“记忆—遗忘—再激励—提取知识”的模式。

通过该记忆演化模型,可以使知识系统中的原始数据随着信息系统的运行逐渐进行演化,形成不平衡分布,从而在需要提取的时候快速抽取出对系统贡献比较大的那一部分数据,以对相同情境触发的知识需求进行智能引导,或者提供给后续数据挖掘系统进一步分析[6-10]。

引入记忆遗忘机制后的人工神经网络就是模拟人脑学习认识事物的过程。

引入记忆机制后的人工神经网络同自适应共振理论（ART）神经网络一样都是由比较层C和识别层R组成[11-19]；不同的是该网络增加了记忆强度排序模块,使得两种网络的竞争获胜机制不同,同时该网络的识别层R分为识别层R1和知识层R2。

三.研究与发展

对于神经网络计算机的发展以及现行的研究方向有以下几个方面：

（1）脑科学、神经处理动力学的研究

这方面的研究主要有

（1）脑信息处理

A.哈密尔顿能量原理被创造性地运用于神经信息处理以及能量编码的研究，同时能量方法还被运用于离子通道动力学模型的研究，目前正在对NMDA神经递质与长时程增强（LTP）两者之间能量关系的定量模型和数值模拟进行研究。

我们还用随机的相变动力学理论研究大规模神经元集群的神经编码和译码的研究，以及将其研究成果用于学习与记忆的神经动力学机制的模拟。

许多相关的研究成果已经陆续发表在国内外的许多著名学术期刊上。

B.同时还对大鼠海马中发现的θ相移现象进行模型研究。

并将此模型用于脉冲时间相关的突触可塑性（STDP）网络中，研究了在接近于生理实际的网络环境下，相移现象对于记忆的形成和提取产生的作用。

一些最新的发现也已经陆续发表在国内外的学术期刊上。

C.研究具有动态突触的二元单元网络和IF（Integrate-and-Fire）单元网络的动态特性以及二元单元网络的动力学稳定性问题。

研究神经元的动态突触和联想记忆之间的关系以及存储记忆之间的快速转换。

（2）运动的神经控制

A.节律性步态运动中CPG（中枢模式发生器）对肌肉控制模式的仿真研究

B.人体上肢运动轨道计算的一个新的计算方法及其动力学模拟

C.关于昆虫步态运动时神经控制机理的动力学分析

D.关于人体手臂运动时阻抗控制问题的研究

（3）触觉模型和触觉的神经控制

研究织物触觉质感中柔软－硬挺感和粗糙－平滑感的机械感知过程。

就柔软－硬挺感而言，建立了指尖－织物接触系统的解析模型，分析了手指感知表面软硬不同的织物时，机械感知的敏感性和感知原理的差异，并结合心理物理规律分析主观评价结果的离散性和个体差异特征的内在存在性。

就粗糙－平滑感而言，通过有限元模型参数化研究了织物表面的波动幅度、周期和表面的压缩模量对指尖软组织应力应变的影响，确定了织物粗糙－平滑感的机械感知过程中周围神经编码的物质基础为织物的表面波动曲率和表面压缩模量。

相关的研究成果已经发表在国内外的一些著名的学术期刊上。

（2）非线性系统、实时和自适应系统的收敛性和稳定性。

（3）基于感知与生物特征的信息处理。

生物特征识别技术较好的兼顾了系统安全和用户体验两个矛盾的方面，因此在信息安全等领域受到了广泛的关注和应用。

但是单模态生物特征识别技术的特点决定了其存在安全和性能等方面的诸多问题，而多模态生物识别技术由于其更好的适用性、更高的安全性、更优的性能成为目前生物识别技术发展的趋势。

多模态生物识别技术的发展和成熟将进一步完善生物识别技术的方法和手段，为信息安全应用系统提供更可靠、更安全的身份认证方案。

特征层融合直接面向不同模态样本特征，对于像素层、匹配层和决策层，能够最大程度的保留样本特征的区分性信息，消除样本特征的冗余信息，真正发挥多模态融合的优势，逐渐成为多模态融合的研究热点。

参考文献：

1.神经网络计算机《电脑技术》陈志祥1995

2.代小娟,林小竹,周小正.基于ART1改进算法的汉字分类研究[J].北京石油化工学院学报,2009,（01）

3.代小娟,林小竹,周晓正.模式神经元网络的聚类方法研究[J].北京石油化工学院学报,2009,（04）.

4.崔怀林，赵树芗.手写汉字识别粗分类方法的研究[J].电子科技大学学报,1996,（03）.

5.李洪,吴贻鼎.利用ART1网络进行故障诊断的方法研究[J].电力系统及其自动化学报,2003,（03）.

6.廖海林.关于记忆与遗忘定量研究的两个数学模型[J].江西广播电视大学学报,2003,（04）.

7.贾鹏,尹峻松,胡德文.引入遗忘机制的ART2改进模型[J].计算机工程与应用,2006,（09）.

8.周晓正,林小竹,陈星,李玉龙.一种改进的人工神经网络模型[J].计算机工程与应用,2008,（09）.

9.左珑,谭明峰.基于ART1人工神经网络的数据聚类[J].计算机工程与科学,2002,（02）.

10.仝朝阳，石教英.一种面向模式分类的修正的ART1神经网络[J].计算机学报,1995,（09）.

11.李侠民,刘小林.关于汉字识别粗分类并行算法的研究[J].中文信息学报,1991,（02）.

12.张格伟,廖文和,刘长毅,俞烽.知识的记忆-遗忘模型及其在知识管理中的应用[J].南京航空航天大学学报,2008,（02）.

13.周春光,常迪,张冰,权伟,梁艳春.一种改进的ART1算法及其在人像识别中的应用[J].小型微型计算机系统,1999,（10）.

14.余鹏飞,刘兵.改进的ART1网络及其在英文字符识别中的应用[J].云南大学学报（自然科学版）,2004,（05）.

15.谌杨帆,皮佑国.无字库条件下汉字全包围结构识别方法研究[J].自动化技术与应用,2009,（02）.

16.蒋凤霞,关玲永.如何运用记忆遗忘规律提高英语记忆量[J].中山大学学报论丛,2007,（08）.

17.基于感知信息的多模态生物特征融合技术研究《哈尔滨工业大学》2009年王志芳

18.基于中枢模式发生器原理的步态控制及其运动认知的研究《华东理工大学》2011董玮

19.李佳斌.人工神经网络系统模型原理及其在计算机中的应用研究与进展[J].电脑知识与技术,2011,（02）.

20.李晨晖,杜友福,张兴旺,刘俊.遗传算法TSP问题的实现及免疫优化[J].电脑知识与技术（学术交流）,2007,（04）.

英文文献：

[1]CarpenterGailA,GrossbergStephen.ART2:

self-organizationofstablecategoryrecognitioncodesforanaloginputpatterns.AppliedOptics,1987,26（23）:

4919-4930.

[2]MohamadY.Jabera,HemantV.Kher.Variantversusinvarianttimetototalforgetting:

thelearn-forgetcurvemodelrevisited[J].Computers&IndustrialEngineering,2004,46:

697-705.

[3]CarpenterGA,GrossbergS.TheARTofadaptivepatternrecognitionbyaself-organizingneuralnetwork.IEEEComputer,1988,21（3）:

77-88.

[4]CarpenterGA,GrossbergS.ART-3:

hierarchicalsearchusingchemicaltransmittersinself-organizingpatternrecognitionarchitectures.NeuralNetworks,1990,3

（2）:

129-152.

[5]MohamadYJabera,SverkerSikstrom.Anu-mericalcomparisonofthreepotentiallearningandforgettingmodels[J].ProductionEconomics,2004,92:

281-294.

[6]Sang-YounKim,Ki-UkKyung,JinahPark,Dong-SooKwon.Real-timearea-basedhapticrenderingandtheaugmentedtactiledisplaydeviceforapalpationsimulator[J].AdvancedRobotics,2007,21（9）.

[7]KimSY,KimKY.Interactiveracinggamewithgraphicandhapticfeedback[C].2ndInternationalWorkshoponHapticandAudioInteractionDesign,HAID2007.Seoul,SouthKorea.Berlin,Germany:

Springer-Verlag,2007,:

69-77.

[8]MenticeAB.MenticeMedicalSimulation[EB/OL].[2008-02-29],.

[9]WilliamEL.Simbionix,medicaltrainingsimulatorsandclinicaldevicesforMIS[EB/OL].[2008-02-29],.

[10]MachadoLS.VirtualRealitySimulatorforBoneMarrowHarvestforPediatricTransplant[EB/OL].http:

//www3.di.ufpb.br/liliane/rvmed_e.html.[2008-02-29],.