人工神经技术

人工神经技术（精选12篇）

人工神经技术 篇1

互联网人工神经技术 (Artificial Neural Network, 简称ANN) , 具体利用互联网模拟神经元的基本元件 (就是人工模拟神经元) , 通过各个层次的不同组合方式联系在一起的网络系统。近几年, 伴随社会各界对于互联网人工神经网络技术研究的层层深入, 并且取得了一定的成就, 具体表现在:互联网计算机科学和电子科学、互联网自动控制, 同时和物理领域、数学领域以及生物领域等进行交互应用。

1 互联网人工神经网络技术的重要起源以及发展过程

1.1 互联网人工神经网络技术的重要起源

欧美著名科学家Pitt以及Me Culloch在上世纪七十年代提出人工神经网络的第一款数学模型, 目前来说, 这是人类历史上最早的进行人类脑组织功能模仿的模型。著名科学家Hepp在上世纪八十年代针对条件反射问题提出“Hepp”规则。著名科学家Rosenblatt在上世纪八十年代后期, 在科学史上掀起网络研究的高潮, 具体以Rosenblatt的模型——知觉器模型为代表。Rosenblatt研发的是一种全新感知型的模型, 将人工神经网络技术全面付诸实践, 并且是人类科学史上第一次。

1.2 互联网人工神经网络技术发展的低潮期

在上世纪九十年代初期, 利用数学知识将感知器模型的弊病全面提出, 致使社会各界对于人工神经网络的探究非常少。另一方面, 针对逻辑运算的人工神经网络研究存在一定的弊端, 一直没有被大家发现, 因此, 致使人工神经网络探究工程进入严重的低谷期。

1.3 关于人工神经网络技术飞速发展时期

九十年代初期, 对于人工神经网络技术的弊端予以充分解决, 尤其是Hopefield的人工神经网络技术模型的提出, 致使对于互联网的稳定性以及收敛性的探究有了充分的理论依据。而且将人工神经网络模型全面应用到具体的实践中, 并且得到全面推广, 同时, 将科学技术和人工神经网络进行有机结合, 使人工神经网络技术更加具有可研究性。

2 关于人工神经技术的构造以及典型模型

互联网人工神经技术的构造的组成包括以神经元件为主, 同时, 这项包含多种神经元结构的互联网信息处理技术是可以并行存在的。每一个具体的人工神经元件可以单一输出, 还可以和其他的神经元件相结合, 并且具有非常多的连接输出方法, 每一种连接措施都会有相应的权系数。

具体的人工神经网络技术的特点有:

(1) 针对每一个节点i, 都会有相应的状态变量Xi存在;

(2) 节点j到节点i之间, 是相应的权系数Wij存在;

(3) 在每一个节点i的后面, 具体存在相应的阈值θi;

(4) 在每一个节点i的后面, 存在变换函数fi (Xi, Wijθi) , 但是, 通常情况来说, 这个函数取fi (∑, WijXi-θi) 的情况。

3 将人工神经网络技术进行全面使用

互联网的人工神经网络技术具有独特的结构和处理措施, 具体包括在:自动控制处理和网络技术模式识别、模型图像处理和相应的传感器信号处理技术。信号处理技术和机器人控制处理技术、地理领域和焊接、在电力系统应用和相关数据挖掘、军事和交通行业、农业和气象行业等多个领域纷纷体现出其卓越的贡献。

ART人工神经网络技术的运用。人工神经网络技术ART在网络语音和网络图像、文字处理和具体识别等方面, 得到广泛的应用;同时, 在工业处理系统中也有相应的应用, 例如, 在工业系统中的故障诊断和故障检测以及事故警报等情况的控制;人工神经网络ART技术还应用在数据挖掘方面, 在相关数据中挖掘最稳定和最有意义的模式。具体的神经网络技术ART的优势为:网络技术处理能力高、稳定性强以及聚类效果非常好。

4 结束语

历经半个世纪人工神经网络技术的探究, 其技术俨然成为当前使用最广泛以及非常成熟的领域。本文对神经网络的发展历程展开分析, 将人工神经网络技术的结构进行阐述, 提出了较为常见的几种人工神经技术系统的优势和劣势。并且对人工神经网络技术的全面使用和推广进行展望。通过对互联网人工神经网络独特作用的分析, 并且伴随各个层次探究工作全面深入。人工神经网络技术得到广泛发展, 相信其未来的发展空间会无限大。

参考文献

[1]李士勇.模糊控制·神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出版社, 2013, 12 (25) :99-103.

[2]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报 (自然科学版) , 2014, 30 (15) :103-109.

[3]张清贵.人工神经网络导论[M].北京:中国水利水电出版社, 2014, 15 (36) :103-114.

[4]王辉.人工神经网络的研究与发展综述[J].电脑知识与技术, 2013, 12 (30) :710-711.

[5]吴新余.人工神经网络的研究与应用[J].电子工程师, 2013, 12 (25) :4-6.

人工神经技术 篇2

人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。

3.2 在医学领域的应用

人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。

3.3 在经济领域中的应用

经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。

3.4 在其他领域的应用

人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。

4总结

随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。

参考文献

[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993(5)：8-12，20.

[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，(10)：59-61.

[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009(5)：44-46.

[4]过效杰，祝彦知.人工神经网络的发展及其在岩土工程领域研究现状[J].河南水利，(1)：22-23.

神经外科患者人工气道的护理体会 篇3

【关键词】神经外科；患者；护理分析

【中图分类号】R47 【文献标识码】A 【文章编号】1004-7484（2012）10-0143-02

人工气道是指将导管插进气管或者经过气管切口插管而构建的气体通道，目的在于疏通患者的气道,从而为机械通气或者正常引流提供有力条件[1]。护理人工气道患者是一项艰巨且复杂的技术，原因在于这种类型的患者多数病情较重，即便处于清醒状态，也无法用语言表达自身的感受及需求。因此，对于这类患者，应在治疗中结合护理，以保证其治疗过程的顺利进行。现对2010年7月至2011年7月在我院外科接受治疗的30例危重患者的临床资料进行回顾性分析，具体情况如下。

1 资料与方法

1.1 一般资料 选取2010年7月至2011年7月在我院外科接受治疗的30例危重患者作为研究对象，其中，男性17例，女性13例。年龄最大的患者70岁，年龄最小的6岁。根据患者的实际情况，医院决定为其构建人工气道。给予CT检查后，发现本组３０例患者中，颅脑重度损伤的患者有8例，脑外伤7例，颅内肿瘤10例，脑出血5例。

1.2 护理方法

1.2.1 心理护理 构建人工气道后，患者无法发声，语言沟通能力困难，易于产生紧张焦虑的情绪，因此，护理人员应运用恰当的方式与患者沟通，巧妙应用其他非语言的交流方式，给患者真诚、人性化的护理，以便尽早发现患者的需求，从而为患者提供相应的服务。尽量消除患者及其家属的紧张、焦急不安等情绪。

1.2.2 协助患者吸痰 湿化气道后，吸去患者气管内的痰液。应将吸痰管准确插入气管套管的深部，以完全吸净痰液。与此同时，结合雾化来保持气道的湿化[2]。吸痰前，应先清洗手部、戴上手套,严格实施无菌操作，动作迅速、轻柔,尽量每次利用1根无菌的吸痰管，避免逆行感染。吸痰后，给患者高浓度吸氧，以增强其身体对缺氧的抗耐性，从而减少其不良反应。吸痰完毕后，应及时替换吸痰管，对于利用密封吸痰管的患者，吸痰时可不用分离呼吸机,确保其吸入足量的氧气。

1.2.3 气囊的护理管理 气囊的合理管理与气管黏膜的损伤程度密切相关。若处理不当，将使气管黏膜的损伤更加严重。因此，在管理中，应保证气囊的密封性，确保患者气道的压力与通气量。优质的气囊压力是指能完全封住气管与气囊间缝隙的最小压力，应低于2.5kPa，也就是小于常规毛细血管的灌注压。可借助气囊测压表调节气囊压力，安排两人操作。排气时，应让患者平躺,防止因痰液过多而发生气囊测压不准确的情况，或者由于气囊漏气而导致坠积性肺炎。

1.2.4 气道的湿化护理 人工气道的构建将干扰呼吸道黏膜、机体正常鼻腔对吸进空气的湿化、加温作用，进而引发气管黏膜过度缺水，降低系统清理杂物的能力，使分泌物更加黏稠，严重者可引发呼吸道炎症[3]。对此，在为患者构建人工气道的同时，也要给予足够的气道湿化。采取适量的氯化钠注射液进行湿化，观察患者的反应。湿化液主要由碳酸氢钠溶液与生理盐水共同配制，增加少量的碳酸氢钠溶液，有助于预防及减少肺部真菌的感染。每隔2小时利用无菌注射器向套管内注射4至10mL的湿化液，将滴注的时间控制在10min之内，有助于防治局部感染。其次，用博利康尼联合生理盐水进行雾化吸入，每天两次，每天将湿化的剂量控制在200至3900ml以内。在湿化的过程中，护理人员应适时更换患者的体位，避免在相同位置滴入过量而导致局部病变。密切观察患者的分泌物，若分泌物较为稀薄，并且能直接经过吸引管，导管内未结痂,则说明该护理符合气道湿化的标准。若患者的气道分泌物过于黏稠,难以经过吸引管，或者发生突发性的呼吸困难，则说明本次湿化不够，应加大湿化液量。若患者的器官分泌物过于稀薄，但却反复咳嗽，则需连续吸引，听诊气管以及肺部后，若听闻气管内的痰鸣音较多，则说明患者的湿化过量。总之，应依据湿化后患者的反应情况，合理调整湿化液量及湿化时间。

2 结果

为30例危重患者构建人工气道并给予精心护理后，护理效果显著，患者均康复出院。其中，有25例治愈出院，5例病情显著好转。

3 讨论

构建人工气道将对呼吸道原本正常的生理功能造成影响，进而出现呼吸道黏膜严重缺水、肺部感染、气道不畅以及分泌物黏稠等并发症[4]。对此，护理人员在护理患者的过程中，应保持高度的重视及责任心，密切观察患者的病情变化情况，并给予精心的护理，以便及时发现患者的异常症状,从而加紧预防。痰痂的产生是外科疾病中一种较为常见的并发症。其形成的原因在于湿化不足、吸痰不全面等。对此，护理人员应加强护理，以防痰痂的产生。

总之，为神经外科患者构建人工气道，严格规范其操作流程，逐步增强患者对人工气道的理解及认识，并给予其相应的护理措施，有助于神經外科患者的病情康复。

参考文献：

[1] 王惠娟.神经外科患者的饮食健康教育[J].内蒙古中医药.2008(12).

[2] 程淑臣.156例昏迷患者气管切开的护理体会[J].中国中医药现代远程教育.2010(24).

[3] 姚明兰.神经外科气管切开术后套管阻塞原因分析与护理对策[J].家庭护士. 2008(21).

人工神经技术 篇4

近年来,随着对地表、水质及环境监控等领域的研究,多源信息融合技术发展相当迅速。多平台、多时相、多传感器、多分辨率的图像,利用光学、红外、雷达等观测遥感系统,可获得大范围、高精度、实时的多源遥感数据[1]。但是这些数据所提供的信息具有冗余性、互补性,为了提高地质信息的利用率和分类精度,多源信息融合技术作为对不同分辨率和光谱图像进行整合的唯一有效的手段,显得更迫切、更重要。目前,数据融合技术研究在军事、地质监测和勘探、医学、人文地理、环境监控、交通、国土资源管理等领域都有了一定的成果。

2 多源信息融合

多源信息融合是一种信息处理技术,即对多源信息、进行处理,以获得改善了的新信息。主要研究如何加工、协同利用多源信息,并使不同信息相互补充,以获得对同一事物或目标的更客观、更本质认识的信息综合处理技术。对于多源信息融合,Li和Menijunath提出的三级形式[2]:象素级(Pixel Level)、特征级(Feature Level)、决策级(Decision Level)。不同级的融合表明融合之前,传感器的数据已经被处理的程度。

3 基于人工神经网络的多源信息融合技术

人工神经网络是基于现代神经生物学和认知科学在信息处理领域应用的研究成果。应用于信息融合的历史并不长,但具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点,有很强的自适应学习能力,可以避开模式识别方法中建模和特征提取的过程,并实现实时识别,以提高识别系统的性能。神经网络的层或节点可以用多种方式相互连接,对输入向量进行非线性变换,用于信息融合可以得到较为理想的结果[3]。

3.1 遥感图像预处理

由于遥感成像中各种因素(卫星速度变化、大气变化、随机噪声等)的影响,测量的图像各项参数并不完全是实际数值大小的反映,如遥感图像的几何畸变、噪声干扰等。可以通过多项式近似法、表面拟和纠正法或局部加权平均表面拟合方法予以解决;然后对这些数据进行图像配准,把不同传感器获取的同一场景的两幅图像进行特征提取[4]。

3.2 人工神经网络的设计

对同一场景作为样本,取100组数据,它们被分为训练集和测试集。训练集有70组数据,另30组数据作为测试数据。BP网络是一种多层向前反馈网络。在这里,共设计3层,输入层有两个神经元,提取其特征向量分别为纹理分辨率X和光谱分辨率Y,根据经验公式,隐层只需要2n+1个神经元就足够了,在此例中需要配置5个隐层单元(n是输入层神经元个数)。输出是分辨率值O。采用单极S形函数公式为隐层的激活函数,即为

然后对数据进行训练,用Levenberg-Marquardt训练算法,这种算法的收敛速度快而且非常适合函数逼近。该训练共分以下三个阶段:

3.2.1 权初始化阶段

向网络中的权值矩阵赋初值,输入层与隐藏层之间的权值矩阵为Wtj,隐藏层与输出层之间的权值矩阵为Vj,其中t为输入层神经元序列号,j为隐层神经元序列号。初始化时要求各个权值取值尽量的小,而且取值应是不为0的随机数。为了保证神经网络可以正常的学习,可在(-1.0,1.0)之间取值。

3.2.2 向前传播阶段

1)从样本集中取出一个样本i(Xi,Yi),将其输入网络;

2)计算相应的实际输出Oi:

从输入神经元到隐层神经元为:Pi=∑WtjOi;

从隐层神经元到输出层神经元为:Oi=f(Pi);

其中,i为第i个样本数据,t为输入层神经元序列号,j为隐层神经元序列号,f(x)函数为神经网络的激活函数。

3.2.3 向后传播阶段――误差传播阶段

1)计算实际输出Oi与相应的理想输出Ti的差;

2)网络关于第i组样本的均方根误差为:

3)网络关于整个样本集的误差测度:E=∑Ei;

4)按极小化误差的方式调整权值矩阵。

训练过程如图1所示。

4 实验结果

本文以一组某地纹理遥感图像(a)和多光谱遥感图像(b)为实验图像进行融合,图像几何校正、噪声处理、图像配准等处理后,分别提取两幅图像纹理分辨率A和光谱分辨率B,由于温度和时间对图像变化是一个相当漫长的过程,所以不予考虑。图2所示为原始的纹理遥感图像和多光谱遥感图像。两幅图像经过预处理,以全色图像为参考图像进行几何配准,图像大小:1172×916,图像格式。

图像融合在ERDAS IMAGINE 9.2中实验,ERDAS公司是一个遥感软件公司,一直致力于遥感处理系统技术的开发应用和服务。目前,ERDAS的软件在全球遥感处理软件市场排名第一。基于Arc View GIS V 9.x的图像分析模块,利用其强大的图像处理功能,根据上述基于人工神经网络的遥感图像融合的方法和算法,通过自适应学习,大量的训练[5],实验表明,BP神经网络收敛速率相当快,并且分辨率平均误差的范围在(0.028,0.128)之间。经过融合处理,新的图像高分辨率、纹理清晰、色彩鲜艳,逼近真实。如图3所示。

5 结论

从上面的实验结果可以说明,BP神经网络可以显著改善图像的显示效果,分辨率高而不失色彩,对图像分割方面提供了很好的基础。经过反复试验,误差很小,几乎接近于零。缺点是其巨大的计算量和时间消耗,虽然BP网络在不损失性能的前提下被优化至计算量最小,但其训练时间和计算时消耗的物理存储空间仍然很大,而图像处理软件的计算性能和各种资源相对有限,因此神经网络在实际应用受到了相应的限制。但是随着计算机技术的不断进步,目前基于GIS平台,可以借助该平台强大的计算能力,从而在实现实时数据处理上不会有任何限制。由此,利用人工神经网络进行多源信息融合是可行的、高效的。

参考文献

[1]Piella G.A general framework for multi-resolution image fusion:from pixels to regions[J].Infor-mation Fusion,2003,4(4):259-280.

[2]Waltz E,Llinas.Multi-sensor data fusion[M].Norwood:Artech House,1991:101-105.

[3]彭家欢,杨建刚.基于神经网络的多传感器数据融合的分散型网络结构系统[J].计算机工程,2001,27(4):29-31.

[4]刘宁宁,田捷,胡志刚,诸葛婴.基于神经网络的纹理和灰度信息融合方法[J].软件学报.1999(6):575-579.

人工神经技术 篇5

【中文摘要】借助于计算机技术的迅猛发展与普及应用,人工智能技术越来越多的介入人们日常生活,由于其不可比拟的优势使得大量传统的低效率、高重复性的人力工作得到极大的解放,不但提高了工作速度,也极高地提高了工作效率,而且准确程度仍不受影响。智能化教学辅助训练系统的开发,就是将人工智能技术应用于教学环节中的测试训练环节,将以往由教师所承担的完整的考试过程交由计算机系统处理完成,不仅能够把教师从繁重的工作负担中解放出来,而且也可以提高测试过程的高效率和高准确性。本文所述的智能化教学辅助训练系统可以胜任起完成教学过程中最为重要的学生能力测试环节的工作,完成平时的练习测试和期中、期末的考查,在保证测试效果的前提下,减轻了教师的工作负担、提高了测试工作的效率、促进了学生的学习巩固、提高了学校的教学水平,是非常值得大力推广与应用的一项新方法。本系统具备以下的主要特点与功能：①畅通的网络化运行,可以实现局域网以及广域网的系统扩展；②根据题型的要求实现自动判卷或提交给具有相应权限的教师进行人工判卷；③根据预设的题库系统可以实现教师的随机抽题组卷功能；④根据教师的要求实现临时增设题目并能够自动完成题库的分类收录或即时向已登录学生...【英文摘要】With the rapid development of computer technology and the popularization of artificial intelligence

technology more and more involved in people’s daily lives, because of its incomparable advantages of making a lot of the traditional low efficiency, high repetitive work was a great human emancipation, not only increased pace of work, but also improve the efficiency high, but accuracy remains unaffected.Intelligent training system teaching aids the development of artificial intelligence technology in teachin...【关键词】人工智能 人工神经网络 计算机辅助教学

【英文关键词】Artificial Intelligence Artificial Neural Networks CAI 【索购全文】联系Q1：138113721 Q2：139938848 【目录】智能化教学辅助训练系统6-7Abstract7-8

摘要

1.1 教学

第1章 绪论11-25辅助训练系统综述11-15述15-

211.2 国内外计算机考试系统发展综

1.2.2 1.2.1 国外计算机考试系统综述15-19国内计算机考试系统综述19-21模式简介21-2321-22

1.3 计算机考试系统的开发

1.3.1 C/S(Client/Server)模式简介

1.3.3 1.3.2 B/S(Browser/Server)模式22-2

31.4 当前计算机辅助训练系统的不足

1.6 本章小结混合模式2323-2424-25结构25-321.5 研究的目的意义24第2章 智能化教学辅助训练系统的目标、设计原则与

2.1 系统的目标25-27

2.2 系统设计原则

27-2828-302.3 系统的结构28-312.3.1.系统的结构选择

2.3.3.第3章 系

3.1.1 2.3.2.系统开发的软硬件条件30-31

2.4 本章小结31-32系统的数据库结构31统的功能与实现32-41管理员用户32-33用户35理模块35-36模块36-37块37-38考试38-39置3940-41

3.1 用户管理功能32-353.1.2 教师用户33-35

3.1.3 学生3.2.1 用户管3.2.3 题库管理3.2 用户管理功能的实现35-38

3.2.2 考务管理模块363.2.4 试卷管理模块37

3.2.5 考试管理模

3.3.1 在线3.3 系统核心功能与设计38-403.3.2 用户组卷39

3.3.3 考生IP地址设3.4 本章小结

4.1 组卷方式3.3.4 考生成绩查询39-40第4章 智能化的组卷功能41-47

4.2 组卷的特点42的确定41-42数学模型42-4444-45

4.3 智能组卷系统的4.4 BP神经网络在智能化组卷系统中的使用

4.6 本章小结45-475.1 系统安全保障模块

5.3 数据安全保障模块

5.4.1 密钥的产生

第4.5 实验结果455章 系统安全性的保障47-534750515253-5653-555.2 身份认证模块47-505.4 考试数据的加密保护50-525.4.2 密钥存储51-525.5 本章小结52-536.1 硬件系统容错53

5.4.3 数据接口第6章 系统的容错功能

6.2 软件系统容错

6.2.2 系6.2.1 防止打开多个考试程序53-54

统重启546.2.3 更换计算机考试54-556.2.4 学生考

6.3 号或姓名异常55本章小结55-56展望59-626.2.5 学生分数没有正常回收55第7章 系统测试56-598.1 结论59-61

第8章 结论与

8.1.1 系统运行后收到的效果59-618.1.2 系统存在的不足之处61-62参考文献62-67

人工神经技术 篇6

关键词：ARM BP网络 人工神经网络 嵌入式系统

一、人工神经网络介绍

人工神经网络是根据人们对生物神经网络的研究成果设计出来的，由一系列的神经元及相应的连接构成，具有良好的数学描述，不仅可以用适当的电子线路来实现，更可以方便地用计算机程序加以模拟。早在20世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经复学理论的研究时代；其后，学者们又先后提出了感知空口无凭网络、BP网络、自组织网络、Hopfield网络、Elman网络等各种模型。目前已有200多种网络模型，十几种常用算法，使得人工神经网络技术得以蓬勃发展。它的应用领域也十分广阔，特别是在信息、、军事、化学、水利等工程领域，神经网络的作用越来越显著。

二、人工神经网络的特点

人工神经网络在结构上并行处理、分布式存储，因此运算速度快，具有较理想的容错性，同时还具有自学习、自组织、自适应能力。它是由大量的神经元广泛互连而成的系统，这个结构特点决定着人工神经网络具有高速信息处理的能力。

人工神经网络的知识存储容量很大，在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上，每个神经元及其连线只表示一部分信息，而不是一个完整的具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。

由于人工神经网络中神经元个数众多以及整个存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图像。只要输入的模式接近于训练样本，系统就能通过联想记忆给出正确的推理绪论。

正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其他的判断识别系统，如专家系统等，具有另一个显著的优点——健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。

人工神经网络同现行的计算机不同，是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号，因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人类智能信息处理能力和模拟人脑智能行为能力的一大飞跃。

（一）人工神经网络的基本功能

1.联想记忆 可以从不完整的信息和噪声干擾中恢复原始的完整信息，并对从未遇到过的新情况能根据以往的经验做出合理的分析和判断。这一能力使其在图像复原、图像和语音处理、模式识别、分类等方面具有巨大的应用价值。

2.非线性映射 可以用独特的方式对很复杂的非线性问题作分析、归纳和表述，并做出合适的处理。

3.分类与识别 神经网络可以很好地解决对非线性曲面的逼近，可以以任意精度逼近任意曲线，因此比传统的分类器具有更好的分类与识别能力。

4.优化计算 神经网络经过动态演变过程达到稳定状态时，对庆的能量函数最小，从而其稳定状态就是问题的的最优解。

5.知识处理 主要优点是能够自适应样本数据。当数据中有噪声、形变和非线性时，它能够正常地工作。

（二）BP网络原理

误差逆传播神经网络，简称BP(Back Propagation) 网络，是应用最广的一种人工神经网络。人工神经网络模型可分为三类：前向网络、反馈网络和自组织网络。BP网络属于前向网络。主要用于函数逼近、模式识别、分类及数据压缩等方面。

三、方案设计

大多人工神经网络程序都是在计算机上运行的，但在嵌入式领域中，更多应用都是针对便携式设备的，而目前嵌入式系统中，内在容量和通用处理器的处理能力都无法与计算机相比，这就限制了其处理能力，导致了嵌入式系统在应用人工神经网络时有时效性不好的先天缺陷。在暂时不能提高芯片处理能力的情况下，为了克服这个缺陷，就要让嵌入式系统尽量少参加运算，集中资源仅处理必要的任务来提高时效性。也就是说，在应用神经网络技术时，把运算量大的、耗时多的任务交给PC机先完成，而仅把用户要使用的应用程序部分载入嵌入式系统，这样可以大大地提高嵌入式系统在应用人工神经网络时的时效性。于是，可以把整体工作分为两部分。第一部分包括网络的建立、学习训练以及检测。这部分应该在PC机上实现，当网络经过训练、收敛后，计算得到了合适的各网络参数，将这些参数存入一个文件。第二部分包括重新复原网络、用户使用界面及其他对用户进行各种服务的应用程序。这部分程序将在嵌入式系统上运行，需要注意的是，在嵌入式系统使用神经网络处理问题之前，必须把预先在PC机上经过长时间学习训练得到的网络参数文件先装入嵌入式系统。因为嵌入式系统要根据这些网络参数在嵌入式系统中重新复原出结构合理的神经网络。也可以直接把网络参数文件与第二部分的应用程序放在一起，编译生成在ARM上运行的可执行代码，然后下载到嵌入式系统中运行。

四、人工神经网络在ARM平台上的实现

目前，成熟的BP网络算法代码很多。设计者只需要针对处理的特定问题而确定网络的规模，即确定网络层数和每层神经元数目。也可以再选择适当的动量因子、学习步长等极少的几个参数，然后调用BP网络算法代码进行迭代运算。直到网络收敛后，将得到的网络各权值等参数存入网络参数文件就可以了。这一部分的工作在PC机上完成，比较简单。第二部分是嵌入式系统中运行的程度，应该按照实际问题的要求，在需要时从第一部分生成的网络参数文件中取出各个网络参数复原网络。然后根据用户要求，将输入模式神经网络，由网络进行前身计算得出结果，从而快速合理地解决问题。因为在嵌入式系统中，只对网络进行前向运算，所以运算量相当小，瞬间即可完成。对于处理较复杂的非线性问题，这种处理方法会比普通算法快，并且因为它使用了第一部分在PC机上训练好的神经网络，所以具有普通算法不具备的容错、联想、自适应能力，而且整个应用具有非常好的健壮性。人工神经网络的应用部分只是作为解决问题的一种方法，应该包含在应用程序内。应用程序代码写完毕后，可以在PC上使用GNU提供的次序编译出ARM平台上的可执行代码。如果在ARM平台上移植了嵌入式Linux操作系统，还可以使用GNU的调试工具，如gdb、gdbserver、kgdb等，方便地对目标板上Linux下应用程序进行调试。

结语

人工神经技术 篇7

语音识别是计算机通过识别过程把人类语音转变为相应文本的技术, 属于多维模式识别和智能计算机接口的范畴。目前, 具有代表性的语音识别方法主要有特征参数匹配法、隐马尔柯夫模型法以及极具潜力的人工神经网络方法。

1 人工神经网络技术在语音识别中的应用

1.1 人工神经网络简介和基本模型

人工神经网络ANN (Artificial Neural Networks) 以类比于生物神经系统处理信息的方式, 采用大量简单的处理单元并行连接而构成一种复杂的信息处理系统。这种系统具有训练性、高度并行性、快速判决性、容错性等特点, 适用于语音信号的处理。

20世纪80年代以来, 人工神经网络因其非线性、自适应性、鲁棒性及学习特性并易于硬件实现等特点受到关注, 尤其在语音识别方面的应用令人瞩目。隐马尔柯夫模型法是语音识别技术的主流方法, 但该方法的缺点是分辨力不够强, 人工神经网络方法具有很强的自组织自学习能力, 用于语音识别时具有较强的复杂边界分辨能力以及对不完全信息的鲁棒性。人工神经网络技术在语音识别中应用主要以下几个方面: (1) 缩小建模单元, 一般在音素上建模, 通过提高音素的识别率来提高整个系统的识别率。 (2) 对声学模型、听觉模型、大脑运行机制进行深入研究, 对语音信号引进上下文信息, 以减少语音多变化的影响。 (3) 从语音信号中提取多种特征, 采用混合网络模型 (如HMM+NN) , 并应用多种知识源 (音素、词汇、句法、词意) , 进行语音识别理解研究, 以提高系统的性能。

通常语音识别神经网络分为两类, 一类是神经网络或神经网络与传统的HMM、DP相结合的混合网络, 另一类是根据人耳听觉生理学、心理学研究成果建立听觉神经网络模型。

听觉模型是以人类听觉系统的解剖与生理学为基础, 在语音的前处理, 信号提取和分析技术以及基于这些技术之上所提出的听觉信息处理模型, 常用的听觉模型有外围听觉模型、同步带模型、闭环EIH模型、包络分析模型和听中枢频谱处理模型。

目前, 人工神经网络在复杂性和规模上都不能与人的听觉系统相比。因此, 探讨人工神经网络在语音信号处理中的应用, 主要是从听觉神经模型中得到启发, 以便构成具有类似能力的人工系统, 在解决语音识别问题时能得到较好的性能。语音识别中较常用且有潜力的神经网络模型主要有单层感知器模型SLP (Single Layer Perceptron) 、多层感知器模型MLP (Multi-Layer Perceptron) 、Kohonen自组织特征映射模型SOFM (Self Organization Feature Mapping) 、径向基函数神经网络RBF (Radial Basis Function) 、预测神经网络PNN (Prediction Neural Networks) 等, 其模型概述如下: (1) 多层感知器网。多层感知器误差反传网络是采用反向传播算法的多层感知器神经网络, 克服了HMM对声学上相似的词易混淆的缺点, 已成功地用于音素识别。一般趋向于用BP (Back Propagation) 网完成静态模式分类, 再用HMM或DP完成时间对准。 (2) Kohonen自组织特征映射神经网。自组织神经网是基于脑科学研究中得到的认识提出的。大脑皮层被认为是一种薄层结构, 信息存储在表面, 不同区域对应于不同的感知内容, 它能在接收外界信息刺激下, 不断传感反射信号, 自组织大脑皮层空间的功能。Kohonen自组织特征映射神经网就是模仿人脑的这种功能构造的神经网络, 它能将多维空间的输入矢量集映射到一个称为特征图的二维矩阵, 而能保持与原训练矢量集近似相同的拓扑结构。Kohonen将特征降维应用于SOFM[1], 对芬兰语的21个音素实现了声控打字机。 (3) 预测神经网络。预测神经网络把感知器作为模式预测器而不是模式分类器来用, 是90年代新兴的一种神经网络语音识别方法, 具有很强的建模能力, 可用于大词汇量、连续语音、非特定人的语音识别研究上。它的特点可概括为充分利用语音模式中的时间相关性作为识别的线索;用DP法对语音信号进行时间规正;基于动态规划和反向传播能够找到一种优化算法;容易增加新的识别类等。

此外, 为了使神经网络反映出语音信号的动态时变特性, 还有时延神经网络TDNN (Time Delay Neural Networks) 、循环神经网络RNN (Recurrent Neural Networks) 等。江铭虎等[2]对语音识别中听觉神经网络、BP网络、时延神经网络、自组织特征映射、学习矢量量化和神经预测网络进行了详细分析、讨论, 指出了它们各自的优缺点, 为在以后的研究中找到对语音信号更强有力的神经网络模型, 更适宜的激活函数, 更高速有效的学习算法和更合理的结构做了理论铺垫。

1.2 人工神经网络和传统方法的结合在语音识别中的应用

采用人工神经网络技术进行语音识别的过程包网络学习过程和语音识别过程, 如图1所示。网络学习过程是将已知语音信号作为学习样本, 通过神经网络的自学习, 最终得到一组连接权和偏置。语音识别过程是将待测语音信号作为网络输入, 通过网络的联想得出识别结果。这两个过程中的关键是求取语音特征参数和神经网络学习。杨华民等[3, 4]给出了求解语音特征参数和典型神经网络的学习过程, 并通过具体应用实例展示了使这一技术实用化的方法。

HMM与模板匹配都是属于传统的知识模式, 它们都是基于使用本类的训练数据 (样本) 建立本类的模型, 类间基本是独立无关的, 因此, 它对于异类的知识几乎一无所有, 识别时对异类的拒识能力较弱。而神经网络, 由于在训练时是整个参数集一起参加训练的, 类间的知识是交迭在一起分布在各个网点上的, 因此具有较强的分类能力。

总之, 基于人工神经网络的语音识别系统具有很大的发展潜力。但是, 现有的人工神经网络模型还存在着语音识别测试样本与训练样本间的时间规正问题。因此, 神经网络与传统方法相结合、多种网络模型相结合是解决目前语音识别中的问题的有效途径和思路。表1列出了ANN与传统方法相结合的一些典型例子。从中不难看出, 将ANN与传统方法相结合, 分别利用各自的优点, 将是一优选的研究途径, 这有助于提高传统技术的性能。

1.3 人工神经网络在语音识别中应用的研究方向

人工神经网络在语音识别领域的应用在近年来有了很大的发展, 人工神经网络在语音信号处理中的应用研究大体分为以下方面: (1) 提高人工神经网络的性能。 (2) 将人工神经网络与已经发展的方法结合构成一种混合系统。 (3) 探讨利用一些新近出现或受到广泛关注的数学方法构成具有独特性质的神经元网络, 并将其应用于语音信号处理领域。

2 结束语

人工神经网络在语音识别中的应用已经成为新的研究热点。由于人工神经网络技术已经被成功地应用于解决一些模式分类问题, 并被证明具有巨大的精力, 可以预测在近十年内, 基于人工神经网络的语音识别系统产品将出现在市场上, 人们将调整自己的说话方式以适应各种各样的识别系统。

参考文献

[1]Kohonen T.The self-organizing map.Pro of the IEEE.1990, 78 (9) :1464-1480.

[2]江铭虎, 袁保宗, 林碧琴.神经网络语音识别的研究及进展.电信科学, 1997, 13 (7) :1-6.

[3]杨华民, 姜会林, 李平.基于神经网络的语音识别技术应用研究.电子技术应用, 1997, 9:8-10.

[4]李苇营, 易克初, 胡征.神经网络与HMM构成的混合网络在语音识别中应用的研究.电子学报, 1994, 22 (10) :73-80.

[5]尹鹏, 李涛, 王海兵.智能神经网络系统组成原理在语音识别中的应用.小型微型计算机系统, 2000, 21 (8) :836-839.

人工神经技术 篇8

一、BP神经网络原理

在人工神经网络发展历史中, 很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法 (BP算法) 的提出, 成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。

BP (Back Propagation) 神经网络的学习过程, 由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息, 并传递给中间层各神经元;中间层是内部信息处理层, 负责信息变换。根据信息变化能力的需求, 中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息, 经进一步处理后, 完成一次学习的正向传播处理过程, 由输出层向外界输出信息处理结果。当实际输出与期望输出不符时, 进入误差的反向传播阶段。误差通过输出层, 按误差梯度下降的方式修正各层权值, 向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程, 是各层权值不断调整的过程, 也是神经网络学习训练的过程, 此过程一直进行到网络输出的误差减少到可以接受的程度, 或者预先设定的学习次数为止。

BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

(一) 节点输出模型。

隐节点输出模型:Oj=f (∑Wij×Xi-qj) ;输出节点输出模型:Yk=f (∑Tjk×Oj-qk) 。

其中f为非线形作用函数;q为神经单元阈值。

(二) 作用函数模型。

作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数, 一般取为在 (0, 1) 内连续取值的Sigmoid函数:f (x) =1/ (1+e) 。

(三) 误差计算模型。

误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数:Ep=1/2×∑ (tpi-Opi) 。其中tpi指i节点的期望输出值;Opi是指i节点计算输出值。

(四) 自学习模型。

神经网络的学习过程, 即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。BP网络有师学习方式需要设定期望值, 无师学习方式只需输入模式即可。自学习模型为:△Wij (n+1) =h×Фi×Oj+a×△Wij (n) 。其中h为学习因子;Фi为输出节点i的计算误差;Oj为输出节点j的计算输出;a为动量因子。

BP网络学习算法的计算步骤:一是初始化:置所有的加权系数为最小的随机数;二是提供训练集:给出顺序赋值的输入量和期望的输出向量;三是计算实际输出:计算隐含层、输出层各神经元的输出;四是计算期望值与实际输出的误差;五是调整输出层的加权系数;六是调整隐含层的加权系数;七是返回计算第三步, 直到误差满足要求为止。

二、基于人工神经网络的入侵检测系统的设计

(一) 系统设计框架。

根据通用入侵检测框架阐述的入侵检测系统的通用模型原理, 结合系统设计目标, 将系统分为数据捕获、数据预处理、特征提取、神经网络检测及响应等五个模块。整个模型的工作流程是:首先, 包捕获模块按一定的规则截获网络数据流, 交预处理模块分析数据包并进行初步过滤, 将数据变为标准格式后再由特征提取模块提取包的主要特征向量, 由神经网络检测模块结合特征数据库进行检测, 再把分析结果传递给响应模块, 响应模块在进行响应时或写入日志, 或断开网络连接, 或报警通知系统管理员等。

(二) BP神经网络入侵检测模块设计关键技术。

1. BP神经网络层数的选择。

BP神经网络包括输入层、隐层和输出层, 其中输入层和输出层都为一层, 隐层可以是一层也可以是多层, 在此系统中由于问题的复杂度不是很高, 同时考虑到系统的工作效率, 选用一个隐层。

2. 各个层次神经元个数的确定。

输入层有6个输入, 输出层设有2个神经元, 隐含层设有20个神经元, 隐含层和输出层之间采用logsig函数。

三、仿真实验及结果分析

(一) 实验环境与实验数据。

实验环境:Windows2003操作系统, CPU赛扬2.8GHZ, 内存2.0G, 硬盘160G。

仿真环境:MATLAB, Access2003。

实验数据采用KDD cup 99数据库。KDD cup 99数据库是麻省理工林肯实验室从本地局域网收集了9个星期的网络数据, 该数据库为在美国空军局域网环境内模拟各种各样入侵提供了数据依据。1999年的第三次国际知识发现与数据挖掘比赛使用的就是该数据库。数据库中的每条记录由41个属性和1个标记属性构成。该数据库包括五大类型数据, 即Dos, Probe, U2R, R2L和Normal。KDD cup 99训练集中包括22种攻击类型, 测试集中除22种攻击类型外, 还包括另17种新攻击类。为了处理方便, 实验采用整个数据集的10%, 即大约10万条记录作为样本, 取其中的7万条作为训练集, 其余的3万条作为测试集。

(二) 实验过程。

实现的基本思想是, 通过MATLAB读取Access2003数据库中的训练和测试数据, 经MATLAB中的BP神经网络处理完后, 再写回数据库中。然后在数据库中统计MATLAB写回的数据, 分析结果。

(三) 实验结果分析。

检测结果如表1所示。

四、入侵检测原型系统的实现

基于人工神经网络的入侵检测系统采用的是VC6.0和MATLAB相结合的方法。用VC6.0进行网络数据捕获、特征提取等工作。其中数据捕获模块的实现是通过将网卡设置为混杂模式, 然后利用Windows下的数据包捕获库Win Pcap编程实现。使用VC6.0调用MATLAB中的已设计好的神经网络函数来开发神经网络模块, 此处调用的MATLAB中的神经网络是经过KDD cup 99数据集已经训练过的, 保存了其训练完成后的最优系数和权值。

五、结语

对入侵检测和神经网络技术进行了详细研究, 重点研究了标准BP算法, 结合入侵检测实验数据KDD cup 99数据集, 根据入侵检测模型, 设计并实现了一个在局域网环境下基于标准BP神经网络的入侵检测原型系统, 该原型系统经在局域网中测试误报率很高, 因此后期需要对优化BP算法进行深入研究。

摘要：入侵检测属于动态安全技术, 它能够主动检测网络的易受攻击点。相对于传统的入侵检测技术来说, 采用人工神经网的入侵检测具有检测准确度高以及能识别大量新型攻击的优点。本文提出了基于BP神经网络的入侵检测系统, 详细分析了基于BP神经网络的入侵检测系统的设计和实现过程, 并利用KDD cup 99数据集通过仿真实验表明这种神经网络算法可以有效地应用到入侵检测系统中。

关键词：入侵检测系统,信息安全,BP神经网络

参考文献

[1] .罗守山.入侵检测[M].北京:北京邮电大学出版社, 2004

人工神经技术 篇9

基于人工神经网络和模糊诊断技术, 提出一种煤矿安全预测系统, 该系统通过对煤矿生产的历史经验数据进行训练, 形成相关的数据处理经验, 之后通过模糊诊断技术完成对煤矿生产安全问题的预测。将煤矿系统的实时运行数据运用到该系统中, 可以判断煤矿系统是否存在安全隐患, 从而及时采取有针对性的措施, 避免被动地应对煤矿安全事故。

1 煤矿安全预测系统

1.1 系统结构及运行原理

煤矿安全预测系统的运行结构图如图1所示, 该系统主要由3部分构成:第一部分是训练系统, 其作用是根据煤矿生产中积累的历史数据, 对预测系统中的ANN进行训练, 不断调整人工神经网络的系统参数, 使神经网络的运行特性与实际系统更加接近, 进一步提高系统精度;第二部分是人工神经网络系统, 根据煤矿生产的实时数据, 人工神经网络产生相应的敏感量集;第三部分是模糊诊断模块, 通过敏感量集产生相应的预测项, 实现预测功能。

1.2 人工神经网络系统

人工神经网络的理论和模型研究已经历了几十年的发展和完善, 并在很多领域成功应用。神经网络模型本质上属于一种智能控制系统, 其应用场合包括预测控制、资源管理等多个方面[2,3]。其中反向传播神经网络模型具有结构清晰、计算量小等优点, 是一种按误差反向传播算法训练的多层前馈网络, 是目前应用最为广泛的一种神经网络模型[4,5]。反向神经网络是通过信号的前向计算来获得网络的输出值, 根据网络的输出值与实际值的偏差进行反向传播, 修正神经网络的权值和阈值, 使误差最小。典型的神经网络拓扑模型包括输入层、隐含层和输出层3个部分, 各神经节点由阈值和激励函数两个要素构成, 其中阈值表示节点对输入信息的敏感程度, 激励函数一般选择Sigmoid函数。隐含层的级数可以为一级也可以为多级, 且节点的个数可自由选择。Sigmoid函数[6]的表达式如下:

f (x) =1/ (1+e-x) (1)

根据煤矿生产的自身特点, 一些特定的敏感量信息无法实时获取, 但是可以事后或者通过长时间观测后得到, 而这些敏感量信息对于预测十分重要。

1.3 模糊诊断系统

模糊诊断系统基于模糊控制的思想, 根据敏感量与预测项的关系建立二者之间的敏感矩阵, 一个敏感量可能导致多个预测项的变化, 但变化程度并不相同;一个预测项可能受多个敏感量影响, 但是受各敏感量影响的程度亦不相同。模糊诊断系统的输入为敏感量Y=[y1, y2, …, yM]H, 输出信息则为预测项Z=[z1, z2, …, zH]H。例如敏感量1对于预测项1的影响为20%, 而敏感量2对于预测项1的影响为80%, 在评估预测项1时, 必须同时考虑多个敏感量的作用效果。为便于维护和管理, 将敏感量和预测项的相互关系采用SQL数据库进行存储。

1.4 系统运行流程

系统的运行流程见图2, 其包含两个阶段:系统神经网络训练流程;系统诊断运行流程。第一个阶段为系统中神经网络的训练阶段, 通过训练完成神经网络初始化和参数优化。训练阶段所使用的样本为系统的历史运行数据, 无实时性的要求, 为了确保神经网络系统预测的准确性, 应定期进行样本更新和系统训练。第二个阶段为利用系统进行安全预测诊断, 根据已经形成的系统参数, 输入当前煤矿生产的实时数据, 经过人工神经网络后得到敏感量集合, 其中系统参数均由数据库获取, 敏感量集经过模糊诊断后得到预测集, 期间敏感量集和预测集均存入数据库作为历史数据以供系统训练使用。模糊诊断来源于人的经验, 因此无需进行训练, 具体诊断规则通过数据库预先进行设置。

在得出的预测集中包含了煤矿生产的运行状况和可能发生的风险等信息, 根据该信息, 指导企业和生产人员采取相应措施, 消除系统隐患, 提高生产安全性。

(a) 系统神经网络训练流程 (b) 系统诊断运行流程

2 系统建模与设计

2.1 人工神经网络模型

图2中的典型人工神经网络拓扑结构, 输入层到隐含层的系数矩阵用A表示, 隐含层到输出层的系数矩阵用B表示, 见式 (2) ～ (3) [2,5]:

undefined

undefined

输入层、隐含层和输出层的阈值矩阵分别用U, V, W表示, 见式 (4) ～ (6) :

undefined

undefined

undefined

对神经网络进行训练的过程, 亦即调整、确定式 (2) ～ (6) 中各系数的过程, 各系数的初始化数据采用0～1之间的随机数, 利用样本计算系统误差和修正矩阵, 不断调整网络参数, 使网络对于样本集中的样本平均误差不断变小。平均误差E的定义如式 (7) 所示, 其中q表示样本个数, θk为第k个样本输入时网络的输出值, θundefined则表示此时的样本值:

undefinedundefined (θk-θkH) 2 (7)

2.2 模糊诊断系统模型

敏感向量Y与预测集Z之间的关系符合预测理论中的因果关系, 如式 (8) 所示, 其中C表示模糊诊断矩阵, ⊕表示广义运算算子:

undefined

根据式 (8) 得出相应的模糊诊断系统运算流程:模糊诊断系数矩阵根据人为经验获取, 实际运行中通过访问相关数据库获取。敏感向量Y由输入的煤矿生产实时数据经人工神经网络的网络矩阵A和B后得到, C和Y经过广义算子后得到预测集Z, 通过解析预测集Z, 可以得到系统运行的各种信息以及可能发生的风险和危害, 由此指导相关人员采取积极有效的对策措施。

以三维敏感向量Y为例, 令Y=[0.8, 0.1, 0.9]H, 此时相应的模糊诊断系数矩阵C以及预测集如式 (9) 所示:

undefined

式 (9) 表明, 此时预测项1的权重是0.89, 预测项2的权重是0.05, 预测项3的权重是0.39, 其中预测项1的权重最高, 应引起重视。在实际应用中, 各预测项均对应相应的风险指标或运行状态, 若此时预测项1为瓦斯浓度项, 则应重点关注井下通风、瓦斯泄漏等问题, 并采取必要措施防止发生瓦斯燃烧、爆炸等事故。

3 仿真结果及分析

为验证系统算法的正确性和可行性, 笔者针对特定的算例, 采用MATLAB对所提出的算法进行了仿真验证, 输入向量X的维数为2, 样本个数q=8, 中间层个数为2, 输出层个数为1, 预测集维数为1。8个样本数据见表1。

输入样本维数为3, 分别表示瓦斯浓度、环境温度和对应的敏感量。通过用样本对神经网络进行训练, 不断调整神经网络, 可以将煤矿实时运行中的瓦斯浓度和温度数据运用到神经网络中得到敏感数量。训练过程中, 系统的总体误差变化曲线如图3所示, 在经过10次训练后, 系统的误差低于0.000 01。此时神经网络的输出见表2。

通过对神经网络进行训练, 建立了输入数据与敏感集之间的关系, 敏感集作为输入信号送入模糊诊断系统, 得出当前系统的运行状况, 并由此给出对系统的预测。假设预测系数矩阵C=[2.5], 则对于当前系统运行数据X=[0.20, 0.30], 可得预测结果见式 (10) :

Z=C⊕Y=C⊕ANN (A, B, U, V, W, X)

=0.360 4×2.5=90% (10)

式 (10) 表明, 此时预测项指标权重很大, 说明由于瓦斯浓度引起的潜在火灾或者爆炸问题风险高, 因此应及时采取应对措施。

4 结语

煤矿安全预测系统结合了人工神经网络处理非线性问题的优势以及模糊诊断技术经验性强的优点, 提出了相应的实现流程, 实用性较强。通过对具体瓦斯浓度的算例进行分析, 采用MATLAB进行仿真, 验证了系统的准确性、可行性和有效性。

参考文献

[1]Wei Wu, Guorui Feng, Zhengxue Li, Yuesheng Xu.Deterministic convergence of an online gradient method forBP neural networks[J].IEEE Transactions on NeuralNetworks, 2005, 16 (3) :533-540.

[2]孟召平, 田永东, 雷旸.煤层含气量预测的BP神经网络模型与应用[J].中国矿业大学学报, 2008, 37 (4) :456-461.

[3]王超, 陈开岩, 赵红梅.基于ANN的煤矿安全评价方法探讨[J].矿业安全与环保, 2005, 32 (6) :76-78.

[4]Chen.D.S., Jain, R.C..A robust back-propagationlearning algorithm for function approximation[J].IEEETransactions on Neutral Networks, 1994, 5 (3) :467-479.

[5]姜雷.基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真[J].矿业安全与环保, 2010, 37 (4) :37-39.

人工神经技术 篇10

关键词：合作研发,指标体系,评价模型,人工神经网络

1 引言

目前,企业的研发(R&D)方式主要分为自主研发与合作研发。由于合作研发在资源共享、效率提升等方面较自主研发有更为明显的优势,近年来正逐步成为高新技术企业开展研发活动的主要方式。同时合作研发过程的诸多不确定性为企业带来巨大的风险,因此构建合理的合作研发风险管理体系显得尤为重要。

高新技术企业合作研发问题受到理论界和企业界重视,已取得一些成果。该领域的研究多集中于研发合作伙伴的选择、组织模式的选择及风险因素的分析等方面。在合作伙伴选择方面,文献[1]对各影响因素进行了实证研究,得出影响合作研发伙伴选择的因素不仅和合作的满意度相关,它们相互之间也存在强烈的相关关系的结论。在组织模式的选择方面,文献[2]针对34种产品研究了市场、研发以及运作等领域的合作模式。在风险因素分析方面,文献[3]对企业协作研发的风险因素及类型进行了研究,并提出了若干防范企业协作风险的管理机制。

对于合作研发的风险评价,有些学者提出了一系列评价指标,并针对定性评价方法进行探讨,而基于评价指标体系的定量评价方法的研究还很缺乏。目前,常用的定量评价方法主要有模糊综合评价法、层次分析法、人工神经网络法等等。文献[4]建立了企业合作创新的综合评价指标体系,构造了相应的多层次模糊综合评价模型,最后通过实例检验了模型的有效性。文献[5]提出了一种基于人工神经网络的IT项目多指标综合风险评价模型,并通过实例数据对模型进行了验证。

人工神经网络具有较好的客观性与准确性,在各个领域有着广泛的应用,但在高新技术企业合作研发风险评价领域的应用却较少。合作研发的风险评价是一个多层次、多因素的综合评价问题,尤其是高新技术企业间的合作研发,其影响因素繁多,使风险评价问题变得更加复杂。另一方面,高新技术企业合作研发的高风险也对评价结果的准确性与客观性提出了更高的要求。综合以上各方面因素,本文运用人工神经网络,针对高新技术企业合作研发项目的特点,选取15个核心指标,建立了3层BP神经网络风险评价模型。由于人工神经网络方法在样本数据的选取上多数采用专家打分法,因此对评价结果带来了一定的主观影响。本文在评语集的确定上引入了模糊子集,以减少专家打分法对评价结果带来的主观影响。同时将模型用于实例分析,以期对企业合作研发的风险管理提供科学的指导。

2 高新技术企业合作研发项目风险评价指标体系

合作研发指的是企业、大学院校、科研院所共同参与,以新思想(包括新技术、新工艺、新制度、新市场等)的应用为手段,以合作各方获取经济效益为前提,以提高竞争力为目的,促进经济发展与科技进步的研究与开发活动[6]。与自主研发相比,合作研发具有降低研发成本、更合理地配置资源、使企业间的知识与能力得到相互补充等众多优势;但另一方面,由于高新技术企业间的合作研发存在较大不确定性,因此也不可避免地要面临较高风险。在合作研发过程中,诸多外部因素如经济波动、政府政策的变化等等,以及内部因素如合作伙伴的机会主义行为、技术共享造成的技术流失等等,都有可能导致合作项目失败,给企业带来高昂的沉没成本。因此,如何有效的进行风险评价与风险控制,成为许多企业尤其是高新技术企业合作研发活动所考虑的重要问题之一。

为了构建一个合适的合作研发项目风险评价指标体系,首先整理和分析了相关文献,提取了与合作相关的风险因素,然后从其中摘选出与高新技术企业合作研发相适应的因素;再广泛的征求参与过合作研发的高新技术企业的意见,根据其反馈确定最终的合作研发项目风险评价指标体系。最终的指标体系在Das和Teng提出的绩效风险与关系风险[9]的基础上,新加入了知识外溢风险,总共15个风险因素。

2.1 绩效风险

绩效风险是指合作者在充分合作的情况下,仍无法达到预期目标的可能性[10]。主要包括以下因素:

(1)政府政策。高新技术的产业化通常要经历研究开发、研究开发成果的转让和工业化大生产三个阶段。在这三个阶段中政府起着十分重要的作用,尤其是在研发阶段,由于高新技术企业固有的特征决定了它们仅仅依赖市场机制通常不能使其达到最符合经济效率的程度,所以政府政策的支持与否很大程度上决定了一个高新技术企业研发的风险。

(2)经济形势。在经济危机余波未平的当下,分析经济形势对企业的影响势在必行,而以高风险为特点的高新技术企业则更应该关注世界经济形势对其合作研发的影响。

(3)合作伙伴能力。合作者的能力水平在一定程度上决定了合作项目是否能按时完成并达到预期效果,因此其也就成为了决定企业合作研发风险的重要指标。

(4)技术难度。合作研发项目所采用的关键技术对项目能否成功有重要影响,若采用的技术过于复杂或者尚不成熟,则会给项目带来较大风险。

(5)产品成本。产品成本在一定程度上决定了用户需求,若成本过高,势必对需求造成影响,从而影响研发产品大规模投入市场,给合作项目带来风险。

2.2 关系风险

关系风险是指合作者违背合作协议,实施机会主义行为从而对研发合作双方造成损害的可能性,或者合作者在合作过程中做出终止合作决定的可能性[10]。主要包括以下因素:

(1)合作伙伴道德水平。合作伙伴的选择对合作研发的重要性不言而喻,而合作伙伴道德水平是合作伙伴的选择中必须考虑的重要因素之一,如果合作伙伴向对方提供虚假信息、不履行承诺,或者对外泄漏组织机密等等,就会给合作双方带来损失。

(2)文化差异度。如果合作伙伴之间的文化差异度很大,并且协调失败,就可能会导致合作伙伴之间产生较多的摩擦与冲突,最终导致合作的失败。

(3)利益分配。公正公平的利益分配对合作研发最终的成功至关重要,分配不公往往是合作方进行投机主义行为的重要原因之一。施行公平公正的利益分配,才能避免机会主义行为为项目带来的风险。

(4)合作模式。合作模式的科学性与合理性同样在一定程度上影响着合作研发的成败。尤其是管理制度的完备性,不完备的管理制度将会为机会主义行为的产生带来空间。

(5)合作伙伴战略决策变化。在合作研发期间,如果合作方作出的战略调整为合作研发项目的正常进行带来了不利影响,就会为合作项目带来风险,甚至导致合作终止。

2.3 知识外溢风险

知识外溢风险是合作者在合作的过程中由于技术流失造成的自身企业地位下降、市场占有份额降低的可能性。主要包括以下因素:

(1)关键技术共享程度。组织内部关键技术的共享程度可以由共享范围与共享深度来进行刻画,共享程度越高,则企业知识外溢的可能性及数量都会增加,因而风险越大。

(2) 技术保护合约完备度。完备的技术保护合约可以用来约束合作研发组织内部企业,防止非诚信的合作者在窃取合作对方的知识产权后故意撕毁合同另行研究和开发, 从而对合作对方构成威胁。

(3)市场占有率变动。在合作研发过程中,由于合作伙伴共享了企业的部分研发技术,从而提高了自身的研发能力以及市场竞争力,有可能致使合作伙伴的市场份额提高而自身的市场份额降低,为企业今后的发展带来潜在的风险。

(4)关键技术人才变动。关键技术人才是高新技术企业合作研发的核心财富,在合作伙伴的相互交流和合作中,其他合作伙伴可能会对企业的技术骨干和潜在的技术人才相当了解,从而在合作结束后采取不正当竞争手段,以更高的薪水、职位或其他优惠条件将该企业的人才挖走。这些人才的流失会使企业一些商业秘密和技术诀窍以及存在于员工头脑中的隐性化程度较高的经验性知识等发生流失,从而使企业面临风险。

(5)合作技术核心程度。企业的核心技术是指与企业的竞争优势直接相关的知识资产,很明显,企业与合作伙伴共享的技术知识核心程度越高,那么这种知识的外溢给企业竞争优势造成的危害就越严重,从而企业面临的风险也就越大。

综上所述,本文所建立的合作研发项目风险评价指标体系包含3类风险,共15个风险影响因素,如表1所示:

3 人工神经网络风险评价模型

本文运用BP神经网络来构建风险评价模型。BP神经网络是目前应用最为广泛和成功的神经网络之一,它是一种多层网络的逆推算法。BP网络的学习算法在许多文献中已有阐述,本文不再赘述。

3.1 输入量与输出量的选择

神经网络的输入根据上节确定的指标体系中的15个指标确定,即网络的输入层共计15个单元。

本文将风险等级分为5级,设Y={y1,y2,y3,y4,y5}为风险等级状态集合,yi对应的风险等级分别为极低、低、中、高、极高。设专家对项目风险等级的评价为v,在实际生活中,有时一个项目的风险大小介于某两个等级之间,风险的具体等级较为模糊,若此时再用一个具体的等级数值对其进行评价,则显得较不恰当。为使v能够更加准确的反映项目的风险大小,本文将状态集合Y中的5种等级转化为5个模糊子集,相邻的子集之间具有共同的交集,以此将相邻等级之间的分界模糊化。设F={f1,f2,f3,f4,f5}为转换函数的集合,fi对应5种不同风险等级的转换函数,其表达式如下:

undefined

将专家对项目风险等级的评价v带入函数fi中计算,得到的集合F作为风险等级状态集合Y的取值,集合Y即为BP神经网络的输出变量,因此输出层节点的个数为5个。

3.2 隐层神经元个数的确定

由Kolmogorov定理可知,任意连续函数可用一个三层前向神经网络来精确实现。因此,只需设计一个隐层,就能够对目标函数进行很好的拟合。

隐层神经元个数是个极复杂的问题,它跟诸多因素相关,目前尚无比较好的确定方法。隐层神经元的个数不宜过多也不宜过少。节点数过多不仅会增加网络训练时间,还会将样本中非规律性的内容存储进去;节点数过少则不能较好的反映样本中的所有规律。本文先根据预估公式

undefined

(其中h为隐层节点数,m为输入层节点数,n为输出层节点数)确定隐层神经元个数,再不断改变h的值,并用样本集进行训练,确定网络误差最小时对应的隐层节点数。根据多次试验结果的对比,本文建立的神经网络中当隐层节点数选为12时,模型的误差最小。

3.3 建立神经网络结构

本文建立的BP神经网络为三层结构,15个输入节点、12个隐层节点、5个输出节点。神经网络结构如图2所示。

3.4 神经网络的训练

首先对神经网络进行初始化。初始权值取[-1,1]区间内的随机数,误差E<0.01。本文根据建立的高新技术企业合作研发项目风险评价指标体系,采用对专家发放调查问卷的方式,获取了20个典型的合作研发项目的相关数据,其中前18组作为训练样本,后两组作为校验样本。使用前18组样本对神经网络进行训练,训练结果如下图所示:

从图中可知,神经网络经过3506次训练后,网络的误差精度达到要求。将后两组样本输入神经网络,得到输出如表2所示。

由表中结果对比可知,所建立的神经网络的仿真拟合度较高,能够较好反映合作研发项目的风险等级。

4 实证应用

本文选取了某航空公司与北京航空航天大学合作研发的项目作为实例。该项目的主要内容是针对该航空公司现有数字化车间生产系统的不足,研发一套数控生产计划与控制决策支持系统,从而为该公司的生产提供更为科学和精细的生产计划与车间作业调度方案,实现生产车间的精益管理和数字化生产。

决策支持系统的研发具有较高的风险,为了对该项目的风险等级做出科学合理的评估,本文应用上节建立的模型对该项目进行风险评价。首先通过专家调查的形式获取了项目组的专家成员对该项目中各指标的打分,然后将专家的打分进行归一化处理,结果如表3所示。

将表3中的指标集输入BP神经网络,得到的输出结果如表4所示。

由此可以预测该项目的风险等级对极低的隶属度为0.0000,对低的隶属度为0.0005,对中的隶属度为0.9926,对高的隶属度为0.0044,对极高的隶属度为0.0025,风险的综合评价等级为中。

针对“中”这一风险等级,同时考虑到合作伙伴为高校,不存在企业间的市场利益竞争,因此该企业可以参考以下策略来进行风险控制:

(1)做好需求分析与可行性分析。企业在研发项目之前,应做充分的市场调研,以了解该产品的需求程度。调查对象应包括不同背景、不同层次的群体,所选样本应具有代表性。同时应对该项目的成本以及研发时间做出评估,以此评价该项目是否有可行性,以免造成不必要的损失。

(2)在信息共享的同时加强安全管理。在合作研发的过程中,必然会将企业的一部分信息共享给合作伙伴,若信息涉及企业的核心技术等保密内容,则会给企业的发展带来较大风险,因此可以通过签订保密协议等方式来防止信息泄露。

(3)实现新项目合作研发管理过程的柔性化。由于合作研发具有极强的不确定性,用完全确定的方式来管理合作研发活动是不可能有效的。因此,合作研发过程的管理不能再像企业单独研发那样精确,必须实现柔性化管理,这样才能适应企业间的文化差异,更有效的组织合作研发。

5 结论

本文建立了高新技术企业合作研发项目的风险评价指标体系以及风险评价模型,并将模型进行了实例应用。最终建立的BP神经网络模型为15个输入节点、12个隐层节点、5个输出节点的3层结构。该模型经过训练与验证证实具有较高的仿真拟合度,因此能够在合作研发项目的风险管理过程中,为企业提供科学的指导。

参考文献

[1]卢燕,汤建影,黄瑞华.合作研发伙伴选择影响因素的实证研究[J].研究与发展管理,2006,18(1):52-58.

[2]OLSONE M,WALKER O C,ROBERTR W,etal.Patterns of coop-eration during new product development among marketing,operationsand R&D:implications for project performance[J].Journal of Prod-uct Innovation Management,2003,18(4):258-271.

[3]韩锋,丁虹波.企业协作研发风险及其管理机制[J].科技和产业,2006,6(2):28-30.

[4]刘荣,汪克夷.企业合作创新风险的多层次模糊综合评价模型及应用[J].科技与管理,2009,11(4):132-135.

[5]冯楠,李敏强,寇纪淞,等.基于人工神经网络的IT项目风险评价模型[J].计算机工程与应用,2006,(6):24-26.

[6]曾德明,任磊.高科技产业企业的协作研发与政府政策[J].系统工程,2000,18(5):59-63.

[7]张静文,徐渝.科技型小企业新产品研发项目的风险分析[J].科技进步与对策,2004(1):52-54.

[8]RING P S,VAN DE VEN A H.Structuring cooperative relationshipbetween organizations[J].Strategic Management Journal,1992,13:483-498.

[9]DAS TK,TENG B S.Risk types and inter-firm alliance structures[J].Journal of Management Studies,1996,33:826-833.

人工神经技术 篇11

【关键词】计算机神经网络 Matlab 应用

近年来，大多控制系统的高品质控制都少不了对系统的仿真进行研究。根据仿真研究可以优化设定的控制参量，因此，控制系统的模拟与仿真一直是研究的重点。通常来说，控制系统进行计算机仿真必须首先创建系统模型，之后根据模型设定仿真城西，充分运用计算机对其进行动态模拟并展示结果。本文以计算机神经网络为研究视角，介绍了人工神经网络及BP网络模型，提出设计基于Simulink控制系统及动态仿真。

一、简述人工神经网络

人工神经网络又被称为神经网络，是由人脑结构的启发之下创建的计算模型，人工神经网络不单单是高度非线性动力学系统，也是自适应组织系统。神经网络的主要特征表现在他的学习、组织及容错能力方面。神经网络可以采用被训练的状态实现特定任务，从而为系统提供独具代表性的描述问题样本，就是其可以成组的输入、输出样本，神经网络可以推测出输入与输出数据之间的关系。等到训练完成之后，神经网络又能永凯训练和识别任意样本之间相似的新数据。同时，神经网络也能对不完整或存在噪音的数据进行识别，这一特征被广泛使用到预测、诊断、控制方面。在最抽象的层次上，神经网络可以看做一个黑箱，数据由一边输入，通过神经网络处理之后给予相应的输出。对比输出及目标数值，采用产生的误差调整网络内部之间的链接权重。人工神经网络功能如图1所示。

二、创建BP网络模型

BP网络是现今使用最广泛的神经网络模型。该模型的学习规则是采用反向传播（BP）对网络的权值和阀值进行调整，却阿伯网络误差的平方和达到最小状态。这是根据最下速下降方向上进行调整网络权值和阀值完成的。BP网络拥有超强的非线性映射和泛化性能，任何一连续函数或映射都可以使用三层网络来实现。如此一来，把其看做控制器就可以找到最佳的答案。使用控制器之前馈网络通常采用m-n-1结构，这一网络输入层具有m个神经元，隐层存在n个神经元，输出层则只有单一的神经元。本网络隐层转换为函数取tansig函数，可以把该神经元取值范围设定为（）映射到（-1，+1），这个是可微函数，比较适合采用BP训练神经元。若BP网络的最后层是sigmoid型神经元，此时整个网络的输出就限定在比较小的范围之内。若purelin型线性神经元，那么整个网络的输出可以采用任意值，选取purelin型函数当做输出层的变换函数。

三、设计基于Simulink控制系统及动态仿真

创建Simulink动态仿真时在matlab环境下完成的动态系统建模、仿真的环境，可以采用功能模块建立控制系统展开仿真。这种方框图示的建模办法比较容易把复杂的数学模型输入至计算机内，从而简化编程过程。

（一）设置网络控制器

本文建立的控制系统其核心为网络控制器，基于matlab5.2应用环境基础上，采用两种方法构建网络控制器：①进入Simulink环境之后，采用Block&Toolboxes模块库，随之选取Neural Network子库的Transfer Function、Net Input Func—Tion、Weight Function三个功能模块来建立网络。简言之就是先创建单个神经元模型，随之根据阀值、权值、转移函数一次创建输出层、隐层，最后进行打包、封装就形成所需的网络，整个工作流程借助鼠标完成，便于操作。②基于M文件编辑器创建网络控制器的S-函数，随之调用Nonlinear模块库中的S—Function功能模块，如此一来可以获取新的功能模块，这种办法适合建立Simulink中不存在现成的模块。S-函数比较简单，容易编辑。

（二）构造控制系统

控制器构造和封装完工之后，从Simulink的Source、Sinks、Linear模块库中调用所需的功能模块，该控制系统采用示波器可以清楚观察其输出曲线，也能把数据存储至MATLAB工作空间内，使用绘制命令Plot把控制系统与原系统的响应曲线画出来。由仿真结果可知，BP网络控制系统的性能远比原系统要好。

四、结束语

本文从人工神经网络和BP网络模型进行分析，采用Matlab构造与仿真控制系统，达到优化控制系统仿真的效果的目的，仿真结果表示该办法正确、有效。因此，大范围推广使用这一软件，可以有效利用Matlab各种资源，进一步提升工程实践水平。

参考文献：

[1] 卓先德.网络安全评估的仿真与应用研究[J].计算机仿真，2011，28（6）：177-180.

[2] 徐勇.神经计算机的人工神经网络实用化研究[J].计算机光盘软件与应用，2012，（14）：141-142.

人工神经技术 篇12

关键词：花生仁,外观检测,计算机视觉,人工神经网络,MATLAB

0 引言

我国是花生生产和消费大国,花生的食用价值和营养价值越来越受到人们的重视。传统加工和检测以人工为主,不仅效率低,而且难以实现高品质深加工检验。为此,探索花生仁检测方法,研究计算机视觉和人工神经网络技术在检测花生仁外观上的应用有积极的实际意义。

1 研究内容和目标

花生仁红衣脱落与未脱落部分颜色特征不同,这是完好与破损花生仁的判别信息。选取花生仁红衣是否破损或脱落作为花生仁是否破损的指标。将花生仁是否破损和其颜色信息联系起来,建立两者之间的关系。目标是分析完好与破损花生仁颜色数据,建立破损区域与颜色参数间的数学联系,得出最优对应关系,并用M A T L A B对花生仁图像进行处理和判断[1]。

2 功能要求

可用手动操作检测和自动操作检测。手动操作功能是通过鼠标点击或选取花生的一定区域,获取图象的颜色参数R G B,通过编制的M A T L A B程序得到正确的检测。自动操作功能是选择一幅图片,由上至下自动扫描,获取图象的颜色参数R G B,通过编制的M A T L A B程序得到正确的检测[2]。

3 花生仁破损试验研究及特征参数提取

3.1 试验材料

破损程度各异及完好的花生仁。

3.2 试验装置

较高分辨率的数码相机、黑色背景、计算机、软件M A T L A B等。

3.3 试验结果

用数码相机获得若干幅完好与破损的花生仁数码图像库。见图1。

3.4 特征参数提取

3.4.1 图像RGB颜色信息

R G B图像真彩图像。在M A T L A B中存储为n×m×3的数据矩阵。数组中的元素定义了图像中每一个像素的红、绿、蓝颜色值。颜色由保存在像素位置上的灰度值组合来确定[3]。

3.4.2 索引图像

索引图像把不同的颜色对应为不同的序号,各个象素储存的是颜色的序号而不是颜色本身。M A T L A B中的索引图像包含两个结构,一个是调色板,另一个是图像数据矩阵。

3.4.3 二值图像

二值图像是只有黑白值的图像,只需一个数据矩阵来存储,每个象素取值为0或1。二值图像可采用double或unit8类型存储,unit8类型节省空间,通常用unit8类型[4]。

3.4.4 转换图像类型

使用M A T L A B进行图像处理的过程中,某些函数只能用于特定的图像类型,因此经常需要将某种类型的图像转换为其它类型的图像。常用进行转换的有4种基本图像类型:灰度(强度)图像、R G B(真彩)图像、索引图像、二值图像[5]。

3.4.5 颜色信息获取的实现

在R G B图像中,要确定像素(1 2,9)的颜色,可以在命令行中键入R G B(12,9)回车得到。通过M A T L A B提供的图像处理功能得到的颜色参数信息见表1和表2。

通过统计分析得到,花生仁的完好区域,破损区域和背景区域的R G B三个分量值有明显差异。所以可以猜想可以运用最大值、最小值和范围对花生仁的三个区域进行识别。

4 图象处理

4.1 图像读取与保存

读取图像之前,首先清除M A T L A B所有的工作平台变量,并关闭打开的图形窗口。

4.2 图像处理

拍摄的花生仁图像受光照、背景以及拍摄技术等方面的影响,需要进行一系列的处理之后才能用来分析并提取有用的数据,所以获取的花生仁图像需要运用M A T L A B对其进行相关处理,这一步是整个检测中最为关键的一部分,是整个检测的基础[6]。

4.2.1 图像缩小

由于所用的数码相机的象素为1 728×2 304,在M A T L A B软件中无法显示。用图像处理i m r e s i z e函数将图像变小。

4.2.2 图像的剪切

要在一个较大的图像上选择一块区域,这一区域也是后来要识别的区域。M A T L A B提供i m c r o p函数的功能便是剪切图像。

4.2.3 图像颜色信息的显示

要在显示一张图像的颜色信息,即在像素点上显示颜色的R G B分量,需要调用i m v i e w函数显示颜色信息。

4.2.4 图像的显示

在M A T L A B图像工具处理箱中,使用i m a g e函数显示图像,该函数产生目标图像的图形句柄。同时,还可以利用i m a g e s c函数显示一幅强度图像。也可用显示图像函数i m s h o w。i m s h o w也产生目标图像的图形句柄[7]。还可以自动设置图形句柄的各种特性和属性达到图像的最佳显示,见图2。

4.2.5 图像强度增强

在M A T L A B 7.0中,图像处理工具箱提供了对比度调整函数i m a d j u s t,用于调整灰度值或颜色图。

4.2.6 中值滤波

中值滤波是典型的低通滤波器,主要目的是保护图像边缘,同时也能去除噪声。中值滤波是将像素按灰度级排序,取其中间值为输出像素。在M A T L A B7.0图像处理工具箱中,提供了m e d f i l t 2函数用于实现中值滤波。

5 根据颜色信息判断花生仁的完整性

根据颜色信息判断花生仁的完善性的实现,就是要在选取的图像区域上进行花生仁完善性的识别,这涉及到识别花生仁完善性的参数选择。具体的做法就是要在大量的颜色信息中提取与完善性有最大联系的参量或通过编写函数得到这一参量[8]。

所用参量有R、G、B的最大值m a x d a t a、最小值min data和变化范围fanwei。通过这些参量就可以识别花生的完好区域、破损区域和背景区域。

5.1 手动操作功能实现

手动操作G U I按钮的功能实现,将程序代码写在GUI界面下手动操作按钮的callback下,实现手动操作的功能。

5.2 自动操作功能实现

自动操作G U I按钮的功能实现,将程序代码写在GUI界面手动操作按钮的callback下,实现自动操作的功能。

5.3 神经网络操作功能实现

所用的网络为B P网络。人工神经网络特有的非线性适应信息处理功能,克服了传统人工智能方法对于直觉如模式、语音识别、非结构化信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

5.3.1 问题的描述

B P网络用其较强的映射能力,通过模式识别、分类,对图像进行识别。破损区域、完好区域和背景区域的6 0组R G B值,对于这些数据得到基于肉眼识别分类的完善性类别2(完好区域)、1(破损区域)和0(背景区域)。先将这些数据输入工作空间中,对这些数据进行规范化处理,然后对它们进行主要成分分析。

5.3.2 建立网络

使用一个两层网络。在隐含层中使用传递函数tan-sigmoid,在输出层中使用一个线性传递函数。在隐含层中设计4个神经元单元,需要得到1个目标,所以网络需要有1个输出。

5.3.3 训练网络

使用L e v e n b e r g-M a r q u a r d t算法来训练网络。1 3个训练单位以后,由于确正误差增加,训练停止。分别将训练误差、确正误差和测试误差曲线在一幅图中绘出,这样可以更加直观的观察到训练的过程。使用下列的代码得到训练过程误差,如图3和图4。

5.3.4 检测实现

建立神经网络并通过训练来进行花生仁检测。首先在一幅图片上选择一个区域,获取R G B值,将这些值放在一个矩阵中,作为神经网络的输入,通过已训练好的神经网络,得到输出;再通过得到的输出值来进行花生仁的检测。

6 基于Matlab的花生仁完整性检验

运行用户界面G U I文件,在可视界面下看到如图5的图形窗口。

6.1 手动实现花生仁的完善性检验

首先点击“手动”按钮,然后在弹出的窗口中选择对象图像,用鼠标选择矩形区域进行识别。得到的结果如下所示,见图6和图7。

6.2 自动实现花生仁的完善性检验

用鼠标点击自动,选择对象图像,便自动对图像进行扫描,得到检验结果,见图8。

7 模式可靠性验证及结论分析

7.1 可靠性验证

利用M A T L A B编写的检测程序检测完好与破损的花生仁,得到手动检测、自动检测的结果见表3和表4。

从表3和表4可知:

手动检测中,对2 1个破损区域的检测中,有1 8个检测正确3个错误,正确率为8 5.7 1%;对9 4个完好区域的检测中,有8 3个检测正确1 1个检测错误,正确率为8 8.3 0%;对94个背景区域的检测中,检测正确的为9 4个,正确率为1 0 0%。

自动检测中,对完好的3 0粒花生的检测,正确的为2 6个错误的为4个,正确率为8 6.6 7%,对破损的2 1粒进行检测,得到正确的为1 9粒,错误的为2粒,正确率为9 0.0 5%。

7.2 结论与分析

通过M A T L A B对花生仁图像数字处理,获取相关数据和参数,建立了破损花生仁与其颜色参数之间的数学关系。通过此关系自动识别完好与破损花生仁。检测系统的特点为:

1)采用基于M A T L A B的图像处理和神经网络方面的方法进行花生的检测;

2)花生的完善性与花生图像的R G B值有很大的关联,以颜色信息建立的花生完善性检测模型,正

3)采用M A T L A B进行数据统计和编写花生仁破损检测系统设计简洁、性能稳定、可靠性高;

4)此方法理论上还可以用于其它破损果仁的检测上。

参考文献

[1]飞思工作室.Matlab6.5辅助神经网络分析与设计.北京:电子工业出版社.2004.

[2]王小红.基于MATLAB的系统分析与设计.西安:西安电子科技大学出版社.2000:2-7.

[3]包晓安,钟乐海,张娜.基于人工神经网络的苹果等级判别方法研究.中国农业科学,2004(3):464-465.

[4]许东,等.基于Matlab6.X的系统分析与设计——神经网络.西安:西安电子科技大学出版社.2003.

[5]沈明霞,姬长英,李秀智.基于遗传神经网络的苹果形状识别.粮油加工与食品机械.2003(12).

[6]张健钦,王秀,龚建华.基于机器视觉技术的叶面积测量系统实现.自然科学进展.2004(11).

[7]Tadashi Dohi,Yasuhiko Nishio and Shunji Osaki,Optimal software release scheduling based on artificial-neural networks,Annals of Software Engineering8(1999)167185.