神经网络的实现十篇

神经网络的实现篇1

关键词：BP神经网络；VHDL；模拟与仿真

一、人工神经理论基础

神经网络又被称为链接模型，其本身是模仿动物的神经网络，并根据其行为特征分布式进行算法数学模型处理。在计算机上，人们可以利用并行或者串行的模式模拟仿真，实现人们自身的神经网络模型算法。在特定应用情况下，进行神经网络研究的目标则是高性能专用的神经网络硬件。

神经元是人工神经网络的基本单元，具有一定的信息处理方面的能力。对于输入的内容，神经元可以简单进行处理，能根据学习规则做好加权求和，并根据权值来获取神经元的状态输出，以便对刺激进行处理。还可建立基于VHDL语言的神经网络元件库，它包括基本单元、控制单元两个部分。

二、 BP神经网络结构模型

BP神经网络由输入层、隐含层和输出层组成，相邻层之间的各个神经元实现全连接，每层各个神经元之间没有连接。

BP算法正向传播过程：输入信号从输入层输入，经过隐含层传向输出层。如果输出层的实际输出与期望输出一致，那么学习算法结束。基本控制单元用于建立隐含层和输出层的神经元，主要解决信号运算后权值存储问题，它主要包括加权乘法、神经元输入信号的累加、非线性激励函数的实现、权值存储等基本模块。

图1中xi代表第i个输入，wij代表输入i和神经元j之间的权值（weight），yj是第j个输出。如图1所示可以得到：

y1=f（x1.w11+x2.w21+x3.w31 ） 2-1

y2=f（x1.w11+x2.w22+x3.w32） 2-2

y3=f（x1.w11+x2.w23+x3.w33） 2-3

其中f（ ）是激化函数（如线性阈值的sigmoid函数等）。

三、神经网络模型与仿真

clk产生脉冲信号，输入端x1，x2，x3 分别置为011，100，101，权值初值设为0000，通过9个脉冲周期一次递增到1000，将权值与输入值进行运算，得出结果。在权值固定时，输出取决于输入，不同的输入得到不同的输出结果。而在权值变化时，输出就由输入和权值决定。

为了仿真的结果更直观，代码采用的每个神经元的3个输入信号以及权值的位宽都为4，且带有符号。权值共设了9个，采用9个时钟周期将权值移入值。模拟与仿真的结果如图2所示。

结果分析：模拟结果与结果一致，此仿真成功。

四、结语

基于VHDL编程实现简单神经网络的软件模拟与仿真，从算法的提出到模型的建立，完整地体现神经网络的可用性与优越性。文中所提的神经网络模型是对单个神经网络的模拟与仿真，以及基于二维数组的多个输入输出的大规模神经网络的模拟。由于VHDL语言编程的灵活性，可以将编程下载到芯片用硬件实现对神经网络的模拟，以提高系统运算的速度和可靠性。

参考文献：

神经网络的实现篇2

关键词：智能决策支持系统；人工神经网络；模糊逻辑系统；模糊神经网络

中图分类号：TP183 文献标识码：B

文章编号：1004-373X(2008)02-084-03

Design and Realization of Intelligent Prediction Model Based on Fuzzy Neural Network

YAN Hongrui,MA Liju

(The PLA Military Represent Office in No.847 Factory,Xi′an,710043,China )[HJ1*3][HJ]

Abstract：For the predicting problems that the intelligent decision support system often encounters,according to the characters of artificial neural network and fuzzy logic system,a kind of fuzzy neural network model is designed.Firstly,the fuzzy logic system for realizing fuzzy prediction is expressed by the construction of artificial neural network.Then the fuzzy logic system is trained by associate studying algorithms.At last,the model of fuzzy neural network has been proved by practice and realized in program.

Keywords：intelligent decision support system;artificial neural network;fuzzy logic system;fuzzy neural network

智能决策支持系统\[1\]（Intelligent Decision Support System,IDSS）是以管理科学、运筹学、控制论和行为科学为基础，以计算机技术、仿真技术和信息技术为手段，面对半结构化的决策问题，辅助支持中、高层次策者决策活动的、具有智能作用的计算机网络系统。神经网络和模糊逻辑是智能决策支持技术应用于信息管理后迅速发展的智能技术，在决策预测领域颇有成效。本文根据人工神经网络和模糊逻辑的特点，设计一种模糊神经网络完成决策支持系统中的信息预测功能，较好地解决了决策支持系统的实用化问题。

1 人工神经网络与模糊逻辑系统介绍

1.1 人工神经网络

2 模糊神经网络模型的设计与实现

2.1 模糊神经网络模型的选定

由以上介绍可知，在预测领域中，模糊逻辑具有较强的结构性知识表达能力，能较好地表示用语言描述的经验知识、定性知识，但通常不具备学习能力，只能主观地选择隶属度函数和模糊规则。神经元网络具有强大的自学习能力和数据直接处理能力，但网络内部的知识表达方式不清楚，在学习时只能从任意初始条件开始，其学习的结果完全取决于训练样本。

本文将神经网络的学习算法与模糊逻辑理论结合起来，利用正规化模糊神经网络(NFNN)实现模糊逻辑系统；用模糊规则表示神经网络，用预先的专家知识以模糊规则的形式初始化，用神经网络的学习算法训练模糊系统，然后结合神经计算的特点实现推理过程。

2.2 模糊神经网络模型的结构

本文采用一个3层的前向网络(如图3所示)来构造模糊系统（见图3）。这样模糊神经网可以用通用的三层模糊感知器来表示，该模糊感知器定义如下：

(1) U=∪i∈NUi是一个非零的神经元集合，N={1,2,3}是U的索引值集合，对所有的i,j∈N且满足为输入层，为规则（隐含）层，为输出层；И

2.4 模糊神经网络的编程实现

系统主要通过4个类来描述神经网络模型。他们是神经元类、神经元权类、神经元层类、神经元网络类。神经元类的作用是模拟单个神经元的数据结构和计算过程。神经元权值类用于保存神经元之间连接的权值。神经元层类的作用是生成每一层的神经元，并进行每一层的计算，他接受神经元网络类的调用，并调用神经元类的函数实现每一层的计算。神经元网络类定义了整个神经网络结构和所有的网络操作，他提供公共函数给应用程序调用，他的计算函数调用神经元层类和神经元类的函数进行网络计算。

通过4个类的描述，将建立和运行神经网络所需的主要数据结构和计算过程做了定义。当程序运行时，首先由应用程序生成神经网络类实例，然后此网络类实例进行层类实例的建立，接下来层类实例建立每层的神经元实例。同时，神经网络类也从外部文件读取网络结构的连接和权值数据，供建立网络时使用。

3 模糊神经网络的预测验证

模糊神经网络的预测验证如表1所示。

4 结 语

模糊神经网络模型把神经网络的学习算法与模糊逻辑理论相结合，将模糊系统用类似于神经网络的结果表示，再用相应的学习算法训练模糊系统，通过样本的学习算法提高网络性能。此模型曾经用于某军事模拟对抗系统中战场态势的预测，成功地实现了该模型的预测功能。但是模糊推理机是基于知识库中的知识和规则进行推理的，如何建立具有专家经验和知识的知识库，是模糊神经网络模型应用中的难点和重点。如何建立实用的知识库

以及决策过程中存在许多不确定性因素等问题还有待于进一步研究。

参 考 文 献

［1］George M Marakas.21世纪的决策支持系统[M].朱岩,译.北京：清华大学出版社,2002.

［2］Martin T Hagan,Howard B Demuth,Mark H.Beale.神经网络设计\[M\].戴葵,译.北京：机械工业出版社， 2003.

［3］刘有才.模糊专家系统原理与设计[M].北京：北京航空航天大学出版社，2003.

［4］张乃尧,阎平凡.神经网络与模糊控制[M].北京：清华大学出版社，1998.

神经网络的实现篇3

关键词：神经网络 建筑管理 数据仓库

中图分类号：F274 文献标识码：A 文章编号：1007-9416（2015）09-0000-00

1神经网络系统理论的研究目标

是以研究以模拟人体神经系统的运动行为， 建立神经网络基本特征的一种神经网络系统运算算法。这种算法可在计算机上，通过硬件与软件的相互配合来实现， 也可以在神经网络计算机上更加快捷的实现，最终可以实现智能计算机终端智能运算的目标。神经网络系统是由大量的神经元--简单的信息处理单元，按特定的配对方式相互构成， 神经元之间的信息传递和储存，依照一定的规则进行， 网络连接规则以及数据存储方式有一定的稳定性与匹配性， 即具有学习和训练的特定效果。

1.1神经网络系统模型与应用范围

有反馈网络模型。有反馈网络也称回（递）归网络， 在这这当中， 多个神经元互联以组成一个互连神经网络。有些神经元的输出被反馈至同层或前层神经元， 因此， 信号能够从正向和反向流通。

1.2 神经网络的设计

在决定采用神经网络技术之前， 应首先考虑是否有必要采用神经网络来解决问题。一般地， 神经网络与经典计算方法相比并非优越。只有当常规方法无法解决或效果不佳时神经网络才能显示出其优越性。尤其是当问题的机理等规律不甚了解， 或不能用数学模型表示的系统， 神经网络往往是最有力的工具。另一方面， 神经网络对处理大量原始数据而不能用规划或公式描述的问题， 表现出极大的灵活性和自适应性。

2 建筑管理模式

建筑管理模式是在TFV理论基础上构筑的。建筑管理模式在国外，对精益建造的理论和应用研究已取得了很多成果， 但国内对于精益建造，未能给予足够重视。

数据处理技术在企业的逐步成功应用，企业积累了大量的生产"科研相关和业务数据，但面对浩如烟海的企业数据，决策人员常常难以及时获得足够信息，提出决策的现状，许多企业已经构建了完善的数据库.并且通过联机分析处理的方式技术，可以使决策人员更快捷的从数据仓库中提取精良信息。

3 建筑管理模式

3.1 任务制度管理

任务制度管理是从生产管理转换的角度管理生产制造， 虽然本质依然是硬性管理， 但管理的内容为与适应建造相关用户的合理配合安排， 主要依据顾客需求设计来配编生产系统， 最后一招合同流程来实现。

3.2 流程过程管理

流程过程管理是从流程的角度管理数据模型， 其本质为软性数据管理。流程管理的目标是不但要有高效率可预测数据目标的综合流程， 而且要做好建设项目的相关单位，现场数据工作人员之间的相互协调工作。

3.3 价值趋向管理

价值趋向管理是从数据价值的角度管理生产， 它是以一种更加柔性的方式来体现顾客消费价值和一种硬性的方式完成生产预订目标的的趋向性管理。

4 数据仓库概论

数据仓库，就是一个更完全面支持企业组织的决策分析处理数据的面向主题的总成的，不可随时间不断变化持续更新的数据仓库体系结构，美国哈佛大学计算机科学系的专门小组，通过长期对数据技术的研究，提出了数据仓库技术的完善概念，该概念是在体系结构整体上对数据仓库进行了描述，从各个数据源收集所需数据，并与其他数据源的数据衔接，将集成的总体数据存入数据仓库终端，用于用户直接从数据仓库中访问相关数据，用于理论和实践应用的案例.运用这种建筑管理模式， 可以提高生产率， 降低成本和增加顾客满意度， 在建筑业中有广阔的应用前景。

5 结语

在当今日益激烈的竞争环境下决策人员能否及时地从大量原始数据中提取更多更好的信息是一个企业生存发展的关键，传统的神经网络系统的建筑管理数据仓库的设计已不能适应行业的发展精益建造这种体系应运而生。他是由精益生产延伸而来，将神经网络系统的建筑管理数据仓库的设计以及实践应用到行业之中。

参考文献

[1]赵璐.基于精益建造的成本管理[J].华中科技大学学报，2005.

[2]肖智军，党新民.精益生产方式JIT[M].广州： 广东经济出版社，2004.

[3]Glenn Bllard3 刘来红， 王世宏.空气过滤器的发展与应用.过滤与分离，2000，10

[4]Lauri Koskela. We Need A Theory Of Construction

[C]， Berkeley - Stanford CE&M Workshop： Defining a Research

Agenda for AEC Process/Product Development in2000 and Beyond Stanford， Berkeley， 1999.

神经网络的实现篇4

【关键词】神经网络控制；神经网络效率自学习；CFC软件

西门子Simatic Manager软件是西门子公司开发的自动化控制软件。使用STEP7组态工具进行图形化组态：连续功能图（CFC）和顺序功能图（SFC）。控制器硬件平台使用西门子装有64位CPU的TDC控制器，TDC（Techonlogy and Drive Control）是工艺和驱动自动化系统的简称。该系统具有模块化的系统结构，硬件可扩展。采样时间间隔短，可达100，特别适用动态控制任务。中央处理器采用64位结构，可同步多处理器运行，而且具有分时多任务功能，可将运行任务分派到不同的时间片内运行。由于平直度控制涉及大量高实时性的运算，所以单独使用一个双64位CPU的处理单元。

CFC编程工具是标准的图形编程环境，具有强大的功能和使用便捷性，在设计时遵循模块化设计的理念，有非常丰富的功能模块，如位控逻辑、数学运算、通讯功能、输入输出通道、内存管理、特殊的数据处理、物料追踪处理、控制传动模块等。但对于平直度控制，由于其标准库并没有相应的功能模块，所以必须先开发。然后将控制功能封装成标准模块，在CFC编程环境中调用。在Simatic Manager平台上，将NNI神经网络初始化、NNI自学习效率、从NNI中获取效率以及计算执行机构设定值等功能实现后，封装到功能库fbaflc中，在西门子Simatic Manager开发平台的CFC软件设计工具中调用，以完成控制功能。

1.平直度神经网络控制结构

图1-1所示为平直度神经网络控制详细结构框图。NNI为系统辨识器，用于识别执行机构改善的平直度偏差；Y为平直度检测值，Ysr为平直度设定值；Y及Ysr均为包含80个元素的向量。为当前的平直度偏差；为前次激活控制时的平直度偏差；为NNI辩识的该执行机构能够改善的平直度偏差；P-P为先验的执行机构效率，是80个元素的向量；F为当前的轧制力；W当前轧制板带的宽度；LP为执行机构的实际位置变化；g和P分别为平直度偏差加权因子和执行机构在板带宽度方向上的效率，均为包含80个元素的向量。NCC为用数学方法构成的控制器，向执行机构发出最优设定值。E1为实际改善的平直度偏差，E为网络辨识值输出与实际期望值之间的偏差，用于训练网络。

图1-1 平直度神经网络控制详细结构框图

1.1 执行机构效率

因为平直度测量和第五架轧机之间存在着空间距离，所以必须预先计算出执行机构改善板形的能力。执行机构效率是指执行机构改善板形的能力，其数学公式为其中，为神经网络NNI计算的执行机构能够改善的板带宽度方向上第i位置的平直度偏差，U为在改善了偏差时的执行机构输出值。因为在板带宽度方向上共划分了80个区域，所以执行机构效率是一个包含80个元素的向量。pi并不是网络的直接输出，是在网络输出的基础上计算出来的。执行机构效率送入NCC用于计算执行机构的最优设定值。[2]

1.2 NNI效率自学习算法

执行机构效率辩识器NNI采用的是BP算法下面介绍NNI的特征函数和改进的权值调节方法。

（1）特征函数。特征函数取S型函数，即：

F（x）=1/（1+e-x）

（2）改进的权值调节算法

网络采用的BP算法是前向计算输出和反向误差传播的权值调节过程。设网络中第I层某个神经元i与后一层第J层的连接权值为wij，对节点i来说，设输入为xi，输出为xi，xj为后一层中节点j对第I层神经元1的输入。由图1-1可得：

误差反传用改进的Delta权值调整公式：

式中：为学习率（取=0.1-0.9）；为动量系数（取=0.1-0.8）；为神经元输出误差。[3]

2.执行机构效率自学习NNI的实现

2.1 执行机构自学习效率的获取

执行机构效率在神经网络的自学习作用下，逐步得到改善。但是，在CFC软件内怎样取得效率呢？FBAFLC模块库提供了几个此类模块，用来完成这类任务。这个过程分为两步，第一步，从NWA和NWE指向的数据区取得所有执行机构的效率，第二步，根据执行机构数目和每个执行机构效率的离散点数目取得每个执行机构的效率。上述第一步如图2-1所示。上述第二步如图2-2所示。

图2-1 根据类型取得所有执行机构效率

图2-2 取得某个执行机构效率

在图2-1中，通过功能块AEGET获得所有执行机构的效率，当输入端TRG激活为1时，触发此功能块。输入PRM是一个向量指针，该向量有两个元素：当前获取效率板带的宽度和轧制力类型。NWA和NWL是指向所有执行机构效率的指针。EFA输出为指向所有执行机构先验效率的指针，EFL输出为指向所有执行机构自学习效率的指针。V2S20模块输出首地址为VX输入，而偏移值从FE开始的20个向量元素值。其中离线和在线参数是指：当前正在轧制的板带类型参数是手工通过HMI输入的还是接收二级系统设定的。

功能块M2V从输入端MX指向的向量空间取得各个不同执行机构的效率向量，此效率向量的元素数目为80，并将向量地址输出到VY2-VY8上。它的输入MX是图2-1中的AEGET的输出EFA或EFL，根据从HMI上选择是使用先验效率还是学习效率，将AEGET的输出EFA或EFL连接到此处。图中NOP8块将输入发送到输出。

2.2 执行机构效率自学习的实现

执行机构效率自学习的实现也是通过在CFC软件设计工具中调用封装的学习算法模块实现的。如图2-3所示。

图2-3 执行机构效率的自学习

在图2-3中，AELERN模块实现了平直度执行机构效率的自学习，它内部封装了BP网络的学习过程。当触发端TRG的输入为1时，激活自学习功能。PRM为包含两个元素向量，表明当前学习执行机构效率时的板带宽度和轧制力。DS为指向执行机构位置变化向量的指针，LDT为指向平直度变化向量的指针。VLN为执行机构效率自学习速度，在此处经过调试设定为0.5。而自学习使用的执行机构最优值通过内部数据结构获得。TDH是一个向量指针，通过它可以在程序内部查看学习效率，如图2-3中的DIS020模块。但更重要的是，它是一个内部使用的全局数据指针，指向执行机构效率学习初始化模块AECONF的MWA和MWL数据区。所以在开发CFC软件时，必须注意AECONF和AELERN之间的一一对应的关系和他们的唯一性。通过平直度的变化和执行机构的位置，AELERN模块自学习对应板带宽度和轧制力类的执行机构效率，并把他们写入TDH指向全局数据区的对应位置。

3.平直度控制效果及总结

图3-1所示的两幅图为经过神经网络自学习进行辨识，控制执行机构，不断改善的板形质量对比，颜色越深为板形质量越不好的区域。可见板形质量得到了明显改善，但从第二幅图目前的板形质量图可以看出带钢边部板形仍存在较大缺陷，所以板形的神经网络控制仍有提高精度的潜力。

图3-1 带钢板形质量改善情况对比

带钢平直度偏差经过计算分析，可以表现为以下几种（这几种因素可能同时存在）。

（1）偏差值呈由大到小（或由小到大）顺序的线性分布；（2）偏差值呈两边对称的二次曲线分布；（3）偏差值呈对称的四次曲线分布；（4）非对称的局部偏差值。

支撑辊压下倾斜仅影响平直度偏差的线性部分。中间辊的轴向窜动影响平直度偏差的二次曲线部分。而弯辊系统主要影响平直度偏差的四次曲线部分，这主要是因为弯辊调节时，对带钢的边缘影响要比中间大的多。工作辊多区冷却影响不对称的局部的平直度偏差，但多区冷却由于热传导的滞后性，所以控制结果在秒级才能生效，因而在设计它的控制器时将采用PI调节器。

采用神经网络控制方法对冷轧板形进行控制，较好的实现了控制精度和效果。

参考文献

[1]Flantness Control FLC System Reference Manual for Cont.Pickling Line&Tandem Mill[Z].Section 5.3.3.10.2004：1-128.

[2]周鑫.五机架CVC冷轧机板形检测与神经网络控制[D].内蒙古工业大学工程硕士学位论文，2008.

神经网络的实现篇5

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] Saha D An Efi cient Link Enhancement Strategy for ComputerNetworks Using Genetic Algofithm[J].Compu～r Com munication.1997.20（9）：2206-2210.

神经网络的实现篇6

关键词:神经网络;BP算法;PID控制;Matlab仿真

中图分类号:TP274文献标识码:A

文章编号:1004-373X(2009)10-143-03

PID Control and Simulation Based on BP Neural Network

WU Wei,YAN Mengyun,WEI Hangxin

(School of Mechanical Engineering,Xi′an Shiyou University,Xi′an,710065,China)

Abstract:The neural network PID control method is introduced,which the parameters of PID controller is adjusted by use of the self-study ability.So the PID controller has the capability of self-adaptation.The dynamic BP algorithms of three-layer networks realize the online real-time control,which displays the robustness of the PID control,and the capability of BP neural networks to deal with nonlinear and uncertain system.A simulation example is made by using of this method.The result of simulation shows that the neural network PID controller is better than the conventional PID controller,and has higher accuracy and stronger adaptability,it can get the satisfied control result.

Keywords:neural network;BP algorithm;PID control;Matlab simulation

0 引 言

在工业控制中,PID控制是最常用的方法。因为PID控制器结构简单,实现容易,控制效果良好[1]。随着工业的发展,对象的复杂程度不断加深,尤其对于大滞后、时变的、非线性的复杂系统,常规PID控制显得无能为力。因此常规PID控制的应用受到很大的限制和挑战。为了使控制器具有较好的自适应性,实现控制器参数的自动调整,可以采用神经网络控制的方法[2]。

利用神经网络所具有的非线性映射能力、自学习能力、概括推广能力,结合常规PID控制理论,通过吸收两者的优势,使系统具有自适应性,可自动调节控制参数,适应被控过程的变化,提高控制性能和可靠性[3]。

1 神经网络PID控制

神经网络PID控制是神经网络应用于PID控制并与传统PID控制相结合而产生的一种新型控制方法,是对传统的PID控制的一种改进和优化[4]。

1.1 常规的PID控制器

传统的PID控制器算式如下:

u(t)=KP[e(t)+(1/T1)∫t0e(t)dt+TDde(t)/dt](1)

相应的离散算式为:

u(k)=KPe(k)+KI∑kj=0e(j)+KD[e(k)-e(k-1)](2)

式中: KP,KI,KD分别为比例、积分、微分系数;e(k)为第k次采样的输入偏差值;u(k)为第k次采样时刻的输出值。

PID控制器由比例(P)、积分(I)、微分(D)三个部分组成,直接对被控对象进行闭环控制,并且三个参数KP,KI,KD为在线调整方式。

1.2 神经网络

BP神经网络的结构如图1所示。

BP神经网络通常采用基于BP神经元的多层前向神经网络的结构形式。典型的BP神经网络是3层网络,包括输入层、隐层和输出层,各层之间实行全连接。输入层节点只是传递输入信号到隐含层;隐含层神经元(即BP节点)的传递函数f常取可微的单调递增函数,输出层神经元的特性决定了整个网络的输出特性。当最后一层神经元采用Sigmoid函数时,整个网络的输出被限制在一个较小的范围内;如果最后一层神经元采用Purelin型函数,则整个网络的输出可以取任意值。

图1 三层BP网络结构图

设,x1,x2,…,xn为BP网络的输入;y1,y2,…,yn为BP网络的输出;w1ji为输入层到隐含层的连接权值;w2ij为隐含层到输出层的连接权值。

图1中各参数之间的关系为:

输入层: xi=xi0

隐含层:

θ1j=∑ni=0w1jixi, x1j=f(θ1j)(3)

输出层:

θ2i=∑ni=0w2ijxj, x2i=g(θ2i)(4)

BP神经网络采用误差的反向传播来修正权值,使性能指标E(k)=(1/2)\2最小。按照梯度下降法修正网络的权值:

输出层:

δ2=e(k)g′\;

w2ij(k+1)=w2ij(k)+ηδ2x1j(k)(5)

隐含层:

δ1=δ2w2ijf′\;

w1ji(k+1)=w1ji(k)+ηδ1x0i(k)(6)

1.3 神经网络PID控制器结构

基于BP神经网络的PID控制系统结构如图2所示。控制器由常规的PID控制器和神经网络两部分组成。PID控制要取得较好的控制效果,必须通过调整好比例、积分和微分三种控制作用,形成控制量中相互配合又相互制约的关系。

常规的PID控制器直接对被控对象进行闭环控制,并且其控制参数为KP,KI,KD在线调整方式。神经网络根据系统的运行状态,调节PID控制器的参数,以期达到某种性能指标的最优化,使输出层神经元的输出对应于PID控制器的三个可调参数KP,KI,KD。神经网络所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。

图2 基于BP神经网络的PID控制器结构

1.4 神经网络PID控制器的控制算法

(1) 确定神经网络的结构,即确定输人节点数和隐含层节点数,并给出各层加权系数的初值w(1)ij(0)和w(2)ji(0),并选定学习速率η和惯性系数α,令k=1;

(2) 采样得到r(k)和y(k),计算当前时刻的误差e(k)=r(k)-y(k);

(3) 计算各神经网络的输入/输出,其输出层的输出即为PID控制器的三个控制参数KP,KI,KD;

(4) 计算PID控制器的输出;

(5) 进行神经网络学习,在线调整加权系数,实现PID控制参数的自适应调整;

(6) 令k=k+1,返回(1)。

2 神经网络的Matlab仿真

为了检验神经网络PID控制系统的能力,在此进行大量的仿真实验。下面以一阶时滞系统作为被控对象,进行仿真实验。

设被控对象为:

G(s)=160s+1e-0.5s

相应的控制系统的阶跃响应曲线如图3、图4所示。

图3 普通PID控制阶跃响应

可以看出,采用传统的PID控制,其调节时间ts=120 s,超调量达到65%;采用神经网络PID控制,系统调节时间ts=120,超调量只有20%。由此说明,后者响应的快速性和平稳性都比前者要好,也说明了这种方法的有效性。

图4 神经网络PID控制阶跃响应

3 结 语

神经网络PID控制方法简单,借助神经网络的自学习、自组织能力,可实现PID参数的在线自整定和优化,避免了人工整定PID参数的繁琐工作。从文中可以得出,神经网络PID控制有如下的优点:

(1) 无需建立被控系统的数学模型;

(2) 控制器的参数整定方便;

(3)对于大滞后、时变的、非线性的复杂系统有很好的动静态特性。实现有效控制和PID控制参数的在线自整定。

参考文献

[1]刘金琨.先进PID控制及Matlab仿真[M].北京:电子工业出版社,2003.

[2]韩豫萍,孙涛,盛新.基于BP神经网络的PID控制及仿真[J].可编程控制器与工厂自动化,2007(12):91-93.

[3]黄金燕,葛化敏,唐明军.基于BP神经网络的PID控制方法的研究[J].微计算机信息,2006(26):278-280.

[4]曾军,方厚辉.神经网络PID控制及其Matlab仿真[J].现代电子技术,2004,27(2):51-52.

[5]赵娟平.神经网络PID控制策略及其Matlab仿真研究[J].微计算机信息,2007(7):59-60.

[6]Zhang Mingguang,Qiang Minghui.Study of PID Neural Network Control for Nonlinear System[J].Institute of Electrical and Electronics Engineers Inc,2007.

[7]孙洁.神经网络PID算法在流量控制中的应用与仿真研究[D].合肥:合肥工业大学,2007.

[8]王亚斌.基于BP神经网络PID控制及其仿真[J].江苏冶金,2008(2):33-35.

[9]廖方方,肖建.基于BP神经网络PID参数自整定的研究\.系统仿真学报,2005(7):1 711-1 713.

神经网络的实现篇7

引言

当前对人工神经网络ANN（Artificial Neutron Network）的研究热潮源自Hopfield J.[1]和McclellandJ.等人于20世纪80年表的论文[2],[3]。Hopfield提出了激活函数为非线性的反馈网络，并将其成功地运用于组合优化问题；Mcclelland和Rumelhart用多层前馈网的反向传播学习算法（Back Propagation）成功地解决了感知器不能解决的"异或"问题及其它的识别问题。他们的突破打消了此前人们由于简单线性神经网络感知功能的有限而产生的，使ANN成为了新的研究热点。之后，新的网络结构和新的学习算法层出不穷，目前常见的都已达到几十种。在这些神经网络中，径向基函数RBF（Radial Basic Fuction）网络由于具有强大的矢量分类功能和快速的计算能力，在非线性函数逼近等方面，特别是模式识别领域，获得了广泛的应用，从而成为当前神经网络研究中的一个热点[4]。

模式识别是人工智能经常遇到的问题之一。其主要的应用领域包括手写字符识别、自然语言理解、语音信号识别、生物测量以及图像识别等领域。这些领域的共同特点都是通过对对象进行特征矢量抽取，再按事先由学习样本建立的有代表性的识别字典，把特征矢量分别与字典中的标准矢量匹配，根据不同的距离来完成对象的分类。以识别手写数字为例，字典中有由学习样本建立的10个标准矢量（代表0～0），把从识别对象中抽取的特征矢量分别与这10个标准矢量匹配，矢量间距离最短的就说明别对象与这个标准矢量的分类最接近，进而识别出其表示的数字。

模式识别过程中，产生一个具有代表性的、稳定且有效的特征矢量分类匹配策略，是补偿变形、提高识别率的有效途径，如何确定分类器是识别系统成功的关键。可以说，模式识别的本质就是分类，就是把特片空间中一个特定的点（特征矢量）映射到一个适当的模式类别中。传统的模式识别分类都是基于串行处理的匹配策略：首先由学习样本建立识别基元（字、词、音、像素）的标准矢量识别字典，取取的特征矢量顺序与字典中的标准矢量计算区别得分；最后根据概率做出决策，输出识别结果。当模式类别很大时，识别速度会下降得很快，而近年来，用RBF网络解决这方面的问题得到了很好的效果。

理论模型要求发展神经网络型计算机来实现，但迄今 为止，这方面的工作限于条件还主要集中在传统计算机的软件模拟实现上。大多数学者认为，要使人工神经网络更快、更有效地解决更大规模的总是，关键在于其超大规模集成电路（V LSI）硬件的实现，即把神经元和连接制作在一块芯片上（多为CMOS）构成ANN。正是因为上述的原因，其中神经网络的VLSI设计方法近年来发展很快，硬件实现已成为ANN的一个重要分支[5],[6]。

以下介绍IBM的专利硬件RBF神经网络芯片技术ZISC(Zero Instruction Set Computer），并给出用ZISC设计和实现的一种模式识别系统。

1 用VLSI设计硬件神经网络的方法

神经网络的IC实现是比较困难的，设计者必须把神经系统模型的特性反映到受半导体工艺和IC设计规则制约的电路中去。用VLSI设计硬件神经网络的方法主要分为数字技术、模拟技术和数模混合技术等，下面分别作简要介绍。

（1）用模拟技术实现硬件神经网络

模拟神经芯片通过单元器件的物理性质来进行计算，因而可以获得很高的速度。神经元的核函数计算功能一般由乘法器或运算放大器来完成，而连接权值大多以电压形式存储在电容上或是以电荷形式存储在浮点门上。利用模拟神经芯片不仅可以制造多层前向感知器那样的传统结构，还能从形态上进行如硅视网膜这样的生物仿真设计，从而更有效地模拟生物学功能。

在解决实时感知类的问题中，模拟神经芯片扮演着主要的角色。因为这些问题不要求精确的数学计算，而主要是对大量的信息流进行集合和并行处理，这方面低精度的模拟技术从硅片面积、速度和功耗来看具有相当大的优势。但是模拟芯片的抗干扰性差，设计中需要考虑对环境因素变化引起的误差进行补偿，非常麻烦；它的另一个缺点是，制造一个突触必须考虑权值存储的复杂性，同时要求放大器在很宽的范围内呈现线性[5],[6]。

（2）用数字技术实现硬件神经网络

用高低电平来表示不同状态的数字电路是信息工业中最常用的技术。数字神经芯片有非常成熟的生产工艺，它的权值一般存储在RAM或EPROM等数字存储器中，由乘法器和加法器实现神经元并行计算。对设计者来说，数字神经芯片可以以很高的计算精度（达到32位或者更高）实现神经元核函数。另外，用数字技术实现神经网络时，通常可以采用标准单元库或可编程门阵列直接进行电路设计，这样可以大大减少设计时间[5],[6]。

数字神经芯片不仅具有容错性好、易于硬件实现及高精度、高速度的优点。更重要的是有很多数字电路CAD的软件可以作为设计工具使用。但要实现乘/加运算，需要大量的运算单元和存储单元。因而对芯睡面积和功耗要求很高。为了适应大面积的数字电路的要求，现在很多数字神经芯片都采用了硅片集成技术(Wafer-Scale Integration)。

（3）用数模混合技术实现硬件神经网络

出于上述种种考虑，许多研究人员提出并采用了各种数模混合神经芯片，具有数字及模拟工艺各息的优点而避免各自的缺点，运算速率高，芯片面积小，抗噪声能力强且易于设计。典型的数模混合信号处理部分则全是模拟的。这种结构很容易与其它的数字系统接口以完成模块化设计。近年来在各种数模混合神经芯片设计中，利用脉冲技术的数模混合神经芯片和利用光互连技术的光电混合神经网络芯片得到了广泛的关系，它们代表神经网络未来发展的方向。

尽管数模混合神经芯片有种种优点，但它也存在着一些不足。比如，对于大多数数模混合神经芯片来说，训练学习算法的实现往往需要一个附加的协处理器，这无疑会增加整个神经网络系统的成本和复

杂性[5],[6]。2 RBF网络原理和它的硬件实现

RBF网络是一种有导师的三层前馈网络。它最重要的特点是中间隐层神经元的基函数只对输入剩激起局部反应，即只有当输入落在输入空间的 一个局部区域时，基函数才产生一个重要的非零响应；而在其它情况下基函数输出很小（可近似为零）。网络结构如图1所示。

图1(a)描述了隐层神经元的作用，其中X=(x1,x2,…，Xn)是输入层的输入矢量；C=(w1,w2,…，Wn)是该隐层神经元的中心矢量（每个隐层神经元的中心徉量存储在其与输入各种神经元之间的连接权中），σ代表宽度（半径）；而|| ||表示n维空间中矢量之间的距离（这里的距离不一定是数学意义上的欧几里得距离，在不同的情况下可以有种种含义）；f是隐层神经元的基函数，目前用得比较多的是高斯分布函数。

RBF网络每个输出层结点的输出为其与各隐层神经元输出y的加权求和。按高斯分布函数的定义，隐层神经元的输出y与输入矢量x的函数关系应服从正态分布，即当X与中心矢量C的距离很矢时，y接近最大值；反之y值减小。如X与C的距离超过宽度σ(即远离中心）时，输出y可近似为零，相当于对输出层没有贡献。这就实现了局部感知。

不难看出，RBF网络用作矢量分类器时，输入层神经元个数由矢量空间的维数决定，隐层神经元个数由模拟类别数决定，每个隐层神经元的中心矢量（与输入层各神经元之间的连接权）都代表一种模式类别。输入矢量与哪个隐层神经元的中心矢量距离近，哪个隐层神经元的基函数输出就大，相应的模式类别对输出层的贡献就大；与哪个隐层神经元的中心矢量距离远，哪个隐层神经元的基函数输出就小，甚至不激活，输出0，相应的模式类别当然就不会影响RBF网络的输出，矢量和模式类别的分类由此完成。

相对于网络结构的简单，RBF网络权值的训练方法要复杂一些。通常分为下面的两个步骤。

①隐层和输入层之间的权值采用无教师聚类方法训练，最常用的是KNN法（K-Nearest-Neighbor）。它的基本思想是先设定训练样本的一个子集；再用模式分类算法LBG由这个子集形成N种类的模式，即把子集中的样本归类；然后，按顺序处理子集外的训练样本：对任一样本X，找出K个与X距离最近的矢量（随便找，只要近就行），计算这K个矢量分别属于N个模式种类的数目，哪个模式种类包含的最近矢量最多，X就属于哪个模式种类。

将输入的训练样本聚类后，每个模式种类中所有样本矢量的平均值就代表该隐层神经元和输入层之间的权值（中心矢量）；而所有样本矢量与中心矢量的平方差的平均值就代表宽度σ。这样就做出了各个隐层神经元的全部参数。因为这种方法只要求输入训练样本就可以进行分类，无须知道训练样本的理想输出，因此被称为无教师方法。

②输出层和隐层之间的权值采用有教师聚类方法训练。简便实用的一种办法是：在确定隐层和输入层之间的权值之后，把训练样本矢量和其理想输出代入RBF网络，从而推出各个输出层神经元和隐层之间的权值。

可以看出，需要分类的模式类别数的增加总可以通过不断增加三层RBF网络隐层神经元数来实现，含义十分直观。由于其学习过程为两步，且每一步的学习算法都十分有效，所以它的学习速度很快。RBF网络主要适用于解决已知的大规模分类问题，比如图像目标跟踪、面部和双眼的生物图像识别等。

对RBF网络的硬件实现技术，目前存在着不同的观点。但就有大规模分类和实时要求的模式识别问题而言，数字电路技术是最合适的选择，原因有以下几点：

①RBF网络用于手写字符识别、生物图像识别、自然语言理解这样的领域时，需要分类的模式类别数往往成千上万，所以要求隐层神经元数极大，单片神经芯片很难完成。使用数字神经芯片，网络的扩展十分容易，一般不需要逻辑器件而只要电阻就可以完成；而用数字神经芯片由于精度高，理论上可以无限并行扩展，且性能不下降。

②一个实用的模式识别系统，分类的模式往往会随着样本与环境的变化而变化，这就需要不断调整权值。数字神经芯片的权值存在数字存储器中，存储和恢复都很方便。这样用于模式识别系统的RBF网络的权值易变性得到了保证。

③模式识别系统对特征矢量提取对象的预处理是比较困难的工作。预处理效果不好时，RBF网络的输入往往含有噪声。数字神经芯片在抗干扰性方面与其它V LSI技术相比，显然具有无可比拟的优势。

④模式识别的要求包括模糊匹配和精确匹配两种。当用RBF网络实现精确匹配时，模拟技术完成不了这个要求，此时，数字神经芯片是避免错误输出的唯 一选择。

3 ZISC技术及其在模式识别中的应用

虽然人们已经在神经网络的硬件实现上做了大量的工作，并实现了许多不同的网络结构和算法；但是RBF网络的硬件实现工作却了了无几。这说明幅度当前的IC技术实现RBF网络的功能对设计水平的要求是比较高的，因此，本文介绍的这种商业芯片ZISC就成为了模式识别系统的一种有价值的神经网络硬件平台。

无指令计算机ZISC是世界著名的IBM实验室的一项创新性科研成果[7]，它采用数字电路技术实现了RBF神经网络及KNN学习算法的集成电路芯片。作为ZISC芯片的合作发明人与授权生产商，美国Silicon Rcognition公司专业从事ZISC技术推广，其生产的ZISC036是一颗含有36个隐层神经元，专门用于各种模式识别矢量分类的集成电路。以下列出了它的一些主要特点与功能：

*使用RBF网络模型，无须编程而只须给它训练样本，即能实现学习和自适应识别；

*全并行运算，模式分类速度与隐层神经元存储的矢量数量完全无关；

*无须逻辑电路即可实现多片ZISC036级连，模式分类数量及神经网络规模没有限制；

*输入和存储的矢量分量数目从1～64个可调（每个分量8位）；

*超快速度，64个分量的特征矢量的识别在4.8ms内完成（主频时钟20MHz）；

*用寄存器存储神经网络全局信息与神经元信息和权值；

*CMOS和TTL兼容的I/O，TQFP144封装，5V标准电源供电。

不难看出，应用这种神经网络芯片不需要操作系统和编程语言，主要的工作就是训练它和让它学习。因此，用它开发面向消费类的模式识别产品是一种简单且实用可行的方法，可以大大地缩短研发周期。

本文给出了用六片ZISC036级连，通过印制电路板实现的通用模式识别系统。图2为这个系统的总体框图。

系统通过PCI总线接受待识别的模式原始数据。数字存储在2个8MB高速DRAM区中。神经网络控制器选用Xilinx Virtex FPGA，它的主要功能是完成对原始数据的特征矢量提取并输入到ZISC036芯片阵列中。可以使用标准的FPGA开发工具生成不同的RBF文件，从而实现不同的特征矢量提取电路。ZISC036芯片阵列按照三描述的方法一个个顺序接受矢理输入，然后进行并行的学习和分类，识别结果作为输出返回。只要修改FPGA中的特征矢量提取电路和界面程序，就可以实现图像、话音等各种不同的模式识别程序，只要修改FPGA中的特征矢量提取电路和界面程序，就可以实现图像、话音等各种不同的模式识别功能。这个通用模式识别系统的性能以传统CPU或DSP的指标来衡量，相当于13.2GPS（每秒执行132亿条指令）。

用上述系统可以完成如图

像目标跟踪、图像识别、数据挖掘等许多实时性要求很高的模式识别和分类功能。以下用一个自适应图像目标跟踪的实验作为例子，视频图片演示结果如图3所示。图3的视频图片从一段AVI文件中捕获。首先从初始的视频帧中选定汽车的图像，提取其纹理特征作为训练样本输入到ZISC神经网络。然后，ZISC神经网络在后面接下来的视频帧中搜索类似的图像纹理模式并圈定跟踪目标的坐标。如果发现所跟踪目标的模式发生变化，ZISC神约网络能够自动学习新的特征并建立一个新的模式存入神经网络。通过不断地比较已存入神经网络的模式和所跟踪目标之间的区别，系统就能够识别目标，从而在拥挤的背景和变化的环境下始终锁定目标。实验用视频图片为320×240像素，跟踪目标扫描范围为20×20像素。

神经网络的实现篇8

关键词神经医学；期刊；网络化

中图分类号G23文献标识码A文章编号1674-6708（2014）112-0028-02

0引言

神经医学期刊作为神经医学领域信息传播的主要媒介，是代表一个国家神经医学领域的医疗与科研发展水平的重要标识之一。目前以计算机互联网方式检索生物医学科技文献已成为医学研究的重要组成部分之一，神经医学期刊网络化传播可以扩大期刊的受众面，提升了期刊的知名度，扩大期刊的学术影响，加快神经医学领域的国际学术交流与进步，同时提高了期刊审稿、编辑工作的效率。从上个世纪90年代以来，国外神经医学期刊逐步实现了网络化，提供了比传统纸质期刊更加丰富的内容，更加完善多样的服务。科技期刊上网已成为“九五”期间国家重点攻关项目，编辑工作也由此进入了网络时代。然而，我国神经医学期刊的网络化发展进展缓慢。本文在回顾18种神经医学期刊网络化现状的基础上，分析我国神经医学期刊网络化存在的问题，对比国外著名神经医学期刊的网络化发展特点，提出我国神经医学期刊网络化发展的对策。

1中国神经医学期刊网络化状况调查

本文将主要分析2005年《中国科技期刊引证报告》中统计的18种神经医学期刊的网络化发展状况，其中包括中华神经外科杂志、中华神经医学杂志、中华神经外科疾病研究杂志等。目前我国神经医学期刊网络化途径主要分为三种：利用主办单位网站、被权威性科技期刊网站收录、建设自己的独立网站[2]。这18种神经医学期刊中，9种通过上述三种形式实现了期刊网络化（50%）。在已实现上网的期刊中，通过主办单位网站上网的有2种，通过独立网站上网的有8种，此10种期刊全部被权威科技网站收录。

通过主办单位实现期刊上网，不但实现了资源共享，而且降低了期刊运营成本。中华医学会网站对其主办的几十种杂志实现网上投稿、介绍等业务，还开拓友情链接等多项功能。但是读者必须先登陆主办单位中华医学会的官方网站，在主办杂志的子目录下查询相关期刊情况。但是通过这种方式上网的期刊的网络阅读量及使用受到主办网站的功能与设计的制约。这样很大程度上制约了期刊的发展。目前我国国内权威科技网站主要包括万方数据资源系统、中国期刊网全文数据库和维普数据库，这些期刊均可提供全文检索服务。期刊通过权威数据库网站收录，可以方便更多的读者检索和浏览文摘，扩大期刊的受众和影响。我国神经医学期刊的独立网站通常都是以纸质期刊为基础建立的。期刊网站除了提供期刊的相关基本信息外，还可以承担网上远程稿件处理、作者编辑信息沟通等服务。由于不同神经医学期刊独立网站的建立时间和内容侧重不同，网站设置的内容也各不相同。

为方便调查，所有期刊网站栏目分为基本信息类、网上投、审稿系统，读者服务类，广告、期刊订阅。实现了网络化的9种神经医学期刊中，所有期刊网站都提供了期刊简介和联系方式等基本信息，4种杂志设置有期刊动态、新闻栏目（44.4%）。8种神经医学通过网站实现了网上远程投、审稿操作（88.9%）。在读者服务方面，7种神经医学期刊提供在线文摘(77.8%)，3种神经医学期刊提供检索服务（33.3%），4种期刊可以提供电子期刊服务（44.4%）。此外，3种期刊设置有广告征订栏目（33.3%），6种期刊提供网上期刊订阅服务（66.7%）。

我国神经医学期刊网络化的特点

通过回顾分析我国神经医学期刊的上网方式及网站栏目设置特点，不难发现这些期刊网络化具有以下特点。从网站栏目的设计上看，在线稿件管理栏目、信息类栏目已经成为神经医学期刊网站的重要内容，共有8种神经医学期刊实现了网上远程投、审稿操作（88.9%），所有网站均设有专门的信息栏目，其中涉及期刊简介、联系方式等，四种期刊设置有期刊动态及新闻服务栏目（44.4%）。从上网期刊的内容看，所有网上的内容都是纸质版期刊的简单复制且在时间上有滞后性。内容大多与纸质版期刊相同，并无网络化特色。而期刊的网络版应是印刷版的补充，而不是替代或简单照搬。纸质版和网络版应该发挥各自的特色。并且我国神经医学期刊的网站栏目上的信息更新较慢，使得网络化期刊的信息时效性大打折扣。从神经医学期刊网络化的功能来看，读者服务功能的缺失。我国神经医学期刊网站缺乏交互式的栏目设置，因此信息的传播都是单向的，即从期刊网站到读者。而出版工作的应是“为读者服务”的，充分了解读者的需求，并向读者提供科学、新颖、实用的信息。很显然，单向的信息传播无法满足这样的需求。在网络化经营方面，本文调查的18种神经医学期刊中，仅有30%的期刊涉及到了网上期刊广告征订，大部分期刊的经营仅限于跟期刊编辑工作相关的费用收入以及主办单位资金支持，并没有形成完全的独立自主经营。超过半数的期刊设置网上订阅栏目，但这些栏目也只是停留在纸质版期刊的网络宣传，并不是真正意义上的网络订阅。

3国外神经医学期刊网络化发展

据统计，在2007年，全美60%的期刊就已经实现了在线阅读，并可以为读者提供如视频，个性化服务等网络服务。而各大优秀的神经医学期刊更是拥有功能完善的网络平台或是通过Elsevier，Springer等大型出版商的网络出版平台，实现在线投稿、审稿等编辑工作网络化，还提供了丰富的个性化服务。本文将以JournalofNeurosurgery为例，对比分析国外神经医学期刊网络化的状况，以期提供我国神经医学期刊的发展策略。

Neurosurgery杂志的网站除了基本的在线投稿、审稿与查询功能外，还设置了当期文摘浏览、过刊文摘浏览、印前网上出版（Publishedaheadofprint）文摘浏览栏目、播客、手术录像展示、期刊各种相关信息等。不同的读者可以根据自己的需要在相应栏目找到自己需要的文章信息。网站的最醒目位置罗列当期全部特色文章的条目，包括文章题目，摘要，作者信息等，部分文章会提供免费的PDF格式的全文下载服务，这样可以保证不同收入水平的读者都可以浏览到杂志刊登的最新文章。并且重点文章会标明编者推荐字样，以方便读者查阅或购买阅读。在印前网上出版栏目可以浏览纸质出版前的网络出版的文章条目，并且可以提供文摘浏览。播客（Podcast）栏目中展示了可以下载到最新移动播放设备（如，iPod）并可通过相关软件随时收听和阅读的期刊文摘，而且提供了各种语种的版本，包括英语、中文、法语等，方便不同语种的读者进行收听和阅读。这样可以激发读者对纸质版期刊的阅读兴趣。

网站还安排了文章相关的手术录像展示，这项服务是纸质期刊无法提供的，可以说是网络版期刊的特殊增值服务产品。所有手术演示录像均来自期刊刊登的文章。期刊读者可以观看与文章内容相关的手术录像展示（Video），方便读者更加直观、详尽了解手术过程和手术技巧；而网站读者如果对录像显示的手术技术的适应症及并发症等问题，也可以购买全文进行阅读。在期刊信息栏目可以查看期刊基本信息，编委会成员，广告展示，订阅服务等为读者提供全方位的服务。另外网站专门开设了一个板块，方便读者通过智能手机（如，iphone等）进行文摘搜索、浏览、特色文章的全文浏览等。期刊网站还提供了语言编辑服务（languageeditingservices），投稿作者可以根据自己的需要联系相关的公司帮助自己进行语言润色，这样极大的方便了非英语作者的投稿工作。

4神经医学期刊网络化发展的对策

通过对比国外的神经医学期刊的网络化现状，我们可以通过以下途径加快我国医学期刊网络化发展。

1）完善神经医学期刊网站的功能

随着电子出版物的发行，神经医学期刊网络化发展已经成为期刊发展的新趋势。一个功能完善的期刊网站可以承载期刊所有相关的重要信息，成为期刊内容、读者服务、期刊发行、广告征订、品牌宣传的良好平台。读者、作者、编者是神经医学期刊重要的组成部分，利用网络的互动性，可以大大加强三者的联系与沟通。另外，期刊网站的内容应增强时效性，有专门负责更新网站内容的编辑，及时更新网站的最新动态，充分发挥网络信息传播的优势。期刊网站向读者提供期刊论文信息，实现文章检索，充分体现网络化的特点。通过网络可方便快捷的查阅论文的文献，也可通过与其他检索数据库的链接，了解文献的出处。

2）加强编辑工作人员的网络技能

神经医学期刊的编辑人员要适应期刊网络化的趋势，提高对未来网络化工作的适应能力。信息化时代的编辑面对的是一个新的技术操作环境，期刊编辑需要不断完善自己的知识结构，了解和掌握期刊网络信息处理的技能，充分利用网络进行服务创新，为读者、作者提供完善、全面的远程服务。

5结论

随着信息化技术的广泛应用，依托网络实现发展是神经医学期刊发展的必然趋势。然而，我国神经医学期刊的网络化发展仍处在起步阶段。我国神经医学期刊应不断完善网站的功能，加强期刊编辑的技术水平，借助网络传播技术的优势，加快神经医学期刊的发展。

作者：孙凌

    参考文献 

[1]王虹.医学期刊网络化发展优势和作用探析[J].西北医学教育，2010，18(5):967-968. 

[2]钟海平.论信息传播网络化信息组织智能化与编辑出版学研究[J].编辑学报，2002，14(1): 12-14. 

[3]段咏慧，王征爱.广东省医学期刊网站建设情况调查分析[J].第一军医大学学报，2005，25(11)：1456-1459. 

[4]曾建勋，宋培元我国科技期刊网络化发展动因与趋向[J].编辑学报，2008，20(4)：283-285. 

[5]秦娟.国内外医学期刊网络化状况及发展趋势[J].青年记者，2010，9(下)：91-92. 

神经网络的实现篇9

关键词: 神经网络;模拟项目;三部曲式

一、引言

我国高职院校以服务为宗旨,以就业为导向,以技能为本位,以培养新型生产技术、管理一线需要的紧缺型技能人才为目标,为推进我国加快社会主义现代化建设进程中具有不可替代的作用.而模拟项目教学是高职、中职教育的核心组成部分.在教育部明确规定:高职教育人才培养模式的重点是教学过程的实践性、项目性、职业性和进程性,而项目、挖掘、融合、进程是四个关键技术环节.最近我国高职教育蓬勃发展、竞争日趋激烈,如何提高高职教学质量、增强学校的特色竞争力已成为全国高职院校的核心科研.因此,开展高职模拟项目教学质量的评估是提高高职教学质量的有效模式,必将对高职院校提高教学质量、增强学校的特色竞争力,起到核心作用.基于高职院校模拟项目教学“模拟项目嵌入式融合、校企合作”的办学特点,从高职院校模拟项目教学质量“三部曲式”环节人手,搭建高职院校模拟项目教学质量评估指标体系,以高职院校模拟项目教学质量评估提供一种科学进程性的方法.

二、基于神经网络的高职模拟项目教学质量“三部曲式”模式

2.1神经网络原理

神经网络的全称是人工神经网络,它是在神经科学研究的基础上模仿人类大脑的结构和功能而构成的一种信息采集处理系统.神经网络由大量的神经元互相连接而成,它的信息处理通过神经元的相互作用来实现,知识与信息的存储表现为物联网技术接点互联嵌入式的物理关系.因此,它为模式识别、非线性分类等研究开辟了新的术语.

2.2基于神经网络评估原理

神经网络是一种具有三层(输入层、隐含层、输出层)或三层以上单向传播的多层前向网络结构,它的上下层之间实现全神经元连接.神经网络是利用非线性可微积分函数进行权值训练的多层网络.为了加快网络训练的收敛速度,采用变化的学习速率或自适应的学习速率对BP算法加以改进优化.神经网络可看作是一个从输入到输出的高度非线性映射,即要求出一映射使f,使f是g的最佳逼近.神经网络通过对简单的非线性函数进行数次复合,可得出近似复杂的函数.

我将高职模拟项目教学质量评估的各指标属性值进行归一化处理后作为BP神经网络模式的输入向量,将评估结果作为神经网络模式的输出,用足够多的样本训练这个网络,使其获取评估专家的经验、知识、主观判断及其对指标重要性的倾向,这样神经网络模式所具有的那组权系数值便是网络经过自适应学习所得到的正确知识内部表示,训练好的神经网络模式根据待评估各指标的归属值,就可得到对高职模拟项目教学质量评估的评估结果.

2.3基于高职项模拟目教学质量“三部曲式”指标体系的建设

“三部曲式”指标体系的搭建是高职院校模拟项目教学质量评估的核心内容.“三部曲式”指标体系设计的科学与否,是高职院校模拟项目教学质量评估成败的关键所在.为了突出高职院校模拟项目教学的特色,体现高职院校模拟项目教学评估的特色,作为高职院校必须从“模拟项目嵌入式融合、校企合作”的模式出发,确立模拟项目教学质量“三部曲式”指标体系如表1所示.

2.4基于高职模拟项目教学质量评估模式建立

神经网络的输入和输出层的神经元数目,是由输入和输出向量的维数确定的,输入向量的维数也是影响元素的个数,这里综合考虑影响模拟项目教学质量的各种元素,选取了能够全面反映高职院校模拟项目教学质量“三部曲式”指标体现中的29个元素,所以输入层的神经元个数为29.输出层作为模拟项目教学质量评估结果的网络输出,神经元个数确定为1,目标输出模式为(O,1)间的一个数,评估集设为(优秀、良好、合格、不合格),对应的指数区间集合={(0.85,1),(0.7,0.85),(0.5,0.7),(0,0.5)}.由于输出模式为(O,1)间的一个数,因此,输出层神经元的传递函数可选用S型对数函数了logsig型.实践证明,隐含层数目的增加可以提高神经网络的非线性映射能力,但是隐含层数目超过一定值,网络性能反而会降低.在合理的结构和恰当的权值条件下,3层BP神经网络可以逼近任意的连续函数.因此这里采用结构相对简单的3层BP网络.隐含层的神经元个数直接影响着网络的非线性预测性能.根据Kolmogorov定理,设定网络的隐含层神经元个数为27.

表一高职院校模拟项目教学质量“三部曲式”指标体系

三、神经网络结构与算法

神经网络对模拟项目教学质量评估系统进行辩识模拟.主要进行非线性系统的输出输入映射关系建模.其主要结构是由一个输入层,一个或多个隐含层,一个输出层组成,各层由若干个神经元(节点)构成,每一个节点的输出值由输入值、作用函数和阈值决定.(图一)

该模型由三层神经元组成:输入层、隐含层和输出层,不同层之间的神经元采用全互联方式,同一层的神经元之间不存在互相连接。输入层为经过标准化处理的各评价指标值,输出层只有一个神经元。

BP算法对评估体系进行辨识模拟,其基本思想是最小二乘法,采用梯度搜索技术,以期使网络的实际输出值与期望输出值的误差均方值最小,网络的学习过程是误差一边向后传播一边修正加权系数的过程,故可用其对模拟教学质量评估体系进行识别.

设网络的输入向量其中X是模拟教学质量评估系统各个指标体系.由于输入样本为29维的输入向量,因此这里n=29.网络的隐含层为:;其中,{}为权系数;a()为系统的传递函数或激励函数.网络的输出层为: 其中,是神经往来系统的输出变量;{}为权系数.设准则函数为:BP算法可使性能指标最小化,为了保证系统的全局稳定性,把被辨识模拟对象的实际输出Y作为反馈信号灯,将其与神经网络辨识模拟器的输出比较,使,其中为一个很小的数,如果不满足要求,则不断调整权系数,以达到期望要求.根据反向传播计算公式,可得如下权系数学习规律.其中为学习修正率0≤1.

四、高职模拟项目教学质量“三部曲式”模式的实现

网络结构及算法确定以后,需要利用样本数据通过一定的学习规则训练,以提高网络的适应能力.由1分析此模式的实现采用BP三层网络结构,利用软件MATLAB建模型,输入层29个神经元,隐含层27个神经元,输出层1个神经元,训练步数50,目标误差为0.001,网络训练次数100次.

五、结束语

通过BP神经网络测试结果进行分析,证明模拟项目教学质量“三部曲式”指标体系及神经网络评估模式是科学、合理的,可操作的,它克服了以往教学评估中的主观性较强的缺点.而这种模式的应用为高职院校模拟项目教学质量评估提供一种新的思路和新的评估方法.

参考文献:

神经网络的实现篇10

1　引言

神经网络是近年来得到广泛关注的一种非线性建模预报技术。它具有自组织、自学习、自适应和非线性处理、并行处理、信息分布存储、容错能力强等特性，对传统方法效果欠佳的预报领域有很强的吸引力。基于神经网络的非线性信息处理方法已应用于军事信息处理及现代武器装备系统的各个方面，并有可能成为未来集成智能化的军事电子信息处理系统的支撑技术。该技术在一些先进国家已部分形成了现实的战斗力。

    船舶在波浪中航行，会受到风、浪和流的影响，因而将不可避免地发生摇荡运动。严重的摇荡会使船员工作效率下降、物品损坏、军舰的战斗力下降。如果能够预知未来一段时间船舶的运动情况，不仅有利于尽早采用先进控制算法控制舰载武器平台隔离船舶运动的影响，使其始终稳定瞄准目标，而且还可获得未来一个海浪周期内的船舶运动情况，以研究船载武器上层的控制策略，从而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶运动的短期预报。此外，如能有效准确地预报船舶的横摇运动，对于提高船舶的耐波性和适航性也有重要意义。

国内外学者也将神经网络用于船舶运动预报研究，但往往没有考虑实时性等实现问题，因而不能实用化。神经网络实现技术是神经网络研究的一个重要方面。神经网络实现可分为全硬件实现和软件实现两种。目前神经网络的实现还主要以软件模拟为主，由于现行的冯诺曼计算机体系结构不能实现并行计算，因而神经网络软件的实时应用还受到一定限制。

目前，一些著名集成电路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模拟或数字神经网络芯片，这些芯片无论在网络规模还是运行速度上都已接近实用化的程度，因而给神经网络应用的发展以极大的推动。由于舰载武器系统，需选用具有在片学习功能的神经网络芯片，即将网络训练所需的反馈电路及权值存储、计算和修正电路都集成在了一个芯片，因而可实现全硬件的、具有自学习能力的神经网络系统，也可以说，这是一种具有自适应能力的神经网络。

2 ZISC78的功能及工作原理

ZISC78是由IBM公司和Sillicon联合研制的一种低成本、在线学习、33MHz主频、CMOS型100脚LQFP封装的VLSI芯片，图1所示是ZISC78的引脚排列图。ZISC78的特点如下：

内含78个神经元；

采用并行结构，运行速度与神经元数量无关；

支持RBF／KNN算法；

内部可分为若干独立子网络；

采用菊花链连接，扩展不受限制；

具有64字节宽度向量；

L1或LSUP范数可用于距离计算；

具有同步／异步工作模式。

2．1 ZISC78神经元结构

ZISC78采用的神经元结构如图2所示，该神经元有以下几种状态：

(1)休眠状态：神经网络初始化时，通常处于这种状态。

(2)准备学习状态：任何时侯，神经网络中的神经元都处于这种状态。

(3)委托状态：一个包含有原型和类型的神经元处于委托状态。

(4)激活状态：一个处于委托状态的神经元，通过评估，其输入矢量处于其影响域时，神经元就被激活而处于激活状态。

(5)退化状态：当一个神经元的原型处于其它神经元类型空间内，而大部分被其他神经元类型空间重叠时，这个神经元被宣布处于退化状态。

    2．2 ZISC78神经网络结构

从图3所示的ZISC78神经网络结构可以看出，所有神经元均通过“片内通信总线”进行通信，以实现网络内所有神经元的“真正” 并行操作。“片内通信总线”允许若干个ZISC78芯片进行连接以扩大神经网络的规模，而这种操作不影响网络性能。

ZISC78片内有6 bit地址总线和16 bit数据总线，其中数据总线用于传输矢量数据、矢量类型、距离值和其它数据。

2．3 ZISC78的寄存器组

ZISC78使用两种寄存器：全局寄存器和神经元寄存器。全局寄存器用于存储与所有神经元有关的信息，每片仅有一组全局寄存器。全局寄存器组中的信息可被传送到所有处于准备学习状态和委托状态的神经元。神经元寄存器用于存储所属神经元的信息，该信息在训练学习操作中写入，在识别操作中读出。

2．4 ZISC78的操作

ZISC78的操作包括初始化、矢量数据传播、识别和分类等三部分。

初始化包括复位过程和清除过程。

矢量数据传播包括矢量数据输入过程和神经元距离计算过程。神经元距离就是输入矢量和神经元中存储的原型之间的范数。通常可选L1范数或Lsup范数：

其中，Xi为输入矢量数据，Xs为存贮的原型数据。

对于识别和分类，ZISC78提供有两种可选择的学习算法RBF和KNN。其中RBF是典型的径向基函数神经网络。在该RBF模式下，可输出识别、不确定或不认识的状态；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影响域总被设为1，输出的是输入向量和存储原型之间的距离。需要指出的是，ZISC78具有自动增加或减小神经元个数以适应输入信号的分类和识别功能，神经元个数的最大值和最小值在全局寄存器组中设定。

2．5 ZISC78的组网

一个ZISC78芯片内可以通过寄存器操作定义若干个独立的网络。若干个ZISC78芯片通过层叠可以组成一个更大的神经网络，组网芯片数量没有限制，小于10个ZISC78组网时，甚至连电源中继器件也不需要。所以，ZISC78具有最大的灵活性，能够满足不同的需要。

3　仿真实例

为了验证ZISC78用于船舶运动实时预报的精度，本文对径向基函数神经网络预报进行了仿真，图4给出了基于径向基函数神经网络和船舶运动惯导实测信号预报的0．3秒（15步）误差曲线图。

通过以惯导实测数据ZHX＿lg．dat为例预报0．3秒（15步）以后的船舶运动，作者运用相空间重构理论已经判断出本数据为非线性信号。

该仿真的最大预报误差方差为6．4666e－004，该数据可以满足战技指标。

4　结束语