人工神经网络原理及其应用探究

人工神经网络原理及其应用探究

王象

牡丹江市第一高级中学黑龙江牡丹江157021

摘要：在人工智能领域内，人工神经网络是一种运算模型，由大量的节点之间相互联接构成，目的是模拟人类的神经系统，目前已经广泛地应用在智能分析、回归、拟合等多个技术领域。本文从人工神经网络的概念讲起，介绍了有关人工神经网络的相关知识，分析了BP、RBF、SOM、DNN等不同人工神经网络的工作原理，介绍了各类神经网络在部分领域的应用，最后对人工神经网络的应用做出了展望。

关键词：人工神经网络；非线性；股市预测；图像识别

1.引言

人工神经网络（ANN）是对人类大脑认知能力的研究和模拟，主要过程是模拟人类神经系统工作的计算机网络系统，以期完成各种非线性任务。在人工智能体系中，神经网络在20世纪80年代成为研究热点，近年来取得重大进展，现在已成为计算系统最为活跃的分支之一，在经济学、医学、生物学、人工智能、语音识别等领域解决了单一计算机系统难以解决的问题。人们一直在追求电脑的智能化，现在，人工神经网络的应用已经细化到多领域的各个领域，如图像及人脸识别的应用，股票走势分析及预测，水文分析，燃气管道泄漏分析等等。[1]

2.人工神经网络概述

2.1人工神经网络定义

人工神经网络是由生物学的神经系统演变而来，是从信息处理角度把人的大脑神经元网络进行抽象处理建立模型，且神经元之间相互连接的权重值不同，从而达到分布式处理信息的目的。神经元相互连接组成各种网络，把数据信息并行处理，人工神经网络是当今大数据时代分析、处理大数据的有效方法。

2.2人工神经网络特征

人工神经网络具有以下基本特征：

（1）非线性。自然界中的各种现象都显示出高度非线性的特征，人脑的多种神经元通过互相连接可以处理这种高度非线性的网络，神经网络要完成各种任务也必须有这种特征，映射是其重要特征。在应用的中，通过设计输入输出阀值，使得神经网络具有更广泛的输入输出域，从而提高了系统的容错性和存储的容量。

（2）并行性和非局限性。一个神经网络通常由多个神经元的广泛连接而成。每个神经元之间相互连接、相互作用，形成一个整体，模拟大脑并行、非局限处理数据，同时其边界也是不可预测的。

（3）自学性。神经网络在处理各种不断变化的输入信息同时，具有非线性的系统本身能根据数据情况选择性补充系统，使系统不断地变化。

（4）联想和记忆性。神经网络可以根据工作要点，在输入端特定的记忆模式里记住输入信息，处理时可根据经验值过滤不完整、偏离值大的片段，经处理后，获得准确的输入输出信息。

2.3人工神经网络的工作方式

人工神经网络的神经元处理单元可以表示多种差异较大的对象，如概念、特征、描述等等有意义的抽象模式。神经元的连接强度由神经元之间的连接权值大小决定，权值的大小会在学习和训练中后发生改变，以适应周围环境的变化要求。人工神经网络和人脑的工作方式极为相似，不是按照给定程序按步骤一步步执行运算，而是能够分析环境、适应环境、完成复杂的运算、识别和控制。人工神经网络的设计者，首先需要制定学习准则，系统根据准则进行学习，然后才能工作。不仅仅能够学习，人工神经网络还能够发展知识，以至于超过原有设计者制定的知识水平。可以根据给定的样本标准进行分类和模仿，还可以根据某种规则随系统所在环境自动发现样本的特征和规律。

3.典型神经网络分类

（1）BP(BackPropagation)神经网络是一种神经网络学习算法，是一种按误差反向传播训练的多层前馈网络，能系统解决多层网络神经隐含层连接权值问题。BP网络中的处理单元类型可分为三个类型：输入单元、输出单元和隐藏单元，其网络模型如图1所示。外部的数据与信号由输入单元接收，输出的结果由输出单元输出给外部，隐藏单元是输入、输出单元的中间部分，对输出单元来说是透明部分。正向计算和反向计算是BP神经网络的两个计算过程，正向传播时，信息从输入层经隐藏单元逐层处理，向输出层运动并输出结果。如果输出层不能得到期望的输出结果，系统转入反向传播，把误差信号按照原来的连接路径返回，按照固有算法修改神经元权值，使输出值的误差最小。[2]BP神经网络是前向网络的核心部分，大多数的神经网络模型采用的都是BP网络和它的变化形式，它体现了人工神经网络的精华。

图1BP神经网络工作模型

值得注意的是，基于BP神经网络的深度神经网络在当今的云计算及大数据处理中应用广泛，是一种典型的机器学习算法。

（2）RBF（RadicalBasisFunction）即径向基函数神经网络，是一种高效的前馈式神经网络结构简单，其结构和BP网络类似，但是由于信号传递机制不同所以导致其功能有所不同。其特点是训练简洁、学习收敛速度快，全局拟合性能优秀，是一种广泛应用于模式识别等领域的神经网络模型。[3]

（3）SOM（SelfOrganizingMaps）即自组织映射神经网络，由输入层和竞争层两层网络结构。网络通过自身训练，能自动对输入模式进行分类。它模拟神经元的动力学原理来指导网络的学习与工作，竞争层的神经元竞争对输入模式的响应机会，仅有一个神经元成为竞争的胜者。

（4）DNN（DeepNeuralNetwork）即深度神经网络是一种无监督、含有多隐含层的神经网络，有特定的结构和训练方式，将上层的输出结果作为下层的输入进行特征学习。深度神经网络采用逐层预训练的训练机制，而不采用反向训练机制。[4]

4.人工神经网络应用

半个世纪以来，人工神经网络得到了快速发展，理论和技术基础达到了一定的规模，应用的领域不断扩大，主要有语音识别、图像识别、智能控制、优化计算、系统分析、智能推理等。

4.1股市预测

人工神经网络良好的复杂数据处理能力和非线性逼近能力，能够根据股票的历史数据，建立以股票价格为核心内容走势模型，它的学习和适应的特性，客服了很多股票预测方法的局限性，因此使用人工神经网络预测股市，具有得天独厚的优势。基于PCA-SVM（主分量分析-支持向量机）算法的BP神经网络股票预测模型，是较为成熟的一种预测方式。神经网络信息处理过程如下：采集样本数据集合，对数据进行归一化处理，应用主成分分析法，提取累计贡献率达到90%以上的主要成分作为输入变量；选取训练样本和测试样本，将训练样本应用到SVM中进行回归训练学习；将测试样本输入训练好的SVM回归模型中，并输出预测结果，计算预测精度以及拟合优度。

4.2图像处理

图像处理是计算机视觉技术中的重要组成部分，深度学习的卷积神经网络在图像处理上比传统的方法具有更大的优势，在图像识别方面，通过局部感受野抽象提取原始图像特征，对图像进行分类。系统自学习后，形成具有很好通用性和泛化能力的模型，运用到新图像的识别中。

4.3机器翻译

传统的语言翻译依靠于语言的分割和字符的匹配，但是由于自然语言具有其特定的多义性，这种机械的翻译形式对一些生僻语句往往是直译，其意思和原有意思有较大差别。神经网络应用于翻译，主要是通过特定的序列变换网络来实现的，此网络可以将语言序列从一个顺序转化为另外一个顺序的序列，随后进行模式匹配，最终完后语句的翻译。大量的语言数据翻译显示，其语言表达的正确率有显著提升。

5.结语

随着技术的不断完善，现在人工神经网络已经学会驾驶汽车、绘画、下围棋等技能，同时可喜的是围棋界公认AlphaGo已经超越了人类水平，可以预见的是，神经网络是未来人工智能中不可缺少的一大重要拼图。人工神经网络与现代前沿科学技术紧密结合，极大促进了科学技术的发展，在大数据时代更能体现出数据处理并行性和数据存储分布性的优越。但是，不可否认的是，网络结构的复杂度、过拟合以及计算能力的缺陷等问题还阻碍着神经网络的进一步发展，如何解决这些问题，还需要学术界进一步的研究。

参考文献

[1]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40(6):1229-1251.

[2]周朴雄，张兵荣，赵龙文.基于BP神经网络的情境化信息推荐服务研究[J].情报科学，2016，V36(3):71-75.

[3]范九伦，伍鹏.基于RBF神经网络的网络安全态势预测方法[J].西安邮电大学学报，2017，22(2):7-11.

[4]张海楠，伍大勇，刘悦，等.基于深度神经网络的中文命名实体识别[J].中文信息学报，2017，31(4):28-35.