時間：2023-05-30 10:16:39
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇神經網絡，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
人工神經網絡是由大量的簡單基本元件-神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。人工神經網絡的基本結構模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應環境、總結規律、完成某種運算、識別或過程控制。人工神經網絡具有并行處理特征，可以大大提高工作速度。
人工神經網絡的特點和優越性，主要表現在三個方面：
第一，具有自學習功能。
第二，具有聯想存儲功能。
第三，具有高速尋找優化解的能力。
1 神經網絡的學習方法
神經網絡的學習也稱為訓練，指的是神經網絡在外界環境的刺激作用下調整網絡自由參數，并以新的方式來響應外部環境的過程。能夠從環境中學習并在學習中提高自身性能是神經網絡最有意義的性質。理想情況下，神經網絡在每一次重復學習后，對它的環境有了更多的了解。
（1） 監督學習（有教師學習）
在學習時需要由教師提供期望輸出，通常神經網絡對于周圍的環境未知而教師具有周圍環境的知識，輸入學習樣本，教師可以根據自身的知識為訓練樣本提供最佳逼近結果，神經網絡的自由參數在誤差信號的影響下進行調整，其最終目的是讓神經網絡模擬教師。
（2） 非監督學習（無教師學習）
它也稱為自組織學習，系統在學習過程中，沒有外部教師信號，而是提供給一個關于網絡學習性質的度量，它獨立于學習任務，以此尺度來逐步優化網絡，一旦網絡與輸入數據的統計規律達成一致，那么它將發展形成用于輸入數據編碼特征的內部表示能力，從而自動創造新的類別。
（3）強化學習（激勵學習）
在強化學習系統中，對輸入輸出映射的學習是通過與外部環境的不斷交互作用來完成學習，目的是網絡標量函數值最小，即外部環境對系統輸出結果只給出評價信息（獎或罰）而不是給出正確答案，學習通過強化那些受獎的動作來改善自身性能。
神經網絡針對學習問題修改網絡自由參數的過程稱為學習規則（學習算法），設計學習規則的目的是訓練網絡來完成某些任務，沒有一個獨特的學習規則可以完成所有的學習任務。神經網絡有5個基本的學習規則：誤差--修正學習，基于記憶的學習，Hebb學習，競爭學習，隨機學習。
2 神經網絡的研究趨勢
（1） 利用神經生理與認知科學研究大腦思維模式及智能機理過程
深入研究神經網絡理論神經網絡在一定程度上揭示人類智能和了解人腦的工作方式，由于人類對神經系統的了解非常有限，而且對其自身腦結構及其活動機理的認識不完善，故而神經網絡只能是模仿人腦的局部功能，而對人腦作為一個整體的功能解釋，神經網絡起不到任何作用。神經科學，心理學和認識科學等方面提出的一些重大問題，是向神經網絡理論研究提出的新挑戰，這些問題的解決有助于完善和發展神經網絡理論，因此利用神經生理和認知科學研究大腦思維及智能機理，如有新的突破將會改變智能和機器關系的認識。
（2） 神經網絡領域的數學研究趨于重要
隨著神經科學基礎理論研究的深入，用數理方程探索智能水平更高網絡模型將是研究的趨勢所在，神經元以電為主的生物過程在認識上一般采用非線性動力學模型，其動力演變過程往往是非常復雜的，神經網絡這種強的生物學特征和數學性質，要求有更好的數學手段，而對于神經網絡這樣非線性模型，需要用數學方法研究網絡新的算法和網絡性能，如穩定性、收斂、容錯性、魯棒性等，開發新的網絡數理理論，如神經動力學、非線性神經場等。研究人員斷言一種更簡潔、更完善和更有效的非線性系統表達與分析的數學方法是這一領域主要目標之一。
（3） 神經網絡軟件模擬、硬件實現的研究以及神經網絡在各個科學技術領域應用的研究
目前，數字計算機在計算方面的能力已遠遠超出入的大腦，但在自然語言理解、圖像辨識、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計算機結構及其運算方式與人的大腦有本質的區別，而神經計算機（第六代計算機）以神經網絡為理論基礎，用于模擬神經網絡，具有自學習、自組織和自適應能力，能更有效地處理復雜問題，其實現過程用光學、生物芯片的方式，現在光學神經計算機和分子計算機的研究是神經網絡的前沿課題。
（4） 神經網絡和其它算法結合的研究
神經網絡和其它算法的結合和交叉，研究新型神經網絡模型也是發展方向之一。如神經網絡和模糊邏輯結合，建立模糊神經網絡；將混沌理論和神經網絡結合建立混沌神經網絡；將遺傳算法和神經網絡結合；利用遺傳算法優化神經網絡的結構或權值；將小波分析和神經網絡結合建立小波神經網絡；專家系統，貝葉斯學習以及粗糙集理論和神經網絡結合等，這些都是神經網絡研究的熱點。
3 結束語
神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。比如：神經計算的基礎理論框架以及生理層面的研究仍需深入；新的模型和結構的研究；神經網絡的可理解性問題；神經網絡技術與其他技術更好的結合等。
關鍵詞：神經網絡 車輛跟馳 智能系統
中圖分類號：U491 文獻標識碼：A 文章編號：1007-9416（2016）12-0081-01
引言
微觀模型越來越多的被應用于評估新的智能運輸系統。車輛跟馳模型就是其中之一[3]。車輛跟馳模型基于這樣的假設：后車司機受到一系列變量的影響，車輛的行駛受到人的影響最大，所以建立模型實際上就是將人的駕駛技巧轉化成智能系統。為了得到高保真度的微型仿真，人們主要是研究戰術層面的行為。
1 神經網絡的應用
人工神經網絡（Artificial Neural Networks， ANN），一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型[1]。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入-輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。
2 車輛跟馳行為分析
人的駕駛行為可以分為三個層次：分別是：戰略、戰術和具體操作。戰略的駕駛行為主要是路線的規劃，戰術的駕駛行為就是實現短期的目標，比如：超車，換道等，操作層面的駕駛行為就是具體的動作如：方向盤旋轉，剎車行為等。車輛跟馳行為具有很強的非線性特性[2]。
ANN（artificial neural networks）可以用來解決復雜和不明確的問題。
基于數據的學習可以提取出數據中輸出與輸入之間的關系，它們之間的關系是復雜的、非線性的、難以精確獲得的。而神經網絡可以通過學習提取出數據之間蘊藏的規律，以較高的精度來預測將來的數據。
對車輛跟馳行為更加精確的模擬應該考慮到人反應的非線性和人感知的局限性。也就是說，駕駛員不能精確地感知相對速度和距離，做出決定的過程是非線性的。人工神經網絡可以找到駕駛員感知到的變量和駕駛員控制動作變量之間的映射關系。這使得神經網絡系統可以模擬和預測駕駛員的行為。
3 數值仿真
訓練時，實驗選取了27組輸入變量（每組輸入變量有三個元素），每組輸入變量會有一個理想輸出。也就是說，一共有27個輸出值構成了一個行向量。用來檢測的輸入向量輸入到訓練好的神經網絡中，同樣輸出27個元素的行向量。在MATLAB中畫出這兩個向量，進行比較，得出訓練效果。圖1表示訓練值與理想值的偏差，誤差絕對值可控制在30個單位之齲圖2表示預測值與實際值的位置坐標。
4 結語
本文針對傳統車輛跟馳模型存在的預測不準確，計算繁雜，實用性不高等缺點，提出了基于神經網絡的車輛跟馳模型，首先分析了神經網絡的應用原理和領域，其次分析了神經網絡在車輛跟馳模型上應用的可行性，最后通過MATLAB數值仿真驗證理論的正確性，證明了神經網絡的方法可以提高模型預測的準確性。
參考文獻
[1]韓立群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006：20-25，87.
關鍵詞：石蠟氧化；神經網絡；學習速率；模擬誤差
中圖分類號：TQ031 文獻標識碼：A 文章編號：1009-2374（2011）31-0074-02
人工神經網絡是由大量的很簡單的處理單元廣泛聯接構成的復雜網絡系統。它可分為有監督模式和無監督模式兩大類。有監督模式的典型代表是誤差反向傳播BP神經網絡，該網絡通過對網絡的訓練達到函數逼近、模式識別、分類、數據壓縮的目的。另外，它在處理非線性問題上也有明顯的優越性。具有自學習能力，能從有限的樣本學習知識然后預測未知信息，因此有著廣泛的應用領域。在石蠟氧化工藝參數的確定過程中，存在著多因數配合試驗的問題。若采用正交試驗的方法對反應條件進行分析，無論從精度上還是推廣能力上都存在一定的弊端。本文利用BP神經網絡將氧化蠟的酸值和酯值與石蠟氧化條件（反應溫度、空氣流量和反應時間）進行關聯，建立了石蠟氧化的神經網絡模型，并用該模型對其氧化行為進行了預測。
一、BP神經網絡模型的建立
本文采用三層前饋型BP神經網絡，分別是輸入層、輸出層和隱含層。
（一）隱含層神經元個數的選擇
在石蠟氧化神經網絡的設計過程中，隱含層神經元個數，網絡學習速率和網絡收斂精度是三個最重要的參數。隱含層神經元個數決定BP網絡的結構，是神經網絡設計的核心。以下的12組試驗數據顯示了隱含層神經元對網絡精度的影響。
從圖中可以看出神經元在7、8、10處都有較好的精度，最終選擇的是8個神經元。原因在于結合皂化值試驗誤差必定大于酸值誤差這一事實。由此最終篩選出只有8個神經元結構唯一符合要求。
（二）學習速率的選擇
網絡學習速率一方面決定了網絡的訓練速度，另一方面決定了訓練的質量。對于平滑度和指數關系較好的規律識別可以采用相對較小的學習速率以獲得較高質量的網絡。對于石蠟氧化BP神經網絡的設計采取了中等學習速率的神經網絡，是考慮到了試驗誤差作用和網絡收斂速度的可行性。
精度 網絡學習
由下圖可知，網絡學習速率一般在范圍0.001～0.01之間為宜。若學習速率設置太大，則網絡誤差明顯上升。
二、網絡模型的訓練
根據石蠟在不同反應條件下進行氧化所得到的實驗數據，作為訓練樣本對神經網絡進行訓練。
1．初始化。設置網絡的初始值，精度要求，樣本個數等。
2．網絡訓練。根據訓練樣本的值，采用BP算法訓練修正網絡的權值，直到滿足精度要求為止。
三、網絡模型的預測
以上數據可以看出所用的神經網絡性能還是比較好的。因此，可以肯定以上分析的可靠性。
四、結論
1．本文所建立的石蠟氧化的神經網絡模型具有很好的數據擬合能力。
2．利用本文所建立的石蠟氧化的神經網絡模型預測石蠟氧化反應規律，符合石蠟的氧化反應機理和反應規律，表明該模型具有滿意的預測能力。
參考文獻
[1] 張曉彤，等．BPNN在改性石蠟滴熔點預測中的應用[J]．遼寧石油化工大學學報，2004，（1）．
[2] 董長虹．Matlab神經網絡與應用[M]．國防工業出版社，2005．
關鍵詞：相似性；可塑性；阻變機理
DOI：10.16640/ki.37-1222/t.2016.03.102
0 引言
人工神經網絡是一種旨在模仿人腦結構及其功能的信息處理系統。神經元之間突觸的聯系強度是可變，這是學習和記憶的基礎。人工神經網絡可以通過“訓練”而具有自學習和自適應的能力。神經網絡技術的關鍵是權重設計，權重的硬件實現需要一個長期保持記憶且不耗能的納米級元件。傳統的人工神經網絡技術都是在傳統計算機基礎上進行的，其主要缺點是運算量巨大且運算不是并行處理。如果在硬件上實現人工神經網絡的并行分布式處理、非線性處理，自我學習功能和自適應性等功能，就能夠解決了人工神經網絡在傳統計算機上運算量巨大的缺點。而單個憶阻器便可實現神經突觸功能的模擬，而且憶阻器能夠很容易與納米交叉連接技術相結合，具有大規模并行處理、分布式信息存儲、巨大存儲量等優勢。所以利用憶阻系統是人工神經網絡實現神經突觸功能的模擬的最好的方式之一，因而成為近年來研究的熱點。
1 憶阻與神經突觸的相似性
神經元是大腦處理信息的基本單元。人腦大約含有1011-1012個神經元，神經元互相連接成神經網絡。突觸是神經元間信息傳遞的關鍵部位，決定了前后神經元之間的聯系強度。圖1.神經突觸的結構示意圖。神經遞質通過突觸前膜釋放到突觸間隙，作用于突觸后膜上的受體，使突觸后膜發生電位變化，使下一個神經元產生興奮或抑制。生物系統記憶和學習功能是以精確控制通過神經元及突觸的離子流為基礎建立的。突觸能夠隨外界的電位刺激變化，粒子流產生動態連續的變化，聯系強度增強或者減弱，即突觸的可塑性。在憶阻器件出現之前，人工神經網絡突觸的的硬件實現需要集成電路甚至超大規模的集成電路，而且人工神經網絡的密度也很難達到生物神經網絡的密度，因而電路復雜體積龐大，制約了人工神經網絡對于復雜的人腦功能模擬的實現。憶阻器的出現解決了這個問題，世界各地多個研究小組已實現了具有不同憶阻模型和憶阻特性的憶阻器件。由于憶阻器的電阻可變和電阻記憶特性，與突觸的功能上有很強的相似性，因此憶阻在人工神經網絡電路中可以模擬突觸在生物神經網絡中的作用。
2 神經突觸的可塑性特性
神經突觸一個重要的特征是突觸的可塑性，電信號刺激能夠加強或者弱化突觸，突觸連接強度可連續調節。利用憶阻器模擬生物突觸最基本的依據是由于它具有電阻緩變的特性，當施加電壓下器件的阻值可實現從高（低）阻值到低（高）阻值的緩變過程，器件的導電性（或阻值）相當于突觸權重，導電性增大和減小的過程分別對應突觸的增強和抑制過程。記憶是通過大腦中大量突觸之間的相互連接所表現出來，因此，突觸可塑性被認為是學習和記憶重要的神經化學基礎。實現突觸學習功能時，一個典型特性是電脈沖時間依賴可塑性（STDP）。人類大腦中記憶或者突觸可塑性按保留時間可以分為短程記憶和長程記憶。短時程可塑性與神經元的信息傳遞和處理有著密切的關系。神經系統每時每刻都接受數以千計來自外界的刺激，短時可塑性對如何在大量的輸入信息中提取有用信息扮演重要角色。長時程可塑性促使突觸在數小時到數天之內發生持續性的變化，人們認為其在學習和記憶存儲的突觸機制中發揮重要作用。
3 憶阻器件的阻變機理
早在1971年，美國校華裔科學家蔡少棠就通過理論計算預言，在電阻、電容和電感之外必定存還在第四種無源電子元件，即憶阻器。如圖3所示，電路的3個基本元件電阻、電感和電容，可以分別有由4個電路變量變量電壓（v）、電流 （i）、電荷量（q）和磁通量（φ）中的兩個來定義，分別為：由電壓和電流定義的電阻R、由電荷和電壓定義的電容 C 以及由磁通量和電流定義的電感L。出于邏輯完備性，蔡紹棠認為應該還存在由電荷量和磁通量定義的第4類基本電路元器件即憶阻器。然而學界卻一直沒有找到這個在理論上成立的無源元器件，直到37年后（2008年），美國惠普公司宣布在Pt/TiO2Cx/Pt兩端器件實現了具有憶阻功能的器件結構（圖4），從而找到這個一直缺失的電路元件，至此憶阻器開始引起更多學者的研究興趣，并迅速成為電路、材料、生物等領域的研究熱點。
隨著人們對憶阻器研究的深入，多種憶阻器件和模型在各研究領域相繼提出和實現。目前，阻變機理主要有邊界遷移模型、絲電導模型、電子自旋阻塞效應、氧化還原反應等。中科院諸葛飛課題組在錐形納米孔洞結構的非晶碳薄膜材料中，實現了納米導電絲機制的憶阻器件。非晶碳膜阻變器件的電致電阻效應決定于通孔中的納米導電細絲的通斷（如圖4）。
4 結論與展望
本文對神經網絡的概念、憶阻器與神經突觸的相似性、神經突觸的可塑性、憶阻器的阻變機理進行了綜述，指出了目前很多憶阻器是利用人工神經網絡實現人工智能及超級計算機的硬件基礎。目前憶阻器材料研究存在的兩個主要問題是阻 變機理不夠清楚和阻變性能不夠穩定。憶阻器材料非常之多，甚至把任意絕緣材料做到納米級，就很有可能具有阻變特性。找出隱藏在眾多阻變現象之后的機理有無共同的規律，研究阻變特性是由材的化學成分決定還是由材料的微 觀結構決定，這將是以后研究中需要回答的問題。
關鍵字神經網絡，BP模型，預測
1引言
在系統建模、辨識和預測中，對于線性系統，在頻域，傳遞函數矩陣可以很好地表達系統的黑箱式輸入輸出模型；在時域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過各種參數估計方法也可以給出描述。對于非線性時間序列預測系統，雙線性模型、門限自回歸模型、ARCH模型都需要在對數據的內在規律知道不多的情況下對序列間關系進行假定。可以說傳統的非線性系統預測，在理論研究和實際應用方面，都存在極大的困難。相比之下，神經網絡可以在不了解輸入或輸出變量間關系的前提下完成非線性建模[4，6]。神經元、神經網絡都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預測方法有機結合具有很好的發展前景，也給預測系統帶來了新的方向與突破。建模算法和預測系統的穩定性、動態性等研究成為當今熱點問題。目前在系統建模與預測中，應用最多的是靜態的多層前向神經網絡，這主要是因為這種網絡具有通過學習逼近任意非線性映射的能力。利用靜態的多層前向神經網絡建立系統的輸入/輸出模型，本質上就是基于網絡逼近能力，通過學習獲知系統差分方程中的非線性函數。但在實際應用中，需要建模和預測的多為非線性動態系統，利用靜態的多層前向神經網絡必須事先給定模型的階次，即預先確定系統的模型，這一點非常難做到。近來，有關基于動態網絡的建模和預測的研究，代表了神經網絡建模和預測新的發展方向。
2BP神經網絡模型
BP網絡是采用Widrow-Hoff學習算法和非線性可微轉移函數的多層網絡。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法。現在有許多基本的優化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經網絡包括以下單元：①處理單元(神經元)（圖中用圓圈表示），即神經網絡的基本組成部分。輸入層的處理單元只是將輸入值轉入相鄰的聯接權重，隱層和輸出層的處理單元將它們的輸入值求和并根據轉移函數計算輸出值。②聯接權重(圖中如V,W)。它將神經網絡中的處理單元聯系起來，其值隨各處理單元的聯接程度而變化。③層。神經網絡一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網絡能更自由地獲取所要描述的函數關系。⑤轉移函數F。它是將輸入的數據轉化為輸出的處理單元，通常為非線性函數。
2.1基本算法
BP算法主要包含4步，分為向前傳播和向后傳播兩個階段：
1）向前傳播階段
（1）從樣本集中取一個樣本（Xp，Yp），將Xp輸入網絡；
（2）計算相應的實際輸出Op
在此階段，信息從輸入層經過逐級的變換，傳送到輸出層。這個過程也是網絡在完成訓練后正常運行時的執行過程。
2）向后傳播階段
（1）計算實際輸出Op與相應的理想輸出Yp的差；
（2）按極小化誤差的方式調整權矩陣。
這兩個階段的工作受到精度要求的控制，在這里取作為網絡關于第p個樣本的誤差測度，而將網絡關于整個樣本集的誤差測度定義為。圖2是基本BP算法的流程圖。
2.2動態BP神經網絡預測算法
在經典的BP算法以及其他的訓練算法中都有很多變量，這些訓練算法可以確定一個ANN結構，它們只訓練固定結構的ANN權值（包括聯接權值和結點轉換函數）。在自動設計ANN結構方面，也已有較多的嘗試，比如構造性算法和剪枝算法。前一種是先隨機化網絡，然后在訓練過程中有必要地增加新的層和結點；而剪枝法則正好相反。文獻[2]中提出了演化神經網絡的理念，并把EP算法與BP進行了組合演化；也有很多學者把遺傳算法和BP進行結合，但這些算法都以時間復雜度以及空間復雜度的增加為代價。根據Kolmogorov定理,對于任意給定的L2型連續函數f:[0,1]nRm,f可以精確地用一個三層前向神經網絡來實現，因而可以只考慮演化網絡的權值和結點數而不影響演化結果。基于此，在BP原有算法的基礎上，增加結點數演化因子，然后記錄每層因子各異時演化出的結構，最后選取最優的因子及其網絡結構，這樣就可以避免由于增加或剪枝得到的局部最優。根據實驗得知，不同的預測精度也影響網絡層神經元的結點數，所以可根據要求動態地建立預測系統。具體步驟如下：
（1）將輸入向量和目標向量進行歸一化處理。
（2）讀取輸入向量、目標向量，記錄輸入維數m、輸出層結點數n。
（3）當訓練集確定之后，輸入層結點數和輸出層結點數隨之而確定，首先遇到的一個十分重要而又困難的問題是如何優化隱層結點數和隱層數。實驗表明，如果隱層結點數過少，網絡不能具有必要的學習能力和信息處理能力。反之，若過多，不僅會大大增加網絡結構的復雜性（這一點對硬件實現的網絡尤其重要），網絡在學習過程中更易陷入局部極小點，而且會使網絡的學習速度變得很慢。隱層結點數的選擇問題一直受到神經網絡研究工作者的高度重視。Gorman指出隱層結點數s與模式數N的關系是：s＝log2N；Kolmogorov定理表明，隱層結點數s＝2n＋1（n為輸入層結點數）；而根據文獻[7]：s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51[7]。
（4）設置結點數演化因子a。為了快速建立網絡，可以對其向量初始化，并從小到大排序[4，7]。
（5）建立BP神經網絡。隱含層傳遞函數用tansig，輸出層用logsig，訓練函數采用動態自適應BP算法，并制訂停止準則：目標誤差精度以及訓練代數。
（6）初始化網絡。
（7）訓練網絡直到滿足停止判斷準則。
（8）用測試向量對網絡進行預測，并記錄誤差和逼近曲線，評估其網絡的適應性。其適應度函數采取規則化均方誤差函數。
（9）轉到（5），選取下一個演化因子，動態增加隱含層結點數，直到最后得到最佳預測網絡。
3基于神經網絡的預測原理[4]
3.1正向建模
正向建模是指訓練一個神經網絡表達系統正向動態的過程，這一過程建立的神經網絡模型稱為正向模型，其結構如圖3所示。其中，神經網絡與待辨識的系統并聯，兩者的輸出誤差用做網絡的訓練信號。顯然，這是一個典型的有導師學習問題，實際系統作為教師，向神經網絡提供算法所需要的期望輸出。當系統是被控對象或傳統控制器時，神經網絡多采用多層前向網絡的形式，可直接選用BP網絡或它的各種變形。而當系統為性能評價器時，則可選擇再勵學習算法，這時網絡既可以采用具有全局逼近能力的網絡（如多層感知器），也可選用具有局部逼近能力的網絡（如小腦模型控制器等）。3.2逆向建模
建立動態系統的逆模型，在神經網絡中起著關鍵作用，并且得到了廣泛的應用。其中，比較簡單的是直接逆建模法，也稱為廣義逆學習。其結構如圖4所示，擬預報的系統輸出作為網絡的輸入，網絡輸出與系統輸入比較，相應的輸入誤差用于訓練，因而網絡將通過學習建立系統的逆模型。但是，如果所辨識的非線性系統是不可逆的，利用上述方法將得到一個不正確的逆模型。因此，在建立系統時，可逆性應該先有所保證。
4應用實例分析
以我國西南某地震常發地區的地震資料作為樣本來源，實現基于動態神經網絡的地震預報。根據資料，提取出7個預報因子和實際發生的震級M作為輸入和目標向量。預報因子為半年內M>=3的地震累計頻度、半年內能量釋放積累值、b值、異常地震群個數、地震條帶個數、是否處于活動期內以及相關地震區地震級。在訓練前，對數據進行歸一化處理。由于輸入樣本為7維的輸入向量，一般情況下輸入層設7個神經元。根據實際情況，輸出層神經元個數為1。隱含層神經元的傳遞函數為S型正切函數，輸出層也可以動態選擇傳遞函數。實例數據來自文獻[4]，將數據集分為訓練集、測試集和確定集。表1中的7×7數組表示歸一化后的訓練向量，第一個7表示預報因子數，第二個7表示樣本數。
表1歸一化后的訓練向量
在不同神經元數情況下，對網絡進行訓練和仿真，得到如圖5所示的一組預測誤差曲線。其中，曲線A表示隱層結點數為6時的預測誤差曲線，曲線B表示隱含層結點數為3時的預測誤差曲線，曲線C表示隱含層結點數為5時的預測誤差曲線，曲線D表示隱含層結點數為4時的預測誤差曲線。將五種情況下的誤差進行對比，曲線C表示的網絡預測性能最好，其隱含層神經元數為5，圖中曲線E表示的是隱含層結點數為15時的預測誤差曲線（文獻[4]中的最好結果）。同時也證明，在設計BP網絡時，不能無限制地增加層神經元的個數。若過多，不僅會大大增加網絡結構的復雜性，網絡在學習過程中更易陷入局部極小點，而且會使網絡的學習速度、預測速度變得很慢。
5結論
本文針對基本的BP神經網絡，提出了可動態改變神經元數（與精度相關）的BP神經網絡預測方法，可以根據實際情況建立預測系統。用此種方法可以建立最好的神經網絡，不會有多余的神經元，也不會讓網絡在學習過程中過早陷于局部極小點。
參考文獻
[1]YaoX,LiuY.FastEvolutionaryProgramming.inEvolutionaryProgrammingⅤ:Proc.5thAnnu.Conf.EvolutionaryProgram,L.Fogel,P.AngelineandT.Bäck,Eds.Cambridge,MA:MITPress,1996,451-460
[2]XinYao,YongLiu,ANewEvolutionarySystemforEvolvingArtificialNeuralNetworksIEEETRANSACTIONSONNEURALNETWORKS,VOL8,NO.31997，694-714
[3]潘正君，康立山，陳毓屏.演化計算[M].北京:清華大學出版社，1998
[4]飛思科技產品研發中心.神經網絡理論與實現.北京:電子工業出版社，2005
[5]蔡曉芬，方建斌.演化神經網絡算法.江漢大學學報，第33卷第3期，2005.9
關鍵詞：神經網絡 機械故障診斷 BP算法
引 言
隨著傳感器、信號處理和計算機等技術的發展，機械設備故障診斷技術正日趨完善，各國研究開發了一系列故障診斷理論和方法，并成功地應用于機械設備的狀態監測與故障診斷中。不過，工程實際中的問題往往較為復雜，尤其對于大型機械設備和復雜系統而言。由于設備結構龐大，影響性能的因素多，若還是用傳統方法很難得以解決，神經網絡技術的興起和發展恰為解決這類問題開辟了新的途徑。
神經網絡（Neural network， NN）或稱人工神經網絡，是近幾年發展起來的一門多領域的交叉學科，它是一種以物理上可以實現的器件，系統或現有的計算機來模擬人腦的結構和功能的人工系統。由于神經網絡具有自學習、自組織、聯想記憶及容錯等特點，可以較好處理不確定的、矛盾的、甚至錯誤的信息，因此在機械故障診斷領域受到廣泛關注。
BP網絡，即多層前饋神經網絡，因其采用誤差反向傳播算法（Error Back-Propagation，即BP算法） 而得名。BP算法結構簡單、易于實現。在人工神經網絡的實際應用中，80%～90% 的神經網絡模型是采用BP網絡或它的變化形式， 目前主要用于模式識別與分類、函數逼近、數據壓縮及預測等領域。
1、BP算法神經網絡模型
圖1所示為典型的帶有一個隱層的多層前饋模型（FNN），本文采用的是三層BP神經網絡模型，它由輸入層、隱層和輸出層組成。網絡的前饋意義在于每一層節點的輸入僅來自前面一層節點的輸出。對于輸入信號，先前向傳播到隱層節點，經過作用后，再把隱節點的輸出信息傳播到輸出節點，最后得到輸出結果。
（1）輸入層節點i（i=1，2，3…，n），其輸
出 等于輸入 ，將控制變量值傳到第二層。
（2）隱層節點j（j=1，2，3…，p），其輸入 ，輸出 分別為：
式中， 為隱層節點j與輸入層節點i 之間的連接權； 為隱層節點j的偏置（或閥值）；f為Sigmoid函數： 。
（3）輸出層節點k（k=1，2，3…，m），其輸入 ，輸出 分別為：
式中， 為輸出層節點k與隱層節點j之間的連接權； 為輸出層節點k的偏置（或閥值）。
對于給定的訓練樣本集（ ， …， ），p為樣本數（p=1，2， …，P），網絡運算結果與訓練樣本目標輸出之間的均方誤差可表示為：
式中， ；
p為樣本數； 為第p個樣本的第l個輸
出單元的目標輸出結果； 為第p個樣本的第l個輸出單元的網絡運算結果。
網絡學習訓練的過程包括網絡內部的前向傳播和誤差的反向傳播，其目的就是通過調節網絡內部權使網絡誤差最小化。對于多層前饋網絡中輸入層與隱層之間、隱層與輸出層之間的連接權通過反向誤差傳播BP學習算法來調節。
2、軸承故障與振動之間的關系
在石油機械設備中由滾動軸承受損引起的故障占有很大的比例。其表現為長時間運轉形成表面材料疲勞而出現點蝕、剝落或裂紋元件表面損傷故障。出現故障后，軸承部件振動加劇，在受載運行過程中，損傷點同與之相互作用的元件表面接觸時會產生一系列的沖擊脈沖力，其頻率稱為軸承元件的故障特征頻率。由于制造裝配誤差以及其他許多因素都會引起軸承振動，傳感器拾取的振動信號中除了損傷引起的沖擊性振動信號外，還包含了大量的其他振動信號。當損傷點比較微小時（如點蝕初期、微小裂紋等），這些周期性的沖擊信號往往淹沒在大量的背景噪聲中，如果直接進行頻譜分析，難以診斷出故障。為了把損傷引起的沖擊信號從原始信號中提取出來，本文采用以下提取算法，將故障特征頻率及參數提取出來，再通過神經網絡進行故障分類識別。
3、BP網絡在故障診斷中的應用
利用神經網絡進行軸承故障診斷，其程序流程見圖2
（1）特征參數的提取
軸承診斷中所用的狀態信號為振動信號，一般根據經驗抽取出一些反映軸承狀態的特征參數，以便進行狀態識別。本文選取均方根值、峭度指數、峰值指數、波形指數、脈沖指數和裕度指數作為軸承狀態特征向量。均方根值能反映振動總量，對 軸承的整體劣化有效，穩定性較好，但對早期故障信號不敏感；峰值
指標能較好地反映表面損傷類的故障，特別是對初期階段的表面剝落，非常容易檢測出來，波形指標主要反映頻率成分的增加。峭度指標、裕度指標和脈沖指標對于沖擊類故障比較敏感，特別是當故障早期發生時，它們有明顯增加；但上升到一定程度后，隨故障的逐漸發展，反而會下降，表明它們對早期故障有較高的敏感性，但穩定性不好。所以，為了取得較好的效果，常將它們同時應用，以兼顧敏感性和穩定性。
（2）網絡結構與狀態編碼
采用三層網絡結構形式，輸入層神經元個數為6，對應特征向量的6個元素，隱層神經元取作10個。為簡化起見，采用雙值輸出網絡，輸出層神經元設為2個，對應的狀態編碼為：正常（0，0），故障（0，1）
（3）網絡訓練
神經網絡的工作過程分為學習過程和應用過程兩部分，學習過程將訓練樣本輸入網絡，對其進行訓練，調配網絡權值，通過權值的不斷變化逐漸逼近期望輸出；應用過程則用已經調配好權值的網絡對實測試數據進行分類。在訓練之前應先對特征參數進行歸一化處理，歸一化處理的公式為：
其中，max為某一參數各組樣本的最大值；min為最小值。
經過歸一化處理后的數據利用BP網絡進行訓練，將該數據用作訓練樣本，作為輸入向量，經過網絡的輸入層、中間層以及輸出層，輸出的結果與目標目標進行比較，若所得誤差值在最大誤差允許的范圍內，則說明訓練達到了預期效果，結束訓練，若誤差不在最大誤差允許的范圍內，則通過BP網絡的反饋將數據重新轉入到輸入層，開始新一輪的循環。直至滿足要求，經過此神經網絡的訓練可以得到一組權向量值。將該組權向量值存入指定的文件中，以備下面的模式識別之用。
（4）模式識別
用同樣的方式將一組待識別的軸承的特征參數進行處理后作為網絡的輸入向量，用上一步訓練得到的權向量值進行網絡計算，此時在輸出層得到的向量值與期望值即目標向量相比較，在一定的誤差范圍內與哪一個接近，就認定該待識別軸承的狀態屬于那一種。從而判別出軸承的故障狀況。
4、診斷實例
從石油鉆機傳動箱上提取軸承振動數據。先測量完好軸承的數據，然后將軸承的內圈彈道上切割大小不等的溝槽，作為表面剝蝕和裂紋等故障。從采集到的原始振動數據集中提取10組用于訓練網絡，其中包括5組有故障的軸承和5組沒有故障的軸承的數據。提取的特征參數歸一化后的數據列于表1。由這10組數據訓練網絡得到一組權向量值。
從采集的原始數據集中隨機抽取8組數據，其中有軸承在完好狀態下采集到的，也有故障狀態下采集到的。在知道其狀態前提下利用BP網絡對其進行驗證，看是否可以做出正確判斷，判斷的依據初步定為，當期望值是1時，實際輸出應在（0.9，1）范圍內，當期望值為0時，實際值應在（0，0.1）范圍內，超出這個范圍則不能判斷其是否故障狀態，即BP網絡診斷失敗，網絡訓練不成功，需要重新進行學習訓練。此處采取的網絡訓練誤差值取的是0.01，由此網絡訓練得到的權值進行模式識別，驗證得到的結果見表2，五組是正常的，3組是有故障的。可以看出其與期望值相差非常小，完全可以在接受的范圍內。從而以驗證網絡的狀態分類能力。
表1 用作網絡學習的10組特征參數（已歸一化）（數據附后）
5、結論
通過BP神經網絡對軸承故障進行快速診斷，從而可以做到實時監測，發現問題可以及早進行處理，盡最大可能避免損失，這是其它監測方法所無法達到的效果，不足之處在于BP神經網絡自身還存在一些需要改進的地方，如中間層神經元數的確定問題缺乏理論根據，現在仍處于憑經驗來確定其個數的階段；另外，該法需要大量的與實際情況一致的訓練數據，用不同設備和不同狀態 下的數據訓練的網絡缺乏通用性。這一方法有待于進一步的成熟。
參考文獻
[1] 鐘秉林，黃 仁. 機械故障診斷學，北京：機械工業出版社，2002.
[2] 高雋. 人工神經網絡原理及仿真實例，北京-機械工業出版社，2003.
【關鍵詞】倒立擺； BP神經網絡； 穩定控制； 仿真
【Abstract】Neural network has outstanding adaptability and robustness. In the light of the inverted pendulum system is a complex， using BP neural network instead of traditional control method， control inverted pendulum device. Simulation experimental results show that， as long as the data and neural network hidden layer neurons number of appropriate amount of information， to better control effect. This paper describes the implementation process and method， and it can achieve control of the inverted pendulum device more smoothly.
【Key words】Inverted pendulum； BP neural network； Stability control； simulation
0 引言
倒立擺是一種高階次、不穩定性以及非線性的特點的控制裝置，是一種典型的強耦合系統，因此應該利用更有效的控制手段才能使倒立擺裝置達到穩定平穩狀態。該裝置可以通過小車的速率、擺桿角度和擺桿平穩時間長短等一些控制參數檢測及控制。倒立擺裝置是探究新型控制方式是否有效的實驗平臺。
近年來，人們不斷嘗試用倒立擺裝置作為典型的控制模型，來測試新的智能控制方式是否能解決系統中多變量、不穩定和非線性控制的問題，從而在其中尋求最佳智能控制方法。
倒立擺裝置的運動狀態類似于人的走路姿態。所以，倒立擺裝置在探究機器人的站立行走、飛船垂直發射進程的狀態調節和飛機的滑行控制具有明顯的作用。倒立擺裝置的探究，不僅有很強的理論作用，而且還具備更遠的現實意義。
1 倒立擺系統
一級倒立擺裝置如圖1所示。裝在小車上的倒立擺在水平力的作用下，通過控制小車的運動速度使偏轉角為0，即可使倒立擺直立起來。
圖1系統的符號的物理意義：M――小車質量；m――擺桿質量；g――重力加速度；θ――擺角大小；x――小車位移；F――水平推力。
BP神經網絡
BP神經網絡是一種按誤差反向傳播訓練的多層前饋網絡，其算法稱為BP算法，其基本思想是使用梯度下降法調整網絡神經網絡參數，使網絡的實際輸出值和期望輸出值的誤差均方差為最小[1]。
BP神經網絡的計算過程由正向計算過程和反向計算組成。正向傳播計算，輸入模式從輸入層經隱曾單元層逐層處理，并傳到輸出層，每層神經元的輸出只影響下一層神經元。如果在輸出層未達到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各神經元的權值，使得誤差信號最小。
針對倒立擺的位移和偏轉控制系統，一個三層BP神經網絡如圖2所示。
2 基于MATLAB環境的倒立擺控制系統
圖3是基于MATLAB軟件的一種倒立擺控制系統，是一個傳統PI+不完全微分控制，同時有從輸出端反饋的LQR控制器[2]，即利用線性二次型性能指標設計的控制器，該系統實際是三種控制方法的綜合應用。如圖3所示。
該系統經仿真得到如圖4所示動畫。
在實驗時如果去掉不完全微分控制，或者去掉LQR控制器的任何一種均很難實現穩定控制，表明系統很不穩定。但當加入兩種控制方法系統變得相當穩定。現對該系統實現BP神經網絡控制，即采用BP神經網絡取代輸入端控制器：即取代PI+不完全微分控制部分，采集該控制器的輸入/輸出信號，構成樣本數據庫。建立圖5數據采集模型。
采集輸入、反饋信號及控制器輸出信號組成三維數據：data=[re fe uc]共采集100000組數據，訓練BP神經網絡。網絡結構為2-15-1，設置神經網絡參數為EPOCHS=5000； GOAL=0.000003； 訓練3步達到誤差精度要求。誤差訓練曲線如圖6所示。
提取BP網絡模型如圖7所示.
將此模型代替PI+不完全微分控制器，替換后得到仿真模型如圖8所示。
運行該系統穩定性與原系統效果是一樣的。表明BP網絡完全能替代原控制器，實現穩定控制。但是如果實驗時采集的數據較少，則倒立擺系統極其不穩定，表明數據總量不夠，而且對網絡訓練應當有足夠的經驗，沒有學習好各種經驗就不能很好地控制。為了保證經驗數據具有一定的完備性，在輸入信號中加入了一定的隨機信號。圖8 在BP網絡輸入信號首先要進行歸一化處理，本文采用normr命令，反歸一化采用norm命令，該方法的優點是可避免0，1出現，從而使網絡訓練容易，快速收斂。圖9為位移曲線，圖10 為角度變化曲線。
實驗表明，基于神經網絡控制的倒立擺系統，動態穩定性好，與常規控制相當，但是其魯棒和自適應能力更好。
3 結論
基于神經網絡控制的倒立擺裝置的控制總體優于PID傳統控制方法。本文通過數據采集、訓練BP網絡學習方法實現倒立擺的穩定控制，仿真實驗證明了本文方法的有效性。
【參考文獻】
1.1樣品來源12批穿心蓮藥材樣品由廣東省中藥研究所提供，經廣州華南植物研究所陳炳輝研究員鑒定為穿心蓮Andrographispaniculata(Burm．f.)Nees，其中4批產自江西，5批來自廣東，福建3批。
1.2試劑乙腈(色譜純)，甲酸(分析純)，二次蒸餾水(自制)。
1.3儀器Agilent四元泵高效液相色譜儀、SPD210A紫外檢測器，LC210ATVP輸液泵、UV24802型紫外可見分光光度計，AR2140電子分析天平。
2方法
2.1色譜分析條件PhenomsilODS柱(250mm×4.6mm，5μm)，0.1%甲酸乙腈(A)與0.2%甲酸(B)梯度洗脫：0～20min(20%A-80%B)，20～40min(30%A-70%B)，40～55min(40%A-60%B),55～60min(85%A-15%B)。流速1.0ml/min，柱溫25。C,檢測波長254nm,進樣量10μl,所有組分均在60min內被洗脫。
2.2對照品溶液的制備精密稱取穿心蓮內酯、脫水穿心蓮內酯、新穿心蓮內酯和脫氧穿心蓮內酯對照品適量,用50%甲醇配制成1.0mg/ml的對照品溶液。
2.3供試品溶液的制備取各批干燥的穿心蓮藥材2.0g，粉碎，過40目，用20ml85%的乙醇回流提取兩次，2h/次，過濾，合并濾液，回收乙醇,濾液濃縮至干，再加50%甲醇使其充分溶解，置10ml量瓶中稀釋至刻度，作為供試品溶液。
2.4方法學考察
2.4.1精密度實驗取供試品溶液(樣品1)，連續進樣6次，各主要色譜峰的相對保留時間和相對峰面積比值的RSD均小于3.0%，表明儀器精密度良好。
2.4.2穩定性實驗取供試品溶液(樣品1)分別在0，1，2，4，12，24h進樣測定，各主要色譜峰的相對保留時間和相對峰面積比值的RSD均小于3.0%，表明樣品在24h內穩定。
2.4.3重復性實驗取穿心蓮藥材(樣品1)，按“2.3”項下的方法分別制備供試品溶液6份，進樣檢測，結果各主要色譜峰的相對保留時間和相對峰面積比值的RSD均小于3.0%,表明方法的重復性良好。
2.5模式識別方法
2.5.1模式識別和BP神經網絡模式識別作為一個研究領域，迅速發展于20世紀60年代，它是一門以應用數學為理論基礎，利用計算機應用技術，解決實際分類及識別問題的學問［2］。
神經網絡是一種模擬人腦功能的成熟的模式識別方法，它借鑒了人腦神經系統處理信息的過程，以數學網絡拓撲結構為理論基礎，其中BP神經網絡是迄今為止應用最為廣泛的神經網絡［3］。
BP神經網絡是一種有監督的學習算法，它的特點是同一層內的神經元不連接，在整個信號傳遞過程中不存在任何信號反饋；輸入層用于信號分配和傳遞，不具備運算功能；隱含層和輸出層的神經元具有運算功能，可輸出最終運算結果。BP神經網絡的學習過程有正向與反向兩個過程，在正向傳播過程中，輸入信息從輸入層經過隱含層傳向輸出層，若不能得到預期輸出，則轉為反向傳播，將信號沿原來的連接通道返回并修改各層節點間的權值，經過反復調試，使得誤差信號小于某個閾值或等于0，此時訓練結束。經過訓練的網絡則可將系統規則、預測能力等隱含在網絡中，只需將測試樣本輸入則可給出處理結果。
2.5.2Levenberg-Marquardt算法改進的BP算法BP神經網絡的常規算法在實際應用還存在一些需要改進的問題，例如網絡學習收斂速度慢，容易陷入局部極小等。而L-M算法是專門用于誤差平方和最小化的方法，它在網絡訓練速度和識別精度上的具有明顯的優勢［4］，因此本研究采用L-M算法對標準的BP算法進行改進。
設BP神經網絡的誤差指標函數為：
E(x)=12¶Ni=1Yi-Y＾i2=12¶Ni=1e2i(x)
其中，Yi為實際輸出向量，Y＾i為預期的輸出向量，ei(x)為誤差。
設xk表示第k次迭代的權值和閾值組成的向量，新的權值和閾值組成的向量xk+1表示為：
xk+1=xk+x,x=［JT(x)J(x)=μI］-1J(x)e(x)
其中，J(x)為網絡訓練誤差e(x)的Jacobian矩陣，I為單位矩陣，μ>0。
L-M算法的流程：①給出訓練誤差允許值ε，常數β和μ0，初始化權值和閾值向量k=0，μ=μ0。②計算網絡輸出及誤差指標函數E(xk)。③計算Jacobian矩陣J（x)。④計算x。⑤如果E(xk)＜¶，則轉到⑥，否則以xk+1=xk+x為權值和閾值向量計算誤差指標函數E(xk+1)，若E(xk+1)＜E(xk)，則令k=k+1，μ=μ/β，轉到②；否則令μ=μβ，轉到④。⑥結束。
當μ=0時，L-M算法即高斯-牛頓法，當μ取值很大時，則越接近梯度下降法。在實踐中，它具有二階收斂速度，所需要的迭代次數很少，既具備牛頓法的局部收斂特性，又有梯度下降算法的全局特性。因此，L-M算法提供了一種快速有效的訓練手段，其算法計算復雜度為O(n3/6)。
2.6指紋圖譜的建立和分析
2.6.1穿心蓮的指紋圖譜按照上述方法,分別對12批穿心蓮藥材進行分析,制作了穿心蓮藥材的HPLC指紋圖譜,并計算出其穿心蓮內酯、脫水穿心蓮內酯、新穿心蓮內酯和脫氧穿心蓮內酯的含量。
2.6.2資料預處理為消除由于數據變換的幅度和范圍以及數據分布的非正態性對結果的影響，先將原始數據進行標準化變換。
2.6.3LM-BP神經網絡結構及訓練測試結果本實驗所采用的3層LM-BP網絡中，輸入節點數為4，即原始數據經特征提取后的4個主成分，隱含層節點數為4，輸出層有1個節點。由于目前仍無系統的關于中間隱層節點數的選取理論，經多次實驗比較，最終選取隱層節點數為4時效果比較顯著。
動量因子和學習速率是影響BP神經網絡訓練速率和收斂度的兩個重要因素。如果學習效率和動量因子過大則網絡收斂很快，但最后網絡發生振蕩，失去功能；如果學習效率和動量因子太小則學習速度太慢，網絡性能也會受到影響。因此經實驗比較選擇，本網絡的最佳學習率為0.05，動量因子為0.6。
關鍵詞：神經網絡 圖像處理 機器人 草莓
中圖分類號：TP301.6 文獻標識碼：A 文章編號：1007-9416(2012)07-0091-02
國內外對圖像處理技術和神經網絡理論在果蔬商品化應用中的部分成果已進入了實用階段。隨著計算機科學的飛速發展和在許多領域中的成功應用，果蔬采收分級的實時自動化已經變得完全可能。但是，生物特征的多變性和隨機性與工業產品有著很大區別。在草莓采收、分級這一過程中，為了提高檢測的精度、速度和準確性，需要解決多種技術問題，如：光源的選擇和設置；圖像的采集方式和圖像的質量；硬件處理速度；模式識別算法；要求有更多分級算法的訓練樣本等。從長遠看，應該對揀選對象的形狀、表面、光學、熱學、化學、生物學等各方面的特征和生理機能進行更加深入的研究，這樣才有利于檢測技術改進，促使新的信息采集技術和傳感技術的產生。
草莓是一種營養豐富的高級水果，隨著人們生活水平的提高，草莓按其顏色、形狀及大小進行揀選分類、包裝將成為趨勢。因此，草莓形狀的判別的研究和草莓揀選設備的開發具有很重要的現實意義。
1、草莓形狀的判別
收割后的草莓按其顏色、大小、形狀均可分為不同的等級。因此，草莓形狀的判斷是揀選者根據對標準草莓規格的理解和經驗來判斷出結果。本設計中草莓形狀的識別部分采用了神經網絡的識別技術，神經網絡具有學習功能和很強的模式識別能力，即使當局部網絡受損時，仍然能夠恢復原來信息。神經網絡的信息分布式存儲于聯結權值系數中，使網絡具有很高的容錯性，而圖像識別中往往存在噪聲干擾或輸入圖像的部分損失，因此，神經網絡可以很好地解決圖像識別問題。另外，神經網絡的自組織和自學習功能，使其對圖像問題的識別和處理較傳統圖象識別方法顯示出極大的優越性。因此，草莓揀選設備只要通過對標準形狀草莓的學習就可得到非常接近人的判別效果。
為此，本論文提出了一種新的算法來解決草莓揀選的問題，該算法是基于圖像處理技術、神經網絡算法而生成的一種草莓形狀判別算法。并利用該算法開發了草莓揀選設備。
2、草莓揀選設備的構成
草莓揀選設備硬件系統組成如圖1所示。CCD攝像機將所要識別、解釋的對象以圖像的形式記錄下來；插入計算機內部的圖像采集卡可以將攝像機采集的電信號轉變為數字信號，即圖像數字化，以便計算機對其進行各種必要的處理；照明裝置為圖像采集提供合適的光源，以便對圖像進行處理和分析。
3、草莓形狀圖像分割及特征提取
人工揀選草莓時很容易根據草莓果實部分的形狀特征來判別其等級，但對草莓揀選設備來說，草莓是任意放置在傳送帶上的，計算機采集到的草莓圖像其方位是不確定的。因此，本設計采用了彩色圖像處理技術。圖2中，（a)圖是圖像卡采集到的草莓圖像信號以RGB彩色模型顯示在監視器上。它的R輝度圖像如圖(b)所示。想要得到草莓的形狀特征圖像，就要對采集到的草莓彩色圖像做以下處理：
第一步：把彩色圖像轉換成黑白的二值圖像，經過濾波、填充、提取邊緣信號等處理后，最終得到整體輪廓線圖像（c）；
第二步：彩色圖像減去R輝度圖像產生目標圖像(d)；
第三步：目標圖像經二值和邊緣提取處理后，得到了果實輪廓線圖像，如(e)所示；
第四步：最后把整體圖像輪廓線圖像和果實輪廓線圖像這兩種圖像進行邏輯運算，然后得到曲線型草莓形狀特征圖像，如(f)所示。
4、基于神經網絡的判別
得到的草莓形狀特征可以用一組八參數來表示，要劃分A、B、C等級就需要控制兩個空氣驅動器。我們建立的人工神經網絡是基于BP算法的前向三層神經網絡，如圖3所示。選用了兩個結構簡單的BP網絡，輸入為8，正好每個參數對應一個輸入端單元；輸出為2，每個輸出單元控制一個空氣驅動器。在進行前向多層神經網絡的學習時，不斷調整隱層節點數，經過試驗，采用8-4-2結構。
5、軟件程序的功能
判別草莓形狀的系統軟件程序是實現草莓的揀選功能的關鍵。系統軟件在功能上劃分為訓練部分和判斷部分。訓練部分包括圖像處理、特征提取和網絡訓練；判斷部分包括圖像處理、特征的提取和判斷以及草莓的移動控制。系統程序用MicrosoftC語言編寫，程序流程圖如圖4所示。
6、結語
本文通過計算機圖形處理技術、模式識別等理論的研究，結合神經網絡算法進行了草莓形狀判別的設計，在草莓形狀的有效特征提取和分類識別方面進行了理論上的研究，提出了基于前向三層神經網絡和計算機圖像處理的一種能對草莓形狀進行自動判別的新方法，為草莓的揀選機器人的開發提供了理論基礎。草莓揀選設備乃至其他水果揀選設備的開發對將要進入老齡化社會的我國來說是很有意義的。
參考文獻
[1]王耀南,李樹濤,毛建旭.計算機圖像處理與識別技術[M].北京:高等教育出版社,2001.237～260
[2]曹其新,呂恬生,永田雅輝等.草莓揀選機器人的開發[J].上海交通大學學報,1999,33(7):880～884.
[3]王年,任彬,黃勇等.基于神經網絡的汽車車型圖象自動識別[J].中國圖象圖形學報1999,4(8):669～672.
[4]福利（Foley,J.D.）等著.計算機圖形學原理及實踐C語言描述[M].北京:機械工業出版社,2002.6～36.
[5]徐麗娜.神經網絡控制[M].哈爾濱：哈爾濱工業出版社,1999.4～34.
[6]田村秀行編著,金喜子,喬雙譯.計算機圖像處理[M].北京科學出版社,2004.86～115.
1、BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。
2、BP神經網絡算法是在BP神經網絡現有算法的基礎上提出的，是通過任意選定一組權值，將給定的目標輸出直接作為線性方程的代數和來建立線性方程組，解得待求權，不存在傳統方法的局部極小及收斂速度慢的問題，且更易理解。
（來源：文章屋網 ）
[關鍵詞]反射認知創造神經網絡人工智能
一、生物神經網絡系統
生物神經系統是以神經元為基本單位，神經元的外部形態各異，但基本功能相同，在處于靜息狀態時（無刺激傳導），神經細胞膜處于極化狀態，膜內的電壓低于膜外電壓，當膜的某處受到的刺激足夠強時，刺激處會在極短的時間內出現去極化、反極化（膜內的電壓高于膜外電壓）、復極化的過程，當刺激部位處于反極化狀態時，鄰近未受刺激的部位仍處于極化狀態，兩著之間就會形成局部電流，這個局部電流又會刺激沒有去極化的細胞膜使之去極化等等，這樣不斷的重復這一過程，將動作電位傳播開去，一直到神經末梢。
神經元與神經元之間的信息傳遞是通過突觸相聯系的，前一個神經元的軸突末梢作用于下一個神經元的胞體、樹突或軸突等處組成突觸。不同神經元的軸突末梢可以釋放不同的化學遞質，這些遞質在與后膜受體結合時，有的能引起后膜去極化，當去極化足夠大時就形成了動作電位；也有的能引起后膜極化增強，即超極化，阻礙動作電位的形成，能釋放這種遞質的神經元被稱為抑制神經元。此外，有的神經元之間可以直接通過突觸間隙直接進行電位傳遞，稱為電突觸。還有的因樹突膜上電壓門控式鈉通道很少，樹突上的興奮或抑制活動是以電緊張性形式擴布的，這種擴布是具有衰減性的。
圖1
一個神經元可以通過軸突作用于成千上萬的神經元，也可以通過樹突從成千上萬的神經元接受信息，當多個突觸作用在神經元上面時，有的能引起去極化，有的能引起超極化，神經元的沖動，即能否產生動作電位，取決于全部突觸的去極化與超級化作用之后，膜的電位的總和以及自身的閾值。
神經纖維的電傳導速度因神經元的種類、形態、髓鞘有無等因素的不同而存在很大差異，大致從0.3m/s到100m/s不等。在神經元與神經元之間的信息交換速度也因突觸種類或神經遞質的不同而存在著不同的突觸延擱，突觸傳遞信息的功能有快有慢，快突觸傳遞以毫秒為單位計算，主要控制一些即時的反應；慢突觸傳遞可長達以秒為單位來進行，甚至以小時，日為單位計算，它主要和人的學習，記憶以及精神病的產生有關系。2000年諾貝爾生理學或醫學獎授予了瑞典哥德堡大學77歲的阿維·卡爾松、美國洛克菲勒大學74歲的保羅·格林加德以及出生于奧地利的美國哥倫比亞大學70歲的埃里克·坎德爾，以表彰他們發現了慢突觸傳遞這樣一種“神經細胞間的信號轉導形式”。本次獲獎者的主要貢獻在于揭示“慢突觸傳遞”，在此之前，“快突觸傳遞”已經得過諾貝爾獎。此外，使用頻繁的突觸聯系會變得更緊密，即突觸的特點之一是用進廢退，高頻刺激突觸前神經元后，在突觸后神經元上紀錄到的電位會增大，而且會維持相當長的時間。所以可以得出一條由若干不定種類的神經元排列構成的信息傳導鏈對信息的傳導速度會存在很大的彈性空間，這一點對神經系統認知事件有著非常重要的意義。
神經系統按功能可大致分為傳入神經（感覺神經）、中間神經（腦：延腦、腦橋、小腦、中腦、間腦、大腦脊髓）與傳出神經（運動神經）三類。
生物要適應外界環境的變化，就必須能夠感受到這種變化，才能做出反應。生物的感受器多種多樣，有的是單單感覺神經元的神經末梢；有的是感受器細胞；還有的感受器除了感受細胞外還增加了附屬裝置，且附屬裝置還很復雜，形成特殊的感覺器官。無論感受器的復雜程度如何，它在整個神經系統中都起著信息采集的作用，它將外界物理的或化學的動態信號反應在感覺神經細胞膜的電位變化上，膜上的電位變化可形成動作電位向遠端傳導。
中間神經在系統中起著計算及信息傳導的作用，通常感覺神經傳來的動作電位經過若干個中間神經元的計算響應后在傳遞到傳出神經形成反射弧，但也有的反射弧僅由傳入神經元與傳出神經元直接組成，如敲擊股四頭肌引起的膝反射。傳出神經可分為軀體神經與內臟神經兩類，它們都最終連接著效應器，只是內臟神經需要通過一個神經節來連接效應器，最后由效應器調空肌體器官做出相應的反應。
二、生物神經網絡的建立
1994年，一種被稱為Netrin-1、將軸突吸引到分泌它的神經細胞的可擴散蛋白被發現,此后人們發現，同一軸突引導分子既可吸引、也可排斥前來的軸突。其中，環狀AMP（也稱cAMP）、環狀GMP（也稱cGMP）和鈣離子，都可能是從參與將發育中的神經元引導到其目標上的受體中轉導信號的第二種信使。新的實驗表明，正是cAMP/cGMP的比例決定著Netrin-1是起一種吸引信號的作用還是起一種排斥信號的作用，這些環狀核苷通過控制軸突生長錐中的L-型鈣通道來起作用。
目前已經發現大量對神經軸突生長具有導向作用的分子，這些分子可以分為兩大類：一類分子固著在細胞膜表面或細胞外基質中，影響局部的神經纖維生長，這類因子包括ephrin,MAG(myelin-associatedglycoprotein),Nogo等；另一類是分泌性分子，能擴散一定的距離并形成濃度梯度起作用，如netrin,slit,semaphorin家族的大多數成員,及各種神經營養因子等。神經軸突的前端有生長錐（growthcone）的結構起到對環境信號的探測作用。神經生長錐表面存在各種導向因子的受體，它們特異地識別環境中各種因子，并向細胞內傳遞吸引（attractive）或是排斥(repulsive)的信號，從而通過調節生長錐內的細胞骨架的重組來引導神經纖維沿特定路線生長（我國科學家袁小兵等研究人員發現，在脊髓神經元上，神經細胞內RHOA酶和CDC酶直接傳遞外界方向信號，引導神經生長方向，同時這兩種酶相互作用，對生長方向進行細致的調節）。未成熟神經細胞柔弱的軸突在這些信號的引導下，試探地穿行于正處于發育階段、仍是一片紛亂的大腦之中，最終抵達適當的目的地。一旦軸突的末端找到了其正確的棲息地，它就開始與周圍神經元建立盡可能廣泛的突觸聯系，以便傳導信息。
脊椎動物出生后早期發育中的一個特征是，神經鍵（或神經連接）的消除。最初，一個神經肌肉連接被多個軸突支配，然后所有軸突都退出，只剩下一個，對相互競爭的神經元來說，決定勝負的是它們的相對活性。為了能準確的連接到目的地，單個或多個神經元會沿導向分子所確定的大致方向上生長出若干條神經纖維，其中總會有能正確連接到目的地的神經纖維，所建立的若干神經鏈路在刺激信號的作用下，正確的信息傳遞會使鏈接會變的更加穩固，反之則慢慢萎縮分離。打個比方講：兩個城市間原本沒有路，如果要修的話會先派人去探索出若干條路，最后去修筑被優選出來的路，而其他的則會被遺棄。
三、神經網絡的基本工作原理
1、反射
自然界中，事物的發展、能量的轉化、信息的傳遞等等各種的自然現象都包含著因果關系，只要時間沒有停滯，這種關系將廣泛存在，從“因”到“果”，貫穿著事物的發展過程，當過程長且復雜時我們稱之為“事件”，反之則稱之為“觸發”。
生物個體在與外界環境或是個體自身進行物質或信息交換時，也存在著這種現象，在這里我們稱之為“反射”。
反射是最基本的神經活動，現行的說法是將反射分為兩種，無條件反射和條件反射，其中，無條件反射是動物和人生下來就具有的，即遺傳下來的對外部生活條件特有的穩定的反應方式，在心理發展的早期階段，這種反應方式提供最基本的生存技能，也就是本能，如：食物反射、防御反射、定向反射，還有一些可能是在人類進化過程中，曾經有一定生物適應意義的無條件反射，如：巴賓斯基反射、抓握反射、驚跳反射（又叫摩羅反射）、游泳反射、行走反射等，此外，還有其他一些無條件反射，如眨眼反射、瞳孔反射、吞咽反射、打嗝、噴嚏等等。
條件反射是后天訓練出來的，著名科學家巴甫洛夫就曾對條件反射的形成、消退、自然恢復、泛化、分化以及各種抑制現象進行過相當細致、系統的實驗研究，。
無論是條件反射還是無條件反射，從主觀上都可以看作是一種因果作用關系，即都存在著觸發條件，都會導致某一結果的產生，所以無條件反射其實也屬于條件反射范疇。只有在成因上，無條件反射是根據遺傳信息形成的神經網絡結構，而條件反射是后天在先前的網絡基礎上，依據外界環境繼續發展完善的神經網絡結構。兩者之間是繼承和發展的關系，但從這兩個階段所形成的神經網絡功能來看，對外界的刺激都具備輸入、傳遞、輸出這一處理過程即反射過程，所以從某種意義上講，也可以把無條件反射歸類到條件反射范疇中去，或者說條件反射等同于反射。
神經系統中的條件反射具有三個要素：輸入、傳遞、輸出。其中的每一個要素既可以用單個神經元表示，也可以用一個神經群落來表示。當用少數幾個神經元表示時，對應的是生物個體對局部刺激的反應，當擴展到神經群落時，對應的就可能就是對某一激發事件的處理方法了。
反射中的輸入，最能使我們聯想到傳入神經元（感覺神經元），但在這里，它可以指單個的感覺神經元，也可以指一種感官（眼睛中的視神經群落、耳中的聽覺神經中樞、皮膚中與各類感受器連接的神經群落等等），甚至可以是大腦中某一區域內形成某一表象或是概念的神經群落。反射中的輸出同樣可以指傳出神經元（即脊髓前角或腦干的運動神經元），也可以指大腦中某一區域內形成某一概念或是表象的神經群落。反射中的中間傳遞過程是信息的加工處理的過程，可以由單個神經元、神經鏈路或是神經網絡來承擔，甚至可以直接由輸入與輸出的對應載體來分擔。這樣生物神經系統中的反射弧只是它的一個子項罷了，條件反射在主觀上也對應著我們常說的“產生、經過與結果”即因果關系。
2、認知
有一個低等生物海兔的記憶試驗:海兔本身具有被觸摸(水管部分)后的鰓縮反射,但連續十幾次的刺激后,鰓縮反應就逐漸減慢.經過研究發現,海兔的習慣化是由于神經遞質發生變化所致.進一步的研究發現這種變化是突觸中的感覺神經元的Ca離子門關閉,導致遞質的釋放量減少所致.上述試驗說明簡單的記憶與神經遞質和突觸有關.又如大鼠的大腦皮質切除試驗:用迷宮訓練大鼠,如果大鼠學會并記住順利走出迷宮的道路后,切除它的大腦皮質,記憶就會消退.不論切除的是大腦皮質的哪一部分,總是切除的多,記憶消退的多;切除的少,記憶消退的就少。
首先，認知通常強調的是結果，是神經網絡定型后的結果。神經網絡的定型過程就是認知的建立過程，也就是生物個體的學習過程，它同時表現了出生物的記憶過程。定型好的神經網絡對觸發信息的處理過程即反射過程，就是記憶的提取過程，也正是通過這一過程反映出了認知的存在。
生物個體對客觀事物的認知可以解釋為：客觀事物在主觀意識中形成了表象，并且該表象與一系列的活動（生理的或心理的）相聯系。換句話說，某一客觀事物的信息如果經過大腦處理能夠引發出一系列的動作（這是一種反射現象，符合前面對反射的定義），我們就可以說對這一事物已經認知了。
行為主義與符號主義中對認知建立過程中所顯現出的記憶現象都有很詳細的類別劃分，其中每一種記憶類別都僅與一種認知的建立模式相對應。所以，與其用記憶類別來劃分還不如用認知類別來劃分更為合理，在這里由于篇幅所限，我僅將認知簡單概括為以下三種類別：物體認知、事件認知以及兩種認知的衍生產物抽象事物認知。
a、物體認知
感受外界客觀環境最簡單的辦法是通過感官直接去“接觸”物質對象，并通過大腦處理，并最終導致一個或一系列的結果，這種因果過程就是對客觀物體的認知。如：看到一個蘋果，我們產生了拿的動作，同時也可以產生許多其他的動作如激活色彩感覺中樞、激活味覺中樞等等，當可以有這些動作產生時，就完成了對蘋果的認知。
下面我們將詳細講解神經網絡對物體認知的描述。
一個輸入集合I（觸覺、視覺等的感應細胞構成的集合或是處于某一層次上的神經元集合）對之內兩個不同區域（A、B）的刺激做出相應Y與X兩種不同反應的神經處理過程,如圖2。
圖2的a、b、c為三種AB可能存在的輸入情況。圖2a中A、B分別對應Y、X，神經鏈路沒有重疊，刺激A時得到Y的輸出，刺激B時得到X的輸出，結果不會出現問題，請注意：帶有方向的黑線只是代表邏輯上的鏈路，在實際中，鏈路與鏈路之間有質的區別，這里只做簡單的等價說明，用數量表示質量。圖2b中A、B間有了交叉，在處理過程中，當A受到刺激會產生Y的輸出，同時會有三條邏輯鏈路去刺激X，但做為X的全部決定因素，這三條相比從B到X余下的空閑聯絡，只占很小的一部分，它們還不足以激活X，所以分別刺激A、B仍然會得到正確的輸出。對于X這種在某一層次上的輸出神經元來說，是否能被激活，主要取決于所有處于不同狀態的輸入鏈路的能量對比，在這里能量被量化為邏輯鏈路的數量，這樣每個神經元對值的判斷則等價為判斷處于激活狀態的邏輯鏈路數是否過半。此類神經鏈路就是興奮類傳導神經網絡，單純采用此類神經鏈路的系統只需要根據相應刺激感受區域是否有刺激發生，就可以得出正確的輸出結果，但是在圖2c中，刺激區域A包含著B的情況下，如果刺激B區會有正確輸出X，然而如果刺激A區則會出錯，Y與X會同時有效，這時我們就需要一種鏈路來阻止這種錯誤的發生，這就是抑制類神經鏈路，如圖2c中的虛線箭頭所示，抑制類邏輯鏈路只起到沖減、抵消興奮類邏輯鏈路數量的作用，使得X在沖減后的興奮鏈路合計數小于閥值，從而達到唯一正確輸出Y得目的。
在圖2中列舉的神經網絡認知模式中，雖然只涉及到了輸入與輸出，但在兩者之間已經包含了計算的成分，或是說承擔了傳遞計算的功能，此外不難發現：能夠對某一物體認知，必須要首先區分開其他物體，尤其是符合圖2c中的情況，物體間的差異正好可以滿足這一需求。這樣，即使是從同一個感官傳來的信息，也能做到很好的區分。
當認知的對象較為復雜時（如蘋果），對象包含有各種各樣的屬性，其中的每一種屬性的響應過程，在局部都遵循著反射的定義。當在某一時刻，與蘋果相關的各種屬性的神經子網絡被大部分激活時，蘋果的表象就成了焦點。更確切的講是，感官捕捉的信息在傳遞的過程中，經過了代表各種屬性的神經子網絡，一些屬性因條件不滿足而停止傳遞，最后由可以通過的（即被確認的屬性）神經子網絡繼續向后傳遞，最后再引發一系列的動作，其中反射可以指局部的傳遞（單個屬性的確認），也可以指整個傳遞過程（看到蘋果后，可以去拿可以去想等等）。
蘋果在人腦中形成的表象，其實就是指感官根據蘋果實物產生的電信號所能經過的神經鏈路，神經鏈路與神經網絡的關系相當于行走路徑與公路網的關系。此外其他的神經區域輸出的電信號如果在傳遞過程中也能引發出與前面提到的“蘋果神經鏈路”相同或相似動作或是功能的話，也可以說是形成了蘋果的表象，這種現象可以使我們認知客觀世界不存在的事物或個體自身從未接觸過的事物。
b、事件認知
任何事物在一段時間內發生了變動，在這里都可以被稱之為事件。因果關系同樣也具備事件的屬性，如果能深入分析一下各種事件的過程，基本上都能找到因果關系的影子。在前面對物體的認知中，我們知道了神經網絡認知物體是以因果關系的方式建立的網絡鏈路，為了不引起混淆，下面以因果關系為認知對象的，我們用事件來代替，對事件的認知過程，近似于對物體的認知過程，相當于把事件等同于物體，由于事件具有時間性，所以神經網絡就必須能夠處理時間問題。
神經元的形狀各異，軸突有長有短，且對信息的加工時間與傳遞速度也各不相同，這樣對同一起點不同的傳遞路徑，信息的傳遞速度可能不同。還以圖2為例，現在假設每一個箭頭除了代表一個神經元連接外，還代表一個單位傳遞時間，當首先刺激A區后并在第二個單位時間內刺激B區，將兩次觸發過程當作一個事件，導致一個輸出Y；同法當先刺激B區，然后在刺激A區時會有另一個輸出X，如圖3
根據這種通過神經鏈路上神經元個數進行延時的方法，任何處于時間片段上的信息都可以被處理。我們再舉個更加復雜的例子，單輸入神經元網絡對摩爾斯電碼的識別與重現。
假設輸入神經元為A，按嚴格的爾斯電碼規則來刺激該神經元，最后由神經網絡得出字符序列，如圖4
當A收到刺激信號時，將信號廣播給不同的識別群體，圖4中只給出了其中的一個網絡群體，給出的這個群體只能認識字符“b”即電碼“—…”。為了簡化說明，圖4中舍棄了每個神經元的其他輸入輸出鏈路以及相關的抑制鏈路，所以圖中的每一個指向神經元的箭頭均存在著“與”的邏輯運算關系，在這里它們不表示邏輯數量。
由圖4可以看出，先收到的信號經過較多的傳遞神經元進行延時，再連同后面收到的信號一起同時傳遞到結果輸出上，這樣處于時間片段上的信息就可以被當作是一個整體來進行處理。粗虛線上半部分為輸入識別部分，下半部分為信息重現部分，仔細觀察就會發現，兩部分的神經鏈路并不是互成鏡像，輸入為前端延時，依次為：1、3、5、7、8、9，輸出為后端延時，依次為：9、7、5、3、2、1，所以認識事物與應用事物是由兩套不同的神經網絡來控制完成的。圖4中的兩條傾斜細虛線是一個虛擬的標示線，從某種意義上講這里是事物的表象層，中間本應該是更加復雜的表象處理網絡，在這里只簡單的假設性的給出了表象輸出與輸入。
c、抽象概括與抽象描述
對事物（事件、物體）的認知，使我們得以在大腦中建立出與客觀世界相對應的表象，作為記錄事物表象的神經鏈路網上的每一個分支與合并都可能是事物在不同層次上的一種“特征的概括與描述”（參見圖3左圖）。
神經網絡在認知新的事物時，輸入信息總是盡可能的使用已存在的網絡鏈路進行傳遞處理，當處理不足以產生正確的結果時才在信息的中斷處搭建新的網絡連接。在局部，如果已存在的網絡鏈路可以被使用，那么這部分網絡結構通常是一種共性的表達，當這種表達隨著同類認知的增加而逐漸完善時，就可以作為一種屬性的表象，這在主觀上是一種抽象概括的過程。
例如，對蘋果的認知，“蘋果”本身是一個概括出來的詞匯，它不具體指哪一個蘋果，但在認知若干個具體蘋果的過程中，與各個蘋果相對應的神經鏈路的共用部分被逐漸加強，這部分神經網絡就可以說是“蘋果”這一概念的表象區域。此外，神經網絡結構不光能實現對有形的抽象概括，也可以對無形的加以抽象概括，例如“水果”的表象，這一表象的形成可以說是用若干不同種類的水果培養出來的，也可以說是由“蘋果”、“梨”等等表象的神經鏈路的共用部分完善而成的，后一種方式可以理解為抽象概括可以建立在另一種抽象概念之上，即對無形的事物也可以做抽象概括。換個角度講，這些抽象出來的表象本身就是一種有形的物質，它是由若干神經元搭建起來的網絡系統，是客觀存在的東西，這樣的話就與第一種方式相一致了。
語言是生物間交流的工具，是生物為了更好的適應周圍的環境而進化產生的，在這里它包含有聲音、文字、動作、行為以及低等生物的化學接觸等等內容。就拿我們人類來說，每一個發音、每一個文字符號都可以說是對應著一種表象，這個表象可以是抽象出來的也可以是具體事物產生的。語言是通過觸發來進行工作，當然也可以說是一種反射或是因果現象。無論是說還是聽，也不論是寫還是看，對于說或者是寫這種輸出性質的處理，可以解釋為某個表象被激活時，它又被作為輸入信號沿著該表象至發音或是運動器官間的語言神經鏈路傳遞電信號，直至發音或是運動器官做出相應的動作。聽與看也是如此，感官接收到信息后傳遞直至激活某一個表象區域（請參見圖4）。語言與表象之間廣泛存在著對等映射關系，它可以使我們能夠直接去運用語言來進行思維，即便是表象與輸入輸出沒有語言神經鏈路對應關系的，如果需要我們也會臨時的建立起語言神經鏈路，如本文中說的圖幾圖幾、這個那個等等，或者用相關的有語言鏈路的表象通過塑造、闡述、刻畫、定位等等方式來體現或是建立該表象，這種建立神經鏈路的過程往往體現出不同種類的記憶模式。
生物的記憶過程與機械的存儲過程原理基本相同，都是通過改變載體的性狀來表達的，只是生物是通過神經網絡的響應過程來表達或再現記憶的內容，就是說該神經網絡的連接結構就反映著記憶的內容，所以生物的記憶過程就是建立特定連接方式的神經網絡的過程，而提取過程就是激活這部分神經網絡的過程。一旦載有相關記憶內容的神經網絡結構被確定時，能量只能體現在信息的提取與再現上，當然維持這種結構也需要一點能量，不然神經元就餓死了：）注意：這里強調的是“過程”。
生物的認知過程對外表現為學習過程，對內表現為神經網絡的建立及使用過程，在學習過程中往往會同時伴隨著反饋過程（內反饋或外反饋），生物從外界獲得信息，傳遞處理后再作用給外界，并同時獲取作用后新的信息，周而復始的運做，這就是外反饋過程。外反饋過程是依靠外界因素幫助或是引導或是促使生物個體建立起能與環境相協調運做的神經網絡系統，主觀上我們稱之為“教育”。內反饋主要體現在我們的思維活動上，通常外界事物在大腦中存在著對應的表象，被外反饋完善了的事物表象之間同樣可以建立起互動聯系，比如講一個事物的表象被激活（輸入），引發其他的表象也被激活（輸出），這些被激活的表象同樣也可以作為輸入去激活先前的或是其他的表象，然后周而復始的運做，使得信息得以在腦內進行反復的處理。內反饋過程實際上就是一種“自學”的過程，但它的激發源頭必定是與外界有關，并且最終要作用于外界，所以說內外反饋往往是兼而有之的。
在認知過程中隨著內反饋的素材（表象）不斷增多，生物個體漸漸能夠認知自身與外界間的互動關系，自我意識也就隨之產生，同時我們用以進行思維的素材及其運作方式，如概念，詞匯以及由這些材料所帶來的情感因素及組織方式等等，絕大部分都來源于前人或者是借用他人的經驗，生物個體對這些經驗素材的獲取，或是由于接觸的幾率的不同，或是由于認同的程度的高低，個體間總會存在著差異，這樣就產生了我們不同的個性特征。
3、創造
生物在與周圍環境發生相互作用時，不可避免的會對周圍的環境造成一定的影響，無論是主動的還是被動的，這些對環境的影響最終都是為了促使生物以更好的適應周圍的環境。遵循優勝劣汰的法則，好的影響將會被保留繼承下去，如搭窩、建巢、獲取食物等等，而壞的影響會增加生物生存的風險。
神經網絡在認知事物后，事物的表象往往不是特定對應著某一個具體事物，而是對應著在一個模糊的范圍內所含闊的一類事物。例如，我們認知的蘋果，泛指各種各樣的蘋果，甚至還包括那些嫁接出來的長的象其他水果的蘋果等等。在我們依據蘋果的表象勾勒出一個具體的蘋果時，這個蘋果將肯定不會與客觀世界中的任何一個蘋果相同，因為沒有兩樣東西是絕對相同的。產生一個客觀世界不存在的事物，就是創造，其過程就是創造的過程。
生物神經網絡中事物的表象往往穿插交錯在一起，它們以鏈路最省的方式構成。任何神經鏈路上的合并都可以說是事物的某一特征在某一層次上的概括，所以表象可以以不同的內涵層次來拆分成各種各樣的屬性單元（元素），而任何神經鏈路上的分支都可以說是事物的某一特征在某一層次上的副本，使得這些屬性單元也能夠隸屬于別的表象或是說用于構建（表達）別的表象，當若干種屬性單元在某一時刻都處于激活狀態時，就等同于一種表象被激活，無論這個表象是否對應著客觀世界中的事物，如果沒有對應關系那就是一個較高形式的創造過程。
創造的幾種主要的表達形式：聯想、推理、頓悟
a、聯想
當一個事物的表象被激活時，也就是說該表象所包含的若干屬性單元（元素）同時有效時，我們的注意力焦點就集中在這個表象上，如果對該表象的處理（內或外反饋）使的表象被否決時，也就是說由于一些屬性單元的失效（或被抑制，或處于高阻），導致該表象無法成立的時候，剩余的屬性單元或許可以構成另一種事物的表象，或許還需要結合那些被激活了的新的屬性（或是由外界事物具有的新的屬性所激活，或是因降低了對一些屬性的抑制所導致的激活）。
b、推理
聯想是一種去激活與事物表象相關聯的其他表象的過程，主觀上是一種橫向擴展的過程，那么縱向過程就是由于一個或若干個事物表象被激活，從而導致另一個表象也被激活的過程，即推理過程，其中的任何一個表象的確立（激活）都會通過反饋過程加以驗證。推理與聯想在神經網絡結構上十分的相似，功能上也基本相同，只是在主觀認識上，聯想更強調相關性或是相似性，而推理則強調的是次序性或層次性。
c、頓悟
當我們思考一件事情時，或設計一件東西的時候，常常會遇到百思不得其解的情況發生，但有時，在某個偶然的事件影響下，我們會突然明白或能夠解決這些問題，這就是頓悟現象。
事物的表象是由若干個神經網絡屬性單元所構成的，我們說的“問題”在大腦中也是一種表象，是一種經反饋過程沒有驗證通過的特殊的表象，這個表象的屬性單元可能包括具體的事物表象、抽象的事物表象、邏輯關系、公理、定律等等內容，但這些屬性同時有效時，問題的表象并不能通過內外反饋的驗證。作為一個急切需要解決的“問題”，“問題”的表象被反復的激活（深思熟慮反復思考），在一個偶然機會，一個別的事件表象被激活，或是因為此事件的某個屬性單元彌補了“問題”表象的一個重要的空缺；或是因為此事件“問題”表象中的某個關鍵的屬性單元被抑制失效，“問題”表象得以完善并能夠通過反饋驗證，這就是頓悟。
四、神經網絡的相關問題
人在成長過程中，他的學習過程就是構建相應神經網絡結構的過程，隨著認知程度的增加，網絡結構也日趨復雜，對刺激的反應過程也隨之復雜化，當復雜到無法預測時，主觀上就會認為反應過程是自發產生的，這是人的一種錯覺。
幼年，人腦神經網絡的建立過程需要大量的空閑神經元，基本雛形確定后，剩余的空閑神經元會損失大半，這樣才能夠給網絡的發展騰出空間。余留下來的空閑神經元或是成為新建神經鏈路中的一部分而被確定下來；或是被用于臨時搭建的某些鏈路；或是作為備用存在于網絡的空隙當中。
青少年，神經網絡屬于高速建立階段，這個階段的神經網絡可塑性極強，主要是因為針對事物的認知，即是以機械性記憶為主，對事物認知的量及內容是抽象邏輯思維建立的基礎及傾向，隨著量的增加抽象概括的能力會逐漸增強。
中青年，事物的認知量及邏輯思維能力的配比達到了最佳程度，不光有一套較好的能與外界交互的神經網絡系統，而且神經網絡還保留有發展的余地，即還保留有一定的可塑性。
中年，無論是抽象事物還是具體事物，認知量已基本確定，網絡的結構已日趨復雜化，在一些局部，需要修改的或是新建的神經鏈路對空閑神經元的需求也已日趨緊張，使得我們的認知速度逐漸減慢。
老年，在許多的神經網絡區域，空閑的神經元已開始滿足不了認知的需求，另外因為無法認知新的事物，對外界的反應能力也開始下降，連帶的相關神經區域得不到激活，神經鏈路的健壯性開始下降，以至于一些神經鏈路解體，伴隨的就是認知量的下降，即健忘等等現象，并且成為一種惡性循環發展下去……。
五、后記
為了能清楚的闡述它的運行機制，同時也是為了驗證這套理論，根據前面所提到的神經元的結構功能及組網方式，我通過計算機軟件設計了虛擬的神經網絡系統，2000年軟件完成了調試，并得到了很好實驗結果。
參考文獻
1《現代科學育兒答疑》（0-3歲）人民教育出版社1999年第1版
2陳守良等，《人類生物學》，北京大學出版社，2001年12月
3陳閱增等（1997）.《普通生物學》.北京：高等教育出版社
4蘇珊·格林菲爾德，《人腦之謎》楊雄里等譯
5陳宜張《分子神經生物學》人民軍醫出版社1997年2月
6伊·普里戈金、伊·斯唐熱著、曾慶宏、沈小峰譯《從混沌到有序》，上海譯文出版社1987年版。
摘要：坡面產流是土壤本身特性與外界影響因素相互作用的結果，它們之間具有明顯的非線性輸入輸出關系。在分析坡面產流和神經網絡模型具有某些相似的基礎上，利用徑流站觀測資料，建立了小流域坡面產流量的三層前向網絡模型(BP算法)，并顯示了具有較好的模擬預測效果。
關鍵詞：人工神經網絡 坡面產流 BP算法
1 引言
一般而言，整個流域的不同區域，其地形、地貌、植被、土壤、人類活動等條件不盡相同。模擬流域的產流、匯流、土壤侵蝕、產沙及其泥沙輸移特性，首先需將流域概化成若干流域特性近似的計算單元－稱為小流域單元。Simons et al[1]將流域分成若干計算單元，每個單元有它自己的流域邊界，稱為子流域。國內不少研究者也采用這種按自然水系劃分子流域的方法[2]。
將流域概化為若干子流域的方法，對考慮流域降雨及下墊面條件的空間變化，建立整個流域的產流、匯流、土壤侵蝕、產沙和泥沙輸移模型提供了很大的方便。為此，以這種自然水系劃分方法為基礎，把小流域劃分為如下形式，見圖1所示，其中圖1(a)為小流域自然水系圖；圖1(b)為小流域按水系匯流結構劃分模式；圖1(c)為每一個小單元產流模式，即徑流輸出關系圖，包括降水、區間來水、本單元上時刻的徑流量和上一單元（或多個單元）的輸出到本單元的輸入徑流量等輸入變量，以及本單元調節作用后的輸出徑流量。
圖1 小流域產流結構示意圖
Sketch of runoff structure in the small watershed
