bp神经网络研究现状
BP网络的误差逆传播算法因有中间隐含层和相应的学习规则,使得它具有很强的非线性映射能力,而且网络的中间层数、各层神经元个数及网络的学习系数等参数可以根据实际情况设定,有很大的灵活性,且能够识别含有噪声的样本,经过学习能够把样本隐含的特征和规则分布在神经网络的连接权上。
总的说来,BP网络的优点主要有:(1)算法推导清楚,学习精度较高;(2)经过训练后的BP网络,运行速度很快,有的可用于实时处理;(3)多层(至少三层)BP网络具有理论上逼近任意非线性连续函数的能力,也就是说,可以使多层前馈神经网络学会任何可学习的东西,而信息处理的大部分问题都能归纳为数学映射,通过选择一定的非线性和连接强度调节规律,BP网络就可解决任何一个信息处理的问题。
目前,在手写字体的识别、语音识别、文本一语言转换、图像识别以及生物医学信号处理方面已有实际的应用。
同时BP算法与其它算法一样,也存在自身的缺陷:(1)由于该算法采用误差导数指导学习过程,在存在较多局部极小点的情况下容易陷入局部极小点,不能保证收敛到全局最小点:(2)存在学习速度与精度之间的矛盾,当学习速度较快时,学习过程容易产生振荡,难以得到精确结果,而当学习速度较慢时,虽然结果的精度较高,但学习周期太长:(3)算法学习收敛速度慢;(4)网络学习记忆具有不稳定性,即当给一个训练好的网络提供新的学习记忆模式时,将使已有的连接权值打乱,导致已记忆的学习模式的信息消失;(5)网络中间层(隐含层)的层数及它的单元数的选取无理论上的指导,而是根据经验确定,因此网络的设计有时不一定是最佳的方案。
谷歌人工智能写作项目:神经网络伪原创
神经网络研究现状
光谱分析因其能够灵敏、高精度、无破坏、快速地检测物质的化学成分和相对含量而广泛应用于分析化学、生物化学与分子生物学、农业、医学等领域文案狗。
目前,光谱分析技术日趋成熟,引入光谱分析理论的高光谱遥感技术应用日益广泛,尤其是在农业领域,可以有效地获取农田信息、判断作物长势、估测作物产量、提取病害信息。
光谱分析技术虽然具有很强的物质波谱“透视力”,但在分析 “同谱异物” 和 “异物同谱”等方面需要与现代分析手段相结合,如小波变换、卡尔曼滤波、人工神经网络(Artificial Neural Net-work,ANN)、遗传算法(Genetic Algorithm,GA)等。
在光谱分析领域,ANN多用于物质生化组分的定量分析(陈振宁等,2001;印春生等,2000),在光度分析中也有较多应用,如,于洪梅等(2002)利用ANN分析铬和锆的混合吸收光谱,并结合分光度法对二者进行测定。
ANN在非线性校准与光谱数据处理等方面也有应用(Blank,1993;方利民等;2008)。
而在模式识别中ANN应用最为广泛,如,Eiceman et al.(2006)利用遗传算法(是ANN的一种)对混合小波系数进行分类识别。
目前,自组织特征映射(Self-organizing Feature Maps,SOFM)神经网络在高光谱影像的模式识别方面,国内外还较少有研究与应用,而结合遥感波谱维光谱分析技术的应用研究就更少。
SOFM常用于遥感图像处理方面,如,Moshou et al.(2005)利用SOFM神经网络进行数据融合,使分类误差减小到1%;Doucette et al.(2001)根据SOFM设计的SORM算法,从分类后的高分辨率影像中提取道路;Toivanen et al.(2003)利用SOFM神经网络从多光谱影像中提取边缘,并指出该方法可应用于大数据量影像边缘的提取;Moshou et al.(2006)根据5137个叶片的光谱数据,利用SOFM神经网络识别小麦早期黄锈病,准确率高达99%。
然而,SOFM不需要输入模式期望值(在某些分类问题中,样本的先验类别是很难获取的),其区别于BP(Back Propagation)等其他神经网络模型最重要的特点是能够自动寻找样本的内在规律和本质属性,这大大地拓宽了SOFM在模式识别和分类方面的应用。
基于以上几点,本章从光谱分析的角度对高光谱遥感影像进行分析识别和信息提取,给出了在不同光谱模型下,高光谱数据的不同分解,之后利用SOFM对具有较高光谱重叠度的这些分解进行分类识别,结合光谱分析对采样点进行类别辨识,并通过对小麦条锈病的病情严重度信息提取,提出了高光谱影像波谱维光谱分析的新途径。
人工神经网络的预测发展现状?
这个问题问得好,人工神经网络是将来的一个趋势,但是,这也不是一个近期能够做得完善的一件事情.虹膜显示器,也就是人工神经网络的一个结晶,所谓虹膜就是在人的眼晴的视网膜上显示计算机的数据,从而取代显示器.这是美国现在已经正在开发过程中的一项基于人工神经网络的技术.。
国内外人工神经网络的研究现状
基于人工神经网络的土坝病害诊断知识获取方法摘要:以土坝测压管水位异常诊断为实例,对反向传播(BP)神经网络进行训练,然后通过典型示例经网络计算生成显式的诊断规则,为专家系统诊断推理时直接调用。
该方法是土坝病害诊断知识获取的一种新方法,是对传统知识获取方式的拓展和补充。
关键词:土坝;病害诊断;测压管异常;神经网络;知识获取我国目前已修建各种类型水库8.6万余座(是世界水库最多的国家之一),大中型水闸7.6万座,河道堤防20多万公里。
这些水利工程和设施所发挥的巨大作用和效益大大促进了社会和经济的发展。
然而从另一方面还应看到,在已建的水利工程中尚存许多不安全因素,由于修建当时的经济、技术条件限制以及其它一些因素的影响,使很多工程存在病害或隐患,另外,由于长期受各种自然或人为因素影响,加之年久失修,管理跟不上,老化现象也很严重,很大程度上影响了工程正常运行和效益的发挥,有些工程因此而失事。
仅就土石坝而,历年累积溃坝率就高达3.4%。因此如何准确、及时地诊断出建筑物的隐患和病害,并对建筑物的安全性做出合理科学的评价意义十分重大。是当前水利工程管理中亟待解决的一项重要课题。
水工建筑物的病害诊断是一项非常复杂的工作,需要有丰富经验的专家才能胜任。
解决上述问题的一个好的办法是在做好监测的基础上,把专家经验、人工智能(AI)技术、计算机应用技术以及数值分析计算等有机结合起来,建造专家系统(Expert System简称:ES)。
而专家系统开发中最关键的“瓶颈”问题就是知识获取,它既包括知识的体系结构、内容等难于获取,也包括推理规则中的推理参数(如可信度)难以确定等。
笔者以土坝为研究对象开发了具有学习功能的土坝病害诊断专家系统ESLEDFDS[1,2],在系统开发中为解决知识获取问题,采取了传统的访谈(Interview)式的知识获取与从病害工程实例中抽取知识(事例学习)相结合的形式。
实践证明该形式效果良好。论文将以土坝测压管水位异常诊断知识的获取为例,介绍一种基于人工神经网络事例学习的土坝病害诊断知识的获取方法。
1 知识源分析及知识获取方法的选择土坝病害诊断的知识源主要有3个:(1)坝工诊断专家。大量的经验性知识存在于专家的大脑中,具有专有性和潜在性等特点。
有时连专家本人也不容易系统地总结、归纳自己的知识,而且不易做出解释。这也就决定了它的难于获取,但它是ES知识的主要来源。(2)相关文献资料。文献资料作为一种信息载体,包含了大量理论和经验知识。
其特点是量大、分散。而且,由于不同的文献来源于不同的著者,对同一问题的看法和分析结果可能有所差异,甚至相悖,所以有助于消除单个专家知识的片面性。
但从大量分散的文献中抽取ES知识库所需的知识和方法,需经反复分析比较。(3)实例。
一般情况下,专家头脑中知识的存储往往是片断的、非系统的,以访谈的形式,让专家叙述自己的知识时,一个个片断很难一下子系统地组织起来。
而一旦真正面对实际问题(实例)坝工诊断专家却能够作很好的分析,说明这种刺激能使专家自觉或不自觉地去组织自己的知识。
所以,同专家一同分析实例,可以了解专家的推理过程及所用知识,同时,经过专家分析的工程实例中蕴涵了专家的经验知识和推理判断,并且大多实例分析结果的正确与否已经得到实际验证。
因此,实例是一种非常重要的知识源,可以通过一些模型、方法对实例进行学习,提炼出蕴涵在实例中的诊断知识。笔者在ESLEDFDS的知识获取中综合利用了以上3种知识源。
通过走访专家、同专家一起分析文献资料,把诊断知识整理成一条条规则,存储于外部知识库中。此外,为补充专家经验知识的不足,还对收集的80余例土坝病害实例,应用人工神经元网络进行了事例学习和新规则生成。
......
柯洁表示自己这辈子都无法战胜AI,目前人工智能各个流派发展现状如何?
人工智能,简称AI。研究和开发模拟、扩展和扩展人类智能的理论、方法、技术和应用系统是一门新兴的技术科学。人工智能是计算机科学的一个分支。
它试图理解智能的本质,并制造出一种新的智能机器,它能以类似人类智能的方式做出反应。该领域的研究内容包括机器人、语言识别、图像识别、自然语言处理和专家系统。
自人工智能诞生以来,其理论和技术日趋成熟,应用领域也不断拓展。可以想象,未来人工智能带来的科技产品将是人类智能的容器。人类正在向信息时代迈进,信息是当今时代的主旋律。
信息作为知识被抽象和具体化,形成了智力的基础。因此,从信息到知识再到智能,将成为人类社会发展的趋势。人工智能已经广泛深入地融入到科学技术的各个学科和社会的各个领域。
它的理念、方法和技术广泛渗透到各行各业。目前,人工智能的研究是与特定领域相结合的。基本上有以下几个方面。专家系统,专家系统是基于人类专家现有知识的知识系统。
专家系统是目前人工智能研究中最早、最活跃、最有效的领域,广泛应用于医学诊断、地质勘探、石油化工、军事、文化教育等方面。它是一个在特定领域具有相应知识和经验的程序系统。
它运用人工智能技术模拟人类专家解决问题时的思维过程,从而解决领域中的各种问题,达到或接近专家的水平。
机器学习,机器学习的研究是研究人类学习的机制、人脑的思维过程、机器学习的方法以及针对特定任务建立学习系统。机器学习的研究以信息科学、脑科学、神经心理学、逻辑学、模糊数学等学科为基础。
依托这些学科共同发展。目前,虽然取得了很大进展,但问题还没有完全解决。模式识别,模式识别是研究如何使机器具有感知能力,主要是视觉模式和听觉模式的识别。
如识别物体、地形、图像、字体如签名等,广泛应用于日常生活和军事事务的各个方面。近年来,随着模糊数学模型应用的迅速发展,人工神经网络模型方法逐渐取代了传统的统计模式和结构模式识别方法。
特别是神经网络方法在模式识别方面取得了很大的进展。人工神经网络,人工神经网络的灵感来源于对人脑奥秘的研究,试图用大量的处理单元,人工神经元、处理元件、电子元件等来模拟人脑神经系统的工程结构和工作机理。
在人工神经网络中,信息处理是通过神经元之间的相互作用来实现的。知识和信息的存储通过网络元素之间的分布式物理连接来表示。网络的学习和识别依赖于神经元连接权值的动态演化过程。