淺談神經網路在人工智慧中的應用論文
摘 要：神經網路是人工智慧領域不可或缺的部分，當前最常見的幾種神經網路分別是感知器網路、BP網路、柯荷倫網路、競爭網路，這幾種網路各具特點，最後給出了兩個使用BP網路解決實際問題的例子。
關鍵詞：
關鍵詞：神經網路 人工智慧 機器學習 控制演算法
控制理論從提出到目前為止，一共經歷了三個重大的發展時期，分別是經典控制理論、現代控制理論和智慧控制理論。智慧控制屬於較新的控制理論，它現在主要用於人工智慧領域。為了使更多的人瞭解到人工智慧，推動控制理論的不斷前進，就需要對神經網路進行推廣。
1 典型神經網路
1.1 感知器
感知器的工作原理是使用直線、平面等切割平面或立體空間，將這些平面或空間分成若干不同的區域[1]，以達到對輸入訊號進行分類的目的。感知器在使用前，需要先進行訓練。訓練感知器的主要目的是調整它的權值。訓練感知器時，透過選擇典型的輸入型別，這些輸入需要能代表所有的輸入型別，然後將這些資料輸入到感知器中對感知器進行訓練。訓練之後，感知器網路的節點數及權值得到了調整。當感知器訓練完成之後，就可以進行工作了。
1.2 BP網路
BP網路是當前使用得最多的一種神經網路，它的主要功能是對非線性有理函式進行逼近，以滿足對非線性系統的控制作用。一般使用最速下降法對BP網路進行訓練，將誤差反向傳播，當有大量的資料透過BP網路時，網路的權值和閾值得到調整，並使得網路的誤差係數降低到最小[2]。下式是不含反饋的神經網路的輸入與輸出關係： 以上表達式不能表示具有反饋方式的神經網路，如果需要表示BP網路，還需要對上式加入反饋部分，如下式所示： 當訓練結束之後，此神經網路即是BP網路，它就可用於對非線性系統的控制。它將輸出反饋到輸入，作為輸入的一部分，以達到對系統權值的持續調整，消除非線性影響的作用。
1.3 競爭網路
競爭網路一般用於對大量具有典型特徵的資料進行分類，它是一種單層網路，包括輸入層和競爭層，輸入層和競爭層共用一個權值函式。競爭網路的訓練和工作並未像其它神經網路那樣明確分開，而是在工作的過程中實現對網路的訓練。它的訓練方式是無監督式的，訓練過程是透過競爭，將獲勝節點的權值進行調整，從而使網路的輸出於輸入間的誤差逐漸減小，在這個競爭過程中，就可以透過輸出的不同，而將輸入分成不同的型別，以實現自動分類的功能。
1.4 柯荷倫網路 為了實現對具有機率分佈模式的資料進行分類，可以利用柯荷倫網路模型。柯荷倫網路網路模型與普通的網路模型很相似，它的不同之處在與它在訓練過程中對節點的調整方法的區別。柯荷倫網路模型對節點的調節方式與競爭網路的`比較相似，都是透過競爭來確定需要調整的網路節點，競爭網路只需要調整競爭獲勝的節點，而柯荷倫網路除了需要調整競爭獲勝的網路節點，還需要調整獲勝節點的臨近節點。
2 BP網路在智慧系統中的應用
2.1 聯想記憶
在訊號處理、語音和影象識別等領域，當輸入資料具有干擾或需要網路具有糾錯能力時，就需要網路能夠識別出這種錯誤，並將其糾正過來。為了能得到具有這種功能的神經網路，可以先將識別物件轉換成網路的平衡節點，透過調整節點的權值，使其記住這些目標。然後再透過不斷對網路輸入學習資料，使其不斷進行聯想，最終使目標模型的特徵收斂到網路的平衡節點上。例如在進行文字處理時，為了能是神經網路具有識別出錯誤文字的功能，可先將特定模型的文字轉化成網路平衡節點，然後在對網路輸入正確的文字，在不斷的訓練過程中，網路就能實現對錯誤輸入的識別作用。
2.2 最佳化計算
霍普菲爾德的網路穩定性判別函式以能量為基礎。當系統不穩定時，能量會逐漸減小，並最終趨於穩定。在大規模電力線路的設計過程中，為了使設計的電子線路系統最優，就需要對設計不斷進行最佳化。透過對系統網路進行分析，求解出網路的最優引數之後，將這些引數轉換成神經網路中的平衡節點。在對神經網路進行訓練之後，網路就可以透過不斷迴圈最佳化，最終設計出一個最優電子線路系統。
2.3 影像處理
在人造成像系統中，無論是光學成像，還是聲波成像，以及電磁波成像，由於在對影像進行採集和處理的系統一般是數字系統，並且數字訊號本身比模擬訊號具有更強的抗噪能力，在採集和處理過程中，必須先對影像資料進行數字化處理，將模擬訊號轉換成數字訊號。因此，最終採集到的影像資料都是不連續的。 當前對影像資料的處理主要包括：處理因焦距問題而產生的影像模糊;影像噪聲含量較多時將噪聲處理掉;使用邊緣檢測的方法，得到影象的特殊屬性。影像處理所涉及的領域也非常寬廣，如對影像進行分類、在醫學中對藥物反應的影像進行分析等。