人工智能学年论文——对人工神经网络学习的探讨

人工智能课程论文

学 院 计算机与信息技术

专 业 计算机科学与技术

年 级 2010级计科一班

姓 名

课 题 对人工神经网络学习的探讨

对人工神经网络学习的探讨

摘要：

随着智能技术研究和应用的不断深入，人工智能越来越受到社会的关注。在

中国科协2008年举办的"十项引领未来的科学技术"网络评选中，"人工智能技术

"名列第四。人工智能作为一项引领未来的科学技术，正在以其无限的潜力，影

响着未来科学技术的发展，改变着人类的生产生活方式。

人工智能就是要用机器模拟、延伸和扩展人的智能。智能就像人类生命体的

精髓一样，人工智能则是人造智能系统的精髓。今天，从智能理论到智能应用，

从智能产品到智能产业，从个体智能到群体智能，从智能家居到智能社会，人工

智能已无处不在，其新理论、新方法、新技术、新系统、新应用如雨后春笋般不

断涌现。创新智能技术，深化智能应用是人工智能发展的根本。

人工神经网络是一种新的数学建模方式，它具有通过学习逼近任意非线性映

射的能力，本文主要提出了一种基于动态BP神经网络的猜测方法。

关键字：人工智能；动态系统；反向传播；人工神经网络；BP神经网络

一、简介

作为动态系统辨识、建模和控制的一种新的、令人感兴趣的工具，人工神经

网络（ANN ）提供了一种普遍而且实用的方法从样例中学习值为实数、离散值或

向量的函数。像反向传播（BACKPROPAGATION）这样的算法，使用梯度下降下来

调节网络参数以最佳拟合由输入—输出对组成的训练集合。ANN学习对于训练数

据中的错误健壮性很好，且已被成功的应用到很多领域，例如视觉场景分析、语

音识别以及机器人控制等。

对人工神经网络的研究可以追溯到计算机科学的早期。然而，直到20世纪

60年代晚期，人们才开始清楚单层的感知器网络的表现能力很有限，而且找不

到训练多层网络的有效方法。在20世纪80年代中期ANN的研究经历了一次复兴，

主要是因为训练多层网络的反向传播算法的发明。自从20世纪80年代，反向传

播算法就成为应用最广泛的学习方法，而且人们也积极探索出了很多其他的ANN

方法。

二、人工神经网络学习的国内外研究状况

随着人工神经网络20世纪80年代在世界范围内的复苏，国内也逐步掀起了

研究热潮。经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究

和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加．

在国际上，1987年，在美国加洲召开了第一届国际神经网络学会．此后每

年召开两次国际联合神经网络大会(IJCNN)．不久，该学会创办了刊物Journal

Neural Networks，另有十几种国际著名的神经网络学术刊物相继问世，至此，

神经网络理论研究在国际学术领域获得了其应有的地位。

作为人工神经网络学习的典型算法反向传播（BP）算法，近年来国内外学者

对这一算法提出了一些改进。其中，由宋绍云、仲涛提出的BP人工神经网络网

络的新算法解决了传统算法的局部极小及收敛速度慢的问题。该算法是在BP神

经网络现有的基础上提出的一种新的算法。

人工神经网络的研究同样在实践中也有所发展。比如，基于人工神经网络的

并行强化学习自适应路径规划，可以很好的应用于机器人蔽障系统。BP算法在

雷达目标识别中的应用以及在超声检测中的应用等都是在BP算法改进的基础上

实现的。

三、所选专题的研究意义与研究方法

从1946年第一台电子数字计算机问世以来直到现在，大多数信息处理都采

用程序式计算方式。这种方式解题需要设计算法或规则，并正确的编制成软件，

然后才能进行问题求解。这种解题方式必须考虑3个因素：问题的形式化；可进

行计算的算法；计算的复杂性。

人脑处理信息的特点如下：大规模并行处理； 具有很强的容错性，善于联

想、概括、类比和推广； 具有很强的自适应能力。

由上可知，脑是最复杂、最完美、最有效的一种信息处理装置，人们正以极

大的兴趣研究它的结构和机理。以此为背景，以人工神经网络为基础，形成了神

经网络的新学科。目前，对大脑思维的过程了解仍然很肤浅，人工神经网络模拟

的研究还很不充分，人们面临的是一个充满未知的新领域。神经网络将在基本原

理方面进行更深刻的探索。

神经网络研究的主要目的如下：

（1）理解脑系统为何具有智能。这些计算与符号表示的形式操作处理不同，

人脑是如何组织和实施这些计算的。

（2）研究各种强调“计算能力”的神经网络模型，并不着重于这些模型的

生物学保真程度

（3）研究大规模并行自适应处理机理。

（4）研究神经计算机的体系结构和实现技术。

四、适合神经网络学习的问题

人工神经网络学习非常适合于这样的问题：训练集合为含有噪声的复杂传感

器数据，例如来自摄像机和麦克风的数据。它也适用于需要较多符号表示的问题，

例如决策树学习任务。这种情况下ANN和决策树学习经常产生精度大体相当的结

果。反向传播算法是最常用的ANN学习技术。它适合具有以下特征的问题:

(1)实例是用很多“属性-值”对表示的。

(2)系统中输出的是30属性向量，每一个分量对应一个建议的驾驶方向。每

个输出值是0和1之间的某个实数，对应于在预测相应驾驶方向时的置信度。

(3)训练数据可能包含错误：ANN学习算法对于训练数据中的有非常好的健

壮性。

(4)可容忍长时间的训练：网络训练算法通常比像决策树学习这样的算法需

要更长的训练时间。

(5)可能需要快速求出目标函数值。

(6)人类能否理解学到的目标函数是不重要的：神经网络学习方法学习到得

权值经常是人类难以解释的。

五、对人工神经网络学习研究的认识及观点

（一）人工神经网络学习的几种算法

1.有监督Hebb算法 2.单层感知器 3.梯度（LMS）算法 4.BP算法

这几种算法中，BP算法应用最为广泛。

（二）基于反向传播网络的学习

反向传播算法是一种计算单个权值变化引起网络性能变化值得较为简单的

方法。由于BP算法过程包含从输出节点开始，反向地向第一隐含层（即最接近

输入层的隐含层）传播由总误差引起的权值修正，所以称为“反向传播”。

（1）反向传播网络的结构

鲁梅尔哈特和麦克莱兰于1985年发展了BP网络学习算法，实现了明基斯的

多层网络设想。BP网络不仅含有输入节点和输出节点，而且还含有一层或多层

隐（层）节点。

BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入

信息从输入层经隐单元层逐层处理后，传至输出层。每一层神经元的状态只影响

下一层神经元的状态。如果在输出层得不到期望输出，那么就转为反向传播，把

误差信号沿原连接路径返回，并通过修改各层神经元的权值，使误差信号最小。

反向传播算法是一种很有效的学习算法，它已解决了不少问题，成为神经

网络的重要模型之一。

（2）反向传播算法性能 …… 此处隐藏：2515字，全部文档内容请下载后查看。喜欢就下载吧 ……