前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經網絡的缺點范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡的缺點范文第1篇

［關鍵詞］BP神經網絡農業工程農業管理農業決策

一、引言

采用神經網絡算法的信息處理技術，以其較強的計算性和學習性，現如今已經在各工程領域內得到了廣泛應用。隨著科技不斷的發展和研究的不斷深入，農業系統中采用的傳統分析和管理的方法已經不能滿足農業工程領域快速發展的需要。在農業系統中采用神經網絡技術可在一定程度上可彌補傳統方法的不足，現已成為實現農業現代化的一個重要途徑。神經網絡現已在農業生產的各個環節得到廣泛的應用，從作物營養控制、作物疾病診斷、產量預測到產品分級，顯示了巨大的潛力，并正以很快的速度與生產實際相結合。目前應用比較多的BP神經網絡，可通過學習以任意精度逼近任何連續映射，在農業生產與科研中展示出了廣闊的應用前景。

BP人工神經網絡方法。人工神經網絡是對生物神經網絡的簡化和模擬的一種信息處理系統，具有很強的信息存貯能力和計算能力，屬于一種非經典的數值算法。通常可分為前向神經網絡、反饋神經網絡和自組織映射神經網絡。BP神經網絡(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經網絡，可通過連續不斷的在相對于誤差函數斜率下降的方向上計算網絡權值以及偏差的變化而逐漸逼近目標值，每一次數字和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實現了神經網絡的學習過程。BP人工神經網絡的結構如圖所示，BP神經網絡可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網絡結點之間沒有連接。每個網絡結點表示一個神經元，其傳遞函數通常采用Sigmoid型函數。BP神經網絡相當于從輸入到輸出的高度非線性映射，對于樣本輸入和輸出，可以認為存在某一映射函數g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數，xi為輸入樣本，yo為輸出結果。

BP神經網絡的一個顯著優點就是其可進行自學習，能夠通過訓練得到預期的效果。其學習過程由正向傳播和反向傳播組成，神經網絡的輸入值經過非線性變換從輸入層經隱含層神經元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經元的狀態將影響到下一層神經元狀態。如果輸出層得到的數值與期望輸出有一定的偏差，則轉入反向傳播過程。神經網絡通過對輸入值和希望的輸出值(教師值)進行比較，根據兩者之間的差的函數來調整神經網絡的各層的連接權值和各個神經元的閾值，最終使誤差函數達到最小。其調整的過程是由后向前進行的，稱為誤差反向傳播BP算法。具體學習過程如下：

（1)隨機給各個權值賦一個初始權值，要求各個權值互不相等，且均為較小的非零數。

（2)輸入樣本集中每一個樣本值，確定相應的網絡實際輸出值。

（3)計算實際的輸出值與相應的樣本集中的相應輸出值的差值。

（4)按極小誤差方式調整權值矩陣。

（5)判斷網絡誤差是否小于訓練前人為設定的一個較小的值，若小于，則跳出運算，此時的結果為神經網絡的最終訓練結果；若大于，則繼續計算。

（6）判斷最大迭代次數是否大于預先設定的數，若小于，返回（2）;若大于，則中止運算，其結果為神經網絡的最終訓練結果。

上述的計算過程循環進行，直到完成給定的訓練次數或達到設定的誤差終止值。

二、BP神經網絡在農業工程領域中的應用

1.在農業生產管理與農業決策中的應用

農業生產管理受地域、環境、季節等影響較大，用產生式規則完整描述實際系統，可能會因組合規則過多而無法實現。神經網絡的一個顯著的優點就是其具有較強的自學習、自適應、自組織能力，通過對有代表性的樣本的學習可以掌握學習對象的內在規律，從而可以在一定程度上克服上述信息量大的問題。神經網絡在農業生產管理方面可用于農作物生長過程中對農作物生長需求進行預測，從而通過對養分、水分、溫度、以及PH值的優化控制達到最優的生長狀況。采用神經網絡預測算法的主要思想可描述為：（1）收集一定規模的樣本集，采用BP算法進行訓練，使網絡收斂到預定的精度；（2）將網絡權值矩陣保存到一存儲介質中，例如文本文件或數據庫中；（3）對于待預測數據的輸入部分，從存儲介質中讀出網絡連接權值矩陣，然后通過BP神經網絡的前向傳播算法計算網絡輸出，輸出結果既是預測出來的數值向量。如霍再林等針對油葵不同階段的相對土壤含鹽濃度對其產量的影響有一定的規律的現象，以油葵的6個成長階段的土壤溶液含鹽的相對濃度為輸入樣本，相對產量為輸出樣本，通過比較發現，訓練后的神經網絡能較好預測油葵產量，采用此方法可補充傳統模型的不足，為今后進一步的研究開辟了新路。

在農業決策方面，主要將農業專家面對各種問題時所采取的方法的經驗，作為神經網絡的學習樣本，從而采用神經網絡建立的專家系統將從一定程度上彌補了傳統方法的不足，將農業決策智能化。如何勇、宋海燕針對傳統專家系統自學習能力差的缺點，利用神經網絡可自我訓練的優點，將神經網絡引入專家系統中。將小麥缺素時的田間宏觀表現，葉部、莖部、果實癥狀及引起缺素的原因這五個方面的可信度值作為神經網絡的輸入量，將農業專家診斷的結論作為輸出量，將這些數據作為神經網絡的訓練數據。實際應用表明此系統自動診斷的結果與專家現場診斷的結果基本一致，從而采用該系統能夠取代專家，實現作物的自我診斷，為農業管理方面提供了極大的幫助。如馬成林等針對于傳統施肥決策方法中非線性關系描述不足的問題，基于數據包分析和BP神經網絡，建立了施肥決策模型，應用表明，在有限的范圍內，模型預測結果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經網絡應用在農業生產決策中，以莜麥播種方式決策為例，通過對產生式規則的分析導出神經網絡輸入、輸出單元數，并通過多次試驗確定隱層單元數，用MATLAB方針結果表明，采用神經網絡作為農業生產決策的方法，取得了較好的效果。譚宗琨提出將基于互聯網環境下的神經網絡應用在玉米智能農業專家系統中，根據農作物發育進程分成若干個發育期，分別對各個發育期建立管理模型，依照作物各發育期進程時間間隔，由計算機系統自動選取相應的模型進行決策。應用分析的結果表明采用神經網絡的玉米智能專家系統已初步接近農業生產的實際。

2.在農產品外觀分析和品質評判

農產品的外觀，如形狀、大小、色澤等在生產過程中是不斷變化的，并且受人為和自然等復雜因素的影響較大。農產品的外觀直接影響到農產品的銷售，研究出農作物外觀受人為和自然的影響因素，通過神經網絡進行生產預測，可解決農產品由于不良外觀而造成的損失。如Murase 等針對西紅柿表皮破裂的現象，西紅柿表皮應力的增長與西紅柿果肉靠近表皮部分水分的增加有關，當表皮應力超過最大表皮強度時，將導致表皮破裂。用人工神經網絡系統，預測在環境溫度下的表皮應力，可通過控制環境變量來減少西紅柿表皮破裂所造成的損失。

在農業科研和生產中，農產品的品質評判大多是依賴于對農產品外觀的辨識。例如對果形尺寸和顏色等外觀判別果實的成熟度，作物與雜草的辨別，種子的外觀質量檢測。由于農業環境的復雜性和生物的多樣性，農產品的外觀不具有較確定的規律性和可描述性，單一采用圖像處理技術辨識農產品的外觀時不宜過多采取失真處理和變換，否則則增加圖像處理的復雜性，特征判別也相對困難。人工神經網絡由于其具有自學習、自組織的能力，比較適宜解決農業領域中許多難以用常規數學方法表達的復雜問題，與圖像處理技術相結合后，可根據圖像特征進行選擇性判別。采用此方法可以部分替代人工識別的工作，提高了生產效率，也有利于實現農業現代化。如Liao等將玉米籽粒圖像用34個特征參數作為神經網絡的輸入變量，將輸出的種粒形態分為5類，經過學習的神經網絡對完整籽粒分類的準確率達到93％，破籽粒分類的準確率達91％。

3.蔬菜、果實、谷物等農產品的分級和鑒定

在農業生產中，蔬菜、果實、谷物等農產品的分級和鑒定是通過對農產品外觀的辨識進行的。傳統的農產品外觀的辨識方法費時費力、預測可靠度很低，而且多采用人工操作，評價受到操作者主觀因素的影響，評判的精度難以保證。利用人工神經網絡技術結合圖像處理技術可部分代替以往這些主要依靠人工識別的工作，從而大大提高生產效率，實現農業生產與管理的自動化和智能化。

利用BP神經網絡技術對農產品果形尺寸和顏色等外觀評判，目前國內外已有不少成果用于實際生產中。何東健等以計算機視覺技術進行果實顏色自動分級為目的，研究了用人工神經網絡進行顏色分級的方法。分別用120個著色不同的紅星和紅富士蘋果作為訓練樣本集對網絡進行離線訓練。兩個品種的蘋果先由人工依據標準按著色度分成4級，對每一個品種分別求出7個模式特征值作為BP網絡的輸入，用訓練好的神經網絡進行分級。結果表明紅富士和紅星果實的平均分級一致率分別為94.2％和94.4％。劉禾等用對稱特征、長寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網絡與人工智能相結合，建立果形判別人工神經網絡專家系統。試驗水果品種為富士和國光。試驗表明系統對富士學習率為80％，對非學習樣本的富士蘋果的果形判別推確率為75％，系統對國光學習率為89％，對非學習樣本的國光蘋果果形判別系統的難確率為82％。

三、未來的發展方向

人工神經網絡的信息處理技術現已在農業工程領域內得到了迅速的應用，采用人工神經網絡算法的農業系統能夠從一定程度上改善控制效果，但此技術在農業范圍內還不夠成熟，有待于進一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經網絡算法的改進

人工神經網絡算法由于本身具有一定的缺點，從而采用人工神經網絡的算法的信息處理技術在應用過程中具有一定的局限性。在今后的研究中，可以從人工神經網絡方向著手，改進人工神經網絡算法，從而實現其在農業領域內更好的應用。近年來隨著模糊算法、蟻群算法等算法的相繼出現，將神經網絡與其他算法結合在一起已經成為了研究的熱門話題，也是未來算法研究的主要方向之一。

2.應用領域的擴展

人工神經網絡算法在農業工程方面現已得到了迅速的發展，擴展其在農業工程領域的應用范圍是未來的一個主要研究方向。人工神經網絡由于其具有自學習能力，可對農業系統的非線形特性進行較好的描述，采用人工神經網絡可解決傳統方法的不足，從而實現農業現代化。如何將神經網絡較好地引入到農業系統，解決農業工程中的部分問題，已是今后農業科研中的一個方向。

四、結束語

神經網絡作為一種人工智能范疇的計算方法，具有良好的自學習與數學計算的能力，可通過計算機程序進行模擬運算，現已廣泛用于模式識別、管理決策等方面。隨著計算機硬件和軟件的不斷發展與農業工程方面的研究的不斷深入，神經網絡將在農業管理、農業決策、農作物外觀分類、品質評判等方面充分發揮其自學習能力強，計算能力強的優勢，通過對樣本數據的學習，神經網絡可較好地解決農作物生長過程中的作物分類、預測等非線形的問題。在農業工程領域內，神經網絡擁有廣闊的科研前景。

參考文獻:

[1]余英林李海洲:神經網絡與信號分析[M]. 廣州: 華南理工大學出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經網絡的作物水―鹽響應初步研究[J].內蒙古農業大學學報，2003，24（3）：66～70

[3]何勇宋海燕:基于神經網絡的作物營養診斷專家系統[J]. 農業工程學報,2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數據包絡分析和人工神經網絡的變量施肥決策方法研究[J].農業工程學報,2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式決策的BP神經網絡模型[J]. 太原理工大學學報，2006,37(5):119～121

[6]譚宗琨: BP人工神經網絡在玉米智能農業專家系統中的應用[J].農業網絡信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

人工神經網絡的缺點范文第2篇

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。

人工神經網絡的缺點范文第3篇

A

Hierarchy feature recognition based on feature face

PENG Sizhen， HAO Yongtao

(CAD Research Center, Tongji Univ., Shanghai 200092, China)

Abstract： To decrease the complexity of feature recognition, a hierarchy feature classification method based on feature entity, feature concrete face and feature virtual face is proposed. A hierarchy feature recognition method based on feature face is implemented by constructing two kinds of neural network input matrixes, and taking advantage of neural network in feature recognition. The example demonstrates that the method is more effective in recognizing feature of which the material is removed, but the range of feature recognition is somewhat limited.Key words：feature face; feature recognition; neural network

な嶄迦掌冢2010[KG*9〗07[KG*9〗12 修回日期：2010[KG*9〗09[KG*9〗16ぷ髡嘸蚪椋 彭思楨(1986―)，男，山東臨沂人，碩士研究生，研究方向為智能CAD，(Email);ず掠咎(1973―)，男，山東威海人，副教授，博士，研究方向為企業信息集成系統、知識處理與挖掘、智能設計、分布式智能系統和ば檳庀質導際醯齲(Email)0 引 言

雖然對產品生產的自動化、智能化研究很多，但在工業上的應用效果并不理想.當前產品數據主要以較低層次的形式存儲為主，如CSG和Brep這2種產品數據表示方法并不適合直接應用到產品設計之后的加工和制造中，特征識別技術的提出正逐步解決這個問題.

［1］

當前已提出很多種特征識別方法，如基于規則的、基于圖的、基于幾何解釋的和基于體積分解的，這些方法都通過與特征庫中已定義的特征類型進行比較來識別特征.但是，特征庫不可能包含所有的特征類型，也不可能為特征庫中所有的特征類型添加約束信息.另外，這些方法還存在效率低和沒有學習能力等缺陷.

［2］人工神經網絡具有學習和反饋的能力，在分類和特征識別領域有極大優勢.

［3］

特征的類型越來越多，對特征進行準確、有效的分類是特征識別的基礎，利用層次性分類方法可縮小特征對應的范圍，從一定程度上降低特征識別的復雜度.層次性特征分類必然要求多層次的人工神經網絡輸入表示.

本文提出層次性特征分類方法以及特征實體、特征實面、特征虛面的概念，構造2個人工神經網絡輸入表示矩陣，用人工神經網絡識別不同層次的特征，并研究人工神經網絡的結構和訓練方法.特征識別框架見圖1.ね 1 特征識別框架1 特征分類及表示1.1 特征分類

目前存在許多特征的分類方式，STEPAP224是被廣泛應用的特征分類方法之一.在STEPAP224中，加工特征被定義為1種生成特征，這種生成特征識別出為獲得最終幾何形狀需從初始塊中移除的材料體積；定義16種加工特征，如洞和狹槽等.作為1種國際標準，STEPAP224在特征分類上存在一定優勢，但仍有以下缺點

［4］：（1）分類不嚴密，存在某些重疊的情況；（2）分類不完整，未包含所有的基礎加工實體；（3）加工特征的定義不準確，STEPAP224定義移除材料的加工特征，但不適合定義添加材料的特征.為克服上述缺點，提出產品層次特征分類，見圖2.ね 2 產品層次特征分類じ梅椒ǘ隕產中各個角度的加工特征進行層次分類，本文重點研究產品內延特征，其在第1層中包含5種基本特征類型，詳細的分類層次見表1. 基于層次的特征分類方法不僅可清晰地描述各類特征之間的關系，而且可通過層次性特征識別減少特征識別的復雜度.每層特征的數量較少，使每個特征類型具有1個輸出神經元成為可能.表 1 內延特征層次分類原始層內延特征第1層圓孔圓錐孔槽袋階梯第2層通孔盲孔通圓錐孔盲圓錐孔通槽盲槽封閉袋開口袋通階梯盲階梯1.2 特征表示方法

有效的特征表示是構造特征識別的基礎，目前廣泛使用的特征表示方法是AAM（Attributed Adjacency Matrix），其由AAG（Attributed Adjacency Graph）轉化而來，主要描述特征模型的幾何和拓撲信息.該方法存在以下缺點

［5］：（1）表達形式不唯一，對于不同的特征，AAG可能具有相同的表達；（2）隨著組成特征的面的增加，矩陣的大小急劇增加；（3）不僅需要利用啟發式方法將AAG分解成幾個子圖，而且需要通過詢問1組關于AM（Adjacency Matrix）布局和子圖面數量的12個問題將每個矩陣轉換為表示向量；（4）可識別的特征的范圍有限，不能識別涉及到第2特征面的特征，如T槽.

為解決表達形式不唯一的問題，提出1組新概念，用以形成新的輸入表示構造方法.

特征實體 實體等價于為得到某個外部特征的輪廓而加載到原始材料上的體積.

特征實面 物理上包含模型外部特征的基本形狀的面，屬可見的特征面.

特征虛面 與特征實面一起構成特征實體的邊界面，是為描述特征實體虛擬出來的1種不可見的特征實體面，在描述特征實體時使其具有可見性.

圖3為特征實體、特征實面、特征虛面及特征拓撲結構.特征虛面、特征實面表達內延特征的拓撲結構也可擴展到外延特征中，此時的特征虛面以特征之間相交面的形式出現.

(a)零件中的特征(b)移除的特征實體(c)特征拓撲結構圖 3 特征實體、特征實面、特征虛面及特征拓撲結構2 人工神經網絡的輸入

以圖3的特征拓撲結構為基礎，結合層次性特征分類方法，構造2類人工神經網絡輸入以識別不同層次的特征.2.1 第1層輸入構造

為實現表達形式的唯一性，從特征實體面的類型與特征面之間的角度關系出發，對組成特征實體的特征實面進行有序化處理.首先構造1個特征實面權重函數，其作用是根據組成特征的各個面的類型及相互間連接關系，對各個特征面進行賦值，形成特征實面序列構造的基礎，其形式為ИW=S×10－T+v×0.1И式中：S為與當前實面鄰接的特征實面數量；T為與當前實面鄰接的特征虛面數量；v為面類型值.以圖3為例，實面1與實面2，3和4鄰接，故S=3；與虛面1鄰接，故其T=1.面類型與面值的對應關系見表2.け 2 面類型與面值的對應關系面類型柱形面部分柱形面圓錐面部分圓錐面半圓面平面面值123456采用深度搜索方法進行特征面序列構造.首先選中權重最小的面，從此面出發，優先選擇與此面連接且權重最小的面作為序列的下一元素，否則選擇具有較小相交角度的面作為序列的下一元素，直到所有特征實面都加入到序列中為止.圖4為某特征面序列構造的過程.け嗪糯選特征面目標序列1{f1, f2, f3, f4}NULL2{f2, f3, f4}f13{f2, f3}f1, f44{f2}f1, f4, f35NULLf1, f4, f3, f2圖 4 特征面序列構造的過程ひ醞4序列為基礎，如果特征實面數量超過5，需進行簡化處理：如圖5(a)所示的包含7個特征實面的特征，根據其拓撲結構信息可簡化為圖5(b)中含有5個特征實面的形式，構造如圖5(c)所示的特征實面鄰接圖. （a） 7個特征實面的特征（b） 5個特征實面的特征 ぃc）簡化的特征實面鄰接圖ね 5 復雜特征的簡化と綣特征面滿足如下規則，則可進行簡化處理.

規則1 如果面fi，f

ij

利用特征實面鄰接矩陣可識別特征的5個基本類型，為方便CAPP(Computer Aided Process Planning)的應用，需更細化地識別特征類型.

［6］為此，構造特征虛面方向矩陣.特征虛面方向矩陣是個6×6的矩陣，它描述在+x，+y，+z，-x，-y和-z 6個方向上虛面的連接性，用V［i,i］表示在i方向是否存在特征虛面.如果i≠j，則V［i,j］表示在i方向上和j方向上的虛面是否存在連接性.類似地，特征虛面方向矩陣也是對稱的.為簡化輸入，將21位的編碼作為人工神經網絡的輸入.圖7為特征虛面方向矩陣實例.ね 7 特征虛面方向矩陣實例3 人工神經網絡的構造和訓練

由于采用層次性特征分類方法，故構造如下的1個層次性特征識別網絡.(1)第1層用于識別5個基礎特征類.識別中用到特征實面鄰接矩陣輸入向量，且輸出神經元代表特征類型.對于特征識別，同時激活2個類不可行，因此只有1個輸出神經元被激活，即其值大于閾值

0.5.如果1個或更多的輸出神經元被激活，代表網絡的模式不屬于1個已知類型.為確定人工神經網絡的結構，須調整隱藏層的數量、每個隱藏層神經元的數量以及調整學習率.含有17個神經元的3層結構的隱藏層被證明最合適.(2)第2層基于第1層，方便CAPP應用程序更進一步的識別.第2層中識別的人工神經網絡結構被設計成相同的步驟.如通過各種試驗，狹槽或階梯分類器以特征虛面方向矩陣為輸入，輸入層包含21個神經元，每個隱藏層包含18個神經元，輸出層包含2個神經元.(3)最后，利用經常被用在特征識別系統中的BP算法進行網絡訓練.4 基于特征面的層次識別方法實例

以所構造的人工神經網絡輸入矩陣、人工神經網絡拓撲結構以及訓練為基礎，用圖6和7所示的實例驗證該方法的有效性.

（1）構造特征實面鄰接矩陣.輸入層的輸入序列為6 3 0 4 0 6 3 3 0 6 4 0 6 0 0，將其輸入3層（15個神經元的輸入層、7個神經元的隱藏層以及5個神經元的輸出層）的人工神經網絡中，得到的識別見表3.

表 3 袋特征識別結果特征類型圓孔圓錐孔一般孔槽/階梯袋耦合度0.000 49.573E-60.009 320.015 120.981 9ぃ2）構造特征虛面方向矩陣.輸入層的輸入序列為1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0，將其輸入3層人工神經網絡（21個神經元的輸入層、18個神經元的隱藏層以及2個神經元的輸出層）中，得到的識別結果見表4.

表 4 開口袋特征識別結果特征類型封閉袋開口袋耦合度0.002 50.991 4び墑道可知，本文提出的方法可識別相對簡單的特征.5 結束語

從層次性特征分類方法出發，借助特征的特征面構造用于層次性特征識別的2類人工神經網絡表示矩陣.該方法在識別去除材料的特征時比較有效，可更好地應用到CAPP中，提高生產的自動化和智能化，但也限制該方法識別特征的范圍.擴大特征識別的范圍及對特征關系的識別是后續研究的重點.參考文獻：

［1］ DING Lian, YUE Yong. Novel ANNbased feature recognition incorporating design by features［J］. Computers Industry, 2004, 55(2): 197222.

［2］ ZZTaRK N, ZZTaRK F. Neural network based nonstandard feature recognition to integrate CAD and CAM［J］. ComputersIndustry, 2001,

45(2): 123135.

［3］ DING Lian, MATTHEWS J. A contemporary study into the application of neural network techniques employed to automate CAD/CAM integration for die manufacture［J］. Computers & Ind Eng, 2009, 57(4): 14571471.

［4］ TSENG YuanJye. A modular modeling approach by integrating feature recognition and featurebased design［J］. Computers Industry, 1999,

人工神經網絡的缺點范文第4篇

［關鍵詞］多目標決策；BP神經網絡；礦產資源；綜合開發利用評價

礦產資源綜合開發利用評價是一個典型的多目標決策問題，應用多目標決策的有關技術進行方案的排序選優，能較好地解決多方案的優化問題。關鳳峻根據給出的多個綜合開發利用方案，采用的層次評價方法，建立評價體系并采用理想點法進行排序，選出最優方案。宋光興等人改進了理想點法中權重的確定方式，利用熵技術法確定礦產資源綜合開發利用的評價指標的權重，并得出了排序選優的最終結果。李學全等人提出了一種灰色關聯度線性加權和方法，是解決礦產資源綜合開發利用評價問題的一個有益的嘗試。周科平提出了一種新的多屬性決策法，有效解決了主觀確定的權重不精確的缺點。陳林、曹樹剛采用博弈論分析框架中混合策略情況下應用最優化方法，尋求混合策略Nash均衡的最優化點，作為多指標決策問題的優選方案。

礦產資源綜合開發利用評價中權重的確定是一個關鍵，采用BP人工神經網絡技術構建的非線性評價模型對礦產資源的綜合利用水平進行評價，可避免人為確定各指標的權重帶來的主觀性。本文試采用BP人工神經網絡方法對礦產資源綜合開發利用各個方案做出評價，并把評價結果與其他方法作比較，以驗證方法的可靠性。

1數據來源以及研究方法

1.1數據來源

（1）數據來源于參考文獻三篇論文的舉例部分，某鐵金礦經研究設計得出9個方案。

（2）將數據進行歸一化處理，將每一列的數字xi代入歸一化公式x*i=[SX（]ximaxxi′[SX）]

即每一指標數據除以各自指標中的最大值，將數據劃歸在［0，1］范圍之內。

1.2研究方法

BP人工神經網絡簡介：人工神經網絡是將大量簡單的神經元廣泛連接而成，用以模擬人腦思維方式的復雜網絡系統，具有自組織、自適應、自學習和容錯性等特點，被廣泛應用于模式識別、圖像處理、自適應控制等領域。由于礦產資源綜合利用水平評價系統是一個多層次、多因素的復雜系統，采用BP人工神經網絡技術構建的非線性評價模型對礦產資源的綜合利用水平進行評價和識別可避免人為確定各指標的權重帶來的主觀性，提高評價結果的準確性。

2運用BP人工神經網絡對礦產資源綜合開發方案進行評價

運用matlab環境下的BP網絡模塊，我們將經濟發展水平分級指標作為樣本輸入，評價級別作為網絡輸出BP網絡通過不斷學習修改權重，找出評價指標與評價級別間的內在對應關系，利用此網絡模型進行經濟發展水平的綜合評價。

第一、評價指標體系的建立。以某銅鐵礦設計方案為例建立評價體系。參考其他人的研究成果及數據的可獲取性，選取5項指標，分別為鐵選礦回收率（%）、金選礦回收率（%）、產值利潤率（%）、成本利潤率（%）、噸礦利潤（元/噸）。

第二、網絡模型的構建。選取以上5項指標作輸入神經元，輸出神經元為銅鐵礦的綜合開發利用水平，構建神經網絡，采用等間距的線性內插方法，對已經歸一化了的數據進行等級劃分，構建人工神經網絡的訓練數據（見表1），并將銅鐵礦的綜合開發利用水平分為3級，3代表綜合開發利用水平高，2代表綜合開發利用水平中等，1代表綜合開發利用水平低。

據此構建5×1×1的神經網絡結構，其中隱含層神經元為3個，輸出層神經元1個。網絡設計的參數為：網絡初始值為［0，1］之間的隨機數，基本學習速率0.1；網絡訓練的終止參數為：最大訓練批次為10000次，最大誤差為0.01。網絡訓練達標后，將表1中的原始數據歸一化后輸入網絡，得出銅鐵礦的綜合開發利用水平的BP估計值。

表2表明，方案8的綜合開發利用水平BP值最大，是諸方案中最優的；方案7的綜合開發利用水平次之，為次優方案；方案1的綜合開發利用水平BP值最小，是諸方案中最差的。

3與基于理想點法評價模型計算得到的結果相比較

3.1理想點法簡介

理想點法是屬于多屬性效用理論的多目標決策方法，它最基本的思想是依據“綜合效用值”進行方案排序選優。其效用值的計算是用理想點法中的“距離值”的計算方法而得。通過選取各個目標中的最優值構成一個多目標的理想方案（也稱為理想點），并以目標空間中，各方案與理想方案的距離值來度量各方案的優劣。距離越小表示方案目標值越接近理想方案的目標點。這樣依距離值的大小來排列方案的優劣順序，距離越小，方案越優。

以下兩表格分別為基于層次評價方法與基于熵值法確定權重的理想點法得到的礦產資源綜合開發利用評價結果。

3.2各評價模型所得結果比較

將礦產資源綜合開發利用水平的BP值排序情況（表2）分別與基于層次方法和基于熵值法確定權重的理想點法（表3）得到的優方案排序相比較。采用BP人工神經網絡計算得到的結果與采用熵值確定權重的理想點法得到的結果相同；BP值法計算的結果中最好的三個方案分別為方案8、方案7、方案9，與層次理想點法的結果相同，不同之處僅僅存在于方案1與方案2，方案5與方案6，他們的排名也十分接近。這充分說明采用BP人工神經網絡方法對礦產資源的綜合開發利用進行評價是可行的。此外，由于運用matlab軟件可以輕易地實現BP神經網絡運算，這種方法在處理大量數據方面還有著獨特的優越性。

人工神經網絡的缺點范文第5篇

關鍵詞：機器人路徑規劃算法

一、本文就常見的幾種常見的路徑規劃算法及應用進行簡單的探討如下：

（一）遺傳算法概念

遺傳算法是根據達爾文的進化論，模擬自然選擇的一種智能算法，“適者生存”是它的核心機制。遺傳算法是從代表問題可能潛在解集的一個種群開始的。基于隨機早期人口，根據的原則，優勝劣汰，適者生存，世代演化產生更好的人口大概。在每一代，根據問題域的個體適應度大小來選擇個人，然后選定的個人在自然遺傳學，遺傳算子組合交叉和變異，產生代表性的解集的人口 。通過這些步驟，后生代種群比前代對于環境具有更好的適應性。人口最優個體解碼后可作為近似最優解。

（二）遺傳算法的特點

作為一種智能算法，遺傳算法具有如下特點：①遺傳算法在尋優過程中，只把適應度函數的值作為尋優判據。②遺傳算法是由一個問題集合（種群）開始的，而不是從一個個體開始的。故而遺傳算法的搜索面積很大，適合全局尋優。③遺傳算法根據概率性的變換規則進行個體的優勝劣汰并推動種群的進化。④遺傳算法具有隱含的并行性。⑤遺傳算法具有自組織、自適應以及內在的學習性，同時遺傳算法具有很強的容錯能力。⑥遺傳算法的基本思想簡單。對于復雜的和非線性的問題具有良好的適應性。

（三）遺傳算法的應用

遺傳算法提供了一個整體框架地址復雜系統問題，它不依賴于俞特定領域的問題，問題的類型、 已是強的魯棒性，所以廣泛應用余許多科學： 功能優化遺傳算法的經典應用，是遺傳算法的性能評價的常見的例子，許多人建設的各種復雜的表格功能測試： 連續函數和離散函數，凸、 凹函數、 低維功能和高尺寸功能、 單式功能和更多峰值函數。一些非線性、 多模型、 多目標函數優化問題和其他優化方法很難解決，GA 你可以更好的結果。增加問題的規模，搜索空間的組合優化問題，將會迅速增加，有時的當前枚舉方法和計算很難找到最佳的解決方案。實踐證明，遺傳算法、 組合優化問題的粒子非常有效。例如，已成功應用遺傳算法解決旅行商問題、 背包問題、 裝箱問題、 圖形劃分問題。此外，遺傳算法的生產調度、 自動控制、 機器人技術、 圖像處理和機器學習，人工生命，遺傳編碼，已獲得廣泛的應用。

二、蟻群算法及其應用

（一）蟻群算法概念

蟻群算法又稱螞蟻算法，是一種用來在圖中尋找優化路徑的機率型算法。它由Marco Dorigo于1992年在他的博士論文中提出，靈感來源于螞蟻在尋找食物過程中發現路徑的行為。蟻群算法是一種模擬進化算法。

（二）蟻群算法的特點

①蟻群算法是一種自組織算法。在早期的算法，單一的人工螞蟻障礙找到求解算法，久而久之，通過信息作用的激素，人工螞蟻進化將找到一些解決辦法更接近最優的解決方案，它是無序到有序的過程。

②蟻群算法的并行算法是一種基本的。每個蟻群搜索進程獨立的對方，只能通過信息素通訊。因此，蟻群算法可以看作是一種分布式的多智能體系統，它在問題空間搜索算法開始是一個獨立的解決方案，不僅提高了可靠性，這使得該算法具有強的全局搜索能力。

③蟻群算法是一種積極的反饋的算法。從螞蟻覓食中不難看到螞蟻已設法找到最短路徑的信息的過程取決于直接上的最短路徑的積累，以及信息素的積累是一個積極的反饋過程。這種正反饋的過程進行初步的差距有不斷擴大，并導致系統的最優解的方向發展。

④蟻群算法具有較強的魯棒性。比較與其他算法、 蟻群算法、 初始對齊要求不高，外務大臣蟻群算法用于路由和搜索過程的初步結果不需要手動調整。第二，設立簡單、 便于應用的蟻群算法求解組合優化問題的蟻群算法參數的殖民地，數目。

（三）蟻群算法應用

蟻群算法應用包括：二次分配問題、車間任務調度問題、車輛路線問題、機構同構判定問題、學習模糊規則問題、旅行社新旅游線路與旅行產品的制作等領域。

三、神經網絡算法

（一）神經網絡的概念

人工神經網絡也被稱為神經網絡連接模式，它是一種動物模型，神經網絡的行為特征，分布式并行處理算法的數學模型。網絡依賴于復雜的系統，通過調整內部之間的聯系，大量節點，以實現節能的目的，信息處理。

特征的神經網絡模型的人工神經網絡的主要網絡連接拓撲，神經元的特點，學習規則。目前，近40種神經網絡模型，其中有一個BP網絡，傳感器網絡，自組織映射，神經，波爾茲曼機，自適應共振理論。系統的穩定性與聯想記憶功能密切相關。

神經網絡的應用

人工神經網絡的非線性自適應信息處理能力，克服了傳統人工智能方法的直覺，作為模型，語音識別，非結構化信息處理方面的缺陷，使神經網絡專家系統，模式識別，智能控制，組合優化，預測等領域得到成功應用。人工神經網絡和其他傳統方法相結合，將促進人工智能和信息處理技術的發展。近年來，人工神經網絡模擬人類認知方式更深入的發展，模糊系統，遺傳算法，進化機制相結合，形成智能計算，人工智能，已成為一個重要的方向，在實際的應用開發。信息幾何學應用于人工神經網絡的研究，人工神經網絡理論開辟了一條新的途徑。