人工神经网络范文1
在上世纪九十年代初期，利用数学知识将感知器模型的弊病全面提出，致使社会各界对于人工神经网络的探究非常少。另一方面，针对逻辑运算的人工神经网络研究存在一定的弊端，一直没有被大家发现，因此，致使人工神经网络探究工程进入严重的低谷期。
关于人工神经网络技术飞速发展时期，九十年代初期，对于人工神经网络技术的弊端予以充分解决，尤其是Hopefield的人工神经网络技术模型的提出，致使对于互联网的稳定性以及收敛性的探究有了充分的理论依据。而且将人工神经网络模型全面应用到具体的实践中，并且得到全面推广，同时，将科学技术和人工神经网络进行有机结合，使人工神经网络技术更加具有可研究性。
2关于人工神经技术的构造以及典型模型
互联网人工神经技术的构造的组成包括以神经元件为主，同时，这项包含多种神经元结构的互联网信息处理技术是可以并行存在的。每一个具体的人工神经元件可以单一输出，还可以和其他的神经元件相结合，并且具有非常多的连接输出方法，每一种连接措施都会有相应的权系数。具体的人工神经网络技术的特点有：（1）针对每一个节点i，都会有相应的状态变量Xi存在；（2）节点j到节点i之间，是相应的权系数Wij存在；（3）在每一个节点i的后面，具体存在相应的阈值θi；（4）在每一个节点i的后面，存在变换函数fi（Xi，Wijθi），但是，通常情况来说，这个函数取fi(∑，WijXi-θi)的情况。
3将人工神经网络技术进行全面使用
互联网的人工神经网络技术具有独特的结构和处理措施，具体包括在：自动控制处理和网络技术模式识别、模型图像处理和相应的传感器信号处理技术。信号处理技术和机器人控制处理技术、地理领域和焊接、在电力系统应用和相关数据挖掘、军事和交通行业、农业和气象行业等多个领域纷纷体现出其卓越的贡献。
ART人工神经网络技术的运用。人工神经网络技术ART在网络语音和网络图像、文字处理和具体识别等方面，得到广泛的应用；同时，在工业处理系统中也有相应的应用，例如，在工业系统中的故障诊断和故障检测以及事故警报等情况的控制；人工神经网络ART技术还应用在数据挖掘方面，在相关数据中挖掘最稳定和最有意义的模式。具体的神经网络技术ART的优势为：网络技术处理能力高、稳定性强以及聚类效果非常好。
4结束语
人工神经网络范文2
1.1拓扑结构调节
通过对静态邻域的各种结构以及它们对技术性能影响进行分析后得出，在拓扑适应性方面星形拓扑、VonNeumann拓扑以及环形拓扑最好。此外，人工神经网络技术性能与邻域密切相关，处理复杂问题时小邻域的人工神经网络技术性能较好，但是处理简单问题上大邻域的人工神经网络技术性能会更好。Chend从改进人工神经网络结构的角度出发，提出了一种具有双结构的人工神经网络技术。技术将神经网络单元分为M+1层，其中“1”指顶层，技术通过获得顶层神经网络单元的全局最优值影响其余各层的粒子对最优值的探索，以此提高神经网络单元搜索结果的多样性。该技术考虑到神经网络单元体表现以及粒子个体的表现，并将其作为触发条件控制领域变化从而提高寻优效率。提出了KRTG-人工神经网络技术，通过产生随机动态的网络拓扑结构并将平均值引入到粒子更新公式中，增加了种群的多样性，改善了粒子间信息的传播速度。
1.2结合其他技术改进
相关研究将遗传技术中遗传算子的选择、交叉、变异等过程与人工神经网络技术相结合，提出一种混合技术。改进后的技术提高人工神经网络技术的性能，增加种群的多样性并提高逃离局部最小的能力，可以将差分进化技术和人工神经网络技术相结合，通过两种技术的交叉执行来提高改进技术的效率。白俊强等将二阶振荡和自然选择两种方法融入到人工神经网络技术中，通过二阶振荡对技术速度公式进行更新，通过自然选择提高了神经网络单元中靠近最优值粒子的比重。通过收集粒子的取值信息构建记忆库，让库中信息和粒子自身极值共同决定粒子的寻优方向，从而提高寻优准确性。
2人工神经网络技术在计算机系统中的应用
2.1系统管理模块
系统管理模块主要是系统管理员对系统进行维护操作，包括用户的认证、数据的维护以及系统安全管理。系统用户认证模块，由于系统的用户包括专家用户，负责对评估因子进行筛选确定以及对评估因子进行打分操作；管理员，负责系统维护以及相关数据的录入、修改和删除操作；普通用户，所以系统需要对用户进行认证以便完成与其身份相对应的操作，确保系统安全。系统的后台维护模块主要用来完成数据库导出以及软件维护操作，系统安全管理模块主要对系统的用户权限进行管理。
2.2资源管理模块
资源管理模块主要是用来管理系统所有的安全驾驶理论知识体系的，包括文字、图片、视频和动画。主要操作有插入、修改、删除。文字信息管理模块，面向系统管理员，主要用来管理系统的文字信息，文字信息包括地点名称等信息，文字对应相应的知识点，大多以理论知识和测试题的模式存在于模块中。图片信息管理模块面向系统管理员，主要用来管理图片相关信息，包括图片名称、所属知识点信息。图片和文字一样，用来进行知识的展示。视频信息管理模块面向系统管理员，主要用来管理视频信息，采用人工神经网络技术。人工神经网络技术指以神经元方式在网络中传送音频、视频和多媒体文件的媒体传输技术。
2.3系统关键技术
2.3.1使用人工神经网络作为接口处理规范。
由于本系统是在浏览器中访问，需要访问核心数据库，在这里我们采用人工神经网络技术，可以对系统数据访问接口进行扩展，对数据进行格式化以提高可读性。在系统中我们采用的是标准的人工神经网络格式，其中报文分为报文的头和体两部分。
2.3.2系统网络拓扑结构。
为了保障系统的安全性，我们在这里采用两个服务器：一个是用于数据存储的服务器；另一个是用于用户请求处理的服务器。系统对于用户的使用分为内网用户和外网用户，内网用户是在内部局域网进行访问系统，针对的是学习系统的管理员，外部用户是互联网上的用户，针对的是进行在线学习的学习者。在服务器与内网、内网与外网之间都设置了防火墙，以保障数据的传输安全和数据库的安全。这样的拓扑结构有效地保障了系统的安全性和稳定性，其好处主要包括：人工神经网络三层结构将业务处理和数据处理的服务器分开，有利于系统的维护和升级，保障了系统数据的安全；分布式的网络布局，对于不同的用户有不同的访问方式，多渠道的访问方式有效地避免了不兼容的情况的发生，系统的可用性得到了提高。
2.4数据库设计
所选择的数据库需要有良好数据组织结构，可以使整个系统迅速、方便、准确地调用管理所需的数据，提高整个系统的性能。为了达到上述要求，系统采用神经元数据库。神经元数据库是一个对象——关系型数据库，它提供了开放、全面、集成的信息管理方法，数据存储具有透明性。有了一个高性能数据库作为基础，还需要好的数据库结构，数据库结构设计的好坏将直接影响系统的效率和实现的效果，好的数据结构设计会使得系统具有较快的响应速度，提高数据的完整性和一致性，大大提高整个系统的性能。
3结语
人工神经网络范文3
人工神经网络直接受神经生理学和生物解剖学研究的启发。一个简单的神经细胞通常称之为神经元，细胞的胞体是一球形，由胞体延伸出来的主要管状信号传输神经纤维称为轴突，胞体上其他又细又短的纤维称为树突，整个神经细胞—胞体、轴突和树突—都包含在细胞膜内。胞体和树突接受来自其他神经元的信息，在轴突的终端附近，通常分成许多分支，称为突触区域。突触将一个神经元的信息传给其他神经细胞。信息从突触前细胞神经元传到突触后神经元。信息通过突触的传递称为化学传递，因其利用化学物质的扩散来完成信息的传递。神经元有许多不同的种类，具有相似或相关功能的神经元通常相互连接。紧密连接的神经元通常在神经系统中聚集在一起(它们具有明显的解剖学特征)，其主要原因是短突触更有效：它容易生成，所费材料少，占据更小的空间，且传递信息快。这一结构的形成原理可用于城市规划、网络建没和研究各种自然现象的自组织行为。自组织特征映射算法便是基于这一结构的形成原理而设计的。大脑大致包含了数百个这样的细胞聚合块，它们的形状多为球形和盘状。短的连接出现在同一结构中，结构和结构之间由大量长神经纤维形成的束来连接，球或盘的顺序连接称为通道。大脑便通过这些以复杂方式连接起来的神经元形成的网络，处理各式各样的从外部世界输入的信息。由于现代计算技术的发展，人们对于外部世界的表示通常用一个数字向量来表示，这一表示使得人类在自然科学的诸多领域获得了巨大的成功。大脑是利用神经网络表示外部世界刺激，神经网络亦可用一组向量表示外部事件的刺激，但其计算方式却与现行的数字计算机的运算方式大相径庭。
2人工神经网络的基本功能
（1）联想记忆。人工神经网络的设计使其具有分布存储信息和并行计算的功能，所以它能对输入其中的信息和输入的模式有联想记忆的能力。
（2）非线性映射。在大多数的现实的设计中，大多数的系统的输入和输出之前不能建立线性的关系，导致不能在这种类型的系统上建立相关的熟悉模型。而设计合理的人工神经网络可以十分精准的逼近非线性映射，利用它的这一优良的能力，可以建立多维非线性函数的通用数学模型，可以应用于几乎所有的领域。
（3）分类与识别。人工神经网络对输入其中的样本具有分类与识别，能力十分强大和精准，区别于传统分类方法只能局限于同类相聚、异类分离的识别与分类问题，神经网络对非线性曲面的逼近一类问题也有很强的解决能力。
（4）知识处理。人工神经网络获取知识的路径与我们人类相同，也是通过对输入和输出的信息分析进而发现规律从而获得相关知识，并进一步在神经网络中储存。神经网络的另外一大优势，就是可以缺少先验知识的条件下，自动通过从输入的数据中抽取特征，发现规律，并构建成适合于表达的规律。
3人工神经网络在经济管理中的应用领域
（1）信贷分析.对于这类型的，信用评估的机构要有特异性的，基于不同申请公司的各自不同的特点，总结出信用判断的条件，即使是这样的复杂，判断失误的机率也是较大的，最终的后果是给信贷机构带来经济和信誉上的损失。而利用计算机科学技术的成果即人工神经网络的评价系统，由于神经网络评价系统的机理是：将需要贷款公司填写的申请表中的关键信息编码为向量输入系统，输出的是公司的实际的信用情况的客观评价，同时还要输入上千例的历史数据对网络进行校正，以提高准确率。这样一方面可给出较为准确和客观的评价结果，另一方面可以避免从事信贷分析的人的主观性造成的错误。正是基于人工神经网络的评价系统的种种优势，故其在在金融风险分析领域应用十分广泛。
（2）市场预测。预测是为决策服务，是为了提高管理水平减少决策盲目性，降低风险。应用人工神经网络进行市场预测的一个实例是期货市场的神经网络预测。它是根据某期货市场每月平均期货价格、价格不定性和市场心理指标量等因素，建立较为准确可靠的市场模型。该模型的训练数据覆盖了3年时间，它不仅能判断价格的未来走势，而且能在走势持续一段时间后预测到价格的反转。神经网络市场预测在股票走势预测中也有广泛应用。
人工神经网络范文4
人工神经网络属于一种对人脑结构及功能进行反映的数学抽象模型，对人的思维以及存储知识等功能进行模拟，从而完成某项工作。对于岩土工程来说，主要包括岩体和土体两项内容，且这两项内容均具备很高的复杂性。在岩土工程研究过程中，有必要借助人工神经网络，从而使岩土工程的研究得到有效进步发展。本文在分析人工神经网络的基础上，进一步对人工神经网络在岩土工程中的应用进行分析，以期为岩土工程研究的进展提供一些具有价值的参考建议。
关键词:
人工神经网络；岩土工程；应用
岩土工程的研究对象分为两大类:其一为岩体;其二为土体。岩土工程涉及的介质存在两大特性，即模糊性和随机性，这两大特性又统称为不确定性。近年来，不少学者在岩土工程研究过程中，提出了人工神经网络这一概念，即利用人工神经网络，将其应用到岩土工程研究领域当中，从而为深入了解岩土工程的某些介质特征奠定有效基础［1］。从岩土工程研究的优化及完善角度考虑，本文对“人工神经网络在岩土工程中的应用”进行分析意义重大。
1人工神经网络分析
1．1人工神经网络概念
对于人工神经网络来说，是一种对人脑结构与功能进行反映的数学抽象模型;主要通过数理策略，经信息处理，进一步对人脑神经网络构建某种简化模型，进一步采取大量神经元节点互连，从而形成复杂网络，最终完成人类思维及储存知识的能力的模拟。神经网络无需构建反映系统物理规律的数学模型，与别的方法比较，在噪声容忍度方面更强［2］。与此同时，还拥有很强的非线性映射功能，对于大量非结构性以及非精准性规律存在自适应能力，具备超强的计算能力，可完成信息的记忆以及相关知识的推理，且其自身还具备自主学习能力;与常规算法相比，优势、特点突出。
1．2BP网络简述
从研究现状来看，基于实际应用过程中，人工神经网络模型大多数采取BP网络。BP网络即指的是多层前馈网络，因多层前馈网络的训练通常使用误差反向传播算法，所以将BP网络称之为属于一类误差反向传播的多层前馈网络。对于其网络而言，具备输入节点和输出节点，同时还具备一层隐层节点与多层隐层节点，基于同层节点当中不存在耦合状态。其中的输入信号从输出层节点依次传过各个隐层节点，进一步传输至输出节点，每一层节点的输出只对下一层的节点输出产生影响。
2人工神经网络在岩土工程中的应用分析
在上述分析过程中，对人工神经网络的概念有一定的了解，由于其模型算法的优越性，可将其应用到岩土工程研究领域当中，从而为解决岩土工程问题提供有效凭据。从现状来看，人工神经网络在岩土工程中的应用主要体现在以下几大方面。
2．1在岩石力学工程中的应用
岩石力学工程是岩土工程中尤为重要的一部分，将神经网络应用到岩石力学工程当中，主要对岩石非线性系统加以识别，同时还能够为工程岩体分类提供有效帮助，此外在爆破效应预测方面也具备一定的应用价值。对于人工神经网络来说，存在从有限数据中获取系统近似关系的优良特性，而岩石当中的各项参数之间又存在很复杂的关系，并且难以获取完整的参数集。在这样的情况下，使用人工神经网络技术，便能够使岩石非线性系统识别问题得到有效解决［3］。此外，有研究者将岩石抗压强度、抗拉强度以及弹性能量指数等作为岩爆预测的评判指标，进一步对岩爆预测的神经网络模型进行构建，然后预测了岩爆的发生与烈度。通过计算得出结论:采取人工神经网络方法进行岩爆预测行之有效，值得采纳借鉴。
2．2在边坡工程中的应用
对于岩土工程中的边坡工程来说，边坡失稳状况突出，且是由多因素造成的，比如边坡失稳的地质形成条件、诱发因素的复杂性以及随机性等。与此同时，由于边坡动态监测技术从目前来看尚且不够成熟，因此边坡失稳在岩土工程研究领域一直视为是一项难以解决的工程项目。而对于神经网络方法来说，因其具备非常好的预测功能，因此相关岩土工程研究工作者通常会采取人工神经网络对岩土工程中的边坡工程问题进行求解。并且，从现有研究成果来看，将人工神经网络应用于岩土工程的成果突出。有学者对影响岩质边坡的稳定性的相关因素进行了分析，包括地形因素、岩体因素以及外部环境因素等，并构建了边坡稳定性分析的BP网络模型［4］。此外，还有学者将大量水电边坡工程的稳定状况作为学习训练样本及预测样本，对以人工神经网络技术的边坡岩体的稳定性进行了研究，结果显示，采取人工神经网络对边坡岩体的稳定状况进行预测可行性高。
2．3在基坑工程中的应用
采取人工神经网络对基坑变形进行预测主要分为两种情况:其一，对会影响基坑变形的各大因素及位移的神经网络模型加以构建;其二，把变形监测数据作为一个时间序列，以历史数据为依据，将系统演变规律查找出来，进一步完成系统未来发展趋势的分析及预测。有学者针对基坑变形利用了人工神经网络方法进行预测，结果表明:对前期实测结果加以应用，使用此方法能够对后续阶段的基坑变形实时预测出来，并且预测结果和实测结果保持一致性。此外，还有学者根据具体工程项目，采取人工神经网络，对深基坑施工中地下连续墙的位移进行了深入分析及预测，结果显示:使用人工神经网络方法进行分析及预测，在精准度上非常高，值得在深基坑工程相关预测项目中使用［5］。
2．4在地铁隧道工程中的应用
在地铁隧道施工过程中，存在地表变形和隧道围岩变形等状况，为了深入了解这些状况，可将人工神经网络应用其中。有学者在对地层的影响因素进行分析过程中，列出了可能的影响因素:盾构施工参数、盾构物理参数以及地质环境条件，进一步利用人工神经网络，构建了人工神经网络模型，进一步针对盾构施工期间的地层移动进行实时动态预测，最终得到了不错的预测成果。此外，还有学者对BP网络算法进行改进，然后对某地铁工程中隧道上方的地表变形进行了未来趋势预测，结果表明:和其他地表变形预测方法相比，人工神经网络预测方法的应用价值更为显著。
3结语
通过本文的探究，认识到基于人工神经网络模型的算法具备很高的优越性，由于岩土工程地质条件复杂，为了深入研究岩土工程，可将人工神经网络应用其中。结合现状研究成果可知，人工神经网络在岩石力学工程、边坡工程、基坑工程以及地铁隧道工程中均具备显著应用价值。例如:将人工神经网络应用于岩石力学工程当中，能够预测岩爆的发生与烈度;应用于边坡工程当中，能够边坡工程的稳定性进行精准预测;应用于基坑工程当中，实现对基坑工程变形的实时动态监测;应用于地铁隧道工程当中，能够进一步了解地铁工程中隧道上方的地表变形情况。
总而言之，人工神经网络在岩土工程中的应用价值高，值得相关工作者采纳应用。
作者：张洪飞 单位：山东正元建设工程有限责任公司
参考文献
［1］郑惠娜．章超桦．秦小明．肖秀春，等．人工神经网络在食品生物工程中的应用［J］．食品工程，2012(01):16－19．
［2］邹义怀．江成玉．李春辉，等．人工神经网络在边坡稳定性预测中的应用［J］．矿冶，2011(04):38－41．
［3］曹建智．张健．人工神经网络在白洋淀水质评价中的应用［J］．电子技术与软件工程，2016(08):261－262．
人工神经网络范文5
关键词：神经网络；故障诊断；汽车发动机
0前言
汽车发动机特别是电控发动机在近年来获得了快速发展。随着新技术新工艺不断地应用于发动机，发动机已然成为一个复杂的非线性系统，其设计变量和操作变量之间关系较为复杂，很难针对一个变量进行优化来提升发动机的性能，同时给发动机的故障检测与维修带了极大困难[1]。近年来，人工神经网络已被大量引入到汽车发动机故障诊断领域[2]，特别是“1+X”证书制度对汽车动力系统检修有了更高的要求，这就需要进一步探索汽车发动机故障检修更多的方法和途径，以更好地助推汽车发动机的快速发展[3]。当前发动机故障诊断的神经网络类型还比较单一，运用于发动机故障诊断的相关研究还处于初级阶段，存在较大的发展空间。基于此，笔者对当前应用于汽车发动机故障诊断的人工神经网络进行了系统分析，并提出了发动机故障诊断未来的发展方向。
1人工神经网络在汽车发动机故障诊断中的应用
1.1BP神经网络
BP神经网络是一种具有多层结构的前馈神经网络，其特点是信号向前传播，误差信号逆向传播，故该神经网络又称为反向传播网络，其非线性的映射能力强，推导步骤较为严谨，无论是在网络理论还是在性能方面都已经得到了广泛的认可。因此，BP神经网络是目前使用最普遍的神经网络之一。其不足之处是存在收敛速度慢、容易陷入局部极小值以及泛化能力弱的缺点[4]。林海涛等[5]利用BP神经网络建立了发动机故障诊断模型，并且利用LM算法对网络学习训练，发现当隐含层节点数为11时网络的误差是最小的。因此，将隐含层节点数确定为11，该神经网络对发动机的故障诊断正确率能达到94%。曾荣等[6]通过采集发动机噪声信号并利用小波分解技术对采集的发动机声压信号进行分解并对不同的小波分解方法进行比较，得出了相应的故障声音特征参数，然后基于这些声音特征参数建立了BP神经网络的故障诊断模型，试验证明该网络模型对发动机故障诊断准确性较高，诊断速度快，对于发动机异响类故障诊断有重要意义。
1.2RBF神经网络
径向基函数（RBF）神经网络是人工神经网络的一种，具有输入层、隐含层及输出层三层结构。这种神经网络可以对函数进行全局逼近，具有收敛速度较快、训练精度高等优点，对于非线性函数具有较强的实用性[7]。王书提等[8]通过采集北京现代2005款途胜汽车G4GC型电控发动机的故障数据流为训练输入样本，以相对应的故障种类作为输出样本对神经网络进行训练，从而建立了RBF神经网络故障诊断模型，结果表明，该网络具有较高的故障诊断精度和诊断速度。谢春丽等[9]利用RBF神经网络建立了发动机的故障诊断模型，其具体做法是通过汽车故障诊断仪元征X-431采集发动机在多种不同工况下故障试验的数据，然后把这些数据归一化后作为神经网络的输入样本，将发动机的正常运转和8种故障类型作为神经网络的输出对网络进行学习训练，通过测试，所建立神经网络的故障诊断精度可达到90%，可以为汽车发动机故障诊断路径研究提供参考。
1.3PNN神经网络
PNN神经网络由四层网络结构组成，分别是输入层、模式层、求和层、输出层。输入层的传递函数是线性的，其功用是将输入样本传递给模式层的各节点。模式层对输入信号进行加权求和，并通过一个非线性算子运算后传递给求和层。竞争层接收从求和层输出的各类概率密函数，概率密度最大的那个神经元输出为1，即所对应的那一类即为待识别的样本模式类别。基于此，PNN神经网络可以用于发动机故障的诊断。郝大鹏等[10]利用PNN神经网络建立了北京现代伊兰特发动机的故障诊断模型，其具体做法是利用尾气分析仪采集汽车发动机在相关故障状态下汽车尾气CO、CO2、HC、O2和NOx的相关数据，进行归一化并作为网络的输入，将对应的几种故障特征进行编号并得到故障代码，以此作为网络的输出，基于MATLAB平台建立了PNN神经网络故障诊断模型。测试结果表明：PNN神经网络建立诊断模型可以对故障类型快速地识别，从而准确地判断出故障，在尾气分析发动机故障诊断中具有较高的诊断效率和正确率。该方法也可以用于其他故障类型的诊断。巴寅亮等[11]利用PNN神经网络建立了电控发动机的故障诊断模型，具体做法是以伊兰特汽车发动机电控系统为研究对象，让发动机在怠速情况下设置故障，然后运用金德KT600故障诊断仪采集发动机相关故障数据流，得出的数据作为网络的输入样本，以几种相对应的故障特征作为网络的输出样本，作为神经网络的训练样本，对神经网络进行仿真训练并对其故障检测精度进行测试。经过测试表明：所建立的神经网络能够对故障类型进行正确的分类，达到了预期的效果。
1.4SOM神经网络
SOM神经网络也称为自组织特征映射网络，其特点是可以根据输入向量的分组进行学习和分类。这种网络可以模拟大脑神经系统自组织特征映射的功能，是一种竞争型网络，该网络由输入层和竞争层组成，输入层的神经元和竞争层的神经元都有权值连接，并且各神经元之间是全连接，竞争层的各节点间相互间也有局部连接。王书提等[12]以北京现代2005款途胜G4GC型发动机为研究对象，利用故障诊断仪采集发动机的故障数据流以及对应的故障特征，建立了SOM神经网络的故障诊断模型，并得出了该神经网络可以对输入向量进行准确的模式识别及类聚，具有较好的故障分类功能的结论，结果表明：SOM神经网络可以有效地应用于发动机电控系统的故障诊断中。李刚等[13]利用EDM与SOM神经网络结合的方式建立了燃气发动机故障诊断方法，其具体做法是将燃气发动机振动信号进行EMD分解，然后提出MF分量的能量作为故障诊断的特征向量，以作为训练样本输入SOM神经网络进行类聚，然后对燃气发动机在正常、气门间隙大、排气阀漏气三种状态的信号进行分析。结果表明：该方法对于非平稳信号的故障特征可以有效地提取，同时网络结构较为简单，对于数据样本较大的类聚识别率较高，输出结果较为清晰直观，可为燃气发动机故障诊断提供了新的思路。吕建丰[14]将柴油机性能的燃油压力波形作为特征向量输入，以与之对应的柴油机故障作为神经网络的输出，建立了基于SOM神经网络的柴油机故障诊断模型，通过测试表明：该网络模型的类聚精度较高，可以用于分析和识别柴油机相关的故障。
2结束语
人工神经网络范文6
[关键词]IAFSA（免疫人工鱼群算法）；BP神经网络；经济预测模型
在经济预测中，宏观经济的定量预测分析是最为重要的组成部分。针对宏观经济的定量分析有很多的方法，包括最小二法、投入产出法、计量经济学法等经典的方法。近年也发展演变出一些新的分析方法，如人工神经网络。这些新的定量分析方法可以在很大程度上提高宏观经济定量预测分析的能力。基于宏观经济的属性，宏观经济的预测也有着显著区别与其他经济方面的预测分析。
1.研究背景
随着不同学科交叉融合的深入，有学者根据人体免疫学以及人工鱼群的特点，尝试对其二者进行交叉融合，提出了一种新的经济测算模型，即免疫人工鱼群算法。相较于BP神经网络算法，免疫人工鱼群算法具有容易收敛、自学习精度较高、泛化能力较强等特点。本文在充分了解与掌握BP神经网络算法优缺点的基础之上，将人工鱼群算法与人体免疫学的特征在一定前提假设的情况下进行数学描述，构建了一种效率更高、精度更准的经济预测模型，即免疫人工鱼群算法。通过将神经网络和免疫人工鱼群算法相互结合，形成了以神经网络和免疫人工鱼群算法为核心的宏观经济预测模型，从而可以更准确地预测未来经济的发展趋势，从而制定相应的经济决策，为国家宏观经济的定量预测提供了新的思路和方法。
2.基于免疫人工鱼群神经网络的经济预测模型简述
2.1经济预测模型的研究现状。国民经济预测模型的计算量庞大，组成元素之间的虽相互关联但数据之间难以用一般线性公式进行描述，是一个数据冗杂繁多的非线性计算系统。也正如此，在针对国民经济系统中的各要素进行分析的过程中，各统计要素彼此相互关联，不同部门与地区经济指标之间往往也存在一定关系，这种数据与要素之间紧密的关联性称之为国民经济数据的内在关联性。区别于国民经济中各数据要素内在关联性的影响，外界的诸多不确定因素也会对国民经济数据造成严重影响，导致国民经济的数据出现周期性地波动。这种波动和周期性构成了国民经济的各种组成形式，同时也导致了国民经济内部具备不确定性和非线性的特征。鉴于国民经济的不确定性和非线性，有研究学者尝试将人工鱼群算法与人体免疫学的特征相互融合，在BP神经网络算法的基础之上，提出了基于免疫人工鱼群算法的经济预测模型，以此来描述经济学中的复杂性与不确定性，这种学科交叉融合的思路为国民经济预测模型的构建提出了新思路与新方法。
2.2IAFSA(免疫人工鱼群算法)简述。通过研究人工免疫系统的原理时发现，在工程应用中众多复杂的问题同样可以借鉴免疫系统中的免疫功能以及作用机理进行求解。也正如此，在继承与保留人工鱼群算法优点的前提下，将人工鱼群中的研究对象——人工鱼群类比为人体免疫系统中的抗体，将人工鱼群赋予人体免疫系统中抗体的特征，尤其是免疫过程中所产生的免疫记忆等重要功能，借助此方法将人工鱼群算法进行优化升级，构建成具备免疫记忆等特征的免疫人工鱼群算法。免疫人工鱼群算法的计算优化内核是当人工鱼群在觅食、群体性聚集或者彼此追踪尾随时，在未对人工鱼群活动进行任何行为约束的前提下，对鱼群进行连续Mi次的迭代后，其目标函数没有产生较为明显的变化时，按照一定比例在人工鱼群中随机地抽取一定数量的单体人工鱼，参照事先检验所获取的先行经验知识或者根据人工鱼的从属特征信息对所采样的单体人工鱼的参数进行修改，对数据进行整理并构建成为新的人工鱼群抗体的Rk参数计算模型，与此同时，提高算法至全局搜索，为了避免模型产生只能求解参数特征的缺陷，将算法提高至全局搜索。上述计算与迭代的流程被称之为免疫人工鱼群算法。关于免疫记忆的产生过程，众所周知，人体免疫系统对非法入侵体内的抗原所产生的一系列应激反应并将反应过程中所产生的部分抗体作为一种记忆细胞且进行生物性保留的过程被我们称之为免疫记忆，当免疫系统针对某种抗原产生了免疫记忆，那么当相同的抗原再次非法入侵人体免疫系统时，免疫系统在免疫记忆的作用下会迅速激活并产生大量抗体以此来抵御抗原的入侵。在对整个人体免疫系统产生免疫记忆这一反应进行分析时，免疫算子贯穿免疫记忆的整个过程，是疫苗接种机体能够产生免疫记忆的重要因素。也正如此，在免疫人工鱼群算法的构建过程中，为了利用待求解或者在寻找求解过程中的一些关键信息，通常会在算法模型中引入类似免疫算子的某些参量，从而保证对所需特征，借助免疫学中“接种疫苗”及“疫苗选择”等生物指征来指引搜索特征，实现有针对性地提取及筛选，在此过程中，通过结合免疫学的生物特性，设置相关参数对优化过程中的退化现象提前做出判断并采取相应抑制措施，以此来提高标准人工鱼群算法的优化性能。基于免疫的新人工鱼群的产生机制如下：第一，在每一次迭代循环求解的过程中或者在待求解的问题中预先设置某些先行经验或者符合求解特征的信息进行判断，此次来实现有用信息的筛选，提取疫苗；第二，基于人工鱼群算法，保证个体鱼在觅食过程中可以产生a条新的人工鱼，即抗体，或者在其觅食过程中保证随机产生b条新的人工鱼；第三，根据食物浓度的不同分布，借助食物浓度的选择算法，以此来计算上一步个体鱼觅食过程中所产生a+b条人工鱼中每条鱼的概率，对每条鱼产生的概率进行排序，依概率大小选择a条人工鱼并由此组成新的鱼群Nx，这便是新鱼群创建的步骤；第四，在人工鱼群中按照一定的比例选取一定数量的人工鱼p，将第一步产生的疫苗接种到所选取的p条人工鱼中，从而产生带有抗体的抗体鱼群Ux，这便是鱼群疫苗δ接种的步骤；第五，对人工鱼群中带有抗体的人工鱼的适应度值进行计算，当带有抗体的新人工鱼群适应度值差于其上一代鱼群，则取消疫苗的接种，反之则持续接种疫苗，以此来不断产生新一代的带有抗体的人工鱼群Qk+1。
2.3IAFSA-NN免疫人工鱼群神经网络的训练。众所周知，BP神经网络主要是通过不断优化与更新权值以及阈值，从而达到神经网络计算精度以及敏感度的提高与优化。基于神经网络的拓扑结构设计出合理的人工鱼群模型以及合适的鱼群规模，不同的人工鱼以及或者分别表示为不同的神经网络，S函数作为网络激活函数，通过前向算法计算每组输入样本的网络输；用输出均方误差的倒数表示基于免疫人工鱼群算法的适应函数即食物浓度分布CF，以此来实现人工鱼群觅食、群聚以及追尾等不同行为。用不同的权值矩阵[Wij]与[Vui]与不同的阈值向量[Vuo]与[Wio]作为人工鱼的变量，用来参与最优人工鱼群的算法搜索。当网络均方误差指标达到最小值时，算法搜索出的最优人工鱼参数就是BP神经网络的最优解，即最佳阈值与权值。式中Ei与Ej是不同的两条个体人工鱼（）[Vui]作为第u个输出神经元与第i个隐藏层神经元之间的权值；[Wij]作为第i个隐藏层神经元与第j个输入神经元之间的权值；[Wio]作为第i个隐藏层神经元的阈值；[Vuo]作为第u个输出神经元的阈值。参数定义个体人工鱼的状态可以利用寻优向量表示，即，个体人工鱼当前位置的食物浓度参数作为目标函数值，用CF表示；X——鱼群中的人工鱼数目；——单个人工鱼个体间的初始距离；X——视野范围；ξ——拥挤程度表示因子；S——游动过程中的最大范围；η——免疫算法；num=0——初始循环计数器；Number——优化过程中的最大循环次数。用人工鱼当前位置的食物浓度可以采用输出均方误差指标的倒数表示，即其中K——网络输出神经元的个数；X——训练样本总数；Oji——第i个样本由输入计算出的第j个网络输出的实际值和目标值。
2.4基于免疫人工鱼群神经网络的训练过程。按以下步骤对免疫人工鱼群算法的三层前向神经网路进行训练：设定初始化神经网络以及IAFSA的相关参数；计算鱼群中各人工鱼个体当前位置的适应度CF值，对不同区域的CF值进行比较，选取最大值的人工鱼，并将其值赋值于公告板；利用人工鱼分别模拟其典型特征，即模拟鱼群群聚，模拟鱼群觅食以及模拟鱼群追尾，并对相应参数进行优化计算，此后选择行动后CF值较大的行为作为实际运行的方式，默认人工鱼进行觅食行为，在此后的每一次迭代计算中都要检查自身CF值，并判断其值是否比公告板中的CF优秀，在判断比对筛选的过程中，选取当前人工鱼群中的最优抗体鱼群作为免疫记忆人工鱼并存入记忆库中；训练过程中如果循环计数器次数超过了系统设定的最大循环次数或者浓度值满足系统设定要求，则认为神经网络训练过程结束，输出计算结果，如果训练过程不满足上述过程，则训练继续，循环次数加1；将免疫人工鱼群的产生机制作为训练指导，提取疫苗以及新产生的抗体人工鱼a+b，计算每条新人工鱼的选择概率，判断并选取概率较大的人工鱼a条组件成新的人工鱼群Nx，按照一定的比例对新人工鱼群接种疫苗；将基于免疫人工鱼群神经网络计算得到的公告板上的最优人工鱼的参数转化成为神经网络的阈值、权值以及连接结构，使用BP神经算法和输入样本对神经网络进行再训练与再学习，从而得到全计算周期内的最优解。
3.结语
计算精度高且数据容易收敛的国民经济预测有利于政府及时分析国家经济数据并采取正确的应对措施。本文在结合BP神经网络经济预测模型的优点之上，尝试将人工鱼群算法与人体免疫学中各自的特征相结合，对人工鱼群算法进行优化升级为免疫人工鱼群算法，并将其引入到神经网络的训练之中，阐述了基于免疫人工鱼群神经网络算法的内核以及计算的具体步骤，提出了免疫人工鱼群神经网络预测模型。借助免疫人工鱼群算法对神经网络进行训练，不仅在一定程度上能够克服BP神经网络经济测算模型的缺陷，还能提高该经济测算模型的收敛速度、学习精度以及泛化能力。
【参考文献】
[1]刘双印.免疫人工鱼群神经网络的经济预测模型[J].计算机工程与应用，2009，45(29)：226-229.
[2]王闯.人工鱼群算法的分析及改进[D].大连海事大学，2008.
[3]鞠雨宏，张焕伟.经济预测方法综述与选择[A].吉林省财政科学研究所.财金观察（2020年第1辑）[C].吉林省财政科学研究所：吉林省财政科学研究所，2020：10.
人工神经网络范文7
关键词：人工神经网络；粒子群优化；工业工程；经济价值；综述
近年来，人工智能、大数据、物联网和云计算的发展迅速，人工神经网络-粒子群优化算法可以在众多领域中应用，达到减少人力、物力，节约资源的效果。同时，人工神经网络-粒子群优化算法在众多工业与工程领域中也有了一定的应用，在工业与工程产业中产生了一定的经济价值。
一、人工神经网络
人工神经网络（ANN）是可用于处理实际问题的网络结构。虽然人脑和人工神经网络这两个应用程序都具有极其强大的信息处理能力，但仍然具有许多差异。Deepmin最初是由DemisHassabis，MustafaSu－leyma和ShaneLegg创立的，在AlphaGo（阿尔法围棋）击败了围棋世界冠军李世石后，逐渐得到人们的认可，也表明人工神经网络具有巨大的潜力。与人脑处理信息的方式不同，人工神经网络开发的机器人采用线性思维方式对获取的信息进行处理，与计算机进行通信，在串行算术任务中快速准确的顺序数值运算处理比人类更多。但人脑的“并行处理系统”相对人工神经网络具有绝对领先的能力。近年来，随着人工智能领域的发展，人工神经网络也进入研究者的视野，实现了不同程度的融合发展。虽然目前人工神经网络被广泛使用，但仍然面临着许多问题，在解决实际工业与工程领域问题时，需要结合其他算法进行优化。
二、粒子群优化算法
Kennedy和Eberhart共同提出粒子群优化（PSO）。VandenBerghF从理论角度对PSO算法的稳定性和收敛性进行分析和证明。2002年，Cello与Lechuga正式发表多目标粒子群优化算法的成果，用粒子群算法求解多目标优化问题，称为粒子群（MOPSO）算法。PSO算法中，将鸟群的个体位置或食物当作优化问题的解，利用群体中个体与最优个体以及群体之间的信息交互，引导整个群体中个体在保留自身多样性信息的同时，朝向群体最优个体收敛，通过不断地更新逐渐找到最优解。鸟群中个体被抽象为“粒子”，忽略其质量、体积，拓扑结构决定了每次迭代时“粒子”受到自身和群体状态信息的综合影响，即粒子的更新机制是通过种群历史最优粒子和个体历史最优粒子的有机结合得到的。
三、人工神经网络-粒子群优化算法在工程领域中的研究与应用
目前，人工神经网络-粒子群优化算法的优势明显在化工工程、机械工程、信息工程、建筑工程、水利工程、电气工程、工业机器人、飞机制造业、工业过程优化等众多工业与工程领域得到了广泛的应用，并且产生了一定的经济价值。
（一）化工工程领域。田景芝等针对柴油加氢脱硫生产过程中工艺参数和产品质量难以准确控制的问题，提出了一种粒子群优化（PSO-BP）神经网络，选取生产过程中波动的工艺参数构建培训，对于样品采集和测试样品采集，采用（PSO-BP）神经网络预测生产操作参数变化时精制柴油产品硫含量的变化。实验结果表明，（PSO-BP）具有良好的稳定性和泛化能力，能准确预测生产运行参数的变化。李孟山为了提高溶出度预测模型的效率和相关性，建立了基于混沌理论、自适应粒子群优化（PSO）算法和反向传播（BP）算法的算法———混沌自适应PSO-BP神经网络模型，进行预测实验，该模型使用压力和温度作为输入参数，模型结合了混沌理论、自适应PSO和BP算法的优点，提高了训练速度和预测精度。结果表明，混沌自适应PSO-BP神经网络具有良好的预测能力，预测值与实验值相当吻合，通过与传统BP神经网络和PSO-BP神经网络的对比可以看出，其预测是准确的且度和相关性明显更好。颜菲建立了基于粒子群优化的人工神经网络预测模型，将工艺参数作为输入变量，并将使用单因素检验得到的镍铁合金镀层性能指标为输出变量，粒子群算法优化人工神经网络预测模型，结果表明粒子群优化的人工神经网络预测模型具有更高的预测精度。
（二）机械工程领域。李琪提出一种人工智能算法和BP神经网络结合的钻井机械化预测模型。首先，利用小波滤波方法降低测量数据的噪声，并基于互信息关系组合分析优化输入参数以减少模型冗余；其次，采用粒子群优化（PSO）算法实现BP神经网络的初始加权值和阈值优化，建立ROP预测新模型，将PSO-BP新模型与标准BP、BAS-BP和GA（遗传算法）-BP等三种模型进行对比分析；最后，根据实际工况建立PSO-BP钻井ROP预测模型。结果表明，PSO-BPROP预测模型不仅具有较好的预测精度，而且为钻进过程中提高机械钻速提供科学的参考。周家林利用粒子群算法开发了钻孔加工尺寸误差的人工神经网络预测模型，实验表明与误差反向传播算法（BP）相比，粒子群算法优化了神经网络，具有更快的收敛速度和更高的预测精度。
（三）信息工程领域。余华提出了一种基于粒子群优化算法的人工神经网络，并将其应用于语音情感识别系统。情感的维度模型间，分别提取韵律特征和音质特征，研究泛音特征随情感类别的变化。使用粒子群优化算法（PSO）训练随机生成的初始数据，优化神经网络的连接权重和阈值，快速实现网络收敛。粒子群优化神经网络用于语音情感识别提高了识别性能。
（四）建筑工程领域。李天翔为了快速准确地预测隧洞的造价，建立粒子群-小波神经网络的预测模型。针对小波神经网络容易陷入局部最优区和初始值选择较敏感的问题，利用粒子群算法优化其初始权值和阈值，加快小波神经网络的收敛速度，将模型应用于某隧洞的造价预测中，表明模型满足工程建设前期造价预测的精度要求，计算较简便效率较高。段晓晨收集了以往类似的桥梁建筑工程案例33个，利用PSO聚类分析选取了25个与张家庄大桥工程特征相似度高的案例，应用到BP神经网络运维成本预测模型中，取得了较好的效果；利用PDCA动态周期优化理论和EVM管理理论，对张家庄大桥前两个周期的运维成本进行预测、统计和分析，及时发现问题并纠正偏差，在实际应用中取得了良好的效果。
（五）水利工程领域。何胜男采用SWMMH模型进行模拟分析，根据地表径流污染物的累积特性，利用人工神经网络得到各储罐不同截留率与对应总截留量之间的高精度非线性数，优化目标是使储罐总截污能力最大化，污水处理厂的处理规模和可征地面积是约束条件。粒子群优化算法得到优化后的各储罐污染截留率，结合各储罐截污率与累计径流量的关系，得到各储罐的计算结果，可以在约束条件下达到最大的污染截留效果。在土地利用率和污染截留效果方面，按提出的方法设计的储罐优于标准设计方法，合理、高效、适用宽大的围护结构可为城市初期雨水蓄水池的设计提供技术支持。吴巍将人工神经网络和粒子群优化算法引入含沙水库冲淤预测计算，通过自适应粒子群优化算法优化基于BP神经网络的含泥水库冲淤预测模型。为了进一步提高人工神经网络的收敛速度和预测精度，采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化，该算法参数少、结构简单，易于实现。该模型具有较强的合理性和广泛的适用性，为砂质储层冲淤预测计算提供了一种新的有效途径。
（六）电气工程领域。杨耿煌提出一种基于量子行为粒子群优化（QPSO）的改进算法，用于优化人工神经网络（ANN），实现电能质量（PQ）扰动识别。典型站点采集的PQ扰动数据识别结果表明，与前馈神经网络的训练方法相比，该算法具有更好的性能收敛性和稳定性。
（七）工业机器人领域。周炜提出一种基于粒子群优化神经网络的机器人综合精度补偿方法。在BP神经网络和粒子群优化算法的基础上，研究了基于粒子群优化算法的BP神经网络原理，综合考虑了基于误差相似度权重测量的机器人精度补偿方法。针对定位精度的影响，提出了一种基于粒子群优化神经网络的机器人综合精度补偿方法，研究了验证神经网络模型稳定性和适用性的交叉验证方法，并结合飞机装配对定位精度要求高的实际情况，在交叉验证常用的测量指标的基础上增加了新的评价指标验证。当末端执行器安装完毕，环境温度发生变化时，采用基于粒子群优化神经网络的综合精度补偿方法，对实际开孔实验进行验证。研究成果对于提高工业机器人绝对定位精度，促进工业机器人在航空制造领域的更深入应用具有重要意义。
（八）飞机制造业领域。刘昕构建混合感知工程模型，构建人机工程学模型。首先，利用遗传算法改进BP神经网络以及利用自适应权重改进粒子群算法构建正感知工程模型，并与未改进算法和常用算法进行比较，突出改进算法的优越性；其次，利用专家咨询法和多元回归分析构建逆感知工程模型；最后，基于几何和力学关系，以及人眼视野、人体可达视野、人体上肢运动分解，构建驾驶姿势人体工学模型，构建了人机约束模型，基于混合感性工程的机舱人机设计，包括布局、造型和色彩设计，其中提出使用基于改进BP神经网络和改进粒子群算法的正向感知工程模型，建立感知图像与设计元素的映射关系；提出利用多元回归分析建立逆向感知工程模型，建立设计元素与感知图像的映射关系。专家咨询法构建的逆感知工程模型验证了正向感知工程建立的映射效果。
（九）工业过程优化领域。夏静针对工业过程的复杂性、非线性和不准确性，采用人工神经网络进行智能建模。人工神经网络不仅可以任意逼近非线性，还具有大规模并行处理、知识分布存储、自学习能力强、容错性好的特点。多层前向神经网络可以任意精度逼近任意连续函数。有一个通用回归神经网络（GRNN），它结构简单，训练简单，学习收敛速度快。基于以上优点，选用广义回归神经网络，对传统的广义回归神经网络进行改进。提出了一种基于粒子群算法优化结构参数的旋转广义回归神经网络，并通过实验仿真验证了其性能。为了获得准确的优化参数，采用粒子群优化算法来寻找网络结构参数的最优值，不仅可以准确拟合和预测，而且避免了人工选择网络结构参数的缺陷。
四、人工神经网络-粒子群优化算法在工业工程领域中的研究前景及经济价值
人工神经网络范文8
基于神经网路方法实现高考英语口语成绩的采集,实现口语成绩等级手写体的识别,提高在英语口语成绩处理的效率,实现口语成绩的自动采集。目前该方案应用于苏州市高考英语口语成绩采集。
关键词:
成绩采集；模式识别；神经网络；特征提取
对于未实行高考口语人机对话的省市,高考口语还是采用打分模式。然后人工采集,为解决这一问题,通过识别手写评分和OCR识别结果比对确保成绩采集的准确。而神经网络很适合用于解决字符识别问题。
1BP神经网络
人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络,是一种典型的前馈神经网络,包含输入层、隐层及输出层。BP网络是典型的多层网络,分输入层、隐含层和输出层,算法由数据流的前向计算和误差信号的反向传播两个过程构成。通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程[1]。
2基于神经网络的英语口语成绩采集的实现
为实现更好的采集,需要设计适应识别的评分表,其中定位点、考生条码用于定位到考生并采集成绩,等级手写的分区需要通过神经网络识别等级,OCR等级识别区用采集等级并通过神经网络采集的等级进行比较。
2.1采集过程
首先预处理图像获取样本进行训练,输入神经网络训练后输出看误差并调整各阶层的权值让输出同OCR值一致,正式识别两种模式结果不一致需要人工干预,有可能等级打错也有可能等级涂错,然后修正结果,确保等级信息准确无误。
2.2图像预处理
原始评分表的输入有可能产生污点等噪音。所以在识别之前必须对图像进行预处理。预处理一般包括图像分割、灰度、二值化、平滑、去噪音、归一化和细化等。不同识别方法对于处理要求不一样预处理后离散和噪声和归一化和细化处理,将图片形成一个40×40像素点阵(图1得分区图像预处理后图像)。
2.3神经网络的特征提取
在手写等级识别中,特征的选择是非常关键问题。将经过预处理后的等级数字图像中提取最能体现这个字符特点的特征向量,然后提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练,提取出待识别的等级样本中的特征向量代入训练好的BP网络中,就可以对等级得分字符进行识别。
2.3.1英语口语成绩采集中BP神经网络结构
将A、B、C、D等级图像的特征向量作为神经网路的输入,确定输入神经元。经过预处理的为40×40的矩阵,共1600各输入神经元。输出较为简单,只要识别A、B、C、D4个等级,输出节点数为4。为加快神经网络学习速度,3层BP网络最为恰当效率高。同时根据网络收敛性能的好坏来确定隐含层神经元个数。根据经验公式:s=51.035.077.054.212.043.02mnmnm其中,n为输入层神经元个数,m为输出层神经元个数[2]。计算可得隐含层神经元个数为79。
2.3.2BP神经网络的训练
手写字符归一化和细化后的图像为40×40的布尔矩阵,1600个元素组成一个手写字符的列矩阵,即字符的特征向量。由A、B、C、D这4个字符的特征列向量组成一个1600×4的输入矢量,训练次数达到最大值神经网络训练就结束。
2.3.3口语等级识别等分结果
字符识别的正确率和拒识率与字符识别的判断值有关,判断值越高,识别的正确率就高。为确保成绩录取100%正确,通过识别和OCR识别比较,不同再通过人工识别录入确保准确(图2成绩自动识别等分)。神经网络在口语成绩登分中的应用过程中大大减轻劳动强度,提高准确率,通过多重比对确保成绩录入准确,经过实践应用和比对成绩登分准确率100%,完全可以满足实际需要。
参考文献
[1]蒋宗礼.人工神经网络导论.高等教育出版社出版,2001(5):26-88.
