基于ANN的综合评价系统设计【文献综述】

毕业设计文献综述
计算机科学与技术
基于ANN的综合评价系统设计
一、前言部分
系统评价是对新开发的或改建的系统,根据预定的系统目标，用系统分析的方法，从技术、经济、社会、生态等方面对系统设计的各种方案进行评审和选择，以确定最优或次优或满意的系统方案。

由于各个国家社会制度、资源条件、经济发展状况、教育水平和民族传统等各不相同，所以没有统一的系统评价模式。

评价项目、评价标准和评价方法也不尽相同。

目前在综合评价系统中，较多采用的是模糊综合评价和模糊决策等模糊数学方法，此类方法每进行一次评价，都需要多个评价人对所评价的问题有较深入的了解，然后正确表明自己的偏好进行综合评价。

尽管是对于相同的问题，也需要进行如此繁琐的工作。

这一方面增加了评价的工作量，另一方面对指标的人为定权将使评价结果带有较大的主管随意性。

[1]为了克服常规方法的不足，本系统讲人工神经方法引入到此类问题的求解。

人工神经元是对生物神经元的一种模拟与简化。

它是神经网络的基本处理单元,利用人工神经元，可以构成各种不同拓扑结构的神经网络。

人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程以反应人脑某些特性的计算结构。

它不是人脑神经系统的真实描写，只是特性的某种抽象、简化和模拟。

[2]
应当清楚地认识到，利用人工方法实现人脑高级智能的任务艰巨复杂，任重道远。

揭示人脑的奥妙需要各学科的交叉和各领域专家的协作，而模拟人脑的智能需要各学科理论、方法和技术的交叉融合。

近年来，人工神经网络技术与模糊逻辑、遗传算法及专家系统相结合，取得的应用成果明显优于各种智能技术单兵作战的结果。

[3]
二、主题部分
（一）人工神经网络起源和发展
人工神经网络至今经历了萌芽期、第一高潮期、反思期、第二高潮期、再认识与应用期。

（1)萌芽期（20世纪40年代）：1943 年心理学家W.McCulloch 和数学家W.Pitts 合作提出了最早的神经元数学模型（MP 模型），开创了神经科学理论研究的时代。

1949 年，心理学家Hebb 通过对大脑神经细胞学习和条件反射的观察与研究，提出了改变神经元连接强度的Hebb 规则。

（2)第一高潮期（1950~1968）：1957 年，Rosenblatt 发展了MP模型，首次提出了模拟人脑感知和学习能力的感知器（Perceptron）概念，并给出了两层感知器的收敛定理，提出了引入隐层处理元件的三层感知器这一重要研究方向。

1960 年，Widrow 提出了自适应线性元件（Adaline）模型及一种有效的网络学习方法，即通常所说的Widrow-Hoff 学习规则（也称δ学习规则）。

（3)在第一次高潮期后历经反思期(1969~1982)，研究发现人们习以为常的普通知识和经验，计算机却很难学会。

这就迫使人们去考虑一个问题：人脑的智能是否可以在机器中再现？
（4)而后进入第二次高潮期（1983~1990）：1982 年，美国加洲工学院的物理学家Hopfield 提出了一个用于联想记忆和优化计算的新途径—Hopfield 网络模型（HNN），使神经网络的研究有了突破性的进展。

在1984 年发表的另一篇重要论文中，Hopfield 指出HNN 可以用集成电路实现，很容易被工程技术人员及计算机科技工作者理解。

这些具有开创性的研究成果和有意义的工作为神经网络的发展奠定了理论基础。

Rumelhart 和McClelland领导的PDP 研究小组于1986 年的《并行分布处理》一书，在全面介绍了着重于认知微观结构的PDP 理论的同时，他们发展了多层网络的BP 算法（反向传播算法）。

迄今为止，BP 网络仍是应用最普遍的网络模型。

随着神经网络研究热潮的出现，不同学科的学者开始联合起来从事神经网络理论、应用开发及实现的研究，国际学术交流日益频繁。

1986年 4 月美国物理学会在Snowbirds 召开了国际神经网络会议。

1987 年6 月在美国的San Diego 召开了第一届神经网络国际会议。

国际神经网络学会（INNS）随之成立。

1988 年《神经网络》（《Neural Networks》）杂志创刊。

自1988 年起INNS 和IEEE 联合开始召开每年一次的国际学术会议（后改为一年两次）。

1990 年3 月，IEEE 神经网络会刊问世。

（5)从1991年至今，人工神经网络的研究进入再认识与应用期。

我国的神经网络研究开始于 1988 年前后，并在基础与应用领域开展了一些工作。

1989 年召开了全国第一届神经网络——信号处理会议。

1990 年、1991 年分别召开了中国第一届、第二届神经网络学术大会。

1992 年在北京召开了国际神经网络学会和IEEE 神经网络委员会的联合学术会议，2005年神经网络国际会议(Second International Symposiumon Neural Networks,ISNN2005)于5月30日至6月2日在重庆大学召开。

这说明了我国的神经网络络研究在国际上也已占有一定的地位。

[4-8]
（二）人工神经网络的现状和发展方向
人工神经网络的研究可以分为理论研究和应用研究两大方面。

理论研究可分为以下两类：
（1)．利用神经生理与认知科学研究人类思维以及智能机理。

（2)．利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。

应用研究可分为以下两类：
（1)．神经网络的软件模拟和硬件实现的研究。

（2)．神经网络在各个领域中应用的研究。

[8-10]这些领域主要包括：模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。

目前具体相关的应用研究有：神经网络在空间数据挖掘中的应用、用神经元网络的模糊算法预测平均投票值(PMv)、人工神经元网络在地下工程预测中的应用、人工神经元网络条件下的分支预测算法、神经元网络智能控制器及其应用、神经元网络在安全评价中的应用、用 BP 神经网络预测股票市场的涨跌、基于BP神经元网络的信息产业测度研究。

通过神经网络的应用以上问题都得到了更好的优化或解决，而神经网络理论也在应用过程中逐步完善。

[11]
（三）人工神经网络的结构
根据连接方式不同，神经网络的神经元之间的连接有如下几种形式。

1、前向网络
前向网络结构图如图1-11所示，神经元分层排列，分别组成输入层、中间层（也称为隐含层，可以由若干层组成）和输出层。

每一层的神经元只接受来自前一层神经元的输入，后面的层对前面的层没有信号反馈。

输入模式经过个层次的顺序传播，最后在输出层上得到输出。

感知器网络和BP网络均属于前向网络。

图1-11 前向网络结构
2、有反馈的前向网络
其结构如图1-12所示，从输出层对输入层有信息反馈，这种网络可用于存储某种模式序列，如神经认知机和回归BP网络都属于这种类型。

图1-12 有反馈的前向网络结构
3、层内又相互结合的前向网络
其结构如图1-13所示，通过层内神经元的相互结合，可以实现同一层内神经元之间的横向抑制或兴奋机制，这样可以限制每层内可以同时动作的神经元素，或者把每层内的神经元分为若干组，让每一组作为一个整体进行运作。

例如，可利用横向抑制机理把某层内具有最大输出的神经元挑选出来，从而抑制其他神经元，使之处于无输出状态。

图1-13 层内有相互结合的前向网络结构
4、相互结合型网络（全互连或部分互连）
相互结合型网络结构如图1-14所示，这种网络在任意两个神经元之间都有可能有连接。

Hopfield网络和Boltzmann机均属于这种类型。

在无反馈的前向网络中，信号一旦通过神经元，该神经元的处理就结束了。

而在相互结合网络中，信号要在神经元之间反复传递，网络处于一种不断改变状态的动态之中。

信号从某初始状态开始，经过若干次变化，才会达到某种平衡状态。

根据网络的结构和神经元的特性，网络的运行还有可能进入周期震荡或其他如混沌等平衡状态。

[12]
图1-14 相互结合型网络结构
（四）神经网络的开发环境
目前神经网络的开发方法有以下3种模式：
(1)人工编码神经网络开发的一种常用模式是人工编码，即研究人员针对某个具体问题选择一种算法，然后由人工编制代码在计算机上实现一个神经网络系统。

(2)算法库神经网络开发的第二种模式是使用神经网络算法库。

神经网络开发工具中有各种有效的算法可供研究人员选择，同时神经网络的实现是自动形成的。

因此，研究人员很容易实现所设计的神经网络。

选择算法实际上是从算法库中提取了一个代码的结构，然后填上代码段以规定网络的特性参数。

(3)生成网络模型神经网络开发的第三种模式是形成神经网络模型，使研究人员能建立任何设想的网络而不仅是在库中定义的算法。

[3、13]
MATLAB神经网络工具箱
神经网络工具箱以人工神经网络理论为基础，用MATLAB语言构造出典型神经网络的激活函数，使设计者对所选定网络输出的计算，变成对激活函数的调用。

另外，根据各种典型的学习规则和网络训练过程，用MATLAB编写出各种网络权值训练的子程序。

神经网络的设计者可以根据需要调用工具箱中有关神经网络的设计与训练的程序，使自己从繁琐的编程中解脱出来，集中精力去思考问题和解决问题，从而提高效率和解题质量。

[14]
此外还有，Plexi神经网络开发环境、Neuroshell神经网络开发环境、Neuralworks Professional 神经网络开发环境、NETSET神经网络开发环境、N-NET210神经网络开发环境、CaseNet神经网络开发环境等[3、13]
随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入，逐步拓宽其应用面，提高精确度以及可信度。

三、总结部分
人工神经网络的非线性处理能力突破了基于线性处理现有评价方法的局限。

一般的评价方法在信息含糊、不完整、存在矛盾等复杂环境中往往难以应用，而神经网络技术则能跨越这一障碍；网络所具有的自学习能力使得知识获取工作转换为网络的变结构调节过程，从而大大方便了知识的记忆和提取；网络通过学习，可以从典型事例中提取所包含的一般原则、学会处理具体问题，且能对不完整信息进行补全。

从评价的角度来看，神经网络通过对已有系统及其评价结果的学习，可获得隐含其中的人的经验、知识以及对目标重要性的看法等直觉思维。

一旦用来评价时，网络便可再现这些经验、知识与直觉思维，对复杂问题做出合理
的判断。

[15]
本项目以BP神经网络作为基于多因素的评估模型构建的基础, BP神经网络由输入层、隐含层和输出层构成, 各层的神经元数目不同, 由正向传播和反向传播组成, 在进行网站评价时, 从输入层输入影响网站评价值的n个因素信息, 经隐含层处理后传入输出层, 其输出值Y即为网站绩效的评估值。

四、参考文献
[1]S.Dolev,Self-Stabilization[M].The MIT Press,2000.
[2] HAGAN M T , DEMU TH H B , BEAL E M. Neural network design [M] . Boston : PWS Publishing Company , 1996.
[3] 韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2007.
[4]人工神经网络讲稿PPT
[DB/OL]. /view/a935618fcc22bcd126ffOcda.html.2010,12,12.
[5] 袁曾任. 人工神经元网络及其应用[M ]. 北京: 清华大学出版社, 1999.
[6] HORNIK K M ,STINCHCOMBE M ,WHITE H. Multilayer feedforward networks are universal approximators[J] . Neural Networks , 1989 , 2 (5) : 359 - 366. [7] HE Xingui , L IAN G J iuzhen. Some theoretical issues on procedure neural networks [J].Engineering Science ,2000 , 2 (12) : 40 - 44.
[8]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005
[9]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1989
[10]海金（Haykin,S）.神经网络原理[M].北京：机械工业出版社，2004
[11] 邓伟.BP 神经网络构建与优化的研究及其在医学统计中的应用. 复旦大学. 博士论文,2003 ,12 ,23.
[12]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005
[13]王伟.人工神经网络原理——入门与应用[M].北京:北京航空航天大学出版社，1995
[14]张德丰.MATLAB神经网络应用设计[M].北京:机械工业出版社,2009
[15] 施彦,韩力群,廉小亲.神经网络设计方法与实例分析[M].北京:北京邮电大学出版
社,2009.。