神经网络

浅谈神经网络以及在电气火灾报警系统的应用

陈宁

河北联合大学矿业工程学院10安全工程

摘要：

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。通过分析现代行业电气化的要求提出了电气火灾自动报警系统的设计，将神经网络应用到系统中，采用了前馈神经网络的设计，使系统可对连续探测得到的信息进行处理，提高了火灾报警系统的灵敏度。

关键词：神经网络反射弧数学模型电气火灾报警系统应用

引言：随着科学技术的快速发展，各个科学门类的空前进步，以及智能化的不断普及。因而，神经网络越来越被更多地研究和应用。在当今经济社会不断发展，机械化的不断加深，电气设备越来越多地应用在的社会生产和生活中。在实际应用中，传统的电气火灾报警系统常常会出现漏报，误报等等情况。于是，将对神经网络的研究成果应用到电气火灾报警系统中已经成为一个当今科学技术发展的一个趋势。

定义：

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

发展历史：

1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。1949年，心理学家提出了突触联系强度可变的设想。60年代，人工神经网络的到了进一步发展，更完善的神经

网络模型被提出，其中包括感知器和自适应线性元件等。M.Minsky等仔细分析了以感知器为代表的神经网络系统的功能及局限后，于1969年出版了《Perceptron》一书，指出感知器不能解决高阶谓词问题。他们的论点极大地影响了神经网络的研究，加之当时串行计算机和人工智能所取得的成就，掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络的研究处于低潮。在此期间，一些人工神经网络的研究者仍然致力于这一研究，提出了适应谐振理论（ART网）、自组织映射、认知机网络，同时进行了神经网络数学理论的研究。以上研究为神经网络的研究和发展奠定了基础。1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究，1985年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。1986年进行认知微观结构地研究，提出了并行分布处理的理论。90年代初，又有脉冲耦合神经网络模型被提出。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。在日本的“真实世界计算（RWC）”项目中，人工智能的研究成了一个重要的组成部分。

生物原型：

神经元，又称神经细胞，是构成神经系统结构和功能的基本单位。神经元是具有长突起的细胞，它由细胞体和细胞突起构成。简单地说，反射过程是如下进行的：一定的刺激按一定的感受器所感受，感受器发生了兴奋神经元，又称神经细胞，是构成神经系统结构和功能的基本单位。神经元是具有长突触（轴突）的细胞，它由细胞体和细胞突起构成。在长的轴突上套有一层鞘，组成神经纤维，它的末端的细小分支叫做神经末梢。细胞体位于脑、脊髓和神经节中，细胞突起可延伸至全身各器官和组织中。细胞体是细胞含核的部分，其形状大小有很大差别，直径约4～120微米。核大而圆，位于细胞中央，染色质少，核仁明显。细胞质内有斑块状的核外染色质（旧称尼尔小体），还有许多神经元纤维。细胞突起是由细胞体延伸出来的细长部分，又可分为树突和轴突。每个神经元可以有一或多个树突，可以接受刺激并将兴奋传入细胞体。每个神经元只有一个轴突，可以把兴奋从胞体传送到另一个神经元或其他组织，如肌肉或腺体。

反射弧：执行反射的全部神经结构称为反射弧，一般包括五部分：感受器、传入神经纤维、中枢、传出神经纤维和效应器。任何反射活动都要通过反射弧才能实现。简单地说，反射过程是如下进行的：一定的刺激按一定的感受器所感受，感受器发生了兴奋（若受损机体，机体既无感觉又无效应）；兴奋以神经冲动的方式经过传入神经传向中枢（若受损机体，机体既无感觉又无效应）；通过中枢的分析与综合活动，中枢产生兴奋（若受损机体，机体既无感觉又无效应）；中枢的兴奋又经一定的传出神经到达效应器，使根据神经中枢传来的兴奋对外界刺激做出相应的规律性活动（若受损机体只有感觉没有效应）；兴奋又由神经中枢传至效应器（若受损机体，机体只有感觉没有效应）。如果中枢发生抑制，则中枢原有的传出冲动减弱或停止。在实验条件下，人工刺激直接作用于传入神经也可引起反射活动，但在自然条件下，反射活动一般都需经过完整的反射弧（reflex arc）来完成，如果反射弧中任何一个环节中断，反射即不能发生。

数学模型

神经网络（Neural Networks,NNs）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。神经网络的基础在于神经元。神经元是以生物神经系统的神经细胞为基础的生物模型。在人们对生物神经系统进行研究，以探讨人工智能的机制时，把神经元数学化，从而产生了神经元数学模型。

从神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可以把神经元抽象为一个简单的数学模型。工程上用的人工神经元模型如图1-4所示。

图1-4 神经元的数学模型

在图1-4中，X1，X2，……，Xn是神经元的输入，即是来自前级n个神经元的轴突的信息A，Σ是i神经元的阈值；Wi1，Wi2……，Win分别是i神经元对X1，X2，……，Xn的权系数，也即突触的传递效率；Yi是i神经元的输出；f[·]是激发函数，它决定i神经元受到输人X1，X2，……，Xn的共同刺激达到阀值时以何种方式输出。

对于激发函数f[·]有多种形式，其中最常见的有阶跃型、线性型和S型三种形式。

对于阶跃型激发函数，它的输出是电位脉冲，故而这种激发函数的神经元称离散输出模型。