基于神经网络的机器学习方法

2019年2月

通过实验我们能够发现,蓝牙基站对蓝牙标签的定位效果非常理想,但实验毕竟是在相对理想的环境下进行的。在实际应用中,目标种类繁多、信号情况复杂,如果想要将该中模式投入到实际应用中还需要进一步改进。比如在某个固定的场所内需要搭建一个平台,不但提供位置信息,还提供更多产品相关信息。平台首先对产品类目进行划分,获得不同的产品位置后发送位置信息,用户通过位置信息找到相应产品后展示商品参数等,以供用户参考。

5结语

在漫长的人类历史长河中,为了不让自己在茫茫的大自然中迷失方向,先后发明了各类辅助指引方向的工具,比如指南针、罗盘等。现代生活中,只是指引大概的方向并不足以满足现代生活的需求。高度城市化的今天,为了畅享丰富的室内活动,在越来越大的室内空间行动自如,室内定位技术给了我们强大的技术支持。在众多无线通信技术中,蓝牙技术拔得头筹,在室内定位领域拥有绝对的优势。相信随着技术的快速发展,室内定位技术必将为我们提供越来越精准的出行体验。

参考文献

[1]吴勇毅.室内定位导航:诺基亚的“救命稻草”[J].上海信息化,2012 (11):76~78.

[2]刘燚.室内定位成为蓝海,我国提出的TC-OFDM是否仍有机会? [J].2017-05-24.

[3]陈高锋.常用无线通信技术简介[J].电脑知识与技术,2012,08(5): 1062~1064.

[4]彼岸阳光.几种主流无线通信技术的比较[J].2017-10-16.

[5]孙凤连.机器人双目视觉系统的三维测量方法[D].广东工业大学,2015.

[6]朱敏.室内定位技术分析[J].现代计算机(专业版),2008(2):79~81.

[7]刘涛.信息融合算法及其应用研究[D].南京邮电大学,2013.

[8]王哲.基于低功耗蓝牙室内测距系统的设计与实现[D].北京邮电大学,2016.

收稿日期：2019-1-17

基于神经网络的机器学习方法

翁天信（安徽省合肥市第六中学，安徽省合肥市230000）

【摘要】随着科学技术的不断发展，以及智能化新的需要，人工智能技术逐渐走进人们的视野。而随着神经网络技术的不断发展，机器学习也有新的理论出现。本文通过分析神经网络技术，研究生物神经网络在机器学习方法中的发展现状及趋势，讨论神经网络机器学习的技术与应用。【关键词】神经网络；机器学习；人工智能

【中图分类号】TP393【文献标识码】A【文章编号】1006-4222（2019）02-0061-02

1引言

神经网络主要分为生物神经网络与人工神经网络。生物神经网络,顾名思义,就是生物体身上神经系统所组成的网络,随着科学技术的不断发展,仿生技术不断深入,人工智能的目光逐渐转向这一领域。而人工神经网络就是将生物神经网络的信息传递方式类比在人工系统中,模拟生物的大脑和神经系统,由大量的、简单的神经元来互相连接,进而组成类似生物神经网络的复杂计算网络系统。人工神经网络具有诸多优点,如可并行处理,可自主学习,非线性能力强以及容错率高,目前广泛应用在图像识别,机器学习,模式识别等领域。

机器学习广义上讲就是使得机器通过自主学习来获得相关知识,目的是为了使机器掌握相关类似人类获取知识的能力。本质上,人工神经网络是机器学习的一种技术手段或者实现方法。

2神经网络与机器学习的特点

2.1神经网络

人工神经网络是机器学习方法的一种,在机器学习领域,类似于生物体的神经网络系统,用以实现机器与自然环境及各信息环境的交互。神经网络按其应用,可以分为BP神经网络、前馈神经网络和RBF神经网络等,神经网络除了可以实现机器学习的功能之外,常用的领域还有贝叶斯分类器、深度学习、线性回归等。综上所述,神经网络只是机器学习方法的一种,初期我们只是采用很低级的神经网络,但是随着时代的发展和科技的进步,网络内的数据量和深度大大提升,算法和计算能力也有很大进步,因而系统的学习能力也在逐步进步,深度学习的本质便是更深层次的神经网络。

2.2机器学习

学习一直被认为是人类和机器之间最重要的差别,但如果给机器赋予人类的学习能力,使得其更智能化的为人类服务,一直以来是科学家的诉求。随着人工智能技术的不断发展,机器学习技术已经成为其重要的一个分支,其本质上讲涵盖了多领域,包括控制论、统计学、哲学和信息学等。随着近代生物学、信息学和电子学等相关学科的衍生与发展,为机器学习的进步奠定了一定的基础。当前,机器学习是计算机科学领域最充满活力的研究方向之一,已在机器人、自动驾驶、人脸识别、医学影像处理、智能监控系统等领域得到了广泛的应用,未来将在军事、医疗和工业等计算机领域中发挥更大的作用。2.3国内外发展现状

人类的神经网络系统是数十亿年来漫长进化的结果,从智能化的角度对人类的神经系统模拟,并制造出类似的能够具有智能思维和自我学习能力的计算机信息系统一直是科学家们的追求。1943年,生物心理学家W.S McCulloch和数理学家W.H Pitts第一次提出简单的神经元的数学模型,可以进行简单的数学计算和逻辑运算,从此开创了人类对神经网络的理论研究[1]。随着时代的发展,一些新兴的学习机制和网络构建帮助神经网络进入快速发展时期,目前,自然语言处理、语音和图像是神经网络机器学习应用的最广泛的三个领域。就国内而言,百度公司的无人驾驶技术运用了深度学习的技术,

通信设计与应用61

2019年2月

目前已经进入测试阶段;智能医疗机器人现如今在医疗健康领域也大有作为,未来机器学习的技术不断加深,医疗领域的机器学习也会大有作为;同时,2017年3月5日“人工智能”正式写入2017政府工作报告,未来机器学习等技术将会广泛应用于教育、医疗健康、金融、电商零售、安防、交通自驾、工业以及个人助理等领域。

3基于神经网络的机器学习结构优化方式3.1数据预处理方式

在机器学习中,系统接触到的数据集质量的好坏很大程度上影响着机器学习的结果,接触的数据中,如何过滤掉无用数据,补充数据的缺失值,以及避免不相关数据的干扰一直是机器学习获取数据的关键问题。加强对机器学习数据的预处理,提高数据质量,进而加快机器学习速度,进一步提升人工智能算法学习的泛化能力,这些技术都是数据预处理的核心课题。

数据预处理的方法一般有数据规约、数据清理和数据转换这三项。数据规约是通过数据整理,得到数据集的简化表示,却不改变机器学习的结果,其主成分分析和变量子集等基本不改变。数据清理的过程类似于识别相关数据作必要的拟合,将过于分散离群的数据剔除,处理不一致的数据。最终数据转换的工作包括将数值进行进一步规范化、将离散的数据集中化等。

3.2神经网络结构优化

神经网络的结构对神经网络的分类以及神经网络的计算能力有着紧密的关系,换句话说,神经网络的拓扑结构对于神经网络的计算能力与信息处理能力有着重大的影响。因而,信息的输入点、中间节点和输出点的设置和优化对神经网络的结构设计十分重要。中间节点过多,可能会导致过度拟合的现象,从而神经网络对学习样本的预测分类能力不足;若中间节点过少,那么神经网络层次深度不足,学习能力不够,神经网络的学习能力不够,性能较低达不到预期学习的目的[2]。

在人工神经网络内,结构优化常用的手段是规范化和降维。规范化的目的是使样本在样本均值附近,并使得样本方差较为规范,那么从统计学意义上讲,这种做法可以提升学习速度。降维更多目的在于优化性能,主要集中于优化中间节点数目,进而提升学习速度。

3.3样本特征选择方法

对于学习样本的选择上,若全盘处理全部数据,则会大大降低学习的效率和进度,时间成本过高。因而,我们在不影响系统决策的前提下,通过对不相关和过于离散的数据进行删除,保留样本中拟合度较好,必要性较大的数据,这就是样本的特征选择。当前,样本特征选择方法主要分为两类,即封装方法和过滤方法。过滤方法一般是依据某种属性重要度,比如对数据的长度、距离、相关性、离散度进行评判,进而将重要度较低的数据样本剔除;而封装方法是利用系统本身的评价体系,建立一套评价函数体系,利用函数对数据进行最优子集的选择。

4基于神经网络的机器学习方法应用4.1图像识别

随着计算机科学技术和数字图像处理技术的发展,人们对于通过机器设备获取的图像信息进行识别处理已成为当今热切的议题。如医学影像处理、人脸识别、车牌识别等。各个领域的图像识别是多种多样的,其本身都具有各自的特性,因而我们需要用一些技术手段将各图像的特征提取出来,对提取出来的特征进行选择处理,减小特征的误差并且保留图像特征信息,更好的对图像进行数字化[3]。神经网络系统在图像识别过程中,主要先进行图像特征的提取,进而利用数字化的特征延伸到神经网络进行系统分类处理,通过机器学习的过程,可以改进图像识别过程中特征值提取和特征分类的过程,进而更好地对后续图像进行处理。

4.2语音识别

传统语音识别主要将语音作预处理后,通过对于语音样本进行特征提取之后,与标准模式进行对比比较,进而对语音信号进一步数字化处理。而神经网络的语音识别较传统的语音识别区别在于,神经网络中具有大量的连接节点对输入值进行非线性运算,且输入值对神经系统的响应为最大兴奋值的点即为输入模式对应的分类。生物神经网络的使用使得语音信息数字化,为复杂的语音识别提供了新的解决途径[4]。4.3自然语言识别

语言是人类区别于动物的最大特征,因为语言的出现,使得人们之间交流信息变得顺畅。自从电脑问世以来,科学家们就一直在探索使计算机能够理解人类语言的方法。自然语言识别技术是集语言学、计算机科学、信息处理、人工智能、声学和语音学等诸多领域为一体的综合性技术,应用前景十分广阔,一直以来都是科学家们研究的热点。而神经网络是一门新兴科学,它是在现代科学研究的基础上模拟人类大脑神经结构的新技术。神经网络并不是人类大脑的结构复制,而是把这类生物神经网络对信息的处理方法进行简化、模拟和抽象,旨在探索人类大脑的信息处理、信息存储和信息搜索机制,进而为人工智能和机器学习等领域开辟新的方向。人工神经网络便是采用计算机可实现的系统来对人脑神经系统的结构与功能进行模拟,运用神经元的活动原理,进而衍生出自我学习、联想、类比、推理概括的能力,为更好的解决自然语言识别这样一个复杂的问题提供了新的方法。

5结论与展望

本文详细介绍了神经网络在机器学习领域的技术特点,并介绍了其基本应用及发展趋势。人工智能是一个不可阻挡的发展潮流,在当今时代,人工智能、物联网、大数据、云计算等技术的充分结合,会让人们的生活更加智能化和信息化,它将带给我们不仅仅是生活上的便利,更重要的是生活品质上的飞跃。在以后的发展中,我们将在已有的基础上不断完善,真正实现“人工智能”带给人们的便捷。

参考文献

[1]彭淑敏.神经网络图像识别技术研究与实现[D].西安电子科技大学, 2005.

[2]王继成.一个基于机器学习的神经网络初始化方法[J].计算机研究与发展,1997(8):599~604.

[3]张校非.机器学习在语音识别和图像识别中的应用[D].2018.

[4]荣蓉.基于人工神经网络的语音识别研究[D].山东师范大学,2005.收稿日期：2019-1-11

通信设计与应用62