人工神经网络的发展及应用

人工神经网络的发展及应用

西安邮电学院电信系樊宏西北电力设计院王勇日期：2005-1-21

1 人工神经网络的发展

1．1 人工神经网络基本理论

1．1．1神经生物学基础

生物神经系统可以简略地认为是以神经元为信号的处理单元，通过广泛的突触联系形成的信息处理集团，其物质结构基础和功能单元是脑神经细胞，即神经元(neuron)。

(1)神经元具有信号的输人、整合、输出三种主要功能作用行为，结构如图1所示：

(2)突触是整个神经系统各单元间信号传递驿站，它构成各神经元之间广泛的联接。

(3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物，其变化是先天遗传信息确定的总框架下有限的自组织过程。

1．1．2 建模方法

神经元的数量早在胎儿时期就已固定，后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系，这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法：①神经生物学模型方法，即根据微观神经生物学知识的积累，把脑神经系统的结构及机理逐步解释清楚，在此基础上建立脑功能模型；②神经计算模型方法，即首先建立粗略近似的数学模型并研究该模型的动力学特性，然后冉与真实对象作比较(仿真处理方法)。1．1．3 概念

人工神经网络用物理町实现系统采模仿人脑神经系统的结构和功能，是一门新兴的前沿交义学科，其概念以T．Kohonen．Pr的论述最具代表性：人工神经网络就是由简单的处理单元(通常为适应性神经元，模型见图2)组成的并行互联网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。

1．2 人工神经网络的发展

人工神经网络的研究始于40年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的较为曲折的道路。1943年，心理学家W．S．Mcculloch和数理逻辑学家W．Pitts 提出了M—P模型，这是第一个用数理语言描述脑的信息处理过程的模型，虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。1949年，心理学家D．O．Hebb提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。1957年，计算机科学家Rosenblatt提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络。1969年，美国著名人工智能学者M．Minsky和S．Papert 编写了影响很大的Perceptron一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知能也不过如此，在这之后近10年，神经网络研究进入了一个缓慢发展的萧条期。美国生物物理学家J．J．Hopfield于1982年、1984年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的又一次热潮。1982年，他提出了一个新的神经网络模型——hopfield网络模型。1984年，他又提出了网络模型实现的电子电路，为神经网络的工程实现指明了方向。为适应人工神经网络的发展，1987年成立了国际神经网络学会，并决定定期召开国际神经网络学术会议。进入90年代后世界各国开始研制面向21世纪的新一代智能计算机——“右脑”型计算机，即第四代计算机。

2 人工神经网络的应用

人工神经网络能模拟人脑的并行信息处理方式，具有惊人的自学习、思维、推理、判断和记忆的功能。表现在：①具有快速、准确的信息处理能力，因为人工神经网络具有并行处理机制，它的信息处理是在大量信息单元中并行而有层次地进行的；②具有惊人的自学习功能，它不需要任何程序就能获得学习知识；③即使输入的信息不完全，不确切，也能得出正确的

结果，即具有自适应、自组织能力；④具有独特的存储信息的能力。其资料和知识不是存储在存贮器中，而是存储在神经元之间的网络中，即使某一节点断裂，它还有重建的能力。人工神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，能够解决一些传统计算机极难求解，甚至无法求解的问题。

(1)能处理组合优化问题。人工神经网络应用于组合化化问题最典型的例子就是成功地解决了TSP问题，即旅行推销员问题(TravellingSalesmanProblem)。除此之外，还能解决如最大匹配、装箱问题和作业调度等许多组合优化问题。

(2)能进行模式识别。至今，在模式识别领域，神经网络方法已成功地用于手写字符(英文、汉字和数字)、汽车牌照、指纹和语音识别等方面，还可用于目标的自动识别和目标的定向、电子战、机器人的传感器、卫星探测系统等的图像识别以及地震信号的鉴别等。

(3)进行图像处理。人工神经网络能对图像进行边缘检测、图像分割、图像压缩和图像恢复。

(4)在自动控制中的应用：①具有逼近能力与学习能力。如能对非线性函数进行逼近；②广泛用于非线性系统的辨识与控制，如对青霉素(或菌丝体)进料发酵中的生物量估计；③应用于自适应控制和自校正控制，如应用于多目标跟踪系统，它是飞行系统的一个重要功能，可用作各类机器人、自动战斗车辆、自动跟踪射击系统、自动制导导弹等命中率高的火控系统及摇控飞行器等。

(5)在机器人控制中的应用。人工神经网络能对机器人眼手系统位置进行协调控制。

(6)可用于信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用，利用人工神经网络可克服传统的信号处理方法中存在的信道多变、多途干涉、非高斯分布数据的适应性差、对高分辨率估算计算量大而工程难于实现等问题。在应用信号检测时，对多普勒频段有更好的适应性；应用于目标分类时，则有很高的分辨率。

(7)在其它方面的应用：①在经济领域：能对商品价格、股票价格和企业的可信度等进行短期预测；②在化学领域：能对制药、生物化学和化学工程等进行分析，如：进行蛋白质结构分析、谱分析和化学反应分析等；③在卫生保健方面：能进行废水处理、蛋白质分类和假肢控制等；能建立医学专家系统；能利用磁共振扫描作病变区检测；④在军事方面：需从大量移动的传感器平台上接收数据并将其融合起来，才能达到监视和获取目标、正确实施攻击的目的，可作智能指挥、决策系统和安全保密系统；可以对飞机、汽车进行监视和探测，对可能发生的故障随时报警，并进行紧急处理。可探测普通探测器难于探测到的塑料地雷，还可以探测机场货物中是否含有爆炸物。

人工神经网络是发展中的学科，它在许多领域的应用，并不意味着它已是一个十分成熟的学科。它，尚有诸多不足之处。

理论局限性主要表现为：

(1)受限于脑科学的已有研究成果。由于生理试验的困难性，目前对于人脑思维与记忆机制的认识尚很肤浅，对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识；

(2)尚未建立起完整成熟的理论体系。目前已提出的众多人工神经网络模型，归纳起来一般都是一个由节点及其互连构成的有向拓扑网，节点间互连强度构成的矩阵，可通过某种学习策略建立起来。但仅此一共性不足以构成一完整的体系，因为这些学习策略并不是统一地基于某一数学公理集，也非统一地基于某一自然界的重大发现；

(3)与技术的接口不成熟。传统计算技术对数字计算、逻辑运算是不可替代的，它们已积累了非常丰富的软件资源，并解决了许多领域的应用。人工神经网络技术决不能全面替代它们，而只能在某些方面与之互补，从而需要解决与传统技术的接口以获得自身的发展，并通过渗透性策略拓宽自身的应用；

(4)应用和实现限制。人工神经网络不适宜于作高精度计算和类似顺序计数的工作，人工神