神经网络的研究热点分析.

神经网络的研究热点分析

神经网络的研究热点分析

类别：通信网络

摘要：首先介绍了神经网络的发展、优点及其应用，然后对神经网络目前的几个研究热点进行了分析，即神经网络与小波分析、混沌、粗集理

论、分形理论的融合及其应用领域和存在的问题。分析结果表明这些融合方法

具有很好的发展前景。0引言神经网络最早的研究是40年代心理学家Mcculloch和数学家Pitts合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过3个阶段：1947～196 9年为初期，在这期间科学家们提出了许多神经元模型和学习规则，如MP模型、HEBB学习规则和感知器等；1970～1986年为过渡期，这期间神经网络研究经过了一个

低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和

优化计算的途径。1984年，Hiton教授提出Bol tzman机模型；1986年Kumelhart等人提出误差反向传播神经网络，简称BP网络。目前，BP网络已成为广泛使用的网络。1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮［1］。人工神经元网络是生物神经网络的一种模拟和近似，它从结构、实现机理和功能上

模拟生物神经网络。从系统观点看，人工神经元网络是由大量神经元通过极其

丰富和完善的连接而构成的自适应非线性动态系统。神经网络具有以下优点：(1)具有很强的鲁棒性和容错性，这是因为信息是分布存贮于网络内的神经元中；(2)并行处理方法，人工神经元网络在结构上是并行的，而且网络的各

个单元可以同时进行类似的处理过程，使得计算快速；(3)自学习、自组织、自适应性，神经元之间的连接多种多样，各元之间联接强度具有一定可塑性，

使得神经网络可以处理不确定或不知道的系统；(4)可以充分逼近任意复杂的

非线性关系；(5)具有很强的信息综合能力，能同时处理定量和定性的信息，

能很好的协调多种输入信息关系，适用于处理复杂非线性和不确定对象。

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，主要应用如下：(1)自动控制领域；(2)处理组合优化问题；(3)模式识别；(4)图像处理；(5)传感器信号处理；(6)机器人控制；(7)信号处理；

(8)卫生保健、医疗；(9)经济；(10)化工领域；(11)焊接领域；(12)地理领域；(13)数据挖掘、电力系统、交通、军事、矿业、农业和气象等领域。 1神经网络研究热点神经网络在很多领域已得到了很好的应用，但其需要研

究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线

性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。由于其他方法也有它们各自的优点，所以将

神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑［1～5］、专家系统［6～9］、遗传算法［10、11］、小波分析、混沌、粗集理论、分形理论、证据理论［25～27］和

灰色系统［28～33］等的融合。文中主要就神经网络与小波分析、混沌、粗集理论、分形理论的融合进行分析。 1.1神经网络与小波分析的结合1981年，法国地质学家Morlet在寻求地质数据时，通过对Fourier变换与加窗Fouri er变换的异同、特点及函数构造进行创造性的研究，首次提出了“小波

分析”的概念，建立了以他的名字命名的Morlet小波。1986年以来由于YMeyer、S Mallat及IDaubechies等的奠基工作，小波分析迅速发展成为

一门新兴学科。Meyer所著的“小波与算子”，Daubech ies所著的“小波十讲”是小波研究领域最权威的著作。小波变换是对Fourier分析方法的突破。它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。小波分析相当于一个数学显微镜，具有放大、缩小和平移功能，通过检查

不同放大倍数下的变化来研究信号的动态特性。因此，小波分析已成为地球物理、信号处理、图像处理、理论物理等诸多领域的强有力工具。小波神经网络将小波变换良好的时频局域化特性和神经网络的自学习功能相结合，因而

具有较强的逼近能力和容错能力。在结合方法上，可以将小波函数作为基函数

构造神经网络形成小波网络，或者小波变换作为前馈神经网络的输入前置处理

工具，即以小波变换的多分辨率特性对过程状态信号进行处理，实现信噪分

离，并提取出对加工误差影响最大的状态特性，作为神经网络的输入［7，12］。小波神经网络在电机故障诊断、高压电网故障信号处理与保护研

究、轴承等机械故障诊断以及许多方面都有应用，文献［13］将小波神经网络用于感应伺服电机的智能控制，使该系统具有良好的跟踪控制性能，以及好的鲁棒性，文献［14］利用小波包神经网络进行心血管疾病的智能诊断，小波层进行时频域的自适应特征提取，前向神经网络用来进行分类，正确分类率达到94%。小波神经网络虽然应用于很多方面，但仍存在一些不足。从提取精度

和小波变换实时性的要求出发，有必要根据实际情况构造一些适应应用需求的

特殊小波基，以便在应用中取得更好的效果。另外，在应用中的实时性要求，也需要结合DSP的发展，开发专门的处理芯片，从而满足这方面的要求。 1.2混沌神经网络混沌第一个定义是上世纪70年代才被Li Yorke第一次提出的。由于它具有广泛的应用价值，自它出现以来就受到各方面的普遍关注。

混沌是一种确定的系统中出现的无规则的运动，混沌是存在于非线性系统中的一种较为普遍的现象，混沌运动具有遍历性、随机性等特点，能在一定的范围内按其自身规律不重复地遍历所有状态。混沌理论所决定的是非线性动力学混沌，目的是揭示貌似随机的现象背后可能隐藏的简单规律，以求发现一大类复

杂问题普遍遵循的共同规律。1990年KAihara、TTakabe和M Toyoda 等人根据生物神经元的混沌特性首次提出混沌神经网络模型，将混沌学引入神经网络中，使得人工神经网络具有混沌行为，更加接近实际的人脑神经网络，因而混沌神经网络被认为是可实现其真实世界计算的智能信息处理系统之一，成为神经网络的主要研究方向之一。与常规的离散型Hopfield神经网络相比较，混沌神经网络具有更丰富的非线性动力学特性，主要表现如下：在神经网络中引入混沌动力学行为；混沌神经网络的同步特性；混沌神经网络的吸引子。当神经网络实际应用中，网络输入发生较大变异时，应用网络的固有

容错能力往往感到不足，经常会发生失忆现象。混沌神经网络动态记忆属于确

定性动力学运动，记忆发生在混沌吸引子的轨迹上，通过不断地运动(回忆过程)，一一联想到记忆模式，特别对于那些状态空间分布的较接近或者发生部