時(shí)間：2023-05-30 10:16:39
開(kāi)篇：寫(xiě)作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇神經(jīng)網(wǎng)絡(luò)，希望這些內(nèi)容能成為您創(chuàng)作過(guò)程中的良師益友，陪伴您不斷探索和進(jìn)步。
人工神經(jīng)網(wǎng)絡(luò)是由大量的簡(jiǎn)單基本元件-神經(jīng)元相互聯(lián)接而成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。每個(gè)神經(jīng)元的結(jié)構(gòu)和功能比較簡(jiǎn)單，但大量神經(jīng)元組合產(chǎn)生的系統(tǒng)行為卻非常復(fù)雜。人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應(yīng)環(huán)境、總結(jié)規(guī)律、完成某種運(yùn)算、識(shí)別或過(guò)程控制。人工神經(jīng)網(wǎng)絡(luò)具有并行處理特征，可以大大提高工作速度。
人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性，主要表現(xiàn)在三個(gè)方面：
第一，具有自學(xué)習(xí)功能。
第二，具有聯(lián)想存儲(chǔ)功能。
第三，具有高速尋找優(yōu)化解的能力。
1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也稱(chēng)為訓(xùn)練，指的是神經(jīng)網(wǎng)絡(luò)在外界環(huán)境的刺激作用下調(diào)整網(wǎng)絡(luò)自由參數(shù)，并以新的方式來(lái)響應(yīng)外部環(huán)境的過(guò)程。能夠從環(huán)境中學(xué)習(xí)并在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的性質(zhì)。理想情況下，神經(jīng)網(wǎng)絡(luò)在每一次重復(fù)學(xué)習(xí)后，對(duì)它的環(huán)境有了更多的了解。
（1） 監(jiān)督學(xué)習(xí)（有教師學(xué)習(xí)）
在學(xué)習(xí)時(shí)需要由教師提供期望輸出，通常神經(jīng)網(wǎng)絡(luò)對(duì)于周?chē)沫h(huán)境未知而教師具有周?chē)h(huán)境的知識(shí)，輸入學(xué)習(xí)樣本，教師可以根據(jù)自身的知識(shí)為訓(xùn)練樣本提供最佳逼近結(jié)果，神經(jīng)網(wǎng)絡(luò)的自由參數(shù)在誤差信號(hào)的影響下進(jìn)行調(diào)整，其最終目的是讓神經(jīng)網(wǎng)絡(luò)模擬教師。
（2） 非監(jiān)督學(xué)習(xí)（無(wú)教師學(xué)習(xí)）
它也稱(chēng)為自組織學(xué)習(xí)，系統(tǒng)在學(xué)習(xí)過(guò)程中，沒(méi)有外部教師信號(hào)，而是提供給一個(gè)關(guān)于網(wǎng)絡(luò)學(xué)習(xí)性質(zhì)的度量，它獨(dú)立于學(xué)習(xí)任務(wù)，以此尺度來(lái)逐步優(yōu)化網(wǎng)絡(luò)，一旦網(wǎng)絡(luò)與輸入數(shù)據(jù)的統(tǒng)計(jì)規(guī)律達(dá)成一致，那么它將發(fā)展形成用于輸入數(shù)據(jù)編碼特征的內(nèi)部表示能力，從而自動(dòng)創(chuàng)造新的類(lèi)別。
（3）強(qiáng)化學(xué)習(xí)（激勵(lì)學(xué)習(xí)）
在強(qiáng)化學(xué)習(xí)系統(tǒng)中，對(duì)輸入輸出映射的學(xué)習(xí)是通過(guò)與外部環(huán)境的不斷交互作用來(lái)完成學(xué)習(xí)，目的是網(wǎng)絡(luò)標(biāo)量函數(shù)值最小，即外部環(huán)境對(duì)系統(tǒng)輸出結(jié)果只給出評(píng)價(jià)信息（獎(jiǎng)或罰）而不是給出正確答案，學(xué)習(xí)通過(guò)強(qiáng)化那些受獎(jiǎng)的動(dòng)作來(lái)改善自身性能。
神經(jīng)網(wǎng)絡(luò)針對(duì)學(xué)習(xí)問(wèn)題修改網(wǎng)絡(luò)自由參數(shù)的過(guò)程稱(chēng)為學(xué)習(xí)規(guī)則（學(xué)習(xí)算法），設(shè)計(jì)學(xué)習(xí)規(guī)則的目的是訓(xùn)練網(wǎng)絡(luò)來(lái)完成某些任務(wù)，沒(méi)有一個(gè)獨(dú)特的學(xué)習(xí)規(guī)則可以完成所有的學(xué)習(xí)任務(wù)。神經(jīng)網(wǎng)絡(luò)有5個(gè)基本的學(xué)習(xí)規(guī)則：誤差--修正學(xué)習(xí)，基于記憶的學(xué)習(xí)，Hebb學(xué)習(xí)，競(jìng)爭(zhēng)學(xué)習(xí)，隨機(jī)學(xué)習(xí)。
2 神經(jīng)網(wǎng)絡(luò)的研究趨勢(shì)
（1） 利用神經(jīng)生理與認(rèn)知科學(xué)研究大腦思維模式及智能機(jī)理過(guò)程
深入研究神經(jīng)網(wǎng)絡(luò)理論神經(jīng)網(wǎng)絡(luò)在一定程度上揭示人類(lèi)智能和了解人腦的工作方式，由于人類(lèi)對(duì)神經(jīng)系統(tǒng)的了解非常有限，而且對(duì)其自身腦結(jié)構(gòu)及其活動(dòng)機(jī)理的認(rèn)識(shí)不完善，故而神經(jīng)網(wǎng)絡(luò)只能是模仿人腦的局部功能，而對(duì)人腦作為一個(gè)整體的功能解釋?zhuān)窠?jīng)網(wǎng)絡(luò)起不到任何作用。神經(jīng)科學(xué)，心理學(xué)和認(rèn)識(shí)科學(xué)等方面提出的一些重大問(wèn)題，是向神經(jīng)網(wǎng)絡(luò)理論研究提出的新挑戰(zhàn)，這些問(wèn)題的解決有助于完善和發(fā)展神經(jīng)網(wǎng)絡(luò)理論，因此利用神經(jīng)生理和認(rèn)知科學(xué)研究大腦思維及智能機(jī)理，如有新的突破將會(huì)改變智能和機(jī)器關(guān)系的認(rèn)識(shí)。
（2） 神經(jīng)網(wǎng)絡(luò)領(lǐng)域的數(shù)學(xué)研究趨于重要
隨著神經(jīng)科學(xué)基礎(chǔ)理論研究的深入，用數(shù)理方程探索智能水平更高網(wǎng)絡(luò)模型將是研究的趨勢(shì)所在，神經(jīng)元以電為主的生物過(guò)程在認(rèn)識(shí)上一般采用非線性動(dòng)力學(xué)模型，其動(dòng)力演變過(guò)程往往是非常復(fù)雜的，神經(jīng)網(wǎng)絡(luò)這種強(qiáng)的生物學(xué)特征和數(shù)學(xué)性質(zhì)，要求有更好的數(shù)學(xué)手段，而對(duì)于神經(jīng)網(wǎng)絡(luò)這樣非線性模型，需要用數(shù)學(xué)方法研究網(wǎng)絡(luò)新的算法和網(wǎng)絡(luò)性能，如穩(wěn)定性、收斂、容錯(cuò)性、魯棒性等，開(kāi)發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如神經(jīng)動(dòng)力學(xué)、非線性神經(jīng)場(chǎng)等。研究人員斷言一種更簡(jiǎn)潔、更完善和更有效的非線性系統(tǒng)表達(dá)與分析的數(shù)學(xué)方法是這一領(lǐng)域主要目標(biāo)之一。
（3） 神經(jīng)網(wǎng)絡(luò)軟件模擬、硬件實(shí)現(xiàn)的研究以及神經(jīng)網(wǎng)絡(luò)在各個(gè)科學(xué)技術(shù)領(lǐng)域應(yīng)用的研究
目前，數(shù)字計(jì)算機(jī)在計(jì)算方面的能力已遠(yuǎn)遠(yuǎn)超出入的大腦，但在自然語(yǔ)言理解、圖像辨識(shí)、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計(jì)算機(jī)結(jié)構(gòu)及其運(yùn)算方式與人的大腦有本質(zhì)的區(qū)別，而神經(jīng)計(jì)算機(jī)（第六代計(jì)算機(jī)）以神經(jīng)網(wǎng)絡(luò)為理論基礎(chǔ)，用于模擬神經(jīng)網(wǎng)絡(luò)，具有自學(xué)習(xí)、自組織和自適應(yīng)能力，能更有效地處理復(fù)雜問(wèn)題，其實(shí)現(xiàn)過(guò)程用光學(xué)、生物芯片的方式，現(xiàn)在光學(xué)神經(jīng)計(jì)算機(jī)和分子計(jì)算機(jī)的研究是神經(jīng)網(wǎng)絡(luò)的前沿課題。
（4） 神經(jīng)網(wǎng)絡(luò)和其它算法結(jié)合的研究
神經(jīng)網(wǎng)絡(luò)和其它算法的結(jié)合和交叉，研究新型神經(jīng)網(wǎng)絡(luò)模型也是發(fā)展方向之一。如神經(jīng)網(wǎng)絡(luò)和模糊邏輯結(jié)合，建立模糊神經(jīng)網(wǎng)絡(luò)；將混沌理論和神經(jīng)網(wǎng)絡(luò)結(jié)合建立混沌神經(jīng)網(wǎng)絡(luò)；將遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合；利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或權(quán)值；將小波分析和神經(jīng)網(wǎng)絡(luò)結(jié)合建立小波神經(jīng)網(wǎng)絡(luò)；專(zhuān)家系統(tǒng)，貝葉斯學(xué)習(xí)以及粗糙集理論和神經(jīng)網(wǎng)絡(luò)結(jié)合等，這些都是神經(jīng)網(wǎng)絡(luò)研究的熱點(diǎn)。
3 結(jié)束語(yǔ)
神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問(wèn)題需進(jìn)一步研究。比如：神經(jīng)計(jì)算的基礎(chǔ)理論框架以及生理層面的研究仍需深入；新的模型和結(jié)構(gòu)的研究；神經(jīng)網(wǎng)絡(luò)的可理解性問(wèn)題；神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)更好的結(jié)合等。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 車(chē)輛跟馳 智能系統(tǒng)
中圖分類(lèi)號(hào)：U491 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）12-0081-01
引言
微觀模型越來(lái)越多的被應(yīng)用于評(píng)估新的智能運(yùn)輸系統(tǒng)。車(chē)輛跟馳模型就是其中之一[3]。車(chē)輛跟馳模型基于這樣的假設(shè)：后車(chē)司機(jī)受到一系列變量的影響，車(chē)輛的行駛受到人的影響最大，所以建立模型實(shí)際上就是將人的駕駛技巧轉(zhuǎn)化成智能系統(tǒng)。為了得到高保真度的微型仿真，人們主要是研究戰(zhàn)術(shù)層面的行為。
1 神經(jīng)網(wǎng)絡(luò)的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANN），一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[1]。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過(guò)預(yù)先提供的一批相互對(duì)應(yīng)的輸入-輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來(lái)推算輸出結(jié)果，這種學(xué)習(xí)分析的過(guò)程被稱(chēng)為“訓(xùn)練”。
2 車(chē)輛跟馳行為分析
人的駕駛行為可以分為三個(gè)層次：分別是：戰(zhàn)略、戰(zhàn)術(shù)和具體操作。戰(zhàn)略的駕駛行為主要是路線的規(guī)劃，戰(zhàn)術(shù)的駕駛行為就是實(shí)現(xiàn)短期的目標(biāo)，比如：超車(chē)，換道等，操作層面的駕駛行為就是具體的動(dòng)作如：方向盤(pán)旋轉(zhuǎn)，剎車(chē)行為等。車(chē)輛跟馳行為具有很強(qiáng)的非線性特性[2]。
ANN（artificial neural networks）可以用來(lái)解決復(fù)雜和不明確的問(wèn)題。
基于數(shù)據(jù)的學(xué)習(xí)可以提取出數(shù)據(jù)中輸出與輸入之間的關(guān)系，它們之間的關(guān)系是復(fù)雜的、非線性的、難以精確獲得的。而神經(jīng)網(wǎng)絡(luò)可以通過(guò)學(xué)習(xí)提取出數(shù)據(jù)之間蘊(yùn)藏的規(guī)律，以較高的精度來(lái)預(yù)測(cè)將來(lái)的數(shù)據(jù)。
對(duì)車(chē)輛跟馳行為更加精確的模擬應(yīng)該考慮到人反應(yīng)的非線性和人感知的局限性。也就是說(shuō)，駕駛員不能精確地感知相對(duì)速度和距離，做出決定的過(guò)程是非線性的。人工神經(jīng)網(wǎng)絡(luò)可以找到駕駛員感知到的變量和駕駛員控制動(dòng)作變量之間的映射關(guān)系。這使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以模擬和預(yù)測(cè)駕駛員的行為。
3 數(shù)值仿真
訓(xùn)練時(shí)，實(shí)驗(yàn)選取了27組輸入變量（每組輸入變量有三個(gè)元素），每組輸入變量會(huì)有一個(gè)理想輸出。也就是說(shuō)，一共有27個(gè)輸出值構(gòu)成了一個(gè)行向量。用來(lái)檢測(cè)的輸入向量輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，同樣輸出27個(gè)元素的行向量。在MATLAB中畫(huà)出這兩個(gè)向量，進(jìn)行比較，得出訓(xùn)練效果。圖1表示訓(xùn)練值與理想值的偏差，誤差絕對(duì)值可控制在30個(gè)單位之齲圖2表示預(yù)測(cè)值與實(shí)際值的位置坐標(biāo)。
4 結(jié)語(yǔ)
本文針對(duì)傳統(tǒng)車(chē)輛跟馳模型存在的預(yù)測(cè)不準(zhǔn)確，計(jì)算繁雜，實(shí)用性不高等缺點(diǎn)，提出了基于神經(jīng)網(wǎng)絡(luò)的車(chē)輛跟馳模型，首先分析了神經(jīng)網(wǎng)絡(luò)的應(yīng)用原理和領(lǐng)域，其次分析了神經(jīng)網(wǎng)絡(luò)在車(chē)輛跟馳模型上應(yīng)用的可行性，最后通過(guò)MATLAB數(shù)值仿真驗(yàn)證理論的正確性，證明了神經(jīng)網(wǎng)絡(luò)的方法可以提高模型預(yù)測(cè)的準(zhǔn)確性。
參考文獻(xiàn)
[1]韓立群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006：20-25，87.
關(guān)鍵詞：石蠟氧化；神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)速率；模擬誤差
中圖分類(lèi)號(hào)：TQ031 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-2374（2011）31-0074-02
人工神經(jīng)網(wǎng)絡(luò)是由大量的很簡(jiǎn)單的處理單元廣泛聯(lián)接構(gòu)成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。它可分為有監(jiān)督模式和無(wú)監(jiān)督模式兩大類(lèi)。有監(jiān)督模式的典型代表是誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過(guò)對(duì)網(wǎng)絡(luò)的訓(xùn)練達(dá)到函數(shù)逼近、模式識(shí)別、分類(lèi)、數(shù)據(jù)壓縮的目的。另外，它在處理非線性問(wèn)題上也有明顯的優(yōu)越性。具有自學(xué)習(xí)能力，能從有限的樣本學(xué)習(xí)知識(shí)然后預(yù)測(cè)未知信息，因此有著廣泛的應(yīng)用領(lǐng)域。在石蠟氧化工藝參數(shù)的確定過(guò)程中，存在著多因數(shù)配合試驗(yàn)的問(wèn)題。若采用正交試驗(yàn)的方法對(duì)反應(yīng)條件進(jìn)行分析，無(wú)論從精度上還是推廣能力上都存在一定的弊端。本文利用BP神經(jīng)網(wǎng)絡(luò)將氧化蠟的酸值和酯值與石蠟氧化條件（反應(yīng)溫度、空氣流量和反應(yīng)時(shí)間）進(jìn)行關(guān)聯(lián)，建立了石蠟氧化的神經(jīng)網(wǎng)絡(luò)模型，并用該模型對(duì)其氧化行為進(jìn)行了預(yù)測(cè)。
一、BP神經(jīng)網(wǎng)絡(luò)模型的建立
本文采用三層前饋型BP神經(jīng)網(wǎng)絡(luò)，分別是輸入層、輸出層和隱含層。
（一）隱含層神經(jīng)元個(gè)數(shù)的選擇
在石蠟氧化神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)過(guò)程中，隱含層神經(jīng)元個(gè)數(shù)，網(wǎng)絡(luò)學(xué)習(xí)速率和網(wǎng)絡(luò)收斂精度是三個(gè)最重要的參數(shù)。隱含層神經(jīng)元個(gè)數(shù)決定BP網(wǎng)絡(luò)的結(jié)構(gòu)，是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的核心。以下的12組試驗(yàn)數(shù)據(jù)顯示了隱含層神經(jīng)元對(duì)網(wǎng)絡(luò)精度的影響。
從圖中可以看出神經(jīng)元在7、8、10處都有較好的精度，最終選擇的是8個(gè)神經(jīng)元。原因在于結(jié)合皂化值試驗(yàn)誤差必定大于酸值誤差這一事實(shí)。由此最終篩選出只有8個(gè)神經(jīng)元結(jié)構(gòu)唯一符合要求。
（二）學(xué)習(xí)速率的選擇
網(wǎng)絡(luò)學(xué)習(xí)速率一方面決定了網(wǎng)絡(luò)的訓(xùn)練速度，另一方面決定了訓(xùn)練的質(zhì)量。對(duì)于平滑度和指數(shù)關(guān)系較好的規(guī)律識(shí)別可以采用相對(duì)較小的學(xué)習(xí)速率以獲得較高質(zhì)量的網(wǎng)絡(luò)。對(duì)于石蠟氧化BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)采取了中等學(xué)習(xí)速率的神經(jīng)網(wǎng)絡(luò)，是考慮到了試驗(yàn)誤差作用和網(wǎng)絡(luò)收斂速度的可行性。
精度 網(wǎng)絡(luò)學(xué)習(xí)
由下圖可知，網(wǎng)絡(luò)學(xué)習(xí)速率一般在范圍0.001～0.01之間為宜。若學(xué)習(xí)速率設(shè)置太大，則網(wǎng)絡(luò)誤差明顯上升。
二、網(wǎng)絡(luò)模型的訓(xùn)練
根據(jù)石蠟在不同反應(yīng)條件下進(jìn)行氧化所得到的實(shí)驗(yàn)數(shù)據(jù)，作為訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
1．初始化。設(shè)置網(wǎng)絡(luò)的初始值，精度要求，樣本個(gè)數(shù)等。
2．網(wǎng)絡(luò)訓(xùn)練。根據(jù)訓(xùn)練樣本的值，采用BP算法訓(xùn)練修正網(wǎng)絡(luò)的權(quán)值，直到滿足精度要求為止。
三、網(wǎng)絡(luò)模型的預(yù)測(cè)
以上數(shù)據(jù)可以看出所用的神經(jīng)網(wǎng)絡(luò)性能還是比較好的。因此，可以肯定以上分析的可靠性。
四、結(jié)論
1．本文所建立的石蠟氧化的神經(jīng)網(wǎng)絡(luò)模型具有很好的數(shù)據(jù)擬合能力。
2．利用本文所建立的石蠟氧化的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)石蠟氧化反應(yīng)規(guī)律，符合石蠟的氧化反應(yīng)機(jī)理和反應(yīng)規(guī)律，表明該模型具有滿意的預(yù)測(cè)能力。
參考文獻(xiàn)
[1] 張曉彤，等．BPNN在改性石蠟滴熔點(diǎn)預(yù)測(cè)中的應(yīng)用[J]．遼寧石油化工大學(xué)學(xué)報(bào)，2004，（1）．
[2] 董長(zhǎng)虹．Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M]．國(guó)防工業(yè)出版社，2005．
關(guān)鍵詞：相似性；可塑性；阻變機(jī)理
DOI：10.16640/ki.37-1222/t.2016.03.102
0 引言
人工神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)。神經(jīng)元之間突觸的聯(lián)系強(qiáng)度是可變，這是學(xué)習(xí)和記憶的基礎(chǔ)。人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)“訓(xùn)練”而具有自學(xué)習(xí)和自適應(yīng)的能力。神經(jīng)網(wǎng)絡(luò)技術(shù)的關(guān)鍵是權(quán)重設(shè)計(jì)，權(quán)重的硬件實(shí)現(xiàn)需要一個(gè)長(zhǎng)期保持記憶且不耗能的納米級(jí)元件。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)技術(shù)都是在傳統(tǒng)計(jì)算機(jī)基礎(chǔ)上進(jìn)行的，其主要缺點(diǎn)是運(yùn)算量巨大且運(yùn)算不是并行處理。如果在硬件上實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的并行分布式處理、非線性處理，自我學(xué)習(xí)功能和自適應(yīng)性等功能，就能夠解決了人工神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)計(jì)算機(jī)上運(yùn)算量巨大的缺點(diǎn)。而單個(gè)憶阻器便可實(shí)現(xiàn)神經(jīng)突觸功能的模擬，而且憶阻器能夠很容易與納米交叉連接技術(shù)相結(jié)合，具有大規(guī)模并行處理、分布式信息存儲(chǔ)、巨大存儲(chǔ)量等優(yōu)勢(shì)。所以利用憶阻系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)神經(jīng)突觸功能的模擬的最好的方式之一，因而成為近年來(lái)研究的熱點(diǎn)。
1 憶阻與神經(jīng)突觸的相似性
神經(jīng)元是大腦處理信息的基本單元。人腦大約含有1011-1012個(gè)神經(jīng)元，神經(jīng)元互相連接成神經(jīng)網(wǎng)絡(luò)。突觸是神經(jīng)元間信息傳遞的關(guān)鍵部位，決定了前后神經(jīng)元之間的聯(lián)系強(qiáng)度。圖1.神經(jīng)突觸的結(jié)構(gòu)示意圖。神經(jīng)遞質(zhì)通過(guò)突觸前膜釋放到突觸間隙，作用于突觸后膜上的受體，使突觸后膜發(fā)生電位變化，使下一個(gè)神經(jīng)元產(chǎn)生興奮或抑制。生物系統(tǒng)記憶和學(xué)習(xí)功能是以精確控制通過(guò)神經(jīng)元及突觸的離子流為基礎(chǔ)建立的。突觸能夠隨外界的電位刺激變化，粒子流產(chǎn)生動(dòng)態(tài)連續(xù)的變化，聯(lián)系強(qiáng)度增強(qiáng)或者減弱，即突觸的可塑性。在憶阻器件出現(xiàn)之前，人工神經(jīng)網(wǎng)絡(luò)突觸的的硬件實(shí)現(xiàn)需要集成電路甚至超大規(guī)模的集成電路，而且人工神經(jīng)網(wǎng)絡(luò)的密度也很難達(dá)到生物神經(jīng)網(wǎng)絡(luò)的密度，因而電路復(fù)雜體積龐大，制約了人工神經(jīng)網(wǎng)絡(luò)對(duì)于復(fù)雜的人腦功能模擬的實(shí)現(xiàn)。憶阻器的出現(xiàn)解決了這個(gè)問(wèn)題，世界各地多個(gè)研究小組已實(shí)現(xiàn)了具有不同憶阻模型和憶阻特性的憶阻器件。由于憶阻器的電阻可變和電阻記憶特性，與突觸的功能上有很強(qiáng)的相似性，因此憶阻在人工神經(jīng)網(wǎng)絡(luò)電路中可以模擬突觸在生物神經(jīng)網(wǎng)絡(luò)中的作用。
2 神經(jīng)突觸的可塑性特性
神經(jīng)突觸一個(gè)重要的特征是突觸的可塑性，電信號(hào)刺激能夠加強(qiáng)或者弱化突觸，突觸連接強(qiáng)度可連續(xù)調(diào)節(jié)。利用憶阻器模擬生物突觸最基本的依據(jù)是由于它具有電阻緩變的特性，當(dāng)施加電壓下器件的阻值可實(shí)現(xiàn)從高（低）阻值到低（高）阻值的緩變過(guò)程，器件的導(dǎo)電性（或阻值）相當(dāng)于突觸權(quán)重，導(dǎo)電性增大和減小的過(guò)程分別對(duì)應(yīng)突觸的增強(qiáng)和抑制過(guò)程。記憶是通過(guò)大腦中大量突觸之間的相互連接所表現(xiàn)出來(lái)，因此，突觸可塑性被認(rèn)為是學(xué)習(xí)和記憶重要的神經(jīng)化學(xué)基礎(chǔ)。實(shí)現(xiàn)突觸學(xué)習(xí)功能時(shí)，一個(gè)典型特性是電脈沖時(shí)間依賴(lài)可塑性（STDP）。人類(lèi)大腦中記憶或者突觸可塑性按保留時(shí)間可以分為短程記憶和長(zhǎng)程記憶。短時(shí)程可塑性與神經(jīng)元的信息傳遞和處理有著密切的關(guān)系。神經(jīng)系統(tǒng)每時(shí)每刻都接受數(shù)以千計(jì)來(lái)自外界的刺激，短時(shí)可塑性對(duì)如何在大量的輸入信息中提取有用信息扮演重要角色。長(zhǎng)時(shí)程可塑性促使突觸在數(shù)小時(shí)到數(shù)天之內(nèi)發(fā)生持續(xù)性的變化，人們認(rèn)為其在學(xué)習(xí)和記憶存儲(chǔ)的突觸機(jī)制中發(fā)揮重要作用。
3 憶阻器件的阻變機(jī)理
早在1971年，美國(guó)校華裔科學(xué)家蔡少棠就通過(guò)理論計(jì)算預(yù)言，在電阻、電容和電感之外必定存還在第四種無(wú)源電子元件，即憶阻器。如圖3所示，電路的3個(gè)基本元件電阻、電感和電容，可以分別有由4個(gè)電路變量變量電壓（v）、電流 （i）、電荷量（q）和磁通量（φ）中的兩個(gè)來(lái)定義，分別為：由電壓和電流定義的電阻R、由電荷和電壓定義的電容 C 以及由磁通量和電流定義的電感L。出于邏輯完備性，蔡紹棠認(rèn)為應(yīng)該還存在由電荷量和磁通量定義的第4類(lèi)基本電路元器件即憶阻器。然而學(xué)界卻一直沒(méi)有找到這個(gè)在理論上成立的無(wú)源元器件，直到37年后（2008年），美國(guó)惠普公司宣布在Pt/TiO2Cx/Pt兩端器件實(shí)現(xiàn)了具有憶阻功能的器件結(jié)構(gòu)（圖4），從而找到這個(gè)一直缺失的電路元件，至此憶阻器開(kāi)始引起更多學(xué)者的研究興趣，并迅速成為電路、材料、生物等領(lǐng)域的研究熱點(diǎn)。
隨著人們對(duì)憶阻器研究的深入，多種憶阻器件和模型在各研究領(lǐng)域相繼提出和實(shí)現(xiàn)。目前，阻變機(jī)理主要有邊界遷移模型、絲電導(dǎo)模型、電子自旋阻塞效應(yīng)、氧化還原反應(yīng)等。中科院諸葛飛課題組在錐形納米孔洞結(jié)構(gòu)的非晶碳薄膜材料中，實(shí)現(xiàn)了納米導(dǎo)電絲機(jī)制的憶阻器件。非晶碳膜阻變器件的電致電阻效應(yīng)決定于通孔中的納米導(dǎo)電細(xì)絲的通斷（如圖4）。
4 結(jié)論與展望
本文對(duì)神經(jīng)網(wǎng)絡(luò)的概念、憶阻器與神經(jīng)突觸的相似性、神經(jīng)突觸的可塑性、憶阻器的阻變機(jī)理進(jìn)行了綜述，指出了目前很多憶阻器是利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人工智能及超級(jí)計(jì)算機(jī)的硬件基礎(chǔ)。目前憶阻器材料研究存在的兩個(gè)主要問(wèn)題是阻 變機(jī)理不夠清楚和阻變性能不夠穩(wěn)定。憶阻器材料非常之多，甚至把任意絕緣材料做到納米級(jí)，就很有可能具有阻變特性。找出隱藏在眾多阻變現(xiàn)象之后的機(jī)理有無(wú)共同的規(guī)律，研究阻變特性是由材的化學(xué)成分決定還是由材料的微 觀結(jié)構(gòu)決定，這將是以后研究中需要回答的問(wèn)題。
關(guān)鍵字神經(jīng)網(wǎng)絡(luò)，BP模型，預(yù)測(cè)
1引言
在系統(tǒng)建模、辨識(shí)和預(yù)測(cè)中，對(duì)于線性系統(tǒng)，在頻域，傳遞函數(shù)矩陣可以很好地表達(dá)系統(tǒng)的黑箱式輸入輸出模型；在時(shí)域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過(guò)各種參數(shù)估計(jì)方法也可以給出描述。對(duì)于非線性時(shí)間序列預(yù)測(cè)系統(tǒng)，雙線性模型、門(mén)限自回歸模型、ARCH模型都需要在對(duì)數(shù)據(jù)的內(nèi)在規(guī)律知道不多的情況下對(duì)序列間關(guān)系進(jìn)行假定。可以說(shuō)傳統(tǒng)的非線性系統(tǒng)預(yù)測(cè)，在理論研究和實(shí)際應(yīng)用方面，都存在極大的困難。相比之下，神經(jīng)網(wǎng)絡(luò)可以在不了解輸入或輸出變量間關(guān)系的前提下完成非線性建模[4，6]。神經(jīng)元、神經(jīng)網(wǎng)絡(luò)都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預(yù)測(cè)方法有機(jī)結(jié)合具有很好的發(fā)展前景，也給預(yù)測(cè)系統(tǒng)帶來(lái)了新的方向與突破。建模算法和預(yù)測(cè)系統(tǒng)的穩(wěn)定性、動(dòng)態(tài)性等研究成為當(dāng)今熱點(diǎn)問(wèn)題。目前在系統(tǒng)建模與預(yù)測(cè)中，應(yīng)用最多的是靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)，這主要是因?yàn)檫@種網(wǎng)絡(luò)具有通過(guò)學(xué)習(xí)逼近任意非線性映射的能力。利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)的輸入/輸出模型，本質(zhì)上就是基于網(wǎng)絡(luò)逼近能力，通過(guò)學(xué)習(xí)獲知系統(tǒng)差分方程中的非線性函數(shù)。但在實(shí)際應(yīng)用中，需要建模和預(yù)測(cè)的多為非線性動(dòng)態(tài)系統(tǒng)，利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)必須事先給定模型的階次，即預(yù)先確定系統(tǒng)的模型，這一點(diǎn)非常難做到。近來(lái)，有關(guān)基于動(dòng)態(tài)網(wǎng)絡(luò)的建模和預(yù)測(cè)的研究，代表了神經(jīng)網(wǎng)絡(luò)建模和預(yù)測(cè)新的發(fā)展方向。
2BP神經(jīng)網(wǎng)絡(luò)模型
BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法。現(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經(jīng)網(wǎng)絡(luò)包括以下單元：①處理單元(神經(jīng)元)（圖中用圓圈表示），即神經(jīng)網(wǎng)絡(luò)的基本組成部分。輸入層的處理單元只是將輸入值轉(zhuǎn)入相鄰的聯(lián)接權(quán)重，隱層和輸出層的處理單元將它們的輸入值求和并根據(jù)轉(zhuǎn)移函數(shù)計(jì)算輸出值。②聯(lián)接權(quán)重(圖中如V,W)。它將神經(jīng)網(wǎng)絡(luò)中的處理單元聯(lián)系起來(lái)，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡(luò)一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡(luò)能更自由地獲取所要描述的函數(shù)關(guān)系。⑤轉(zhuǎn)移函數(shù)F。它是將輸入的數(shù)據(jù)轉(zhuǎn)化為輸出的處理單元，通常為非線性函數(shù)。
2.1基本算法
BP算法主要包含4步，分為向前傳播和向后傳播兩個(gè)階段：
1）向前傳播階段
（1）從樣本集中取一個(gè)樣本（Xp，Yp），將Xp輸入網(wǎng)絡(luò)；
（2）計(jì)算相應(yīng)的實(shí)際輸出Op
在此階段，信息從輸入層經(jīng)過(guò)逐級(jí)的變換，傳送到輸出層。這個(gè)過(guò)程也是網(wǎng)絡(luò)在完成訓(xùn)練后正常運(yùn)行時(shí)的執(zhí)行過(guò)程。
2）向后傳播階段
（1）計(jì)算實(shí)際輸出Op與相應(yīng)的理想輸出Yp的差；
（2）按極小化誤差的方式調(diào)整權(quán)矩陣。
這兩個(gè)階段的工作受到精度要求的控制，在這里取作為網(wǎng)絡(luò)關(guān)于第p個(gè)樣本的誤差測(cè)度，而將網(wǎng)絡(luò)關(guān)于整個(gè)樣本集的誤差測(cè)度定義為。圖2是基本BP算法的流程圖。
2.2動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法
在經(jīng)典的BP算法以及其他的訓(xùn)練算法中都有很多變量，這些訓(xùn)練算法可以確定一個(gè)ANN結(jié)構(gòu)，它們只訓(xùn)練固定結(jié)構(gòu)的ANN權(quán)值（包括聯(lián)接權(quán)值和結(jié)點(diǎn)轉(zhuǎn)換函數(shù)）。在自動(dòng)設(shè)計(jì)ANN結(jié)構(gòu)方面，也已有較多的嘗試，比如構(gòu)造性算法和剪枝算法。前一種是先隨機(jī)化網(wǎng)絡(luò)，然后在訓(xùn)練過(guò)程中有必要地增加新的層和結(jié)點(diǎn)；而剪枝法則正好相反。文獻(xiàn)[2]中提出了演化神經(jīng)網(wǎng)絡(luò)的理念，并把EP算法與BP進(jìn)行了組合演化；也有很多學(xué)者把遺傳算法和BP進(jìn)行結(jié)合，但這些算法都以時(shí)間復(fù)雜度以及空間復(fù)雜度的增加為代價(jià)。根據(jù)Kolmogorov定理,對(duì)于任意給定的L2型連續(xù)函數(shù)f:[0,1]nRm,f可以精確地用一個(gè)三層前向神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，因而可以只考慮演化網(wǎng)絡(luò)的權(quán)值和結(jié)點(diǎn)數(shù)而不影響演化結(jié)果。基于此，在BP原有算法的基礎(chǔ)上，增加結(jié)點(diǎn)數(shù)演化因子，然后記錄每層因子各異時(shí)演化出的結(jié)構(gòu)，最后選取最優(yōu)的因子及其網(wǎng)絡(luò)結(jié)構(gòu)，這樣就可以避免由于增加或剪枝得到的局部最優(yōu)。根據(jù)實(shí)驗(yàn)得知，不同的預(yù)測(cè)精度也影響網(wǎng)絡(luò)層神經(jīng)元的結(jié)點(diǎn)數(shù)，所以可根據(jù)要求動(dòng)態(tài)地建立預(yù)測(cè)系統(tǒng)。具體步驟如下：
（1）將輸入向量和目標(biāo)向量進(jìn)行歸一化處理。
（2）讀取輸入向量、目標(biāo)向量，記錄輸入維數(shù)m、輸出層結(jié)點(diǎn)數(shù)n。
（3）當(dāng)訓(xùn)練集確定之后，輸入層結(jié)點(diǎn)數(shù)和輸出層結(jié)點(diǎn)數(shù)隨之而確定，首先遇到的一個(gè)十分重要而又困難的問(wèn)題是如何優(yōu)化隱層結(jié)點(diǎn)數(shù)和隱層數(shù)。實(shí)驗(yàn)表明，如果隱層結(jié)點(diǎn)數(shù)過(guò)少，網(wǎng)絡(luò)不能具有必要的學(xué)習(xí)能力和信息處理能力。反之，若過(guò)多，不僅會(huì)大大增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性（這一點(diǎn)對(duì)硬件實(shí)現(xiàn)的網(wǎng)絡(luò)尤其重要），網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中更易陷入局部極小點(diǎn)，而且會(huì)使網(wǎng)絡(luò)的學(xué)習(xí)速度變得很慢。隱層結(jié)點(diǎn)數(shù)的選擇問(wèn)題一直受到神經(jīng)網(wǎng)絡(luò)研究工作者的高度重視。Gorman指出隱層結(jié)點(diǎn)數(shù)s與模式數(shù)N的關(guān)系是：s＝log2N；Kolmogorov定理表明，隱層結(jié)點(diǎn)數(shù)s＝2n＋1（n為輸入層結(jié)點(diǎn)數(shù)）；而根據(jù)文獻(xiàn)[7]：s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51[7]。
（4）設(shè)置結(jié)點(diǎn)數(shù)演化因子a。為了快速建立網(wǎng)絡(luò)，可以對(duì)其向量初始化，并從小到大排序[4，7]。
（5）建立BP神經(jīng)網(wǎng)絡(luò)。隱含層傳遞函數(shù)用tansig，輸出層用logsig，訓(xùn)練函數(shù)采用動(dòng)態(tài)自適應(yīng)BP算法，并制訂停止準(zhǔn)則：目標(biāo)誤差精度以及訓(xùn)練代數(shù)。
（6）初始化網(wǎng)絡(luò)。
（7）訓(xùn)練網(wǎng)絡(luò)直到滿足停止判斷準(zhǔn)則。
（8）用測(cè)試向量對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，并記錄誤差和逼近曲線，評(píng)估其網(wǎng)絡(luò)的適應(yīng)性。其適應(yīng)度函數(shù)采取規(guī)則化均方誤差函數(shù)。
（9）轉(zhuǎn)到（5），選取下一個(gè)演化因子，動(dòng)態(tài)增加隱含層結(jié)點(diǎn)數(shù)，直到最后得到最佳預(yù)測(cè)網(wǎng)絡(luò)。
3基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)原理[4]
3.1正向建模
正向建模是指訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)表達(dá)系統(tǒng)正向動(dòng)態(tài)的過(guò)程，這一過(guò)程建立的神經(jīng)網(wǎng)絡(luò)模型稱(chēng)為正向模型，其結(jié)構(gòu)如圖3所示。其中，神經(jīng)網(wǎng)絡(luò)與待辨識(shí)的系統(tǒng)并聯(lián)，兩者的輸出誤差用做網(wǎng)絡(luò)的訓(xùn)練信號(hào)。顯然，這是一個(gè)典型的有導(dǎo)師學(xué)習(xí)問(wèn)題，實(shí)際系統(tǒng)作為教師，向神經(jīng)網(wǎng)絡(luò)提供算法所需要的期望輸出。當(dāng)系統(tǒng)是被控對(duì)象或傳統(tǒng)控制器時(shí)，神經(jīng)網(wǎng)絡(luò)多采用多層前向網(wǎng)絡(luò)的形式，可直接選用BP網(wǎng)絡(luò)或它的各種變形。而當(dāng)系統(tǒng)為性能評(píng)價(jià)器時(shí)，則可選擇再勵(lì)學(xué)習(xí)算法，這時(shí)網(wǎng)絡(luò)既可以采用具有全局逼近能力的網(wǎng)絡(luò)（如多層感知器），也可選用具有局部逼近能力的網(wǎng)絡(luò)（如小腦模型控制器等）。3.2逆向建模
建立動(dòng)態(tài)系統(tǒng)的逆模型，在神經(jīng)網(wǎng)絡(luò)中起著關(guān)鍵作用，并且得到了廣泛的應(yīng)用。其中，比較簡(jiǎn)單的是直接逆建模法，也稱(chēng)為廣義逆學(xué)習(xí)。其結(jié)構(gòu)如圖4所示，擬預(yù)報(bào)的系統(tǒng)輸出作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較，相應(yīng)的輸入誤差用于訓(xùn)練，因而網(wǎng)絡(luò)將通過(guò)學(xué)習(xí)建立系統(tǒng)的逆模型。但是，如果所辨識(shí)的非線性系統(tǒng)是不可逆的，利用上述方法將得到一個(gè)不正確的逆模型。因此，在建立系統(tǒng)時(shí)，可逆性應(yīng)該先有所保證。
4應(yīng)用實(shí)例分析
以我國(guó)西南某地震常發(fā)地區(qū)的地震資料作為樣本來(lái)源，實(shí)現(xiàn)基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的地震預(yù)報(bào)。根據(jù)資料，提取出7個(gè)預(yù)報(bào)因子和實(shí)際發(fā)生的震級(jí)M作為輸入和目標(biāo)向量。預(yù)報(bào)因子為半年內(nèi)M>=3的地震累計(jì)頻度、半年內(nèi)能量釋放積累值、b值、異常地震群個(gè)數(shù)、地震條帶個(gè)數(shù)、是否處于活動(dòng)期內(nèi)以及相關(guān)地震區(qū)地震級(jí)。在訓(xùn)練前，對(duì)數(shù)據(jù)進(jìn)行歸一化處理。由于輸入樣本為7維的輸入向量，一般情況下輸入層設(shè)7個(gè)神經(jīng)元。根據(jù)實(shí)際情況，輸出層神經(jīng)元個(gè)數(shù)為1。隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)，輸出層也可以動(dòng)態(tài)選擇傳遞函數(shù)。實(shí)例數(shù)據(jù)來(lái)自文獻(xiàn)[4]，將數(shù)據(jù)集分為訓(xùn)練集、測(cè)試集和確定集。表1中的7×7數(shù)組表示歸一化后的訓(xùn)練向量，第一個(gè)7表示預(yù)報(bào)因子數(shù)，第二個(gè)7表示樣本數(shù)。
表1歸一化后的訓(xùn)練向量
在不同神經(jīng)元數(shù)情況下，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真，得到如圖5所示的一組預(yù)測(cè)誤差曲線。其中，曲線A表示隱層結(jié)點(diǎn)數(shù)為6時(shí)的預(yù)測(cè)誤差曲線，曲線B表示隱含層結(jié)點(diǎn)數(shù)為3時(shí)的預(yù)測(cè)誤差曲線，曲線C表示隱含層結(jié)點(diǎn)數(shù)為5時(shí)的預(yù)測(cè)誤差曲線，曲線D表示隱含層結(jié)點(diǎn)數(shù)為4時(shí)的預(yù)測(cè)誤差曲線。將五種情況下的誤差進(jìn)行對(duì)比，曲線C表示的網(wǎng)絡(luò)預(yù)測(cè)性能最好，其隱含層神經(jīng)元數(shù)為5，圖中曲線E表示的是隱含層結(jié)點(diǎn)數(shù)為15時(shí)的預(yù)測(cè)誤差曲線（文獻(xiàn)[4]中的最好結(jié)果）。同時(shí)也證明，在設(shè)計(jì)BP網(wǎng)絡(luò)時(shí)，不能無(wú)限制地增加層神經(jīng)元的個(gè)數(shù)。若過(guò)多，不僅會(huì)大大增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中更易陷入局部極小點(diǎn)，而且會(huì)使網(wǎng)絡(luò)的學(xué)習(xí)速度、預(yù)測(cè)速度變得很慢。
5結(jié)論
本文針對(duì)基本的BP神經(jīng)網(wǎng)絡(luò)，提出了可動(dòng)態(tài)改變神經(jīng)元數(shù)（與精度相關(guān)）的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，可以根據(jù)實(shí)際情況建立預(yù)測(cè)系統(tǒng)。用此種方法可以建立最好的神經(jīng)網(wǎng)絡(luò)，不會(huì)有多余的神經(jīng)元，也不會(huì)讓網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中過(guò)早陷于局部極小點(diǎn)。
參考文獻(xiàn)
[1]YaoX,LiuY.FastEvolutionaryProgramming.inEvolutionaryProgrammingⅤ:Proc.5thAnnu.Conf.EvolutionaryProgram,L.Fogel,P.AngelineandT.Bäck,Eds.Cambridge,MA:MITPress,1996,451-460
[2]XinYao,YongLiu,ANewEvolutionarySystemforEvolvingArtificialNeuralNetworksIEEETRANSACTIONSONNEURALNETWORKS,VOL8,NO.31997，694-714
[3]潘正君，康立山，陳毓屏.演化計(jì)算[M].北京:清華大學(xué)出版社，1998
[4]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與實(shí)現(xiàn).北京:電子工業(yè)出版社，2005
[5]蔡曉芬，方建斌.演化神經(jīng)網(wǎng)絡(luò)算法.江漢大學(xué)學(xué)報(bào)，第33卷第3期，2005.9
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 機(jī)械故障診斷 BP算法
引 言
隨著傳感器、信號(hào)處理和計(jì)算機(jī)等技術(shù)的發(fā)展，機(jī)械設(shè)備故障診斷技術(shù)正日趨完善，各國(guó)研究開(kāi)發(fā)了一系列故障診斷理論和方法，并成功地應(yīng)用于機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)與故障診斷中。不過(guò)，工程實(shí)際中的問(wèn)題往往較為復(fù)雜，尤其對(duì)于大型機(jī)械設(shè)備和復(fù)雜系統(tǒng)而言。由于設(shè)備結(jié)構(gòu)龐大，影響性能的因素多，若還是用傳統(tǒng)方法很難得以解決，神經(jīng)網(wǎng)絡(luò)技術(shù)的興起和發(fā)展恰為解決這類(lèi)問(wèn)題開(kāi)辟了新的途徑。
神經(jīng)網(wǎng)絡(luò)（Neural network， NN）或稱(chēng)人工神經(jīng)網(wǎng)絡(luò)，是近幾年發(fā)展起來(lái)的一門(mén)多領(lǐng)域的交叉學(xué)科，它是一種以物理上可以實(shí)現(xiàn)的器件，系統(tǒng)或現(xiàn)有的計(jì)算機(jī)來(lái)模擬人腦的結(jié)構(gòu)和功能的人工系統(tǒng)。由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、聯(lián)想記憶及容錯(cuò)等特點(diǎn)，可以較好處理不確定的、矛盾的、甚至錯(cuò)誤的信息，因此在機(jī)械故障診斷領(lǐng)域受到廣泛關(guān)注。
BP網(wǎng)絡(luò)，即多層前饋神經(jīng)網(wǎng)絡(luò)，因其采用誤差反向傳播算法（Error Back-Propagation，即BP算法） 而得名。BP算法結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%～90% 的神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或它的變化形式， 目前主要用于模式識(shí)別與分類(lèi)、函數(shù)逼近、數(shù)據(jù)壓縮及預(yù)測(cè)等領(lǐng)域。
1、BP算法神經(jīng)網(wǎng)絡(luò)模型
圖1所示為典型的帶有一個(gè)隱層的多層前饋模型（FNN），本文采用的是三層BP神經(jīng)網(wǎng)絡(luò)模型，它由輸入層、隱層和輸出層組成。網(wǎng)絡(luò)的前饋意義在于每一層節(jié)點(diǎn)的輸入僅來(lái)自前面一層節(jié)點(diǎn)的輸出。對(duì)于輸入信號(hào)，先前向傳播到隱層節(jié)點(diǎn)，經(jīng)過(guò)作用后，再把隱節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后得到輸出結(jié)果。
（1）輸入層節(jié)點(diǎn)i（i=1，2，3…，n），其輸
出 等于輸入 ，將控制變量值傳到第二層。
（2）隱層節(jié)點(diǎn)j（j=1，2，3…，p），其輸入 ，輸出 分別為：
式中， 為隱層節(jié)點(diǎn)j與輸入層節(jié)點(diǎn)i 之間的連接權(quán)； 為隱層節(jié)點(diǎn)j的偏置（或閥值）；f為Sigmoid函數(shù)： 。
（3）輸出層節(jié)點(diǎn)k（k=1，2，3…，m），其輸入 ，輸出 分別為：
式中， 為輸出層節(jié)點(diǎn)k與隱層節(jié)點(diǎn)j之間的連接權(quán)； 為輸出層節(jié)點(diǎn)k的偏置（或閥值）。
對(duì)于給定的訓(xùn)練樣本集（ ， …， ），p為樣本數(shù)（p=1，2， …，P），網(wǎng)絡(luò)運(yùn)算結(jié)果與訓(xùn)練樣本目標(biāo)輸出之間的均方誤差可表示為：
式中， ；
p為樣本數(shù)； 為第p個(gè)樣本的第l個(gè)輸
出單元的目標(biāo)輸出結(jié)果； 為第p個(gè)樣本的第l個(gè)輸出單元的網(wǎng)絡(luò)運(yùn)算結(jié)果。
網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程包括網(wǎng)絡(luò)內(nèi)部的前向傳播和誤差的反向傳播，其目的就是通過(guò)調(diào)節(jié)網(wǎng)絡(luò)內(nèi)部權(quán)使網(wǎng)絡(luò)誤差最小化。對(duì)于多層前饋網(wǎng)絡(luò)中輸入層與隱層之間、隱層與輸出層之間的連接權(quán)通過(guò)反向誤差傳播BP學(xué)習(xí)算法來(lái)調(diào)節(jié)。
2、軸承故障與振動(dòng)之間的關(guān)系
在石油機(jī)械設(shè)備中由滾動(dòng)軸承受損引起的故障占有很大的比例。其表現(xiàn)為長(zhǎng)時(shí)間運(yùn)轉(zhuǎn)形成表面材料疲勞而出現(xiàn)點(diǎn)蝕、剝落或裂紋元件表面損傷故障。出現(xiàn)故障后，軸承部件振動(dòng)加劇，在受載運(yùn)行過(guò)程中，損傷點(diǎn)同與之相互作用的元件表面接觸時(shí)會(huì)產(chǎn)生一系列的沖擊脈沖力，其頻率稱(chēng)為軸承元件的故障特征頻率。由于制造裝配誤差以及其他許多因素都會(huì)引起軸承振動(dòng)，傳感器拾取的振動(dòng)信號(hào)中除了損傷引起的沖擊性振動(dòng)信號(hào)外，還包含了大量的其他振動(dòng)信號(hào)。當(dāng)損傷點(diǎn)比較微小時(shí)（如點(diǎn)蝕初期、微小裂紋等），這些周期性的沖擊信號(hào)往往淹沒(méi)在大量的背景噪聲中，如果直接進(jìn)行頻譜分析，難以診斷出故障。為了把損傷引起的沖擊信號(hào)從原始信號(hào)中提取出來(lái)，本文采用以下提取算法，將故障特征頻率及參數(shù)提取出來(lái)，再通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類(lèi)識(shí)別。
3、BP網(wǎng)絡(luò)在故障診斷中的應(yīng)用
利用神經(jīng)網(wǎng)絡(luò)進(jìn)行軸承故障診斷，其程序流程見(jiàn)圖2
（1）特征參數(shù)的提取
軸承診斷中所用的狀態(tài)信號(hào)為振動(dòng)信號(hào)，一般根據(jù)經(jīng)驗(yàn)抽取出一些反映軸承狀態(tài)的特征參數(shù)，以便進(jìn)行狀態(tài)識(shí)別。本文選取均方根值、峭度指數(shù)、峰值指數(shù)、波形指數(shù)、脈沖指數(shù)和裕度指數(shù)作為軸承狀態(tài)特征向量。均方根值能反映振動(dòng)總量，對(duì) 軸承的整體劣化有效，穩(wěn)定性較好，但對(duì)早期故障信號(hào)不敏感；峰值
指標(biāo)能較好地反映表面損傷類(lèi)的故障，特別是對(duì)初期階段的表面剝落，非常容易檢測(cè)出來(lái)，波形指標(biāo)主要反映頻率成分的增加。峭度指標(biāo)、裕度指標(biāo)和脈沖指標(biāo)對(duì)于沖擊類(lèi)故障比較敏感，特別是當(dāng)故障早期發(fā)生時(shí)，它們有明顯增加；但上升到一定程度后，隨故障的逐漸發(fā)展，反而會(huì)下降，表明它們對(duì)早期故障有較高的敏感性，但穩(wěn)定性不好。所以，為了取得較好的效果，常將它們同時(shí)應(yīng)用，以兼顧敏感性和穩(wěn)定性。
（2）網(wǎng)絡(luò)結(jié)構(gòu)與狀態(tài)編碼
采用三層網(wǎng)絡(luò)結(jié)構(gòu)形式，輸入層神經(jīng)元個(gè)數(shù)為6，對(duì)應(yīng)特征向量的6個(gè)元素，隱層神經(jīng)元取作10個(gè)。為簡(jiǎn)化起見(jiàn)，采用雙值輸出網(wǎng)絡(luò)，輸出層神經(jīng)元設(shè)為2個(gè)，對(duì)應(yīng)的狀態(tài)編碼為：正常（0，0），故障（0，1）
（3）網(wǎng)絡(luò)訓(xùn)練
神經(jīng)網(wǎng)絡(luò)的工作過(guò)程分為學(xué)習(xí)過(guò)程和應(yīng)用過(guò)程兩部分，學(xué)習(xí)過(guò)程將訓(xùn)練樣本輸入網(wǎng)絡(luò)，對(duì)其進(jìn)行訓(xùn)練，調(diào)配網(wǎng)絡(luò)權(quán)值，通過(guò)權(quán)值的不斷變化逐漸逼近期望輸出；應(yīng)用過(guò)程則用已經(jīng)調(diào)配好權(quán)值的網(wǎng)絡(luò)對(duì)實(shí)測(cè)試數(shù)據(jù)進(jìn)行分類(lèi)。在訓(xùn)練之前應(yīng)先對(duì)特征參數(shù)進(jìn)行歸一化處理，歸一化處理的公式為：
其中，max為某一參數(shù)各組樣本的最大值；min為最小值。
經(jīng)過(guò)歸一化處理后的數(shù)據(jù)利用BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將該數(shù)據(jù)用作訓(xùn)練樣本，作為輸入向量，經(jīng)過(guò)網(wǎng)絡(luò)的輸入層、中間層以及輸出層，輸出的結(jié)果與目標(biāo)目標(biāo)進(jìn)行比較，若所得誤差值在最大誤差允許的范圍內(nèi)，則說(shuō)明訓(xùn)練達(dá)到了預(yù)期效果，結(jié)束訓(xùn)練，若誤差不在最大誤差允許的范圍內(nèi)，則通過(guò)BP網(wǎng)絡(luò)的反饋將數(shù)據(jù)重新轉(zhuǎn)入到輸入層，開(kāi)始新一輪的循環(huán)。直至滿足要求，經(jīng)過(guò)此神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可以得到一組權(quán)向量值。將該組權(quán)向量值存入指定的文件中，以備下面的模式識(shí)別之用。
（4）模式識(shí)別
用同樣的方式將一組待識(shí)別的軸承的特征參數(shù)進(jìn)行處理后作為網(wǎng)絡(luò)的輸入向量，用上一步訓(xùn)練得到的權(quán)向量值進(jìn)行網(wǎng)絡(luò)計(jì)算，此時(shí)在輸出層得到的向量值與期望值即目標(biāo)向量相比較，在一定的誤差范圍內(nèi)與哪一個(gè)接近，就認(rèn)定該待識(shí)別軸承的狀態(tài)屬于那一種。從而判別出軸承的故障狀況。
4、診斷實(shí)例
從石油鉆機(jī)傳動(dòng)箱上提取軸承振動(dòng)數(shù)據(jù)。先測(cè)量完好軸承的數(shù)據(jù)，然后將軸承的內(nèi)圈彈道上切割大小不等的溝槽，作為表面剝蝕和裂紋等故障。從采集到的原始振動(dòng)數(shù)據(jù)集中提取10組用于訓(xùn)練網(wǎng)絡(luò)，其中包括5組有故障的軸承和5組沒(méi)有故障的軸承的數(shù)據(jù)。提取的特征參數(shù)歸一化后的數(shù)據(jù)列于表1。由這10組數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)得到一組權(quán)向量值。
從采集的原始數(shù)據(jù)集中隨機(jī)抽取8組數(shù)據(jù)，其中有軸承在完好狀態(tài)下采集到的，也有故障狀態(tài)下采集到的。在知道其狀態(tài)前提下利用BP網(wǎng)絡(luò)對(duì)其進(jìn)行驗(yàn)證，看是否可以做出正確判斷，判斷的依據(jù)初步定為，當(dāng)期望值是1時(shí)，實(shí)際輸出應(yīng)在（0.9，1）范圍內(nèi)，當(dāng)期望值為0時(shí)，實(shí)際值應(yīng)在（0，0.1）范圍內(nèi)，超出這個(gè)范圍則不能判斷其是否故障狀態(tài)，即BP網(wǎng)絡(luò)診斷失敗，網(wǎng)絡(luò)訓(xùn)練不成功，需要重新進(jìn)行學(xué)習(xí)訓(xùn)練。此處采取的網(wǎng)絡(luò)訓(xùn)練誤差值取的是0.01，由此網(wǎng)絡(luò)訓(xùn)練得到的權(quán)值進(jìn)行模式識(shí)別，驗(yàn)證得到的結(jié)果見(jiàn)表2，五組是正常的，3組是有故障的。可以看出其與期望值相差非常小，完全可以在接受的范圍內(nèi)。從而以驗(yàn)證網(wǎng)絡(luò)的狀態(tài)分類(lèi)能力。
表1 用作網(wǎng)絡(luò)學(xué)習(xí)的10組特征參數(shù)（已歸一化）（數(shù)據(jù)附后）
5、結(jié)論
通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)軸承故障進(jìn)行快速診斷，從而可以做到實(shí)時(shí)監(jiān)測(cè)，發(fā)現(xiàn)問(wèn)題可以及早進(jìn)行處理，盡最大可能避免損失，這是其它監(jiān)測(cè)方法所無(wú)法達(dá)到的效果，不足之處在于BP神經(jīng)網(wǎng)絡(luò)自身還存在一些需要改進(jìn)的地方，如中間層神經(jīng)元數(shù)的確定問(wèn)題缺乏理論根據(jù)，現(xiàn)在仍處于憑經(jīng)驗(yàn)來(lái)確定其個(gè)數(shù)的階段；另外，該法需要大量的與實(shí)際情況一致的訓(xùn)練數(shù)據(jù)，用不同設(shè)備和不同狀態(tài) 下的數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)缺乏通用性。這一方法有待于進(jìn)一步的成熟。
參考文獻(xiàn)
[1] 鐘秉林，黃 仁. 機(jī)械故障診斷學(xué)，北京：機(jī)械工業(yè)出版社，2002.
[2] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例，北京-機(jī)械工業(yè)出版社，2003.
【關(guān)鍵詞】倒立擺； BP神經(jīng)網(wǎng)絡(luò)； 穩(wěn)定控制； 仿真
【Abstract】Neural network has outstanding adaptability and robustness. In the light of the inverted pendulum system is a complex， using BP neural network instead of traditional control method， control inverted pendulum device. Simulation experimental results show that， as long as the data and neural network hidden layer neurons number of appropriate amount of information， to better control effect. This paper describes the implementation process and method， and it can achieve control of the inverted pendulum device more smoothly.
【Key words】Inverted pendulum； BP neural network； Stability control； simulation
0 引言
倒立擺是一種高階次、不穩(wěn)定性以及非線性的特點(diǎn)的控制裝置，是一種典型的強(qiáng)耦合系統(tǒng)，因此應(yīng)該利用更有效的控制手段才能使倒立擺裝置達(dá)到穩(wěn)定平穩(wěn)狀態(tài)。該裝置可以通過(guò)小車(chē)的速率、擺桿角度和擺桿平穩(wěn)時(shí)間長(zhǎng)短等一些控制參數(shù)檢測(cè)及控制。倒立擺裝置是探究新型控制方式是否有效的實(shí)驗(yàn)平臺(tái)。
近年來(lái)，人們不斷嘗試用倒立擺裝置作為典型的控制模型，來(lái)測(cè)試新的智能控制方式是否能解決系統(tǒng)中多變量、不穩(wěn)定和非線性控制的問(wèn)題，從而在其中尋求最佳智能控制方法。
倒立擺裝置的運(yùn)動(dòng)狀態(tài)類(lèi)似于人的走路姿態(tài)。所以，倒立擺裝置在探究機(jī)器人的站立行走、飛船垂直發(fā)射進(jìn)程的狀態(tài)調(diào)節(jié)和飛機(jī)的滑行控制具有明顯的作用。倒立擺裝置的探究，不僅有很強(qiáng)的理論作用，而且還具備更遠(yuǎn)的現(xiàn)實(shí)意義。
1 倒立擺系統(tǒng)
一級(jí)倒立擺裝置如圖1所示。裝在小車(chē)上的倒立擺在水平力的作用下，通過(guò)控制小車(chē)的運(yùn)動(dòng)速度使偏轉(zhuǎn)角為0，即可使倒立擺直立起來(lái)。
圖1系統(tǒng)的符號(hào)的物理意義：M――小車(chē)質(zhì)量；m――擺桿質(zhì)量；g――重力加速度；θ――擺角大小；x――小車(chē)位移；F――水平推力。
BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，其算法稱(chēng)為BP算法，其基本思想是使用梯度下降法調(diào)整網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小[1]。
BP神經(jīng)網(wǎng)絡(luò)的計(jì)算過(guò)程由正向計(jì)算過(guò)程和反向計(jì)算組成。正向傳播計(jì)算，輸入模式從輸入層經(jīng)隱曾單元層逐層處理，并傳到輸出層，每層神經(jīng)元的輸出只影響下一層神經(jīng)元。如果在輸出層未達(dá)到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。
針對(duì)倒立擺的位移和偏轉(zhuǎn)控制系統(tǒng)，一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)如圖2所示。
2 基于MATLAB環(huán)境的倒立擺控制系統(tǒng)
圖3是基于MATLAB軟件的一種倒立擺控制系統(tǒng)，是一個(gè)傳統(tǒng)PI+不完全微分控制，同時(shí)有從輸出端反饋的LQR控制器[2]，即利用線性二次型性能指標(biāo)設(shè)計(jì)的控制器，該系統(tǒng)實(shí)際是三種控制方法的綜合應(yīng)用。如圖3所示。
該系統(tǒng)經(jīng)仿真得到如圖4所示動(dòng)畫(huà)。
在實(shí)驗(yàn)時(shí)如果去掉不完全微分控制，或者去掉LQR控制器的任何一種均很難實(shí)現(xiàn)穩(wěn)定控制，表明系統(tǒng)很不穩(wěn)定。但當(dāng)加入兩種控制方法系統(tǒng)變得相當(dāng)穩(wěn)定。現(xiàn)對(duì)該系統(tǒng)實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)控制，即采用BP神經(jīng)網(wǎng)絡(luò)取代輸入端控制器：即取代PI+不完全微分控制部分，采集該控制器的輸入/輸出信號(hào)，構(gòu)成樣本數(shù)據(jù)庫(kù)。建立圖5數(shù)據(jù)采集模型。
采集輸入、反饋信號(hào)及控制器輸出信號(hào)組成三維數(shù)據(jù)：data=[re fe uc]共采集100000組數(shù)據(jù)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)為2-15-1，設(shè)置神經(jīng)網(wǎng)絡(luò)參數(shù)為EPOCHS=5000； GOAL=0.000003； 訓(xùn)練3步達(dá)到誤差精度要求。誤差訓(xùn)練曲線如圖6所示。
提取BP網(wǎng)絡(luò)模型如圖7所示.
將此模型代替PI+不完全微分控制器，替換后得到仿真模型如圖8所示。
運(yùn)行該系統(tǒng)穩(wěn)定性與原系統(tǒng)效果是一樣的。表明BP網(wǎng)絡(luò)完全能替代原控制器，實(shí)現(xiàn)穩(wěn)定控制。但是如果實(shí)驗(yàn)時(shí)采集的數(shù)據(jù)較少，則倒立擺系統(tǒng)極其不穩(wěn)定，表明數(shù)據(jù)總量不夠，而且對(duì)網(wǎng)絡(luò)訓(xùn)練應(yīng)當(dāng)有足夠的經(jīng)驗(yàn)，沒(méi)有學(xué)習(xí)好各種經(jīng)驗(yàn)就不能很好地控制。為了保證經(jīng)驗(yàn)數(shù)據(jù)具有一定的完備性，在輸入信號(hào)中加入了一定的隨機(jī)信號(hào)。圖8 在BP網(wǎng)絡(luò)輸入信號(hào)首先要進(jìn)行歸一化處理，本文采用normr命令，反歸一化采用norm命令，該方法的優(yōu)點(diǎn)是可避免0，1出現(xiàn)，從而使網(wǎng)絡(luò)訓(xùn)練容易，快速收斂。圖9為位移曲線，圖10 為角度變化曲線。
實(shí)驗(yàn)表明，基于神經(jīng)網(wǎng)絡(luò)控制的倒立擺系統(tǒng)，動(dòng)態(tài)穩(wěn)定性好，與常規(guī)控制相當(dāng)，但是其魯棒和自適應(yīng)能力更好。
3 結(jié)論
基于神經(jīng)網(wǎng)絡(luò)控制的倒立擺裝置的控制總體優(yōu)于PID傳統(tǒng)控制方法。本文通過(guò)數(shù)據(jù)采集、訓(xùn)練BP網(wǎng)絡(luò)學(xué)習(xí)方法實(shí)現(xiàn)倒立擺的穩(wěn)定控制，仿真實(shí)驗(yàn)證明了本文方法的有效性。
【參考文獻(xiàn)】
1.1樣品來(lái)源12批穿心蓮藥材樣品由廣東省中藥研究所提供，經(jīng)廣州華南植物研究所陳炳輝研究員鑒定為穿心蓮Andrographispaniculata(Burm．f.)Nees，其中4批產(chǎn)自江西，5批來(lái)自廣東，福建3批。
1.2試劑乙腈(色譜純)，甲酸(分析純)，二次蒸餾水(自制)。
1.3儀器Agilent四元泵高效液相色譜儀、SPD210A紫外檢測(cè)器，LC210ATVP輸液泵、UV24802型紫外可見(jiàn)分光光度計(jì)，AR2140電子分析天平。
2方法
2.1色譜分析條件PhenomsilODS柱(250mm×4.6mm，5μm)，0.1%甲酸乙腈(A)與0.2%甲酸(B)梯度洗脫：0～20min(20%A-80%B)，20～40min(30%A-70%B)，40～55min(40%A-60%B),55～60min(85%A-15%B)。流速1.0ml/min，柱溫25。C,檢測(cè)波長(zhǎng)254nm,進(jìn)樣量10μl,所有組分均在60min內(nèi)被洗脫。
2.2對(duì)照品溶液的制備精密稱(chēng)取穿心蓮內(nèi)酯、脫水穿心蓮內(nèi)酯、新穿心蓮內(nèi)酯和脫氧穿心蓮內(nèi)酯對(duì)照品適量,用50%甲醇配制成1.0mg/ml的對(duì)照品溶液。
2.3供試品溶液的制備取各批干燥的穿心蓮藥材2.0g，粉碎，過(guò)40目，用20ml85%的乙醇回流提取兩次，2h/次，過(guò)濾，合并濾液，回收乙醇,濾液濃縮至干，再加50%甲醇使其充分溶解，置10ml量瓶中稀釋至刻度，作為供試品溶液。
2.4方法學(xué)考察
2.4.1精密度實(shí)驗(yàn)取供試品溶液(樣品1)，連續(xù)進(jìn)樣6次，各主要色譜峰的相對(duì)保留時(shí)間和相對(duì)峰面積比值的RSD均小于3.0%，表明儀器精密度良好。
2.4.2穩(wěn)定性實(shí)驗(yàn)取供試品溶液(樣品1)分別在0，1，2，4，12，24h進(jìn)樣測(cè)定，各主要色譜峰的相對(duì)保留時(shí)間和相對(duì)峰面積比值的RSD均小于3.0%，表明樣品在24h內(nèi)穩(wěn)定。
2.4.3重復(fù)性實(shí)驗(yàn)取穿心蓮藥材(樣品1)，按“2.3”項(xiàng)下的方法分別制備供試品溶液6份，進(jìn)樣檢測(cè)，結(jié)果各主要色譜峰的相對(duì)保留時(shí)間和相對(duì)峰面積比值的RSD均小于3.0%,表明方法的重復(fù)性良好。
2.5模式識(shí)別方法
2.5.1模式識(shí)別和BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別作為一個(gè)研究領(lǐng)域，迅速發(fā)展于20世紀(jì)60年代，它是一門(mén)以應(yīng)用數(shù)學(xué)為理論基礎(chǔ)，利用計(jì)算機(jī)應(yīng)用技術(shù)，解決實(shí)際分類(lèi)及識(shí)別問(wèn)題的學(xué)問(wèn)［2］。
神經(jīng)網(wǎng)絡(luò)是一種模擬人腦功能的成熟的模式識(shí)別方法，它借鑒了人腦神經(jīng)系統(tǒng)處理信息的過(guò)程，以數(shù)學(xué)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為理論基礎(chǔ)，其中BP神經(jīng)網(wǎng)絡(luò)是迄今為止應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)［3］。
BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)算法，它的特點(diǎn)是同一層內(nèi)的神經(jīng)元不連接，在整個(gè)信號(hào)傳遞過(guò)程中不存在任何信號(hào)反饋；輸入層用于信號(hào)分配和傳遞，不具備運(yùn)算功能；隱含層和輸出層的神經(jīng)元具有運(yùn)算功能，可輸出最終運(yùn)算結(jié)果。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程有正向與反向兩個(gè)過(guò)程，在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)過(guò)隱含層傳向輸出層，若不能得到預(yù)期輸出，則轉(zhuǎn)為反向傳播，將信號(hào)沿原來(lái)的連接通道返回并修改各層節(jié)點(diǎn)間的權(quán)值，經(jīng)過(guò)反復(fù)調(diào)試，使得誤差信號(hào)小于某個(gè)閾值或等于0，此時(shí)訓(xùn)練結(jié)束。經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)則可將系統(tǒng)規(guī)則、預(yù)測(cè)能力等隱含在網(wǎng)絡(luò)中，只需將測(cè)試樣本輸入則可給出處理結(jié)果。
2.5.2Levenberg-Marquardt算法改進(jìn)的BP算法BP神經(jīng)網(wǎng)絡(luò)的常規(guī)算法在實(shí)際應(yīng)用還存在一些需要改進(jìn)的問(wèn)題，例如網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢，容易陷入局部極小等。而L-M算法是專(zhuān)門(mén)用于誤差平方和最小化的方法，它在網(wǎng)絡(luò)訓(xùn)練速度和識(shí)別精度上的具有明顯的優(yōu)勢(shì)［4］，因此本研究采用L-M算法對(duì)標(biāo)準(zhǔn)的BP算法進(jìn)行改進(jìn)。
設(shè)BP神經(jīng)網(wǎng)絡(luò)的誤差指標(biāo)函數(shù)為：
E(x)=12¶Ni=1Yi-Y＾i2=12¶Ni=1e2i(x)
其中，Yi為實(shí)際輸出向量，Y＾i為預(yù)期的輸出向量，ei(x)為誤差。
設(shè)xk表示第k次迭代的權(quán)值和閾值組成的向量，新的權(quán)值和閾值組成的向量xk+1表示為：
xk+1=xk+x,x=［JT(x)J(x)=μI］-1J(x)e(x)
其中，J(x)為網(wǎng)絡(luò)訓(xùn)練誤差e(x)的Jacobian矩陣，I為單位矩陣，μ>0。
L-M算法的流程：①給出訓(xùn)練誤差允許值ε，常數(shù)β和μ0，初始化權(quán)值和閾值向量k=0，μ=μ0。②計(jì)算網(wǎng)絡(luò)輸出及誤差指標(biāo)函數(shù)E(xk)。③計(jì)算Jacobian矩陣J（x)。④計(jì)算x。⑤如果E(xk)＜¶，則轉(zhuǎn)到⑥，否則以xk+1=xk+x為權(quán)值和閾值向量計(jì)算誤差指標(biāo)函數(shù)E(xk+1)，若E(xk+1)＜E(xk)，則令k=k+1，μ=μ/β，轉(zhuǎn)到②；否則令μ=μβ，轉(zhuǎn)到④。⑥結(jié)束。
當(dāng)μ=0時(shí)，L-M算法即高斯-牛頓法，當(dāng)μ取值很大時(shí)，則越接近梯度下降法。在實(shí)踐中，它具有二階收斂速度，所需要的迭代次數(shù)很少，既具備牛頓法的局部收斂特性，又有梯度下降算法的全局特性。因此，L-M算法提供了一種快速有效的訓(xùn)練手段，其算法計(jì)算復(fù)雜度為O(n3/6)。
2.6指紋圖譜的建立和分析
2.6.1穿心蓮的指紋圖譜按照上述方法,分別對(duì)12批穿心蓮藥材進(jìn)行分析,制作了穿心蓮藥材的HPLC指紋圖譜,并計(jì)算出其穿心蓮內(nèi)酯、脫水穿心蓮內(nèi)酯、新穿心蓮內(nèi)酯和脫氧穿心蓮內(nèi)酯的含量。
2.6.2資料預(yù)處理為消除由于數(shù)據(jù)變換的幅度和范圍以及數(shù)據(jù)分布的非正態(tài)性對(duì)結(jié)果的影響，先將原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化變換。
2.6.3LM-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練測(cè)試結(jié)果本實(shí)驗(yàn)所采用的3層LM-BP網(wǎng)絡(luò)中，輸入節(jié)點(diǎn)數(shù)為4，即原始數(shù)據(jù)經(jīng)特征提取后的4個(gè)主成分，隱含層節(jié)點(diǎn)數(shù)為4，輸出層有1個(gè)節(jié)點(diǎn)。由于目前仍無(wú)系統(tǒng)的關(guān)于中間隱層節(jié)點(diǎn)數(shù)的選取理論，經(jīng)多次實(shí)驗(yàn)比較，最終選取隱層節(jié)點(diǎn)數(shù)為4時(shí)效果比較顯著。
動(dòng)量因子和學(xué)習(xí)速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率和收斂度的兩個(gè)重要因素。如果學(xué)習(xí)效率和動(dòng)量因子過(guò)大則網(wǎng)絡(luò)收斂很快，但最后網(wǎng)絡(luò)發(fā)生振蕩，失去功能；如果學(xué)習(xí)效率和動(dòng)量因子太小則學(xué)習(xí)速度太慢，網(wǎng)絡(luò)性能也會(huì)受到影響。因此經(jīng)實(shí)驗(yàn)比較選擇，本網(wǎng)絡(luò)的最佳學(xué)習(xí)率為0.05，動(dòng)量因子為0.6。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 圖像處理 機(jī)器人 草莓
中圖分類(lèi)號(hào)：TP301.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416(2012)07-0091-02
國(guó)內(nèi)外對(duì)圖像處理技術(shù)和神經(jīng)網(wǎng)絡(luò)理論在果蔬商品化應(yīng)用中的部分成果已進(jìn)入了實(shí)用階段。隨著計(jì)算機(jī)科學(xué)的飛速發(fā)展和在許多領(lǐng)域中的成功應(yīng)用，果蔬采收分級(jí)的實(shí)時(shí)自動(dòng)化已經(jīng)變得完全可能。但是，生物特征的多變性和隨機(jī)性與工業(yè)產(chǎn)品有著很大區(qū)別。在草莓采收、分級(jí)這一過(guò)程中，為了提高檢測(cè)的精度、速度和準(zhǔn)確性，需要解決多種技術(shù)問(wèn)題，如：光源的選擇和設(shè)置；圖像的采集方式和圖像的質(zhì)量；硬件處理速度；模式識(shí)別算法；要求有更多分級(jí)算法的訓(xùn)練樣本等。從長(zhǎng)遠(yuǎn)看，應(yīng)該對(duì)揀選對(duì)象的形狀、表面、光學(xué)、熱學(xué)、化學(xué)、生物學(xué)等各方面的特征和生理機(jī)能進(jìn)行更加深入的研究，這樣才有利于檢測(cè)技術(shù)改進(jìn)，促使新的信息采集技術(shù)和傳感技術(shù)的產(chǎn)生。
草莓是一種營(yíng)養(yǎng)豐富的高級(jí)水果，隨著人們生活水平的提高，草莓按其顏色、形狀及大小進(jìn)行揀選分類(lèi)、包裝將成為趨勢(shì)。因此，草莓形狀的判別的研究和草莓揀選設(shè)備的開(kāi)發(fā)具有很重要的現(xiàn)實(shí)意義。
1、草莓形狀的判別
收割后的草莓按其顏色、大小、形狀均可分為不同的等級(jí)。因此，草莓形狀的判斷是揀選者根據(jù)對(duì)標(biāo)準(zhǔn)草莓規(guī)格的理解和經(jīng)驗(yàn)來(lái)判斷出結(jié)果。本設(shè)計(jì)中草莓形狀的識(shí)別部分采用了神經(jīng)網(wǎng)絡(luò)的識(shí)別技術(shù)，神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)功能和很強(qiáng)的模式識(shí)別能力，即使當(dāng)局部網(wǎng)絡(luò)受損時(shí)，仍然能夠恢復(fù)原來(lái)信息。神經(jīng)網(wǎng)絡(luò)的信息分布式存儲(chǔ)于聯(lián)結(jié)權(quán)值系數(shù)中，使網(wǎng)絡(luò)具有很高的容錯(cuò)性，而圖像識(shí)別中往往存在噪聲干擾或輸入圖像的部分損失，因此，神經(jīng)網(wǎng)絡(luò)可以很好地解決圖像識(shí)別問(wèn)題。另外，神經(jīng)網(wǎng)絡(luò)的自組織和自學(xué)習(xí)功能，使其對(duì)圖像問(wèn)題的識(shí)別和處理較傳統(tǒng)圖象識(shí)別方法顯示出極大的優(yōu)越性。因此，草莓揀選設(shè)備只要通過(guò)對(duì)標(biāo)準(zhǔn)形狀草莓的學(xué)習(xí)就可得到非常接近人的判別效果。
為此，本論文提出了一種新的算法來(lái)解決草莓揀選的問(wèn)題，該算法是基于圖像處理技術(shù)、神經(jīng)網(wǎng)絡(luò)算法而生成的一種草莓形狀判別算法。并利用該算法開(kāi)發(fā)了草莓揀選設(shè)備。
2、草莓揀選設(shè)備的構(gòu)成
草莓揀選設(shè)備硬件系統(tǒng)組成如圖1所示。CCD攝像機(jī)將所要識(shí)別、解釋的對(duì)象以圖像的形式記錄下來(lái)；插入計(jì)算機(jī)內(nèi)部的圖像采集卡可以將攝像機(jī)采集的電信號(hào)轉(zhuǎn)變?yōu)閿?shù)字信號(hào)，即圖像數(shù)字化，以便計(jì)算機(jī)對(duì)其進(jìn)行各種必要的處理；照明裝置為圖像采集提供合適的光源，以便對(duì)圖像進(jìn)行處理和分析。
3、草莓形狀圖像分割及特征提取
人工揀選草莓時(shí)很容易根據(jù)草莓果實(shí)部分的形狀特征來(lái)判別其等級(jí)，但對(duì)草莓揀選設(shè)備來(lái)說(shuō)，草莓是任意放置在傳送帶上的，計(jì)算機(jī)采集到的草莓圖像其方位是不確定的。因此，本設(shè)計(jì)采用了彩色圖像處理技術(shù)。圖2中，（a)圖是圖像卡采集到的草莓圖像信號(hào)以RGB彩色模型顯示在監(jiān)視器上。它的R輝度圖像如圖(b)所示。想要得到草莓的形狀特征圖像，就要對(duì)采集到的草莓彩色圖像做以下處理：
第一步：把彩色圖像轉(zhuǎn)換成黑白的二值圖像，經(jīng)過(guò)濾波、填充、提取邊緣信號(hào)等處理后，最終得到整體輪廓線圖像（c）；
第二步：彩色圖像減去R輝度圖像產(chǎn)生目標(biāo)圖像(d)；
第三步：目標(biāo)圖像經(jīng)二值和邊緣提取處理后，得到了果實(shí)輪廓線圖像，如(e)所示；
第四步：最后把整體圖像輪廓線圖像和果實(shí)輪廓線圖像這兩種圖像進(jìn)行邏輯運(yùn)算，然后得到曲線型草莓形狀特征圖像，如(f)所示。
4、基于神經(jīng)網(wǎng)絡(luò)的判別
得到的草莓形狀特征可以用一組八參數(shù)來(lái)表示，要?jiǎng)澐諥、B、C等級(jí)就需要控制兩個(gè)空氣驅(qū)動(dòng)器。我們建立的人工神經(jīng)網(wǎng)絡(luò)是基于BP算法的前向三層神經(jīng)網(wǎng)絡(luò)，如圖3所示。選用了兩個(gè)結(jié)構(gòu)簡(jiǎn)單的BP網(wǎng)絡(luò)，輸入為8，正好每個(gè)參數(shù)對(duì)應(yīng)一個(gè)輸入端單元；輸出為2，每個(gè)輸出單元控制一個(gè)空氣驅(qū)動(dòng)器。在進(jìn)行前向多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)，不斷調(diào)整隱層節(jié)點(diǎn)數(shù)，經(jīng)過(guò)試驗(yàn)，采用8-4-2結(jié)構(gòu)。
5、軟件程序的功能
判別草莓形狀的系統(tǒng)軟件程序是實(shí)現(xiàn)草莓的揀選功能的關(guān)鍵。系統(tǒng)軟件在功能上劃分為訓(xùn)練部分和判斷部分。訓(xùn)練部分包括圖像處理、特征提取和網(wǎng)絡(luò)訓(xùn)練；判斷部分包括圖像處理、特征的提取和判斷以及草莓的移動(dòng)控制。系統(tǒng)程序用MicrosoftC語(yǔ)言編寫(xiě)，程序流程圖如圖4所示。
6、結(jié)語(yǔ)
本文通過(guò)計(jì)算機(jī)圖形處理技術(shù)、模式識(shí)別等理論的研究，結(jié)合神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了草莓形狀判別的設(shè)計(jì)，在草莓形狀的有效特征提取和分類(lèi)識(shí)別方面進(jìn)行了理論上的研究，提出了基于前向三層神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)圖像處理的一種能對(duì)草莓形狀進(jìn)行自動(dòng)判別的新方法，為草莓的揀選機(jī)器人的開(kāi)發(fā)提供了理論基礎(chǔ)。草莓揀選設(shè)備乃至其他水果揀選設(shè)備的開(kāi)發(fā)對(duì)將要進(jìn)入老齡化社會(huì)的我國(guó)來(lái)說(shuō)是很有意義的。
參考文獻(xiàn)
[1]王耀南,李樹(shù)濤,毛建旭.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)[M].北京:高等教育出版社,2001.237～260
[2]曹其新,呂恬生,永田雅輝等.草莓揀選機(jī)器人的開(kāi)發(fā)[J].上海交通大學(xué)學(xué)報(bào),1999,33(7):880～884.
[3]王年,任彬,黃勇等.基于神經(jīng)網(wǎng)絡(luò)的汽車(chē)車(chē)型圖象自動(dòng)識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)1999,4(8):669～672.
[4]福利（Foley,J.D.）等著.計(jì)算機(jī)圖形學(xué)原理及實(shí)踐C語(yǔ)言描述[M].北京:機(jī)械工業(yè)出版社,2002.6～36.
[5]徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M].哈爾濱：哈爾濱工業(yè)出版社,1999.4～34.
[6]田村秀行編著,金喜子,喬雙譯.計(jì)算機(jī)圖像處理[M].北京科學(xué)出版社,2004.86～115.
1、BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。
2、BP神經(jīng)網(wǎng)絡(luò)算法是在BP神經(jīng)網(wǎng)絡(luò)現(xiàn)有算法的基礎(chǔ)上提出的，是通過(guò)任意選定一組權(quán)值，將給定的目標(biāo)輸出直接作為線性方程的代數(shù)和來(lái)建立線性方程組，解得待求權(quán)，不存在傳統(tǒng)方法的局部極小及收斂速度慢的問(wèn)題，且更易理解。
（來(lái)源：文章屋網(wǎng) ）
[關(guān)鍵詞]反射認(rèn)知?jiǎng)?chuàng)造神經(jīng)網(wǎng)絡(luò)人工智能
一、生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)
生物神經(jīng)系統(tǒng)是以神經(jīng)元為基本單位，神經(jīng)元的外部形態(tài)各異，但基本功能相同，在處于靜息狀態(tài)時(shí)（無(wú)刺激傳導(dǎo)），神經(jīng)細(xì)胞膜處于極化狀態(tài)，膜內(nèi)的電壓低于膜外電壓，當(dāng)膜的某處受到的刺激足夠強(qiáng)時(shí)，刺激處會(huì)在極短的時(shí)間內(nèi)出現(xiàn)去極化、反極化（膜內(nèi)的電壓高于膜外電壓）、復(fù)極化的過(guò)程，當(dāng)刺激部位處于反極化狀態(tài)時(shí)，鄰近未受刺激的部位仍處于極化狀態(tài)，兩著之間就會(huì)形成局部電流，這個(gè)局部電流又會(huì)刺激沒(méi)有去極化的細(xì)胞膜使之去極化等等，這樣不斷的重復(fù)這一過(guò)程，將動(dòng)作電位傳播開(kāi)去，一直到神經(jīng)末梢。
神經(jīng)元與神經(jīng)元之間的信息傳遞是通過(guò)突觸相聯(lián)系的，前一個(gè)神經(jīng)元的軸突末梢作用于下一個(gè)神經(jīng)元的胞體、樹(shù)突或軸突等處組成突觸。不同神經(jīng)元的軸突末梢可以釋放不同的化學(xué)遞質(zhì)，這些遞質(zhì)在與后膜受體結(jié)合時(shí)，有的能引起后膜去極化，當(dāng)去極化足夠大時(shí)就形成了動(dòng)作電位；也有的能引起后膜極化增強(qiáng)，即超極化，阻礙動(dòng)作電位的形成，能釋放這種遞質(zhì)的神經(jīng)元被稱(chēng)為抑制神經(jīng)元。此外，有的神經(jīng)元之間可以直接通過(guò)突觸間隙直接進(jìn)行電位傳遞，稱(chēng)為電突觸。還有的因樹(shù)突膜上電壓門(mén)控式鈉通道很少，樹(shù)突上的興奮或抑制活動(dòng)是以電緊張性形式擴(kuò)布的，這種擴(kuò)布是具有衰減性的。
圖1
一個(gè)神經(jīng)元可以通過(guò)軸突作用于成千上萬(wàn)的神經(jīng)元，也可以通過(guò)樹(shù)突從成千上萬(wàn)的神經(jīng)元接受信息，當(dāng)多個(gè)突觸作用在神經(jīng)元上面時(shí)，有的能引起去極化，有的能引起超極化，神經(jīng)元的沖動(dòng)，即能否產(chǎn)生動(dòng)作電位，取決于全部突觸的去極化與超級(jí)化作用之后，膜的電位的總和以及自身的閾值。
神經(jīng)纖維的電傳導(dǎo)速度因神經(jīng)元的種類(lèi)、形態(tài)、髓鞘有無(wú)等因素的不同而存在很大差異，大致從0.3m/s到100m/s不等。在神經(jīng)元與神經(jīng)元之間的信息交換速度也因突觸種類(lèi)或神經(jīng)遞質(zhì)的不同而存在著不同的突觸延擱，突觸傳遞信息的功能有快有慢，快突觸傳遞以毫秒為單位計(jì)算，主要控制一些即時(shí)的反應(yīng)；慢突觸傳遞可長(zhǎng)達(dá)以秒為單位來(lái)進(jìn)行，甚至以小時(shí)，日為單位計(jì)算，它主要和人的學(xué)習(xí)，記憶以及精神病的產(chǎn)生有關(guān)系。2000年諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)授予了瑞典哥德堡大學(xué)77歲的阿維·卡爾松、美國(guó)洛克菲勒大學(xué)74歲的保羅·格林加德以及出生于奧地利的美國(guó)哥倫比亞大學(xué)70歲的埃里克·坎德?tīng)枺员碚盟麄儼l(fā)現(xiàn)了慢突觸傳遞這樣一種“神經(jīng)細(xì)胞間的信號(hào)轉(zhuǎn)導(dǎo)形式”。本次獲獎(jiǎng)?wù)叩闹饕暙I(xiàn)在于揭示“慢突觸傳遞”，在此之前，“快突觸傳遞”已經(jīng)得過(guò)諾貝爾獎(jiǎng)。此外，使用頻繁的突觸聯(lián)系會(huì)變得更緊密，即突觸的特點(diǎn)之一是用進(jìn)廢退，高頻刺激突觸前神經(jīng)元后，在突觸后神經(jīng)元上紀(jì)錄到的電位會(huì)增大，而且會(huì)維持相當(dāng)長(zhǎng)的時(shí)間。所以可以得出一條由若干不定種類(lèi)的神經(jīng)元排列構(gòu)成的信息傳導(dǎo)鏈對(duì)信息的傳導(dǎo)速度會(huì)存在很大的彈性空間，這一點(diǎn)對(duì)神經(jīng)系統(tǒng)認(rèn)知事件有著非常重要的意義。
神經(jīng)系統(tǒng)按功能可大致分為傳入神經(jīng)（感覺(jué)神經(jīng)）、中間神經(jīng)（腦：延腦、腦橋、小腦、中腦、間腦、大腦脊髓）與傳出神經(jīng)（運(yùn)動(dòng)神經(jīng)）三類(lèi)。
生物要適應(yīng)外界環(huán)境的變化，就必須能夠感受到這種變化，才能做出反應(yīng)。生物的感受器多種多樣，有的是單單感覺(jué)神經(jīng)元的神經(jīng)末梢；有的是感受器細(xì)胞；還有的感受器除了感受細(xì)胞外還增加了附屬裝置，且附屬裝置還很復(fù)雜，形成特殊的感覺(jué)器官。無(wú)論感受器的復(fù)雜程度如何，它在整個(gè)神經(jīng)系統(tǒng)中都起著信息采集的作用，它將外界物理的或化學(xué)的動(dòng)態(tài)信號(hào)反應(yīng)在感覺(jué)神經(jīng)細(xì)胞膜的電位變化上，膜上的電位變化可形成動(dòng)作電位向遠(yuǎn)端傳導(dǎo)。
中間神經(jīng)在系統(tǒng)中起著計(jì)算及信息傳導(dǎo)的作用，通常感覺(jué)神經(jīng)傳來(lái)的動(dòng)作電位經(jīng)過(guò)若干個(gè)中間神經(jīng)元的計(jì)算響應(yīng)后在傳遞到傳出神經(jīng)形成反射弧，但也有的反射弧僅由傳入神經(jīng)元與傳出神經(jīng)元直接組成，如敲擊股四頭肌引起的膝反射。傳出神經(jīng)可分為軀體神經(jīng)與內(nèi)臟神經(jīng)兩類(lèi)，它們都最終連接著效應(yīng)器，只是內(nèi)臟神經(jīng)需要通過(guò)一個(gè)神經(jīng)節(jié)來(lái)連接效應(yīng)器，最后由效應(yīng)器調(diào)空肌體器官做出相應(yīng)的反應(yīng)。
二、生物神經(jīng)網(wǎng)絡(luò)的建立
1994年，一種被稱(chēng)為Netrin-1、將軸突吸引到分泌它的神經(jīng)細(xì)胞的可擴(kuò)散蛋白被發(fā)現(xiàn),此后人們發(fā)現(xiàn)，同一軸突引導(dǎo)分子既可吸引、也可排斥前來(lái)的軸突。其中，環(huán)狀A(yù)MP（也稱(chēng)cAMP）、環(huán)狀GMP（也稱(chēng)cGMP）和鈣離子，都可能是從參與將發(fā)育中的神經(jīng)元引導(dǎo)到其目標(biāo)上的受體中轉(zhuǎn)導(dǎo)信號(hào)的第二種信使。新的實(shí)驗(yàn)表明，正是cAMP/cGMP的比例決定著Netrin-1是起一種吸引信號(hào)的作用還是起一種排斥信號(hào)的作用，這些環(huán)狀核苷通過(guò)控制軸突生長(zhǎng)錐中的L-型鈣通道來(lái)起作用。
目前已經(jīng)發(fā)現(xiàn)大量對(duì)神經(jīng)軸突生長(zhǎng)具有導(dǎo)向作用的分子，這些分子可以分為兩大類(lèi)：一類(lèi)分子固著在細(xì)胞膜表面或細(xì)胞外基質(zhì)中，影響局部的神經(jīng)纖維生長(zhǎng)，這類(lèi)因子包括ephrin,MAG(myelin-associatedglycoprotein),Nogo等；另一類(lèi)是分泌性分子，能擴(kuò)散一定的距離并形成濃度梯度起作用，如netrin,slit,semaphorin家族的大多數(shù)成員,及各種神經(jīng)營(yíng)養(yǎng)因子等。神經(jīng)軸突的前端有生長(zhǎng)錐（growthcone）的結(jié)構(gòu)起到對(duì)環(huán)境信號(hào)的探測(cè)作用。神經(jīng)生長(zhǎng)錐表面存在各種導(dǎo)向因子的受體，它們特異地識(shí)別環(huán)境中各種因子，并向細(xì)胞內(nèi)傳遞吸引（attractive）或是排斥(repulsive)的信號(hào)，從而通過(guò)調(diào)節(jié)生長(zhǎng)錐內(nèi)的細(xì)胞骨架的重組來(lái)引導(dǎo)神經(jīng)纖維沿特定路線生長(zhǎng)（我國(guó)科學(xué)家袁小兵等研究人員發(fā)現(xiàn)，在脊髓神經(jīng)元上，神經(jīng)細(xì)胞內(nèi)RHOA酶和CDC酶直接傳遞外界方向信號(hào)，引導(dǎo)神經(jīng)生長(zhǎng)方向，同時(shí)這兩種酶相互作用，對(duì)生長(zhǎng)方向進(jìn)行細(xì)致的調(diào)節(jié)）。未成熟神經(jīng)細(xì)胞柔弱的軸突在這些信號(hào)的引導(dǎo)下，試探地穿行于正處于發(fā)育階段、仍是一片紛亂的大腦之中，最終抵達(dá)適當(dāng)?shù)哪康牡亍Ｒ坏┹S突的末端找到了其正確的棲息地，它就開(kāi)始與周?chē)窠?jīng)元建立盡可能廣泛的突觸聯(lián)系，以便傳導(dǎo)信息。
脊椎動(dòng)物出生后早期發(fā)育中的一個(gè)特征是，神經(jīng)鍵（或神經(jīng)連接）的消除。最初，一個(gè)神經(jīng)肌肉連接被多個(gè)軸突支配，然后所有軸突都退出，只剩下一個(gè)，對(duì)相互競(jìng)爭(zhēng)的神經(jīng)元來(lái)說(shuō)，決定勝負(fù)的是它們的相對(duì)活性。為了能準(zhǔn)確的連接到目的地，單個(gè)或多個(gè)神經(jīng)元會(huì)沿導(dǎo)向分子所確定的大致方向上生長(zhǎng)出若干條神經(jīng)纖維，其中總會(huì)有能正確連接到目的地的神經(jīng)纖維，所建立的若干神經(jīng)鏈路在刺激信號(hào)的作用下，正確的信息傳遞會(huì)使鏈接會(huì)變的更加穩(wěn)固，反之則慢慢萎縮分離。打個(gè)比方講：兩個(gè)城市間原本沒(méi)有路，如果要修的話會(huì)先派人去探索出若干條路，最后去修筑被優(yōu)選出來(lái)的路，而其他的則會(huì)被遺棄。
三、神經(jīng)網(wǎng)絡(luò)的基本工作原理
1、反射
自然界中，事物的發(fā)展、能量的轉(zhuǎn)化、信息的傳遞等等各種的自然現(xiàn)象都包含著因果關(guān)系，只要時(shí)間沒(méi)有停滯，這種關(guān)系將廣泛存在，從“因”到“果”，貫穿著事物的發(fā)展過(guò)程，當(dāng)過(guò)程長(zhǎng)且復(fù)雜時(shí)我們稱(chēng)之為“事件”，反之則稱(chēng)之為“觸發(fā)”。
生物個(gè)體在與外界環(huán)境或是個(gè)體自身進(jìn)行物質(zhì)或信息交換時(shí)，也存在著這種現(xiàn)象，在這里我們稱(chēng)之為“反射”。
反射是最基本的神經(jīng)活動(dòng)，現(xiàn)行的說(shuō)法是將反射分為兩種，無(wú)條件反射和條件反射，其中，無(wú)條件反射是動(dòng)物和人生下來(lái)就具有的，即遺傳下來(lái)的對(duì)外部生活條件特有的穩(wěn)定的反應(yīng)方式，在心理發(fā)展的早期階段，這種反應(yīng)方式提供最基本的生存技能，也就是本能，如：食物反射、防御反射、定向反射，還有一些可能是在人類(lèi)進(jìn)化過(guò)程中，曾經(jīng)有一定生物適應(yīng)意義的無(wú)條件反射，如：巴賓斯基反射、抓握反射、驚跳反射（又叫摩羅反射）、游泳反射、行走反射等，此外，還有其他一些無(wú)條件反射，如眨眼反射、瞳孔反射、吞咽反射、打嗝、噴嚏等等。
條件反射是后天訓(xùn)練出來(lái)的，著名科學(xué)家巴甫洛夫就曾對(duì)條件反射的形成、消退、自然恢復(fù)、泛化、分化以及各種抑制現(xiàn)象進(jìn)行過(guò)相當(dāng)細(xì)致、系統(tǒng)的實(shí)驗(yàn)研究，。
無(wú)論是條件反射還是無(wú)條件反射，從主觀上都可以看作是一種因果作用關(guān)系，即都存在著觸發(fā)條件，都會(huì)導(dǎo)致某一結(jié)果的產(chǎn)生，所以無(wú)條件反射其實(shí)也屬于條件反射范疇。只有在成因上，無(wú)條件反射是根據(jù)遺傳信息形成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而條件反射是后天在先前的網(wǎng)絡(luò)基礎(chǔ)上，依據(jù)外界環(huán)境繼續(xù)發(fā)展完善的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。兩者之間是繼承和發(fā)展的關(guān)系，但從這兩個(gè)階段所形成的神經(jīng)網(wǎng)絡(luò)功能來(lái)看，對(duì)外界的刺激都具備輸入、傳遞、輸出這一處理過(guò)程即反射過(guò)程，所以從某種意義上講，也可以把無(wú)條件反射歸類(lèi)到條件反射范疇中去，或者說(shuō)條件反射等同于反射。
神經(jīng)系統(tǒng)中的條件反射具有三個(gè)要素：輸入、傳遞、輸出。其中的每一個(gè)要素既可以用單個(gè)神經(jīng)元表示，也可以用一個(gè)神經(jīng)群落來(lái)表示。當(dāng)用少數(shù)幾個(gè)神經(jīng)元表示時(shí)，對(duì)應(yīng)的是生物個(gè)體對(duì)局部刺激的反應(yīng)，當(dāng)擴(kuò)展到神經(jīng)群落時(shí)，對(duì)應(yīng)的就可能就是對(duì)某一激發(fā)事件的處理方法了。
反射中的輸入，最能使我們聯(lián)想到傳入神經(jīng)元（感覺(jué)神經(jīng)元），但在這里，它可以指單個(gè)的感覺(jué)神經(jīng)元，也可以指一種感官（眼睛中的視神經(jīng)群落、耳中的聽(tīng)覺(jué)神經(jīng)中樞、皮膚中與各類(lèi)感受器連接的神經(jīng)群落等等），甚至可以是大腦中某一區(qū)域內(nèi)形成某一表象或是概念的神經(jīng)群落。反射中的輸出同樣可以指?jìng)鞒錾窠?jīng)元（即脊髓前角或腦干的運(yùn)動(dòng)神經(jīng)元），也可以指大腦中某一區(qū)域內(nèi)形成某一概念或是表象的神經(jīng)群落。反射中的中間傳遞過(guò)程是信息的加工處理的過(guò)程，可以由單個(gè)神經(jīng)元、神經(jīng)鏈路或是神經(jīng)網(wǎng)絡(luò)來(lái)承擔(dān)，甚至可以直接由輸入與輸出的對(duì)應(yīng)載體來(lái)分擔(dān)。這樣生物神經(jīng)系統(tǒng)中的反射弧只是它的一個(gè)子項(xiàng)罷了，條件反射在主觀上也對(duì)應(yīng)著我們常說(shuō)的“產(chǎn)生、經(jīng)過(guò)與結(jié)果”即因果關(guān)系。
2、認(rèn)知
有一個(gè)低等生物海兔的記憶試驗(yàn):海兔本身具有被觸摸(水管部分)后的鰓縮反射,但連續(xù)十幾次的刺激后,鰓縮反應(yīng)就逐漸減慢.經(jīng)過(guò)研究發(fā)現(xiàn),海兔的習(xí)慣化是由于神經(jīng)遞質(zhì)發(fā)生變化所致.進(jìn)一步的研究發(fā)現(xiàn)這種變化是突觸中的感覺(jué)神經(jīng)元的Ca離子門(mén)關(guān)閉,導(dǎo)致遞質(zhì)的釋放量減少所致.上述試驗(yàn)說(shuō)明簡(jiǎn)單的記憶與神經(jīng)遞質(zhì)和突觸有關(guān).又如大鼠的大腦皮質(zhì)切除試驗(yàn):用迷宮訓(xùn)練大鼠,如果大鼠學(xué)會(huì)并記住順利走出迷宮的道路后,切除它的大腦皮質(zhì),記憶就會(huì)消退.不論切除的是大腦皮質(zhì)的哪一部分,總是切除的多,記憶消退的多;切除的少,記憶消退的就少。
首先，認(rèn)知通常強(qiáng)調(diào)的是結(jié)果，是神經(jīng)網(wǎng)絡(luò)定型后的結(jié)果。神經(jīng)網(wǎng)絡(luò)的定型過(guò)程就是認(rèn)知的建立過(guò)程，也就是生物個(gè)體的學(xué)習(xí)過(guò)程，它同時(shí)表現(xiàn)了出生物的記憶過(guò)程。定型好的神經(jīng)網(wǎng)絡(luò)對(duì)觸發(fā)信息的處理過(guò)程即反射過(guò)程，就是記憶的提取過(guò)程，也正是通過(guò)這一過(guò)程反映出了認(rèn)知的存在。
生物個(gè)體對(duì)客觀事物的認(rèn)知可以解釋為：客觀事物在主觀意識(shí)中形成了表象，并且該表象與一系列的活動(dòng)（生理的或心理的）相聯(lián)系。換句話說(shuō)，某一客觀事物的信息如果經(jīng)過(guò)大腦處理能夠引發(fā)出一系列的動(dòng)作（這是一種反射現(xiàn)象，符合前面對(duì)反射的定義），我們就可以說(shuō)對(duì)這一事物已經(jīng)認(rèn)知了。
行為主義與符號(hào)主義中對(duì)認(rèn)知建立過(guò)程中所顯現(xiàn)出的記憶現(xiàn)象都有很詳細(xì)的類(lèi)別劃分，其中每一種記憶類(lèi)別都僅與一種認(rèn)知的建立模式相對(duì)應(yīng)。所以，與其用記憶類(lèi)別來(lái)劃分還不如用認(rèn)知類(lèi)別來(lái)劃分更為合理，在這里由于篇幅所限，我僅將認(rèn)知簡(jiǎn)單概括為以下三種類(lèi)別：物體認(rèn)知、事件認(rèn)知以及兩種認(rèn)知的衍生產(chǎn)物抽象事物認(rèn)知。
a、物體認(rèn)知
感受外界客觀環(huán)境最簡(jiǎn)單的辦法是通過(guò)感官直接去“接觸”物質(zhì)對(duì)象，并通過(guò)大腦處理，并最終導(dǎo)致一個(gè)或一系列的結(jié)果，這種因果過(guò)程就是對(duì)客觀物體的認(rèn)知。如：看到一個(gè)蘋(píng)果，我們產(chǎn)生了拿的動(dòng)作，同時(shí)也可以產(chǎn)生許多其他的動(dòng)作如激活色彩感覺(jué)中樞、激活味覺(jué)中樞等等，當(dāng)可以有這些動(dòng)作產(chǎn)生時(shí)，就完成了對(duì)蘋(píng)果的認(rèn)知。
下面我們將詳細(xì)講解神經(jīng)網(wǎng)絡(luò)對(duì)物體認(rèn)知的描述。
一個(gè)輸入集合I（觸覺(jué)、視覺(jué)等的感應(yīng)細(xì)胞構(gòu)成的集合或是處于某一層次上的神經(jīng)元集合）對(duì)之內(nèi)兩個(gè)不同區(qū)域（A、B）的刺激做出相應(yīng)Y與X兩種不同反應(yīng)的神經(jīng)處理過(guò)程,如圖2。
圖2的a、b、c為三種AB可能存在的輸入情況。圖2a中A、B分別對(duì)應(yīng)Y、X，神經(jīng)鏈路沒(méi)有重疊，刺激A時(shí)得到Y(jié)的輸出，刺激B時(shí)得到X的輸出，結(jié)果不會(huì)出現(xiàn)問(wèn)題，請(qǐng)注意：帶有方向的黑線只是代表邏輯上的鏈路，在實(shí)際中，鏈路與鏈路之間有質(zhì)的區(qū)別，這里只做簡(jiǎn)單的等價(jià)說(shuō)明，用數(shù)量表示質(zhì)量。圖2b中A、B間有了交叉，在處理過(guò)程中，當(dāng)A受到刺激會(huì)產(chǎn)生Y的輸出，同時(shí)會(huì)有三條邏輯鏈路去刺激X，但做為X的全部決定因素，這三條相比從B到X余下的空閑聯(lián)絡(luò)，只占很小的一部分，它們還不足以激活X，所以分別刺激A、B仍然會(huì)得到正確的輸出。對(duì)于X這種在某一層次上的輸出神經(jīng)元來(lái)說(shuō)，是否能被激活，主要取決于所有處于不同狀態(tài)的輸入鏈路的能量對(duì)比，在這里能量被量化為邏輯鏈路的數(shù)量，這樣每個(gè)神經(jīng)元對(duì)值的判斷則等價(jià)為判斷處于激活狀態(tài)的邏輯鏈路數(shù)是否過(guò)半。此類(lèi)神經(jīng)鏈路就是興奮類(lèi)傳導(dǎo)神經(jīng)網(wǎng)絡(luò)，單純采用此類(lèi)神經(jīng)鏈路的系統(tǒng)只需要根據(jù)相應(yīng)刺激感受區(qū)域是否有刺激發(fā)生，就可以得出正確的輸出結(jié)果，但是在圖2c中，刺激區(qū)域A包含著B(niǎo)的情況下，如果刺激B區(qū)會(huì)有正確輸出X，然而如果刺激A區(qū)則會(huì)出錯(cuò)，Y與X會(huì)同時(shí)有效，這時(shí)我們就需要一種鏈路來(lái)阻止這種錯(cuò)誤的發(fā)生，這就是抑制類(lèi)神經(jīng)鏈路，如圖2c中的虛線箭頭所示，抑制類(lèi)邏輯鏈路只起到?jīng)_減、抵消興奮類(lèi)邏輯鏈路數(shù)量的作用，使得X在沖減后的興奮鏈路合計(jì)數(shù)小于閥值，從而達(dá)到唯一正確輸出Y得目的。
在圖2中列舉的神經(jīng)網(wǎng)絡(luò)認(rèn)知模式中，雖然只涉及到了輸入與輸出，但在兩者之間已經(jīng)包含了計(jì)算的成分，或是說(shuō)承擔(dān)了傳遞計(jì)算的功能，此外不難發(fā)現(xiàn)：能夠?qū)δ骋晃矬w認(rèn)知，必須要首先區(qū)分開(kāi)其他物體，尤其是符合圖2c中的情況，物體間的差異正好可以滿足這一需求。這樣，即使是從同一個(gè)感官傳來(lái)的信息，也能做到很好的區(qū)分。
當(dāng)認(rèn)知的對(duì)象較為復(fù)雜時(shí)（如蘋(píng)果），對(duì)象包含有各種各樣的屬性，其中的每一種屬性的響應(yīng)過(guò)程，在局部都遵循著反射的定義。當(dāng)在某一時(shí)刻，與蘋(píng)果相關(guān)的各種屬性的神經(jīng)子網(wǎng)絡(luò)被大部分激活時(shí)，蘋(píng)果的表象就成了焦點(diǎn)。更確切的講是，感官捕捉的信息在傳遞的過(guò)程中，經(jīng)過(guò)了代表各種屬性的神經(jīng)子網(wǎng)絡(luò)，一些屬性因條件不滿足而停止傳遞，最后由可以通過(guò)的（即被確認(rèn)的屬性）神經(jīng)子網(wǎng)絡(luò)繼續(xù)向后傳遞，最后再引發(fā)一系列的動(dòng)作，其中反射可以指局部的傳遞（單個(gè)屬性的確認(rèn)），也可以指整個(gè)傳遞過(guò)程（看到蘋(píng)果后，可以去拿可以去想等等）。
蘋(píng)果在人腦中形成的表象，其實(shí)就是指感官根據(jù)蘋(píng)果實(shí)物產(chǎn)生的電信號(hào)所能經(jīng)過(guò)的神經(jīng)鏈路，神經(jīng)鏈路與神經(jīng)網(wǎng)絡(luò)的關(guān)系相當(dāng)于行走路徑與公路網(wǎng)的關(guān)系。此外其他的神經(jīng)區(qū)域輸出的電信號(hào)如果在傳遞過(guò)程中也能引發(fā)出與前面提到的“蘋(píng)果神經(jīng)鏈路”相同或相似動(dòng)作或是功能的話，也可以說(shuō)是形成了蘋(píng)果的表象，這種現(xiàn)象可以使我們認(rèn)知客觀世界不存在的事物或個(gè)體自身從未接觸過(guò)的事物。
b、事件認(rèn)知
任何事物在一段時(shí)間內(nèi)發(fā)生了變動(dòng)，在這里都可以被稱(chēng)之為事件。因果關(guān)系同樣也具備事件的屬性，如果能深入分析一下各種事件的過(guò)程，基本上都能找到因果關(guān)系的影子。在前面對(duì)物體的認(rèn)知中，我們知道了神經(jīng)網(wǎng)絡(luò)認(rèn)知物體是以因果關(guān)系的方式建立的網(wǎng)絡(luò)鏈路，為了不引起混淆，下面以因果關(guān)系為認(rèn)知對(duì)象的，我們用事件來(lái)代替，對(duì)事件的認(rèn)知過(guò)程，近似于對(duì)物體的認(rèn)知過(guò)程，相當(dāng)于把事件等同于物體，由于事件具有時(shí)間性，所以神經(jīng)網(wǎng)絡(luò)就必須能夠處理時(shí)間問(wèn)題。
神經(jīng)元的形狀各異，軸突有長(zhǎng)有短，且對(duì)信息的加工時(shí)間與傳遞速度也各不相同，這樣對(duì)同一起點(diǎn)不同的傳遞路徑，信息的傳遞速度可能不同。還以圖2為例，現(xiàn)在假設(shè)每一個(gè)箭頭除了代表一個(gè)神經(jīng)元連接外，還代表一個(gè)單位傳遞時(shí)間，當(dāng)首先刺激A區(qū)后并在第二個(gè)單位時(shí)間內(nèi)刺激B區(qū)，將兩次觸發(fā)過(guò)程當(dāng)作一個(gè)事件，導(dǎo)致一個(gè)輸出Y；同法當(dāng)先刺激B區(qū)，然后在刺激A區(qū)時(shí)會(huì)有另一個(gè)輸出X，如圖3
根據(jù)這種通過(guò)神經(jīng)鏈路上神經(jīng)元個(gè)數(shù)進(jìn)行延時(shí)的方法，任何處于時(shí)間片段上的信息都可以被處理。我們?cè)倥e個(gè)更加復(fù)雜的例子，單輸入神經(jīng)元網(wǎng)絡(luò)對(duì)摩爾斯電碼的識(shí)別與重現(xiàn)。
假設(shè)輸入神經(jīng)元為A，按嚴(yán)格的爾斯電碼規(guī)則來(lái)刺激該神經(jīng)元，最后由神經(jīng)網(wǎng)絡(luò)得出字符序列，如圖4
當(dāng)A收到刺激信號(hào)時(shí)，將信號(hào)廣播給不同的識(shí)別群體，圖4中只給出了其中的一個(gè)網(wǎng)絡(luò)群體，給出的這個(gè)群體只能認(rèn)識(shí)字符“b”即電碼“—…”。為了簡(jiǎn)化說(shuō)明，圖4中舍棄了每個(gè)神經(jīng)元的其他輸入輸出鏈路以及相關(guān)的抑制鏈路，所以圖中的每一個(gè)指向神經(jīng)元的箭頭均存在著“與”的邏輯運(yùn)算關(guān)系，在這里它們不表示邏輯數(shù)量。
由圖4可以看出，先收到的信號(hào)經(jīng)過(guò)較多的傳遞神經(jīng)元進(jìn)行延時(shí)，再連同后面收到的信號(hào)一起同時(shí)傳遞到結(jié)果輸出上，這樣處于時(shí)間片段上的信息就可以被當(dāng)作是一個(gè)整體來(lái)進(jìn)行處理。粗虛線上半部分為輸入識(shí)別部分，下半部分為信息重現(xiàn)部分，仔細(xì)觀察就會(huì)發(fā)現(xiàn)，兩部分的神經(jīng)鏈路并不是互成鏡像，輸入為前端延時(shí)，依次為：1、3、5、7、8、9，輸出為后端延時(shí)，依次為：9、7、5、3、2、1，所以認(rèn)識(shí)事物與應(yīng)用事物是由兩套不同的神經(jīng)網(wǎng)絡(luò)來(lái)控制完成的。圖4中的兩條傾斜細(xì)虛線是一個(gè)虛擬的標(biāo)示線，從某種意義上講這里是事物的表象層，中間本應(yīng)該是更加復(fù)雜的表象處理網(wǎng)絡(luò)，在這里只簡(jiǎn)單的假設(shè)性的給出了表象輸出與輸入。
c、抽象概括與抽象描述
對(duì)事物（事件、物體）的認(rèn)知，使我們得以在大腦中建立出與客觀世界相對(duì)應(yīng)的表象，作為記錄事物表象的神經(jīng)鏈路網(wǎng)上的每一個(gè)分支與合并都可能是事物在不同層次上的一種“特征的概括與描述”（參見(jiàn)圖3左圖）。
神經(jīng)網(wǎng)絡(luò)在認(rèn)知新的事物時(shí)，輸入信息總是盡可能的使用已存在的網(wǎng)絡(luò)鏈路進(jìn)行傳遞處理，當(dāng)處理不足以產(chǎn)生正確的結(jié)果時(shí)才在信息的中斷處搭建新的網(wǎng)絡(luò)連接。在局部，如果已存在的網(wǎng)絡(luò)鏈路可以被使用，那么這部分網(wǎng)絡(luò)結(jié)構(gòu)通常是一種共性的表達(dá)，當(dāng)這種表達(dá)隨著同類(lèi)認(rèn)知的增加而逐漸完善時(shí)，就可以作為一種屬性的表象，這在主觀上是一種抽象概括的過(guò)程。
例如，對(duì)蘋(píng)果的認(rèn)知，“蘋(píng)果”本身是一個(gè)概括出來(lái)的詞匯，它不具體指哪一個(gè)蘋(píng)果，但在認(rèn)知若干個(gè)具體蘋(píng)果的過(guò)程中，與各個(gè)蘋(píng)果相對(duì)應(yīng)的神經(jīng)鏈路的共用部分被逐漸加強(qiáng)，這部分神經(jīng)網(wǎng)絡(luò)就可以說(shuō)是“蘋(píng)果”這一概念的表象區(qū)域。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不光能實(shí)現(xiàn)對(duì)有形的抽象概括，也可以對(duì)無(wú)形的加以抽象概括，例如“水果”的表象，這一表象的形成可以說(shuō)是用若干不同種類(lèi)的水果培養(yǎng)出來(lái)的，也可以說(shuō)是由“蘋(píng)果”、“梨”等等表象的神經(jīng)鏈路的共用部分完善而成的，后一種方式可以理解為抽象概括可以建立在另一種抽象概念之上，即對(duì)無(wú)形的事物也可以做抽象概括。換個(gè)角度講，這些抽象出來(lái)的表象本身就是一種有形的物質(zhì)，它是由若干神經(jīng)元搭建起來(lái)的網(wǎng)絡(luò)系統(tǒng)，是客觀存在的東西，這樣的話就與第一種方式相一致了。
語(yǔ)言是生物間交流的工具，是生物為了更好的適應(yīng)周?chē)沫h(huán)境而進(jìn)化產(chǎn)生的，在這里它包含有聲音、文字、動(dòng)作、行為以及低等生物的化學(xué)接觸等等內(nèi)容。就拿我們?nèi)祟?lèi)來(lái)說(shuō)，每一個(gè)發(fā)音、每一個(gè)文字符號(hào)都可以說(shuō)是對(duì)應(yīng)著一種表象，這個(gè)表象可以是抽象出來(lái)的也可以是具體事物產(chǎn)生的。語(yǔ)言是通過(guò)觸發(fā)來(lái)進(jìn)行工作，當(dāng)然也可以說(shuō)是一種反射或是因果現(xiàn)象。無(wú)論是說(shuō)還是聽(tīng)，也不論是寫(xiě)還是看，對(duì)于說(shuō)或者是寫(xiě)這種輸出性質(zhì)的處理，可以解釋為某個(gè)表象被激活時(shí)，它又被作為輸入信號(hào)沿著該表象至發(fā)音或是運(yùn)動(dòng)器官間的語(yǔ)言神經(jīng)鏈路傳遞電信號(hào)，直至發(fā)音或是運(yùn)動(dòng)器官做出相應(yīng)的動(dòng)作。聽(tīng)與看也是如此，感官接收到信息后傳遞直至激活某一個(gè)表象區(qū)域（請(qǐng)參見(jiàn)圖4）。語(yǔ)言與表象之間廣泛存在著對(duì)等映射關(guān)系，它可以使我們能夠直接去運(yùn)用語(yǔ)言來(lái)進(jìn)行思維，即便是表象與輸入輸出沒(méi)有語(yǔ)言神經(jīng)鏈路對(duì)應(yīng)關(guān)系的，如果需要我們也會(huì)臨時(shí)的建立起語(yǔ)言神經(jīng)鏈路，如本文中說(shuō)的圖幾圖幾、這個(gè)那個(gè)等等，或者用相關(guān)的有語(yǔ)言鏈路的表象通過(guò)塑造、闡述、刻畫(huà)、定位等等方式來(lái)體現(xiàn)或是建立該表象，這種建立神經(jīng)鏈路的過(guò)程往往體現(xiàn)出不同種類(lèi)的記憶模式。
生物的記憶過(guò)程與機(jī)械的存儲(chǔ)過(guò)程原理基本相同，都是通過(guò)改變載體的性狀來(lái)表達(dá)的，只是生物是通過(guò)神經(jīng)網(wǎng)絡(luò)的響應(yīng)過(guò)程來(lái)表達(dá)或再現(xiàn)記憶的內(nèi)容，就是說(shuō)該神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)就反映著記憶的內(nèi)容，所以生物的記憶過(guò)程就是建立特定連接方式的神經(jīng)網(wǎng)絡(luò)的過(guò)程，而提取過(guò)程就是激活這部分神經(jīng)網(wǎng)絡(luò)的過(guò)程。一旦載有相關(guān)記憶內(nèi)容的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被確定時(shí)，能量只能體現(xiàn)在信息的提取與再現(xiàn)上，當(dāng)然維持這種結(jié)構(gòu)也需要一點(diǎn)能量，不然神經(jīng)元就餓死了：）注意：這里強(qiáng)調(diào)的是“過(guò)程”。
生物的認(rèn)知過(guò)程對(duì)外表現(xiàn)為學(xué)習(xí)過(guò)程，對(duì)內(nèi)表現(xiàn)為神經(jīng)網(wǎng)絡(luò)的建立及使用過(guò)程，在學(xué)習(xí)過(guò)程中往往會(huì)同時(shí)伴隨著反饋過(guò)程（內(nèi)反饋或外反饋），生物從外界獲得信息，傳遞處理后再作用給外界，并同時(shí)獲取作用后新的信息，周而復(fù)始的運(yùn)做，這就是外反饋過(guò)程。外反饋過(guò)程是依靠外界因素幫助或是引導(dǎo)或是促使生物個(gè)體建立起能與環(huán)境相協(xié)調(diào)運(yùn)做的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，主觀上我們稱(chēng)之為“教育”。內(nèi)反饋主要體現(xiàn)在我們的思維活動(dòng)上，通常外界事物在大腦中存在著對(duì)應(yīng)的表象，被外反饋完善了的事物表象之間同樣可以建立起互動(dòng)聯(lián)系，比如講一個(gè)事物的表象被激活（輸入），引發(fā)其他的表象也被激活（輸出），這些被激活的表象同樣也可以作為輸入去激活先前的或是其他的表象，然后周而復(fù)始的運(yùn)做，使得信息得以在腦內(nèi)進(jìn)行反復(fù)的處理。內(nèi)反饋過(guò)程實(shí)際上就是一種“自學(xué)”的過(guò)程，但它的激發(fā)源頭必定是與外界有關(guān)，并且最終要作用于外界，所以說(shuō)內(nèi)外反饋往往是兼而有之的。
在認(rèn)知過(guò)程中隨著內(nèi)反饋的素材（表象）不斷增多，生物個(gè)體漸漸能夠認(rèn)知自身與外界間的互動(dòng)關(guān)系，自我意識(shí)也就隨之產(chǎn)生，同時(shí)我們用以進(jìn)行思維的素材及其運(yùn)作方式，如概念，詞匯以及由這些材料所帶來(lái)的情感因素及組織方式等等，絕大部分都來(lái)源于前人或者是借用他人的經(jīng)驗(yàn)，生物個(gè)體對(duì)這些經(jīng)驗(yàn)素材的獲取，或是由于接觸的幾率的不同，或是由于認(rèn)同的程度的高低，個(gè)體間總會(huì)存在著差異，這樣就產(chǎn)生了我們不同的個(gè)性特征。
3、創(chuàng)造
生物在與周?chē)h(huán)境發(fā)生相互作用時(shí)，不可避免的會(huì)對(duì)周?chē)沫h(huán)境造成一定的影響，無(wú)論是主動(dòng)的還是被動(dòng)的，這些對(duì)環(huán)境的影響最終都是為了促使生物以更好的適應(yīng)周?chē)沫h(huán)境。遵循優(yōu)勝劣汰的法則，好的影響將會(huì)被保留繼承下去，如搭窩、建巢、獲取食物等等，而壞的影響會(huì)增加生物生存的風(fēng)險(xiǎn)。
神經(jīng)網(wǎng)絡(luò)在認(rèn)知事物后，事物的表象往往不是特定對(duì)應(yīng)著某一個(gè)具體事物，而是對(duì)應(yīng)著在一個(gè)模糊的范圍內(nèi)所含闊的一類(lèi)事物。例如，我們認(rèn)知的蘋(píng)果，泛指各種各樣的蘋(píng)果，甚至還包括那些嫁接出來(lái)的長(zhǎng)的象其他水果的蘋(píng)果等等。在我們依據(jù)蘋(píng)果的表象勾勒出一個(gè)具體的蘋(píng)果時(shí)，這個(gè)蘋(píng)果將肯定不會(huì)與客觀世界中的任何一個(gè)蘋(píng)果相同，因?yàn)闆](méi)有兩樣?xùn)|西是絕對(duì)相同的。產(chǎn)生一個(gè)客觀世界不存在的事物，就是創(chuàng)造，其過(guò)程就是創(chuàng)造的過(guò)程。
生物神經(jīng)網(wǎng)絡(luò)中事物的表象往往穿插交錯(cuò)在一起，它們以鏈路最省的方式構(gòu)成。任何神經(jīng)鏈路上的合并都可以說(shuō)是事物的某一特征在某一層次上的概括，所以表象可以以不同的內(nèi)涵層次來(lái)拆分成各種各樣的屬性單元（元素），而任何神經(jīng)鏈路上的分支都可以說(shuō)是事物的某一特征在某一層次上的副本，使得這些屬性單元也能夠隸屬于別的表象或是說(shuō)用于構(gòu)建（表達(dá)）別的表象，當(dāng)若干種屬性單元在某一時(shí)刻都處于激活狀態(tài)時(shí)，就等同于一種表象被激活，無(wú)論這個(gè)表象是否對(duì)應(yīng)著客觀世界中的事物，如果沒(méi)有對(duì)應(yīng)關(guān)系那就是一個(gè)較高形式的創(chuàng)造過(guò)程。
創(chuàng)造的幾種主要的表達(dá)形式：聯(lián)想、推理、頓悟
a、聯(lián)想
當(dāng)一個(gè)事物的表象被激活時(shí)，也就是說(shuō)該表象所包含的若干屬性單元（元素）同時(shí)有效時(shí)，我們的注意力焦點(diǎn)就集中在這個(gè)表象上，如果對(duì)該表象的處理（內(nèi)或外反饋）使的表象被否決時(shí)，也就是說(shuō)由于一些屬性單元的失效（或被抑制，或處于高阻），導(dǎo)致該表象無(wú)法成立的時(shí)候，剩余的屬性單元或許可以構(gòu)成另一種事物的表象，或許還需要結(jié)合那些被激活了的新的屬性（或是由外界事物具有的新的屬性所激活，或是因降低了對(duì)一些屬性的抑制所導(dǎo)致的激活）。
b、推理
聯(lián)想是一種去激活與事物表象相關(guān)聯(lián)的其他表象的過(guò)程，主觀上是一種橫向擴(kuò)展的過(guò)程，那么縱向過(guò)程就是由于一個(gè)或若干個(gè)事物表象被激活，從而導(dǎo)致另一個(gè)表象也被激活的過(guò)程，即推理過(guò)程，其中的任何一個(gè)表象的確立（激活）都會(huì)通過(guò)反饋過(guò)程加以驗(yàn)證。推理與聯(lián)想在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上十分的相似，功能上也基本相同，只是在主觀認(rèn)識(shí)上，聯(lián)想更強(qiáng)調(diào)相關(guān)性或是相似性，而推理則強(qiáng)調(diào)的是次序性或?qū)哟涡浴?/p>
c、頓悟
當(dāng)我們思考一件事情時(shí)，或設(shè)計(jì)一件東西的時(shí)候，常常會(huì)遇到百思不得其解的情況發(fā)生，但有時(shí)，在某個(gè)偶然的事件影響下，我們會(huì)突然明白或能夠解決這些問(wèn)題，這就是頓悟現(xiàn)象。
事物的表象是由若干個(gè)神經(jīng)網(wǎng)絡(luò)屬性單元所構(gòu)成的，我們說(shuō)的“問(wèn)題”在大腦中也是一種表象，是一種經(jīng)反饋過(guò)程沒(méi)有驗(yàn)證通過(guò)的特殊的表象，這個(gè)表象的屬性單元可能包括具體的事物表象、抽象的事物表象、邏輯關(guān)系、公理、定律等等內(nèi)容，但這些屬性同時(shí)有效時(shí)，問(wèn)題的表象并不能通過(guò)內(nèi)外反饋的驗(yàn)證。作為一個(gè)急切需要解決的“問(wèn)題”，“問(wèn)題”的表象被反復(fù)的激活（深思熟慮反復(fù)思考），在一個(gè)偶然機(jī)會(huì)，一個(gè)別的事件表象被激活，或是因?yàn)榇耸录哪硞€(gè)屬性單元彌補(bǔ)了“問(wèn)題”表象的一個(gè)重要的空缺；或是因?yàn)榇耸录皢?wèn)題”表象中的某個(gè)關(guān)鍵的屬性單元被抑制失效，“問(wèn)題”表象得以完善并能夠通過(guò)反饋驗(yàn)證，這就是頓悟。
四、神經(jīng)網(wǎng)絡(luò)的相關(guān)問(wèn)題
人在成長(zhǎng)過(guò)程中，他的學(xué)習(xí)過(guò)程就是構(gòu)建相應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的過(guò)程，隨著認(rèn)知程度的增加，網(wǎng)絡(luò)結(jié)構(gòu)也日趨復(fù)雜，對(duì)刺激的反應(yīng)過(guò)程也隨之復(fù)雜化，當(dāng)復(fù)雜到無(wú)法預(yù)測(cè)時(shí)，主觀上就會(huì)認(rèn)為反應(yīng)過(guò)程是自發(fā)產(chǎn)生的，這是人的一種錯(cuò)覺(jué)。
幼年，人腦神經(jīng)網(wǎng)絡(luò)的建立過(guò)程需要大量的空閑神經(jīng)元，基本雛形確定后，剩余的空閑神經(jīng)元會(huì)損失大半，這樣才能夠給網(wǎng)絡(luò)的發(fā)展騰出空間。余留下來(lái)的空閑神經(jīng)元或是成為新建神經(jīng)鏈路中的一部分而被確定下來(lái)；或是被用于臨時(shí)搭建的某些鏈路；或是作為備用存在于網(wǎng)絡(luò)的空隙當(dāng)中。
青少年，神經(jīng)網(wǎng)絡(luò)屬于高速建立階段，這個(gè)階段的神經(jīng)網(wǎng)絡(luò)可塑性極強(qiáng)，主要是因?yàn)獒槍?duì)事物的認(rèn)知，即是以機(jī)械性記憶為主，對(duì)事物認(rèn)知的量及內(nèi)容是抽象邏輯思維建立的基礎(chǔ)及傾向，隨著量的增加抽象概括的能力會(huì)逐漸增強(qiáng)。
中青年，事物的認(rèn)知量及邏輯思維能力的配比達(dá)到了最佳程度，不光有一套較好的能與外界交互的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，而且神經(jīng)網(wǎng)絡(luò)還保留有發(fā)展的余地，即還保留有一定的可塑性。
中年，無(wú)論是抽象事物還是具體事物，認(rèn)知量已基本確定，網(wǎng)絡(luò)的結(jié)構(gòu)已日趨復(fù)雜化，在一些局部，需要修改的或是新建的神經(jīng)鏈路對(duì)空閑神經(jīng)元的需求也已日趨緊張，使得我們的認(rèn)知速度逐漸減慢。
老年，在許多的神經(jīng)網(wǎng)絡(luò)區(qū)域，空閑的神經(jīng)元已開(kāi)始滿足不了認(rèn)知的需求，另外因?yàn)闊o(wú)法認(rèn)知新的事物，對(duì)外界的反應(yīng)能力也開(kāi)始下降，連帶的相關(guān)神經(jīng)區(qū)域得不到激活，神經(jīng)鏈路的健壯性開(kāi)始下降，以至于一些神經(jīng)鏈路解體，伴隨的就是認(rèn)知量的下降，即健忘等等現(xiàn)象，并且成為一種惡性循環(huán)發(fā)展下去……。
五、后記
為了能清楚的闡述它的運(yùn)行機(jī)制，同時(shí)也是為了驗(yàn)證這套理論，根據(jù)前面所提到的神經(jīng)元的結(jié)構(gòu)功能及組網(wǎng)方式，我通過(guò)計(jì)算機(jī)軟件設(shè)計(jì)了虛擬的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，2000年軟件完成了調(diào)試，并得到了很好實(shí)驗(yàn)結(jié)果。
參考文獻(xiàn)
1《現(xiàn)代科學(xué)育兒答疑》（0-3歲）人民教育出版社1999年第1版
2陳守良等，《人類(lèi)生物學(xué)》，北京大學(xué)出版社，2001年12月
3陳閱增等（1997）.《普通生物學(xué)》.北京：高等教育出版社
4蘇珊·格林菲爾德，《人腦之謎》楊雄里等譯
5陳宜張《分子神經(jīng)生物學(xué)》人民軍醫(yī)出版社1997年2月
6伊·普里戈金、伊·斯唐熱著、曾慶宏、沈小峰譯《從混沌到有序》，上海譯文出版社1987年版。
摘要：坡面產(chǎn)流是土壤本身特性與外界影響因素相互作用的結(jié)果，它們之間具有明顯的非線性輸入輸出關(guān)系。在分析坡面產(chǎn)流和神經(jīng)網(wǎng)絡(luò)模型具有某些相似的基礎(chǔ)上，利用徑流站觀測(cè)資料，建立了小流域坡面產(chǎn)流量的三層前向網(wǎng)絡(luò)模型(BP算法)，并顯示了具有較好的模擬預(yù)測(cè)效果。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 坡面產(chǎn)流 BP算法
1 引言
一般而言，整個(gè)流域的不同區(qū)域，其地形、地貌、植被、土壤、人類(lèi)活動(dòng)等條件不盡相同。模擬流域的產(chǎn)流、匯流、土壤侵蝕、產(chǎn)沙及其泥沙輸移特性，首先需將流域概化成若干流域特性近似的計(jì)算單元－稱(chēng)為小流域單元。Simons et al[1]將流域分成若干計(jì)算單元，每個(gè)單元有它自己的流域邊界，稱(chēng)為子流域。國(guó)內(nèi)不少研究者也采用這種按自然水系劃分子流域的方法[2]。
將流域概化為若干子流域的方法，對(duì)考慮流域降雨及下墊面條件的空間變化，建立整個(gè)流域的產(chǎn)流、匯流、土壤侵蝕、產(chǎn)沙和泥沙輸移模型提供了很大的方便。為此，以這種自然水系劃分方法為基礎(chǔ)，把小流域劃分為如下形式，見(jiàn)圖1所示，其中圖1(a)為小流域自然水系圖；圖1(b)為小流域按水系匯流結(jié)構(gòu)劃分模式；圖1(c)為每一個(gè)小單元產(chǎn)流模式，即徑流輸出關(guān)系圖，包括降水、區(qū)間來(lái)水、本單元上時(shí)刻的徑流量和上一單元（或多個(gè)單元）的輸出到本單元的輸入徑流量等輸入變量，以及本單元調(diào)節(jié)作用后的輸出徑流量。
圖1 小流域產(chǎn)流結(jié)構(gòu)示意圖
Sketch of runoff structure in the small watershed
