- 相關推薦
神經網絡的特點分析論文（精選6篇）
在日常學習和工作中，大家都不可避免地要接觸到論文吧，論文寫作的過程是人們獲得直接經驗的過程。相信很多朋友都對寫論文感到非常苦惱吧，以下是小編收集整理的神經網絡的特點分析論文，歡迎大家借鑒與參考，希望對大家有所幫助。
神經網絡的特點分析論文 篇1
神經網絡的特點分析
（1）神經網絡的一般特點
作為一種正在興起的新型技術神經網絡有著自己的優勢，他的主要特點如下：
①由于神經網絡模仿人的大腦，采用自適應算法。使它較之專家系統的固定的推理方式及傳統計算機的指令程序方式更能夠適應化環境的變化。總結規律，完成某種運算、推理、識別及控制任務。因而它具有更高的智能水平，更接近人的大腦。
②較強的容錯能力，使神經網絡能夠和人工視覺系統一樣，根據對象的主要特征去識別對象。
③自學習、自組織功能及歸納能力。
以上三個特點是神經網絡能夠對不確定的、非結構化的信息及圖像進行識別處理。石油勘探中的大量信息就具有這種性質。因而，人工神經網絡是十分適合石油勘探的信息處理的。
（2）自組織神經網絡的特點
自組織特征映射神經網絡作為神經網絡的一種，既有神經網絡的通用的上面所述的三個主要的特點又有自己的特色。
①自組織神經網絡共分兩層即輸入層和輸出層。
②采用競爭學記機制，勝者為王，但是同時近鄰也享有特權，可以跟著競爭獲勝的神經元一起調整權值，從而使得結果更加光滑，不想前面的那樣粗糙。
③這一網絡同時考慮拓撲結構的問題，即他不僅僅是對輸入數據本身的分析，更考慮到數據的拓撲機構。
權值調整的過程中和最后的結果輸出都考慮了這些，使得相似的神經元在相鄰的位置，從而實現了與人腦類似的大腦分區響應處理不同類型的信號的功能。
④采用無導師學記機制，不需要教師信號，直接進行分類操作，使得網絡的適應性更強，應用更加的廣泛，尤其是那些對于現在的人來說結果還是未知的數據的分類。頑強的生命力使得神經網絡的應用范圍大大加大。
1.1.3自組織神經網絡相對傳統方法的優點
自組織特征映射神經網絡的固有特點決定了神經網絡相對傳統方法的優點:
（1）自組織特性，減少人為的干預，減少人的建模工作，這一點對于數學模型不清楚的物探數據處理尤為重要，減少不精確的甚至存在錯誤的模型給結果帶來的負面影響。
（2）強大的自適應能力大大減少了工作人員的編程工作，使得被解放出來的處理人員有更多的精力去考慮參數的調整對結果的影響。使得更快的改進方法成為可能。
（3）網絡工作過程中考慮數據和網絡的拓撲結構的問題，更類似人類大腦思考問題的方式，問題的'解決更符合人的特點，使得結果的可信程度加大。
（4）無導師學習機制，不需要教師信號。對于地球物理勘探這類的很少有準確的教師信號作為指導的問題而言，這一點很有優勢，很好的模仿人腦，所得結果是其他方法處理結果的很好的參考。
1.1.4完成本課題的目的
本課題的目的就是通過畢業設計這一過程學習神經網絡的基本原理、方法和應用情況，在了解自組織特征映射神經網絡原理的基礎上探索這樣的方法、工具在地球物理數據處理上的應用，例如在儲層識別方面。并且同一部分其他方法對比，分析各個方法的特點，為后面的工作打基礎。
針對傳統地球物理勘探數據處理方法存在的問題，結合自組織特征映射神經網絡的優點，嘗試這樣的一個新方法，看他們這一問題上的表現如何，爭取找到一個相對合適的方法。
保存所做的工作，為以后在這方面感興趣的同學留下有限的一部分參考。國內外研究的過程及現狀
人工神經網絡是近幾年來循序發展的人工智能新技術，他比專家系統、模糊理論等人工智能技術具有更高水平。
人工神經網絡在80年代中期得到了飛速的發展。1982年美國加州州立理工學院物理學家Hopfield教授提出了Hopfield人工神經網絡模型，他將能量函數的概念引入人工神經網絡，并給出了穩定性的判據，開拓了人工神經網絡用于聯想記憶和優化計算的新途徑。
人工神經網絡模擬人類部分形象思維的能力，是模擬人工智能的一條途徑。特別是可以利用人工神經網絡解決人工智能研究中所遇到的一些難題。人工神經網絡理論的應用已經滲透到多個領域，在計算機視覺、模式識別、智能控制、非線性優化、自適應濾波相信息處理、機器人等方面取得了可喜的進展。
1.2.1國外研究發展的過程
神經網絡誕生半個多世紀以來，同其他事務一樣發展不是一帆風順的，大體上經歷了以下5個階段：
（1）奠基階段。
早在20世紀40年代初，神經解剖學、神經生理學、心理學以及人腦神經元的電生理的研究等都有一定的成果。其中，神經生物學家McCulloch提倡數字化具有特別的意義。他同青年數學家Pitts合作，從人腦信息處理觀點出發，采用數理模型的方法研究了腦細胞的動作和結構及其生物神經元的一些基本生理特性，提出了第一個神經計算模型，即神經元的閾值元件模型，簡稱為MP模型，他們認識到了模擬大腦可用于邏輯運行的網絡，有一些結點，及結點與結點之間相互聯系，構成一個簡單神經網絡模型。其主要貢獻在于，結點的并行計算能力很強，為計算神經行為的某此方面提供了可能性，從而開創了神經網絡的研究。這一革命性的思想，產生了很大影響。
（3）第一次高潮階段。
在1958年計算機科學家Rosenblatt基于MP模型，增加了學習機制，推廣了MP模型。他證明了兩層感知器能夠將輸入分為兩類，首先假如這兩種類型是線性并可分，也就是一個超平面能將輸入空間分割，其感知器收斂定理：輸入和輸出層之間的權重的調節正比于計算輸出值與期望輸出之差。
他提出的感知器模型，首次把神經網絡理論付諸工程實現。例如，1957年到1958年間在他的帥領下完成了第一臺真正意義上的的神經計算機，即：MarkⅠ的感知器。他還指出了帶有隱含層處理元件的3層感知器這一重要的研究方向，并嘗試將兩層感知器推廣到3層。但是他沒有能夠找到比較嚴格的數學方法來訓練隱含層處理單元。這種感知器是一種學習和自組織的心理學模型，其結構體現了神經生理學的知識。當模型的學習環境含有噪音時，內部結構有相應的隨機聯系，這種感知器的學習規則是突觸強化律，它可能應用在模式識別和聯想記憶等方面。可以說，他的模型包含了一些現代神經計算機的基本原理，而且是神經網絡方法和技術上的重大突破，他是現代神經網絡的主要構建者之一。Rosenblatt的行為激發了很多學者對神經網絡研究的極大興趣．美國的上百家有影響的實驗室紛紛投入到這個領域，軍方給予巨額資金資助，比如，對聲納波識別，迅速確定敵方的潛水艇位置，經過一段時間的研究終于獲得了一定的成果。這些事實說明，神經網絡形成了首次高潮。
（4）堅持階段。
神經網絡理論那些遙遠的但是并非不可達到的目標著實吸引著很多人的目光，美國軍方認為神經網絡工程應當比“原子彈工程”更重要，并且對它的投資興趣巨大，而對它的實踐效果也比較滿意。這時，Minsky比較關心的是人工智能的發展與前途問題。以順序離符號推導為其基本特征與神經網絡大相徑庭。他引發學術界的爭議，導致對人工智能投資的增加。他從感知器的功能及局限性入手，在數學上進行了分析，證明了感知器不能實現XOR邏輯函數問題，也不能實現其它的謂詞函數。他認識到感知器模式的簡單神經網絡對于認知群不變性的無能為力。1969年Minsky和Papert在MIT出版了一本論著Percertrons，對當時與感知器有關的研究及其發展產生了十分負面的影響，使得有些學者把研究興趣轉移到人工智能或數字電子計算機有關的理論和應用方面。這樣，推動了人工智能的發展，使其占了主導地位。美國在此后15年里從未資助神經網絡研究課題，致使前蘇聯有關研究機構也受到感染，終止了已經資助的神經網絡研究的課題。
（5）第二次高潮階段。
1981年芬蘭Helsink大學的T.Kohonen提出了自組織映射網絡模型(Self-OrganizingfeatureMap,簡稱SOM)，又稱Kohonen網。Kohonen認為，一個神經網絡接受外界輸入模式時，將會分成不同區域，各個區域對輸入模式有著不同的響應特征，而且這一過程是自動完成的。映射具有拓撲性質，對一維、二維都是正確的，并在計算機上進行了模擬，通過實例所展示的自適應學習，學習效果顯著。他認為有可能推廣到更高維的情況。但是當時，他的自組織網絡的局部與全局穩定性問題還沒有得到解決。值得一提的是，Hinton和Anderson的著作ParallelModelsofAssociativeMemory產生了一定的影響。由于理想的神經元連接組成的理論模型也具有聯想存儲功能，因此具有特別有意義。這類神經網絡從40年代初期就有學者在研究。當然，不同時期的研究總有新的認識。1982年生物物理學家Hopfield詳細闡述了它的特性，他對網絡存儲器描述得更加精細，他認識到這種算法是將聯想存儲器問題歸結為求某個評價函數極小值的問題，適合于遞歸過程求解，并引入Lyapunov函數進行分析。在網絡中，節點間以一種隨機異步處理方式相互訪問，并修正自身輸出值，可用神經網絡來實現，從而這類網絡的穩定性有了判據，其模式具有聯想記憶和優化計算的功能。并給出系統運動方程，即Hopfield神經網絡的神經元模型是一組非線性微分方程。
（6）新發展階段。
從神經網絡理論簡短的發展歷史來看，它們的高潮階段是十分容易度過的。IJCNN91大會主席Rumelhart意識到這一點，在他的開幕詞中有一個觀點，神經網絡的發展已到了一個新的轉折的時期，它的范圍正在不斷擴大，其應用領域幾乎包括各個方面。半個世紀以來，這門學科的理論和技術基礎已達到了一定規模，但是神經網絡到新發展階段，需要不斷完善和突破，使其技術和應用得到有力的支持。
1.2.2國內神經網絡發展的歷史
國內最早涉及人工神經網絡的著作是涂序彥先生等于1980年發表的《生物控制論》一書，書中將“神經系統控制論”單獨設為一章，系統地介紹了神經元和神經網絡的結構、功能和模型。隨著人工神經網絡20世紀80年代在世界范圍內復蘇，國內也逐步掀起了研究熱潮。1990年2月，由中國八個學會聯合在北京召開“中國神經網絡首屆學術大會”。收到了來自全國的300多篇論文，從而開創了中國神經網絡及神經計算機方面科學研究方面的新紀元。
1.2.3神經網絡發展現狀
幾十年的發展使得神經網絡上升到了一個新的高度，國外的發展十分迅速而且富有成果，在信息領域、自動化領域、工程領域、醫學領域、經濟領域都取得了豐碩的成果，特別是美蘇軍方對神經網絡的投入大大刺激了神經網絡的發展，吸引了一大批有識之士加入到這一行列，經歷了第二次高潮階段之后，神經網絡的發展更加迅速帶來了新的技術成果。如：手寫輸入、語音識別、聯想記憶、節能、衛星動作監測、信貸分析等等。
經過多年的發展，國內學術界和工程界在人工神經網絡的理論研究和工程應用方面也取得了豐碩成果，學術論文、應用成果和研究人員的數量逐年增長。醫療、中藥、病人分類等方面尤其在石油工業神經網絡的發展十分迅速，物探的儲層識別等方面應用十分突出。這方面的學術論文迅速增加，并取得了一定的成果，為物探的發展開辟出一個新的方向。
神經網絡的特點分析論文 篇2
摘要：軟件需求分析不僅僅是為了讓開發者滿足用戶要求，而且還可以幫助用戶了解軟件的性能和功能，具有一舉兩得的效果，但是如果軟件需求不符合實際需求，就會出現風險，導致返工。在BP神經網絡的基礎上，我們建立了軟件需求分析風險評估模型，以減少軟件開發的失敗率，規避因軟件需求分析失誤而帶來的實際存在的或潛在的風險。
關鍵詞：風險；軟件需求；BP神經網絡；研究；分析
軟件開發過程中，需求分析是一個關鍵性的階段。導致它失敗的原因有很多，例如開發者和用戶之間的溝通障礙、軟件本身的隱含性、需求信息的不對稱等等。這些問題導致的返工，增加了開發的成本，也損壞了企業形象，更可能流失掉部分用戶。因此，我們必須對軟件需求分析進行風險評估管理，把負面影響降到最低。現代商業發展中，各企業和企業之間的競爭日趨激烈,掌握最新的技術，對技術進行創新，才是企業在行業內立足腳跟，獲得更加長遠發展的方法，因此要想牢牢地把握企業的運命就需要我們保持對技術創新的熱情，并在這條道路上樂此不疲。21世紀，只有掌握了最新和最具有創造性的技術，才能贏的最后的勝利，本文把BP網絡與軟件需求分析風險評估模型相結合，具有十分重要的意義。
1BP神經網絡
BP神經網絡是開發者使用最多的神經網絡之一，它具有算法簡單、極強的魯棒性、收斂速度極快等優點。最重要的一點是能夠最大限度的接近其真實系統，非常適合于線性的、不確定的、模糊的軟件風險數據。BP算法是一種用于前向多層神經網絡的的反傳學習算法。采用BP算法的數層感知器神經網絡模型，它的基本思想是，學習過程由信號的正向傳播和誤差的反向傳播兩個過程組成。模糊理論采用模糊數學的方法，通過抽象思維，對處于多種因素作用下的事物做出總體評價。它的兩大主要特征是：第一，結果清晰；第二，系統性強，這非常適合于各種非確定性問題的解決。
2軟件需求分析風險評估模型
開發過程中，了解軟件需求是很重要的。軟件開發主要是依據需求的不同而設計出的產品。它包括了業務需求（組織和客戶高層次的目標）、用戶需求（用戶要求必須具備的需求）、功能需求（用戶可以通過完成任務滿足業務需求的產品中必須體現的軟件功能）。各種不同的需求都以不同的角度來呈現，需要進行多方位的分析方可得出準確的結論。軟件需求分析就是對用戶所需軟件應具備的屬性進行分析，滿足用戶的真正需求。在完成軟件需求分析后，我們要能得出用戶所需的軟件系統要能夠做到哪些功能，對此還要有詳細準確的說明書，也就是用戶的使用說明書，讓他們更快的了解產品。優秀的需求具有以下特點：完整性、準確性、可行性、必要性、無歧義性和可行性。軟件需求分析風險是指由于多方面的影響，如用戶參與度、用戶需求的拓展變化、多角度的考慮、設計的精準度和用戶與開發者的充分溝通等等，而造成需求分析的不準確使得用戶的軟件需求得不到滿足。該風險評估模型主要是為了降低軟件需求分析中存在的風險，從而使得評估需求分析更具加有效和更易操作。
3一種基于BP神經網絡的軟件需求分析風險評估模型
本文把BP神經網絡和模糊理論加入到軟件需求分析風險評估模型中，利用BP神經網絡的非線性映射屬性和模糊理論的超強表達能力與被理解力，幫助提高風險評估的有效性和預測性。軟件需求分析風險的評估模型包括風險識別、風險分析、風險評估三個模塊。風險識別的主要目的是考察研究軟件需求分析階段具體的情況，識別并記錄該階段存在的或潛在的風險，輸入來源是專家的經驗分析和歷史風險數據庫。
一般步驟包括：
a:找出軟件需求分析風險指標；
b:搜索歷史數據庫，列出存在的數據庫中的歷史案例；
c:通過專家分析，列出具有風險等級的列表；
d:將確定了的風險列表提交數據庫并更新。風險分析是細化第一階段的風險，分析其產生的.影響和等級，找出各指標與風險級別之間的線性關系亦或非線性關系。本文引入BP神經網絡和模糊理論，利用BP神經網絡實現風險評估指標和風險級別之間的非線性映射關系，還利用模糊理論的超強表達能力和容易理解的屬性，提高整個風險評估模型的學習能力和表達能力，得出更符合實際的評估報告。
主要的方法包括：
a:揭示原因和結果之間的聯系，追根溯源；
b:建立模型進行認識和理解；
C:通過嘗試各種組合找出導致失敗的因素。風險評估需最后明確所有存在的風險和它們的等級，給予開發者一個詳細的報告。本階段只要利用BP神經網絡的輸入層、輸出層、隱含層數、隱含層節點數。輸入層節點是經過模糊預處理的17個需求分析風險評估指標；輸出層節點是需求分析風險等級；隱含層數越多性能越高誤差越低；隱含節點越多，網絡功能越強大，但是過多則會使網絡功能減弱。
在BP神經網絡基礎上，建立的軟件需求分析風險評估模型，它操作的流程大致是三個方向。首先，識別軟件需求分析階段存在的、潛在的風險；然后，利用BP神經網絡和模糊理論的特有屬性、眾多優點進行分析，通過歷史數據庫，專家知識、專家討論，列出風險表格；最后，對風險進行最后的評估，從而有效預測軟件開發過程中所遇到的風險，并且進行規避。
4結束語
隨著經濟的高速發展，網絡軟件也成為人們工作生活中一個非常重要的工具。軟件需求的增多帶來了很多的問題，軟件開發的過程充滿了阻礙，軟件需求的滿意度也在日漸降低。因此，提高軟件開發的速度、保證開發軟件的質量，降低風險、減少開發成本、滿足用戶真正的需求等等，對軟件需求分析風險進行評估，建立軟件需求分析風險評估模型，是一件非常值得研究和實施的事情。本文研究的內容不僅僅達到了需求分析的目的，提出了新的思維方式和參考方向，而且還能更有效的預測軟件需求分析風險，真正滿足用戶的軟件需求。基金項目：吉林省教育廳“十二五”科學技術研究項目“基于AHP和群決策向量分析高校干部綜合測評方法和系統實現”（吉教科合字第2013402號）；吉林省教育科學“十二五”規劃課題“構建以學習者為主體的遠程教育支持服務體系的研究”。
參考文獻：
[1]李華,曹曉龍,成江榮.BP神經網絡在軟件項目風險評估中的應用[J].計算機仿真,2011,28(07):374-378.
神經網絡的特點分析論文 篇3
1神經網絡的概念及特點
1.1神經網絡的概念
神經網絡是一個并行、分布處理結構，是由神經元及稱為聯接的無向訊號通道互連而成。人工神經網絡(ArtificialNeuralNetwork，ANN)指的則是模仿生理神經網絡的結構和功能而設計的一種信息處理系統，即由多個非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網絡[3]。
1.2神經網絡的特點
在人工神經網絡中，由于網絡中的每一個單元都是獨立的信息處理單元，因此其計算可獨立進行，而整個網絡系統卻是并行計算的。這不同于傳統的計算機的串行運算。由于神經網絡是一個大規模互聯的復雜網絡系統，因而是大規模的并行處理，這在一定程度上提高了系統的處理速度，同時也為實時處理提供了重要條件。人工神經網絡與人腦類似，具有學習的功能。通常只要給出所需的數據、實例，由網絡去學習，而學習獲得的知識都分布儲存在整個網絡的用權系數表示的連接線上。不同網絡因學習方法及內容不同，可得到不同的功能和不同的應用。因而有可能解決傳統人工智能目前最感困難的機器學習中知識獲取、知識表示等問題。此外神經網絡還對于輸入數據的失真具有相當的彈性。
1.3常用的神經網絡算法
常用的神經網絡算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多層感知器、Kohonen特征映射網絡、反饋多層感知器模型等[4-5]。其中，ART模型和Kohonen特征映射網絡、模糊模型ART屬于無監督訓練算法，而反饋多層感知器模型是受限反饋，ARTMAP模型、ART模型屬于反饋的網絡拓撲結構。
2神經網絡在網絡入侵檢測中的應用
2.1神經網絡應用于網絡入侵檢測的優勢
由于神經網絡對于數據訓練獲得預測能力的過程是通過完全抽象計算實現的，而不強調對于數據分布的假設前提，因此在建立神經網絡模型過程中沒有必要向神經網絡解釋知識的具體細節。同時，神經網絡在網絡入侵檢測中，可以通過數據運算而形成異常的'判別值，這樣可以對于當前是否受到攻擊行為影響做出判斷，從而實現對檢測對象是否存在異常情況的檢測[6-8]。
2.2神經網絡在網絡入侵檢測中的應用
神經網絡在網絡安全尤其是入侵檢測方面已有了相當的研究[9]。有研究者將組織聚類神經網絡應用于計算機安全研究中，其采用了自適應諧振學習法進行數據的前期訓練，對于無顯著意義的平均誤差減少時，采用遺傳算法繼續在前期基礎上進行數據數據以得到最佳的權值。國內也在神經網絡應用于網絡入侵檢測上做了大量工作。王勇等研究者在參考MITLincoln有關網絡入侵檢測方法基礎上，提出了基于Linux主機的網絡入侵檢測方案，實現了對于多種網絡攻擊的特征進行抽取及檢測的目的[10]。
神經網絡在網絡入侵檢測中有廣泛的應用空間[11-12]，今后應該擴大訓練數據的數量和范圍，并擴大操作系統的研究空間，通過模擬真實的計算機網絡環境，將神經網絡技術真正應用于計算機安全尤其是入侵檢測工作中。
神經網絡的特點分析論文 篇4
摘要：神經網絡是人工智能領域不可或缺的部分，當前最常見的幾種神經網絡分別是感知器網絡、BP網絡、柯荷倫網絡、競爭網絡，這幾種網絡各具特點，最后給出了兩個使用BP網絡解決實際問題的例子。
關鍵詞：神經網絡人工智能機器學習控制算法
控制理論從提出到目前為止，一共經歷了三個重大的發展時期，分別是經典控制理論、現代控制理論和智能控制理論。智能控制屬于較新的控制理論，它現在主要用于人工智能領域。為了使更多的人了解到人工智能，推動控制理論的不斷前進，就需要對神經網絡進行推廣。
1典型神經網絡
1.1感知器
感知器的工作原理是使用直線、平面等切割平面或立體空間，將這些平面或空間分成若干不同的區域[1]，以達到對輸入信號進行分類的目的。感知器在使用前，需要先進行訓練。訓練感知器的主要目的是調整它的權值。訓練感知器時，通過選擇典型的輸入類型，這些輸入需要能代表所有的輸入類型，然后將這些數據輸入到感知器中對感知器進行訓練。訓練之后，感知器網絡的節點數及權值得到了調整。當感知器訓練完成之后，就可以進行工作了。
1.2BP網絡
BP網絡是當前使用得最多的一種神經網絡，它的主要功能是對非線性有理函數進行逼近，以滿足對非線性系統的控制作用。一般使用最速下降法對BP網絡進行訓練，將誤差反向傳播，當有大量的數據通過BP網絡時，網絡的權值和閾值得到調整，并使得網絡的誤差系數降低到最小[2]。下式是不含反饋的神經網絡的輸入與輸出關系：以上表達式不能表示具有反饋方式的神經網絡，如果需要表示BP網絡，還需要對上式加入反饋部分，如下式所示：當訓練結束之后，此神經網絡即是BP網絡，它就可用于對非線性系統的控制。它將輸出反饋到輸入，作為輸入的一部分，以達到對系統權值的持續調整，消除非線性影響的作用。
1.3競爭網絡
競爭網絡一般用于對大量具有典型特征的數據進行分類，它是一種單層網絡，包括輸入層和競爭層，輸入層和競爭層共用一個權值函數。競爭網絡的訓練和工作并未像其它神經網絡那樣明確分開，而是在工作的.過程中實現對網絡的訓練。它的訓練方式是無監督式的，訓練過程是通過競爭，將獲勝節點的權值進行調整，從而使網絡的輸出于輸入間的誤差逐漸減小，在這個競爭過程中，就可以通過輸出的不同，而將輸入分成不同的類型，以實現自動分類的功能。
1.4柯荷倫網絡
為了實現對具有概率分布模式的數據進行分類，可以利用柯荷倫網絡模型。柯荷倫網絡網絡模型與普通的網絡模型很相似，它的不同之處在與它在訓練過程中對節點的調整方法的區別。柯荷倫網絡模型對節點的調節方式與競爭網絡的比較相似，都是通過競爭來確定需要調整的網絡節點，競爭網絡只需要調整競爭獲勝的節點，而柯荷倫網絡除了需要調整競爭獲勝的網絡節點，還需要調整獲勝節點的臨近節點。
2BP網絡在智能系統中的應用
2.1聯想記憶
在信號處理、語音和圖像識別等領域，當輸入數據具有干擾或需要網絡具有糾錯能力時，就需要網絡能夠識別出這種錯誤，并將其糾正過來。為了能得到具有這種功能的神經網絡，可以先將識別對象轉換成網絡的平衡節點，通過調整節點的權值，使其記住這些目標。然后再通過不斷對網絡輸入學習數據，使其不斷進行聯想，最終使目標模型的特征收斂到網絡的平衡節點上。例如在進行文字處理時，為了能是神經網絡具有識別出錯誤文字的功能，可先將特定模型的文字轉化成網絡平衡節點，然后在對網絡輸入正確的文字，在不斷的訓練過程中，網絡就能實現對錯誤輸入的識別作用。
2.2優化計算
霍普菲爾德的網絡穩定性判別函數以能量為基礎。當系統不穩定時，能量會逐漸減小，并最終趨于穩定。在大規模電力線路的設計過程中，為了使設計的電子線路系統最優，就需要對設計不斷進行優化。通過對系統網絡進行分析，求解出網絡的最優參數之后，將這些參數轉換成神經網絡中的平衡節點。在對神經網絡進行訓練之后，網絡就可以通過不斷循環優化，最終設計出一個最優電子線路系統。
2.3影像處理
在人造成像系統中，無論是光學成像，還是聲波成像，以及電磁波成像，由于在對影像進行采集和處理的系統一般是數字系統，并且數字信號本身比模擬信號具有更強的抗噪能力，在采集和處理過程中，必須先對影像資料進行數字化處理，將模擬信號轉換成數字信號。因此，最終采集到的影像資料都是不連續的。
當前對影像數據的處理主要包括：處理因焦距問題而產生的影像模糊;影像噪聲含量較多時將噪聲處理掉;使用邊緣檢測的方法，得到圖像的特殊屬性。影像處理所涉及的領域也非常寬廣，如對影像進行分類、在醫學中對藥物反應的影像進行分析等。
神經網絡的特點分析論文 篇5
摘要：文章通過對國內外醫院預算管理的對比分析，引出醫院對全面預算精細化管理的要求;結合傳統預算管理方法不準確的弊端，對比智能化的神經網絡系統處理方式，提出了基于神經網絡的醫院全面預算管理方法。通過分析神經網絡對醫院全面預算管理處理的理論基礎，構建了醫院全預算管理與神經網絡對應關系的模型。詳細闡明了神經網絡學習過程，仿真結果表明，基于神經網絡訓練模型，能夠對預算全程進行精確預測和控制，較好地完成醫院全面精細化預算管理
關鍵詞：管理學論文
全面預算管理主要是指全員參與、財務及經營收支全額納入預算、預算全過程的管理。它最早產生于企業，先后在美國通用電器、通用汽車公司提出并應用，并隨著企業的發展而日益完善。近幾年在國內醫院也得到了應用，全面預算管理的實施，促進了醫院內部人與人、部門與部門間的了解與合作，使醫院戰略目標與預算得到落實。
一、國內外醫院預算管理的對比
醫院的預算管理，國內外差別較為明顯。以澳大利亞為例，該國每年對公立醫院實行全額預算補貼，支付形式是按病種結算。醫院必須按照就診人次和診斷的疾病種類來計算收費金額，而后同政府部門或保險公司結算，這一方式與醫院為患者提供的實際服務項目及成本無關。因此，醫院對醫療成本的控制十分重視，在保證醫療質量的前提下，想方設法減少藥品、檢查、檢驗及材料的成本，嚴格禁止患者進行重復檢查。項目的預算要求非常具體，數據精確度也非常高。而國內，醫院的收費是按服務項目收取，每項醫療服務由物價部門統一確定收費標準，這種收費模式，導致醫院把主要精力集中在“創收”上。但隨著我國醫療體制改革的推進，特別是目前已經試點的單病種、臨床路徑管理，很多項目也逐步向國外先進管理模式靠攏。從新《醫院財務制度》中可以看出，醫院獨立性越來越強，對預算管理要求也會越來越高，醫院內部預算管理將更加全面，這就需要醫院預算管理要在精、細、準上下功夫。
二、對現有醫院預算管理方法的分析
現行醫院預算管理方法不夠科學，很難達到精、準要求。為了求得預算值，實際工作中一般采用平均值法，表示公式為：項目預算=其中，i為拆分的某個子項目;x為上期預算;y為上期決算;n為項目拆分后的子項目總數;k為調整系數。該方法是以上期預決算作為基礎參照，求得一個參考值。值得注意的是，上期預算和上期決算的合理性并不能得到保證，因此這個參考值是不準確量。為使參考值趨于合理，并符合一般項目預算變化率，通常需要經專家組綜合評價后，進行部分校正，確定相對合理的調整系數，最終將預算參考值與調整系數的乘積作為本期預算。而確定的系數合理到什么程度，很難判斷，只能靠經驗，很容易出現預算偏差。傳統預算編制方法主要有固定預算、增量預算、零基預算、確定性預算和概率預算。所有這些預算方法都是按照線性思維考慮，各有利弊，在醫院部分預算項目管理中，也可能綜合運用，但很難考慮到醫院整體的綜合性、復雜性，以及項目之間的相互影響力。因此，單靠人為估算不是科學的.辦法，在實際執行中存在許多不確定性，不能保證預算目標得以實現，無法滿足醫院精細化和全面管理的需要。而新型的神經網絡預算方法基于非線性，有較高的復雜度，而且考慮了誤差反饋校驗。該方法應用到醫院全面預算管理全過程，可以滿足醫院全面預算的精細化需求。
三、神經網絡的特點
神經網絡(NeuralNetworks)是20世紀80年代興起的一種實用的多學科交叉處理技術，是模仿人腦行為特征、進行分布式并行信息處理的數學算法模型。它具有非線性和自適應的動態系統特征，這一處理方法依靠系統的復雜程度，通過調整內部大量節點之間相互連接的權重，從而達到處理信息的目的。神經網絡有兩大智能特性，即具有自學習和自適應調控的能力，可以通過預先提供的一組相互對應的輸入——輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出目標結果，這種學習分析的過程通常被稱為“訓練”，就像人類一樣，通過學習和訓練，學習新技術、新方法，用于解決實際工作中的新問題。神經網絡已經成為一種智能控制方法，廣泛應用于生產、企業管理等多種社會實踐中，進行預測、控制。
四、神經網絡應用于醫院預算管理的可行性
醫院信息化建設的普及，給精細化管理提供了基礎數據元，為全面預算的精準控制打下了基礎。特別是部分醫院建立了大數據中心、信息系統平臺，可以直接通過接口采集各類原始數據。將相關數據進行模型化處理，采用神經網絡算法，即可應用于預算管理的全過程。使用神經網絡算法，仿人腦思考，使得預算計算方法更加科學，由過去的一般線性計算發展到非線性，增加了復雜度，與實際更趨一致。以人員工資支出為例，過去只作正常增資額，作線性處理，而現在可以把員工工資分成三部分，一是人員變動情況;二是基本工資正常增資，可使用人事信息，采用分段函數準確計算出下一預算周期的基礎工資額;三是績效工資，它處于比較復雜的非線性變化，因為要參考每月的實際工作量及醫院收支變化，還要引入各種醫療因素的反饋信息，再加上醫院上期數據對下期發展的影響因素等等。面對這種諸多因素的復雜影響時，一般算法很難進行合理處理，而采用神經網絡算法，卻可以解決。這只是列舉了一個較為簡單的例子，相對于人員工資支出，醫院新建項目、新技術應用等的預算精確管理則更為復雜，需要考慮的因素也更多。針對醫院全面預算中出現的一些不確定性和高度非線性因素的影響，神經網絡的獨特優點有了用武之地，它能夠充分接近復雜的非線性映射關系，可以學習和適應不確定因素的動態特質，具有較強的容錯性，此外，由于神經網絡采用矩陣算法，可以進行快速的海量數據運算。
五、神經網絡在醫院全面預算管理中的應用
(一)神經網絡的構成
神經網絡一般包括三層：輸入層、隱含層和輸出層。針對醫院全面預算，輸入層可以是各種醫院基本元數據以及醫院綜合運行指標，越細化越好。隱含層是神經網絡的算法核心，是復雜的智能化處理的中間態，這對神經網絡使用者來說是不可見的。輸入層參數主要包括：科室基本情況，包括床位、科室人員、影響力等;患者基本情況，指本科室患者信息，如年齡、性別、職業等;疾病情況，包括ICD10疾病診斷、病程及入出院情況等;患者醫保類型;檢查、檢驗、治療、手術等情況;科室請領的相關物耗等信息;科室設備使用情況;科室消耗的水、電、氧氣等;門診診療情況;輸液用藥情況;醫院運行指標，如門診人次、住院床日等;按賬單類別分類的門診、住院費用;人員工資成本;患者滿意情況;其它各類指標(整個醫院相關運行指標近百種)。輸出層：包含單項目預算、患者醫保預算、科室預算等各種收入預算、支出預算，涵蓋醫院全面預算涉及的各方面內容。
(二)神經網絡的建設
決定神經網絡拓撲結構的是隱含層(隱含層可能是多層)及其所含節點數，以及節點與節點之間的連接方式。要從零開始建設一個神經網絡，首先要做的是確定隱含層和節點數，對應的活動函數的形式以及權重限制等。如果采用成熟的工具軟件箱，將會大大節約調整時間，減少建設適應周期。數據從輸入層到輸出層的過程是一個從前向后的傳播過程，后面節點的數值通過它前面相連的節點傳遞過來，然后把這個值按照各個連接權重的大小加權，輸入活動函數再得到新的數值，繼續傳播到下面的節點。當節點的輸出值與我們預期的值不同，也就是發生誤差時，神經網絡就要“學習”。學習過程如下：如果一個節點輸出發生較大誤差，那么就需要看這一誤差是受哪些輸入節點的影響而造成的，是不是受到了權重最高的節點的影響，如果是，則要降低這一節點的權重，同時升高其它節點的權重值。對那些降低權重的節點來說，也需要用同樣的方法來進一步降低它前面的節點的權重。按照這樣的做法把權重值進行調整，一步步向前傳播，直到權重調整到輸入節點為止。對訓練的每一條記錄都要重復這個步驟，用向前傳播得到輸出值，如果發生較大誤差，則用此方法進行學習。當把訓練的每一條記錄都運行過一遍之后，便完成了一個訓練周期。結合醫院實際運作方式，一般一個訓練周期定為一個月，要完成神經網絡的訓練可能需要很多個訓練周期，至少要幾十次，經常要經過上百次學習。神經網絡學習次數越多，誤差越小，未來的醫院預算執行越準確。訓練學習完成之后得到的神經網絡就是相對完善的模型，描述了全面預算受醫院基礎變量影響的變化規律。
(三)誤差校正
對于單輸入、單輸出神經網絡模型，非線性系統可用如下差分方程表示：y(t+1)=f[y(t),y(t-1),…,y(t-k+1);x(t),x(t-1),…,x(t-k+1)]其中，y(t)、x(t)分別表示在t時刻的輸出、輸入變量，f()為未知的非線性映射，k為輸入輸出的系統階次。針對醫院預算實際情況，我們按上圖中所示的神經網絡模型，有n個醫院基礎信息和運行指標輸入變量，m個預算種類輸出變量，此非線性系統可用差分方程表示為：通常有兩種方法，可以預測神經網絡未來的輸出，一是遞推法，二是非遞推法。由于神經網絡結構相當復雜，建模難度極大，一般不采用非遞推法。在此我們利用遞推法，來預測神經網絡未來d步的預算輸出。
六、結束語
神經網絡和一般統計方法在本質上有很大差別。一般統計方法的參數有幾種或十幾種，但神經網絡的參數可以達幾十種甚至上百種。由于參數眾多，基本涵蓋了醫院所有指標，參數又可以重新組合，以新的形式來影響輸出的預算結果，以至于很難對一個神經網絡模型做出直接的解釋。實際上神經網絡的隱含層盡管復雜但對用戶來說是看不到的，也就是當作“黑匣子”來使用，不用去管“黑匣子”的具體存儲內容以及“黑匣子”的詳細運算步驟，只管使用即可，所以神經網絡系統盡管復雜深奧，但對操作者來說是簡單的。事實上，神經網絡初次上線，前期準備是相當復雜的，即使隱含層只有一層的神經網絡，輸入層、隱含層到輸出層的映射關系函數也可達幾百種，還需要通過數據圖表找出映射關系模型，只有全面明確了相關映射，才能真正構建起神經網絡，完成“黑盒”的封裝，為以后的醫院預算服務。
神經網絡的特點分析論文 篇6
神經網絡是目前應用最為廣泛的網絡模型之一，結合神經網絡構建一套安全、可靠的計算機安全評價體系，對網絡安全有一定的保障作用。將神經網絡有效地應用于計算機網絡，有利于降低網絡安全風險。文章對神經網絡和計算機網絡安全進行了概述，通過BP神經網絡構建可靠的計算機網絡安全評價體系，闡述了基于神經網絡的計算機網絡安全評價系統應用意義，彌補傳統計算機網絡安全中存在的諸多問題及不足。
計算機網絡的快速發展和技術的廣泛應用給人們的生產生活提供了便利，但同時，也帶來了一些不容忽視的安全隱患。近年來，影響計算機安全的因素很多，例如犯罪團伙利用網絡等高科技進行犯罪的案例屢見不鮮。對此進行嚴格防范，更好地促進計算機和互聯網的發展，需要對計算機網絡安全進行評價，建立安全、有效的計算機網絡評價系統，網絡安全評價體系可以對整個計算機網絡進行評估和分析，完善評價體系，使系統更準確、可靠，其中使用率最高的則是神經網絡。
1神經網絡的概述
1.1神經網絡的簡介
神經網絡又被稱為鏈接模型，它效仿了生物神經網絡而建立，它以人腦的信息處理方式為基礎，采用建立數學模型的方式研究大腦行為結構和生物神經元基本特征，世界上第一個神經網絡模型是由數學家和生物學家共同提出。神經網絡復雜多變，它是由神經元內部通過大量節點進行相互連接形成的一種網絡結構，其中每個神經元都可處理信息，從而達到處理海量信息的規模。隨后，計算機學家在原有的神經網絡模型的基礎上增加了學習機制，將神經網絡技術應用在工程中，設計出了感知器神經網絡模型，我國的計算機學家和數學家通過對神經網絡的分析，展開長期的研究工作，掌握了模型的實質，研究表明，神經網絡模型適合應用在不同的研究領域。
1.2神經網絡的功能
神經網絡是一項人工智能系統，是通過生物神經網絡的工作原理建立而來，它的應用具有全方位的優越性能。計算機神經網絡系統還可實現預測功能，此功能為聯想模式的升級版，主要運用于市場和企業中，例如股票等證券市場，預測功能可對股市證券和企業的未來效益進行預測分析，基于計算機的神經網絡為市場和企業的發展提供了強有力的支持。正是有這些優越性能，神經網絡系統在計算機網絡安全評價過程中，才能發揮出最大的價值。
2計算機網絡安全概述
2.1計算機網絡安全的簡介
計算機網絡安全是指在網絡環境中，采用先進的科學技術和網絡管理控制措施來保證計算機資料能得以安全及完整的保護。計算機網絡安全由邏輯安全和物理安全兩大重要部分組成：第一，計算機的邏輯安全是指其中信息數據的保密性、完整性及可用性方面的內容;第二，物理安全包括了系統中的組網硬件和相關軟件等方面內容，其具有可控性及可審查性等特點。在當今的計算機網絡環境中，安全問題是關鍵，由于網絡的開放自由性導致信息在傳播過程中會受到硬件漏洞或者通訊協議方面的攻擊，這不僅給本地用戶帶來威脅，對國際網絡市場也是一種挑戰。
2.2計算機網絡安全評價體系的建立
計算機網絡安全評價體系的建立是對網絡安全評價的一個強有力保障，該體系能全面、科學、客觀的體現計算機網絡中存在的不安全因素并且給出相對應的解決措施，所以應該根據多種綜合因素設立評價體系中的評價指標，從而準確地反映評價信息，計算機網絡安全評價系統的構建原則是：第一，可行性。在計算機網絡安全評價體系構建過程中，結合實際的測評條件，因地制宜，才能有效的進行測評和操作。第二，準確性。在計算機網絡安全評價體系的構建過程中，應當對網絡安全的技術水平進行真實的體現，及時且準確的對安全信息進行監測分析再反饋到計算機網絡中，使技術人員及時有效的解決產生的問題。第三，完備性。建立的安全評價體系，需確保所選指標對網絡安全基本特征有全面的反映，進而提高評價結果的真實可靠性。第四，簡要性。在選取評價指標的過程中，要選取具有代表性的，保證結果準確可靠從而降低工作量。第五，獨立性。計算機網絡是一個復雜多變的系統，在選取各項評價指標時，要避免出現重復選擇的情況，減少指標間的關聯度，從而客觀準確的將計算機網絡安全運行狀態展現出來。計算機安全網絡存在一定風險性，在安全保護上也存在難度，遵守以上原則，在實際工作應用中，提高計算機網絡的工作質量和效率。
3基于神經網絡的計算機網絡安全評價系統
在神經網絡模型中，使用最為廣泛的是BP神經網絡模型，它采用最速下降法進行反向傳播，調整相關數值，將誤差降至最低。BP神經網絡模型還通過誤差逆傳播算法，訓練前饋多層網絡。其算法簡單，容易實現，具有非線性逼近能力。本文以BP神經網絡為研究對象，對計算機網絡安全評價進行分析。
3.1神經網絡的計算機網絡安全評價模型設計
基于神經網絡設計的計算機網絡安全評價模型，由3個部分組成，分別是輸入層、隱含層和輸出層：(1)輸入層。BP神經網絡在設計的過程中規定輸入層神經元節點的數量，與計算機網絡安全評價指標數量必須一致，所以對模型輸入層中神經元節點的數量確定需由二級指標的數量完成。例如，在安全評價體系中設計了10個二級指標，在計算機網絡安全評價模型中輸入層神經元節點數量也必須是10個。(2)BP神經網絡模型在設計的過程中，采用單向隱含層，如果隱含層中的節點數過多會延長神經網絡學習時間，如果隱含層節點數的數量過少則會降低神經網絡的容錯能力。所以隱含層中的節點數量對網絡性能有較大的影響。(3)輸出層。BP神經網絡在輸出層的設計工作即反映網絡安全評價結果，依據輸入層的評價設計，將輸出層的節點數設為2個，則(1，1)的輸出結果表示非常安全，(1，0)的輸出結果基本安全，(0，1)的輸出結果表示不安全，(0，0)的輸出結果表示非常不安全。
3.2神經網絡的計算機網絡安全評價模型學習
BP神經網絡在計算機網絡安全評價模型中需完成神經網絡的學習，也就表示其在模型構建前需進行神經網絡的`訓練工作，這使BP神經網絡具有初始連接權，在完成神經網絡的學習后，減少誤差值，保證安全評價結果和使用者期望值達成一致。
3.3神經網絡的計算機網絡安全評價模型驗證
為確保計算機網絡安全模型的應用效能，在完成設計與學習工作后，對其進行驗證，首先選取樣本數據，再將樣本數據輸入到模型中，通過模型內部檢驗分析，完成評價功能的應用，如果輸出的安全評價結果與期望值達成一致，則說明基于神經網絡的計算機網絡安全評價模型具有準確性，可以使用。
4結語
隨著社會的發展，科學的進步，越來越多的先進信息技術和網絡技術得以應用，計算機網絡是一個復雜的系統，其中存在一定的風險性，計算機網絡的安全問題是目前亟待解決的關鍵問題。在當前社會，神經網絡技術廣泛應用于各大領域，將神經網絡模型與計算機網絡安全相結合，遵守可行性、準確性、完備性、簡要性、獨立性原則，構建一個網絡安全評價體系。有利于對計算機安全管理奠定基礎，基于神經網絡的計算機網絡安全評價體系能使評價結果更具真實性和可靠性，但目前的神經網絡技術并不十分成熟，根據其應用特點，將神經網絡技術與其他技術相融合的發展問題，仍值得廣大學者深入研究。通過本文的分析與研究，認識到神經網絡的發展及特點，針對其功能的優越性，加大對神經網絡的重視，提高安全評價體系對環境的適應力，提升體系的容錯性，實現在線應用模式，促進其在計算機網絡安全中的進一步完善和發展，為計算機網絡安全評價提供保障，使神經網絡在計算機網絡安全評價中發揮更大的作用。
【神經網絡的特點分析論文】相關文章：
徐志摩詩歌的特點分析論文03-18
論文：我國度假旅游環境的特點分析與營造05-29
傳統民居建筑美學特點分析論文（通用5篇）06-17
市政路橋工程施工管理特點分析的論文12-02
人工神經網絡與車輛的結合論文11-26
環境科學人工神經網絡運用論文11-25
基于神經網絡的車輛動力學分析11-22
論文寫作及其研究的特點06-19
淺談科技論文寫作的特點03-21
中國哲學的特點小論文11-24