datasheet
超过460,000+ 应用技术资源下载
pdf

神经网络模型及其MATLAB仿真

  • 1星
  • 日期: 2017-11-22
  • 大小: 4.81MB
  • 所需积分:1分
  • 下载次数:2
  • favicon收藏
  • rep举报
  • 分享
  • free评论
标签: 神经网络MATLAB

关于神经网络的分析及应用,并用Matlab仿真

人工神经网络的应用 人工神经网络的应用领域及其广泛,1988 年《DARPA 神经网络研究报告》列举了不同领 域神经网络的应用实例,见表 1.1。从表中可以看出,神经网络在人工智能、自动控制、计算 机科学、信息处理、机器人、模式识别等方面都有重要的应用实例。随着人工神经网络技术的 发展,起用途日益广泛,应用领域也在不断拓展,已在各个工程领域中得到广泛的应用。 神经网络比较擅长的应用领域如下: (1) 模式识别 神经网络经过训练可有效的提取信号、语音、图像、雷达、声纳等感知模式的特征,并能 解决现有启发式模式识别系统部能很好解决的不变量探测、自适应、抽象或概括等问题。这方 面的主要应用有:图形、符号、手写体及语音识别,雷达及声纳等目标识别,药物构效关系等 化学模式信息辨识,机器人视觉,听觉,各种近期相邻模式聚类及识别分类,遥感、医学图像 分析,机器人视觉、计算机输入装置等。神经网络可应用于模式识别的各个环节:特征提取、 聚类分析、边缘检测、信号增强、噪声抑制、数据压缩以及各种变换、分类判决等。模式识别 是人工神经网络特别适宜求解的一类问题,神经网络模式识别技术在各领域中广泛应用是神经 网络技术发展的一个重要侧面。 (2) 人工智能 专家系统是人工智能领域研究时间最长,应用最成功的技术,但人们在应用专家系统解决 诸如语音识别、图像处理和机器人控制等这类类似于人脑的形象思维的问题时,却遇到很大的 困难。神经网络的问世为人工智能开辟了一条崭新的途径,成为人工智能研究领域中的后起之 秀,它具有的自学习能力是传统专家系统望尘莫及的。神经网络技术能对不完整信息进行不全, 根据已学习的知识和处理问题的经验对复杂问题作出合理的判断决策,给出较满意的解答,或 对未来过程作出有效的预测和估计,从而使之在人工智能领域获得广泛的应用。这些方面主要 应用有:自然语言处理、市场分析、预测估计、系统诊断、事故检查、密码破译、语言翻译、 逻辑推理、知识表达、智能机器人、模糊评判等。 (3) 控制工程 神经网络在诸如机器人运动控制、工业生产中的过程控制等复杂控制问题方面有独到之 处。较之基于传统数字计算机的离散控制方式,神经网络更适宜于组成快速实时自适应控制系 统。这方面的主要应用有:多变量自适应控制、变结构优化控制、并行分布控制、智能及鲁棒 控制等。 (4) 优化计算和联想记忆 由于并行、分布式的计算结构,神经网络在求解诸如组合优化(NP 完备问题)、非线性优化 等一系列问题上表现出高速的集体计算能力。在 VLSI 自动排版、高速通信开关控制、航班分 配、货物调度、路径选择、组合编码、排序、系统规划、交通管理以及图论中各类问题的计算 等方面得到了成功应用。 联想记忆的作用是用一个完整或模糊的信息联想出存储在记忆中的某个完整、清晰的模式 来。如何模式存储量和联想质量依然是神经网络的热点之一。目前在这些方面的应用有内容寻 址器、人脸识别器、知识数据库等。 (5) 信号处理 神经网络的自学习和自适应能力使其成为各类信号进行多用途加工处理的一种天然工具, 主要用于解决信号处理中的自适应和非线性问题。包括自适应均衡、自适应滤波、回波抵消、 自适应波束形成、自适应编码等自适应问题和各种非线性问题,如非线性区域的模式分类、熊 他那个辨识和高维非线性系统的检测、估计等问题,还可对变态问题进行求解。神经网络在弱 信号检测、通信、自适应滤波等方面的应用尤其引人入目,并已在许多行业得到应用。 虽然神经网络在许多领域都有成功的应用实例,但神经网络业不是尽善尽美的。目前,神 经网络的理论研究和实际应用都在进一步的探索之中,相信随着人工神经网络研究的进一步深 入,其应用领域会更广,用途会更大。 表 1.1 神经网络的应用实例 应用领域 航空航天业 汽车业 银行业 信用卡行为检查 国防工业 电子业 娱乐业 金融业 工业 保险业 制造业 医药 石油天然气 机器人技术 语音 有价证券 电信业 交通 应用实例 高性能飞机自动驾驶仪、飞行航线模拟、飞行器控制系统、自动驾驶仪增强器、飞 机构件模拟、飞机构件故障检测等 汽车自动驾驶系统、保单行为分析 支票和其他文档读取、信用卡申请书评估 用于辨认与遗失的信用卡的不寻常的信用卡行为 武器制导、目标跟踪与识别、脸部识别、新型传感器、声纳、雷达、图像处理与数 压缩、特征提取与噪声抑制、信号/图像识别 编码徐磊预测、集成电路芯片版图设计、过程控制芯片故障检测、机器人视觉、语 音合成非线性建模 动画、特效、市场预测 房地产估价、贷款制导、抵押审查、集团债务评估、信用曲线分析、有价证券交易 程序、集团财务分析、货币价格预测等 预测熔炉生产的气体和其他工业过程,以取代复杂而昂贵的一起设备 政策应有评估,产出最优化 制造业过程控制、产品设计与分析、过程与机器诊断、实时微粒识别、可视化质量 检测系统、焊接质量分析、纸质预测、计算机芯片质量分析、化学产品设计分析、 机器保养分析、工程投标、经营与管理、化学处理系统的动态建模等 乳腺癌细胞分析,EEG 和 ECG 分析,假体设计,移植时间最优化,降低医疗费用支 出,提高医疗质量 勘探 行走路线控制、铲车机器人、操纵控制器、视觉系统等 语音识别、语音压缩、元音分类、文本‐语音合成等 市场分析、自动债券评级、股票交易咨询系统等 图像与数据压缩、自动信息服务、实时语音翻译、用户付费处理系统等 卡车刹车诊断系统、车辆调度、行程安排系统等 感知器 早在 1943 年,W.McCulloch 和 W.Pitts 就提出了第一个人工神经元模型,称之为 MP 模型。 美 国 学 者 罗 森 布 拉 特 ( F.Rosenblatt ) 于 1958 年 提 出 了 一 种 神 经 网 络 模 型 , 即 感 知 器 (perceptron),其重要贡献是提出了一种感知器的训练算法,并且该公职器成功应用于模式分 类问题。虽然其局限性在后来的若干年限制了神经网络的发展,但时至今日它仍然是一种十分 重要的神经网络模型。在解决线性可分的问题时,该感知器保持了运算速度快,性能可靠的优 点。 BP网络 感知器神经网络的学习规则和 LMS 学习算法智能训练单层神经网络,而单层神经网络智 能解决线性可分的分类问题。多层神经网络可以用于非线性分类问题,但需要寻找训练多层网 络的学习算法。 1974 年 P.Werbos 在其博士论文中提出了第一个适合多层网络的学习算法,但该算法并未 受到足够的重视和广泛的应用,知道 20 世纪 80 年代中期,美国加利福尼亚的 PDP(parallel distributied procession)小组于 1986 年发表了 Parallel Distributed Processing 一书,将该算法应 用于神经网络,称之为 BP 神经网络。在人工神经网络的实际应用中,BP 网络广泛应用于函数 逼近、模式识别/分类、数据压缩等,80%~90%的人工神经网络模型是采用 BP 网络或它的变化 形式,它也是前馈网络的核心部分,体现了人工神经网络最精华的部分。 1. 用于模式识别与分类的 BP 网络 反馈型神经网络 Hopfield 神经网络的 MATLAB 仿真程序设计 例:Hopfield 神经网络用以联想记忆。假设希望构造一个联想记忆模型,这个模型能够识 别出如图 9.9 所示的 4 个数字. 解 (1)问题分析 基于神经网络的预测 自有股票交易以来,对股票价格的预测一直就是学术界和广大投资者最感兴趣的问题之 一,它不仅存在着极其诱人的应用价值,也具有重大的理论意义。时至今日,人们已经提出了 多种对股票价格预测的方法,只要分为 3 类: z 传统的投资分析方法。具体可划分为基本面分析法和传统的技术分析法。 z 传统的时间序列分析发。该类方法把股票价格或股价指数看做变化的时间序列,通过 建立时间序列相关辨识模型来预测未来变化。 z 非线性分析法。该类方法把股票市场理解为一个随机性和秩序性交织在一起的非线性 的动力系统。任何依赖于对非线性函数进行模拟求解的预测方法都可归入此类,比如 分形统计法,神经网络方法等。 前面两种方法,我们可以将其归为传统的预测方法。它们或强调内在价值,或依赖于股票 价格间的线性关系,局限性相当明显。这是因为,我们所处的客观世界是复杂的,我们所 接触的绝大多数时间序列往往是由随机信号和由确定性非线性系统产生的信号的混合体, 完全的随机信号几乎不存在,完美的线性关系同样很少。近年来,大量的研究
更多简介内容

评论

下载专区


TI最新应用解决方案

工业电子 汽车电子 个人电子
$(function(){ var appid = $(".select li a").data("channel"); $(".select li a").click(function(){ var appid = $(this).data("channel"); $('.select dt').html($(this).html()); $('#channel').val(appid); }) })