神经网络在模式识别领域的应用论文.docVIP

神经网络原理及应用论文 神经网络在模式识别领域的应用 院 系： 专 业： 姓 名： 学 号： 指导教师： 手机号： 2013年5月 摘要：神经网络已经广泛地应用于图像分割和对象的识别、分类问题中。随着人工神经网络技术的发展，神经网络模式识别在模式识别领域中起着越来越重要的作用，神经网络模式识别已成为模式识别的一种主要方法。由D．E．Rumelhart和J．L．Mcclelland于1986年提出的多层人工神经网络及误差逆传播学习算法，即BP网络算法是至今影响最大的一种网络学习算法，据统计有90％的实际网络使用了这一算法。在处理环境信息十分复杂、背景知识不十分清楚、推理规则不明确、样本有较大的缺损、畸变的RD项目中止决策分析等方面，可以认为BP算法会有更好的结果。 关键词：神经网络 模式识别 BP网络算法 目录 一：神经网络在模式识别领域的研究现状 1 1、神经网络简述 1 1.1神经网络定义 1 2.2 神经网络发展史 1 2、神经网络在模式识别领域的研究 3 2.1神经网络模式识别法优点 3 2.2神经网络模式识别原理 3 二：神经网络在模式识别领域的应用实例 5 1、BP网络学习算法及改进 5 1.1 BP网络学习算法 5 1.2 将附加动量反向传播训练法用于BP算法 7 1.3 将自适应学习速率反向传播训练法用于BP算法 7 2、RD项目终止决策的人工神经网络模式识别 8 2.1 传统模式识别技术用于RD项目中止决策分析的局限性 8 2.2 建立RD项目中止决策的人工神经网络模式识别模型 12 2.3 RD项目中止决策的人工神经网络识别应用示例 16 三：神经网络在模式识别领域的未来展望 18 参考文献 19 一 神经网络在模式识别领域的研究现状 1 神经网络简述 1.1 神经网络定义 Hecht-Nielsen在1988年给出了人工神经网络(artificial neural networks，ANN)的定义，即人工神经网络是一个并行、分布处理结构，它由处理单元及其称为联接的无向讯号通道互连而成。这些处理单元(PE—Processing Element)具有局部内存，并可以完成局部操作。每个处理单元有一个单一的输出联接，这个输出可以根据需要被分支成希望个数的许多并行联接，且这些并行联接都输出相同的信号，即相应处理单元的信号，信号的大小不因分支的多少而变化。处理单元的输出信号可以是任何需要的数学模型，每个处理单元中进行的操作必须是完全局部的。也就是说，它必须仅仅依赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。 1.2 神经网络发展史 神经网络的研究与计算机研究几乎是同步的，其发展历程可分为四个阶段。第一阶段是启蒙期，始于1943年。1943年心理学家M．McCulloch和数学家W．H．Pitts合作提出了形式神经元的数学模型，成为神经网络研尧的开端。第二阶段是低潮期，始于1969年。1969年人工智能创始人之一的M．Minsky和S．Papert出版《感知器(Perceptrons) 书，指出了感知器的局限性，加之当时串行计算机正处于全盛发展时期，早期的人工智能研究也取得了很大成就，使有关神经网络的研究热潮低落下来。第三阶段是复兴期，从1982年到1986年。1982年和1984年，美国加州工学院物理学家Hopfield教授相继发表了两篇重要论文，提出了一种新的神经网络模型，引入能量函数的概念，并用简单的模拟电路实现，同时开拓了神经网络用于联想记忆和优化计算的新途径，点燃了神经网络复兴的火炬。1986年D．E．Rumelhart和J．L．McClelland领导的研究小组出版《并行分布处理》(Parallel Distributed Processing)一书，提出多层感知器的反向传播算法，清除了当初阻碍感知器模型继续发展的重要障碍，使复兴的火炬迸发出更加耀眼的光芒。另一方面，20世纪80年代以后传统的基于符号处理的人工智能在解决工程问题时遇到许多困难，现代的串行机尽管有很好的性能，但在解决像模式识别、学习等对人来说轻而易举的问题上显得非常困难。这就使人们怀疑当前的冯·诺依曼机是否能解决智能问题，也促使人们探索更接近人脑的计算模型，于是又形成了对神经网络的研究热潮。第四阶段是1987年至今，其标志是J．D．Cowan与D．H．Sharp发表的回顾性综述文章“神经网络与人工智能”。1987年以后，神经网络应用领域的研究相当活跃，神经网络已不再仅仅