裘伟锋10931321工程设计训练及生产实习报告.docVIP

信 息 工 程 学 院 工程设计训练及生产实习报告 学 院 信息工程学院 专 业 电气工程与自动化 班 级 学 号 学生姓名 裘伟锋 指导教师 吕强 学 期 2013-2014第一学期 完成日期 2014年1月 工程设计训练报告 1前言 1.1 研究意义 人工神经网络（简称神经网络）是一种和人类神经系统相似的数据处理模型。神经网络处理信息是先通过对样本数据训练，然后再对数据进行处理的网络。它反映了的是生物大脑处理信息的能力，但是它并不拥有生物大脑所有的能力，而是模拟它的一些特性，使得神经网络可以像生物大脑一样具有存储、识别、处理信息的功能。有较好的自学习、并行处理、联想记忆和处理非线性情况的能力[1]。 人本身就是一个很好的模式识别系统。人类的大脑里有大约数量级的神经元[2]，他的处理速度比起现在的很多超级计算机都还要快上好多倍。就是因为这样复杂、庞大、非线性的计算系统，人才能不停地获取各种信息，处理信息。举个例子，当我们看到一个字时，人脑只需要数百毫秒的时间就能够正确的识别出这个字。人的大脑并不是一开始就能具备这种能力的，它还是需要通过它的不断学习慢慢的积累，然后才难能得到这个能力。人在出生后，大脑不断的从周围接受各种信息，然后随着时间的积累，信息的积累，人脑的神经元之间的相互关系不断的发生着变化，从而完成情绪、思维等精神活动。人工神经网络的研究就是从人脑的生理结构出发来研究人的智能行为，模拟人脑的处理信息的功能。 人工神经网络在最近二十年来在理论与实践有了令人瞩目的发展，它使得神经计算成为一种新的学科，神经网络的软件模拟得到了广泛的应用。许多公司也加大了对神经网络芯片研究的投入。例如Intel公司、IBM公司等己取得了多项专利，已有许多产品进入了市场，被国防、企业和科研部门选用，其商业化效果令人很欣慰。尽管神经计算机的研制难度大，所要花费的时间周期较长，但是神经网络的发展还处在上升发展阶段，它还是具有美好的应用前景的。 神经网络具有复杂模式和进行联想、推理记忆的功能，它是解决某些传统方法所无法解决的问题的有力工具[3]。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络[4]。其中BP神经网络就属于多层前向神经网络，其可以包含多层隐含层，使得BP神经网络能够处理更加复杂的情况，同时BP神经网络的反向传播算法使得处理数据所得的结果更加准确。其工作状态稳定也易于硬件实现，在众多的神经网络模型中，BP网络是核心，因此应用最为广泛。在模式识别及分类、故障诊断、图像处理、函数拟合、最优预测等方面发挥了巨大的作用[5]。 在分类方面，BP神经网络的非线性映射能力是保证其完成各种简单或复杂分 类的主要原因，而它的并行结构则加快了运算速度[6]。在权值中，信息是以分布式存储的，这使得网络就会有比较高的容错性和鲁棒性，这有效地解决了模式识别中普遍存在的噪声干扰和输入模式的部分损失问题，这就使其相对于传统的模式识别方法具有更大的优越性[7]。所以用BP神经网络来实现对样本数据分类是一种非常好的选择。 1.2 国内外发展概况 在国外，科学家W·Mcculloch和W·Pitts在1943年首先提出了M-P神经元模型，这是第一个神经元数学模型，其神经元的输入信号的加权和与阈值比较后再决定神经元是否输出，这是人类历史上第一次对大脑工作原理描述的尝试，从原理上证明了人工神经网络可以计算算数和逻辑函数。到了50年代末，科学家F·Rosenblatt设计了一种多层的神经网络，称为感知器，被应用于某些方面的识别功能。但是，由于当时计算机的高速发展，许多人以为计算机可以解决模式识别等方面的所有问题，而且当时的电子工艺技术比较落后，使得无法制作出完全相似的神经网络，神经网络的研究陷入了低迷。在M.Minsky等人仔细分析了以感知器为代表的神经网络系统的功能及局限后，于1969年出版了《Perceptron》一书，书中指出线性感知器功能是很有限的，它连一些基本的问题都无法解决，多层网络还找不到有效的算法，这使得很多人对神经网络的前景无比的失望。 80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，而计算机的发展遇到了瓶颈。这使得人工神经网络的发展又有了新希望。1982年，美国加州理工学院的物理学家Hopfield提出了Hopfield神经网格模型，引起了巨大的反响。这是一个非线性动力系统的理论模型，模型对神经网络信息存储和提取功能进行了非线性数学概括，提出了动力方程和学习方程，使得神经网络的结构和学习有了理论的指导。这是神经网络领域的一个里程碑式的成就，也是人工神经网络发展的一个转折点，这使得人们又重新认识到神经网