第8章神经网络.ppt

6.7 人工神经网络的应用开发设计 6.7.1 人工神经网络应用的可行性 人工神经网络技术与人工智能方法 在某些情况下，传统的人工智能方法或基于规则的方法可能更有效。当处理相对简单或是一个封闭的系统时，人工智能方法比较合适，因为在这种系统中，问题的特征和规律都是可理解的，并可以用逻辑或数学式精确描述。 对处理较复杂的问题或开放的系统，人工神经网络技术显得更为优越，因为在这种系统中，内部规律不甚了解，也不能用一组规则或方程进行描述，尤其是对于要求容错的任务，如图形的检测和识别、特征提取、预测和推论等，人工神经网络往往是最合适的处理手段。 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 对于给定的实际问题，要确定是否用人工神经网络技术解决，还要看其应用特点。 一些成功的人工神经网络应用，都有一些共同的特点： 该应用涉及一批密集的数据，而这些数据又依赖于多个相关的参数； 在该应用所涉及的范围内，已积累或收集了大量历史性数据和样本； 在该应用中提供的数据组是不完善的、有误差的，但它们却描述了确定的样本。 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 一般来说，比较适合人工神经网络的应用大多数都涉及图形识别或统计变换，例如： 字符识别 物体检测 信息预测 过程监控 信号处理 机器人控制 … 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 一般来说，比较不适合人工神经网络的应用大多数都涉及精确运算和数据管理，例如： 在数字上要求高精确度的应用，如收支账目、货物盘存等； 要求临时加载、分析和报告的应用，如销售数据分析、资源管理等； 一些要求演绎和步进逻辑的场合； … 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 全面考察了一些人工神经网络的成功应用之后，可概括出选择人工神经网络应用的一些启发性原则： 用一般的计算机方法是不够的或困难的； 问题的解是从一些高度相关的参数中导出，而这些参数又没有确定的数量表示； 数据虽然是可用的，但它们是多变的、伴有噪声的或有误差的； 要求项目的开发时间对训练网络来说时间是足够的。 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 另外，进一步评价选用人工神经网络的可行性的方法是，把应用问题的特点和要求与人工神经网络的特性和能力进行对照比较，检查其匹配程度。 人工神经网络的特性和能力，一般包括： 网络模型的并行性； 网络模型的适应性； 网络模型的灵活性； 网络模型的速度； 不同的网络模型具有不同的特性。 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 决定了选用人工神经网络技术，就需明确选取和设计人工神经网络模型的要求，包括： 资源的约束条件 开发期限、可用的设备环境、提供的费用等 数据资源 数据的类型、产生数据的成本、数据的精度、时间的限定等 对结果的要求 类型、精度、一致性等 时限 项目完成时间、训练时间的限定、操作时间的限定等 一旦确定采用人工神经网络方法，关键的问题就是选取最适合的人工神经网络模型。 6.7 人工神经网络的应用开发设计 6.7.3 人工神经网络模型的应用情况 图像识别和信号滤波 对于大多数图像识别、信号处理和类似的应用，所选用的网络是多层前馈网络，即BP网络。 如果输入向量的分量为几百个或更少些，并且在输入阵列中要识别的图像的大小和位置变化不大时，采用BP模型往往是最好的。 如果需要识别随时间变化的图形或空间—时间图形，要求将时间图形表示成空间图形处理，采用具有反馈的多层网络常常是最好的。 6.7 人工神经网络的应用开发设计 6.7.3 人工神经网络模型的应用情况 数据压缩 Kohonen的线性矢量量化网，通过产生码本实现简单的压缩编码系统。 特定结构的BP网 输入层和输出层具有相同的结点数，而其最里的隐蔽层的结点数比输入输出层少。 训练时，其目标向量就是输入向量，而结点少的隐蔽层学会表示输入的特征。 将该特征输出，然后通过输出层加权，在输出时恢复原信息数据。 6.7 人工神经网络的应用开发设计 6.7.3 人工神经网络模型的应用情况 优化问题 从理论上说，Hopfield网络可执行优化任务。 推销员问题 最佳任务分配问题 但Hopfield网只能做到近似最优，不能保证获得理想的最优解。 具有前馈结构的玻尔兹曼统计算法也可用于优化工作，但这种方法训练比较复杂，训练时间较长。 6.7 人工神经网络的应用开发设计 6.7.4 人工神经网络模型的选取原则 选取人工神经网络模型，要基于应用的要求和人工神经网络模型的能力间的匹配，主要考虑因素包括： 网络大小 所需输出类型 联想记忆类型 训练方法 时间的限定 6.7 人工神经网络的应用开发设计 6.7.4