神经计算机人工神经网络实用化探究.docVIP

神经计算机人工神经网络实用化探究摘要：人工神经网络实际上就是智能工程的研究，在最近的十几年里面，智能工程取得了非常重要的成就，从各种智能化机器人的发明就能够体现到这一点，本文的重点就是讨论神经计算机的人工神经网络在测控技术和中药研究上的实用化分析，从这两点出发来研究国内人工神经网络的实用化条件。 关键词：神经计算机；人工神经网络；实用化研究 中图分类号：TP183 文献标识码：A 文章编号：1007—9599 （2012） 14—0000—02 人工神经网络从字面的意思就是采用人工的方法来实现大脑的思维模式，这是因为随着计算机技术的进步，多阵列CPU组成的计算机网络，能够从一定的程度来模拟实现大脑的思维，将CPU替代人类大脑的神经元，从而实现计算机的人工智能，目前基于神经计算机的人工神经网络技术已经被广泛的使用于科技领域的各个方面，比如本文即将要重点介绍的测控技术和中药现代化。 一、人工神经网络的介绍 人工神经网络就是模拟人脑神经突触结构对信息处理的一种数学模型，是基于仿生学的基础，计算机技术的应用，从而实现类似人脑的逻辑性思维，人工神经网络不是通过一个个程序来实现的逻辑性思维，而是通过大量的节点，图1是节点的示意图： 其中：a1～an为输入向量的各个分量；w1～wn为神经元各个突触的权值；b为偏置； f为传递函数，通常为非线性函数。以下默认为hardlim（）；t为神经元输出；数学表示 t=f（WA’’+b）；W为权向量；A为输入向量，A’’为A向量的转置；f为传递函数。 节点又叫做神经元来进行相互作用实现的逻辑性思维，包括记忆能力，其中每一个神经元代表了一种输出函数，而通过两个神经元之间的连接信号则称为加权值，这实际上就是人工神经网络的记忆。一个节点的计算公式是： ；其中Y是神经元的输出。 是神经元的第i个输入量， 则是第i个所储权值， 则代表了节点的函数平移量，n代表是节点的个数。由此公式衍生的 =0则代表了n维空间中的超平面。这个超平面把n维空间划分了两个平面，一个平面的 是正值，另一个则代表了负数。 人工神经网络的基本特征主要体现在四个方面，分别是非线性、非凸性，非局限性和非常定性，人工神经网络采用了并行的分布系统，因此具备更高级的自适应，自组织和自学习能力。图2则是上述公式衍生出来的神经元结构图： 二、人工神经网络的模拟实现方法 人工神经网络是一种并行分布式系统，是有一个个并行的简单运算单元所组成，因此通过计算机软件来模拟人工神经网络就变得可行，目前大规模的人工神经网络实现模拟则需要专用的硬件，这种硬件设备能够针对某一种特定的人工神经网络，这些硬件设备在制造的过程中有关加权值已经固定，这种固定式人工神经网络芯片主要用于运算非常大的场合；另一种硬件就是通过增加可擦写存储器的半固定电路，对人工神经网络的相关权值进行更新，这种硬件在人工神经网络组成有中等需求。而可以随时更改神经网络结构模型，线性结构和权值的硬件又被称作通用性人工神经网络硬件，这种硬件的需求量较小，但是适应人工神经网络的研究和开发。更高级的硬件就是神经计算机，所谓神经计算机就是一种专门模拟神经网络单指令流，多数据流的并行计算机，在模拟人工神经网络实现时，具有极高的性价比，DSP芯片或者是Transputer芯片是目前人工神经网络构成的主要元件。 三、神经计算机的人工神经网络实用化分析 （一）人工神经网络在测控技术方面的实用化研究 测控技术使用到人工神经网络技术比较广泛，比如在测控过程的优化，自学习自适应过程控制以及多传感器系统的数据实时分析，矫正和控制等，在实时图形和实物识别的测控技术上也离不开人工神经网络。目前人工神经网络在测控技术方面的应用主要体现在四个方面，其一能够实现对生产控制过程的参数优化，比如目前集成电路的规模已经越来越大，传统的测控技术很难保证这些集成电路完工后的品质，经过实验证明，通过在对大型集成电路生产过程中，使用人工神经网络技术来对产品进行管控，往往能够提升良品率10个百分点。其二就是通过人工神经网络在测控技术上的实物识别，这种技术能够利用多个领域，比如身份识别，目前通过神经计算机上最新的SLPODBF算法对10种不同的实物进行识别，将这些实物摆出多达三百多种的姿态，通过对神经计算机的训练，最终有效的识别率能够达到98%，目前SLPODBF算法相对于BP算法属于更高级别的智能算法，能够将神经计算机的训练时间缩短两个数量级；其三就是说话人确认的识别技术，语音识别系统自然也是人工神经网络技术的重点之一，通过基于CASSANDRA—I神经计算机的模拟实现语音识别系统，能够将误判率降低到1%以下，这相对于国外比较先进的Veritron 1000系统要有效的多；其四就是基于人工神经网络的自动控制