神经网络算法及模型.pdfVIP

神经网络算法及模型 思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和 灵感（顿悟）思维三种基本方式。 人工神经网络就是模拟人思维的第二种方式。 这是一个非线性动力学系统， 其特 色在于信息的分布式存储和并行协同处理。 虽然单个神经元的结构极其简单， 功 能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 神经网络的研究内容相当广泛， 反映了多学科交叉技术领域的特点。 主要的研究 工作集中在以下几个方面： （1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学 方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。 （2）建立理论模型。 根据生物原型的研究， 建立神经元、 神经网络的理论模型。 其中包括概念模型、知识模型、物理化学模型、数学模型等。 （3）网络模型与算法研究。 在理论模型研究的基础上构作具体的神经网络模型， 以实现计算机模拟或准备制作硬件， 包括网络学习算法的研究。 这方面的工作也 称为技术模型研究。 （4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经 网络组成实际的应用系统， 例如， 完成某种信号处理或模式识别的功能、 构作专 家系统、制成机器人等等。 纵观当代新兴科学技术的发展历史， 人类在征服宇宙空间、 基本粒子， 生命起源 等科学技术领域的进程中历经了崎岖不平的道路。 我们也会看到， 探索人脑功能 和神经网络的研究将伴随着重重困难的克服而日新月异。 神经网络和粗集理论是智能信息处理的两种重要的方法 , 其任务是从大量观察和 实验数据中获取知识、 表达知识和推理决策规则。 粗集理论是基于不可分辩性思 想和知识简化方法 , 从数据中推理逻辑规则 , 适合于数据简化、数据相关性查找、 发现数据模式、 从数据中提取规则等。 神经网络是利用非线性映射的思想和并行 处理方法 , 用神经网络本身的结构表达输入与输出关联知识的隐函数编码 , 具有 较强的并行处理、逼近和分类能力。在处理不准确、不完整的知识方面 , 粗集理 论和神经网络都显示出较强的适应能力 , 然而两者处理信息的方法是不同的 , 粗 集方法模拟人类的抽象逻辑思维 , 神经网络方法模拟形象直觉思维 , 具有很强的 互补性。 首先 , 通过粗集理论方法减少信息表达的属性数量 , 去掉冗余信息 , 使训练集简化 , 减少神经网络系统的复杂性和训练时间 ; 其次利用神经网络优良的并行处理、逼 近和分类能力来处理风险预警这类非线性问题 , 具有较强的容错能力 ; 再次 , 粗集 理论在简化知识的同时 , 很容易推理出决策规则 , 因而可以作为后续使用中的信 息识别规则 , 将粗集得到的结果与神经网络得到的结果相比较 , 以便相互验证 ; 最 后 , 粗集理论的方法和结果简单易懂 , 而且以规则的形式给出 , 通过与神经网络结 合 , 使神经网络也具有一定的解释能力。 因此, 粗集理论与神经网络融合方法具有 许多优点 , 非常适合处理诸如企业战略风险预警这类非结构化、非线性的复杂问 题。 关于输入的问题 -- 输入模块。 这一阶段包括初始指标体系确定， 根据所确定的指标体系而形成的数据采集系统 及数据预处理。企业战略风险的初始评价