BP神经网络在非线性函数逼近中的应用.docVIP

BP神经网络在非线性函数逼近中的应用

摘要：人工神经网络〔ArtificialNeuralNetworks，NN〕是由大量的、简单的处理单元〔称为神经元〕广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多根本特征，是一个高度复杂的非线性动力学系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的开展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。BP神经网络有很强的映射能力，主要用于模式识别分类、函数逼近、函数压缩等。下面将介绍来说明BP神经网络在函数逼近方面的应用。

前言

人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反响。人工神经网络就是模拟人思维的一种方式，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。

近年来通过对人工神经网络的研究，可以看出神经网络的研究目的和意义有以下三点：

1、通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的根源。

2、争取构造出尽可能与人脑具有相似功能的计算机，即神经网络计算机。

3、研究仿照脑神经系统的人工神经网络，将在模式识别、组合优化和决策判断等方面取得传统计算机所难以到达的效果。

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断开展。近年来，人工神经网络正向模拟人类认知的道路上更加深入开展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到开展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究开展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的开展提供了良好条件。

神经网络理论的应用取得了令人瞩目的开展，特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别、CAD/CAM等方面都有重大的应用实例。下面列出一些主要应用领域：

1、模式识别和图像处理。印刷体和手写字符识别、语音识别、签字识别、指纹识别、人体病理分析、目标检测与识别、图像压缩和图像复制等。

2、控制和优化。化工过程控制、机器人运动控制、家电控制、半导体生产中掺杂控制、石油精炼优化控制和超大规模集成电路布线设计等。

3、预报和智能信息管理。股票市场预测、地震预报、有价证券管理、借贷风险分析、IC卡管理和交通管理。

4、通信。自适应均衡、回波抵消、路由选择和ATM网络中的呼叫接纳识别和控制。

5、空间科学。空间交汇对接控制、导航信息智能管理、飞行器制导和飞行程序优化管理等。

问题描述

BP神经网络最强大的应用之一就是函数逼近，即从训练样本出发，对未知函数进行非线性逼近。而网络的拓扑结构直接影响网络对函数的逼近能力和效果。因此，在实际应用中，应根据具体问题，选择一个适宜的网络结构。应用BP神经网络进行函数逼近，不仅在纯数学和应用数学领域有意义，而且在工程和物理学领域也非常有用。这种逼近方式已被广泛地应用于系统辨识与建模、信号处理及模式识别等多个方面。对于BP神经网络关于非线性函数逼近问题的仿真及分析，会在第五章的内容中具体描述。

人工神经网络控制系统

人工神经网络〔artificialneuralnetwork，ANN〕是模仿生物神经网络功能的一种经验模型。生物神经元受到传入的刺激，其反响又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的。神经网络是由假设干简单〔通常是自适应的〕元件及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式处理输入的信息。模仿生物神经网络而建立的人工神经网络，对输入信号有功能强大的反响和处理能力。

神经网络是由大量的处理单元〔神经元〕互相连接而成的网络。为了模拟大脑的根本特性，在神经科学研究的根底上，提出了神经网络的模型。但是，实际上神经网络并没有完全反映大脑的功能，只是对生物神经网络进行了某种抽象、简化和模拟。神经网络的信息处理通过神经元的互相作用来实现，知识与信息的存储表现为网络元件互相分布式的物理联系。神经网络的学习和识别取决于各种神经元连接权系数的