人工神经网络的特点有哪些
人工神经网络的特点和优越性,主要表现在三个方面:第一,具有自学习功能。
例如实现图像识别时,只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。
预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测,其应用前途是很远大的。第二,具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。第三,具有高速寻找优化解的能力。
寻找一个复杂问题的优化解,往往需要很大的计算量,利用一个针对某问题而设计的反馈型人工神经网络,发挥计算机的高速运算能力,可能很快找到优化解。
人工神经网络突出的优点:(1)可以充分逼近任意复杂的非线性关系;(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元,故有很强的鲁棒性和容错性;(3)采用并行分布处理方法,使得快速进行大量运算成为可能;(4)可学习和自适应不知道或不确定的系统;(5)能够同时处理定量、定性知识。
希望我的回答可以帮到您哦。
谷歌人工智能写作项目:神经网络伪原创
人工神经网络评价法
人工神经元是人工神经网络的基本处理单元,而人工智能的一个重要组成部分又是人工神经网络好文案。人工神经网络是模拟生物神经元系统的数学模型,接受信息主要是通过神经元来进行的。
首先,人工神经元利用连接强度将产生的信号扩大;然后,接收到所有与之相连的神经元输出的加权累积;最后,将神经元与加权总和一一比较,当比阈值大时,则激活人工神经元,信号被输送至与它连接的上一层的神经元,反之则不行。
人工神经网络的一个重要模型就是反向传播模型(Back-PropagationModel)(简称BP模型)。
对于一个拥有n个输入节点、m个输出节点的反向传播网络,可将输入到输出的关系看作n维空间到m维空间的映射。由于网络中含有大量非线性节点,所以可具有高度非线性。
(一)神经网络评价法的步骤利用神经网络对复垦潜力进行评价的目的就是对某个指标的输入产生一个预期的评价结果,在此过程中需要对网络的连接弧权值进行不断的调整。(1)初始化所有连接弧的权值。
为了保证网络不会出现饱和及反常的情况,一般将其设置为较小的随机数。(2)在网络中输入一组训练数据,并对网络的输出值进行计算。
(3)对期望值与输出值之间的偏差进行计算,再从输出层逆向计算到第一隐含层,调整各条弧的权值,使其往减少该偏差的方向发展。
(4)重复以上几个步骤,对训练集中的各组训练数据反复计算,直至二者的偏差达到能够被认可的程度为止。(二)人工神经网络模型的建立(1)确定输入层个数。
根据评价对象的实际情况,输入层的个数就是所选择的评价指标数。(2)确定隐含层数。
通常最为理想的神经网络只具有一个隐含层,输入的信号能够被隐含节点分离,然后组合成新的向量,其运算快速,可让复杂的事物简单化,减少不必要的麻烦。(3)确定隐含层节点数。
按照经验公式:灾害损毁土地复垦式中:j——隐含层的个数;n——输入层的个数;m——输出层的个数。人工神经网络模型结构如图5-2。
图5-2人工神经网络结构图(据周丽晖,2004)(三)人工神经网络的计算输入被评价对象的指标信息(X1,X2,X3,…,Xn),计算实际输出值Yj。
灾害损毁土地复垦比较已知输出与计算输出,修改K层节点的权值和阈值。灾害损毁土地复垦式中:wij——K-1层结点j的连接权值和阈值;η——系数(0<η<1);Xi——结点i的输出。
输出结果:Cj=yj(1-yj)(dj-yj)(5-21)式中:yj——结点j的实际输出值;dj——结点j的期望输出值。
因为无法对隐含结点的输出进行比较,可推算出:灾害损毁土地复垦式中:Xj——结点j的实际输出值。
它是一个轮番代替的过程,每次的迭代都将W值调整,这样经过反复更替,直到计算输出值与期望输出值的偏差在允许值范围内才能停止。
利用人工神经网络法对复垦潜力进行评价,实际上就是将土地复垦影响评价因子与复垦潜力之间的映射关系建立起来。
只要选择的网络结构合适,利用人工神经网络函数的逼近性,就能无限接近上述映射关系,所以采用人工神经网络法进行灾毁土地复垦潜力评价是适宜的。
(四)人工神经网络方法的优缺点人工神经网络方法与其他方法相比具有如下优点:(1)它是利用最优训练原则进行重复计算,不停地调试神经网络结构,直至得到一个相对稳定的结果。
所以,采取此方法进行复