广义同余神经网络的性能分析与改进

《广义同余神经网络的性能分析与改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西南交通大学硕士研究生学位论文第3页1．3神经网络研究的特性及应用1．3．1神经网络的特性人工神经网络具有如下的特性。1．并行分布处理神经网络具有高度的并行结构和并行实现能力，因而能够有较好的耐故障能力和较快总体处理能力。特别适合用于实时控制和动态控制。2．非线性映射神经网络具有固有的非线性特性，这源于其近似任意非线性映(变换)能力。这一特性给非线性控制问题带来新的希望。3．通过训练进行学习神经网络是通过研究系统过去的数据记录进行训练的。一个经过适当训练的神经网络具有归纳全部数据的能力。因此，神经网络能够解决那些由数学模

2、型或描述规则难以处理的控制过程问题。4．适应与集成’神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络的强适应和信息熔合能力使得网络过程可以同时输入大量不同的控制信号，解决输入信息间的互补和冗余问题，并实现信息集成和融合处理。这些特性特别适于复杂、大规模和多变量系统的控制。5．硬件实现神经网络不仅能够通过软件而且可借助软件实现并行处理。近年来，一些超大规模集成电路实现硬件已经问世，而且可从市场上购到。这使得神经网络具有快速和大规模处理能力的实现网络。显然，神经网络具有很多现代计算机不具备的优势。因此，神经网络

3、可以在模式识别、组合优化和决策判断等很多方面取得传统计算机所难以达到的效果，给科学和工程领域都带来巨大作用与效益。1．3．2神经网络的应用领域近段时期以来，神经网络理论的应用取得了令人瞩目的进展，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、西南交通大学硕士研究生学位论文第4页a心／CAM等方面都有重大的应用实力。下面列出一些主要的应用领域。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>人脸识别>人体病理分析>目标检测与识别>图像压缩和图像复原等2．控制和优化>化工过程

4、控制>机器人运动控制>家电控制>半导体产生中掺杂控制>石油精炼优化控制>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>借赁风险分析>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>ATM网路中的呼叫接纳识别及控制等。5．空间科学>空间交会对接控制>导航信息管理智能管理>飞行器制导和飞行程序优化管理等。西南交通大学硕士研究生学位论文第5页神经网络与专家系统相结合已成为重要的发展趋势，这两者的结合能更好地发挥出各自的专长。1990年4月IBM公司推出AS400工作站

5、，其中就提供了一个自由的神经网络仿真开发环境。1991年5月SGI公司宣布今后它的所有机器都提供AccurateAutomation软件开发环境，目前该公司已利用这一环境进行航天飞机控制臂的神经网络控制设计，1992年上半年进行实际飞行试验。此外，新的软件包、加速板、新的芯片和新方法不断深入研究，是ANN应用在速度和存储能力方面得到改进。目前各国发展的重点是以应用为导向，以发展更高性能的混合计算机为目标。这些计划是以长远发展目标与近期效果相结合的，充分考虑了与当前发展技术水平相适应。1．4国内外研究现状分析90年代后，神

6、经网络理论及其应用得到了更加蓬勃的发展。这里对神经网络的发展产生了很大的影响是90年代初诺贝尔奖获得者GMEdelman[4】提出了Darwinism模型，建立了神经网络系统理论。1993年，M．Aihara等人在前人推导和实验的基础上给出了一个混沌神经元模型用于联想记忆，它已成为一种经典的混沌神经网络模型。1994年，P．J．Angeline等人在前人进化理论的基础上，提出一种进化算法来建立反馈神经网络，并成功地应用到模式识别和自动控制等方面。同期，相继出现了不同激励函数的神经网络，诸如径向基函数(RB玛网络、B样条函

7、数网络、小波网络等新型神经网络、小脑模型神经网络、函数链接网络、概率神经网络(PNI叼、广义回归神经网络(GRNN)、时间延时神经网络、有限刺激响应(FIR)I网络、管道式递归神经网络(DPRN)、非线性自回归神经网络(DPRN)、实时递归网络(RTRN)、对传网络等，以及大量的网络学习优化方法，如网络剪裁、权值衰减、权值消除、停止学习、前向扰动算法等。1995年，S．Mitra与S．ICPal将神经网络与模糊逻辑理论相结合提出了模糊神经网络，使得神经网络的研究取得了突破性进展：同年，B．K．Jenkins和A．R．Ta

8、ngua产研究光学神经网络，建立了光学二维并行互连与电子学混合的光学神经网络，它能避免网络陷入局部最小西南交通大学硕士研究生学位论文第6页值，并最后可达到或接近最理想的解。90年代初中期，E．Gelenbe等人提出并发展了一种前向型二值随机神经网络模型，它的网络结构、学习算法、状态更新规则与应用等方面都具有自身的特点