神经网络的发展范文

导语：如何才能写好一篇神经网络的发展，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词人工神经网络；发展；应用

中图分类号：TP183 文献标识码：A 文章编号：1671-7597（2014）12-0003-01

随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。

1人工神经网络概述

关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用；人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助；人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决；人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制；人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。

2人工神经网络的发展历程

2.1 萌芽时期

在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。

2.2 低谷时期

在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。

2.3 复兴时期

美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。

2.4 稳步发展时期

随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。

随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。

3人工神经网络的应用

3.1 在信息领域中的应用

人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。

3.2 在医学领域的应用

人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。

3.3 在经济领域中的应用

经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。

3.4 在其他领域的应用

人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。

4总结

随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。

参考文献

[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993（5）：8-12，20.

[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009（10）：59-61.

[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009（5）：44-46.

篇2

一个完整的智能健康监测专家系统简单来说可以分为三个部分[3],即信号采集、信号处理和损伤诊断。其中损伤诊断是健康监测的核心问题,是对结构进行安全性评估和维护决策的基础。目前损伤诊断方法有多种,而人工神经网络(简称ANN)诊断技术在知识获取、并行推理、适应性学习、联想推理、容错能力等方面具有较大的优越性。

1. 神经网络在损伤识别诊断中得应用

神经网络技术之所以适合于结构损伤诊断,主要有三个原因[4],①训练过的神经网络能够存储有关过程的知识,根据对象的正常历史数据训练网络,然后将此信息与当前测量数据进行比较,以确定损伤。②神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力。③神经网络具有分辨损伤原因及损伤类型的能力。

损伤诊断可分为无模型识别法(Free-Model)和有模型识别法(Model-Based)两大类[5]。

无模型识别是指损伤识别过程中不需要建立结构的数学与力学模型,完全基于结构现场实时检测数据并考虑专家经验建立结构状态知识库,然后采用人工神经网络诊断技术进行诊断。因为结构在不同状态下其本身的某些往往会发生变化,这些变化包含了结构损伤位置和损伤程度的信息,根据结构特性变化分析就可以反演结构是否存在损伤以及损坏位置和损伤程度。这是一个反分析过程,需要建立结构关键性能指标变化与结构状态的非线性关系。人工神经网络通过对实测数据加专家经验建立的知识信息进行学习,通过权值记下所学过的样本知识并掌握输入、输出之间复杂的非线性关系。在诊断过程中,根据实测关键性能指标的变化与储存在已建知识库的各种状态的损伤识别量进行模式匹配来进行结构的损伤检测与诊断。建立在实测数据基础上的专家数据知识库,其知识信息具有真实性、连续性、准确性,可以不断更新。

基于模型的损伤诊断技术是在结构健康诊断过程中,通过建立精细的能够反映结构的真实形态的结构数学与力学模型,分析计算结构在各种状态下的参数指标,辅助实测数据以及考虑专家经验建立结构状态知识信息库,利用人工神经网络的模式识别功能进行结构损伤状态的诊断。所谓精细的模型是指理论分析的数据应该和实测数据吻合得较好,两者偏差要在允许范围内,这与设计分析所需建立的计算模型相比要求更加严格,如果用于损伤识别的模型存在较大的模型误差,会使计算的参数产生与损伤引起的参数改变相当,甚至更大的偏差,就可能使基于这些参数改变的损伤检测方法识别结果较差,甚至失效。

通常采用有限元法建立结构力学模型作为损伤诊断的基准参考。进行精细有效的有限元动力分析,一种方法是利用商业化软件如ANSYS、ABAQUS和ADINA等。但这些程序对于一些结构有特殊要求的分析就无能为力,例如混凝土坝考虑动水压力影响下的动力分析。这就需要利用自编程序来进行分析,但是工作量较大。但已有的有限元模型修正技术仅适用“小误差模型”的修正[6],而较大“误差”的情况则属于非适定的、非线性的问题。人工神经网络强大的非线性映射功能就非常适合解决结构模型修正中非线性问题[7]。建立结构有限元力学模型,选择不同的材料物理参数与边界条件可以计算不同的结构响应,因此结构响应和结构设计变量之间存在复杂的映射函数关系,这种近似映射函数关系用常规方法来确定比较困难。在前苏联数学家Kolmogorov提出的任意连续函数表示定理基础上,Robert HN提出了Kolmogorov多层神经网络映射存在定理,从理论上论证了一个任意的连续函数都能与一个三层神经网络建立映射关系。这为人工神经网络用于结构模型修正提供了理论基础[7]。

2. 基于神经网络损伤诊断的两级识别策略

采用人工神经网络方法对结构损伤的发生、定位和损伤类型与程度进行研究,可以采用基于网络判别指标过滤方法的两级识别策略[8]。

2.1 自适应神经网络方法检测结构损伤

自适应神经网络方法(Auto-associate Neural Network)利用健康结构在正常情况下的序列测量数据作为训练人工神经网络的输入和输出数据X,Y,依次构造一个自相关的神经网络Net=T(XY)。训练完成后,将输入数据X再次输入已训练的神经网络Net以便得到一组网络输出数据,比较测量数据Y和网络输出数据的差值向量,采用某种距离测度函数加以测量形成健康结构的判别指标。判别指标可以采用结构某个动力特性参数加以构造,也可将多个动力特性参数同时考虑加以构造。具体结构中最终如何构造判别指标,需要根据结构特点进行判别指标对结构损伤的敏感度的分析加以确定。

当同一个结构可能发生损伤以后的测量数据被作为输入数据通过已经训练的神经网络Net,由本次输入数据和输出数据可以计算得到的新的判别指标,与健康结构的判别指标相比较,就可以预告结构是否发生损伤。如果两者差值(可以称为损伤指标)较大,就认为结构已经发生损伤。

2.2 概率神经网络方法检测结构损伤的位置和类型

结构损伤指标的判定通常只能检测损伤的发生,难以确定损伤的位置和损伤的类型。概率神经网络(Probabilistic Neural Network,简称PNN)可以用于判定损伤的位置和类型。

PNN[9-11]是通过具有无参数估计量的已知数据集的概率密度函数来实现贝叶斯决策,将其加在人工神经网络框架中,接着进行判别未知数据最大可能属于哪个已知数集,对于具有,,…,,…,的多类指标问题来说,基于p维试验向量X的贝叶斯决策d(X)为: (1)

式中――分类指标的先验概率

――与错误分类的相关损失,在损伤检测问题中两者通常假定相等

――概率密度函数

采用多变量高斯(Gauss)分布函数:

(2)

将该贝叶斯决策映射为一个人工神经网络构成一个概率神经网络,该网络分为四层,即输入层、模式层、求和层和决策层,如图1所示。

输入向量X的每个元素作为输入层的输入参数。由权重向量和向量X的点积构成中间层的神经元,而相对于分类号q的决策层神经元输出为:

(3)

式中 ――高斯核的标准差

传统PNN对所有高斯核都采用统一的值。影响传统PNN广泛应用的最大障碍就是所有的参数具有同一个参数值。对于自适应PNN,每一测量维数具有不同的参数。

假定具有不同损伤部位(即损伤模式)和不同刚度损伤程度(如0%,20%,75%和90%)的有限元分析得到的模态数据作为输入数据输入PNN进行训练,数据可以加入或者不加入环境“污染”分量。损伤位置或类型假定有多种。如果结构损伤标识量选用自振频率变化率,输入向量X为P个自振频率变化率,将带有某种类型损伤(或混合模式损伤)的实测模态数据输入训练好的PNN,则得到决策层(输出层)各个损伤形态在试验向量点对应的概率密度函数PDF的估计值,具有最大PDF的损伤模式将给出损伤的位置或者类型。

这种损伤诊断方法最大优势在于可以降低测量误差对损伤识别结果的影响。因为损伤识别指标对模态参数变化率敏感,对于具有相同环境“污染”程度的前后两次数据,其“污染”造成的误差可以抵消,从而对损伤识别精度的影响较小。从本质上说,如果网络训练阶段并不需要数学模型分析而直接采用健康结果的实测数据,则神经网络算法并不需要数学模型,这也是该算法的一个优点。

研究表明[12, 13],在损伤诊断过程中,模型误差对损伤识别结果的影响要比测量误差小,而且随着损伤程度的增加而变化不大。用误差≯10%的模型来训练人工神经网络,是完全可以接受的。神经网络对损伤的识别结果受测量误差影响较大,但随损伤程度的增加而降低。改善测量误差,降低其对识别结果的影响极其重要。

3. 基于WPNN与数据融合的损伤检测方法

近年来。不断发展起来的多传感器数据融合(或称信息融合)技术以其强大的时空覆盖能力和对多源不确定性信息的综合处理能力,可以有效进行结构系统的监测和诊断。虽然目前基于动力响应的各种智能损伤诊断技术得到研究,但这些技术存在着识别精度不高或适用条件等缺陷。目前迅速发展的数据融合技术具有充分利用各个数据源包含的冗余和互补信息的优点,可以提高系统决策的准确性和鲁棒性。姜绍飞等[14]提出的基于小波概率神经网络(wavelet probabilistic neural network WPNN)和数据融合的结构损伤检测方法将两者有机结合,推动了神经网络技术在土木结构健康检测中应用的发展。

3.1 数据融合

数据融合是多源信息综合处理的一项新技术,是将来自某一目标(结构)的多源信息加以智能化合成,得到比单一传感器更精确、更完全的估计,其有点突出表现在信息的冗余性、容错性、互补性、实时性和低成本性。神经网络是由大量单元组成的非线性大规模自适应动力系统,具有学习、容错、记忆、计算以及智能处理,二者在结构上存在着相似性,可以充分利用神经网络的结构优势,考虑传感器或者信息处理单元之间的互相影响、互相制约的关系,体现了信息融合系统是一个有机的整体,而不是多种信息的罗列和简单的代数加减关系。根据信息(数据)表征的级次,数据融合可以分为数据级融合、特征级融合和决策级融合。

3.2 小波变化及小波概率神经网络

设函数,如果满足,则称为基本小波或母小波。将母小波函数伸缩和平移,得到的函数称为小波函数,简称小波。

设信号,则其小波变换定义为

基于小波变化的神经网络称为小波神经网络,它是小波分析与神经网络的融合(结合)二者的结合有两种途径:其一,将小波分析作为神经网络的前置处理手段,为神经网络提供输入特征向量,也称松散型小波神经网络、其二,将小波分析与神经网络直接融合,即以小波函数和尺度函数来形成神经元,也称紧凑型小波神经网络。小波神经网络继承了小波分析与神经网络的优点,通过训练自适应地调整小波基的形状实现小波变换,具有良好的函数逼近能力和模式分类能力。

3.3 基于WPNN与数据融合的损伤检测方法

为了充分发挥数据融合与WPNN的优点,提出了基于WPNN与数据融合的损伤模型(见图2),它首先将来自传感器1的结构响应进行数据预处理、特征提取,采用小波理论,获得该传感器的小波能量特征向量;依次类推,获得其他传感器的小波能量特征向量;然后将这些小波能量特征向量放入WPNN中,进行神经网络训练及融合计算;最后根据最大的概率密度函数值得到融合损伤识别结果及损伤类型。

为了验证该方法的有效性,姜绍飞运用美国土木工程学会提出的一个4层钢结构框架模型进行验证[14]。通过验证可见,基于WPNN与数据融合的损伤检测方法的识别效果比用单传感器进行损伤识别分类的效果好,它对损伤最敏感,受噪声的干扰影响最小;另一方面也说明,数据融合能够使不同传感器的信息相互补充,从而减小了损伤检测数据(信息)的不确定性,使结构的信息具有更高的精度和可靠性,进而能够获得更准确的损伤识别结果及最优的结构状态估计。

4. 用于损伤诊断的神经网络输入参数选择

采用什么参数作为神经网络的输入向量是利用人工神经网络进行结构损伤诊断中需要考虑的极其关键的一个问题。神经网络输入参数的选择及其表达形式直接影响损伤诊断的结果。采用结构动力参数作为结构损伤识别的方法现在得到大量的应用。其原因一方面是结构动力参数是结构本身固有特性,受外界环境干扰较小。另一方面结构自振频率和振动模态等动力参数比较容易从少量的动态测量中得到,而且测量方法比较简单。基于结构动力特性的损伤诊断方法,其基本思想是结构的物理参数如刚度、质量和阻尼比等在结构不同状态中的变化会改变结构动力特性――固有频率和模态。因此可以根据结构的固有频率、模态振型或者两者一起考虑等方法进行检测,另外还可以利用这些模态参数计算模态曲率、应变模态、结构柔度、模态阻尼比等力学指标,然后采用神经网络算法等对结构的损伤发生、损伤定位、损伤程度进行检测。对于简单的构件来说,采用结构固有振动频率作为网络输入参数就可以得到良好的诊断结果[15-17]。固有频率可以在结构的一个点上测到,并且与测点位置相对独立,是一个能反映结构整体的动力特性。但对于一般结构,固有频率包含的结构损伤信息还不足以进行识别与定位,例如对称结构,两个对称位置的损伤所引起的固有频率变化是完全相同的。因此有人建议采用固有频率和关键点的振型模态作为组合参数进行神经网络损伤诊断比较实用[18, 19],这可以解决对称结构和测量模态数据不完备问题。

对于结构损伤诊断来说,固有频率和振动模态是检测的全局量,可以用来对结构整体状态进行描述。但对于复杂结构,像大跨径桥梁,其赘余度大,造成结构局部损伤对整体性能反映影响不大,也就是说全局参数指标对局部损伤不敏感。例如结构局部损伤导致的固有频率变化很小,估计

采用全局量可以判断结构是否损伤,而用于结构损伤定位的物理参数需要选择局域量,且需满足四个基本条件[22],①对局部损伤敏感,且为结构损伤的单调函数。②具有明确的位置坐标。③在损伤位置,损伤标识量应出现明显的峰值变化。④在非损伤位置,损伤标识量或者不发生变化,或者变化幅度小于预定的阈值。

陆秋海[23]比较了六种不同输入参数对于结构损伤的敏感程度。得到的结论是,六种输入参数对结构损伤的敏感程度从低到高依次为:位移模态指标、固有振动频率指标、位移频响函数指标、曲率、应变模态指标以及应变频响函数指标。相比较来看,应变模态指标是较好的结构动力损伤诊断的损伤识别标识量,而且有对结构局部损伤敏感的优点,可以用作大型土木结构局部损伤定位的人工神经网络诊断输入参数。

5. 用于损伤诊断的神经网络选择

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。

人工神经网络发展几十年来,形成了数十种网络,包括多层感知器,BP网络、Hopfield网络、RBF网络、自适应共振理论和概率神经网络等等。这些网络由于结构不同,应用范围业有所不同,但这些神经网络模型原则上讲都可用来进行结构损伤诊断,只是存在简单与复杂、稳定与不稳定、诊断效果高低与诊断结果好坏的差别。前面介绍的大型结构基于神经网络的两级损伤识别策略是采用以自适应共振理论为基础的自组织神经网络和概率神经网络。

建立大型土木结构的智能健康监测专家系统,首先要建立损伤诊断的子系统。采用人工神经网络进行记诶构损伤诊断,首先要根据各种神经网络的特点和适用范围,选择解决自己问题的合适模型,然后采用某种程序语言进行编制。若采用商业化软件建立损伤诊断子系统,则不能很好地与信号采集系统及专家知识库进行有效链接,从而妨碍实施在线检测与连续诊断。Matla现已成为国际上公认的最优秀的数值计算和仿真软件,其强大的扩展功能为各个领域的应用提供了基础,由各个领域的专家在Matlab平台上推出了30多个应用的工具箱。神经网络工具箱是Matlab环境下所开发的许多工具箱之一,它是以人工神经网络理论为基础,用Matlab语言构造出各种神经网络算法。因此建立人工神经网络进行损伤诊断时,利用Matlab语言可以减少工作量,提高效率。

参考文献:

[1] 李宏男,李东升. 土木工程结构安全性评估、健康监测及诊断述评[J]. 地震工程与工程振动. 2002(3): 82.

[2] 谢强,薛松涛. 土木工程结构健康监测的研究状况与进展[R]. , 2001.

[3] 周智,欧进萍. 土木工程智能健康监测与诊断系统[J]. 传感器技术. 2001, 20(11): 1-4.

[4] 姜绍飞,周广师,刘红兢,刘明. 考虑不确定性因素的结构损伤检测方法[J]. 沈阳建筑工程学院学报(自然科学版). 2002(2): 85-87.

[5] 陈,罗跃刚等. 结构损伤检测与智能诊断[M]. 北京: 科学出版社, 2001.

[6] 张德文,魏阜旋. 模型修正与破损诊断[M]. 北京: 科学出版社, 1999.

[7] 段雪平, 朱宏平, 熊世树. 神经网络在建筑物有限元模型修正中的应用[J]. 噪声与振动控制. 2000(2): 11.

[8] 姜绍飞. 基于神经网络的结构优化与损伤识别[M]. 北京: 科学出版社, 2002.

[9] 王柏生,倪一清,高赞明. 用概率神经网络进行解雇损伤位置识别[J]. 振动工程学报. 2001, 14(1): 60-64.

[10] 姜绍飞,倪一清,高赞明. 基于概率神经网络的青马悬索桥定位的仿真研究[J]. 工程力学. 2001: 965-969.

[11] 杜德润. 地震作用下大体积混凝土结构损伤识别研究[D]. 南京: 东南大学, 2002.

[12] 王柏生,丁皓江,倪一清,高赞明. 模型参数误差对用神经网络进行结构损伤识别的影响[J]. 土木工程学报. 2000(1): 50-55.

[13] Wang Bai-sheng,ni Yi-qing K J. Influence of measurement errors on structural damage identification using artificial neural networks[J]. Journal of Zhenjiang University. 2000, 1(3): 191-299.

[14] 姜绍飞,付春,陈仲堂, 盛岩. 基于WPNN与数据融合的损伤检测方法[J]. 沈阳建筑大学学报(自然科学版). 2005(2).

[15] 陈建林,郭杏林. 基于神经网络的简支梁损伤检测研究[J]. 烟台大学学报(自然科学与工程版). 2001(3).

[16] 罗跃纲, 陈, 王占国. 钢梁损伤的神经网络诊断分析[J]. 工业建筑. 2002(1).

[17] 罗跃纲, 刘红兢, 王政奎. 钢板结构损伤对其动力特性的影响研究[J]. 沈阳工业大学学报. 2002(3).

[18] 郭国会,易伟建. 基于神经网络的框架结构破损评估[J]. 重庆建筑大学学报. 1999, 21(3): 106-121.

[19] 王柏生,倪一清,高赞明. 框架结构连接损伤识别神经网络输入参数的确定[J]. 振动工程学报. 2000, 13(1): 137-142.

[20] 雷俊卿,钱冬生. 长大跨桥实时监测预警系统研究[J]. 公路. 2002(2): 1-4.

[21] 瞿伟廉,陈伟. 多层及高层框架结构地震损伤诊断的神经网络方法[J]. 地震工程与工程振动. 2002, 22(1): 43-48.

篇3

在上世纪九十年代初期，利用数学知识将感知器模型的弊病全面提出，致使社会各界对于人工神经网络的探究非常少。另一方面，针对逻辑运算的人工神经网络研究存在一定的弊端，一直没有被大家发现，因此，致使人工神经网络探究工程进入严重的低谷期。

关于人工神经网络技术飞速发展时期，九十年代初期，对于人工神经网络技术的弊端予以充分解决，尤其是Hopefield的人工神经网络技术模型的提出，致使对于互联网的稳定性以及收敛性的探究有了充分的理论依据。而且将人工神经网络模型全面应用到具体的实践中，并且得到全面推广，同时，将科学技术和人工神经网络进行有机结合，使人工神经网络技术更加具有可研究性。

2关于人工神经技术的构造以及典型模型

互联网人工神经技术的构造的组成包括以神经元件为主，同时，这项包含多种神经元结构的互联网信息处理技术是可以并行存在的。每一个具体的人工神经元件可以单一输出，还可以和其他的神经元件相结合，并且具有非常多的连接输出方法，每一种连接措施都会有相应的权系数。具体的人工神经网络技术的特点有：（1）针对每一个节点i，都会有相应的状态变量Xi存在；（2）节点j到节点i之间，是相应的权系数Wij存在；（3）在每一个节点i的后面，具体存在相应的阈值θi；（4）在每一个节点i的后面，存在变换函数fi（Xi，Wijθi），但是，通常情况来说，这个函数取fi(∑，WijXi-θi)的情况。

3将人工神经网络技术进行全面使用

互联网的人工神经网络技术具有独特的结构和处理措施，具体包括在：自动控制处理和网络技术模式识别、模型图像处理和相应的传感器信号处理技术。信号处理技术和机器人控制处理技术、地理领域和焊接、在电力系统应用和相关数据挖掘、军事和交通行业、农业和气象行业等多个领域纷纷体现出其卓越的贡献。

ART人工神经网络技术的运用。人工神经网络技术ART在网络语音和网络图像、文字处理和具体识别等方面，得到广泛的应用；同时，在工业处理系统中也有相应的应用，例如，在工业系统中的故障诊断和故障检测以及事故警报等情况的控制；人工神经网络ART技术还应用在数据挖掘方面，在相关数据中挖掘最稳定和最有意义的模式。具体的神经网络技术ART的优势为：网络技术处理能力高、稳定性强以及聚类效果非常好。

4结束语

篇4

【关键词】人工神经网络 路径规划 移动机器人

1 引言

在移动机器人导航技术应用过程中，路径规划是一种必不可少的算法，路径规划要求机器人可以自己判定障碍物，以便自主决定路径，能够避开障碍物，自主路径规划可以自动的要求移动机器人能够安全实现智能化移动的标志，通常而言，机器人选择的路径包括很多个，因此，在路径最短、使用时间最短、消耗的能量最少等预定的准则下，能够选择一条最优化的路径，成为许多计算机学者研究的热点和难点。

2 背景知识

神经网络模拟生物进化思维，具有独特的结构神经元反馈机制，其具有分布式信息存储、自适应学习、并行计算和容错能力较强的特点，以其独特的结构和信息处理方法，在自动化控制、组合优化领域得到了广泛的应用，尤其是大规模网络数据分析和态势预测中，神经网络能够建立一个良好的分类学习模型，并且在学习过程中优化每一层的神经元和神经元连接的每一个节点。1993年，Banta等将神经网络应用于移动机器人路径规划过程中，近年来，得到了广泛的研究和发展，morcaso等人构建利用一个能够实现自组织的神经网络实现机器人导航的功能，并且可以通过传感器训练网络，取得更好的发展，确定系统的最佳路径。神经网络拓扑结构模型可以分为：

2.1 前向网络

网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。

2.2 反馈网络

网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。

3 基于人工神经网络的移动机器人路径规划算法

神经网络解决移动机器人路径规划的思路是：使用神经网络算法能够描述机器人移动环境的各种约束，计算碰撞函数，该算法能够将迭代路径点集作为碰撞能量函数和距离函数的和当做算法需要优化的目标函数，通过求解优化函数，能够确定点集，实现路径最优规划。神经网络算法在移动机器人路径规划过程中的算法如下：

（1）神将网络算法能够初始化神经网络中的所有神经元为零，确定目标点位置的神经元活性值，并且能够神经网络每层的神经元连接将神经元的值传播到出发点；

（2）动态优化神经网络，根据神经网络的目标节点和障碍物的具置信息，在神经网络拓扑结构中的映射中产生神经元的外部输入；

（3）确定目标值附件的神经元活性值，并且使用局部侧的各个神经元之间，连接整个神经网络，并且在各个神经元中进行传播。

（4）利用爬山法搜索当前邻域内活性值最大的神经元，如果邻域内的神经元活性值都不大于当前神经元的活性值，则机器人保持在原处不动；否则下一个位置的神经元为邻域内具有最大活性值的神经元。

（5）如果机器人到达目标点则路径规划过程结束，否则转步骤（2）。

4 基于人工神经网络的移动机器人路径规划技术展望

未来时间内，人工神经在机器人路径规划过程中的应用主要发展方向包括以下几个方面：

4.1 与信息论相融合，确定神经网络的最优化化目标解

在神经网络应用过程中，由于经验值较为难以确定，因此在神经网络的应用过程中，将神经网络看做是一个贝叶斯网络，根据贝叶斯网络含有的信息熵，确定神经网络的目标函数的最优解，以便更好的判断机器人移动的最佳路径。

4.2 与遗传算法想结合，确定全局最优解

将神经网络和遗传算法结合起来，其可以将机器人的移动环境设置为一个二维的环境，障碍物的数目、位置和形状是任意的，路径规划可以由二维工作空间一系列的基本点构成，神经网络决定机器人的运动控制规则，利用相关的神经元的传感器作用获未知环境的情况，将障碍信息和目标点之间的距离作为神经网络的输入信息，使用遗传算法完成神经网络的权值训练，神经网络的输出作为移动机器人的运动作用力，实现一个可以在未知环境中进行的机器人运动路径规划。

4.3 与蚁群算法相结合，降低搜索空间，提高路径规划准确性

为了提高神经网络的搜索准确性和提高效率，可以将蚁群算法与神经网络相互结合，蚁群算法的路径规划方法首先采用栅格法对机器人工作环境进行建模，然后将机器人出发点作为蚁巢位置，路径规划最终目标点作为蚁群食物源，通过蚂蚁间相互协作找到一条避开障碍物的最优机器人移动路径。

5 结语

随着移动机器人技术的发展，路径规划作为最重要的一个组成部分，其得到了许多的应用和发展，其在导航过程中，也引入了许多先进的算法，比如神经网络，更加优化了移动的路径。未来时间内，随着神经网络技术的改进，可以引入遗传算法、信息论、蚁群算法等，将这些算法优势结合，将会是路径规划更加准确和精确。

参考文献

[1]朱大奇,颜明重,滕蓉. 移动机器人路径规划技术综述[J].控制与决策,2010,25(7): 961-967.

[2]刘毅.移动机器人路径规划中的仿真研究[J].计算机仿真,2011,28(6): 227-230.

[3]熊开封,张华.基于改进型 FNN 的移动机器人未知环境路径规划[J].制造业自动化,2013,35(22): 1-4.

[4]柳长安,鄢小虎,刘春阳.基于改进蚁群算法的移动机器人动态路径规划方法[J].电子学报,2011,39(5).

[5]范浩锋,刘俊.基于 BP 神经网络的红外目标识别技术[J].计算机与数字工程,2013,41(4): 559-560.

篇5

关键词：神经网络控制系统；故障诊断；技术分析

现代经济的发展和科技的进步促进了计算机技术的应用和进步，信息技术和网络控制系统为工业生产和科学研究带来巨大便利。现阶段，神经网络控制系统应用趋向于规模化、集中化和专业化，网络控制技术进步的同时，生产应用率提高，超负荷工作下，容易出现系统故障或瘫痪，造成企业经济损失，因而需要积极制定有效策略、运用先进技术和手段对神经网络控制系统故障问题予以集中解决。[1]

1 神经网络控制系统故障诊断技术发展

1.1 智能化

神经网络控制系统出现故障，一般需要专业工程师对系统的故障信号进行检测、搜集和分析，在了解系统故障的发生位置后即可分析研究故障原因。现代网络信息技术和智能技术的广泛应用提高了神经网络控制系统故障的诊断速率。神经网络控制系统在工业生产等领域应用广泛，关于系统故障的诊断技术也不断提高，逐步向智能化和数字化发展。神经网络控制系统在不同行业应用，但是产生的故障原因不同，采用的诊断方法也不同。一般系统在产生故障时会自动发出警报声，可第一时间确定系统的故障位置，这种属于系统故障智能定位。系统控制工作复杂，从应用企业的应用成本考虑，需要使用合理的神经网络控制系统，同时增加对神经网络控制系统故障研究成本的投入。

1.2 灵活性

神经网络控制系统产生故障大多是人工应用不当导致的，因而在故障诊断中由于人的主观意识，导致系统故障诊断过于单一，且人工判别技术有限，具有较大随机性和盲目性，对系统故障位置及成因分析判断的准确度不够，影响神经网络控制系统故障修理。然而采取智能技术对神经网络控制系统故障进行排查和定位具有较强灵活性，可以在假设的基础上建立数学模型，以数据分析的形式对系统故障部分予以诊断。神经网络控制系统研发和应用的复杂度不断提高，不同类型控制系统产生的故障原因也越来越复杂，采用数学建模的方法获取、分析故障系统数据，能够增强神经网络控制系统故障诊断的灵活性和针对性。[2]

2 神经网络控制系统故障诊断技术应用的内容和要点

2.1 数据建模，隔离故障源

神经网络控制系统出现故障后无法正常运行，系统某些功能也无法实现，最终导致系统瘫痪、影响工作。针对这种情况需要充分利用人工智能手段诊断系统故障原因，可以利用软硬件监控系统，在确定故障点后予以隔离，通过数据了解系统产生故障的人工原因和机能原因。技术人员一般需要根据系统工作参数输出，利用数据建模，以数学表示形式将系统故障信息进行验证和输出，作为故障诊断评价的理论依据。对于神经网络控制系统故障原因诊断后还要进行原因分类，检测系统变量是否存在异常，若异常则启动报警装置，以此排除不合理故障原因。神经网络控制系统故障发生需要在判断出原因后根据信息源位置隔离故障部分，对于神经网络控制系统不同的故障原因和故障程度均要进行量化评估，并采取有效措施解决故障问题。

2.2 BP神经网络和遗传算法

神经网络控制系统主要部分是执行器和传感器，执行器和传感器在运行中主要容易出现恒偏差、卡死和恒增益等不同类型的故障。因而在故障诊断中需要利用仿真建模的办法，将仿真人设定为故障类型，并以此获得系统变化信息。在神经网络控制系y故障中一般会应用BP算法，但这种算法单独使用效率不高，可结合遗传算法，利用遗传算法优化BP神经网络的权值阈值，最后在系统故障归一化处理后用作训练数据。遗传算法的主要特点是全局搜索能力强且运行高效、便捷。传统的BP算法在受到遗传算法数据优化后，能够提高神经网络控制系统故障诊断的有效率，诊断数据误差比对后可提高运算速率。[3]

2.3 残差序列和模型解析

神经网络控制系统动态模型建立能够有效提高系统故障诊断与检修准确率，一般是利用滤波器或观测器重构控制系统的参数或状态，并形成残差序列，对于残差序列中所包含的故障信息可以采取必要手段进行信息增强，对模型中的非故障信息需要抑制，正常情况下统计分析残差序列可直接检测出系统故障发生的位置和原因。系统故障正常值与估计值的偏差分析是研究系统故障程度的关键，在参数估计中相对简单实用的是最小二乘法，鲁棒性较强，因而是参数估计的首选方法。系统运行状态可由被控过程状态反映，被控过程状态在重构中形成残差数列，数列中也包含了不同的故障信息，利用模型统计检验出故障，最后用尔曼滤波器进行状态估计。关于模型等价空间的诊断一般使用无阀值的方法，这种方法是在1984年由willsky和Chow提出，主要是对测量信息进行分类，得到一致的冗余数据子集后，估计系统状态，并对不同的冗余数据进行识别，完成模型解析。

3 结束语

神经网络控制系统的应用广泛，属于人工智能研究领域的重要部分，要提高系统运行的安全性和稳定性，就要在系统出现故障后采用科学的诊断方法，以建立数学模型的形式对系统故障数据进行检测和分析。神经网络控制系统的故障诊断技术研究需要不断深入，根据系统不同的故障类型采取针对性的解决办法分析故障原因、定位故障源，并进行隔离排障。[4]

参考文献

[1]徐岩，秦波.LM-BP神经网络的叉车液压系统故障诊断技术研究[J].内蒙古科技与经济，2016（22）：90-91+93.

[2]祁涛，张彦斌，姚人前.神经网络技术在智能BIT故障诊断系统中的应用[J].火力与指挥控制，2016（06）：125-128.

[3]黄志强.基于BP神经网络技术开发港口设备故障诊断专家系统[J].软件导刊，2012（02）：77-79.

[4]樊立萍，石月，高士宏.基于模糊神经网络的感应电机控制系统的故障诊断[J].信息系统工程，2010（01）：26-28.

篇6

关键词：物流行业；预算；神经网络方法；应用

1 物流预测

物流行业在我国是一个新兴产业，最初的发展尤为重要。因此做好物流预测对整个物流行业的发展前景起到至关重要的作用。物流预测可以将不确定事件发生时的被动情况变为主动，当工作人员已经因为预测出到不确定事件发生，那么他们会制定相应的应急方案，那么在不确定事件发生时，工作人员只需要按方案采取行动即可。物流预测也对减小物流企业损失有很大的帮助，同时也是一股促进物流行业发展的巨大推动力。

在物流行业中的预测，也是需要以现实市场传递过来的消息以及环境、距离等具体因素为基础，在通过相关的神经网络技术进行物流预测。但是对于现实中的环境、距离以及收集到的信息都不可能是一成不变的，同时也可能会受到调研人的主观因素影响，进而使得物流预测的基础都存在一定的偏差，最终导致预测结果出现与现实不符的情况也是在所难免的。

在物流行业中，神经网络技术是进行物流预测的主要方法，大部门的物流企业都应用该种技术。这都源于它具有预测精准、操作相对简单等特点。神经网络技术也可以被细分为以下两个方面：第一，对物流方面的信息进行定性分析，根据分析结果进行预测。这种分析方法又可以采取很多其他的技术模式来对物流进行建模，不同的建模方法产生不同的预测效果，各有利弊。对于具体选取哪种建模方式，只能根据具体的物流信息来选择适合的建模方法。虽然这种方法对技术水平以及现实信息的精准度要求较高，但对物流信息进行定性分析的技术方法有利于精准的进行物流建模，进而更准确的进行物流预测，因此在物流行业中定性分析方法的应用较广。第二种方法就是相对应的定量分析，这种方法相较于定性分析法也具有其独特的优势。

随着科学技术的飞速发展，神经网络技术也得到不断的完善，更加能够满足物流预测的各种需求，也更善于解决影响物流预测准确度的各种问题。同时随着物流行业在我国的快速发展，也有越来越多的研究人员在相关领域进行研究和分析，这也成为推动神经网络技术在物流行业内的发展。

2 人工神经网络BP算法

神经网络技术的发展历史悠久，并不是为了满足物流预测需求才产生的，相关研究人员从上世纪初就开始对这方面技术进行研究和分析。对于神经网络技术的发展经过可以根据其发展状态分为以下几个时期：首先，可以将它定义为开始阶段，在这一段时期内神经网络技术还没有完全成型，只是一些学者的理论研究，并没有多少科学依据；其次可以称为神经网络技术发展的低谷。在这段时间内基本很少有人涉猎这一领域，因此它的发展速度缓慢，没有取得任何实质性的突破。再次可以称为是神经网络技术的复兴阶段。在这一个时间段内，很多学者均进行了相关的研究，并在一定程度上取得了突破。最后的阶段是神经网络技术的一个蓬勃发展的阶段，在这段时间里，神经网络技术得到更多的研究人员的重视，同时也获得了相当大的进步和成就。直至目前，神经网络技术依然持续着它强劲的发展势头，在未来必将获得更大的突破。

基于上述情况，作者希望能够更加直观的介绍神经网络技术在物流预测中的应用。因此，在本文中，首先先对BP网络技术进行介绍。这种技术方法就是将神经网络技术应用到物流行业中去。下面通过分析这种技术的算法来进一步的了解它。设p为输入：w为权值；b为域值：a为输出。多层网络中的某一层的输出成为下一层的输入。描述此操作的等式为：

最后一层神经元的输出是网络的输出：a=aM

t是对应的目标输出。算法将调整网络的参数以使均方差最小化：

用来近似计算均方误差：

3 神经网络预测模型建立

物流行业中进行预测一般先会制定预测方案，再从中选择出较为合适的方案。应用神经网络技术预测物流状况一般有以下几种常用的方案：第一种方案是以过去一段时间内的信息作为预测基础，再进行物流预测。当然这些历史信息必须是在规定时间范围内，并且近期内具体环境没有发生较大变化。第二种情况是以物流预测的相关数据为基础进行的预测。这种方案的优势在于更多地考虑了相关变量的细节分析。但是由于目前科学技术的发展环境下，尚对相关变量的研究有限，为了获得更为精确的预测结果，通常情况下会选择第一种方案进行物流预测。

在我国，物流行业得到快速的发展，这是以先进的神经网络技术为依托的良好效果。在本文中，作者通过对湖北省公路货运状况的举例分析来证明了神经网络技术在物流预测方面的重要性，这也间接表明神经网络技术有利于物流行业的整体运转和发展，促进了我国经济建设速度的提高。当然神经网络技术自身仍存在一定的问题，需要在不断地实际运作中进行完善和改进。相信随着科学技术手段的不断提升，神经网络技术的发展前景将会无限的美好，同时也会在物流预测方面取得更好更快的发展。

[参考文献]

篇7

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

关键词： 财务管理；神经网络；决策支持系统；专家系统

Key words: financial management；nerve network；decision support system （DSS）；expert system

中图分类号：F275 文献标识码：A 文章编号：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速发展起来的新型计算机科学。它是一个有着广泛应用背景的十分热门的交叉科学。神经网络是一个具有高度非线性的超大规模连续时间的动力系统。结合神经网络的智能决策支持系统是目前研究的前沿之一，它极具理论和使用价值。

财务管理的信息化、数字化是财务规范和科学管理的趋势。与DSS的结合将更加有利于数据标准的统一，有利于数据采集的模块化，有利于决策支持的科学化，有利于财务公开的透明化。

1 财务管理决策支持系统的研究现状

决策支持系统经过二十多年的发展，形成了如图1所示公认的体系结构。它把模型并入信息系统软件中，依靠管理信息系统和运筹学这两个基础逐步发展起来。它为解决非结构化决策问题提供了相应的有用信息，给各级管理决策人员的工作带来了便利。

从图1可以看出决策支持系统体系结构可划分为三级，即语言系统（LS）级、问题处理系统（PPS）级和知识系统（KS）级。其中问题处理系统级包括推理机系统（RS）、模型库管理系统（MBMS）、知识库管理系统（KBMS）及数据库管理系统（DBMS）。知识系统级包括模型库（MB）、知识库（KB）及数据库（DB）。

九十年代中期，兴起了三个辅助决策技术：数据仓库（DW）、联机分析处理（OLAP）和数据挖掘（DM）。联机分析处理是以客户/服务器的方式完成多维数据分析。数据仓库是根据决策主题的需要汇集大量的数据库，通过综合和分析得到辅助决策的信息。数据挖掘顾名思义，是为了获得有用的数据，在大量的数据库中进行筛选。人工智能技术建立一个智能的DSS人机界面，可进行图、文、声、像、形等多模式交互，人机交互此时变得更为自然和谐，人们能沉浸其中，进行合作式、目标向导式的交互方法。

从目前情况来看，财务决策支持系统的研究还处于初级发展阶段，财务数据的保密性、特殊性决定了财务决策不能全部公开化、透明化，但随着中央及国务院相关部门财务预决算数据的公开，财务决策系统及其支持系统和过程也将随之公开，这就要求决策者充分利用财务知识和决策支持系统的知识“聪明”决策、合理决策、科学决策、规范决策。

2 财务管理神经网络智能决策支持系统总体研究框架

2.1 神经网络运行机制 神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分，来弥补计算机的不足之处，而不是单单用物理的器件去完整地复制。

第一，神经网络中的链接的结构和链接权都可以通过学习而得到，具有十分强大的学习功能；第二，神经网络所记忆的信息是一种分布式的储存方式，大多储存在神经元之间的权中；第三，神经网络部分的或局部的神经元被破坏后，仍可以继续进行其他活动，不影响全局的活动，因此说，神经网络的这种特性被称作容错性；第四，神经网络是由大量简单的神经元组成的，每个神经元虽然结构简单，但是它们组合到一起并行活动时，却能爆发出较快较强的速度来。

我们可以利用神经网络的上述特点，将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。

2.2 财务管理神经网络集成智能财务DSS的必然性 在企业经营管理、政府机构财务活动中，人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程，一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中，各种指标之间的关系很难明确，而且还受评价者的效用标准和主观偏好所左右。因此，很难在指标体系和评价目标间建立起准确的定量或定性模型。因此，我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然，利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势[4]。

2.3 财务管理神经网络集成智能DSS系统框架 神经网络智能决策支持系统主要以知识、数据和模型为主体，结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架[2]。研究中有两个重点，即神经网络推理系统和神经网络数据开采系统。

2.3.1 神经网络数据开采系统 神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务：相关分析、聚类、概念描述、偏差监测、预测。

常用的前馈式神经网络，如BP网络，可用于进行概念描述及预测。对向传播（Counter Propagation，简称CP）神经网路可用来进行统计分析和聚类。

CP网络是美国神经计算专家Robert Hecht-Nielsen提出的一种新型特征映射网络，其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点，又采纳了有教师示教型网络分类精细、准确的好处，使两者有机地结合起来。由竞争层至输出层，网络按基本竞争型网络学习规则得到各输出神经元的实际输出值，并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习，可以将任意输入模式映射为输出模式。

2.3.2 财务管理神经网络推理系统 财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”，等问题。在神经网络系统中，计算与存储时完全合二为一的，即信息的存储体现在神经元互连的分布上，并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程，这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点，系统最终会流向期望的最小点，计算也就在运动过程中悄悄地完成了。因而，可用双向联想记忆（BAM）网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式，且将之分为X和Y两部分。网络通过提供的样本对进行充分的学习后，就可用来进行模式间的联想推理。

3 财务管理神经网络智能DSS研究展望

当前世界上最热门的研究课题，是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术，但由于自身的局限性，它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好，但真遇到解决复杂的问题的时候，它就显得力不从心了，所以，这个时候我们可以将两种技术结合起来解决，除了它们要自身不断发展和完善外，还要注重两者的协调配合，神经网络DSS未来的发展趋势就是依靠这两种技术不断结合，从而能帮助我们解决更多的实际问题。

3.1 财务管理神经网络支持专家系统 常见的财务管理神经网络支持专家系统主要包括几个方面：知识维护、知识表示、知识获取、推理等，我们针对各个步骤展开讨论。

3.1.1 知识维护。如果知识是通过人工神经网络来获取的，我们就可以同样利用人工神经网络，来让维护工作变得更加方便快捷，维护可以通过人工神经网络来自动完成，我们需要做的只是重新运行网络模块，或者重新训练网络模块，又或是增加新的网络模块。

3.1.2 推理。一般的专家系统只是求解专门性问题，应用的领域非常狭窄，同时由于控制策略不灵活，推理方法简单，容易出现一些这样或那样的问题，推理效率低、速度慢。人工神经网络可以解决这一问题，从根本上提升工作效率，提高工作速度，它可以拓展知识空间，不只局限在狭窄的领域。

3.1.3 知识表示。很多专家知识事实上很难用规则表示出来，但在现实工作中，我们大部分财务管理专家却都采取这种方式，无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题，我们可以采用人工神经网络系统来将知识提供给专家系统，这样做就可以避免这一问题，当专家系统需要相应知识时，就不需要用规则来表示知识，直接调用人工神经网络就可以了。

3.1.4 知识获取。人工神经网络可以帮专家系统来获取知识，知识获取是通过人机对话的形式进行的。首先，专家系统向专家提出问题，人工神经网路则负责对这些信息进行收集、处理，在人工神经网络的联结权值中已经具有通用的知识，所以这一步骤会很方便，之后再产生相应的数据结果。接着，专家系统在对这些数据进行进一步的分析。在这一过程中，专家系统只运用很少的规则就可以获得相关的知识，大大提高了工作效率。

3.2 财务管理专家系统支持神经网络 财务管理专家主要通过三种方式来对神经网络提供必要的支持：第一，提供相应的必要的解释；第二，进行预处理；第三，联合应用。

3.2.1 解释。作为专家系统的人工神经网络，它做不到同其他专家系统那样，具体详细地跟踪问题求解的过程，以获得答案的原因，它只能依靠增加一个小型的专家来解决这一问题，以获得答案的原因，这个专家系统可以反向推理，从结果到初始输入，系统提供具体的解决方法。

在这种模式中，经过训练的人工神经网络来解决问题。当用户要求解释的时候，就可以通过网络输入一个并行的专家系统。

3.2.2 预处理。对于人工神经网络来说，处理数据这项工作比较难。专家系统可以帮助人工神经做好这些工作：选择合适的收敛算法，确定训练神经网络的样本的数量，选择合适的神经网络。收集正确数据的工作，对于人工神经网络来说至关重要，事先对它们进行预处理，可以确保各项工作顺利的完成。

3.2.3 联合应用。将一个复问题分解为几个子问题，如下图3所示，再将各个子问题来逐个解决，这就是我们所常说说的联合应用方法。它可以直接采用人工神经网络、专家系统以及其种可能的方法来解决问题，指导实际应用。

我们当前计算机所要解决的主要问题，是如何解决半结构化和非结构化的决策等问题，它是人们在日常生活中所经常遇到的，在财务活动中会大量存在。如何更科学、更合理地处理这些问题是我们当前工作的主要方向。运用人工神经网络技术处理半结构化和非结构化的决策是一种智能化的求解方式。但是此种方式并不是完美无缺的，它还存在着一定程度上的缺点，我们只有改善这种技术上的不成熟，将智能化研究进行到底，才能让神经网络决策支持系统的研究出现新的进展。

参考文献：

[1]陈文伟.智能决策技术.电子工业出版社，1998年.

[2]钟义信.智能理论与技术——人工智能与神经网络.人民邮电出版社，1992年.

篇8

【关键词】物流；神经网络

【中图分类号】 U652.1+2【文献标识码】A【文章编号】1672-5158（2013）07-0173-02

1 物流预测及其现有的解决方法

由于我国地域广泛，物流路途较远。因此在我国社会状态下的物流在货物运送过程中出现一些不确定情况是非常常见的。这也就说明对于物流行业的预测其实就是对人们不确定的未来的事件进行估计，同时将产生这些不确定时间的几率尽可能的降到最低。同时我们也可以看出，预测的存在价值就在于未来的变化，如果在物流过程中是不存在不确定事件的，那么物流预测就没必要进行。基于这种情况，可以说对物流进行预测就是对未来事件进行一定程度上的把握。首先预测物流需要了解为什么会产生不确定事件；其次是明确不确定事件发展的方向和趋势；最后是分析不确定事件发生后的现实情况，以此为基础对未来事态的发展进行估计，尽可能的在最短时间内找出解决问题的根本。

物流行业在我国是一个新兴产业，最初的发展尤为重要。因此做好物流预测对整个物流行业的发展前景起到至关重要的作用。物流预测可以将不确定事件发生时的被动情况变为主动，当工作人员已经因为预测出到不确定事件发生，那么他们会制定相应的应急方案，那么在不确定事件发生时，工作人员只需要按方案采取行动即可。物流预测也对减小物流企业损失有很大的帮助，同时也是一股促进物流行业发展的巨大推动力。

在物流行业中的预测，也是需要以现实市场传递过来的消息以及环境、距离等具体因素为基础，在通过相关的神经网络技术进行物流预测。但是对于现实中的环境、距离以及收集到的信息都不可能是一成不变的，同时也可能会受到调研人的主观因素影响，进而使得物流预测的基础都存在一定的偏差，最终导致预测结果出现与现实不符的情况也是在所难免的。

2 人工神经网络BP算法

神经网络技术的发展历史悠久，并不是为了满足物流预测需求才产生的，相关研究人员从上世纪初就开始对这方面技术进行研究和分析。对于神经网络技术的发展经过可以根据其发展状态分为以下几个时期：首先，可以将它定义为开始阶段，在这一段时期内神经网络技术还没有完全成型，只是一些学者的理论研究，并没有多少科学依据；其次可以称为神经网络技术发展的低谷。在这段时间内基本很少有人涉猎这一领域，因此它的发展速度缓慢，没有取得任何实质性的突破。再次可以称为是神经网络技术的复兴阶段。在这一个时间段内，很多学者均进行了相关的研究，并在一定程度上取得了突破。最后的阶段是神经网络技术的一个蓬勃发展的阶段，在这段时间里，神经网络技术得到更多的研究人员的重视，同时也获得了相当大的进步和成就。直至目前，神经网络技术依然持续着它强劲的发展势头，在未来必将获得更大的突破。

基于上述情况，作者希望能够更加直观的介绍神经网络技术在物流预测中的应用。因此，在本文中，首先先对BP网络技术进行介绍。这种技术方法就是将神经网络技术应用到物流行业中去。下面通过分析这种技术的算法来进一步的了解它。

设p为输入：w为权值；b为域值：a为输出。

多层网络中的某一层的输出成为下一层的输入。描述此操作的等式为：

3 神经网络预测模型建立及应用

物流行业中进行预测一般先会制定预测方案，再从中选择出较为合适的方案。应用神经网络技术预测物流状况一般有以下几种常用的方案：第一种方案是以过去一段时间内的信息作为预测基础，再进行物流预测。当然这些历史信息必须是在规定时间范围内，并且近期内具体环境没有发生较大变化。第二种情况是以物流预测的相关数据为基础进行的预测。这种方案的优势在于更多地考虑了相关变量的细节分析。但是由于目前科学技术的发展环境下，尚对相关变量的研究有限，为了获得更为精确的预测结果，通常情况下会选择第一种方案进行物流预测。

在本文中，以湖北省在1990年到1998年这段时间内的公路输出量作为历史信息，采用上面介绍的方法进行神经网络技术在物流预测方面的应用分析，进而预测出未来两年内的湖北省公路货物输出状况。

通常情况下，该种方法是以七个相邻的点作为一组历史信息，在本文中，我们以其中的前六个点作为历史数据来估计第七个的数值。

经实验调整这里学习步长=0.04；权及域值的初始域（-0.05，0.05）。隐层采用s形结构，输出层采用线性结构，得到训练曲线：

4 小结

在我国，物流行业得到快速的发展，这是以先进的神经网络技术为依托的良好效果。在本文中，作者通过对湖北省公路货运状况的举例分析来证明了神经网络技术在物流预测方面的重要性，这也间接表明神经网络技术有利于物流行业的整体运转和发展，促进了我国经济建设速度的提高。当然神经网络技术自身仍存在一定的问题，需要在不断地实际运作中进行完善和改进。相信随着科学技术手段的不断提升，神经网络技术的发展前景将会无限的美好，同时也会在物流预测方面取得更好更快的发展。

参考文献

[1] 陈焰，刘兆峰.神经网络在企业流动资金需求量预测中的应用[J].武汉理工大学学报（社会科学版），2002年03期

篇9

关键词：人工神经网络；产生；原理；特点；应用

Application of man-made neural network and medical Image to analyses

Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate， Signal processing et. in order to let the medical students and workers understand the neural network， especially understand the man-made neural network which applies to the medical image to analyses， the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions， mainly about the physical concept. In simple terms. I hope it can work !

Key words: Man-made neural network; Produce; Principle; Characteristic; Application

人工神经的出现与发展，从而解决了对于那些利用其它信号处理技术无法解决的问题，已成为信号处理的强有力的工具，人工神经网络的应用开辟了新的领域。二十世纪九十年代初，神经网络的研究在国际上曾经出现一股热潮，近年来有增无减，已广泛应用在民用、军用、医学生物等各个领域。

1 神经网络与人工神经网络

1.1 神经网络

神经网络就是由多个非常简单的处理单元彼此按某种方式相互连接而成的计算机系统。该系统是靠其状态对外部输入信息的动态响应来处理信息。

1.2 人工神经网络

1.2.1 神经元模型的产生

神经元（神经细胞）是神经系统的基本构造单位，是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个简单处理作用的细胞体，一个连接其它神经元的轴突和一些向外伸出的其它较短分支——树突组成。人的大脑正是拥有约个神经元这个庞大的信息处理体系，来完成极其复杂的分析和推导工作。

人工神经网络（ARTIFICIALNEURALNETWORK，简称(A.N.N.）就是在对人脑组织结构和运动机智的认识理解基础上模拟其结构和智能功能而构成的一种信息处理系统或计算机。二十世纪40年代初期，心理学家Mcculloch、数学家Pitts就提出了人工神经网络的第一数学模型，从此开创了神经科学理论的研究时代。随后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等学者先后又提出了感知模型，使人工神经网络技术有了新的发展。

1.2.2 人工神经网络的工作原理

人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明：为了讨论方便，先规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。因此网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减小下次犯同样错误的可能性。首先，给网络各连接权值赋予（0，1）区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出是完全随机的，“1”和“0”的概率各为50%。这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。如果输出为“0”（结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

1.2.3 人工神经网络的特点

人工神经网络的特点是高速信息处理能力和知识存储容量很大。人工神经网络同现行的计算机所不同的是，它是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超出某一门限值后才能输出一个信号。因此，神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。转贴于 2 人工神经网络的种类

人工神经网络分为误差逆传播神经网络（多层感知网络）、竞争型(KOHONEN)神经网络、前馈神经网络和Hopfield神经网络四种。

3 人工神经网络的应用领域

3.1 民用领域

人工神经网络在民用领域主要用于语言识别，图像识别与理解，计算机视觉，智能机器人故障检测，实时信息翻译，企业管理，市场分析，决策优化，物资调运，自适应控制，专家系统，智能接口，神经生理学，心理学和认知科学研究等。

3.2 军用领域

人工神经网络在军用领域主要用于语音，图像信息的录取与处理，雷达、声纳的多目标识别与跟踪，战场管理与决策支持系统，军用机器人控制，信息的快速录取，分类与查询，导弹的智能引导，保密通讯，航天器的姿态控制等。

3.3 生物医学工程领域

人工神经网络在生物医学工程领域主要是解决用常规方法难以解决和无法解决的问题。在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，Holter系统的心电信号数据的压缩，医学图像的识别和数据压缩处理。即广泛应用和解释许多复杂的生理、病理现象。例如：CT脑切片。人工神经网络从MR图像分割组织和解剖物体，如肿瘤。这种基于二次扫描的方法包括无指导聚类分析，维数减少和通过非线性拓扑映射的纹理特征可视化。采用后处理技术逼近贝叶斯判断边缘，然后用人和神经网络的交互对这些结果进行优化。

3.4 人工神经网络在肺部CT片定量分析中的应用

肺部CT图像定量分析是先通过计算ROI区域的纹理和其它形态学的特征，形成特征矢量，然后交由后续的神经网络去进行分/聚类，从而达到定量分析的目的。现以其中常用的BP网络为例加以说明。由于BP网络存在纹理特征的计算很费时间和很难找到对某一病理区域有特异性的纹理特征等参数的缺陷。Heitmann等直接使用了Kohonen自组织映射网络（SOM）来对弥漫性肺病在HRCT中的典型征象——磨玻璃样影（GGO）进行自动识别。他将一55大小的ROI的CT数值直接作为SOM网络的输入，经网络聚类后，输出结果的真阳性超过95%，但也有太多的非GGO区域被误分成GGO区域，假阳性竟高达150——300%。特别是靠近胸膜和靠近气管与血管处的区域最易被误分类，而这类区域处的对比度比较高。也就是说单个SOM网络无法清楚地区分GGO相对均质的区域和低密度肺组织靠近高密度结构处的强对比区域。鉴于以上情况，Heitmann又设计了一个包括三个简单网络的分层结构。其中：一个简单网络可以检测几乎所有正确的GGO区域以及高对比度处的假GGO区域，而另两个网络（一个针对靠近胸膜处的组织；另一个针对靠近气管和血管处的组织）仅仅被训练成高对比有反应，而真正的GGO区域则无法检出。将这三个网络的输出以一定的逻辑规则（即三个网络的输出都为真，则该区域才是GGO）相连，最终结果比单个网络的结果精确了许多，它去掉了约95%的假阳性区域。虽然一些强对比区域的真的GGO区域也不可避免地被移走，但真阳性仍在可接受的范围内。实践证明：那些被误分类的区域实际上大多是肺内血管、气管、胸壁或纵隔的部分容积效应，以及有心脏主动脉搏动或呼吸位移引起的运动伪影。可以通过解剖结构信息来校正。

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。迄今为止，在人工神经网络研究领域中，有代表性的网络模型已达数十种，而学习算法的类型更难以统计其数量。神经网络研究热潮的兴起是20世纪末人类科学技术发展全面飞跃的一个组成部分。它与多种科学领域的发展密切相关，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、生命起源等科学领域的进程之中历经了崎岖不平之路。在以人为本的21世纪，我们将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，同时人工神经网络在医学领域的应用前景也会更加广阔。

参考文献

[1] 陈旭，庄天戈.肺部放射影像的定量分析[J].中国医疗器械杂志。2001，26（2）：117—118.

篇10

关键词：神经网络；入侵检测；模块

中图分类号：TP393 文献标志码：A 文章编号：1009-3044（2015）13-0171-02

网络给我们带来巨大机会和发展的同时也给我们带来了恶意入侵的危险。就现在的整体情况来看，经常使用的网络安全技术还局限于防火墙等一些静态的安全保护方式，要是没有积极主动的一些安全防护方式相配合，他的安全性能就是有残缺的。开发一种主动防御、及时控制的技术就很有必要。入侵检测技术恰恰就是这样的一种技术。入侵检测在国内有很多文献进行研究，目前入侵检测存在的最大问题是检测中误报率较高。所以我们要提高入侵检测的智能型。神经网络顾名思义模仿人的大脑，具有很好的并行计算，自适应计算，抗干扰和智能判断的特征，可以准确处理失真信号。这些特征能优化现有的入侵检测方法，是发展的必然趋势。

1网络攻击的分类

从攻击的技术手段方面看，网络攻击分为两大类。第一类分析攻击行为，并在数据包的载荷部分把其特征隐藏。有字符串结合而成的，服务于系统的一些常用命令，没有被显示出来。但是一旦点击包含此字符串的对象，入侵行为就被激活。这种利用计算机本身系统结构特点和应用层协议的一些漏洞产生的攻击称为高层网络攻击。第二类攻击称为低层网络攻击。主要攻击发生在网络连接的时间和数据流量上，这类攻击主要是针对TCP/IP协议栈中的基础协议的漏洞进行攻击。

2入侵检测原型总体结构

图1描述了原型的总体结构模型。对主要模块的总体功能进行如下介绍。

1）数据捕获模块，捕获在系统中运行的数据包，预处理模块处理这些数据包。在实现时，将网络接口设成混杂模式，方便数据流通，并同时监听经过设备的数据[1]。

2）数据预处理模块分析网络上获得的信息，对数据包根据协议类型一层一层解析。记录和计算TCP连接信息，半开连接信息，保护网络主机不同端口连接信息和半开连接信息，并对SYN报文和FIN报文的链表状态和链表结点进行维护。IP协议处理函数中进行碎片信息的处理和记录，目的是把基于碎片的拒绝服务攻击提供给神经网络模块。总结信息并把信息转化，进行归一化处理，结合TCP数据报的标志位送入神经网络检测模块，检测攻击的存在。最后把得到的特征用于ICMP协议的扫描或攻击检测。

3）数据预处理模块把得到的特征传给神经网络检测模块，神经网络检测模块负责计算输出层的输出结果，并根据结果判断攻击。神经网络检测模块有三大模块构成。能检测网络漏洞扫描和TCP协议中拒绝服务攻击的TCP神经网络检测模块；能通过检测到拒绝服务攻击和ICMP的IP神经网络检测模块；基于ICMP的主机活性扫描和拒绝服务攻击的检测被神经网络检测模块实现。

4）神经网络训练模块对己知的网络攻击离线训练，以矩阵形式将训练好的神经网络的各层连接权存入磁盘文件中，在系统开始运行时神经网络检测模块读入磁盘中的权值到神经网络结构中。神经网络训练模块也可分为TCP神经网络训练模块、m神经网络训练模块和ICMP神经网络训练模块[1]。

5）响应报警模块报告当前的被检测数据对象是否存在攻击的迹象，判断依据是神经网络的输出。

3基于神经网络入侵检测原型详细设计

详细设计分为数据捕获模块、数据预处理模块、神经网络训练模块、神经网络测试模块、响应报警模块五个模块。

数据捕获模块。网络数据的捕获通过Libpcap编程接口实现。这种接口是网络数据包的标准捕获接口，它效率高、独立性和移植性强。使用具有快速的网络数据包过滤功能的BPF数据包捕获机制。数据捕获过程中通过Libpcap截获网络数据包。

数据预处理模块。数据预处理模块接收网络数据包，这些数据包由数据捕获模块送过来。接收后先处理这些数据包，并将处理的结果转化为向量送入神经网络检测模块检测。数据预处理模块处理的数据包分别针对三种协议：IP、TCP、ICMP。IP协议的预处理主要提取针对基于m碎片的攻击特征；TCP协议的预处理针对基于TCP协议网络扫描并对拒绝服务攻击特征提取。

神经网络训练模块。采用双隐层BP神经网络作为神经网络训练模块的网络结构。离线状态下运行神经网络训练模块。网络攻击和正常网络流通的一些知识，让检测模块在对网络攻击事件进行检查入侵之前学会。提供给神经网络训练模块已知攻击的输入特征向量和与之对应的期望输出向量由系统管理员负责。本原型输入特征向量是预处理模块得到的可描述攻击行为的特征向量；期望输出数据一般为一串二进制0、1串指示了是何种具体的攻击。本原型对基于IP、ICMP、TCP协议的网络扫描和拒绝服务攻击进行检测，相应定义了三种（IP、ICMP、TCP）神经网络[2]。

神经网络检测模块。神经网络检测模块接受的特征向量是由预处理模块送来，这些特征向量做为神经网络的输入向量，是由神经网络的各层计算出结果，然后把结果在输出层输出。输出结果可能显示的是正常的数据流，可能指示某一种网络攻击，也可能是未知的结果即这个结果在神经网络训练时没有定义。针对这种情况，对于前两种情况，系统管理员应记录下这时神经网络的输入向量和输出向量，在神经网络进行训练时，加入这两种情况。对于后一种情况，需要在进行分析。

响应报警模块。响应报警模块对接受神经网络输出向量，根据编码的对应关系，判断攻击行为。发现对应的攻击。就会有相应的消息打印在屏幕上，并会有指示这种攻击的全局变量在系统中设置；若没有找到对应攻击，则不打印消息。理论上讲训练神经网络时，对输出向量的编码是0、1串。但真正的输出不会严格的是0、1串，所以约定，数值大于0.7的按1对待，小于0.3的按0对待。

改进后BP神经网络的训练

4神经网络训练流程

P代表样本总数。

F代表不合格样本数。

M代表正确率，设在1%-100%之间。

E为网络训练后要达到的精度，设为小数。

5神经网络检测

对参数和变量进行初始化；

从记事本文件中读取检测样本、期望值、权值、阈值；

for（n=1；n

{放入矩阵第一行；

{for（n=1；n

根据阈值和权值的到线性输出，放入矩阵第二行；

…

}

if（小于正确率） 不合格样本数++；

}

输出该组数据的检测结果；

end

正确率输出结果越接近l，表明可能受到攻击。

6 结束语

本文调研了常见的网络攻击手段，探讨了入侵检测技术的研究方法、入侵检测的发展方向。根据神经网络的特点，将神经网络与入侵检测结合。设计了一个简化的基于神经网络的网络入侵检测原型。原型通过统计底层网络协议的数据流量信息数据包协议头的信息，将这些信息预处理后送入已训练过的神经网络模块，以此判断当前网络数据流量存在的攻击或扫描行为。此原型提出了具有更高检测率并且能检测变种攻击的模块设计。

参考文献：

[1] 张文修，梁怡.基于包含度的不确定推理[M]. 北京：清华大学出版社，2007.