神经网络应用现状分析,神经网络应用现状调查

神经网络研究现状

光谱分析因其能够灵敏、高精度、无破坏、快速地检测物质的化学成分和相对含量而广泛应用于分析化学、生物化学与分子生物学、农业、医学等领域。

目前，光谱分析技术日趋成熟，引入光谱分析理论的高光谱遥感技术应用日益广泛，尤其是在农业领域，可以有效地获取农田信息、判断作物长势、估测作物产量、提取病害信息。

光谱分析技术虽然具有很强的物质波谱“透视力”，但在分析 “同谱异物” 和 “异物同谱”等方面需要与现代分析手段相结合，如小波变换、卡尔曼滤波、人工神经网络（Artificial Neural Net－work，ANN）、遗传算法（Genetic Algorithm，GA）等。

在光谱分析领域，ANN多用于物质生化组分的定量分析（陈振宁等，2001；印春生等，2000），在光度分析中也有较多应用，如，于洪梅等（2002）利用ANN分析铬和锆的混合吸收光谱，并结合分光度法对二者进行测定。

ANN在非线性校准与光谱数据处理等方面也有应用（Blank，1993；方利民等；2008）。

而在模式识别中ANN应用最为广泛，如，Eiceman et al.（2006）利用遗传算法（是ANN的一种）对混合小波系数进行分类识别。

目前，自组织特征映射（Self－organizing Feature Maps，SOFM）神经网络在高光谱影像的模式识别方面，国内外还较少有研究与应用，而结合遥感波谱维光谱分析技术的应用研究就更少。

SOFM常用于遥感图像处理方面，如，Moshou et al.（2005）利用SOFM神经网络进行数据融合，使分类误差减小到1％；Doucette et al.（2001）根据SOFM设计的SORM算法，从分类后的高分辨率影像中提取道路；Toivanen et al.（2003）利用SOFM神经网络从多光谱影像中提取边缘，并指出该方法可应用于大数据量影像边缘的提取；Moshou et al.（2006）根据5137个叶片的光谱数据，利用SOFM神经网络识别小麦早期黄锈病，准确率高达99％。

然而，SOFM不需要输入模式期望值（在某些分类问题中，样本的先验类别是很难获取的），其区别于BP（Back Propagation）等其他神经网络模型最重要的特点是能够自动寻找样本的内在规律和本质属性，这大大地拓宽了SOFM在模式识别和分类方面的应用。

基于以上几点，本章从光谱分析的角度对高光谱遥感影像进行分析识别和信息提取，给出了在不同光谱模型下，高光谱数据的不同分解，之后利用SOFM对具有较高光谱重叠度的这些分解进行分类识别，结合光谱分析对采样点进行类别辨识，并通过对小麦条锈病的病情严重度信息提取，提出了高光谱影像波谱维光谱分析的新途径。

谷歌人工智能写作项目：神经网络伪原创

bp神经网络研究现状

BP网络的误差逆传播算法因有中间隐含层和相应的学习规则，使得它具有很强的非线性映射能力，而且网络的中间层数、各层神经元个数及网络的学习系数等参数可以根据实际情况设定，有很大的灵活性，且能够识别含有噪声的样本，经过学习能够把样本隐含的特征和规则分布在神经网络的连接权上写作猫。

总的说来，BP网络的优点主要有：(1)算法推导清楚，学习精度较高；(2)经过训练后的BP网络，运行速度很快，有的可用于实时处理；(3)多层(至少三层)BP网络具有理论上逼近任意非线性连续函数的能力，也就是说，可以使多层前馈神经网络学会任何可学习的东西，而信息处理的大部分问题都能归纳为数学映射，通过选择一定的非线性和连接强度调节规律，BP网络就可解决任何一个信息处理的问题。

目前，在手写字体的识别、语音识别、文本一语言转换、图像识别以及生物医学信号处理方面已有实际的应用。

同时BP算法与其它算法一样，也存在自身的缺陷：(1)由于该算法采用误差导数指导学习过程，在存在较多局部极小点的情况下容易陷入局部极小点，不能保证收敛到全局最小点：(2)存在学习速度与精度之间的矛盾，当学习速度较快时，学习过程容易产生振荡，难以得到精确结果，而当学习速度较慢时，虽然结果的精度较高，但学习周期太长：(3)算法学习收敛速度慢；(4)网络学习记忆具有不稳定性，即当给一个训练好的网络提供新的学习记忆模式时，将使已有的连接权值打乱，导致已记忆的学习模式的信息消失；(5)网络中间层(隐含层)的层数及它的单元数的选取无理论上的指导，而是根据经验确定，因此网络的设计有时不一定是最佳的方案。

人工神经网络的预测发展现状？

这个问题问得好,人工神经网络是将来的一个趋势,但是,这也不是一个近期能够做得完善的一件事情.虹膜显示器，也就是人工神经网络的一个结晶，所谓虹膜就是在人的眼晴的视网膜上显示计算机的数据，从而取代显示器．这是美国现在已经正在开发过程中的一项基于人工神经网络的技术．。

国内外人工神经网络的研究现状

基于人工神经网络的土坝病害诊断知识获取方法摘要：以土坝测压管水位异常诊断为实例，对反向传播(BP)神经网络进行训练，然后通过典型示例经网络计算生成显式的诊断规则，为专家系统诊断推理时直接调用。

该方法是土坝病害诊断知识获取的一种新方法，是对传统知识获取方式的拓展和补充。

关键词：土坝；病害诊断；测压管异常；神经网络；知识获取我国目前已修建各种类型水库8.6万余座（是世界水库最多的国家之一），大中型水闸7.6万座，河道堤防20多万公里。

这些水利工程和设施所发挥的巨大作用和效益大大促进了社会和经济的发展。

然而从另一方面还应看到，在已建的水利工程中尚存许多不安全因素，由于修建当时的经济、技术条件限制以及其它一些因素的影响，使很多工程存在病害或隐患，另外，由于长期受各种自然或人为因素影响，加之年久失修，管理跟不上，老化现象也很严重，很大程度上影响了工程正常运行和效益的发挥，有些工程因此而失事。

仅就土石坝而，历年累积溃坝率就高达3.4%。因此如何准确、及时地诊断出建筑物的隐患和病害，并对建筑物的安全性做出合理科学的评价意义十分重大。是当前水利工程管理中亟待解决的一项重要课题。

水工建筑物的病害诊断是一项非常复杂的工作，需要有丰富经验的专家才能胜任。

解决上述问题的一个好的办法是在做好监测的基础上，把专家经验、人工智能（AI）技术、计算机应用技术以及数值分析计算等有机结合起来，建造专家系统（Expert System简称：ES）。

而专家系统开发中最关键的“瓶颈”问题就是知识获取，它既包括知识的体系结构、内容等难于获取，也包括推理规则中的推理参数（如可信度）难以确定等。

笔者以土坝为研究对象开发了具有学习功能的土坝病害诊断专家系统ESLEDFDS[1,2]，在系统开发中为解决知识获取问题，采取了传统的访谈（Interview）式的知识获取与从病害工程实例中抽取知识（事例学习）相结合的形式。

实践证明该形式效果良好。论文将以土坝测压管水位异常诊断知识的获取为例，介绍一种基于人工神经网络事例学习的土坝病害诊断知识的获取方法。

1 知识源分析及知识获取方法的选择土坝病害诊断的知识源主要有3个：（1）坝工诊断专家。大量的经验性知识存在于专家的大脑中，具有专有性和潜在性等特点。

有时连专家本人也不容易系统地总结、归纳自己的知识，而且不易做出解释。这也就决定了它的难于获取，但它是ES知识的主要来源。（2）相关文献资料。文献资料作为一种信息载体，包含了大量理论和经验知识。

其特点是量大、分散。而且，由于不同的文献来源于不同的著者，对同一问题的看法和分析结果可能有所差异，甚至相悖，所以有助于消除单个专家知识的片面性。

但从大量分散的文献中抽取ES知识库所需的知识和方法，需经反复分析比较。（3）实例。

一般情况下，专家头脑中知识的存储往往是片断的、非系统的，以访谈的形式，让专家叙述自己的知识时，一个个片断很难一下子系统地组织起来。

而一旦真正面对实际问题（实例）坝工诊断专家却能够作很好的分析，说明这种刺激能使专家自觉或不自觉地去组织自己的知识。

所以，同专家一同分析实例，可以了解专家的推理过程及所用知识，同时，经过专家分析的工程实例中蕴涵了专家的经验知识和推理判断，并且大多实例分析结果的正确与否已经得到实际验证。

因此，实例是一种非常重要的知识源，可以通过一些模型、方法对实例进行学习，提炼出蕴涵在实例中的诊断知识。笔者在ESLEDFDS的知识获取中综合利用了以上3种知识源。

通过走访专家、同专家一起分析文献资料，把诊断知识整理成一条条规则，存储于外部知识库中。此外，为补充专家经验知识的不足，还对收集的80余例土坝病害实例，应用人工神经元网络进行了事例学习和新规则生成。

......

我国人工智能的发展现状

经过多年的持续积累，我国在人工智能领域取得重要进展，国际科技论文发表量和发明专利授权量已居世界第二，部分领域核心关键技术实现重要突破。

语音识别、视觉识别技术世界领先，自适应自主学习、直觉感知、综合推理、混合智能和群体智能等初步具备跨越发展的能力，中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶逐步进入实际应用，人工智能创新创业日益活跃，一批龙头骨干企业加速成长，在国际上获得广泛关注和认可。

加速积累的技术能力与海量的数据资源、巨大的应用需求、开放的市场环境有机结合，形成了我国人工智能发展的独特优势。

与此同时，我国人工智能整体发展水平与发达国家相比仍存在差距，缺少重大原创成果，在基础理论、核心算法以及关键设备、高端芯片、重大产品与系统、基础材料、元器件、软件与接口等方面差距较大。

科研机构和企业尚未形成具有国际影响力的生态圈和产业链，缺乏系统的超前研发布局；人工智能尖端人才远远不能满足需求；适应人工智能发展的基础设施、政策法规、标准体系亟待完善。

人工智能领域技术能力全面提升为人机协同奠定基础 随着大数据、云计算、互联网、物联网等信息技术的发展，以深度神经网络为代表的人工智能技术飞速发展，人工智能领域科学与应用的鸿沟正在被突破。

图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术能力快速提升，技术的产业化进程得以开启，人工智能迎来爆发式增长的新高潮。

机器在人工智能技术的应用下，在“视觉”“听觉”“触觉”等人体感官的感知能力不断增强。

例如计算机视觉领域中深受关注的Image Net图像识别挑战赛获奖结果表明，2015年，计算机对于图像的识别能力已经超过人类水平，这意味着计算机能够在多种场景下一定程度上替代人类视觉的工作，更高效地完成任务。

同时得益于深度学习算法能力的提升，语音识别、自然语言处理等人工智能算法的不断革新助推计算机视觉产业持续向前。人工智能技术能力的不断成熟使得机器能够实现越来越人性化的操作。

人工智能技术能力的全面提升为人机系统的能力实现奠定了坚实的基础。