神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

1.1集先進(jìn)性、實(shí)用性和前沿性為一體的教學(xué)內(nèi)容改革對(duì)國(guó)內(nèi)外優(yōu)秀的人工智能教材[2-6]的內(nèi)容進(jìn)行整合，建立人工智能的知識(shí)體系，并提取人工智能課程的知識(shí)要點(diǎn)，確定集先進(jìn)性、實(shí)用性和前沿性為一體的教學(xué)內(nèi)容。人工智能的核心思想是研究人類智能活動(dòng)規(guī)律和模擬人類智能行為的理論、方法和技術(shù)，因此人工智能應(yīng)圍繞“智能”這個(gè)中心。由于智能本身的復(fù)雜性，難以用單一的理論與方法來(lái)描述，因此可以通過(guò)建立人工智能的不同層次來(lái)刻畫(huà)智能這個(gè)主題。人工智能的主要內(nèi)容可按圖1所示劃分為最底層、抽象層、邏輯層和應(yīng)用層這4個(gè)不同層次。在最底層，神經(jīng)網(wǎng)絡(luò)與演化計(jì)算輔助感知以及與物理世界的交互。抽象層反映知識(shí)在智能中的角色和創(chuàng)建，圍繞問(wèn)題求解對(duì)知識(shí)進(jìn)行抽象、表示與理解。邏輯層提出學(xué)習(xí)、規(guī)劃、推理、挖掘的模型與方式。應(yīng)用層構(gòu)造智能化智能體以及具有一定智能的人工系統(tǒng)。將人工智能劃分為這4個(gè)層次可確定人工智能課程的教學(xué)內(nèi)容，并保證教學(xué)內(nèi)容的循序漸進(jìn)。

1.2基于人工智能知識(shí)體系的教學(xué)案例庫(kù)建設(shè)根據(jù)所確定的教學(xué)內(nèi)容、知識(shí)重點(diǎn)和知識(shí)難點(diǎn)，從國(guó)內(nèi)外經(jīng)典教材、科研項(xiàng)目、研發(fā)設(shè)計(jì)、生產(chǎn)建設(shè)以及國(guó)內(nèi)外人工智能網(wǎng)站等多種途徑，收集案例素材，加以整理，撰寫(xiě)各知識(shí)要點(diǎn)的教學(xué)案例及其內(nèi)容。表1給出基于人工智能知識(shí)體系的教學(xué)案例示例。

2人工智能課程教學(xué)案例的詳細(xì)設(shè)計(jì)

在教學(xué)案例具體設(shè)計(jì)時(shí)應(yīng)包括章節(jié)、知識(shí)重點(diǎn)、知識(shí)難點(diǎn)、案例名稱、案例內(nèi)容、案例分析過(guò)程、案例教學(xué)手段、思考/討論內(nèi)容等案例規(guī)范，分別從以下單一案例、一題多解案例和綜合應(yīng)用案例3種情況進(jìn)行討論。

2.1單一案例設(shè)計(jì)以人工智能課程中神經(jīng)網(wǎng)絡(luò)課堂教學(xué)內(nèi)容為例，介紹基于知識(shí)點(diǎn)的單一案例的設(shè)計(jì)。神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、圖像處理、組合優(yōu)化、自動(dòng)控制、信息處理和機(jī)器人學(xué)等領(lǐng)域具有廣泛的應(yīng)用，是人工智能課程的主要內(nèi)容之一。教學(xué)內(nèi)容主要包括介紹人工神經(jīng)網(wǎng)絡(luò)的由來(lái)、特性、結(jié)構(gòu)、模型和算法，以及神經(jīng)網(wǎng)絡(luò)的表示和推理。這些內(nèi)容是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)。其重點(diǎn)在于人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、模型和算法。難點(diǎn)是人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法。從教學(xué)要求上，通過(guò)對(duì)該章節(jié)內(nèi)容的學(xué)習(xí)，使學(xué)生掌握人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、模型和算法，了解人工神經(jīng)網(wǎng)絡(luò)的由來(lái)和特性，一般性地了解神經(jīng)網(wǎng)絡(luò)的表示和推理方法。采用課件PPT和演示手段，由簡(jiǎn)單到復(fù)雜，在學(xué)生掌握人工神經(jīng)網(wǎng)絡(luò)的基本原理和方法之后，再講解反向傳播BP算法，然后運(yùn)用“手寫(xiě)體如何識(shí)別”案例，引導(dǎo)學(xué)生學(xué)習(xí)理解人工神經(jīng)網(wǎng)絡(luò)的核心思想及其應(yīng)用方法。從國(guó)外教材中整理和設(shè)計(jì)該案例，同時(shí)應(yīng)包括以下規(guī)范內(nèi)容。章節(jié)：神經(jīng)網(wǎng)絡(luò)。知識(shí)重點(diǎn)：神經(jīng)網(wǎng)絡(luò)。知識(shí)難點(diǎn)：人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、表示、學(xué)習(xí)算法和推理。案例名稱：手寫(xiě)體如何識(shí)別。案例內(nèi)容：用訓(xùn)練樣本集訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)使其推廣到先前訓(xùn)練所得結(jié)果，正確分類先前未見(jiàn)過(guò)的數(shù)據(jù)。案例分析過(guò)程：①訓(xùn)練數(shù)字識(shí)別神經(jīng)網(wǎng)絡(luò)的樣本位圖；②反向傳播BP算法；③神經(jīng)網(wǎng)絡(luò)的表示；④使用誤差反向傳播算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的泛化能力；⑤一個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，將網(wǎng)絡(luò)中的權(quán)值保存起來(lái)供實(shí)際應(yīng)用。案例教學(xué)手段：手寫(xiě)體識(shí)別的神經(jīng)網(wǎng)絡(luò)演示。思考/討論內(nèi)容：①訓(xùn)練改進(jìn)與權(quán)值調(diào)整改進(jìn)；②過(guò)學(xué)習(xí)/過(guò)擬合現(xiàn)象，即在一個(gè)數(shù)據(jù)集上訓(xùn)練時(shí)間過(guò)長(zhǎng)，導(dǎo)致網(wǎng)絡(luò)過(guò)擬合于訓(xùn)練數(shù)據(jù)，對(duì)未出現(xiàn)過(guò)的新數(shù)據(jù)沒(méi)有推廣性。

2.2一題多解案例設(shè)計(jì)一題多解案例有助于學(xué)生把相關(guān)知識(shí)點(diǎn)聯(lián)系起來(lái)，形成相互關(guān)聯(lián)的知識(shí)網(wǎng)絡(luò)。以人工智能課程中知識(shí)及其表示教學(xué)內(nèi)容為例，介紹一題多解案例的設(shè)計(jì)。知識(shí)及其表示是人工智能課程三大內(nèi)容（知識(shí)表示、知識(shí)推理、知識(shí)應(yīng)用）之一。教學(xué)內(nèi)容主要包括知識(shí)表示的各種方法。其重點(diǎn)在于狀態(tài)空間、問(wèn)題歸約、謂詞邏輯、語(yǔ)義網(wǎng)絡(luò)等知識(shí)表示方法。難點(diǎn)是知識(shí)表示方法的區(qū)別及其應(yīng)用。從教學(xué)要求上，通過(guò)對(duì)該章節(jié)內(nèi)容的學(xué)習(xí)，使學(xué)生掌握利用狀態(tài)空間法、問(wèn)題歸約法、謂詞演算法、語(yǔ)義網(wǎng)絡(luò)法來(lái)描述和解決應(yīng)用問(wèn)題，重點(diǎn)掌握幾種主要知識(shí)表示方法之間的差別，并對(duì)如何選擇知識(shí)表示方法有一般性的了解。通過(guò)講解和討論“猴子和香蕉問(wèn)題”案例，來(lái)表示抽象概念。該案例從國(guó)內(nèi)外教材中進(jìn)行整理和設(shè)計(jì)，同時(shí)包括以下規(guī)范內(nèi)容。章節(jié)：知識(shí)及其表示。知識(shí)重點(diǎn)：狀態(tài)空間法、問(wèn)題歸約法、謂詞邏輯法、語(yǔ)義網(wǎng)絡(luò)法等。知識(shí)難點(diǎn)：知識(shí)表示方法的區(qū)別及其應(yīng)用。案例名稱：分別用狀態(tài)空間表示法與謂詞邏輯法表示猴子和香蕉問(wèn)題。案例內(nèi)容：房間內(nèi)有一只機(jī)器猴、一個(gè)箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識(shí)表示方法表示和求解該問(wèn)題？案例分析過(guò)程：①狀態(tài)空間法的解題過(guò)程。用n元表列表示該問(wèn)題的狀態(tài)；定義問(wèn)題的操作算符；定義初始狀態(tài)變換為目標(biāo)狀態(tài)的操作序列；畫(huà)出該問(wèn)題的狀態(tài)空間圖。②謂詞邏輯法的解題過(guò)程。定義問(wèn)題的常量；定義問(wèn)題的謂詞；根據(jù)問(wèn)題描述用謂詞公式表示問(wèn)題的初始狀態(tài)、中間狀態(tài)和目標(biāo)狀態(tài)。案例教學(xué)手段：猴子和香蕉問(wèn)題的演示。思考/討論內(nèi)容：①選擇知識(shí)表示方法時(shí)，應(yīng)考慮哪些主要因素？②如何綜合運(yùn)用多種知識(shí)表示方法獲得最有效的問(wèn)題解決方案?

2.3綜合應(yīng)用案例設(shè)計(jì)與單一案例、一題多解案例相比，綜合應(yīng)用案例能更加有效地啟發(fā)學(xué)生全方位地思考和探索問(wèn)題的解決方法。以機(jī)器人行動(dòng)規(guī)劃模擬為例，介紹人工智能綜合應(yīng)用案例的設(shè)計(jì)，該案例包括以下規(guī)范內(nèi)容。章節(jié)：人工智能綜合應(yīng)用。知識(shí)重點(diǎn)：人工智能的研究方向和應(yīng)用領(lǐng)域。知識(shí)難點(diǎn)：人工智能的技術(shù)集成。案例名稱：機(jī)器人行動(dòng)規(guī)劃模擬。案例內(nèi)容：綜合應(yīng)用行為規(guī)劃、知識(shí)表示方法、機(jī)器人學(xué)、神經(jīng)網(wǎng)絡(luò)、人工智能語(yǔ)言等多種人工智能技術(shù)與方法，對(duì)機(jī)器人行動(dòng)規(guī)劃問(wèn)題進(jìn)行描述和可視化。案例分析過(guò)程：①機(jī)器人行為規(guī)劃問(wèn)題求解。采用狀態(tài)歸約法與分層規(guī)劃技術(shù)，將機(jī)器人須完成的總?cè)蝿?wù)分解為若干依序排列的子任務(wù)；依據(jù)任務(wù)進(jìn)程，確定若干關(guān)鍵性的中間狀態(tài)，將狀態(tài)對(duì)應(yīng)為進(jìn)程子規(guī)劃的目標(biāo)；確定規(guī)劃的執(zhí)行與操作控制，以及機(jī)器人過(guò)程控制與環(huán)境約束。②基于謂詞邏輯表示的機(jī)器人行為規(guī)劃設(shè)計(jì)。定義表達(dá)狀態(tài)的謂詞邏輯；用謂詞邏輯描述問(wèn)題的初始狀態(tài)、問(wèn)題的目標(biāo)狀態(tài)以及機(jī)器人行動(dòng)規(guī)劃過(guò)程的中間狀態(tài)；定義操作的約束條件和行為動(dòng)作。③機(jī)器人控制系統(tǒng)。定義機(jī)器人平臺(tái)的控制體系結(jié)構(gòu)，包括反應(yīng)式控制、包容結(jié)構(gòu)以及其他控制系統(tǒng)等。④基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別。采用神經(jīng)網(wǎng)絡(luò)方法以及BP算法對(duì)桌面茶壺、杯子等物體進(jìn)行識(shí)別，提取物體圖形特征。⑤機(jī)器人程序設(shè)計(jì)語(yǔ)言。運(yùn)用人工智能語(yǔ)言實(shí)現(xiàn)機(jī)器人行動(dòng)規(guī)劃行為的可視化。案例教學(xué)手段：機(jī)器人行動(dòng)規(guī)劃的模擬演示。思考/討論內(nèi)容：人工智能將會(huì)怎樣發(fā)展？應(yīng)該在哪些方面進(jìn)一步開(kāi)展研究？

3案例教學(xué)環(huán)節(jié)和過(guò)程的具體實(shí)施細(xì)節(jié)

人工智能案例教學(xué)的實(shí)施面向筆者所在學(xué)院軟件工程專業(yè)三年級(jí)本科生展開(kāi)。具體實(shí)施細(xì)節(jié)如下。（1）教學(xué)內(nèi)容的先進(jìn)性、實(shí)用性和前沿性。引進(jìn)和整合國(guó)外著名人工智能教材內(nèi)容，保證課程內(nèi)容具有先進(jìn)性。同時(shí)將前沿人工智能的研究成果與技術(shù)有機(jī)地融入課程案例教學(xué)之中。（2）案例教學(xué)的創(chuàng)新教學(xué)模式。在教師的引導(dǎo)下，將案例中涉及的人工智能內(nèi)容推廣到對(duì)人工智能的一般性認(rèn)識(shí)。案例的教學(xué)過(guò)程，成為認(rèn)識(shí)人工智能、初步運(yùn)用人工智能的理論與方法分析和解決實(shí)際應(yīng)用問(wèn)題的過(guò)程，使學(xué)生具備運(yùn)用人工智能知識(shí)解決實(shí)際問(wèn)題的意識(shí)和初步能力。在課程教學(xué)中，打破國(guó)內(nèi)常規(guī)教學(xué)方式，建立和實(shí)施開(kāi)放式案例教學(xué)模式。采用動(dòng)畫(huà)課件、錄像教學(xué)、實(shí)物演示、網(wǎng)絡(luò)教學(xué)等多種多媒體教學(xué)手段，以及集中講授與專題討論相結(jié)合的教學(xué)方式將理論、方法、技術(shù)、算法以及實(shí)現(xiàn)有機(jī)結(jié)合，感性認(rèn)識(shí)與理性認(rèn)識(shí)相結(jié)合，理論與實(shí)際相結(jié)合，極大地激發(fā)學(xué)生自主和創(chuàng)新性學(xué)習(xí)的熱情。（3）“課堂教學(xué)—實(shí)踐活動(dòng)—現(xiàn)實(shí)應(yīng)用”的有機(jī)融合。在案例教學(xué)過(guò)程中，從傳統(tǒng)教學(xué)觀以學(xué)會(huì)為中心轉(zhuǎn)化為創(chuàng)新應(yīng)用型教學(xué)觀以創(chuàng)新為中心，以及從傳統(tǒng)教學(xué)的以課堂教學(xué)為中心轉(zhuǎn)化為以課堂教學(xué)與實(shí)踐活動(dòng)并重為中心，構(gòu)造具體問(wèn)題場(chǎng)景以及設(shè)計(jì)教學(xué)案例在情境中的現(xiàn)實(shí)應(yīng)用，加深學(xué)生對(duì)教學(xué)內(nèi)容的理解，同時(shí)提高學(xué)生的思考能力和實(shí)際綜合應(yīng)用能力。

4結(jié)語(yǔ)

第2篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

關(guān)鍵詞：智能科學(xué)與技術(shù)專業(yè)；認(rèn)知科學(xué)基礎(chǔ)；腦機(jī)接口；教學(xué)研究

中圖分類號(hào)：G642.0文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1674-9324（2020）15-0084-02

一、關(guān)于認(rèn)知科學(xué)基礎(chǔ)課程

認(rèn)知科學(xué)是智能科學(xué)與技術(shù)的生物基礎(chǔ)，是從“自然智能”到“機(jī)器智能”之間的橋梁。作為一門(mén)研究人類感知和思維信息處理過(guò)程的學(xué)科，認(rèn)知科學(xué)主要研究目的就是要說(shuō)明和解釋人類再完成認(rèn)知活動(dòng)時(shí)是如何進(jìn)行信息加工的，一直是認(rèn)知心理學(xué)等教學(xué)領(lǐng)域的重要課程。[1，2]自我校2009年設(shè)立智能科學(xué)與技術(shù)本科專業(yè)以來(lái)，認(rèn)知科學(xué)基礎(chǔ)一直是該專業(yè)的專業(yè)基礎(chǔ)課程，主要目的是培養(yǎng)學(xué)生對(duì)人腦認(rèn)知活動(dòng)中的信息處理方法與過(guò)程的認(rèn)識(shí)和理解，培養(yǎng)對(duì)新知識(shí)、新技術(shù)有較敏銳的洞察能力，同時(shí)使學(xué)生具有數(shù)據(jù)分析與處理能力的意識(shí)，在智能科學(xué)與技術(shù)專業(yè)的學(xué)科體系中占據(jù)著十分重要的地位。[3]特別是隨著人工智能和腦科學(xué)研究的不斷發(fā)展，現(xiàn)有的計(jì)算架構(gòu)不能有效實(shí)現(xiàn)具有泛化能力的人類認(rèn)知信息加工機(jī)制。借鑒人類腦認(rèn)知機(jī)制，通過(guò)腦認(rèn)知和神經(jīng)科學(xué)與機(jī)器學(xué)習(xí)相融合的方式，構(gòu)建一種類腦的“學(xué)習(xí)機(jī)器”，而不是簡(jiǎn)單的“機(jī)器學(xué)習(xí)”，已成為當(dāng)前人工智能領(lǐng)域的一個(gè)重要研究方向。因此，學(xué)習(xí)并理解人類認(rèn)知和信息處理過(guò)程，對(duì)于提高學(xué)生的智能信息和數(shù)據(jù)建模與分析能力，有著重要的意義。

然而，對(duì)于以工程技術(shù)應(yīng)用為背景的智能科學(xué)與技術(shù)專業(yè)而言，該學(xué)科涉及多學(xué)科內(nèi)容，比如心理學(xué)、神經(jīng)科學(xué)、數(shù)學(xué)、語(yǔ)言學(xué)、人工智能科學(xué)乃至自然哲學(xué)等，學(xué)生存在畏難情緒，學(xué)習(xí)興趣不太濃厚，教師對(duì)于該課程的教學(xué)也頗為費(fèi)心。此外，由于“認(rèn)知科學(xué)基礎(chǔ)”課程在大三上學(xué)期開(kāi)設(shè)，大部分學(xué)生在模式識(shí)別和數(shù)字信號(hào)處理等上面的基礎(chǔ)較薄弱，對(duì)于該門(mén)課程的腦功能信號(hào)分析與腦機(jī)接口技術(shù)部分的教學(xué)也存在較大的困難。

針對(duì)該課程理論和實(shí)時(shí)性較強(qiáng)、涉及教學(xué)內(nèi)容多、交叉廣泛等特點(diǎn)，筆者自承擔(dān)本課程教學(xué)來(lái)，結(jié)合我校學(xué)生和專業(yè)建設(shè)實(shí)際情況，立足培養(yǎng)學(xué)生的專業(yè)知識(shí)素養(yǎng)和學(xué)習(xí)興趣，提高學(xué)生的專業(yè)基礎(chǔ)能力和綜合素質(zhì)，積極摸索改進(jìn)。本文將信號(hào)處理和機(jī)器學(xué)習(xí)方法融合進(jìn)認(rèn)知科學(xué)的神經(jīng)機(jī)制探索與學(xué)習(xí)，從教學(xué)、實(shí)驗(yàn)實(shí)踐等方面進(jìn)行了初步探索。

二、課程建設(shè)目標(biāo)與教學(xué)內(nèi)容設(shè)置

本課程將使學(xué)生學(xué)習(xí)到認(rèn)知科學(xué)的基本知識(shí)，包括腦與神經(jīng)系統(tǒng)的基本構(gòu)造、工作原理、基本研究手段，腦與學(xué)習(xí)、意識(shí)、行為的關(guān)系，深入了解感知、注意、記憶的生物和生理學(xué)本質(zhì)，實(shí)現(xiàn)人工大腦、人工神經(jīng)網(wǎng)絡(luò)、聽(tīng)覺(jué)計(jì)算、視覺(jué)計(jì)算、腦機(jī)接口、認(rèn)知機(jī)器人等前沿技術(shù)的理解與應(yīng)用。

目前認(rèn)知科學(xué)方面的教材大多為國(guó)外翻譯教材，并且聚焦于其中的某個(gè)方面（比如認(rèn)知心理學(xué)、認(rèn)知神經(jīng)科學(xué)等）。同時(shí)該學(xué)科實(shí)時(shí)性較強(qiáng)，和當(dāng)前腦與認(rèn)知科學(xué)的前沿研究緊密相連，因此很難找到合適的教材同時(shí)將智能信息處理技術(shù)和認(rèn)知科學(xué)基礎(chǔ)相融合。

認(rèn)知神經(jīng)科學(xué)旨在聯(lián)合心理學(xué)、哲學(xué)和神經(jīng)科學(xué)的方法幫助我們理解大腦是如何產(chǎn)生心智的，并闡明人類認(rèn)知過(guò)程中的腦機(jī)制，即在分子、細(xì)胞、腦功能區(qū)到全腦等多個(gè)尺度上如何實(shí)現(xiàn)認(rèn)知功能。腦機(jī)接口是近二十多年來(lái)興起的涉及神經(jīng)科學(xué)、認(rèn)知科學(xué)、計(jì)算機(jī)科學(xué)、控制及信息科學(xué)、醫(yī)學(xué)等多領(lǐng)域的人機(jī)接口方式，是在大腦與外部環(huán)境之間建立的神經(jīng)信息交流與控制通路。

該課程在大三年級(jí)開(kāi)設(shè)，且該專業(yè)的學(xué)生已在前面學(xué)習(xí)中學(xué)習(xí)人工智能原理、信號(hào)處理等課程，這些課程的學(xué)習(xí)為本課程的理論學(xué)習(xí)打下了一定的基礎(chǔ)。在教材選擇上，選擇上海人民出版社的《認(rèn)知、大腦和意識(shí)——認(rèn)知神經(jīng)科學(xué)引論》，并參考其他輔助教材，比如機(jī)械工業(yè)出版社的《腦機(jī)接口導(dǎo)論》、中國(guó)輕工業(yè)出版社的《認(rèn)知神經(jīng)科學(xué)》。教學(xué)內(nèi)容主要包括以下幾個(gè)部分：

1.腦科學(xué)與認(rèn)知科學(xué)的發(fā)展歷程及基本概念，包括感覺(jué)與知覺(jué)、注意與意識(shí)、情緒、語(yǔ)言、記憶、學(xué)習(xí)等。

2.認(rèn)知活動(dòng)的生理基礎(chǔ)，包括大腦結(jié)構(gòu)、神經(jīng)元、神經(jīng)系統(tǒng)的基本組成等。

3.腦功能信號(hào)的采集與分析，包括大腦節(jié)律、腦功能信號(hào)（EEG、fMRI等）采集、常見(jiàn)腦功能障礙、腦信號(hào)分析基本方法（包括基于時(shí)域/頻域分析的EEG分析方法、腦電源成像基礎(chǔ)等）。

4.腦機(jī)接口技術(shù)，包括腦電信號(hào)預(yù)處理（零參考電位、拉普拉斯空間濾波、數(shù)據(jù)歸一化、插值技術(shù)），腦功能信號(hào)特征提取方法、模式分類器（比如Fisher線性分類器、支持向量機(jī)）設(shè)計(jì)。

三、以學(xué)生為中心的教學(xué)方法

1.提高學(xué)生學(xué)習(xí)興趣。認(rèn)知科學(xué)基礎(chǔ)課程交叉性強(qiáng)，尤其涉及心理學(xué)、神經(jīng)科學(xué)等非工科學(xué)科，對(duì)于我校智能科學(xué)與技術(shù)專業(yè)的學(xué)生來(lái)講，學(xué)習(xí)壓力較大，學(xué)習(xí)興趣不高。為激發(fā)學(xué)生學(xué)習(xí)興趣，在授課過(guò)程中，盡量發(fā)揮自身樂(lè)觀活潑的性格特點(diǎn)，選擇大家生活中常見(jiàn)的例子，在語(yǔ)言表達(dá)上盡量避免生硬，力求用簡(jiǎn)單直白的語(yǔ)言講解知識(shí)點(diǎn)。同時(shí)，善于利用網(wǎng)絡(luò)視頻，比如在課程緒論部分，通過(guò)播放網(wǎng)絡(luò)公開(kāi)視頻《打開(kāi)思想的大門(mén)》片段，激發(fā)學(xué)生學(xué)習(xí)腦認(rèn)知功能的興趣。

2.注重與智能科學(xué)與技術(shù)其他課程知識(shí)的銜接。在神經(jīng)元和神經(jīng)系統(tǒng)的教學(xué)部分，筆者安排了兩個(gè)課時(shí)的內(nèi)容講解了常見(jiàn)的人工神經(jīng)元模型和人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并重點(diǎn)講解了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的基礎(chǔ)——感知機(jī)。在腦機(jī)接口教學(xué)部分，安排了兩個(gè)課時(shí)的信號(hào)處理和數(shù)據(jù)預(yù)處理的基礎(chǔ)知識(shí)的回顧，重點(diǎn)復(fù)習(xí)信號(hào)濾波、主成分分析、Fisher線性判別分析和支持向量機(jī)等內(nèi)容，再進(jìn)入腦機(jī)接口系統(tǒng)的學(xué)習(xí)，教學(xué)效率得到了明細(xì)提升。

3.適當(dāng)使用板書(shū)，細(xì)化推導(dǎo)過(guò)程。對(duì)于一些知識(shí)點(diǎn)，比如動(dòng)作電位產(chǎn)生過(guò)程、部分公式的展示，僅依靠PPT教學(xué)過(guò)于單薄，學(xué)生難以理解，因此在播放PPT時(shí)需要適時(shí)插入細(xì)致的板書(shū)。同時(shí)板書(shū)過(guò)程中要結(jié)合學(xué)生實(shí)際情況循序漸進(jìn)，例如在學(xué)習(xí)神經(jīng)細(xì)胞和感知機(jī)與人工神經(jīng)網(wǎng)絡(luò)時(shí)，教師從點(diǎn)到平面的距離入手，并引導(dǎo)學(xué)生回顧梯度下降法等相關(guān)數(shù)學(xué)基礎(chǔ)知識(shí)，幫助學(xué)生切實(shí)地把前面學(xué)習(xí)的信號(hào)處理和機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)應(yīng)用到本課程。

4.加強(qiáng)實(shí)踐環(huán)節(jié)教學(xué)和學(xué)生綜合能力素質(zhì)培養(yǎng)。根據(jù)本專業(yè)的培養(yǎng)計(jì)劃，在理論課程教學(xué)期間，“認(rèn)知科學(xué)基礎(chǔ)”設(shè)置了相應(yīng)的實(shí)踐課程，以培養(yǎng)學(xué)生的動(dòng)手能力、自學(xué)能力和專業(yè)綜合素質(zhì)。在實(shí)踐課程教學(xué)環(huán)節(jié)，基于Matlab和Python等工具，以2005年國(guó)際BCI競(jìng)賽的P300數(shù)據(jù)為分析數(shù)據(jù)，引導(dǎo)學(xué)生設(shè)計(jì)常見(jiàn)的模式分類器（如Fisher線性分類器、支持向量機(jī)、深度神經(jīng)網(wǎng)絡(luò)等）分析腦電事件相關(guān)電位。同時(shí)，使用計(jì)算智能重慶市重點(diǎn)實(shí)驗(yàn)室的NeuroScan和BrainProducts腦電采集放大設(shè)備，利用E-Prime設(shè)計(jì)腦電刺激程序，指導(dǎo)學(xué)生設(shè)計(jì)實(shí)驗(yàn)，以小組合作的方式采集并分析P300字符拼寫(xiě)腦電數(shù)據(jù)。

第3篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

為提汐預(yù)報(bào)的精度，提出一種基于支持向量機(jī)（Support Vector Machine，SVM）的模塊化潮汐實(shí)時(shí)預(yù)報(bào)模型. 將潮汐分為受天體引潮力影響的天文潮和受環(huán)境因素和其他因素影響的非天文潮，分別使用調(diào)和分析法和改進(jìn)的SVM對(duì)天文潮和非天文潮進(jìn)行預(yù)報(bào)， 結(jié)合兩種方法的輸出構(gòu)造最終的潮汐預(yù)報(bào)結(jié)果. 在對(duì)非天文潮的預(yù)測(cè)中，將SVM與灰色模型相結(jié)合，并利用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)化以提高預(yù)報(bào)精度. 利用火奴魯魯港口的實(shí)測(cè)潮汐數(shù)據(jù)進(jìn)行實(shí)時(shí)潮汐預(yù)報(bào)仿真.仿真結(jié)果表明該方法具有較高的短期預(yù)報(bào)精度.

關(guān)鍵詞：

潮汐預(yù)報(bào)； 模塊化方法； 調(diào)和分析法； 支持向量機(jī)（SVM）； 灰色模型； 粒子群優(yōu)化（PSO）

0引言

潮汐（海面周期升降運(yùn)動(dòng)[1]）預(yù)報(bào)直接關(guān)系到船舶航行安全和港口營(yíng)運(yùn)效率，對(duì)軍事、漁業(yè)、港口和近岸工程以及其他沿海生產(chǎn)活動(dòng)都有重要的影響. 潮汐一直是船舶航行計(jì)劃制定和港口作業(yè)調(diào)度的重要因素：準(zhǔn)確的潮汐預(yù)報(bào)是航行安全的重要保障，并有利于港口水深資源的充分利用；相反，不準(zhǔn)確的或誤差較大的潮汐預(yù)報(bào)，則很可能導(dǎo)致船舶擱淺或撞橋等海上交通事故的發(fā)生.

傳統(tǒng)的潮汐預(yù)報(bào)方法是調(diào)和分析法.它以潮汐靜力學(xué)和動(dòng)力學(xué)為基礎(chǔ)，經(jīng)過(guò)多年發(fā)展，已經(jīng)能夠?qū)崿F(xiàn)對(duì)潮汐進(jìn)行穩(wěn)定、長(zhǎng)期預(yù)報(bào)，但需要大量、長(zhǎng)期的潮位觀測(cè)數(shù)據(jù)才能得出準(zhǔn)確的調(diào)和分析模型，且其平均預(yù)報(bào)誤差約為20～30 cm，在許多場(chǎng)合達(dá)不到對(duì)潮汐預(yù)報(bào)精度的要求. 潮汐產(chǎn)生的原動(dòng)力是天體的引潮力，但又受到如風(fēng)力、風(fēng)向、海水溫度、氣壓等環(huán)境因素的影響，因此潮汐變化展現(xiàn)出強(qiáng)非線性和不確定性，難以對(duì)其確立固定的預(yù)報(bào)模型. 為滿足現(xiàn)代航海的實(shí)際需求，急需一種能夠提汐預(yù)報(bào)精度的方法.

近些年發(fā)展起來(lái)的人工智能技術(shù)，如神經(jīng)網(wǎng)絡(luò)、模糊邏輯推理和進(jìn)化計(jì)算等在航海領(lǐng)域得到了越來(lái)越多的應(yīng)用，其中神經(jīng)網(wǎng)絡(luò)已被應(yīng)用于潮汐預(yù)報(bào)研究中.PASHOVA等[2]使用時(shí)滯分析、徑向基函數(shù)（Radial Basis Function， RBF）神經(jīng)網(wǎng)絡(luò)的方法對(duì)Burgas港的潮位進(jìn)行了預(yù)測(cè)；JAIN等[3]

利用神經(jīng)網(wǎng)絡(luò)對(duì)印度洋西海岸New Mangalore潮位站的潮汐提前一天進(jìn)行預(yù)報(bào)；YIN等[4]提出利用序貫學(xué)習(xí)算法建立變結(jié)構(gòu)的徑向基神經(jīng)網(wǎng)絡(luò)的潮汐預(yù)報(bào)模型以反映系統(tǒng)的時(shí)變動(dòng)態(tài).

支持向量機(jī)（Support Vector Machine， SVM）是建立在統(tǒng)計(jì)學(xué)理論[5]和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，它在解決小樣本、非線性問(wèn)題以及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)[6].本文選用一種基于SVM的模塊化預(yù)報(bào)模型對(duì)潮汐進(jìn)行預(yù)報(bào).模塊化是在解決某個(gè)具體問(wèn)題時(shí)，把系統(tǒng)劃分為具有不同屬性的若干個(gè)模塊的過(guò)程.在本文潮汐預(yù)報(bào)中首先按潮汐形成原因通過(guò)模塊化方法把潮汐分為天文潮和非天文潮兩部分，將調(diào)和分析法用于預(yù)報(bào)潮汐中天文潮部分，而將SVM用于預(yù)測(cè)具有較強(qiáng)非線性的非天文潮部分. 這種分塊方式能有效利用兩種方法的優(yōu)勢(shì)，即調(diào)和分析法能夠?qū)崿F(xiàn)長(zhǎng)期、穩(wěn)定的天文潮預(yù)報(bào)，而SVM能夠以較高的精度實(shí)現(xiàn)潮汐的非線性擬合與預(yù)報(bào). 在本文研究中，將灰色模型預(yù)測(cè)方法應(yīng)用于SVM預(yù)測(cè)中以減小環(huán)境要素的不確定性對(duì)潮汐預(yù)報(bào)精度造成的不利影響，同時(shí)應(yīng)用粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)化，使其擁有較快的收斂速度并避免其陷入局部最優(yōu)解.灰色預(yù)測(cè)和PSO在SVM預(yù)測(cè)模型中的應(yīng)用能提汐預(yù)報(bào)的精度. 最后，選取火奴魯魯?shù)雀劭诘膶?shí)測(cè)潮汐數(shù)據(jù)進(jìn)行港口潮汐的實(shí)時(shí)預(yù)報(bào)仿真.實(shí)驗(yàn)結(jié)果表明本文提出的方法可以有效地實(shí)現(xiàn)潮汐預(yù)報(bào)，并擁有較高的預(yù)報(bào)精度和較快的運(yùn)算速度.

1基礎(chǔ)知識(shí)

1.1SVM

1.1.1SVM的基本概念

SVM在1995首次由Vapnik提出，它是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn).[7] 與神經(jīng)網(wǎng)絡(luò)相比，SVM具有嚴(yán)格的理論基礎(chǔ)和數(shù)學(xué)基礎(chǔ)，不存在局部最小問(wèn)題，能較好地解決小樣本問(wèn)題. SVM的體系結(jié)構(gòu)見(jiàn)圖1.圖1中，K為核函數(shù)，x（n）為輸入值。

1.1.2SVM回歸理論

對(duì)于訓(xùn)練樣本集{xi，yi}（其中：i=1，2，…，n； xi∈R，為輸入變量； yi∈R，為對(duì)應(yīng)的輸出值），SVM的回歸[8]是通過(guò)尋找一個(gè)非線性映射φ（x），將輸入x映射到一個(gè)高維特征空間中.

在特征空間中通過(guò)下列估計(jì)函數(shù)進(jìn)行線性回歸：

1.2基于灰色系統(tǒng)的SVM

灰色系統(tǒng)理論是由我國(guó)學(xué)者鄧聚龍教授于1982年提出來(lái)的，是用于研究數(shù)量少、信息貧瘠的不確定性問(wèn)題的理論方法. 通過(guò)對(duì)“部分”已知信息的生成、開(kāi)發(fā)，提取有價(jià)值的信息，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行行為、演化規(guī)律的正確描述和有效監(jiān)控.[9]

傳統(tǒng)的實(shí)現(xiàn)序列預(yù)測(cè)的方法需要大量的數(shù)據(jù)用于預(yù)測(cè)，而灰色模型具有有效的算法來(lái)處理這些信息不完全和成因不明確的問(wèn)題. 灰色模型處理數(shù)據(jù)須通過(guò)以下3個(gè)步驟：通過(guò)累加（Accumulated Generation Operation，AGO）處理原始數(shù)據(jù)集；利用SVM對(duì)累加的數(shù)據(jù)進(jìn)行預(yù)測(cè)；通過(guò)反向累加運(yùn)算（Inverse Accumulated Generation Operation， IAGO）進(jìn)行數(shù)據(jù)還原. 基于灰色模型的SVM的預(yù)報(bào)流程見(jiàn)圖2.

PSO是由Kennedy和Eberhart在1995年提出的，是一種模擬群體智能的優(yōu)化算法.[10] 本文在使用SVM對(duì)潮汐進(jìn)行預(yù)報(bào)時(shí)，通過(guò)PSO算法對(duì)SVM的參數(shù)c和g進(jìn)行優(yōu)化來(lái)獲得最佳的訓(xùn)練效果，以提汐預(yù)報(bào)的精度，其中c為SVM懲罰系數(shù)，g為核函數(shù)半徑.

2潮汐預(yù)報(bào)模型

2.1天文潮預(yù)報(bào)的調(diào)和分析法

利用調(diào)和分析法計(jì)算某地實(shí)際潮位高度如下：

調(diào)和分析法用于潮汐預(yù)報(bào)時(shí)需要大量的實(shí)測(cè)潮汐數(shù)據(jù)，無(wú)法反映潮汐變化所受的環(huán)境因素的影響，在環(huán)境因素影響較大的情況（如大風(fēng)和氣壓異常）下預(yù)報(bào)誤差也非常大， 因此本文提出新的模塊化SVM預(yù)測(cè)模型反映潮汐所受的時(shí)變因素的影響并進(jìn)行實(shí)時(shí)潮汐預(yù)報(bào).

2.2非天文潮預(yù)測(cè)模型

自回歸（Auto Regressive， AR）模型是統(tǒng)計(jì)上一種處理時(shí)間序列的方法，它能夠較為直觀地描述潮汐的變化.

式中：φi（i=1，2，…，n）為模型參數(shù)；εt為白噪聲. 用一個(gè)n階AR模型描述潮汐序列：xt表示第t小時(shí)的潮汐高度，xt-n表示第t-n小時(shí)的潮汐高度.建立AR（n）模型的重點(diǎn)在于確定n，n決定模型的長(zhǎng)度，通常由經(jīng)驗(yàn)設(shè)定.在本文中，階數(shù)n通過(guò)試湊法確定，通過(guò)不斷增加模型階數(shù)分別求得訓(xùn)練過(guò)程中預(yù)測(cè)值與真實(shí)值的殘差，最終選擇殘差最小的AR（n）模型模擬預(yù)報(bào)潮汐.

一般需要提前幾小時(shí)對(duì)潮汐進(jìn)行預(yù)測(cè)，而單步預(yù)測(cè)的預(yù)見(jiàn)期短，所以在本文中將AR模型改寫(xiě)為非線性映射形式：

該式表示使用AR模型提前k小時(shí)進(jìn)行潮汐預(yù)報(bào)的模型.

2.3模塊化預(yù)測(cè)模型

按照成因的不同，潮汐預(yù)報(bào)可以分為兩個(gè)部分，一為天文潮部分，二為非天文潮部分. 天文潮部分主要由天體引潮力引起，具有明顯的時(shí)變特征；非天文潮部分受到氣象水文因素影響，其變化沒(méi)有明顯規(guī)律，展現(xiàn)出很強(qiáng)的非線性. 因此，天文潮和非天文潮部分存在較大區(qū)別，僅使用調(diào)和分析法或SVM預(yù)測(cè)的單一方法可能無(wú)法體現(xiàn)潮汐的完整規(guī)律[11]，含有相對(duì)較大的誤差值.

針對(duì)以上情況，本文采用一種模塊化潮汐預(yù)報(bào)模型，其由調(diào)和分析法和SVM兩個(gè)模塊組成. 該模型首先利用調(diào)和分析法預(yù)測(cè)潮汐的天文潮部分，獲得潮汐的整體變化規(guī)律，再利用SVM對(duì)非天文潮部分進(jìn)行預(yù)測(cè)，修正預(yù)測(cè)結(jié)果，達(dá)到精確預(yù)報(bào)潮汐的目的. 在SVM部分，灰色模型和PSO主要用于數(shù)據(jù)的預(yù)處理、數(shù)據(jù)的還原和SVM參數(shù)的優(yōu)化上. 具體的模塊化結(jié)構(gòu)框圖見(jiàn)圖3.

圖3中：y（t），y（t-1），…，y（t-N）為實(shí)測(cè)潮汐數(shù)據(jù)的時(shí)間序列；yM（t），yM（t-1），…，yM（t-N）為利用調(diào)和分析法得到的潮位時(shí)間序列，yM（t+k）為調(diào)和分析法提前k步預(yù)報(bào)的潮汐值； y

R（t），yR（t-1），…，yR（t-N）為非天文潮部分的時(shí)間序列，該部分作為輸入用于非天文潮的預(yù)測(cè)；yG（t），yG（t-1），…，yG（t-N）為非天文潮部分輸入序列經(jīng)過(guò)灰色模型AGO處理后的時(shí)間序列；YI（t+k）為非天文潮部分預(yù)測(cè)值經(jīng)過(guò)IAGO處理后得到的提前k步的預(yù)報(bào)值；Y（t+k）為最終多步預(yù)報(bào)的結(jié)果.

潮汐的主要成因是天體的引潮力，調(diào)和分析法考慮的對(duì)象是天體對(duì)潮汐的影響，所以實(shí)測(cè)值y與調(diào)和分析法預(yù)測(cè)值yM之間的差值可看作潮汐值受風(fēng)力、風(fēng)向、溫度和氣壓等影響的非天文潮部分yR. 由于非天文潮部分展現(xiàn)出很強(qiáng)的非線性，采用灰色模型進(jìn)行處理可以有效提取數(shù)據(jù)中的有效信息，緩解不確定性. 將處理后的數(shù)據(jù)yG作為非

天文潮預(yù)報(bào)模型的輸入，通過(guò)SVM進(jìn)行預(yù)測(cè)，預(yù)測(cè)的結(jié)果即為提前k小時(shí)的預(yù)測(cè)值，其中SVM通過(guò)PSO獲取最佳的訓(xùn)練效果. 該部分值由于在預(yù)測(cè)前進(jìn)行了AGO處理，所以在預(yù)測(cè)后還需要通過(guò)反向的操作IAGO才能得到非天文潮部分的預(yù)測(cè)值YI（t+k）.將該預(yù)測(cè)值與用調(diào)和分析法得到的預(yù)測(cè)值相加即可計(jì)算出最終的潮汐預(yù)報(bào)值Y（t+k）. 這樣就用模塊化方法實(shí)現(xiàn)了預(yù)見(jiàn)期為k小時(shí)的多步潮汐預(yù)報(bào).

3模型檢驗(yàn)

3.1調(diào)和分析法結(jié)果分析

為驗(yàn)證本文提出的潮汐預(yù)報(bào)模型的預(yù)報(bào)效果，選用美國(guó)火奴魯魯港從2015年7月1日GMT 0000到2015年8月11日GMT 1500的采樣間隔為1 h的共1 000個(gè)潮汐實(shí)測(cè)數(shù)據(jù)進(jìn)行仿真.潮汐數(shù)據(jù)來(lái)自美國(guó)國(guó)家海洋和大氣管理局網(wǎng)站http：//noaa.gov/.

圖4為調(diào)和分析法預(yù)報(bào)值與實(shí)測(cè)值的對(duì)比，其中潮汐值單位為英尺（1英尺=0.304 8 m）.由圖4不難發(fā)現(xiàn)調(diào)和分析法預(yù)報(bào)的潮汐值與實(shí)測(cè)潮汐值基本吻合，但其誤差也是較為明顯的.這是因?yàn)檎{(diào)和分析法只考慮了天體引潮力而忽略了環(huán)境造成的影響，這也是調(diào)和分析法誤差產(chǎn)生的主要原因.

3.2基于SVM的潮汐預(yù)報(bào)

本文以單步預(yù)測(cè)為主對(duì)潮汐進(jìn)行預(yù)報(bào)，并進(jìn)行預(yù)見(jiàn)期為2～24 h的多步預(yù)測(cè)以驗(yàn)證模型的準(zhǔn)確性.在仿真中，一共選用200 h的潮汐實(shí)測(cè)數(shù)據(jù)作為初始輸入用于訓(xùn)練網(wǎng)絡(luò)，另外800 h的潮汐值用于比較和分析預(yù)報(bào)效果. 為求得仿真適宜的AR模型，首先利用前200 h的潮汐值作為訓(xùn)練數(shù)據(jù)求得1～8階的AR模型，并將預(yù)報(bào)值與實(shí)際值進(jìn)行對(duì)比分析，得到階數(shù)為1～8的AR模型對(duì)應(yīng)的殘差值，見(jiàn)表1.

從表1可以看出，8個(gè)AR模型的精度相差不大，其中2階模型的殘差最小擬合精度最高.因此，在本次預(yù)報(bào)中選用2階AR模型.

在SVM中幾個(gè)比較重要的參數(shù)設(shè)置

還包括核函數(shù)以及c和g的選擇. 適宜的參數(shù)選擇會(huì)產(chǎn)生好的仿真結(jié)果，而不恰當(dāng)?shù)膮?shù)選擇可能導(dǎo)致過(guò)擬合或欠擬合現(xiàn)象的發(fā)生，這些都將使仿真結(jié)果惡化.

為找到最佳的c和g，用PSO算法選取最佳參數(shù)，其中：粒子群進(jìn)化最大數(shù)量為200；種群最大數(shù)量設(shè)置為20；參數(shù)局部搜索能力和參數(shù)全局搜索能力分別設(shè)置為1.5和1.7. c和g的范圍均設(shè)定為[0.1，100].在SVM直接預(yù)測(cè)法中使用PSO算法的參數(shù)選取結(jié)果見(jiàn)圖6.

表2中：t表示程序中調(diào)用4種核函數(shù)的標(biāo)識(shí)；c和g為通過(guò)PSO算法選擇的兩個(gè)參數(shù). 根據(jù)表2選擇結(jié)果略好的徑向基作為本次試驗(yàn)SVM的核函數(shù). 此外，SVM選用的是εSVM，它適合于回歸預(yù)測(cè)并具有較高的精確度.

圖7為潮汐實(shí)測(cè)值與SVM預(yù)測(cè)值的對(duì)比；圖8為應(yīng)用SVM直接預(yù)測(cè)所得到的預(yù)測(cè)結(jié)果的誤差值，預(yù)測(cè)總用時(shí)為32.41 s.

從圖7中不難發(fā)現(xiàn)，直接使用SVM進(jìn)行潮汐預(yù)測(cè)，預(yù)測(cè)值與實(shí)測(cè)值的吻合程度明顯高于圖4中使用調(diào)和分析法的吻合度，而且誤差變化范圍更小且更加穩(wěn)定，其ERMS為0.091 4英尺. 這是由于SVM在進(jìn)行直接預(yù)測(cè)時(shí)，輸入的特征向量為實(shí)際測(cè)量所得到的潮位數(shù)據(jù)，這些數(shù)據(jù)包含天文潮和非天文潮兩部分的信息，所以預(yù)測(cè)更準(zhǔn)確，預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)程度也更高.

3.3模塊化潮汐預(yù)報(bào)

為便于比較模塊化預(yù)測(cè)方法與調(diào)和分析法和SVM直接預(yù)測(cè)法的異同，模塊化的參數(shù)設(shè)置及仿真環(huán)境與之前選取的完全一致. 圖9為在模塊化預(yù)測(cè)中使用PSO算法的參數(shù)選取結(jié)果.圖10為采用模塊化預(yù)測(cè)方法所得到的潮汐預(yù)測(cè)值與觀測(cè)值對(duì)比結(jié)果. 圖11是使用模塊化預(yù)測(cè)方法的誤差圖.

從表4可以看出，在SVM的基礎(chǔ)上添加灰色模型處理數(shù)據(jù)后，雖然仿真時(shí)間會(huì)略有提升，但預(yù)報(bào)精確度有較明顯的提高. 使用PSO算法優(yōu)化SVM，搜索范圍更廣，搜索速度也更快，而當(dāng)遍歷法范圍為[0.01，100]時(shí)所用的時(shí)間就已遠(yuǎn)遠(yuǎn)大于PSO算法所用的時(shí)間，繼續(xù)增加遍歷范圍必定導(dǎo)致時(shí)間成倍增長(zhǎng)，因此使用PSO算法優(yōu)化SVM對(duì)仿真時(shí)間和搜索精確度都有較大改善. 通過(guò)與BP和RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果的比較可以看出，本文提出的模塊化模型具有較好的預(yù)測(cè)效果，優(yōu)于其他兩種常用的神經(jīng)網(wǎng)絡(luò).

此外表5給出了調(diào)和分析法、SVM直接預(yù)測(cè)法和模塊化預(yù)測(cè)方法提前多步預(yù)測(cè)潮汐的ERMS.從表5可以看出：對(duì)于短期潮汐預(yù)報(bào)，模塊化預(yù)測(cè)模型的預(yù)測(cè)精度要明顯優(yōu)于調(diào)和分析法和SVM直接預(yù)測(cè)法的預(yù)測(cè)精度；隨著提前預(yù)測(cè)時(shí)間的增長(zhǎng)，模塊化預(yù)

測(cè)模型的預(yù)測(cè)效果更加穩(wěn)定. 因此，采用的模塊化預(yù)測(cè)方法能有效提汐預(yù)報(bào)精度，適合實(shí)時(shí)的短期潮汐預(yù)報(bào).

4結(jié)論

本文以支持向量機(jī)（SVM）網(wǎng)絡(luò)作為基本工具，探索了將 SVM網(wǎng)絡(luò)應(yīng)用到潮汐預(yù)報(bào)領(lǐng)域的

方法.根據(jù)潮汐的成因，采用模塊化形式分開(kāi)處理天文潮部分和非天文潮部分，對(duì)非天文潮部分采用灰色模型進(jìn)行數(shù)據(jù)預(yù)處理以緩解非線性程度，采用粒子群優(yōu)化（PSO）算法對(duì)SVM進(jìn)行參數(shù)選取和優(yōu)化.實(shí)驗(yàn)結(jié)果證明，該模型在潮汐預(yù)報(bào)中具有較高的精度和相對(duì)較短的時(shí)間，明顯優(yōu)于傳統(tǒng)方法. 然而，隨著預(yù)報(bào)時(shí)間的延長(zhǎng)，該模型預(yù)報(bào)精度會(huì)逐漸下降， 因此將該模型進(jìn)行改進(jìn)并應(yīng)用于長(zhǎng)期預(yù)報(bào)是今后的主要研究方向.

參考文獻(xiàn)：

[1]郭禹， 張吉平， 戴冉. 航海學(xué)[M]. 大連：大連海事大學(xué)出版社， 2014： 215217.

[2]PASHOVA L， POPOVA S. Daily sea level forecast at tide gauge Burgas， Bulgaria using artificial neural networks[J]. Journal of Sea Research， 2011， 66（2）： 154161.

[3]JAIN P， DEO M C. Realtime wave forecasts off the western Indian coast[J]. Applied Ocean Research， 2007， 29（1/2）： 7279.

[4]YIN J C， ZOU Z J， XU F. Sequential learning radial basis function network for realtime tidal level predictions[J]. Ocean Engineering， 2013， 57（2）： 4955.

[5]章永來(lái)， 史海波， 周曉鋒， 等. 基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)預(yù)測(cè)模型[J]. 統(tǒng)計(jì)與決策， 2014（5）： 7274. DOI： 10.13546/ki.tjyjc.2014.05.052.

[6]ZHANG X G， ZOU Z J. Application of wavelet denoising in the modeling of ship manoeuvring motion[J]. Journal of Ship Mechanics， 2011， 15（6）： 616621.

[7]丁世飛， 齊炳娟， 譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào)， 2011， 40（1）： 210.

[8]徐紅敏， 王海英， 梁瑾， 等. 支持向量機(jī)回歸算法及其應(yīng)用[J]. 北京石油化工學(xué)院學(xué)報(bào)， 2010， 18（1）： 6266.

第4篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

獨(dú)立院校是我國(guó)高等教育為適應(yīng)市場(chǎng)體制和教育需求，而出現(xiàn)的新型辦學(xué)形式，近些年迅速發(fā)展并獲得較大程度的社會(huì)認(rèn)可。但獨(dú)立院校大都面臨由基于母體學(xué)校的基礎(chǔ)理論型到適應(yīng)自身的應(yīng)用學(xué)科型的轉(zhuǎn)變，因此教學(xué)模式的改革至關(guān)重要。

數(shù)學(xué)建模首先把現(xiàn)實(shí)問(wèn)題轉(zhuǎn)換為數(shù)學(xué)模型，其次對(duì)模型進(jìn)行分析、求解和驗(yàn)證，最后再將模型返回現(xiàn)實(shí)。整個(gè)過(guò)程不僅可以發(fā)展學(xué)生認(rèn)知和分析解決問(wèn)題的能力，而且對(duì)激發(fā)學(xué)習(xí)興趣，提高團(tuán)隊(duì)意識(shí)和合作精神有顯著效果。

本文主要從獨(dú)立院校實(shí)際出發(fā)，結(jié)合學(xué)生特點(diǎn)和教學(xué)實(shí)踐，對(duì)數(shù)學(xué)建模教學(xué)模式進(jìn)行探討。

一、獨(dú)立院校數(shù)學(xué)建模教學(xué)的特點(diǎn)及存在的問(wèn)題

獨(dú)立院校開(kāi)設(shè)數(shù)學(xué)建模的時(shí)間不長(zhǎng)，課程建設(shè)總體還不夠完善，任課教師仍然在不斷探索更加適合獨(dú)立院校的教學(xué)方法。獨(dú)立院校的學(xué)生較一本、二本的學(xué)生，基礎(chǔ)知識(shí)相對(duì)欠缺，學(xué)習(xí)中遇到的障礙較大。

經(jīng)過(guò)對(duì)我校學(xué)生和教師的訪談發(fā)現(xiàn)，他們?cè)跀?shù)學(xué)建模學(xué)習(xí)過(guò)程中的實(shí)際問(wèn)題有：缺乏信心，學(xué)習(xí)動(dòng)力不足，毅力方面有欠缺，對(duì)學(xué)習(xí)缺乏鉆研精神，認(rèn)為數(shù)學(xué)難度太大，對(duì)數(shù)學(xué)有恐懼心理等。

但獨(dú)立院校的學(xué)生思想活躍，對(duì)新鮮事物有獨(dú)到的見(jiàn)解，興趣廣泛，與一本、二本學(xué)生相比智力水平相當(dāng)，學(xué)習(xí)上的主要差別在非智力因素。

二、獨(dú)立院校數(shù)學(xué)建模教學(xué)模式建立

基于獨(dú)立院校數(shù)學(xué)建模教學(xué)的特點(diǎn)及存在的問(wèn)題，提出以下幾點(diǎn)：

1.教學(xué)模式多樣化

（1）講授的教學(xué)模式

以教師系統(tǒng)講解為中心，向?qū)W生傳授數(shù)學(xué)建模的基礎(chǔ)知識(shí)和技能，學(xué)生主動(dòng)接受并了解它的意義。鑒于獨(dú)立院校學(xué)生的特點(diǎn)，要求教師在講授過(guò)程中由易到難，從簡(jiǎn)單且貼近生活的問(wèn)題入手，結(jié)合數(shù)學(xué)建模的方法和步驟，使學(xué)生建立解決數(shù)學(xué)問(wèn)題的信心，具備初步的建模能力。

（2）創(chuàng)設(shè)情境的教學(xué)模式

教師創(chuàng)設(shè)合理的問(wèn)題情境引發(fā)學(xué)習(xí)興趣，學(xué)生自主對(duì)問(wèn)題進(jìn)行探索學(xué)習(xí)，教師在期間做適當(dāng)引導(dǎo)。此模式強(qiáng)調(diào)團(tuán)隊(duì)合作及意義構(gòu)建，通過(guò)討論交流等逐步解決問(wèn)題。

（3）引導(dǎo)發(fā)現(xiàn)的教學(xué)模式

根據(jù)獨(dú)立院校學(xué)生興趣廣泛、思想活躍等特點(diǎn)，引導(dǎo)學(xué)生自己發(fā)現(xiàn)問(wèn)題，主動(dòng)獲取新知?；蚪Y(jié)合講授引導(dǎo)學(xué)生自己發(fā)現(xiàn)相關(guān)問(wèn)題；或給定問(wèn)題范圍，讓學(xué)生搜集資料中找出問(wèn)題：或者其他途徑。此模式中教師對(duì)教學(xué)應(yīng)有評(píng)價(jià)和總結(jié)部分。

2.課程安排合理化

數(shù)學(xué)建模涉及的相關(guān)課程比較多，主要有運(yùn)籌學(xué)、數(shù)學(xué)模型、概率論與數(shù)理統(tǒng)計(jì)、神經(jīng)網(wǎng)絡(luò)、微分方程、模糊數(shù)學(xué)、數(shù)值計(jì)算、層次分析法、Mathb、Lingo、Latex、Spss等。課程本身有先修要求，不同課程占用學(xué)時(shí)不同，難易程度也有差別。那么合理的配置資源、建立適用獨(dú)立院校學(xué)生的課程體系至關(guān)重要。

我們根據(jù)課程的特點(diǎn)，做不同的處理。一些課程作為專業(yè)必修課，如運(yùn)籌學(xué)、數(shù)學(xué)模型、概率論與數(shù)理統(tǒng)計(jì)、Matlab等：一些課程作為專業(yè)選修課，如圖論、數(shù)值計(jì)算等；部分課程做捆綁教學(xué)，如計(jì)算機(jī)基礎(chǔ)和Word、Excel，運(yùn)籌學(xué)和Lingo，概率論與數(shù)理統(tǒng)計(jì)和Spss；還有一些課程以專題講座的方式呈現(xiàn)，如神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、層次分析法、退火算法等。

3.教學(xué)進(jìn)程層次化

結(jié)合獨(dú)立院校學(xué)生的年齡特點(diǎn)、知識(shí)結(jié)構(gòu)和智力水平，數(shù)學(xué)建模應(yīng)采取分層教學(xué)，逐段提高。

面向低年級(jí)學(xué)生，廣泛宣傳數(shù)學(xué)建模，力求激發(fā)學(xué)生學(xué)習(xí)數(shù)學(xué)的興趣，讓學(xué)生知道什么是數(shù)學(xué)建模，明白打牢基礎(chǔ)的重要性。開(kāi)設(shè)類似“生活中的數(shù)學(xué)模型”選修課，多舉辦相關(guān)專題講座。

進(jìn)入大學(xué)二年級(jí)，分兩方面提升建模水平。一方面，豐富專業(yè)知識(shí)，開(kāi)設(shè)介紹數(shù)學(xué)建模基礎(chǔ)知識(shí)的相關(guān)課程：另一方面，讓學(xué)生接觸簡(jiǎn)單的數(shù)學(xué)模型，介紹一些數(shù)學(xué)軟件的入門(mén)知識(shí)，適當(dāng)參與高年級(jí)的研討班。主要目的是使學(xué)生具備初步的數(shù)學(xué)建模能力。

經(jīng)過(guò)兩年的基礎(chǔ)學(xué)習(xí)和訓(xùn)練，對(duì)大三學(xué)生全面展開(kāi)數(shù)學(xué)建模能力的培養(yǎng)。繼續(xù)深化相關(guān)知識(shí)，注重培養(yǎng)學(xué)生的團(tuán)隊(duì)協(xié)作和處理問(wèn)題的能力。把計(jì)算機(jī)融入數(shù)學(xué)模型的求解之中，熟練各種數(shù)學(xué)軟件的操作。在暑假開(kāi)展全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽集訓(xùn)，組織學(xué)生參加比賽。

對(duì)大四的學(xué)生，有意識(shí)引導(dǎo)他們獨(dú)立開(kāi)展建?；顒?dòng)。讓學(xué)生自己組建研究團(tuán)隊(duì)，嘗試從生產(chǎn)生活中提取問(wèn)題，數(shù)據(jù)收集處理后建立模型，編寫(xiě)計(jì)算機(jī)語(yǔ)言進(jìn)行算法實(shí)現(xiàn)，進(jìn)而對(duì)計(jì)算結(jié)果分析、檢驗(yàn)、評(píng)價(jià)，培養(yǎng)初步的科研能力，結(jié)果以科技論文形式呈現(xiàn)。

三、數(shù)學(xué)建模教學(xué)模式的實(shí)踐

第5篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

這種思維導(dǎo)圖是按照發(fā)散性思維的特點(diǎn)，把學(xué)生注意力的焦點(diǎn)清晰地集中在中央圖形上，知識(shí)主題的主干從中央向四周呈放射狀；知識(shí)的分支由一個(gè)關(guān)鍵圖形或?qū)懺诋a(chǎn)生聯(lián)想的線條上面的關(guān)鍵詞構(gòu)成，各個(gè)次級(jí)話題也以分支形式表現(xiàn)出來(lái)，依附在較高層次的分支上面；各分支形成一個(gè)連接的節(jié)點(diǎn)結(jié)構(gòu)并且末端開(kāi)放。因此說(shuō)，思維導(dǎo)圖表現(xiàn)為樹(shù)狀發(fā)散結(jié)構(gòu)。

化學(xué)是一門(mén)抽象的課程，學(xué)生雖然對(duì)各種化學(xué)現(xiàn)象有所了解，但都是建立在感性認(rèn)識(shí)的基礎(chǔ)之上，并沒(méi)有形成理性的概念。在化學(xué)課上，很多知識(shí)點(diǎn)都是學(xué)生第一次聽(tīng)說(shuō)，掌握知識(shí)往往是孤立分散的，難以建立一個(gè)清晰的知識(shí)系統(tǒng)。思維導(dǎo)圖以其發(fā)散思維的特點(diǎn)，能夠把學(xué)生頭腦中各個(gè)孤立的概念統(tǒng)一起來(lái)，有利于學(xué)生對(duì)化學(xué)知識(shí)的建構(gòu)。

下面，筆者從以下幾個(gè)方面談一下思維導(dǎo)圖對(duì)于學(xué)生學(xué)習(xí)初中化學(xué)的輔助作用。

1 思維導(dǎo)圖結(jié)構(gòu)清晰、主題鮮明，有利于學(xué)生快速掌握知識(shí)

思維導(dǎo)圖的創(chuàng)設(shè)原理是基于人腦的思維模式。人類的心理活動(dòng)是基于人腦的神經(jīng)系統(tǒng)：人腦由一個(gè)個(gè)神經(jīng)元組成，神經(jīng)元擁有很多的軸突和樹(shù)突，各個(gè)神經(jīng)元的突起末端又和多個(gè)神經(jīng)元的突起末端相連接，形成了一個(gè)大腦神經(jīng)網(wǎng)絡(luò)；神經(jīng)元具有接受刺激、傳遞和整合信息的作用，由眾多神經(jīng)元相互聯(lián)結(jié)構(gòu)成的神經(jīng)網(wǎng)絡(luò)就具備了接受、傳遞和處理信息的能力。思維導(dǎo)圖中的中心主題和子主題就是模仿這種模式建立的，只不過(guò)它更具備層級(jí)性。人的大腦分為兩部分：左腦和右腦。左腦負(fù)責(zé)邏輯、詞匯、數(shù)字，右腦負(fù)責(zé)直覺(jué)、創(chuàng)造力、想象力。人們發(fā)現(xiàn)，在左右腦相互協(xié)調(diào)作用下進(jìn)行的學(xué)習(xí)，學(xué)生記憶就會(huì)深，而且保持得相對(duì)持久，記憶效果也最好。心理學(xué)家早就通過(guò)實(shí)驗(yàn)得出這樣的結(jié)論：左腦掌管人類的理性記憶，右腦掌管感性記憶，也就是情緒記憶，打上了情緒記憶印記的理性記憶更能夠達(dá)到最佳的記憶效果。思維導(dǎo)圖使用線條、符號(hào)、圖形圖像、顏色等多種傳達(dá)信息的手段，也就是綜合利用了人的左右腦的主要功能，利用了左右腦平衡發(fā)展規(guī)律，因此能夠使得學(xué)生的記憶達(dá)到最佳的狀態(tài)。思維導(dǎo)圖以中心主題為基點(diǎn)，向外發(fā)散生成各個(gè)支點(diǎn)（子主題），再向外層級(jí)發(fā)展。每一個(gè)分支都是由不同的顏色表示，使得學(xué)生能夠清晰地獲得不同分支的信息。

初中化學(xué)是個(gè)抽象的學(xué)科，知識(shí)點(diǎn)分散，概念生疏，學(xué)生掌握起來(lái)非常吃力。思維導(dǎo)圖利用多種手段展示信息，使得學(xué)生從多方位感知化學(xué)概念和原理，這樣就化解了學(xué)生認(rèn)知的難度。學(xué)生通過(guò)這種知識(shí)網(wǎng)絡(luò)化、可視化的主題學(xué)習(xí)，更能夠建立起化學(xué)學(xué)習(xí)的知識(shí)體系，從而為立體、全方位地掌握知識(shí)打下良好的基礎(chǔ)。學(xué)生在這種網(wǎng)絡(luò)化的學(xué)習(xí)中通過(guò)其清晰的結(jié)構(gòu)、鮮明的主題，更能夠形成清晰的思路，所謂知其然更知其所以然，從而達(dá)到快速掌握化學(xué)知識(shí)的目的。

2 思維導(dǎo)圖目標(biāo)明確具體，有利于學(xué)生建立知識(shí)系統(tǒng)

這種圖示的特點(diǎn)就是以中心主題為基點(diǎn)，向各個(gè)方向衍生出多個(gè)次級(jí)主題。中心主題字號(hào)最大，處于整個(gè)圖示的中心位置，因而最醒目，容易讓學(xué)生形成清晰的印象，讓學(xué)生的學(xué)習(xí)目標(biāo)更加明確。各分支主題依照其與中心主題的關(guān)系遠(yuǎn)近，字號(hào)逐漸變小，但是都是以少數(shù)幾個(gè)字清晰地表示出關(guān)鍵詞或概念，因而也能夠讓學(xué)生迅速地抓住知識(shí)系統(tǒng)上的關(guān)鍵節(jié)點(diǎn)，形成清晰的思路。每級(jí)主題使用不同的顏色區(qū)分，就如同劃出了概念衍生路線，使得知識(shí)展現(xiàn)更加鮮明、具體，更重要的是避免了學(xué)生不同知識(shí)點(diǎn)的混淆，使其把握知識(shí)更到位，為學(xué)生建立起完整、系統(tǒng)的知識(shí)體系做好鋪墊。

3 思維導(dǎo)圖形式開(kāi)放，有利于培養(yǎng)學(xué)生發(fā)散思維

由于思維導(dǎo)圖就是人腦思維的模式，因此說(shuō)不同的人可以擁有不同的想法，可以繪制具有自我特色的思維導(dǎo)圖。教師和學(xué)生可以根據(jù)自己對(duì)于知識(shí)的理解程度和理解方式任意構(gòu)思思維導(dǎo)圖，只要是能夠自圓其說(shuō)。這就打破了傳統(tǒng)教學(xué)中教師唯我獨(dú)尊、一言一式的解題思路；打破教師主宰課堂，打破教師壓制學(xué)生的獨(dú)創(chuàng)性見(jiàn)解，禁錮學(xué)生思維的封閉式教育，讓封閉式教育演變成能夠發(fā)揮學(xué)生特長(zhǎng)的開(kāi)放式教育；讓學(xué)生能夠擁有自己發(fā)揮想象和創(chuàng)想的空間，從多個(gè)角度進(jìn)行構(gòu)思設(shè)想，形成發(fā)散式的解題思路，培養(yǎng)了學(xué)生的發(fā)散式思維；讓學(xué)生學(xué)有所獲，學(xué)有所長(zhǎng)，使得教育成為培養(yǎng)人的發(fā)展能力的教育。不是讓學(xué)生的各種才華被封閉，只是成為讀死書(shū)、死讀書(shū)的書(shū)呆子，讓學(xué)生最后都成為如同生產(chǎn)線上的產(chǎn)品一樣，變成模型化產(chǎn)品。

4 思維導(dǎo)圖內(nèi)容表現(xiàn)多樣，有利于培養(yǎng)學(xué)生創(chuàng)新思維

各種知識(shí)內(nèi)容不盡相同，表現(xiàn)形式也多種多樣。不同的教師可以擁有不同的教法、不同的教學(xué)思路；不同的學(xué)生可以擁有不同的學(xué)法，擁有不同的認(rèn)知途徑，正所謂“教無(wú)定法，學(xué)無(wú)定式”。思維導(dǎo)圖的開(kāi)放性決定了它的內(nèi)容表現(xiàn)形式的多樣性。教師可以打破章節(jié)的限制，從知識(shí)框架的整體上構(gòu)思思維導(dǎo)圖，使其充分展示如何更能讓學(xué)生盡快地達(dá)到認(rèn)識(shí)事物本質(zhì)的目的，使其更加符合事物發(fā)展、認(rèn)知的規(guī)律。學(xué)生可以從自身的認(rèn)知基礎(chǔ)上繪制順應(yīng)自我獨(dú)創(chuàng)性思路的思維導(dǎo)圖，這就更能增強(qiáng)他們學(xué)習(xí)的自信心，激發(fā)他們自主學(xué)習(xí)的能動(dòng)性，為他們形成自己的獨(dú)創(chuàng)性想法開(kāi)辟路徑。

第6篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

現(xiàn)代信息技術(shù)的三大支柱是傳感技術(shù)、通信技術(shù)和計(jì)算機(jī)技術(shù)，它們分別構(gòu)成了信息系統(tǒng)的“感官”、“神經(jīng)”和“大腦”。因此，傳感技術(shù)是信息時(shí)代的重要基礎(chǔ)技術(shù)。傳感器是信息系統(tǒng)獲取信息的首要部件――電五官，是能感受（或響應(yīng)）規(guī)定的被測(cè)量并按照一定規(guī)律轉(zhuǎn)換成可用信號(hào)輸出的器件或裝置。傳感器也是測(cè)控系統(tǒng)獲得信息的重要環(huán)節(jié)，在很大程度上影響和決定了系統(tǒng)的功能。國(guó)外一些著名專家曾評(píng)論說(shuō)：“征服了傳感器就等于征服了科學(xué)技術(shù)”、“如果沒(méi)有傳感器檢測(cè)各種信息，那么支撐現(xiàn)代文明的科學(xué)技術(shù)，就不可能發(fā)展”、“唯有模仿人腦的計(jì)算機(jī)和傳感器的協(xié)調(diào)發(fā)展，才能決定技術(shù)的將來(lái)”。

傳感器幾乎應(yīng)用于所有的技術(shù)領(lǐng)域，并逐漸深入人們的生活。比如，在機(jī)器人技術(shù)領(lǐng)域，作為新產(chǎn)業(yè)革命的典型代表――智能機(jī)器人將大量使用視覺(jué)、觸覺(jué)、聽(tīng)覺(jué)、嗅覺(jué)、味覺(jué)以及各種內(nèi)部傳感器；在航空、航天技術(shù)領(lǐng)域，整個(gè)阿波羅10號(hào)飛船就是高性能傳感器的集合體；在民用工業(yè)中也大量應(yīng)用傳感器，僅一部汽車(chē)就需要50多只傳感器；在日常生活中，各種家用電器需要的傳感器也有上百個(gè)品種規(guī)格。

傳感技術(shù)的發(fā)展動(dòng)向

1.集成化和智能化

集成化：使傳感器和測(cè)控儀器具有多種敏感元件、數(shù)字信號(hào)輸出、信息存儲(chǔ)和記憶、邏輯判斷、雙向通信、決策、自檢、自校準(zhǔn)、自補(bǔ)償、數(shù)值處理等功能。

智能化：智能化多傳感器系統(tǒng)能夠在復(fù)雜而多變的環(huán)境中，迅速、有效、準(zhǔn)確地獲取、分析、處理和綜合傳感器信息，它們基于多傳感器信息融合、模式識(shí)別來(lái)作出正確的描述和決策。

集成化智能化傳感器的典型代表是智能固體攝像器件，日本在270μm厚的硅片上研制出包括光電陣列、信號(hào)處理、記憶、演算、驅(qū)動(dòng)等部分在內(nèi)的智能化視覺(jué)傳感器。

2.微型化和系統(tǒng)化

微機(jī)電傳感器和微執(zhí)行器的創(chuàng)立，開(kāi)拓了微機(jī)電系統(tǒng)(MEMS)新領(lǐng)域?，F(xiàn)在許多專家都認(rèn)為：微機(jī)電系統(tǒng)將掀起下一次工業(yè)革命。MEMS傳感器及系統(tǒng)具有體積小、重量輕、功耗低、成本低、可靠性高、性能優(yōu)異及功能強(qiáng)大等無(wú)法比擬的優(yōu)點(diǎn)。

3.無(wú)線化和網(wǎng)絡(luò)化

無(wú)線傳感器網(wǎng)絡(luò)被認(rèn)為是21世紀(jì)最重要的技術(shù)之一，曾被列為對(duì)世界產(chǎn)生深遠(yuǎn)影響的十大新興技術(shù)之首。無(wú)線傳感器網(wǎng)絡(luò)是一種獨(dú)立出現(xiàn)的網(wǎng)絡(luò)，它的基本組成單位是無(wú)線傳感器節(jié)點(diǎn)，這些節(jié)點(diǎn)集成了傳感器、微處理器、無(wú)線接口和電源管理四個(gè)主要模塊。微型傳感器節(jié)點(diǎn)可以隨機(jī)或者特定地布置在工作環(huán)境中，通過(guò)無(wú)線通信實(shí)現(xiàn)自組織，獲取周?chē)h(huán)境的信息，形成分布自治系統(tǒng)，相互協(xié)同完成特定的任務(wù)。

4.感知仿生

感知仿生是通過(guò)研究生物感知器官、系統(tǒng)及生物神經(jīng)元與神經(jīng)網(wǎng)絡(luò)的功能結(jié)構(gòu)和作用機(jī)理，構(gòu)建與生物相似功能和結(jié)構(gòu)的人工系統(tǒng)。

下圖所示為北京理工大學(xué)智能機(jī)器人研究所等單位研制的應(yīng)用了視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)、平衡覺(jué)等大量傳感器的仿人形機(jī)器人在打太極拳。

5.信息難以獲取的傳感技術(shù)

信息難以獲取的傳感技術(shù)，如隔墻探測(cè)或隔墻成像技術(shù)，尤以思維信息獲取的傳感器系統(tǒng)至關(guān)重要。

美國(guó)科學(xué)家日前在動(dòng)物實(shí)驗(yàn)中“解碼”了從猴子大腦中記錄下的思維信號(hào)，并進(jìn)而用這些信號(hào)成功地對(duì)實(shí)驗(yàn)裝置進(jìn)行控制，朝著用意識(shí)控制機(jī)器的方向邁進(jìn)了一步。此外利用魚(yú)腦、人腦控制機(jī)器人，也獲得成功。

傳感技術(shù)在中小學(xué)教育中應(yīng)用的必要性

1.有利于提高中小學(xué)生科學(xué)素養(yǎng)

目前中小學(xué)生的科技素質(zhì)偏低，中小學(xué)科技教育薄弱。這種狀況令人十分擔(dān)憂。一個(gè)民族科學(xué)素質(zhì)的提高，僅靠個(gè)別的科技“精英”是遠(yuǎn)遠(yuǎn)不夠的，應(yīng)該面向全體學(xué)生和公民，首先要對(duì)全體中小學(xué)生施以不同層次、不同內(nèi)容、適用范圍廣泛的基礎(chǔ)科技知識(shí)和方法的教育，使他們成為具有良好科學(xué)素質(zhì)的現(xiàn)代公民。

全面培養(yǎng)學(xué)生的素質(zhì)教育是時(shí)展的趨勢(shì)，也是我國(guó)教育改革的必然趨勢(shì)。目前在中小學(xué)舉辦的被稱之為“傳感器系統(tǒng)集成的智能機(jī)器人競(jìng)賽”的賽事越來(lái)越多，其主要原因就是為了在增強(qiáng)學(xué)生對(duì)學(xué)習(xí)的興趣、激發(fā)學(xué)生對(duì)信息科技濃厚興趣的同時(shí)，全面拓展信息科技活動(dòng)的廣度和深度及全面培養(yǎng)學(xué)生對(duì)信息科技的開(kāi)發(fā)能力，提升信息科技教育的價(jià)值。

機(jī)器人是21世紀(jì)中小學(xué)生最富挑戰(zhàn)性的科技活動(dòng)平臺(tái)，它的學(xué)習(xí)價(jià)值得到了充分的體現(xiàn)，它全面接觸傳感器技術(shù)、計(jì)算機(jī)的軟硬件的開(kāi)發(fā)、人工智能等高新科技；它能全面培養(yǎng)學(xué)生的動(dòng)手能力、創(chuàng)造力、綜合能力、合作能力和進(jìn)取精神；它能全面激發(fā)學(xué)生對(duì)科學(xué)技術(shù)的興趣。當(dāng)學(xué)生看到自己設(shè)計(jì)、制作的產(chǎn)品行動(dòng)起來(lái)時(shí)，那種喜悅的心情是任何事情都無(wú)法比擬的；如果這種產(chǎn)品又被大規(guī)模地推向市場(chǎng)，為很多人使用和珍愛(ài)，這種快樂(lè)就更是無(wú)以復(fù)加了。

事實(shí)上，“機(jī)器人大賽”為大家提供了一個(gè)實(shí)踐的舞臺(tái)。因此，希望大家能積極地參加機(jī)器人大賽，去體驗(yàn)一下“制作的快樂(lè)”。而且，由于對(duì)初中、高中在校學(xué)生素質(zhì)能力的日益關(guān)注，有可能在今后中考和高考中，會(huì)給參加機(jī)器人大賽的同學(xué)予以積極的評(píng)價(jià)，對(duì)于在大賽中取得良好成績(jī)的同學(xué)予以保送等支持。以促進(jìn)學(xué)生科學(xué)素質(zhì)和良好心理素質(zhì)的提高，養(yǎng)成勇于探索、追求新知、實(shí)事求是、敢于創(chuàng)新的科學(xué)精神。

2.有利于學(xué)生提高動(dòng)手實(shí)踐能力

目前中小學(xué)課程、教材、教法不完全適應(yīng)現(xiàn)代科技教育和培養(yǎng)創(chuàng)新人才的需要。課程結(jié)構(gòu)不盡合理，教材知識(shí)滯后，教學(xué)方法不夠靈活，基本上以講授科學(xué)知識(shí)為主，讓學(xué)生聽(tīng)科學(xué)、讀科學(xué)，而不是做科學(xué)、用科學(xué)。另外中小學(xué)科技教育經(jīng)費(fèi)嚴(yán)重不足，科技教育設(shè)施和條件難以滿足科技教育的基本要求。這些導(dǎo)致我國(guó)的中小學(xué)生讀書(shū)、考試擅長(zhǎng)，動(dòng)手實(shí)踐、創(chuàng)新能力不足，一條腿長(zhǎng)、一條腿短。為此，在可能條件下，在中小學(xué)教育中應(yīng)用較低成本的傳感器技術(shù)，有利于提高學(xué)生動(dòng)手實(shí)踐能力，從征服傳感器技術(shù)入手，征服科學(xué)，從了解機(jī)器人感知系統(tǒng)起步，到掌握機(jī)器人的智能技術(shù)。

第7篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

人工智能技術(shù)就本質(zhì)而言是對(duì)于模擬人腦的思維和處理事務(wù)的方式，但有別于人腦思維的是人工智能只是進(jìn)行無(wú)意識(shí)的機(jī)械的物理操作，并不具備像人腦一樣的創(chuàng)造性（見(jiàn)圖1）。人工智能的最終目標(biāo)是通過(guò)不斷研究人類智能生產(chǎn)出能夠高度和人類智能及思維方式的相似反應(yīng)的智能機(jī)器。研究領(lǐng)域主要有：機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別以及自然語(yǔ)言處理和專家系統(tǒng)等。目前人工智能在我國(guó)電氣化控制中的技術(shù)實(shí)際應(yīng)用還不是很多，這需要我們今后不斷地去探索研究，去更好地促進(jìn)電氣領(lǐng)域快速發(fā)展。

2人工智能控制技術(shù)的優(yōu)點(diǎn)

人工智能控制不同分支通常需要有針對(duì)性的研究方法。但其中采用神經(jīng)、模糊、模糊神經(jīng)以及遺傳等算法的AI控制器都可看成為一類非線性函數(shù)近似器。既然有利于從總體上的直觀了解，并且有利于實(shí)現(xiàn)對(duì)控制策略的進(jìn)行統(tǒng)一開(kāi)發(fā)。這些AI函數(shù)近似器大大優(yōu)于通常的函數(shù)估計(jì)器。表現(xiàn)有以下幾個(gè)方面。（1）設(shè)計(jì)之前無(wú)需事先準(zhǔn)備控制對(duì)象的模型。由于無(wú)法確定參數(shù)的具體情況導(dǎo)致變化不確定性和非線性時(shí)的信息等不確定的。通過(guò)使用人工智能控制器可以很好的解決動(dòng)態(tài)方程很難精確掌握實(shí)際控制對(duì)象現(xiàn)象。（2）人工智能控制器可以根據(jù)實(shí)際響應(yīng)時(shí)間、下降時(shí)間、魯棒性能等變化適當(dāng)調(diào)整以提高自身性能。（3）人工智能控制器比傳統(tǒng)的控制器調(diào)節(jié)更容易，在沒(méi)有進(jìn)過(guò)相關(guān)技術(shù)培訓(xùn)時(shí)，也能根據(jù)實(shí)際的數(shù)據(jù)、信息和語(yǔ)言等便捷的進(jìn)行設(shè)計(jì)操作。（4）人工智能控制器通常情況下表現(xiàn)出相當(dāng)好的一致性，即使驅(qū)動(dòng)器的特性有差異，當(dāng)輸入一些新的未知數(shù)據(jù)它們也能很好的估計(jì)。

3人工智能的實(shí)際應(yīng)用

近年來(lái)人工智能技術(shù)快速的發(fā)展，高等院校及科研機(jī)構(gòu)研究人員開(kāi)始展開(kāi)將人工智能應(yīng)用到電氣工程自動(dòng)化控制中的研究工作。在電氣方面的研究工作主要有電氣設(shè)備故障的預(yù)測(cè)、診斷、電氣產(chǎn)品的優(yōu)化設(shè)計(jì)、控制以及系統(tǒng)保護(hù)等方面。

3.1對(duì)電氣設(shè)備進(jìn)行優(yōu)化設(shè)計(jì)

對(duì)電氣設(shè)備的優(yōu)化設(shè)計(jì)是一項(xiàng)非常復(fù)雜的工作，不僅要有電路、電磁場(chǎng)、電機(jī)電器等方面的基礎(chǔ)知識(shí)，并能靈活應(yīng)用，而且還要有豐富的過(guò)去運(yùn)用設(shè)計(jì)的經(jīng)驗(yàn)。以往的產(chǎn)品設(shè)計(jì)中根據(jù)經(jīng)驗(yàn)在實(shí)驗(yàn)室通過(guò)人工手動(dòng)制作的方式進(jìn)行，所以要想獲得最優(yōu)方案是很難的。計(jì)算機(jī)技術(shù)迅猛發(fā)展的今天，電氣產(chǎn)品的設(shè)計(jì)中的手工設(shè)計(jì)方式逐漸被計(jì)算機(jī)輔助設(shè)計(jì)（CAD）所替代，產(chǎn)品開(kāi)發(fā)周期得到極大縮短。通過(guò)在CAD技術(shù)里引人人工智能，幫助設(shè)計(jì)人員提升所設(shè)計(jì)產(chǎn)品質(zhì)量和設(shè)計(jì)的效率。用于電氣產(chǎn)品的優(yōu)化設(shè)計(jì)的人工智能應(yīng)用主要集中在遺傳算法和專家系統(tǒng)兩方面。遺傳算法由于其計(jì)算方法先進(jìn)，計(jì)算結(jié)果精度高，因此遺傳算法及其衍生算法普遍應(yīng)用于對(duì)電氣產(chǎn)品的智能化優(yōu)化設(shè)計(jì)中。另外使用較多的優(yōu)化設(shè)計(jì)方法是專家系統(tǒng)。電氣設(shè)備發(fā)生故障一般是不確定和非線性的，但在故障之前有著一定的預(yù)兆，而這些預(yù)兆和故障之間又有著很緊密的聯(lián)系。通過(guò)人工智能加入可以使用專家系統(tǒng)得到最大限度的發(fā)揮。除此兩種方法外目前模糊邏輯和神經(jīng)網(wǎng)絡(luò)等方法也有被運(yùn)用到電氣設(shè)備的優(yōu)化設(shè)計(jì)當(dāng)中。

3.2對(duì)電氣設(shè)備的事故以及故障進(jìn)行診斷

電氣領(lǐng)域中通常而言，傳統(tǒng)的診斷方法不足之處就是準(zhǔn)確率不高。發(fā)動(dòng)機(jī)、發(fā)電機(jī)和變壓器等事故和故障出現(xiàn)的頻率很高。傳統(tǒng)的方法是通過(guò)對(duì)收集的變壓器油產(chǎn)生的氣體進(jìn)行分析，然后根據(jù)氣體樣本的分析結(jié)果來(lái)對(duì)故障是否存在做出判斷。不僅消耗大量的時(shí)間，而且還很費(fèi)人力，時(shí)效比較低下，所以并不方便在平常的診斷中應(yīng)用。其中原因也是紛繁復(fù)雜多變的。而這些事故和故障往往都是事發(fā)突然。由于故障需要快速的解決的特性，如果得不到及時(shí)診斷處理或者診斷處理過(guò)程中使用的方法不當(dāng)，將會(huì)造成非常嚴(yán)重的損失。所以他們處理起來(lái)一般是非常棘手的。圖2為人工智能的故障診斷方法。在電氣故障和事故診斷中有效的運(yùn)用融入了人工智能技術(shù)的神經(jīng)網(wǎng)絡(luò)、模糊理論和專家技術(shù)主要技術(shù)可以很好解決傳統(tǒng)方法遇到的問(wèn)題，大幅提升故障診斷準(zhǔn)確率，進(jìn)而成倍的提高生產(chǎn)效率，減少損失。

3.3對(duì)電氣控制過(guò)程中的有效應(yīng)用進(jìn)行分析

在電氣技術(shù)逐漸現(xiàn)代化的的今天，電氣控制過(guò)程起著相當(dāng)重要的作用，確保電氣化系統(tǒng)穩(wěn)定高效的運(yùn)行一直以來(lái)都是業(yè)界和學(xué)界所面臨的難題。電氣控制對(duì)技術(shù)人員的操作過(guò)程要求是非常嚴(yán)格，具體操作步驟也很復(fù)雜繁瑣。如何提高其操作效率是相關(guān)研究工作人員一直潛心研究最求的階段性目標(biāo)。而人工智能的出現(xiàn)有效地解決了這些問(wèn)題，人工智能借助于計(jì)算機(jī)或自動(dòng)計(jì)算等核心技術(shù)，實(shí)現(xiàn)了代替部分需要人類智能額的負(fù)責(zé)勞動(dòng)。界面化的形式不僅可以簡(jiǎn)化了日常操作過(guò)程中操作流程，而且還可以了對(duì)電氣系統(tǒng)進(jìn)行遠(yuǎn)程控制及其操作。此外還可可對(duì)某些重要信息或資料進(jìn)行及時(shí)地儲(chǔ)存，以方便日后進(jìn)行查閱，通過(guò)此技術(shù)還可自動(dòng)進(jìn)行表報(bào)的生成，大幅度降低了人力物力資源的投入，大幅提高工作效率及其精確度。人工智能在電氣自動(dòng)化中的應(yīng)用主要在專家系統(tǒng)控制、神經(jīng)網(wǎng)絡(luò)控制以及模糊控制等方面。其中模糊控制此過(guò)程主要是通過(guò)電氣傳統(tǒng)過(guò)程中的直流及交流傳動(dòng)的作用而得以實(shí)現(xiàn)的。一般情況下電氣直流傳動(dòng)控制過(guò)程中模糊邏輯控制主要包括了Mamdani和Sugeno。在具體應(yīng)用中，前者大多數(shù)是用來(lái)進(jìn)行調(diào)速控制，后者則屬于前者的一個(gè)例外情況。而在交流傳動(dòng)過(guò)程中等相關(guān)問(wèn)題的應(yīng)用而大多用模糊控制器取代傳統(tǒng)的常規(guī)調(diào)速控制器從而更好的實(shí)現(xiàn)控制功能。

3.4對(duì)控制及保護(hù)功能進(jìn)行實(shí)現(xiàn)

目前比較廣泛運(yùn)用的人工智能能實(shí)現(xiàn)對(duì)所有開(kāi)關(guān)量、模擬量數(shù)據(jù)實(shí)時(shí)自動(dòng)采集與處理，并能按照設(shè)計(jì)者預(yù)先設(shè)計(jì)好的要求進(jìn)行定時(shí)批量的整理和存貯。還可以通過(guò)運(yùn)用圖像生成軟件對(duì)于電氣系統(tǒng)進(jìn)行歷史運(yùn)轉(zhuǎn)情況進(jìn)行真實(shí)畫(huà)面模擬顯示。電流、電壓、隔離開(kāi)關(guān)、斷路器等電機(jī)設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)的到直觀形象的反應(yīng)，一目了然。操作人員可以根據(jù)實(shí)際情況進(jìn)行相關(guān)數(shù)據(jù)的分析及建立圖表。這里需要注意的是因?yàn)閳D像和畫(huà)面比正常的字符數(shù)據(jù)所要占用的系統(tǒng)資源更多，因此也需要考慮實(shí)際控制端設(shè)備的硬件條件是否符合需求，這樣可以避免因控制終端因生成圖像等需要耗費(fèi)大量運(yùn)算資源而導(dǎo)致系統(tǒng)其它重要控制程序的運(yùn)行不穩(wěn)定或者卡死的情況發(fā)生。實(shí)現(xiàn)了對(duì)各主要設(shè)備的模擬量數(shù)值、實(shí)際開(kāi)關(guān)狀態(tài)的實(shí)時(shí)智能監(jiān)視掛牌檢修功能，有事故報(bào)警越限和狀態(tài)變化事件報(bào)警，順序記錄系統(tǒng)中的各項(xiàng)事件，并進(jìn)行在線分析負(fù)序量計(jì)算等。綜合集成了聲光、語(yǔ)音、電話圖象等多模式同時(shí)或選擇性報(bào)警。在操作控制方面，智能化技術(shù)是技術(shù)人員可以通過(guò)鍵盤(pán)或鼠標(biāo)實(shí)現(xiàn)對(duì)隔離開(kāi)關(guān)，斷路器等的現(xiàn)場(chǎng)或者遠(yuǎn)程控制，勵(lì)磁電流的調(diào)整。順序記錄并實(shí)時(shí)對(duì)模擬量故障進(jìn)行錄波，相關(guān)波形捕捉，開(kāi)關(guān)量變位，在線參數(shù)設(shè)定及修改，保護(hù)定值包括軟壓板的投退。運(yùn)行管理操作票專家系統(tǒng)，自動(dòng)保存運(yùn)行日志，隨時(shí)備查，自動(dòng)生成報(bào)表的及存儲(chǔ)或打印，描繪系統(tǒng)運(yùn)行曲線等。圖3人工智能的控制功能示意圖。

3.5在電力系統(tǒng)自動(dòng)化中應(yīng)用

在火力發(fā)電廠中，通常有順序控制和開(kāi)關(guān)控制兩部分構(gòu)成輔助系統(tǒng)的工藝流程。隨著人工智能科技的不斷進(jìn)步，社會(huì)對(duì)電力行業(yè)在生產(chǎn)中要保持穩(wěn)定性和流暢性的要求不斷提高，現(xiàn)在很多大型的電力企業(yè)均將PLC控制系統(tǒng)逐步代替輔助系統(tǒng)中的比較傳統(tǒng)落后的繼電控制器。通過(guò)PLC控制系統(tǒng)可以一方面對(duì)某個(gè)工藝流程進(jìn)行實(shí)時(shí)的控制，另一方面協(xié)調(diào)全廠的安全生產(chǎn)。火力發(fā)電廠輸煤系統(tǒng)有上煤、儲(chǔ)煤、卸煤、配煤以及輔助系統(tǒng)等幾個(gè)部分共同構(gòu)成。輸煤控制系統(tǒng)由主站層、現(xiàn)場(chǎng)傳感器和遠(yuǎn)程IO站三部分組成連貫的網(wǎng)絡(luò)體系結(jié)構(gòu)。其中由人機(jī)接口和PLC共同構(gòu)成主站層，少許工作人員在設(shè)置有主站層的集控室內(nèi)，通過(guò)系統(tǒng)的顯示屏以自動(dòng)控制為主手動(dòng)控制為輔對(duì)系統(tǒng)進(jìn)行監(jiān)視和控制，大幅可以提高發(fā)電企業(yè)生產(chǎn)效率。由于PLC的在發(fā)電廠里的廣泛應(yīng)用，以往的實(shí)物元件大部分可以用軟繼電器來(lái)代替，既提高了系統(tǒng)的可靠性，又節(jié)省了電力企業(yè)的設(shè)備零配件的投入。隨著PLC技術(shù)的應(yīng)用，實(shí)現(xiàn)了電廠不同發(fā)電機(jī)組在供電系統(tǒng)之間自動(dòng)切換，供電的可靠性和穩(wěn)定性得到很大程度上提高是不言而喻的。圖4為NEMS智能綜合監(jiān)控系統(tǒng)。

4結(jié)語(yǔ)

第8篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

（華北電力大學(xué)（保定） 經(jīng)濟(jì)管理學(xué)院，河北 保定 071003）

摘要：基于灰色理論和馬爾科夫理論,建立傳統(tǒng)的灰色馬爾科夫預(yù)測(cè)模型;對(duì)傳統(tǒng)灰色馬爾科夫預(yù)測(cè)模型初始預(yù)測(cè)值的構(gòu)造存在的一定誤差進(jìn)行改進(jìn),并用改進(jìn)后的新模型計(jì)算全國(guó)碳排放量，然后將全國(guó)碳排放量預(yù)測(cè)結(jié)果與傳統(tǒng)的灰色馬爾科夫模型進(jìn)行對(duì)比;預(yù)測(cè)結(jié)果表明:改進(jìn)后的灰色馬爾科夫模型預(yù)測(cè)精度有了進(jìn)一步的提高并驗(yàn)證了算法的有效性.

關(guān)鍵詞 ：碳排放量；二氧化碳排放量；灰色理論模型；馬爾科夫鏈；新陳代謝

中圖分類號(hào)：F224文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1673-260X（2015）05-0071-03

1 引言

中國(guó)作為世界上最重要的發(fā)展中國(guó)家之一，多種因素促成碳的排放量始終高于其他國(guó)家.目前中國(guó)是全球最大的碳消費(fèi)國(guó)和第二大的石油消費(fèi)國(guó)，對(duì)世界環(huán)境和自身發(fā)展都造成了不利影響.因此針對(duì)碳排放量的先進(jìn)準(zhǔn)確預(yù)測(cè)變得尤為重要，它能夠使得政府或相關(guān)部門(mén)在碳排放量情況變得更加嚴(yán)峻之前調(diào)整能源方針，提出更加行之有效的節(jié)能低碳方案并付諸行動(dòng).

文獻(xiàn)[1]中擬建立關(guān)于能源消費(fèi)碳排放量的多因素灰色預(yù)測(cè)模型,并對(duì)GM(1,N)和GM(0,N)模型預(yù)測(cè)能源消費(fèi)碳排放量的精度進(jìn)行了檢驗(yàn)和對(duì)比分析.文獻(xiàn)[2]中利用灰色關(guān)聯(lián)分析原理,對(duì)中國(guó)碳排放影響因素進(jìn)行篩選,再利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)中國(guó)碳排放進(jìn)行預(yù)測(cè),從而大大地提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度,并且達(dá)到了良好的預(yù)測(cè)效果.

2 傳統(tǒng)的灰色馬爾科夫建模

2.1 灰色系統(tǒng)理論

設(shè)原始時(shí)間序列：X(0)={x(0)(1),x(0)(2),…,x(0)(n)}；經(jīng)過(guò)一次累加得新的時(shí)間序列：X(1)={x(1)(1),x(1)(2),…,x(1)(n)}，其中x(1)(k)=x(0)(i)，則GM(1,1)模型的原始形式為：

x(0)(k)+ax(1)(k)=b

若為參數(shù)列，且其中:

z(1)(k)=1/2[x(1)(k-1)+x(1)(k)]；

則GM(1,1)模型x(0)(k)+ax(1)(k)=b的最小二乘估計(jì)參數(shù)列滿足等式：

=(BTB)-1Y

推出關(guān)于x(0)(k)預(yù)測(cè)模型預(yù)測(cè)值表達(dá)式為：

x(0)(+1)=(1-ea)x(0)(1)-b/ae(-ak)；k=0,1,2,…，n

2.2 馬爾科夫過(guò)程

假設(shè){X(t),t∈T}是定義在概率空間(?贅,f,P)上的隨機(jī)過(guò)程，狀態(tài)空間S，若對(duì)于任意n>0狀態(tài)i1，i2，in+1∈S均有：

P{Xn+1=in+1|X1=i1，X2=i2,…,Xn=in}=P{Xn+1=in+1|Xn=in}

則稱{X(t)，t∈T}為馬爾科夫鏈，此種概率所表示現(xiàn)象稱為無(wú)后效性，即在當(dāng)前情況下，系統(tǒng)未來(lái)的變化不受過(guò)去影響，只依賴于目前所處的狀態(tài)，此過(guò)程為馬爾科夫過(guò)程.

對(duì)Pij(n)(m)=P{Xm+n=j|Xm=i}，且i,j∈S進(jìn)行定義為系統(tǒng)在m時(shí)刻所處i狀態(tài)下經(jīng)過(guò)n步轉(zhuǎn)移后處于j狀態(tài)的n步轉(zhuǎn)移概率，在齊次馬爾科夫鏈下，記Pij(n)=Pij(n)(m)，i,j∈S,n≥1，稱為馬爾科夫鏈的n步轉(zhuǎn)移概率；

設(shè)Pij={pij}=為系統(tǒng)狀態(tài)的轉(zhuǎn)移概率矩陣.n步轉(zhuǎn)移概率矩陣P(n)={Pijn}，矩陣元素具有如下性質(zhì)：

2.3 傳統(tǒng)灰色馬爾科夫模型

現(xiàn)實(shí)生活中的各種不確定因素使得轉(zhuǎn)移概率難以實(shí)現(xiàn)確切地表達(dá)，只能得到一個(gè)轉(zhuǎn)移概率取值的灰色區(qū)間集pij().

若有限狀態(tài)灰色馬爾科夫鏈的初始分布為PT(0)={p1,p2,…,pn}，轉(zhuǎn)移矩陣為p()=[pij()]均已知情況下，我們可以對(duì)未來(lái)任取某一時(shí)期系統(tǒng)的分布進(jìn)行預(yù)測(cè).即：

PT(s)=PT(0)Ps().

定義Qij(m)為從灰色狀態(tài)i經(jīng)m步后轉(zhuǎn)移到灰色狀態(tài)j的原始數(shù)據(jù)樣本數(shù)，Qi為所處灰色狀態(tài)i的原始樣本數(shù)，得到：pij(m)=；i=1,2,…,n為狀態(tài)轉(zhuǎn)移概率.

通常只考慮一步狀態(tài)概率矩陣，若預(yù)測(cè)對(duì)象處于k狀態(tài)，若狀態(tài)概率矩陣中第k行滿足：，則認(rèn)為系統(tǒng)下一時(shí)間點(diǎn)最有可能由k轉(zhuǎn)移到l狀態(tài).若存在兩個(gè)或兩個(gè)以上最大值，就需要對(duì)兩步或兩步以上的轉(zhuǎn)移概率矩陣進(jìn)行考察，以便確定狀態(tài)未來(lái)走向.

3 傳統(tǒng)模型對(duì)全國(guó)碳排放預(yù)測(cè)

3.1 數(shù)據(jù)提取與轉(zhuǎn)化

由中國(guó)統(tǒng)計(jì)年鑒得到2005年至2014年各年能源消費(fèi)總量及煤炭、石油、天然氣以及電能等所占能源消耗比例，見(jiàn)表3-1.

由于計(jì)算各年二氧化碳排放量過(guò)程中需要進(jìn)行系數(shù)轉(zhuǎn)化，因此給出各能源二氧化碳轉(zhuǎn)化系數(shù)，見(jiàn)表3-2.

因此，各年二氧化碳排放量，如下表3-3所示.

3.2 模型預(yù)測(cè)結(jié)果及分析

將所得各年CO2排放量數(shù)據(jù)帶入傳統(tǒng)灰色預(yù)測(cè)模型，得到各年CO2排放量的預(yù)測(cè)數(shù)值，計(jì)算出實(shí)際值與預(yù)測(cè)值之間的誤差以及誤差相對(duì)值，然后將其與馬爾科夫鏈模型相結(jié)合，對(duì)所得誤差相對(duì)值進(jìn)行排序，并按照順序分為三組，進(jìn)行三種灰色狀態(tài)劃分，記1=（-6.9%，-1.54%]，2=(-1.54%，-0.01%]，3=（-0.01%，2.55%],具體各年預(yù)測(cè)值、誤差、相對(duì)誤差及所屬狀態(tài)見(jiàn)表3-4.

由表3-4可知，相對(duì)誤差的狀態(tài)轉(zhuǎn)移矩陣P為：

P=

2005年處于狀態(tài)1，則狀態(tài)向量表示為x0=（1,0,0），則對(duì)2006年?duì)顟B(tài)預(yù)測(cè)為：

P(1)=x0P=(1,0,0)=(1/2,0,1/2)

則預(yù)測(cè)2006年可能處于第一狀態(tài)或者是第三狀態(tài)，即相對(duì)的誤差范圍處于（-6.9%，-1.54%]或3=（-0.01%，2.55%]，每個(gè)狀態(tài)區(qū)間可能預(yù)測(cè)值可認(rèn)定為該狀態(tài)區(qū)間的中點(diǎn)，由于未來(lái)狀態(tài)預(yù)測(cè)值表達(dá)式為：

因此2006年的二氧化碳排放量預(yù)測(cè)修正值為：

同單純灰色預(yù)測(cè)模型相比，灰色馬爾科夫模型的預(yù)測(cè)值更為準(zhǔn)確，同理通過(guò)灰色馬爾科夫預(yù)測(cè)模型得出各年二氧化碳預(yù)測(cè)值.見(jiàn)表3-5.

4 改進(jìn)的灰色馬爾科夫預(yù)測(cè)模型

為了能夠更準(zhǔn)確地了解系統(tǒng)未來(lái)的發(fā)展動(dòng)態(tài)和走向，我們引入了新陳代謝的GM(1,1)模型.新陳代謝的GM(1,1)模型作為灰GM(1,1)模型的一種特殊的優(yōu)化模型，它充分利用了灰色GM(1,1)模型對(duì)“少數(shù)據(jù)”進(jìn)行預(yù)測(cè)的這一優(yōu)點(diǎn).在將舊的信息去掉的同時(shí)不斷填充新的數(shù)據(jù)信息，及時(shí)地反應(yīng)系統(tǒng)當(dāng)前的狀態(tài)特征，有利于更好地掌握系統(tǒng)的未來(lái)發(fā)展走向.

首先將由灰色模型得到的2014預(yù)測(cè)值記為x(0)(10)，然后舍棄最早的2005年數(shù)據(jù)，則得到新的X(0)={x(0)(2),x(0)(3),……,x(0)(10)}，然后得到新模型的預(yù)測(cè)值、殘差、相對(duì)誤差及所屬狀態(tài)，見(jiàn)表4-1.

同理，對(duì)所得誤差相對(duì)值進(jìn)行排序，并按照順序分為三組，進(jìn)行三種灰色狀態(tài)劃分，記1=（-2.94%，-0.79%]，2=(-0.79%，0.15%)，3=[0.62%，2.41%],由表4-1可知，相對(duì)誤差的狀態(tài)轉(zhuǎn)移矩陣P為：

同理，通過(guò)狀態(tài)轉(zhuǎn)移矩陣，得出各年預(yù)測(cè)值，見(jiàn)表4-2.

5 改進(jìn)后模型的預(yù)測(cè)結(jié)果分析比較

通過(guò)前面四章分析計(jì)算，可以分別得出三種方法的平均絕對(duì)誤差、平均相對(duì)誤差以及均方差，見(jiàn)表5-1：

由表5-1可知，改進(jìn)后的灰色馬爾科夫模型具有更為客觀的平均絕對(duì)誤差和相對(duì)誤差值，同時(shí)也具有較為優(yōu)秀的均方差值，尤其是在2014年的預(yù)測(cè)中，表現(xiàn)的尤為優(yōu)秀，表明同新陳代謝相結(jié)合的灰色馬爾科夫改進(jìn)后模型能夠準(zhǔn)確預(yù)測(cè)全國(guó)二氧化碳排量總量，因此用這種方法改進(jìn)的模型具有可行性，提高了預(yù)測(cè)的準(zhǔn)確性.

6 結(jié)論

本文在理論、方法、以及技術(shù)上對(duì)全國(guó)二氧化碳的排放量預(yù)測(cè)進(jìn)行了研究.本文首先簡(jiǎn)單介紹了馬爾科夫過(guò)程和灰色系統(tǒng)理論的一些基礎(chǔ)知識(shí)；然后分別運(yùn)用傳統(tǒng)灰色模型和灰色馬爾科夫預(yù)測(cè)模型對(duì)二氧化碳排放量進(jìn)行了初步預(yù)測(cè)；最后，用新城代謝方法對(duì)灰色馬爾科夫預(yù)測(cè)模型做了改進(jìn)，并將改進(jìn)后的模型再次用于對(duì)全國(guó)郵電業(yè)務(wù)總量的預(yù)測(cè).由最終的預(yù)測(cè)結(jié)果可以得出，改進(jìn)后的預(yù)測(cè)模型能相對(duì)準(zhǔn)確地對(duì)全國(guó)二氧化碳排放量的數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)的精度和準(zhǔn)確度相對(duì)于傳統(tǒng)模型有了很大的提升.

參考文獻(xiàn)：

〔1〕張勇，劉嬋，姚亞平.GM(1,N)與GM（0,N）模型在能源消費(fèi)碳排放預(yù)測(cè)中的比較研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2014(3):72-79.

〔2〕季廣月.基于灰色關(guān)聯(lián)分析的BP神經(jīng)網(wǎng)絡(luò)模型在中國(guó)碳排放預(yù)測(cè)中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2014(7):243-249.

〔3〕鄧聚龍.灰色理論基礎(chǔ)[M].武漢：華中科技大學(xué)出版社，2002.

〔4〕鄧聚龍.灰色系統(tǒng)基本方法[M].武漢：華中科技大學(xué)出版社，1998.

〔5〕劉思峰，黨耀國(guó)，方志耕，等.灰色系統(tǒng)理論及應(yīng)用（第三版）[M].北京：科學(xué)出版社，2004.

〔6〕孫榮恒.隨機(jī)過(guò)程及其應(yīng)用[M].北京：清華大學(xué)出版社，2004.

〔7〕李龍鎖，王勇.隨機(jī)過(guò)程[M].北京：科學(xué)出版社，2011.

〔8〕牛東曉..粒子群優(yōu)化灰色模型在電力負(fù)荷中的應(yīng)用[J].中國(guó)管理科學(xué)，2007.

第9篇：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)范文

Matlab及其應(yīng)用課程與多門(mén)課程交叉，既具有理論性又具有實(shí)踐性，為了提高教學(xué)效果，需要對(duì)該課程的教學(xué)進(jìn)行研究和改進(jìn)。根據(jù)作者調(diào)研，目前的教學(xué)實(shí)踐中存在以下問(wèn)題：教學(xué)內(nèi)容上，主要參照各類教程按功能分類陳述的一系列命令和函數(shù)的用法，沒(méi)有與相關(guān)課程的教學(xué)內(nèi)容結(jié)合，而且缺少具有實(shí)際應(yīng)用背景的介紹；教學(xué)方法上，以講授法為主，按照教材的章節(jié)順序?qū)滩纳系拿詈秃瘮?shù)介紹，再通過(guò)相關(guān)例子講解用法，學(xué)生不能自主學(xué)習(xí)和探索；教學(xué)效果上，僅僅會(huì)獨(dú)立使用命令和函數(shù)，面對(duì)具體的專業(yè)問(wèn)題時(shí)，卻不能運(yùn)用所學(xué)相關(guān)的知識(shí)去解決實(shí)際問(wèn)題，具體表現(xiàn)為學(xué)生綜合應(yīng)用能力不強(qiáng)，缺乏分析問(wèn)題的能力。究其原因，主要在于課程內(nèi)容與專業(yè)、應(yīng)用背景脫節(jié)，而且傳統(tǒng)教學(xué)方法對(duì)命令和函數(shù)的講授與應(yīng)用練習(xí)都是單獨(dú)進(jìn)行的，沒(méi)有及時(shí)與應(yīng)用實(shí)例相結(jié)合，學(xué)生往往當(dāng)時(shí)能聽(tīng)懂、會(huì)練習(xí)，但到真正在解決實(shí)際問(wèn)題時(shí)需要綜合若干知識(shí)點(diǎn)，卻不能根據(jù)實(shí)際情況靈活運(yùn)用已學(xué)過(guò)的知識(shí)，有的甚至學(xué)了前面忘了后面，從而失去學(xué)習(xí)的興趣，導(dǎo)致教學(xué)效果很不理想。

二、教學(xué)內(nèi)容的研究

Matlab及其應(yīng)用課程的教學(xué)內(nèi)容可以分為三個(gè)層次：一是基礎(chǔ)知識(shí)，主要包括矩陣操作、可視化、程序設(shè)計(jì)和GUI等，這部分內(nèi)容和其他高級(jí)語(yǔ)言基本相通；二是動(dòng)態(tài)系統(tǒng)建模、仿真和綜合分析的集成環(huán)境Simulink，該內(nèi)容是教學(xué)的重點(diǎn)和難點(diǎn)；三是工具箱，該內(nèi)容可根據(jù)專業(yè)背景有選擇的進(jìn)行教學(xué)。本課程存在著內(nèi)容多和學(xué)時(shí)有限的矛盾，為了能在有限的時(shí)間內(nèi)讓學(xué)生掌握核心內(nèi)容、打好基礎(chǔ)，在后續(xù)學(xué)習(xí)和應(yīng)用中具備自學(xué)能力，精選教學(xué)內(nèi)容尤為關(guān)鍵，課程內(nèi)容應(yīng)根據(jù)不同專業(yè)、專業(yè)特征以及不同的教學(xué)對(duì)象進(jìn)行不同的調(diào)整和補(bǔ)充，在教材的選用上也所不同。在教學(xué)中應(yīng)根據(jù)專業(yè)背景的實(shí)際情況，參照課程教學(xué)大綱，選擇的教學(xué)內(nèi)容盡可能地覆蓋知識(shí)點(diǎn)，而且在深入學(xué)習(xí)后續(xù)內(nèi)容的同時(shí)能對(duì)已講授過(guò)的內(nèi)容進(jìn)行復(fù)習(xí)。

1.理論聯(lián)系實(shí)際，強(qiáng)調(diào)應(yīng)用領(lǐng)域。

如何在有限的學(xué)時(shí)內(nèi)讓學(xué)生掌握Matlab軟件，并能綜合運(yùn)用軟件提供的功能解決各自的專業(yè)問(wèn)題是課程教學(xué)的目的。作者的教學(xué)思路是從實(shí)際應(yīng)用領(lǐng)域中選取典型范例，突出應(yīng)用價(jià)值，從實(shí)際工程中了解哪些問(wèn)題需要或者可以由Matlab來(lái)解決。矩陣運(yùn)算是Matlab最基本的功能，在講解這部分內(nèi)容時(shí)，通過(guò)介紹數(shù)理統(tǒng)計(jì)中的線性回歸和實(shí)際應(yīng)用建立聯(lián)系，對(duì)矩陣求逆、轉(zhuǎn)置等知識(shí)點(diǎn)進(jìn)行教學(xué)。Matlab在數(shù)據(jù)可視化方面也提供了強(qiáng)大的功能，在該部分內(nèi)容的教學(xué)過(guò)程中，可向?qū)W生介紹在實(shí)際試驗(yàn)、工程測(cè)量及科學(xué)計(jì)算中，通常將采樣的離散數(shù)據(jù)用各種形式的圖形表示出來(lái)，從而分析其所反映的內(nèi)在規(guī)律。在Simulink教學(xué)過(guò)程中，作者通過(guò)介紹汽車(chē)懸架的知識(shí)引入“彈簧—質(zhì)量—阻尼器”機(jī)械動(dòng)力學(xué)系統(tǒng)的仿真。通過(guò)強(qiáng)調(diào)教學(xué)知識(shí)潛在的應(yīng)用價(jià)值，可以充分調(diào)動(dòng)學(xué)生學(xué)習(xí)的主動(dòng)性和積極性。

2.根據(jù)專業(yè)背景增加教學(xué)內(nèi)容。

Matlab作為一種高性能的數(shù)值計(jì)算和可視化軟件，隨著其功能的逐步增加和完善，在電氣、電子、控制、機(jī)械、汽車(chē)、航空航天等眾多領(lǐng)域有著廣泛的應(yīng)用，這就要求教師要處理好基礎(chǔ)知識(shí)和高級(jí)應(yīng)用的關(guān)系，結(jié)合專業(yè)背景，從中選取相關(guān)的知識(shí)，在教學(xué)過(guò)程中將先進(jìn)工具箱的功能、在相關(guān)領(lǐng)域的應(yīng)用現(xiàn)狀及時(shí)介紹給學(xué)生。如：電類專業(yè)適當(dāng)增加SimPowerSystems工具箱的教學(xué)，機(jī)械類專業(yè)需要了解SimMechanics工具箱，信息類專業(yè)可選擇增加神經(jīng)網(wǎng)絡(luò)、最優(yōu)化、圖像處理工具箱等。結(jié)合學(xué)科背景增加教學(xué)內(nèi)容，擴(kuò)大了學(xué)生的知識(shí)面，提高了學(xué)生對(duì)科學(xué)技術(shù)的興趣。

三、教學(xué)方法的研究與探索

1.運(yùn)用實(shí)例教學(xué)法。

實(shí)例教學(xué)法依托具有代表性的例子對(duì)所涉及的知識(shí)點(diǎn)進(jìn)行教學(xué)，這種教學(xué)法目的性強(qiáng)，具有直觀、實(shí)用的特點(diǎn)，能迅速吸引學(xué)生的注意力，提高學(xué)生的學(xué)習(xí)興趣和積極性。應(yīng)用實(shí)例教學(xué)法對(duì)于Matlab語(yǔ)言基礎(chǔ)的教學(xué)有較好的效果，在教學(xué)過(guò)程中不以教材的章節(jié)順序進(jìn)行授課，而是以實(shí)例為中心，通過(guò)綜合講解精心選擇的實(shí)例，使學(xué)生更好地掌握知識(shí)點(diǎn)，并把要學(xué)習(xí)的知識(shí)點(diǎn)融入到具體實(shí)例中來(lái)講解，整個(gè)教學(xué)過(guò)程強(qiáng)調(diào)學(xué)以致用，在應(yīng)用中學(xué)習(xí)。例如在Matlab語(yǔ)言的數(shù)據(jù)類型、數(shù)值運(yùn)算、基本語(yǔ)句結(jié)構(gòu)、程序流程結(jié)構(gòu)、繪圖基礎(chǔ)等知識(shí)點(diǎn)的教學(xué)過(guò)程中，筆者通過(guò)冒泡排序、分段函數(shù)的實(shí)現(xiàn)及圖像繪制等實(shí)例進(jìn)行綜合教學(xué)，效果明顯優(yōu)于傳統(tǒng)的教學(xué)方法。

2.實(shí)施任務(wù)驅(qū)動(dòng)教學(xué)。

任務(wù)驅(qū)動(dòng)法以學(xué)生為中心、以任務(wù)為驅(qū)動(dòng)，是一種主動(dòng)探究型的教學(xué)方法，將任務(wù)驅(qū)動(dòng)法運(yùn)用于課堂教學(xué)，引導(dǎo)學(xué)生思考，不僅可以激發(fā)學(xué)生的學(xué)習(xí)興趣，更重要的是培養(yǎng)了學(xué)生發(fā)現(xiàn)問(wèn)題、分析問(wèn)題和解決問(wèn)題的能力，完成知識(shí)的自我構(gòu)建，有利于培養(yǎng)學(xué)生自主學(xué)習(xí)的能力。例如，MatlabGUI程序設(shè)計(jì)部分的教學(xué)，如果采用先介紹句柄圖形對(duì)象再介紹其屬性的傳統(tǒng)教學(xué)方式，則不利于學(xué)生完成知識(shí)構(gòu)建和能力的形成，更不利于通過(guò)自主學(xué)習(xí)學(xué)會(huì)設(shè)計(jì)步驟。教學(xué)時(shí)，可以將該部分內(nèi)容設(shè)計(jì)成任務(wù)，“驅(qū)動(dòng)”學(xué)生在完成任務(wù)的過(guò)程中掌握知識(shí)的應(yīng)用。筆者在教學(xué)過(guò)程中，要求學(xué)生根據(jù)“自動(dòng)控制原理”課程學(xué)習(xí)的內(nèi)容，完成二階系統(tǒng)階躍響應(yīng)的圖形化設(shè)計(jì)。任務(wù)目的：①掌握MatlabGUI程序設(shè)計(jì)；②培養(yǎng)學(xué)生自主學(xué)習(xí)能力。任務(wù)內(nèi)容：①綜合應(yīng)用Matlab語(yǔ)言中數(shù)組、函數(shù)、繪圖指令以及GUI界面設(shè)計(jì)等知識(shí)，開(kāi)發(fā)簡(jiǎn)單交互式應(yīng)用程序；②編程計(jì)算二階系統(tǒng)階躍響應(yīng)函數(shù)，并實(shí)現(xiàn)圖形化顯示；③創(chuàng)建一個(gè)圖形用戶界面，實(shí)現(xiàn)在界面上輸入相關(guān)參數(shù)，便可以顯示二階系統(tǒng)階躍響應(yīng)的圖形；④調(diào)節(jié)系統(tǒng)參數(shù)，對(duì)比其圖形變化。

四、結(jié)論