時(shí)間：2022-12-14 13:20:18
序論：在您撰寫神經(jīng)網(wǎng)絡(luò)論文時(shí)，參考他人的優(yōu)秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導(dǎo)您走向新的創(chuàng)作高度。
EL檢測原理與檢測系統(tǒng)在文獻(xiàn)［1］中有詳細(xì)的描述。本文采用該文獻(xiàn)中的方法對太陽能電池片的EL圖像進(jìn)行采集。圖1(a)、(b)、(c)分別表示由CCD采集的一塊大小為125bits×125bits的虛焊缺陷圖像、微裂缺陷圖像和斷指缺陷圖像。圖1(d)是無缺陷太陽能電池組圖像，它包含36(6×6)塊大小為125bits×125bits的太陽能電池片圖像。本文提出融合主成分分析(PCA)改進(jìn)反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)方法和徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)方法對太陽能電池缺陷電致發(fā)光圖像進(jìn)行處理，主要包括圖像采集、PCA特征提取降維、神經(jīng)網(wǎng)絡(luò)分類訓(xùn)練、預(yù)測輸出等部分，如圖2所示。
1．1PCA處理輸入數(shù)據(jù)當(dāng)BPNN和RBFNN的輸入是太陽能電池板缺陷圖像集時(shí)，圖像是以向量的形式表示。向量維數(shù)太大將不利于網(wǎng)絡(luò)的計(jì)算。我們采用主成分分量分析(PCA)算法［15］來提取該向量的主要特征分量，既不損失重要信息又能減少網(wǎng)絡(luò)的計(jì)算量。PCA是基于協(xié)方差矩陣將樣本數(shù)據(jù)投影到一個(gè)新的空間中，那么表示該樣本數(shù)據(jù)就只需要該樣本數(shù)據(jù)最大的一個(gè)線性無關(guān)組的特征值對應(yīng)的空間坐標(biāo)即可。將特征值從大到小排列，取較大特征值對應(yīng)的分量就稱為主成分分量。通過這種由高維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影的方法，可以將原始的高維數(shù)據(jù)壓縮到低維。假設(shè)數(shù)據(jù)矩陣Xn×p由樣本圖像組成，n是樣本數(shù)，p是樣本圖像的大小。若Xn×p的每一行代表一幅樣本圖像，則Xn×p的PCA降維矩陣求解步驟如下。
1．2創(chuàng)建BPNN模型和RBFNN模型太陽能電池缺陷種類很多，不同缺陷類型圖像具有不同特征。對太陽能電池缺陷圖像求其主成分分量作為BPNN的輸入，缺陷的分類作為輸出，輸入層有k個(gè)神經(jīng)元(降維后主成分分量個(gè)數(shù))，輸出層有1個(gè)神經(jīng)元(缺陷的分類向量)。隱層的節(jié)點(diǎn)數(shù)可以憑經(jīng)驗(yàn)多次實(shí)驗(yàn)確定，也可以設(shè)計(jì)一個(gè)隱含層數(shù)目可變的BPNN。通過誤差對比，選擇在給定對比次數(shù)內(nèi)誤差最小所對應(yīng)的隱含層神經(jīng)元數(shù)目，從而確定BPNN的結(jié)構(gòu)。一般來說，3層BPNN就能以任意的精度逼近任意的連續(xù)函數(shù)［16］。本論文選擇3層BPNN，結(jié)構(gòu)為k－m－1，m為隱含層節(jié)點(diǎn)數(shù)。為了使網(wǎng)絡(luò)訓(xùn)練時(shí)不發(fā)生“過擬合”現(xiàn)象，設(shè)計(jì)合理BPNN模型的過程是一個(gè)不斷調(diào)整參數(shù)對比結(jié)果的過程。確定BPNN結(jié)構(gòu)后，就可以對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練函數(shù)采用Levenberg-Marquardt函數(shù)，隱含層神經(jīng)元傳遞函數(shù)為S型正切函數(shù)tansig，輸出層神經(jīng)元函數(shù)為純線性函數(shù)purelin。調(diào)用格式:net=newff(Y，T，［m，1］，{‘tansig’，‘purelin’}，‘train-lm’);Y為神經(jīng)網(wǎng)絡(luò)的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經(jīng)網(wǎng)絡(luò)的輸出矩陣向量。Matlab自帶4種主要的函數(shù)來設(shè)計(jì)RBFNN:newrbe，newrb，newgrnn，newpnn。本文用相同的訓(xùn)練樣本集和測試樣本集創(chuàng)建和測試了這4種網(wǎng)絡(luò)，其中，用newgrnn創(chuàng)建的網(wǎng)絡(luò)識別率最高，因此選用廣義回歸神經(jīng)網(wǎng)絡(luò)newgrnn來創(chuàng)建RBFNN:(1)隱含層徑向基神經(jīng)元層數(shù)目等于輸入樣本數(shù)，其權(quán)值等于輸入矩陣向量的轉(zhuǎn)置。(2)輸出層線性神經(jīng)元層，以隱含層神經(jīng)元的輸出作為該層的輸入，權(quán)值為輸出矩陣向量T，無閾值向量。調(diào)用格式:net=newgrnn(Y，T，Spread);Y為神經(jīng)網(wǎng)絡(luò)的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經(jīng)網(wǎng)絡(luò)的輸出矩陣向量，Spread為徑向基函數(shù)的擴(kuò)展速度。
1．3太陽能電池缺陷的檢測算法(1)數(shù)據(jù)映射。取每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓(xùn)練樣本集和測試樣本集。將樣本集中每張圖片變成矩陣中的一列，形成一個(gè)矩陣，采用2．1節(jié)中的方法對該矩陣進(jìn)行PCA降維后的矩陣作為BPNN和RBFNN的輸入。將虛焊、微裂、斷指和無缺陷4種不同類型圖像分別標(biāo)記為1，2，3，4，作為網(wǎng)絡(luò)期望輸出T。(2)數(shù)據(jù)歸一化。將輸入輸出矩陣向量歸一化為［－1，1］，利于神經(jīng)網(wǎng)絡(luò)的計(jì)算。(3)分別調(diào)用2．2節(jié)中創(chuàng)建的BPNN和RBFNN，設(shè)置網(wǎng)絡(luò)參數(shù)，利用訓(xùn)練樣本集先對網(wǎng)絡(luò)訓(xùn)練，然后將訓(xùn)練好的網(wǎng)絡(luò)對測試樣本集進(jìn)行仿真，并對仿真結(jié)果進(jìn)行反歸一化。(4)最后將仿真預(yù)測輸出分別和圖像1，2，3，4比較，差值的絕對值小于閾值0．5認(rèn)為預(yù)測正確。閾值是根據(jù)網(wǎng)絡(luò)的期望輸出選擇的，以能正確區(qū)分不同缺陷類型為宜。識別率定義為正確識別的數(shù)量和樣本數(shù)的比值。
2實(shí)驗(yàn)內(nèi)容與結(jié)果分析
為了驗(yàn)證本文方法的有效性，我們通過CCD圖像采集系統(tǒng)采集了1000張?zhí)柲茈姵匕錏L圖片，包括250張?zhí)摵笜颖尽?50張微裂樣本、250張斷指樣本、250張無缺陷樣本，大小為125bits×125bits。我們利用圖片組成的樣本數(shù)據(jù)集進(jìn)行了大量的實(shí)驗(yàn)，將每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓(xùn)練樣本集和測試樣本集。算法測試硬件平臺為Inteli5750、主頻2．66GHz的CPU，4G內(nèi)存的PC機(jī)，編譯環(huán)境為Mat-labR2012b。由于樣本圖像數(shù)據(jù)較大，需采用2．1節(jié)中的PCA算法進(jìn)行降維處理。對樣本圖像集降維后，得到神經(jīng)網(wǎng)絡(luò)的輸入矩陣。但是，隨著樣本數(shù)的增加，占有主要信息的主成分維數(shù)也在增加。因此，分別采用占有主要信息60%～90%的圖像作為BPNN的輸入，對應(yīng)的降維后的主成分維數(shù)k為BPNN輸入層節(jié)點(diǎn)數(shù)。由于BPNN的結(jié)果每次都不同，所以運(yùn)行50次，保存識別率最高的網(wǎng)絡(luò)。圖3是在不同樣本集數(shù)下的PCA-BPNN的最高識別率。其中，樣本數(shù)n=1000時(shí)的PCA-BPNN識別率如表1所示。同時(shí)網(wǎng)絡(luò)參數(shù)設(shè)置也列在表1中。隱含層中的最佳節(jié)點(diǎn)數(shù)是采用經(jīng)驗(yàn)公式所得［17］。從圖3和表1中可以看出，當(dāng)維數(shù)降至20維(占主要信息70%)、總樣本數(shù)為1000(測試樣本400)時(shí)，4種類型總的最高識別率為93．5%。在相同的訓(xùn)練樣本集和測試樣本集上，采用與BPNN同樣的輸入和輸出，在不同樣本集數(shù)下，PCA-RBFNN的最高識別率如圖4所示。其中，樣本數(shù)n=1000時(shí)的PCA-RBFNN識別率如表2所示。參數(shù)Spread的設(shè)置也列在表2中，首先設(shè)定Spread為1，然后以10倍的間隔速度遞減。從圖4和表2中可以看出，樣本數(shù)為1000(測試樣本400)時(shí)，PCA維數(shù)降到15(占主要信息65%)，總的最高識別率為96．25%。兩種網(wǎng)絡(luò)的測試樣本集最高識別率對比分別如圖5和表3所示。圖5(a)、(b)分別為采用PCA-BPNN與PCA-RBFNN方法時(shí)測試樣本集中的4種缺陷樣本圖像的期望值與預(yù)測值。表3列出了兩種方法的具體識別結(jié)果。從表3可以看出，兩種方法對虛焊缺陷識別率均較高，分別為99%和100%;微裂缺陷識別率較低，分別為89%和92%。這是因?yàn)樘摵溉毕菝娣e較大，顏色較深具有顯著特點(diǎn);而微裂缺陷面積較小，與背景對比不強(qiáng)烈，導(dǎo)致錯(cuò)誤分類。采用本文提出的BPNN和RBFNN方法處理一幅750×750大小的圖像大約分別需要1．8s和0．1s，PCA降維的時(shí)間大約為0．02s。將上述兩種方法與FCM［18］及ICA［3］方法進(jìn)行比較，結(jié)果如表4所示?？梢钥闯?，RBFNN方法具有較高的識別率和較短的計(jì)算時(shí)間，更適合于在線檢測。
3結(jié)論
[關(guān)鍵詞]軟件項(xiàng)目風(fēng)險(xiǎn)管理神經(jīng)網(wǎng)絡(luò)粗集
本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的高風(fēng)險(xiǎn)識別，這樣在制定開發(fā)計(jì)劃中，最大的減少風(fēng)險(xiǎn)發(fā)生的概率，形成對高風(fēng)險(xiǎn)的管理。
一、模型結(jié)構(gòu)的建立
本文基于粗集的BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)分析模型,對項(xiàng)目的風(fēng)險(xiǎn)進(jìn)行評估,為項(xiàng)目進(jìn)行中的風(fēng)險(xiǎn)管理提供決策支持。在這個(gè)模型中主要是粗糙集預(yù)處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關(guān)系，約簡掉與決策無關(guān)的屬性。簡化輸入信息的表達(dá)空間維數(shù)，簡化ANN結(jié)構(gòu)。本論文在此理論基礎(chǔ)上，建立一種風(fēng)險(xiǎn)評估的模型結(jié)構(gòu)。這個(gè)模型由三部分組成即：風(fēng)險(xiǎn)辨識單元庫、神經(jīng)網(wǎng)絡(luò)單元、風(fēng)險(xiǎn)預(yù)警單元。
1.風(fēng)險(xiǎn)辨識單元庫。由三個(gè)部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù).這里用戶需提供歷史的項(xiàng)目風(fēng)險(xiǎn)系數(shù)。所謂項(xiàng)目風(fēng)險(xiǎn)系數(shù),是在項(xiàng)目評價(jià)中根據(jù)各種客觀定量指標(biāo)加權(quán)推算出的一種評價(jià)項(xiàng)目風(fēng)險(xiǎn)程度的客觀指標(biāo)。計(jì)算的方法:根據(jù)項(xiàng)目完成時(shí)間、項(xiàng)目費(fèi)用和效益投入比三個(gè)客觀指標(biāo),結(jié)合項(xiàng)目對各種資源的要求,確定三個(gè)指標(biāo)的權(quán)值。項(xiàng)目風(fēng)險(xiǎn)系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風(fēng)險(xiǎn)系數(shù);T、T0分別為實(shí)際時(shí)間和計(jì)劃時(shí)間;S、S0分別為實(shí)際費(fèi)用和計(jì)劃費(fèi)用;U、U0分別為實(shí)際效能和預(yù)計(jì)效能;w1、w2、w3分別是時(shí)間、費(fèi)用和效能的加權(quán)系數(shù),而且應(yīng)滿足w1+w2+w3=1的條件。
2.神經(jīng)網(wǎng)絡(luò)單元。完成風(fēng)險(xiǎn)辨識單元的輸入后,神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)初始化的核心風(fēng)險(xiǎn)因素的歷史數(shù)據(jù),進(jìn)行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。
(1)選取核心特征數(shù)據(jù)作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡(luò)期望輸出)提供給網(wǎng)絡(luò)。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計(jì)算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計(jì)算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計(jì)算輸出,計(jì)算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步長;t是學(xué)習(xí)次數(shù);T是總的迭代次數(shù);M是一個(gè)正數(shù),α∈(0,1)是動量系數(shù)。σp是一個(gè)與偏差有關(guān)的值,對輸出結(jié)點(diǎn)來說；σp=yp(1-yp)(dp-yp)；對隱結(jié)點(diǎn)來說,因其輸出無法比較,所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計(jì)算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風(fēng)險(xiǎn)預(yù)警單元
根據(jù)風(fēng)險(xiǎn)評價(jià)系數(shù)的取值,可以將項(xiàng)目的風(fēng)險(xiǎn)狀況分為若干個(gè)區(qū)間。本文提出的劃分方法是按照5個(gè)區(qū)間來劃分的:
r<0.2項(xiàng)目的風(fēng)險(xiǎn)很低,損失發(fā)生的概率或者額度很小;
0.2≤r<0.4項(xiàng)目的風(fēng)險(xiǎn)較低,但仍存在一定風(fēng)險(xiǎn);
0.4≤r<0.6項(xiàng)目的風(fēng)險(xiǎn)處于中等水平,有出現(xiàn)重大損失的可能;
0.6≤r<0.8項(xiàng)目的風(fēng)險(xiǎn)較大,必須加強(qiáng)風(fēng)險(xiǎn)管理,采取避險(xiǎn)措施;
0.8≤r<1項(xiàng)目的風(fēng)險(xiǎn)極大,重大損失出現(xiàn)的概率很高,建議重新考慮對于項(xiàng)目的投資決策。
總之，有許多因素影響著項(xiàng)目風(fēng)險(xiǎn)的各個(gè)對象，我們使用了用戶評級的方式，從風(fēng)險(xiǎn)評估單元中獲得評價(jià)系數(shù)五個(gè)等級。給出各風(fēng)險(xiǎn)指標(biāo)的評價(jià)系數(shù)，衡量相關(guān)風(fēng)險(xiǎn)的大小。系數(shù)越低，項(xiàng)目風(fēng)險(xiǎn)越低；反之，系數(shù)越高，項(xiàng)目風(fēng)險(xiǎn)越高。
二、實(shí)證：以軟件開發(fā)風(fēng)險(xiǎn)因素為主要依據(jù)
這里我們從影響項(xiàng)目風(fēng)險(xiǎn)諸多因素中，經(jīng)項(xiàng)目風(fēng)險(xiǎn)系數(shù)計(jì)算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復(fù)雜的計(jì)算過程省略)?？偣渤槿〕隽鶄€(gè)主要的指標(biāo)(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個(gè)輸入神經(jīng)元，根據(jù)需求網(wǎng)絡(luò)隱含層神經(jīng)元選為13個(gè)，一個(gè)取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡(luò)結(jié)構(gòu)。將前十個(gè)季度的指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，對這些訓(xùn)練樣本進(jìn)行數(shù)值化和歸一化處理，給定學(xué)習(xí)率η=0.0001，動量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學(xué)習(xí)后訓(xùn)練次數(shù)N＝1800網(wǎng)絡(luò)趨于收斂，以確定神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后將后二個(gè)季度的指標(biāo)數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行識別和分類，以判斷軟件是否會發(fā)生危機(jī)。實(shí)驗(yàn)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行風(fēng)險(xiǎn)預(yù)警工作是有效的，運(yùn)用神經(jīng)網(wǎng)絡(luò)方法對后二個(gè)季度的指標(biāo)數(shù)據(jù)進(jìn)行處理和計(jì)算，最后神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值為r=0.57和r=0.77，該軟件開發(fā)風(fēng)險(xiǎn)處于中等和較大狀態(tài)，與用專家效績評價(jià)方法評價(jià)出的結(jié)果基本吻合。
參考文獻(xiàn)：
[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學(xué)出版社，2001
在水利及土木工程中經(jīng)常會遇到地形面，地形面是典型的空間自由曲面，地形面在給出時(shí)，往往只給出一些反映地形、地貌特征的離散點(diǎn)，而無法給出描述地形面的曲面方程。然而有時(shí)需要對地形面進(jìn)行描述，或者當(dāng)給出的地形面的點(diǎn)不完整時(shí)，需要插補(bǔ)出合理的點(diǎn)。以往大多用最小二乘法或其它曲面擬合方法如三次參數(shù)樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點(diǎn)是：型值點(diǎn)一旦給定，就不能更改，否則必須重新構(gòu)造表達(dá)函數(shù)；在構(gòu)造曲線曲率變化較大或型值點(diǎn)奇異時(shí)，容易產(chǎn)生畸變，有時(shí)需要人為干預(yù)；此外，這些方法對數(shù)據(jù)格式都有要求。
神經(jīng)網(wǎng)絡(luò)技術(shù)借用基于人類智能（如學(xué)習(xí)和自適應(yīng)）的模型、模糊技術(shù)方法，利用人類的模糊思想來求解問題，在許多領(lǐng)域優(yōu)于傳統(tǒng)技術(shù)。用神經(jīng)網(wǎng)絡(luò)進(jìn)行地形面構(gòu)造，只要測量有限個(gè)點(diǎn)（可以是無序的），不需要其它更多的地形面信息和曲面知識，當(dāng)?shù)匦蚊鎻?fù)雜或者是測量數(shù)據(jù)不完整時(shí)，用神經(jīng)網(wǎng)絡(luò)方法更具優(yōu)勢，而且還可以自動處理型值點(diǎn)奇異情況。
本文提出用BP神經(jīng)網(wǎng)絡(luò)結(jié)合模擬退火算法進(jìn)行地形面的曲面構(gòu)造。
2模型與算法的選擇
為了對地形面進(jìn)行曲面構(gòu)造，首先要有一些用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始樣本點(diǎn)，對所建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，學(xué)習(xí)訓(xùn)練的本質(zhì)就是通過改變網(wǎng)絡(luò)神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)能將樣本集的內(nèi)涵以聯(lián)結(jié)權(quán)矩陣的方式存儲起來，從而具有完成某些特殊任務(wù)的能力。權(quán)值的改變依據(jù)是樣本點(diǎn)訓(xùn)練時(shí)產(chǎn)生的實(shí)際輸出和期望輸出間的誤差，按一定方式來調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差逐漸減少，當(dāng)誤差降到給定的范圍內(nèi)，就可認(rèn)為學(xué)習(xí)結(jié)束，學(xué)習(xí)結(jié)束后，神經(jīng)網(wǎng)絡(luò)模型就可用于地形面的構(gòu)造。
BP網(wǎng)是一種單向傳播的多層前向網(wǎng)絡(luò)。網(wǎng)絡(luò)除輸入輸出節(jié)點(diǎn)外，還有一層或多層的隱層節(jié)點(diǎn)，同層節(jié)點(diǎn)中沒有任何耦合。輸入信號從輸入層節(jié)點(diǎn)依次傳過各隱層節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。其節(jié)點(diǎn)單元傳遞函數(shù)通常為Sigmoid型。BP算法使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中一種廣泛采用的學(xué)習(xí)算法，具有簡單、有效、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。但因?yàn)锽P算法是一種非線性優(yōu)化方法，因此有可能會陷入局部極小點(diǎn)，無法得到預(yù)期結(jié)果，為解決BP算法的這一缺點(diǎn)，本文將模擬退火算法結(jié)合到BP算法中。
模擬退火算法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中另一種被廣泛采用的一種學(xué)習(xí)算法。它的基本出發(fā)點(diǎn)就是金屬的退火過程和一般組合優(yōu)化問題之間的相似性。在金屬熱加工過程中，要想使固體金屬達(dá)到低能態(tài)的晶格，需要將金屬升溫熔化，使其達(dá)到高能態(tài)，然后逐步降溫，使其凝固。若在凝固點(diǎn)附近，溫度降速足夠慢，則金屬一定可以形成最低能態(tài)。對優(yōu)化問題來說，它也有類似的過程，它的解空間中的每一個(gè)點(diǎn)都代表一個(gè)解，每個(gè)解都有自己的目標(biāo)函數(shù)，優(yōu)化實(shí)際上就是在解空間中尋找目標(biāo)函數(shù)使其達(dá)到最小或最大解。
（如果將網(wǎng)絡(luò)的訓(xùn)練看成是讓網(wǎng)絡(luò)尋找最低能量狀態(tài)的過程，取網(wǎng)絡(luò)的目標(biāo)函數(shù)為它的能量函數(shù)，再定義一個(gè)初值較大的數(shù)為人工溫度T。同時(shí)，在網(wǎng)絡(luò)的這個(gè)訓(xùn)練過程中，依據(jù)網(wǎng)絡(luò)的能量和溫度來決定聯(lián)結(jié)權(quán)的調(diào)整量（稱為步長）。這種做法與金屬的退火過程非常相似，所以被稱為模擬退火算法。）
模擬退火算法用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本思想是，神經(jīng)網(wǎng)絡(luò)的連接權(quán)值W可看作物體體系內(nèi)的微觀狀態(tài)，網(wǎng)絡(luò)實(shí)際輸出和期望輸出的誤差e可看作物體的內(nèi)能，對網(wǎng)絡(luò)訓(xùn)練的目的就是找到恰當(dāng)?shù)臓顟B(tài)W使其內(nèi)能e最小，因此設(shè)置一個(gè)參數(shù)T來類比退火溫度，然后在溫度T下計(jì)算當(dāng)前神經(jīng)網(wǎng)絡(luò)的e與上次訓(xùn)練的e的差e，按概率exp(-e/T)來接受訓(xùn)練權(quán)值，減小溫度T，這樣重復(fù)多次，只要T下降足夠慢，且T0，則網(wǎng)絡(luò)一定會穩(wěn)定在最小的狀態(tài)。
模擬退火算法雖然可以達(dá)到全局最優(yōu)，但需要較長時(shí)間，BP算法采用梯度下降方式使收斂速度相對較快。為取長補(bǔ)短，我們將兩種算法結(jié)合起來，采用BP算法的梯度快速下降方式，同時(shí)利用模擬退火算法技術(shù)按概率隨機(jī)接受一個(gè)不成功的訓(xùn)練結(jié)果，使梯度快速下降過程產(chǎn)生一些隨機(jī)噪聲擾動，從而既保證了網(wǎng)絡(luò)訓(xùn)練的快速度下降，又保證了訓(xùn)練結(jié)果的最優(yōu)性。
3網(wǎng)絡(luò)結(jié)構(gòu)與學(xué)習(xí)算法
3.1網(wǎng)絡(luò)結(jié)構(gòu)
如何選擇網(wǎng)絡(luò)的隱層數(shù)和節(jié)點(diǎn)數(shù)，還沒有確切的方法和理論，通常憑經(jīng)驗(yàn)和實(shí)驗(yàn)選取。本文采用的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，輸入層兩個(gè)節(jié)點(diǎn)，分別輸入點(diǎn)的x坐標(biāo)和y坐標(biāo)；兩層隱層，每層10個(gè)節(jié)點(diǎn)，輸出層一個(gè)節(jié)點(diǎn)，輸出點(diǎn)的z坐標(biāo)。
3.2學(xué)習(xí)算法
學(xué)習(xí)算法的具體過程如下：
其中Out_node為輸出神經(jīng)元集合.
4計(jì)算實(shí)例
為了檢驗(yàn)本文算法的有效性,我們用本文算法對黃河下游河灘地形面進(jìn)行曲面構(gòu)造,地形面數(shù)據(jù)按截面給出,我們用奇數(shù)截面上的點(diǎn)為學(xué)習(xí)樣本,偶數(shù)截面上的點(diǎn)用于檢驗(yàn)本算法的精度.表1給出了測量值z1與本文算法計(jì)算結(jié)果z2,z2為本算法經(jīng)過大約3500次迭代的結(jié)果.由這些數(shù)據(jù)可以看出，本文算法計(jì)算出的值與測量值的誤差大約在0.02左右.完全可以滿足實(shí)際工程要求的精度.
5結(jié)語
用神經(jīng)網(wǎng)絡(luò)進(jìn)行地形面的曲面構(gòu)造,不必求出曲面的方程,只需知道有限個(gè)點(diǎn)即可,而且這些點(diǎn)可以是散亂點(diǎn).與傳統(tǒng)方法相比,神經(jīng)網(wǎng)絡(luò)方法具有很強(qiáng)的靈活性.
本文將BP算法和模擬退火算法結(jié)合起來,解決了BP算法容易陷入局部極小的致命缺點(diǎn).但仍然沒有解決BP算法收斂速度慢的缺點(diǎn).
NEURALNETWORKMETHODTOCONSTRUCTTERRAINSURFACE
LiuXue-mei1,2,DondWen-sheng1,2,ZhangShu-sheng1
(1NorthweasternPolytechnicalUniversity，ShanxiXiAn710072)
(2NorthChinaInstituteofWaterConservancyandHydroelectricPower,HenanZhengzhou450045)
Abstract
Thispaperpresentsanartificialneuralnetworkapproachtosolvetheproblemofterrainsurfaceconstruction.ThismethodtakesadvantageoftheglobalminimumpropertyofSimulatedProcedureonthebasisofBPalgorithm,thuscanjumpoutofthelocalminimumandconvergetotheglobalminimum..ThismethodwerevalidatedbysimulatingbottomlandterrainofYellowRiver.
Keywords:terrainsurface;freeformsurface;neuralnetwork;BPalgorithm;simulatedannealing
參考文獻(xiàn)
[1]王鎧，張彩明.重建自由曲面的神經(jīng)網(wǎng)絡(luò)算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，1998，10（3）：193-199
[關(guān)鍵詞]MATLABBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型數(shù)據(jù)歸一化
一、引言
自20世紀(jì)70年代初以來的30多年里,世界黃金價(jià)格出現(xiàn)了令人瞠目的劇烈變動。20世紀(jì)70年代初,每盎司黃金價(jià)格僅為30多美元。80年代初,黃金暴漲到每盎司近700美元。本世紀(jì)初,黃金價(jià)格處于每盎司270美元左右,此后逐年攀升,到2006年5月12日達(dá)到了26年高點(diǎn),每盎司730美元,此后又暴跌,僅一個(gè)月時(shí)間內(nèi)就下跌了約160美元,跌幅高達(dá)21.9%。最近兩年，黃金價(jià)格一度沖高到每盎司900多美元。黃金價(jià)格起伏如此之大,本文根據(jù)國際黃金價(jià)格的影響因素，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型來預(yù)測長期黃金價(jià)格。
二、影響因素
劉曙光和胡再勇證實(shí)將觀察期延長為1972年～2006年時(shí),則影響黃金價(jià)格的主要因素?cái)U(kuò)展至包含道瓊斯指數(shù)、美國消費(fèi)者價(jià)格指數(shù)、美元名義有效匯率、美國聯(lián)邦基金利率和世界黃金儲備5個(gè)因素。本文利用此觀點(diǎn)，根據(jù)1972年～2006年各因素的值來建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。
三、模型構(gòu)建
1.模型選擇：BP網(wǎng)絡(luò)具有理論上能逼近任意非線性函數(shù)的能力，將輸入模式映射到輸出模式，只需用已知的模式訓(xùn)練網(wǎng)絡(luò)，通過學(xué)習(xí)，網(wǎng)絡(luò)就有了這種映射能力。2.樣本數(shù)據(jù)歸一化：在訓(xùn)練前，對數(shù)據(jù)進(jìn)行歸一化處理，把輸入向量和輸出向量的取值范圍都?xì)w一到[0，1]。
3.BP網(wǎng)絡(luò)設(shè)計(jì)：采用單隱層的BP網(wǎng)絡(luò)進(jìn)行預(yù)測，由于輸入樣本為5維的輸入向量，因此輸入層一共有5個(gè)神經(jīng)元，中間層取20個(gè)神經(jīng)元，輸出層一個(gè)神經(jīng)元（即黃金價(jià)格），網(wǎng)絡(luò)為5*20*1的結(jié)構(gòu)。中間層的傳遞函數(shù)為S型正切函數(shù)，輸出層為S型對數(shù)函數(shù)。中間層的神經(jīng)元個(gè)數(shù)很難確定，測試時(shí)分別對12，15，20個(gè)數(shù)進(jìn)行測試，尋找誤差最小的。
4.網(wǎng)絡(luò)訓(xùn)練:訓(xùn)練次數(shù)epochs5000,訓(xùn)練目標(biāo)goal0.001
對30個(gè)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，經(jīng)過1818次的訓(xùn)練，目標(biāo)誤差達(dá)到要求，如圖2所示：神經(jīng)元個(gè)數(shù)為20個(gè)時(shí)誤差最小，此時(shí)網(wǎng)絡(luò)的仿真結(jié)果如圖3所示，預(yù)測精度80%以上，效果滿意。
四、結(jié)論
在對1976年～2006年的影響國際黃金價(jià)格的五種因素的數(shù)據(jù)進(jìn)行歸一化處理后，用MATLAB建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行預(yù)測，達(dá)到了很好的效果。
國際黃金的長期價(jià)格受到許多因素的影響，本文只是對道瓊斯工業(yè)指數(shù)等影響因素諸如分析，來預(yù)測長期的國際金價(jià)。還有其他因素，如國際油價(jià)，局部政治因素等，如果考慮進(jìn)去，預(yù)測精度會進(jìn)一步提高。
參考文獻(xiàn)：
1．1BP神經(jīng)網(wǎng)絡(luò)簡介神經(jīng)網(wǎng)絡(luò)由大量簡單的單元構(gòu)成的非線性系統(tǒng)，具有非線性映射能力，不需要精確的數(shù)學(xué)模型，擅長從輸入輸出數(shù)據(jù)中學(xué)習(xí)有用知識［7］。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)基本單元。神經(jīng)元模型如圖1所示。由連接權(quán)、加法器和非線性激活函數(shù)這3種元素組成。1986年，Rumelhart及其研究小組在Nature雜志上發(fā)表誤差反向傳播(errorback-propagation)算法［8］，并將該算法用于神經(jīng)網(wǎng)絡(luò)的研究，使之成為迄今為止最著名的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法———BP算法［9］。由該算法訓(xùn)練的網(wǎng)絡(luò)，稱為BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種正向的、各層相互連接的網(wǎng)絡(luò)。輸入信號首先經(jīng)過輸入層傳遞給各隱含層節(jié)點(diǎn)，經(jīng)過激發(fā)函數(shù)，將隱含層節(jié)點(diǎn)的輸出傳遞到輸出節(jié)點(diǎn)，最后經(jīng)過再經(jīng)過激發(fā)函數(shù)后才給出輸出結(jié)果，若輸出層的輸出和期望輸出之間的誤差達(dá)不到要求，則轉(zhuǎn)入反方向傳播，將誤差信號沿原來的連接通路返回，通過修個(gè)神經(jīng)網(wǎng)絡(luò)各層的權(quán)值，使過程的輸出和神經(jīng)網(wǎng)絡(luò)的輸出之間的誤差信號達(dá)到期望值為止［10］。
1．2電池SOC的定義動力電池的剩余電量，是指電池在當(dāng)前時(shí)刻，達(dá)到放電截止電壓前可以使用的電量。目前，國內(nèi)外普遍采用荷電狀態(tài)來表征電池的剩余容量［11］。電池的荷電狀態(tài)(SOC)是電池的剩余電量與電池的額定電量的比值。
1．3影響電池SOC的因素動力電池是一個(gè)非線性系統(tǒng)，其中電池的荷電狀態(tài)受到很多種因素的影響，主要包括電池的充/放電倍率、自放電、環(huán)境溫度以及電池的工作狀態(tài)等因素。(1)電池的充/放電倍率電池的放電電流的大小，會影響電池的容量。在其他條件相同的情況下，電池的放電容量會隨著放電倍率的增加而降低［12］。(2)自放電自放電又稱荷電保持能力，指在一定的條件下，當(dāng)電池處于開路狀態(tài)時(shí)，電池對電量的儲存能力。電池在自放電的作用下，SOC值會隨著存儲時(shí)間的增加而減小。(3)溫度首先，鋰離子電池正常工作的溫度有一定的要求。動力電池的使用環(huán)境溫度發(fā)生變化時(shí)，電池的可用容量也會隨之發(fā)生變化。在溫度較低時(shí)，電池活性較低，電池可用容量降低;當(dāng)溫度升高時(shí)，電池活性增強(qiáng)，可用容量也隨之增多。因此，在預(yù)估電池的荷電狀態(tài)時(shí)，需要考慮到電池的溫度的影響。
2神經(jīng)網(wǎng)絡(luò)SOC估計(jì)器設(shè)計(jì)
2．1實(shí)驗(yàn)數(shù)據(jù)的獲取本研究的實(shí)驗(yàn)數(shù)據(jù)是在ADVISOR2002汽車仿真軟件上仿真得到的。ADVISOR(AdvancedVehicleSim-ulator，高級車輛仿真器)是由美國可再生能源實(shí)驗(yàn)室，在Matlab/Simulink軟件環(huán)境下開發(fā)的高級車輛仿真軟件［13］。該軟件的界面友好、源代碼完全開放，目前已經(jīng)在世界范圍內(nèi)廣泛使用。ADVISOR采用了前向、后向相結(jié)合的混合仿真方法。后向仿真方法是在假設(shè)車輛能滿足道路循環(huán)的請求行駛軌跡(包括汽車行駛速度、道路坡度和汽車動態(tài)質(zhì)量)的前提下，計(jì)算汽車中各個(gè)部件性能的仿真方法，前向仿真是根據(jù)駕駛員行為調(diào)節(jié)部件，使得車輛各部件跟隨路面循環(huán)工況［14］。本研究在ADVISOR軟件搭建了某國產(chǎn)電動汽車的仿真平臺。整車的主要技術(shù)參數(shù)如表1所示［15-16］。模擬行駛程序使用的測試路程是ECE工況、UDDS工況和HWFET工況混合行駛工況，其速度與時(shí)間關(guān)系曲線如圖2所示。ECE工況、UDDS工況和HWFET工況均被廣泛應(yīng)用于電動汽車性能測試。其中ECE工況為歐洲經(jīng)濟(jì)委員會汽車法規(guī)規(guī)定的汽車測試循環(huán)工況。ECE工況是用來測試車輛在城市低速道路下車輛的循環(huán)工況。其循環(huán)時(shí)間為195s，車輛行駛的路程為0．99km，最高車速為50km/h。UDDS工況是美國環(huán)境保護(hù)署制訂的城市道路循環(huán)工況，用來測試車輛在城市道路下行駛的各種性能的循環(huán)工況。其循環(huán)時(shí)間為1367s，行駛路程為11．99km，最高車速為91．25km/h。HW-FET工況為美國環(huán)境保護(hù)署制訂的汽車在高速公路上的循環(huán)工況，用來測試汽車在高速道路上車輛行駛的循環(huán)工況，其循環(huán)時(shí)間為767s，行駛路程為1．51km，最高車速為96．4km/h。在搭建的仿真平臺上，本研究進(jìn)行了仿真，其中電動汽車使用的電池為鋰電池。虛擬電動汽車共行駛了2329s，行駛的距離為14．49km。對電動汽車的電池的充放電電流、電池溫度和電池的SOC進(jìn)行采集，得到結(jié)果如圖3～5所示。
2．2數(shù)據(jù)預(yù)處理根據(jù)前文的分析，本研究的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)選擇如下。本研究選擇動力電池的充放電電流和電池的溫度作為動力電池神經(jīng)網(wǎng)絡(luò)的輸入，電池的SOC作為神經(jīng)網(wǎng)絡(luò)的輸出。在對神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，對訓(xùn)練數(shù)據(jù)進(jìn)行歸一化操作。歸一化操作可以避免各個(gè)因子之間的量級差異，加快BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂，減少計(jì)算難度。對數(shù)據(jù)進(jìn)行如下操作。
2．3動力電池SOC神經(jīng)網(wǎng)絡(luò)的訓(xùn)練SOC估計(jì)是根據(jù)動力電池的電流、溫度的數(shù)值得到電池的SOC數(shù)值。使用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)估計(jì)器的目的是為了能夠逼近函數(shù)。本研究使用了BP神經(jīng)網(wǎng)絡(luò)模型來逼近動力電池的電流、溫度和SOC之間的關(guān)系，其中BP神經(jīng)網(wǎng)絡(luò)的隱含層選擇tansig函數(shù)。學(xué)習(xí)算法使用基于數(shù)值最優(yōu)化理論的Levenberg-Marquardt算法作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。
3實(shí)驗(yàn)驗(yàn)證及結(jié)果分析
為了驗(yàn)證模型的有效性，本研究采用了另外3種工況混合的行駛工況的實(shí)驗(yàn)數(shù)據(jù)作為測試樣本數(shù)據(jù)來驗(yàn)證本研究得到的神經(jīng)網(wǎng)絡(luò)模型。這3種工況分別是:普銳斯工況(Prius工況，該種工況用來測試豐田普銳斯混合動力汽車的行駛工況)，CYC_Nuremberg_R36工況(該種工況用來測試德國紐倫堡市36路公共汽車線路工況)和CYC_US06工況(該種工況用來考察測試車輛在高速情況下的行駛狀況)。以上3種工況基本上能夠模擬出汽車在城市中行駛的加速、減速、低速和高速行駛的各種工況，測試混合工況如圖6所示。本研究對得到的測試數(shù)據(jù)同樣進(jìn)行歸一化處理。模型的輸入為電池的電流和溫度，模型的輸出為SOC值。最后，得到的電池SOC的實(shí)際值和經(jīng)過神經(jīng)網(wǎng)絡(luò)得到的SOC估計(jì)值如圖7所示。通過求神經(jīng)網(wǎng)絡(luò)模型的輸出值和真實(shí)值之間的誤差值，來評價(jià)本研究的神經(jīng)網(wǎng)絡(luò)模型的精度。其計(jì)算公式如下式所示。得到的神經(jīng)網(wǎng)模型的估計(jì)值與動力電池SOC的真實(shí)值之間的誤差如圖8所示。通過圖8可以看出，神經(jīng)網(wǎng)絡(luò)估計(jì)器的估計(jì)值與電池SOC的真實(shí)值之間絕對誤差的最大值為4%左右，符合動力電池對SOC預(yù)測的精度要求。
4結(jié)束語
1.1概率性神經(jīng)網(wǎng)絡(luò)（PNN）
地震屬性和測井?dāng)?shù)據(jù)的關(guān)系，并不一定是線性的，利用概率性神經(jīng)網(wǎng)絡(luò)的方法彌補(bǔ)井和地震間的非線性關(guān)系。概率性神經(jīng)網(wǎng)絡(luò)（PNN）類似于多維屬性空間上的克里金，采用了局部化的作用函數(shù)，具有最佳逼近特性，且沒有局部極小值。每個(gè)輸出點(diǎn)把新點(diǎn)處的新屬性組與已知的培訓(xùn)例子中的屬性進(jìn)行比較來確定的，得到的預(yù)測值是培訓(xùn)目標(biāo)值的加權(quán)組合。概率神經(jīng)網(wǎng)絡(luò)方法具有高度的容錯(cuò)性，即使某個(gè)井旁道地震參數(shù)或某個(gè)網(wǎng)絡(luò)連接有缺陷，也可以通過聯(lián)想得到全部或大部分信息。因此，用概率神經(jīng)網(wǎng)絡(luò)建立地震屬性和測井特征屬性之間的映射關(guān)系可靠性高。概率神經(jīng)網(wǎng)絡(luò)方法還具有動態(tài)適應(yīng)性，當(dāng)?shù)刭|(zhì)巖性類別變化或地震參數(shù)修改時(shí)，網(wǎng)絡(luò)可自動適應(yīng)新的變量，調(diào)整權(quán)系數(shù)，直到收斂。對于受巖性控制的儲層，概率神經(jīng)網(wǎng)絡(luò)是描述其地震屬性參數(shù)與巖性參數(shù)關(guān)系的有效方法。概率神經(jīng)網(wǎng)絡(luò)是由多測井和多地震屬性參數(shù)組成的網(wǎng)絡(luò)。首先,將由測井曲線和井旁地震道提取的特征參數(shù)按照地質(zhì)巖性參數(shù)分成若干類;然后,通過非線性數(shù)學(xué)模型的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng),由輸入矢量產(chǎn)生輸出矢量,并把這個(gè)輸出矢量與目標(biāo)矢量進(jìn)行平方意義下的誤差對比;再以共軛迭代梯度下降法作權(quán)的調(diào)整,以減少輸出矢量與目標(biāo)矢量的差異,直到兩者沒有差異訓(xùn)練才結(jié)束。對于給定的培訓(xùn)數(shù)據(jù)，PNN程序假設(shè)測井值和每一輸出端的新測井值為線性組合，新數(shù)據(jù)樣點(diǎn)值用屬性值X表示可寫。這里σ是PNN使用的高斯權(quán)重函數(shù)的關(guān)鍵參數(shù)，來控制高斯函數(shù)的寬度。式（2）和式（3）是概率神經(jīng)網(wǎng)絡(luò)預(yù)測的基本原理，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程實(shí)際上就是求解最優(yōu)平滑因子的過程。
1.2交互驗(yàn)證增加屬性類似于多項(xiàng)式擬合增加高階項(xiàng)，增加多項(xiàng)式高階將會使預(yù)測誤差總是變小，但屬性的個(gè)數(shù)絕不是越多越好。隨著屬性個(gè)數(shù)的增多，對預(yù)測的結(jié)果的影響越來越小，會明顯削弱未參與神經(jīng)網(wǎng)絡(luò)訓(xùn)練的那些點(diǎn)的預(yù)測能力，甚至造成預(yù)測誤差反而增大,這種現(xiàn)象稱為過度匹配。而且參與運(yùn)算的屬性過多，也會影響到運(yùn)算速度，因此通過計(jì)算驗(yàn)證誤差來確定最佳的屬性個(gè)數(shù)，防止過度匹配，該過程就稱為交叉驗(yàn)證。通過蘊(yùn)藏井誤差分析的方法，驗(yàn)證出現(xiàn)擬合過度的情況。求取遞歸系數(shù)時(shí)，選取一口井作為驗(yàn)證井，不參與運(yùn)算。利用擬合出的關(guān)系，得到驗(yàn)證井的誤差值。以此類推，得到每一口井的誤差值，以參與運(yùn)算井的平均誤差作為參考標(biāo)準(zhǔn)，來檢驗(yàn)屬性組合個(gè)數(shù)是否出現(xiàn)擬合過度的情況。
2應(yīng)用實(shí)例分析
研究區(qū)內(nèi)油氣富集區(qū)主要為巖性控制，目的層段厚度70m左右，地震剖面上大約50ms，含油砂體主要發(fā)育在wellA，wellC附近，向周圍變化較快。針對目標(biāo)層T41-T43之間進(jìn)行井曲線交匯和巖性統(tǒng)計(jì)。wellA，wellC主要是含油砂巖，wellB、D、F主要是泥質(zhì)砂巖、煤層，巖性差別很大。但從速度、密度曲線交匯圖版（圖1）來看，曲線交匯統(tǒng)計(jì)重疊較大，很難區(qū)分含油砂巖和泥質(zhì)砂巖。wellA、wellB對應(yīng)層位巖性明顯不同，在地震剖面也體現(xiàn)同樣的反射特征。因此基于測井和地震模型為基礎(chǔ)的常規(guī)疊后波阻抗反演很難準(zhǔn)確識別這套含油砂巖。而更能反映巖性特征的GR曲線，則對這套砂體較為敏感，明顯地區(qū)分出了這套含油砂巖（如圖3所示）。因此我們采用本文介紹的神經(jīng)網(wǎng)絡(luò)技術(shù)，在常規(guī)波阻抗反演的基礎(chǔ)上，預(yù)測GR曲線特征體。經(jīng)過分析，把GR值65~75區(qū)間巖性賦值為含油砂巖，從而把這套儲層有效的區(qū)分出來，在此基礎(chǔ)上進(jìn)一步計(jì)算砂巖厚度（圖4）。
3結(jié)論
[關(guān)鍵詞]反射認(rèn)知創(chuàng)造神經(jīng)網(wǎng)絡(luò)人工智能
一、生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)
生物神經(jīng)系統(tǒng)是以神經(jīng)元為基本單位，神經(jīng)元的外部形態(tài)各異，但基本功能相同，在處于靜息狀態(tài)時(shí)（無刺激傳導(dǎo)），神經(jīng)細(xì)胞膜處于極化狀態(tài)，膜內(nèi)的電壓低于膜外電壓，當(dāng)膜的某處受到的刺激足夠強(qiáng)時(shí)，刺激處會在極短的時(shí)間內(nèi)出現(xiàn)去極化、反極化（膜內(nèi)的電壓高于膜外電壓）、復(fù)極化的過程，當(dāng)刺激部位處于反極化狀態(tài)時(shí)，鄰近未受刺激的部位仍處于極化狀態(tài)，兩著之間就會形成局部電流，這個(gè)局部電流又會刺激沒有去極化的細(xì)胞膜使之去極化等等，這樣不斷的重復(fù)這一過程，將動作電位傳播開去，一直到神經(jīng)末梢。
神經(jīng)元與神經(jīng)元之間的信息傳遞是通過突觸相聯(lián)系的，前一個(gè)神經(jīng)元的軸突末梢作用于下一個(gè)神經(jīng)元的胞體、樹突或軸突等處組成突觸。不同神經(jīng)元的軸突末梢可以釋放不同的化學(xué)遞質(zhì)，這些遞質(zhì)在與后膜受體結(jié)合時(shí)，有的能引起后膜去極化，當(dāng)去極化足夠大時(shí)就形成了動作電位；也有的能引起后膜極化增強(qiáng)，即超極化，阻礙動作電位的形成，能釋放這種遞質(zhì)的神經(jīng)元被稱為抑制神經(jīng)元。此外，有的神經(jīng)元之間可以直接通過突觸間隙直接進(jìn)行電位傳遞，稱為電突觸。還有的因樹突膜上電壓門控式鈉通道很少，樹突上的興奮或抑制活動是以電緊張性形式擴(kuò)布的，這種擴(kuò)布是具有衰減性的。
圖1
一個(gè)神經(jīng)元可以通過軸突作用于成千上萬的神經(jīng)元，也可以通過樹突從成千上萬的神經(jīng)元接受信息，當(dāng)多個(gè)突觸作用在神經(jīng)元上面時(shí)，有的能引起去極化，有的能引起超極化，神經(jīng)元的沖動，即能否產(chǎn)生動作電位，取決于全部突觸的去極化與超級化作用之后，膜的電位的總和以及自身的閾值。
神經(jīng)纖維的電傳導(dǎo)速度因神經(jīng)元的種類、形態(tài)、髓鞘有無等因素的不同而存在很大差異，大致從0.3m/s到100m/s不等。在神經(jīng)元與神經(jīng)元之間的信息交換速度也因突觸種類或神經(jīng)遞質(zhì)的不同而存在著不同的突觸延擱，突觸傳遞信息的功能有快有慢，快突觸傳遞以毫秒為單位計(jì)算，主要控制一些即時(shí)的反應(yīng)；慢突觸傳遞可長達(dá)以秒為單位來進(jìn)行，甚至以小時(shí)，日為單位計(jì)算，它主要和人的學(xué)習(xí)，記憶以及精神病的產(chǎn)生有關(guān)系。2000年諾貝爾生理學(xué)或醫(yī)學(xué)獎授予了瑞典哥德堡大學(xué)77歲的阿維·卡爾松、美國洛克菲勒大學(xué)74歲的保羅·格林加德以及出生于奧地利的美國哥倫比亞大學(xué)70歲的埃里克·坎德爾，以表彰他們發(fā)現(xiàn)了慢突觸傳遞這樣一種“神經(jīng)細(xì)胞間的信號轉(zhuǎn)導(dǎo)形式”。本次獲獎?wù)叩闹饕暙I(xiàn)在于揭示“慢突觸傳遞”，在此之前，“快突觸傳遞”已經(jīng)得過諾貝爾獎。此外，使用頻繁的突觸聯(lián)系會變得更緊密，即突觸的特點(diǎn)之一是用進(jìn)廢退，高頻刺激突觸前神經(jīng)元后，在突觸后神經(jīng)元上紀(jì)錄到的電位會增大，而且會維持相當(dāng)長的時(shí)間。所以可以得出一條由若干不定種類的神經(jīng)元排列構(gòu)成的信息傳導(dǎo)鏈對信息的傳導(dǎo)速度會存在很大的彈性空間，這一點(diǎn)對神經(jīng)系統(tǒng)認(rèn)知事件有著非常重要的意義。
神經(jīng)系統(tǒng)按功能可大致分為傳入神經(jīng)（感覺神經(jīng)）、中間神經(jīng)（腦：延腦、腦橋、小腦、中腦、間腦、大腦脊髓）與傳出神經(jīng)（運(yùn)動神經(jīng)）三類。
生物要適應(yīng)外界環(huán)境的變化，就必須能夠感受到這種變化，才能做出反應(yīng)。生物的感受器多種多樣，有的是單單感覺神經(jīng)元的神經(jīng)末梢；有的是感受器細(xì)胞；還有的感受器除了感受細(xì)胞外還增加了附屬裝置，且附屬裝置還很復(fù)雜，形成特殊的感覺器官。無論感受器的復(fù)雜程度如何，它在整個(gè)神經(jīng)系統(tǒng)中都起著信息采集的作用，它將外界物理的或化學(xué)的動態(tài)信號反應(yīng)在感覺神經(jīng)細(xì)胞膜的電位變化上，膜上的電位變化可形成動作電位向遠(yuǎn)端傳導(dǎo)。
中間神經(jīng)在系統(tǒng)中起著計(jì)算及信息傳導(dǎo)的作用，通常感覺神經(jīng)傳來的動作電位經(jīng)過若干個(gè)中間神經(jīng)元的計(jì)算響應(yīng)后在傳遞到傳出神經(jīng)形成反射弧，但也有的反射弧僅由傳入神經(jīng)元與傳出神經(jīng)元直接組成，如敲擊股四頭肌引起的膝反射。傳出神經(jīng)可分為軀體神經(jīng)與內(nèi)臟神經(jīng)兩類，它們都最終連接著效應(yīng)器，只是內(nèi)臟神經(jīng)需要通過一個(gè)神經(jīng)節(jié)來連接效應(yīng)器，最后由效應(yīng)器調(diào)空肌體器官做出相應(yīng)的反應(yīng)。
二、生物神經(jīng)網(wǎng)絡(luò)的建立
1994年，一種被稱為Netrin-1、將軸突吸引到分泌它的神經(jīng)細(xì)胞的可擴(kuò)散蛋白被發(fā)現(xiàn),此后人們發(fā)現(xiàn)，同一軸突引導(dǎo)分子既可吸引、也可排斥前來的軸突。其中，環(huán)狀A(yù)MP（也稱cAMP）、環(huán)狀GMP（也稱cGMP）和鈣離子，都可能是從參與將發(fā)育中的神經(jīng)元引導(dǎo)到其目標(biāo)上的受體中轉(zhuǎn)導(dǎo)信號的第二種信使。新的實(shí)驗(yàn)表明，正是cAMP/cGMP的比例決定著Netrin-1是起一種吸引信號的作用還是起一種排斥信號的作用，這些環(huán)狀核苷通過控制軸突生長錐中的L-型鈣通道來起作用。
目前已經(jīng)發(fā)現(xiàn)大量對神經(jīng)軸突生長具有導(dǎo)向作用的分子，這些分子可以分為兩大類：一類分子固著在細(xì)胞膜表面或細(xì)胞外基質(zhì)中，影響局部的神經(jīng)纖維生長，這類因子包括ephrin,MAG(myelin-associatedglycoprotein),Nogo等；另一類是分泌性分子，能擴(kuò)散一定的距離并形成濃度梯度起作用，如netrin,slit,semaphorin家族的大多數(shù)成員,及各種神經(jīng)營養(yǎng)因子等。神經(jīng)軸突的前端有生長錐（growthcone）的結(jié)構(gòu)起到對環(huán)境信號的探測作用。神經(jīng)生長錐表面存在各種導(dǎo)向因子的受體，它們特異地識別環(huán)境中各種因子，并向細(xì)胞內(nèi)傳遞吸引（attractive）或是排斥(repulsive)的信號，從而通過調(diào)節(jié)生長錐內(nèi)的細(xì)胞骨架的重組來引導(dǎo)神經(jīng)纖維沿特定路線生長（我國科學(xué)家袁小兵等研究人員發(fā)現(xiàn)，在脊髓神經(jīng)元上，神經(jīng)細(xì)胞內(nèi)RHOA酶和CDC酶直接傳遞外界方向信號，引導(dǎo)神經(jīng)生長方向，同時(shí)這兩種酶相互作用，對生長方向進(jìn)行細(xì)致的調(diào)節(jié)）。未成熟神經(jīng)細(xì)胞柔弱的軸突在這些信號的引導(dǎo)下，試探地穿行于正處于發(fā)育階段、仍是一片紛亂的大腦之中，最終抵達(dá)適當(dāng)?shù)哪康牡?。一旦軸突的末端找到了其正確的棲息地，它就開始與周圍神經(jīng)元建立盡可能廣泛的突觸聯(lián)系，以便傳導(dǎo)信息。
脊椎動物出生后早期發(fā)育中的一個(gè)特征是，神經(jīng)鍵（或神經(jīng)連接）的消除。最初，一個(gè)神經(jīng)肌肉連接被多個(gè)軸突支配，然后所有軸突都退出，只剩下一個(gè)，對相互競爭的神經(jīng)元來說，決定勝負(fù)的是它們的相對活性。為了能準(zhǔn)確的連接到目的地，單個(gè)或多個(gè)神經(jīng)元會沿導(dǎo)向分子所確定的大致方向上生長出若干條神經(jīng)纖維，其中總會有能正確連接到目的地的神經(jīng)纖維，所建立的若干神經(jīng)鏈路在刺激信號的作用下，正確的信息傳遞會使鏈接會變的更加穩(wěn)固，反之則慢慢萎縮分離。打個(gè)比方講：兩個(gè)城市間原本沒有路，如果要修的話會先派人去探索出若干條路，最后去修筑被優(yōu)選出來的路，而其他的則會被遺棄。
三、神經(jīng)網(wǎng)絡(luò)的基本工作原理
1、反射
自然界中，事物的發(fā)展、能量的轉(zhuǎn)化、信息的傳遞等等各種的自然現(xiàn)象都包含著因果關(guān)系，只要時(shí)間沒有停滯，這種關(guān)系將廣泛存在，從“因”到“果”，貫穿著事物的發(fā)展過程，當(dāng)過程長且復(fù)雜時(shí)我們稱之為“事件”，反之則稱之為“觸發(fā)”。
生物個(gè)體在與外界環(huán)境或是個(gè)體自身進(jìn)行物質(zhì)或信息交換時(shí)，也存在著這種現(xiàn)象，在這里我們稱之為“反射”。
反射是最基本的神經(jīng)活動，現(xiàn)行的說法是將反射分為兩種，無條件反射和條件反射，其中，無條件反射是動物和人生下來就具有的，即遺傳下來的對外部生活條件特有的穩(wěn)定的反應(yīng)方式，在心理發(fā)展的早期階段，這種反應(yīng)方式提供最基本的生存技能，也就是本能，如：食物反射、防御反射、定向反射，還有一些可能是在人類進(jìn)化過程中，曾經(jīng)有一定生物適應(yīng)意義的無條件反射，如：巴賓斯基反射、抓握反射、驚跳反射（又叫摩羅反射）、游泳反射、行走反射等，此外，還有其他一些無條件反射，如眨眼反射、瞳孔反射、吞咽反射、打嗝、噴嚏等等。
條件反射是后天訓(xùn)練出來的，著名科學(xué)家巴甫洛夫就曾對條件反射的形成、消退、自然恢復(fù)、泛化、分化以及各種抑制現(xiàn)象進(jìn)行過相當(dāng)細(xì)致、系統(tǒng)的實(shí)驗(yàn)研究，。
無論是條件反射還是無條件反射，從主觀上都可以看作是一種因果作用關(guān)系，即都存在著觸發(fā)條件，都會導(dǎo)致某一結(jié)果的產(chǎn)生，所以無條件反射其實(shí)也屬于條件反射范疇。只有在成因上，無條件反射是根據(jù)遺傳信息形成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而條件反射是后天在先前的網(wǎng)絡(luò)基礎(chǔ)上，依據(jù)外界環(huán)境繼續(xù)發(fā)展完善的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。兩者之間是繼承和發(fā)展的關(guān)系，但從這兩個(gè)階段所形成的神經(jīng)網(wǎng)絡(luò)功能來看，對外界的刺激都具備輸入、傳遞、輸出這一處理過程即反射過程，所以從某種意義上講，也可以把無條件反射歸類到條件反射范疇中去，或者說條件反射等同于反射。
神經(jīng)系統(tǒng)中的條件反射具有三個(gè)要素：輸入、傳遞、輸出。其中的每一個(gè)要素既可以用單個(gè)神經(jīng)元表示，也可以用一個(gè)神經(jīng)群落來表示。當(dāng)用少數(shù)幾個(gè)神經(jīng)元表示時(shí)，對應(yīng)的是生物個(gè)體對局部刺激的反應(yīng)，當(dāng)擴(kuò)展到神經(jīng)群落時(shí)，對應(yīng)的就可能就是對某一激發(fā)事件的處理方法了。
反射中的輸入，最能使我們聯(lián)想到傳入神經(jīng)元（感覺神經(jīng)元），但在這里，它可以指單個(gè)的感覺神經(jīng)元，也可以指一種感官（眼睛中的視神經(jīng)群落、耳中的聽覺神經(jīng)中樞、皮膚中與各類感受器連接的神經(jīng)群落等等），甚至可以是大腦中某一區(qū)域內(nèi)形成某一表象或是概念的神經(jīng)群落。反射中的輸出同樣可以指傳出神經(jīng)元（即脊髓前角或腦干的運(yùn)動神經(jīng)元），也可以指大腦中某一區(qū)域內(nèi)形成某一概念或是表象的神經(jīng)群落。反射中的中間傳遞過程是信息的加工處理的過程，可以由單個(gè)神經(jīng)元、神經(jīng)鏈路或是神經(jīng)網(wǎng)絡(luò)來承擔(dān)，甚至可以直接由輸入與輸出的對應(yīng)載體來分擔(dān)。這樣生物神經(jīng)系統(tǒng)中的反射弧只是它的一個(gè)子項(xiàng)罷了，條件反射在主觀上也對應(yīng)著我們常說的“產(chǎn)生、經(jīng)過與結(jié)果”即因果關(guān)系。
2、認(rèn)知
有一個(gè)低等生物海兔的記憶試驗(yàn):海兔本身具有被觸摸(水管部分)后的鰓縮反射,但連續(xù)十幾次的刺激后,鰓縮反應(yīng)就逐漸減慢.經(jīng)過研究發(fā)現(xiàn),海兔的習(xí)慣化是由于神經(jīng)遞質(zhì)發(fā)生變化所致.進(jìn)一步的研究發(fā)現(xiàn)這種變化是突觸中的感覺神經(jīng)元的Ca離子門關(guān)閉,導(dǎo)致遞質(zhì)的釋放量減少所致.上述試驗(yàn)說明簡單的記憶與神經(jīng)遞質(zhì)和突觸有關(guān).又如大鼠的大腦皮質(zhì)切除試驗(yàn):用迷宮訓(xùn)練大鼠,如果大鼠學(xué)會并記住順利走出迷宮的道路后,切除它的大腦皮質(zhì),記憶就會消退.不論切除的是大腦皮質(zhì)的哪一部分,總是切除的多,記憶消退的多;切除的少,記憶消退的就少。
首先，認(rèn)知通常強(qiáng)調(diào)的是結(jié)果，是神經(jīng)網(wǎng)絡(luò)定型后的結(jié)果。神經(jīng)網(wǎng)絡(luò)的定型過程就是認(rèn)知的建立過程，也就是生物個(gè)體的學(xué)習(xí)過程，它同時(shí)表現(xiàn)了出生物的記憶過程。定型好的神經(jīng)網(wǎng)絡(luò)對觸發(fā)信息的處理過程即反射過程，就是記憶的提取過程，也正是通過這一過程反映出了認(rèn)知的存在。
生物個(gè)體對客觀事物的認(rèn)知可以解釋為：客觀事物在主觀意識中形成了表象，并且該表象與一系列的活動（生理的或心理的）相聯(lián)系。換句話說，某一客觀事物的信息如果經(jīng)過大腦處理能夠引發(fā)出一系列的動作（這是一種反射現(xiàn)象，符合前面對反射的定義），我們就可以說對這一事物已經(jīng)認(rèn)知了。
行為主義與符號主義中對認(rèn)知建立過程中所顯現(xiàn)出的記憶現(xiàn)象都有很詳細(xì)的類別劃分，其中每一種記憶類別都僅與一種認(rèn)知的建立模式相對應(yīng)。所以，與其用記憶類別來劃分還不如用認(rèn)知類別來劃分更為合理，在這里由于篇幅所限，我僅將認(rèn)知簡單概括為以下三種類別：物體認(rèn)知、事件認(rèn)知以及兩種認(rèn)知的衍生產(chǎn)物抽象事物認(rèn)知。
a、物體認(rèn)知
感受外界客觀環(huán)境最簡單的辦法是通過感官直接去“接觸”物質(zhì)對象，并通過大腦處理，并最終導(dǎo)致一個(gè)或一系列的結(jié)果，這種因果過程就是對客觀物體的認(rèn)知。如：看到一個(gè)蘋果，我們產(chǎn)生了拿的動作，同時(shí)也可以產(chǎn)生許多其他的動作如激活色彩感覺中樞、激活味覺中樞等等，當(dāng)可以有這些動作產(chǎn)生時(shí)，就完成了對蘋果的認(rèn)知。
下面我們將詳細(xì)講解神經(jīng)網(wǎng)絡(luò)對物體認(rèn)知的描述。
一個(gè)輸入集合I（觸覺、視覺等的感應(yīng)細(xì)胞構(gòu)成的集合或是處于某一層次上的神經(jīng)元集合）對之內(nèi)兩個(gè)不同區(qū)域（A、B）的刺激做出相應(yīng)Y與X兩種不同反應(yīng)的神經(jīng)處理過程,如圖2。
圖2的a、b、c為三種AB可能存在的輸入情況。圖2a中A、B分別對應(yīng)Y、X，神經(jīng)鏈路沒有重疊，刺激A時(shí)得到Y(jié)的輸出，刺激B時(shí)得到X的輸出，結(jié)果不會出現(xiàn)問題，請注意：帶有方向的黑線只是代表邏輯上的鏈路，在實(shí)際中，鏈路與鏈路之間有質(zhì)的區(qū)別，這里只做簡單的等價(jià)說明，用數(shù)量表示質(zhì)量。圖2b中A、B間有了交叉，在處理過程中，當(dāng)A受到刺激會產(chǎn)生Y的輸出，同時(shí)會有三條邏輯鏈路去刺激X，但做為X的全部決定因素，這三條相比從B到X余下的空閑聯(lián)絡(luò)，只占很小的一部分，它們還不足以激活X，所以分別刺激A、B仍然會得到正確的輸出。對于X這種在某一層次上的輸出神經(jīng)元來說，是否能被激活，主要取決于所有處于不同狀態(tài)的輸入鏈路的能量對比，在這里能量被量化為邏輯鏈路的數(shù)量，這樣每個(gè)神經(jīng)元對值的判斷則等價(jià)為判斷處于激活狀態(tài)的邏輯鏈路數(shù)是否過半。此類神經(jīng)鏈路就是興奮類傳導(dǎo)神經(jīng)網(wǎng)絡(luò)，單純采用此類神經(jīng)鏈路的系統(tǒng)只需要根據(jù)相應(yīng)刺激感受區(qū)域是否有刺激發(fā)生，就可以得出正確的輸出結(jié)果，但是在圖2c中，刺激區(qū)域A包含著B的情況下，如果刺激B區(qū)會有正確輸出X，然而如果刺激A區(qū)則會出錯(cuò)，Y與X會同時(shí)有效，這時(shí)我們就需要一種鏈路來阻止這種錯(cuò)誤的發(fā)生，這就是抑制類神經(jīng)鏈路，如圖2c中的虛線箭頭所示，抑制類邏輯鏈路只起到?jīng)_減、抵消興奮類邏輯鏈路數(shù)量的作用，使得X在沖減后的興奮鏈路合計(jì)數(shù)小于閥值，從而達(dá)到唯一正確輸出Y得目的。
在圖2中列舉的神經(jīng)網(wǎng)絡(luò)認(rèn)知模式中，雖然只涉及到了輸入與輸出，但在兩者之間已經(jīng)包含了計(jì)算的成分，或是說承擔(dān)了傳遞計(jì)算的功能，此外不難發(fā)現(xiàn)：能夠?qū)δ骋晃矬w認(rèn)知，必須要首先區(qū)分開其他物體，尤其是符合圖2c中的情況，物體間的差異正好可以滿足這一需求。這樣，即使是從同一個(gè)感官傳來的信息，也能做到很好的區(qū)分。
當(dāng)認(rèn)知的對象較為復(fù)雜時(shí)（如蘋果），對象包含有各種各樣的屬性，其中的每一種屬性的響應(yīng)過程，在局部都遵循著反射的定義。當(dāng)在某一時(shí)刻，與蘋果相關(guān)的各種屬性的神經(jīng)子網(wǎng)絡(luò)被大部分激活時(shí)，蘋果的表象就成了焦點(diǎn)。更確切的講是，感官捕捉的信息在傳遞的過程中，經(jīng)過了代表各種屬性的神經(jīng)子網(wǎng)絡(luò)，一些屬性因條件不滿足而停止傳遞，最后由可以通過的（即被確認(rèn)的屬性）神經(jīng)子網(wǎng)絡(luò)繼續(xù)向后傳遞，最后再引發(fā)一系列的動作，其中反射可以指局部的傳遞（單個(gè)屬性的確認(rèn)），也可以指整個(gè)傳遞過程（看到蘋果后，可以去拿可以去想等等）。
蘋果在人腦中形成的表象，其實(shí)就是指感官根據(jù)蘋果實(shí)物產(chǎn)生的電信號所能經(jīng)過的神經(jīng)鏈路，神經(jīng)鏈路與神經(jīng)網(wǎng)絡(luò)的關(guān)系相當(dāng)于行走路徑與公路網(wǎng)的關(guān)系。此外其他的神經(jīng)區(qū)域輸出的電信號如果在傳遞過程中也能引發(fā)出與前面提到的“蘋果神經(jīng)鏈路”相同或相似動作或是功能的話，也可以說是形成了蘋果的表象，這種現(xiàn)象可以使我們認(rèn)知客觀世界不存在的事物或個(gè)體自身從未接觸過的事物。
b、事件認(rèn)知
任何事物在一段時(shí)間內(nèi)發(fā)生了變動，在這里都可以被稱之為事件。因果關(guān)系同樣也具備事件的屬性，如果能深入分析一下各種事件的過程，基本上都能找到因果關(guān)系的影子。在前面對物體的認(rèn)知中，我們知道了神經(jīng)網(wǎng)絡(luò)認(rèn)知物體是以因果關(guān)系的方式建立的網(wǎng)絡(luò)鏈路，為了不引起混淆，下面以因果關(guān)系為認(rèn)知對象的，我們用事件來代替，對事件的認(rèn)知過程，近似于對物體的認(rèn)知過程，相當(dāng)于把事件等同于物體，由于事件具有時(shí)間性，所以神經(jīng)網(wǎng)絡(luò)就必須能夠處理時(shí)間問題。
神經(jīng)元的形狀各異，軸突有長有短，且對信息的加工時(shí)間與傳遞速度也各不相同，這樣對同一起點(diǎn)不同的傳遞路徑，信息的傳遞速度可能不同。還以圖2為例，現(xiàn)在假設(shè)每一個(gè)箭頭除了代表一個(gè)神經(jīng)元連接外，還代表一個(gè)單位傳遞時(shí)間，當(dāng)首先刺激A區(qū)后并在第二個(gè)單位時(shí)間內(nèi)刺激B區(qū)，將兩次觸發(fā)過程當(dāng)作一個(gè)事件，導(dǎo)致一個(gè)輸出Y；同法當(dāng)先刺激B區(qū)，然后在刺激A區(qū)時(shí)會有另一個(gè)輸出X，如圖3
根據(jù)這種通過神經(jīng)鏈路上神經(jīng)元個(gè)數(shù)進(jìn)行延時(shí)的方法，任何處于時(shí)間片段上的信息都可以被處理。我們再舉個(gè)更加復(fù)雜的例子，單輸入神經(jīng)元網(wǎng)絡(luò)對摩爾斯電碼的識別與重現(xiàn)。
假設(shè)輸入神經(jīng)元為A，按嚴(yán)格的爾斯電碼規(guī)則來刺激該神經(jīng)元，最后由神經(jīng)網(wǎng)絡(luò)得出字符序列，如圖4
當(dāng)A收到刺激信號時(shí)，將信號廣播給不同的識別群體，圖4中只給出了其中的一個(gè)網(wǎng)絡(luò)群體，給出的這個(gè)群體只能認(rèn)識字符“b”即電碼“—…”。為了簡化說明，圖4中舍棄了每個(gè)神經(jīng)元的其他輸入輸出鏈路以及相關(guān)的抑制鏈路，所以圖中的每一個(gè)指向神經(jīng)元的箭頭均存在著“與”的邏輯運(yùn)算關(guān)系，在這里它們不表示邏輯數(shù)量。
由圖4可以看出，先收到的信號經(jīng)過較多的傳遞神經(jīng)元進(jìn)行延時(shí)，再連同后面收到的信號一起同時(shí)傳遞到結(jié)果輸出上，這樣處于時(shí)間片段上的信息就可以被當(dāng)作是一個(gè)整體來進(jìn)行處理。粗虛線上半部分為輸入識別部分，下半部分為信息重現(xiàn)部分，仔細(xì)觀察就會發(fā)現(xiàn)，兩部分的神經(jīng)鏈路并不是互成鏡像，輸入為前端延時(shí)，依次為：1、3、5、7、8、9，輸出為后端延時(shí)，依次為：9、7、5、3、2、1，所以認(rèn)識事物與應(yīng)用事物是由兩套不同的神經(jīng)網(wǎng)絡(luò)來控制完成的。圖4中的兩條傾斜細(xì)虛線是一個(gè)虛擬的標(biāo)示線，從某種意義上講這里是事物的表象層，中間本應(yīng)該是更加復(fù)雜的表象處理網(wǎng)絡(luò)，在這里只簡單的假設(shè)性的給出了表象輸出與輸入。
c、抽象概括與抽象描述
對事物（事件、物體）的認(rèn)知，使我們得以在大腦中建立出與客觀世界相對應(yīng)的表象，作為記錄事物表象的神經(jīng)鏈路網(wǎng)上的每一個(gè)分支與合并都可能是事物在不同層次上的一種“特征的概括與描述”（參見圖3左圖）。
神經(jīng)網(wǎng)絡(luò)在認(rèn)知新的事物時(shí)，輸入信息總是盡可能的使用已存在的網(wǎng)絡(luò)鏈路進(jìn)行傳遞處理，當(dāng)處理不足以產(chǎn)生正確的結(jié)果時(shí)才在信息的中斷處搭建新的網(wǎng)絡(luò)連接。在局部，如果已存在的網(wǎng)絡(luò)鏈路可以被使用，那么這部分網(wǎng)絡(luò)結(jié)構(gòu)通常是一種共性的表達(dá)，當(dāng)這種表達(dá)隨著同類認(rèn)知的增加而逐漸完善時(shí)，就可以作為一種屬性的表象，這在主觀上是一種抽象概括的過程。
例如，對蘋果的認(rèn)知，“蘋果”本身是一個(gè)概括出來的詞匯，它不具體指哪一個(gè)蘋果，但在認(rèn)知若干個(gè)具體蘋果的過程中，與各個(gè)蘋果相對應(yīng)的神經(jīng)鏈路的共用部分被逐漸加強(qiáng)，這部分神經(jīng)網(wǎng)絡(luò)就可以說是“蘋果”這一概念的表象區(qū)域。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不光能實(shí)現(xiàn)對有形的抽象概括，也可以對無形的加以抽象概括，例如“水果”的表象，這一表象的形成可以說是用若干不同種類的水果培養(yǎng)出來的，也可以說是由“蘋果”、“梨”等等表象的神經(jīng)鏈路的共用部分完善而成的，后一種方式可以理解為抽象概括可以建立在另一種抽象概念之上，即對無形的事物也可以做抽象概括。換個(gè)角度講，這些抽象出來的表象本身就是一種有形的物質(zhì)，它是由若干神經(jīng)元搭建起來的網(wǎng)絡(luò)系統(tǒng)，是客觀存在的東西，這樣的話就與第一種方式相一致了。
語言是生物間交流的工具，是生物為了更好的適應(yīng)周圍的環(huán)境而進(jìn)化產(chǎn)生的，在這里它包含有聲音、文字、動作、行為以及低等生物的化學(xué)接觸等等內(nèi)容。就拿我們?nèi)祟悂碚f，每一個(gè)發(fā)音、每一個(gè)文字符號都可以說是對應(yīng)著一種表象，這個(gè)表象可以是抽象出來的也可以是具體事物產(chǎn)生的。語言是通過觸發(fā)來進(jìn)行工作，當(dāng)然也可以說是一種反射或是因果現(xiàn)象。無論是說還是聽，也不論是寫還是看，對于說或者是寫這種輸出性質(zhì)的處理，可以解釋為某個(gè)表象被激活時(shí)，它又被作為輸入信號沿著該表象至發(fā)音或是運(yùn)動器官間的語言神經(jīng)鏈路傳遞電信號，直至發(fā)音或是運(yùn)動器官做出相應(yīng)的動作。聽與看也是如此，感官接收到信息后傳遞直至激活某一個(gè)表象區(qū)域（請參見圖4）。語言與表象之間廣泛存在著對等映射關(guān)系，它可以使我們能夠直接去運(yùn)用語言來進(jìn)行思維，即便是表象與輸入輸出沒有語言神經(jīng)鏈路對應(yīng)關(guān)系的，如果需要我們也會臨時(shí)的建立起語言神經(jīng)鏈路，如本文中說的圖幾圖幾、這個(gè)那個(gè)等等，或者用相關(guān)的有語言鏈路的表象通過塑造、闡述、刻畫、定位等等方式來體現(xiàn)或是建立該表象，這種建立神經(jīng)鏈路的過程往往體現(xiàn)出不同種類的記憶模式。
生物的記憶過程與機(jī)械的存儲過程原理基本相同，都是通過改變載體的性狀來表達(dá)的，只是生物是通過神經(jīng)網(wǎng)絡(luò)的響應(yīng)過程來表達(dá)或再現(xiàn)記憶的內(nèi)容，就是說該神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)就反映著記憶的內(nèi)容，所以生物的記憶過程就是建立特定連接方式的神經(jīng)網(wǎng)絡(luò)的過程，而提取過程就是激活這部分神經(jīng)網(wǎng)絡(luò)的過程。一旦載有相關(guān)記憶內(nèi)容的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被確定時(shí)，能量只能體現(xiàn)在信息的提取與再現(xiàn)上，當(dāng)然維持這種結(jié)構(gòu)也需要一點(diǎn)能量，不然神經(jīng)元就餓死了：）注意：這里強(qiáng)調(diào)的是“過程”。
生物的認(rèn)知過程對外表現(xiàn)為學(xué)習(xí)過程，對內(nèi)表現(xiàn)為神經(jīng)網(wǎng)絡(luò)的建立及使用過程，在學(xué)習(xí)過程中往往會同時(shí)伴隨著反饋過程（內(nèi)反饋或外反饋），生物從外界獲得信息，傳遞處理后再作用給外界，并同時(shí)獲取作用后新的信息，周而復(fù)始的運(yùn)做，這就是外反饋過程。外反饋過程是依靠外界因素幫助或是引導(dǎo)或是促使生物個(gè)體建立起能與環(huán)境相協(xié)調(diào)運(yùn)做的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，主觀上我們稱之為“教育”。內(nèi)反饋主要體現(xiàn)在我們的思維活動上，通常外界事物在大腦中存在著對應(yīng)的表象，被外反饋完善了的事物表象之間同樣可以建立起互動聯(lián)系，比如講一個(gè)事物的表象被激活（輸入），引發(fā)其他的表象也被激活（輸出），這些被激活的表象同樣也可以作為輸入去激活先前的或是其他的表象，然后周而復(fù)始的運(yùn)做，使得信息得以在腦內(nèi)進(jìn)行反復(fù)的處理。內(nèi)反饋過程實(shí)際上就是一種“自學(xué)”的過程，但它的激發(fā)源頭必定是與外界有關(guān)，并且最終要作用于外界，所以說內(nèi)外反饋往往是兼而有之的。
在認(rèn)知過程中隨著內(nèi)反饋的素材（表象）不斷增多，生物個(gè)體漸漸能夠認(rèn)知自身與外界間的互動關(guān)系，自我意識也就隨之產(chǎn)生，同時(shí)我們用以進(jìn)行思維的素材及其運(yùn)作方式，如概念，詞匯以及由這些材料所帶來的情感因素及組織方式等等，絕大部分都來源于前人或者是借用他人的經(jīng)驗(yàn)，生物個(gè)體對這些經(jīng)驗(yàn)素材的獲取，或是由于接觸的幾率的不同，或是由于認(rèn)同的程度的高低，個(gè)體間總會存在著差異，這樣就產(chǎn)生了我們不同的個(gè)性特征。
3、創(chuàng)造
生物在與周圍環(huán)境發(fā)生相互作用時(shí)，不可避免的會對周圍的環(huán)境造成一定的影響，無論是主動的還是被動的，這些對環(huán)境的影響最終都是為了促使生物以更好的適應(yīng)周圍的環(huán)境。遵循優(yōu)勝劣汰的法則，好的影響將會被保留繼承下去，如搭窩、建巢、獲取食物等等，而壞的影響會增加生物生存的風(fēng)險(xiǎn)。
神經(jīng)網(wǎng)絡(luò)在認(rèn)知事物后，事物的表象往往不是特定對應(yīng)著某一個(gè)具體事物，而是對應(yīng)著在一個(gè)模糊的范圍內(nèi)所含闊的一類事物。例如，我們認(rèn)知的蘋果，泛指各種各樣的蘋果，甚至還包括那些嫁接出來的長的象其他水果的蘋果等等。在我們依據(jù)蘋果的表象勾勒出一個(gè)具體的蘋果時(shí)，這個(gè)蘋果將肯定不會與客觀世界中的任何一個(gè)蘋果相同，因?yàn)闆]有兩樣?xùn)|西是絕對相同的。產(chǎn)生一個(gè)客觀世界不存在的事物，就是創(chuàng)造，其過程就是創(chuàng)造的過程。
生物神經(jīng)網(wǎng)絡(luò)中事物的表象往往穿插交錯(cuò)在一起，它們以鏈路最省的方式構(gòu)成。任何神經(jīng)鏈路上的合并都可以說是事物的某一特征在某一層次上的概括，所以表象可以以不同的內(nèi)涵層次來拆分成各種各樣的屬性單元（元素），而任何神經(jīng)鏈路上的分支都可以說是事物的某一特征在某一層次上的副本，使得這些屬性單元也能夠隸屬于別的表象或是說用于構(gòu)建（表達(dá)）別的表象，當(dāng)若干種屬性單元在某一時(shí)刻都處于激活狀態(tài)時(shí)，就等同于一種表象被激活，無論這個(gè)表象是否對應(yīng)著客觀世界中的事物，如果沒有對應(yīng)關(guān)系那就是一個(gè)較高形式的創(chuàng)造過程。
創(chuàng)造的幾種主要的表達(dá)形式：聯(lián)想、推理、頓悟
a、聯(lián)想
當(dāng)一個(gè)事物的表象被激活時(shí)，也就是說該表象所包含的若干屬性單元（元素）同時(shí)有效時(shí)，我們的注意力焦點(diǎn)就集中在這個(gè)表象上，如果對該表象的處理（內(nèi)或外反饋）使的表象被否決時(shí)，也就是說由于一些屬性單元的失效（或被抑制，或處于高阻），導(dǎo)致該表象無法成立的時(shí)候，剩余的屬性單元或許可以構(gòu)成另一種事物的表象，或許還需要結(jié)合那些被激活了的新的屬性（或是由外界事物具有的新的屬性所激活，或是因降低了對一些屬性的抑制所導(dǎo)致的激活）。
b、推理
聯(lián)想是一種去激活與事物表象相關(guān)聯(lián)的其他表象的過程，主觀上是一種橫向擴(kuò)展的過程，那么縱向過程就是由于一個(gè)或若干個(gè)事物表象被激活，從而導(dǎo)致另一個(gè)表象也被激活的過程，即推理過程，其中的任何一個(gè)表象的確立（激活）都會通過反饋過程加以驗(yàn)證。推理與聯(lián)想在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上十分的相似，功能上也基本相同，只是在主觀認(rèn)識上，聯(lián)想更強(qiáng)調(diào)相關(guān)性或是相似性，而推理則強(qiáng)調(diào)的是次序性或?qū)哟涡浴?/p>
c、頓悟
當(dāng)我們思考一件事情時(shí)，或設(shè)計(jì)一件東西的時(shí)候，常常會遇到百思不得其解的情況發(fā)生，但有時(shí)，在某個(gè)偶然的事件影響下，我們會突然明白或能夠解決這些問題，這就是頓悟現(xiàn)象。
事物的表象是由若干個(gè)神經(jīng)網(wǎng)絡(luò)屬性單元所構(gòu)成的，我們說的“問題”在大腦中也是一種表象，是一種經(jīng)反饋過程沒有驗(yàn)證通過的特殊的表象，這個(gè)表象的屬性單元可能包括具體的事物表象、抽象的事物表象、邏輯關(guān)系、公理、定律等等內(nèi)容，但這些屬性同時(shí)有效時(shí)，問題的表象并不能通過內(nèi)外反饋的驗(yàn)證。作為一個(gè)急切需要解決的“問題”，“問題”的表象被反復(fù)的激活（深思熟慮反復(fù)思考），在一個(gè)偶然機(jī)會，一個(gè)別的事件表象被激活，或是因?yàn)榇耸录哪硞€(gè)屬性單元彌補(bǔ)了“問題”表象的一個(gè)重要的空缺；或是因?yàn)榇耸录皢栴}”表象中的某個(gè)關(guān)鍵的屬性單元被抑制失效，“問題”表象得以完善并能夠通過反饋驗(yàn)證，這就是頓悟。
四、神經(jīng)網(wǎng)絡(luò)的相關(guān)問題
人在成長過程中，他的學(xué)習(xí)過程就是構(gòu)建相應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的過程，隨著認(rèn)知程度的增加，網(wǎng)絡(luò)結(jié)構(gòu)也日趨復(fù)雜，對刺激的反應(yīng)過程也隨之復(fù)雜化，當(dāng)復(fù)雜到無法預(yù)測時(shí)，主觀上就會認(rèn)為反應(yīng)過程是自發(fā)產(chǎn)生的，這是人的一種錯(cuò)覺。
幼年，人腦神經(jīng)網(wǎng)絡(luò)的建立過程需要大量的空閑神經(jīng)元，基本雛形確定后，剩余的空閑神經(jīng)元會損失大半，這樣才能夠給網(wǎng)絡(luò)的發(fā)展騰出空間。余留下來的空閑神經(jīng)元或是成為新建神經(jīng)鏈路中的一部分而被確定下來；或是被用于臨時(shí)搭建的某些鏈路；或是作為備用存在于網(wǎng)絡(luò)的空隙當(dāng)中。
青少年，神經(jīng)網(wǎng)絡(luò)屬于高速建立階段，這個(gè)階段的神經(jīng)網(wǎng)絡(luò)可塑性極強(qiáng)，主要是因?yàn)獒槍κ挛锏恼J(rèn)知，即是以機(jī)械性記憶為主，對事物認(rèn)知的量及內(nèi)容是抽象邏輯思維建立的基礎(chǔ)及傾向，隨著量的增加抽象概括的能力會逐漸增強(qiáng)。
中青年，事物的認(rèn)知量及邏輯思維能力的配比達(dá)到了最佳程度，不光有一套較好的能與外界交互的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，而且神經(jīng)網(wǎng)絡(luò)還保留有發(fā)展的余地，即還保留有一定的可塑性。
中年，無論是抽象事物還是具體事物，認(rèn)知量已基本確定，網(wǎng)絡(luò)的結(jié)構(gòu)已日趨復(fù)雜化，在一些局部，需要修改的或是新建的神經(jīng)鏈路對空閑神經(jīng)元的需求也已日趨緊張，使得我們的認(rèn)知速度逐漸減慢。
老年，在許多的神經(jīng)網(wǎng)絡(luò)區(qū)域，空閑的神經(jīng)元已開始滿足不了認(rèn)知的需求，另外因?yàn)闊o法認(rèn)知新的事物，對外界的反應(yīng)能力也開始下降，連帶的相關(guān)神經(jīng)區(qū)域得不到激活，神經(jīng)鏈路的健壯性開始下降，以至于一些神經(jīng)鏈路解體，伴隨的就是認(rèn)知量的下降，即健忘等等現(xiàn)象，并且成為一種惡性循環(huán)發(fā)展下去……。
五、后記
為了能清楚的闡述它的運(yùn)行機(jī)制，同時(shí)也是為了驗(yàn)證這套理論，根據(jù)前面所提到的神經(jīng)元的結(jié)構(gòu)功能及組網(wǎng)方式，我通過計(jì)算機(jī)軟件設(shè)計(jì)了虛擬的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，2000年軟件完成了調(diào)試，并得到了很好實(shí)驗(yàn)結(jié)果。
參考文獻(xiàn)
1《現(xiàn)代科學(xué)育兒答疑》（0-3歲）人民教育出版社1999年第1版
2陳守良等，《人類生物學(xué)》，北京大學(xué)出版社，2001年12月
3陳閱增等（1997）.《普通生物學(xué)》.北京：高等教育出版社
4蘇珊·格林菲爾德，《人腦之謎》楊雄里等譯
5陳宜張《分子神經(jīng)生物學(xué)》人民軍醫(yī)出版社1997年2月
6伊·普里戈金、伊·斯唐熱著、曾慶宏、沈小峰譯《從混沌到有序》，上海譯文出版社1987年版。
