神經網絡的發展精選(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網絡的發展主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的發展范文

關鍵詞:商業流通;指標體系;智能決策支持系統;數據挖掘;神經網絡

中圖分類號:F49　文獻標識碼:A　文章編號:1009-8631(2010)02-0081-02

引　言

隨著現代計算機技術與信息處理技術和通訊技術的快速發展,服務于國民經濟各行業的各類信息管理系統應運而生。這些系統提高了工作效率、及時準確地進行各類信息服務,成為政府部門及企業決策者的有效工具。為此,在綜合考慮了商業流通經濟現代化發展的特點后。建立了商業經濟發展規劃智能決策支持系統(CEIDSS)。

該系統設計成一個由問題驅動的智能決策支持系統,具有良好的人機交互功能,通過定量計算方法、定性推理與定量相結合的方法進行問題求解,實現智能決策支持。該系統按照“問題導向、用戶第一”的開發原則進行開發,即完全按照商業部門的工作需求確定決策支持的目標、問題和方法,并充分考慮了決策技術和方法的先進性。

一、商業經濟發展規劃智能決策支持系統的目標和功能

1.系統的目標

商業經濟是國民經濟的一個重要組成部分。它有一個戰略目標,流通企業經營活動總是為這個戰略目標服務的。商業流通是一個比較復雜的系統,必須有一套綜合指標體系深入地、科學地評價。商業經濟評價指標體系是反映流通系統宏觀和微觀活動成果的各種指標的數字形式,這些數字在計劃任務、統計分析、效果評價活動中構成一系列相互聯系的整體?？紤]到國家對流通經濟現代化的要求和信息分析處理的特點,其構成的基本內容如圖1所示:

商業經濟發展規劃智能決策支持系統(CEIDSS)的總目標是:建立一個較實用的決策支持系統直接供省級商業部門進行戰略研究,制定中長期規劃和模擬仿真。由于它服務的對象是高層領導,決策環境復雜多變,涉及國民經濟各部門、流通、企業經營和工業生產諸多因素,能夠獲取的信息有的是精確的、定量的,有的卻帶有不確定性因素或只能定性描述,牽扯到的利益主體也是多方面的,價值觀和評價準則也各不相同。為了建立一個實用的決策支持工具,就必須把系統分析思想和計算機信息處理技術以及知識工程、專家系統工具結合起來,構成集成化的決策支持系統,以靈活、方便的形式向決策者和決策分析人員提供支持。

2.系統的功能

本系統的主要功能大體包含幾個方面:

國民經濟及商業經濟發展綜合信息查詢

系統能以數字、表格、圖形和圖像等形式,向決策者、決策分析人員和系統操作人員提供綜合的商業經濟各方面的信息。本系統不象一般MIS那樣采集比較全面而詳盡的數據,而是采集經過加工的綜合信息。

商業流通經濟發展現狀的比較分析

在綜合信息查詢的基礎上,系統增加了比較分析的功能,這是當前決策者經常使用的一種方法。通過對某些信息的直接或綜合比較,認識現狀,發現差距,從數量上和結構上明確問題所在,選擇主攻方向。根據目前國內開發的類似系統試用經驗來看,比較分析是一種有效的研究方法。它可以在“同中求異”,在可能條件下找出事物間的差別,給決策者以啟示。

商業經濟系統模擬仿真

系統可根據設定的經濟、社會情景,利用已有的信息與有關的模型和由專家經驗形成的事實和規則,對不同的政策措施下的發展前景、結果和影響進行模擬仿真。這里的模型有定量、半定量和定性的各種類型。由于商業經濟系統無法進行大規模、全局性現場實驗,利用模擬仿真可對后果與產生的影響進行預測、分析和研究。

實施方案的評價與優選

系統對于不同發展方案、規則、政策措施,可從不同側面、角度、準則行比較評價和優化選擇,以供決策參考?，F代的評價與優選法帶有綜合特點,因此系統具有綜合評價與多準則優化的功能。

商業經濟發展預測分析

本系統提供了功能較全的預測軟件,可幫助用戶進行反復運算分析,建立經濟計量模型,大體勾畫出商業流通經濟發展的前景趨勢,揭示未來發展的可能和潛在的各種危險、問題,采取相應對策,降低計劃與決策的風險和減少不確定性。

二、系統的框架結構、關鍵技術與開發

1.商業經濟發展規劃智能決策支持系統的結構

在經濟活動中。很多決策問題是圍繞著如何對某些事物進行綜合評價、并根據評價結果制定相應策略,采取進一步的行動。針對這類決策問題,人們往往需要根據有關理論及經驗制定一系列的衡量標準,即建立一套多級指標體系,從不同角度、不同層次對事物進行綜合評判。這種評價是一個非常復雜的非結構化決策過程,一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系,運用多種專業知識,集成各類專家意見和建議,統籌決策。但在這種多級指標體系中,各種指標之間的關系很難明確,而且還受評價者效用標準和主觀偏好所左右,受環境條件和個人認識能力的局限。

因此,很難在指標體系和評價目標間建立起準確的定量或定性模型,而通常的規則推理也難以描述這一過程。因此,鑒于商業環境的復雜性和不確定性,本文所提出的系統需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。利用人工神經網絡構造系統模型來支持這類評價決策問題是目前智能決策支持系統的一種發展趨勢。我們所確定的系統總體技術結構如圖2所示:

2.系統的關鍵技術

本系統主要是以知識、數據和模型為主體,結合神經網絡進行推理與數據挖掘。圖中有兩個重點,即神經網絡推理系統和神經網絡數據挖掘系統。

神經網絡數據挖掘

神經網絡數據挖掘是利用神經網絡技術協助從數據中抽取模式。數據挖掘有如下基本任務:分類、關聯分析、聚類、概念描述、偏差檢測、預測等。常用的前饋式神經網絡,例如BP網絡?？捎糜谶M行概念描述及預測。對向傳播(CounterPropagation,簡稱CP)神經網絡可用來進行統計分析和聚類。CP網絡是美國神經計算專家Robert Hecht-Nielsen提出的一種新型特征映射網絡,其網絡結構分輸入、競爭、輸出三層。輸入層與競爭層構成自組織特征映射神經網絡。競爭層與輸出層構成基本競爭型網絡。網絡從整體上看屬于有教師示教型網絡,而由輸入層與競爭層構成的自組織特征映射神經網絡又屬于一種典型的無教師示教型網絡。因此,該網絡既吸取了無教師示教型網絡分類靈活、算法簡練的優點,又采納了有教師示教型網絡分類精細、準確的好處,使兩者有機地結合起來。由輸入層至競爭層,網絡按自組織特征映射學習規則產生競爭層的獲勝神經元,并按這一規則調整相應的輸人層至競爭層的連接權。由競爭層至輸出層,網絡按基本競爭型網絡學習規則得到各輸出神經元的實際輸出值,并按有教師示教的誤差校正方法調整由競爭層至輸出層的連接權。經過這樣反復地學習,可以將任意輸入模

式映射為輸出模式。由CP網絡的這一基本思想,可發現處于網絡中間的位置的競爭層獲勝神經元及與其相關的連接權向量,既反映了輸入模式的統計特征,又反映了輸出模式的統計特征。因而,可認為輸入、輸出模式通過競爭層實現了相互映射。

神經網絡推理系統

神經網絡推理系統主要利用神經網絡的并行處理機制來解決傳統推理方法中存在的“組合爆炸”、“無窮遞歸”等問題。在神經網絡系統中,計算與存儲是完全合二為一的,即信息的存儲體現在神經元互連的分布上,并以大規模并行方式處理。這種并行決不是簡單地以空間復雜性代替時間復雜性,而是反映了完全不同的計算原理。從數學觀點來看,可以把神經網絡看作是由大量子系統組成的大系統,系統的最終行為完全由它的吸引子決定。如果視動力系統的穩定吸引子為記憶的話,那么初態向穩定吸引子流動的過程就是尋找記憶的過程。初態可以認為是給定有關記憶的部分信息。

換言之,流動的過程就是從部分信息找到全部信息的過程,這就是聯想記憶的基本原理。進一步,若視動力系統的穩定吸引子為系統計算能量函數的極小點,系統最終會流向期望的最小點,計算也就在運動過程中悄悄地完成了,運動的時間就是計算時間。因而,可用雙向聯想記憶(BAM)網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式。且將之分為x和Y兩部分。網絡通過提供的樣本對進行充分的學習后,就可用來進行模式間的聯想推理。

3.系統開發

系統的總體開發工作采用速成原型法,因為決策支持系統不象管理信息系統那樣執行的是例行性任務,特別是為高層決策服務的系統,處理的多半是半結構化或非結構化的系統,系統建立之前,用戶不可能明確完整地提出系統的功能要求。開發者一開始也不能完全了解決策環境、決策任務和決策程序。只有建立一個原型系統,通過演示使用戶通過自己的親眼所見,知道系統能夠做什么和不能夠做什么,才能提出恰如其分的要求,從中得到啟示,改進自己的決策方式。這樣通過原型試用進行用戶與開發者的溝通,對于促進系統的使用針對性和用戶友好性有很大的作用,也是用戶逐步接受和掌握系統的必經步驟。

系統開發分三個步驟完成,第一步是建立硬件和軟件環境,包括3s多庫結構智能決策支持系統平臺,生成一個能加載數據、模型等資源的專用決策支持系統;第二步是根據數據字典編碼加載數據,同時把有關部門模型和方法編人系統,進行調試和試運行;第三步是用戶試運行,提出修改意見,從而進一步完善。

第2篇：神經網絡的發展范文

[關鍵詞] 網絡； Web2.0； 兒童； 兒童發展

[中圖分類號] G434 [文獻標志碼] A

[作者簡介] 李少梅（1968—），女，陜西延安人。副教授，碩士生導師，主要從事學前教育基本理論研究。E-mail： 。

一、引 言

網絡時代的到來，標志著人類社會已經全面進入了信息化時代?？萍嫉母咚侔l展，使得信息技術正在以前所未有的速度影響著人們的生產、生活和學習方式。作為“.com”的一代，我們幾乎每時每刻都在不自覺地接觸著大量的信息，學前兒童也不例外，而這些信息在給兒童帶來新鮮感的同時，也將很大程度地影響著他們的身心發展和行為習慣。[1]置身于信息海洋的新一代兒童，與以往任何時代都不同，他們的生活正接受著來自于Web2.0時代信息技術的全面滲透。

信息技術的高速發展帶領人類社會從互聯網Web1.0時代進入了Web2.0時代。如果說Web1.0 的主要特點在于用戶通過瀏覽器獲取信息，那么Web2.0 則更注重用戶的交互作用。換言之，互聯網上的每一個用戶不再僅僅是互聯網的讀者，同時也成為互聯網的作者，由被動地接收互聯網信息向主動創造互聯網信息發展，從而更加人性化。

Web2.0被認為是互聯網發展的第二階段，它的核心概念是互動與分享，其技術主要包括博客（Blog）、RSS、百科全書（Wiki）、網摘、社會網絡（SNS）、P2P、即時信息（IM）等。信息環境中的Web2.0技術正在改變著傳統的教育傳播模式和應用方式，改變著傳統意義上對“學習”的定義，這意味著學習者不僅能夠在時間上、空間上擁有更大的靈活性和便利性，而且學習模式、信息獲取途徑、學習方法等都會有普適性的革新。學習不再是只充當教學計劃內的角色，也可以是隨時隨處發生的非正式學習。[2]在Web2.0所提供的學習平臺中，不僅學習者之間可以在社會化的網絡中進行廣泛的交互協作，學習內容也變得更加多元化。學習無處不在，這在極大程度上滿足了學習者個體個性化的需求，也為終身教育的發展奠定了基礎。

二、互聯網對兒童發展的滲透方式

在以Web2.0為代表的新一代互聯網技術的推動下，網絡對教育的影響已不再只是作為一種工具或手段，它對社會各領域的影響、對教育的影響、對學前兒童發展的影響都是廣闊而深遠的。也許學齡前階段的社會關系、生活環境相對來說并不復雜，但是他們所接觸的環境無處不帶有社會文化色彩。因而，網絡也會以其勢不可擋的沖擊力，像進入成人世界那般進入兒童的天地。對于學前兒童而言，因其個體的特殊性使信息技術不會過于直接地作用于個體，而是通過與兒童接觸的撫養者、居住環境、玩具用品，特別是幼兒園的教育內容與形式，以一種強烈而深刻的滲透方式影響著兒童身體、智能和社會性的發展。[3]

（一）幼兒園教育

在兒童的綜合發展中，幼兒園教育是其最主要的受教育方式。從投影、電視到計算機，再從多媒體技術到更加開放互動的網絡環境，不少幼兒園已經投入了極大的人力、物力、財力和熱情。當然，硬件環境的創設并不意味著已經達到了現代化環境的要求。究其本質，新技術引入學前教育的最終目的乃是實現信息技術和學前教育的充分整合，實現教育效果的最優化。[4]

隨著Web2.0技術的發展，兒童的學習環境將真正體現出開放、共享、交互、協作等特點，而技術手段的日益網絡化、智能化、虛擬化，也將對幼兒園教學產生深遠影響。[5]這些影響集中表現在以下三個方面。

1. 教學資源

以互動分享為核心的Web2.0技術拓展了獲取信息的途徑，在加快知識更新速度的同時，加強了課堂與現實世界的資源互動。而網絡信息的不斷聚合也會將教學資源以集約化、模塊化的方式在網絡中形成數據庫，實現優質教學資源多元化、形象化、知識化的共建共享，大大拓展了學前兒童教育的資源共享，打破了幼兒園教學資源之間畫地為牢的時空界限，實現了學前兒童信息化教育零距離、最大化的資源共享，這對于未來的幼兒園發展和園所之間的學習共建都有重要意義。[6]

2. 教學方法

由于學齡前兒童身心發展的局限性，幼兒往往對抽象的知識難以吸收、消化。而幼兒園教學可以利用新興的媒體、技術，將其融入更為生動活潑的視頻、動畫、音樂、圖像、游戲、動漫等，使抽象難懂的內容可視化、立體化，以更多趣味性、互動性、豐富性、形象性、實用性的方式呈現。在網絡環境中，孩子們還可以探究無法用肉眼看到的微觀世界，走進美麗神秘的大自然深處，甚至興趣盎然地與卡通人物對話。這種方式在很大程度上能夠滿足學前兒童的求知欲望，在積極的情感體驗中激發他們的興趣并帶來愉悅感，同時也能使他們迅速掌握學習內容，促進教學活動的有效性。

3. 教學模式

由于學齡前兒童個體身心發展尚未成熟，他們往往更習慣于選擇服從，其知識源也主要來自老師和家長。然而信息技術的發展正在悄然改變這種單一的教學模式，尤其是網絡環境的開放、互動以及人性化的發展，為兒童的發展創設了一種適應性、觸發性、沉浸性和誘導性的學習氛圍，[7]使兒童有機會進行主動探究和自主學習。同時，信息時代的到來也呼喚著教師角色的轉換，教師不再是唯一的知識來源，他們必須走出傳統的角色，隨時掌握新資料、汲取新知識、利用新教材，從注重自己的“教”走向學生的“學”，解決教學內容滯后于時展的矛盾，完成作為兒童學習活動的支持者、合作者、引導者這一角色的轉換。[8]

（二）家庭環境

家庭作為人生的第一站，是兒童成長的搖籃，家庭環境將直接影響著幼兒個體的綜合發展。

隨著網絡觸角在生活中的逐漸擴展，互聯網因其龐大的信息、快捷的傳遞和人性化的交互等特點，拓展了傳統意義下的社會圈，也縮短了人們之間的距離。越來越多的家長開始參與到分享互動的群體中，成為互聯網資源共建共享者中的一員。通過網絡，他們可以登錄豐富多樣的兒童資源網站、收聽有關幼兒保教知識的微博、關注載有幼兒教師心路歷程的網絡博客、參與同城論壇家長互動的分享討論。他們能夠通過最先進快捷的信息獲取方式，汲取新鮮的教育理念，獲得有助于孩子智力開發、學習成長的優質教育資源，找到一個可以和孩子共同參與的娛樂教育平臺。他們逐漸認識到學前兒童身體、心理、情感、人格等方面全面發展的重要性，并希望通過多種途徑來拓展孩子的興趣，促進個體個性的積極發展。

與此同時，那些開始或已經涉足網絡世界的兒童，也在模仿著成人，好奇地睜著雙眼窺探這個五彩繽紛的虛擬世界。作為父母，在網絡不斷普及和深入的今天，也應及時調整改變自己的角色，更多地參與到兒童的活動中來。尤其在兒童接觸網絡并對其進行主動探究的過程中，父母應成為他們學習的指導者和設計者，不僅要合理引導兒童對新事物的接觸，解答他們的好奇，還應引導兒童進行自主性、探索型的學習活動，進而培養他們寬闊的視野和創新意識。通過互聯網，兒童不僅能夠學到知識，還能夠學習到信息的獲取、處理方法，這在一定程度上有利于兒童信息素養的啟蒙和問題解決能力的培養。

（三）網絡虛擬社區

陳鶴琴曾說：“幼稚教育是一種很復雜的事情，不是家庭一方面可以單獨勝任的，也不是幼稚園一方面可以單獨勝任的，必定要兩方面共同合作才能得到充分的功效。”[9]Web2.0時代的到來，不但影響著家庭環境中父母對于孩子的培養教育方式，也改變著父母了解有關孩子信息的方式，這一點在“家園共育”中尤為突出。

1. QQ班級群

作為即時通信的網絡工具，QQ班級群具有較強的互動性。參與者可以針對任何話題進行實時討論，實現“幼兒園—家庭”的交流協作和共同教育。教師既可以通過與孩子學習成長有關的話題，和家長們實現一對多的共同討論，也可以就單個兒童情況，在教師和家長之間進行一對一的對話。此外，通過即時通信軟件的附屬功能，如電子郵件、群相冊、群共享、群公告、微博、空間等，可以建立起更加便捷化、立體化、個性化的交互模式，加強家長和教師、家長與家長之間的交流和分享，幫助彼此更充分地了解兒童的表現。

2. 班級Blog

在家園共育中，一些幼兒園組建了Blog圈，主要涉及教學心得、活動札記、教學設計、育兒日記、生活雜感等內容。[10]家長可以分享教師的教學心得，也可以汲取其他家長優秀的教育方法和經驗；教師也可以通過家長日志，了解孩子在家中的表現，并對一些家長在教育中的難題困惑進行解答指點，給予正確的建議和合理的幫助。

3. 校園網站

校園網站的搭建可以提供給家園雙方一個更為平等、互動、透明的平臺。通過園所新聞、專家講壇、活動動態、教學研究、站內調查等板塊，家長可以第一時間了解幼兒園教學管理活動的相關動態。同時在家園互動方面，一些網站還設立了網站留言板、熱點話題討論區等模塊，[11]希望通過不同的網絡交互模式擴展交流空間，為家長和教師提供雙向互動的便捷渠道，更好地促進學前兒童的健康成長和全面發展。

（四）教育電子產品

信息技術的迅猛發展和人們需求的不斷提高，在加快市場電子產品更新換代的同時，也刺激了教育類電子產品的興起和快速發展。教育電子產品，即利用電子和多媒體等技術手段，變被動教育為主動學習的電子學習工具，從錄音機、復讀機到電子詞典、視頻學習機，每一次更迭都深深打上了科技發展的烙印。而當下最令孩子們愛不釋手的是以平板電腦為代表的新一代電子產品，它以強大的人機互動模式、多媒體化的學習方式，集便攜性與實用性于一身，開創了現代電教產品的新時代。

對于正在成長中的學齡前兒童，平板電腦在開發兒童學習興趣、滿足兒童發展需求等方面也挖掘甚深。

1. 人機交互

在外觀上，平板電腦輕巧簡約，便于兒童拿在手中進行操作，而內容界面也會隨著兒童的持握方式橫豎變換，這種人性化的設計也深受兒童喜歡。在人機交互方面，平板電腦不再局限于鍵盤和鼠標的固定輸入方式，以手寫和全屏觸摸的方式進行操作。這對于充滿好奇喜歡探索的兒童來說，只需手指的輕輕點觸、撥弄、滑動等，就可以完成和平板電腦的親密接觸。這樣的操作不僅簡單易行，還能在一定程度上促進兒童小肌肉的發展，鍛煉手指的精細動作，提高手指的靈活性。此外，進入虛擬世界的兒童，在多媒體網絡技術營造的學習氛圍里，接受著來自于文字、圖像、聲音、顏色、線條、視頻等多重感覺刺激。這些刺激提供了一種兒童自身內在產生興趣的學習環境，不僅使其全神貫注于手頭的任務，減少了其他環境刺激所引起的分心，又如同電視一樣毫不費力地維持了兒童的注意力，并把兒童引導到值得他們加以關注的電腦教學內容之中。[12]

2. 兒童早期教育軟件

眾所周知，游戲是兒童最好的學習方式。根據學齡前兒童這一學習特點，互聯網也為此搭建起一個更為廣闊的娛樂、教育平臺，提供了豐富多樣可供下載的兒童早期教育軟件。借助于平板觸屏電腦開發的早教軟件中，也多以教育游戲為主。這些軟件綜合了游戲的教育性與娛樂性等特點，以加德納多元智能理論為基礎，依據兒童的年齡特點及其認知方式、發展規律，將內容劃分為健康、語言、社會、科學、藝術等五大領域。而每個領域，不僅收容了與人類生存與發展相關的諸多環境，通過生活化場景的介入和在游戲間的不停切換，將與兒童生活息息相關的經驗一點一滴呈現，同時又針對兒童潛能發展的需要，提出了更為詳細的可評估目標，以期從不同的角度促進他們知識、能力、技能、態度、情感等方面的發展。對于兒童來說，他們可以根據自己的興趣、愛好、經驗、需求來選擇學習資源和學習方式，通過彈琴、畫畫、學拼音、玩游戲等活動，在特定的內容領域里以主動探索的方式發現問題、獲取信息，發展解決問題的技能。而對于家長來說，在多樣化的智能活動中，他們也可以按己所需，有針對性地拓展兒童興趣、啟蒙學習、開發智力，以達到促進兒童個性成長和協調發展的目的。

三、互聯網：良師益友？洪水猛獸？

隨著兒童對網絡癡迷程度的加深，以及以互聯網為載體的電子產品逐漸趨于低齡化，反對學前兒童接觸網絡的聲音也越來越多。面對互聯網這把雙刃劍，許多家長顯得無所適從。互聯網雖然可以被視為一個寓教于樂的大課堂，但也是一個包羅萬象的大雜燴。筆者認為，我們既應看到它作為良師益友的積極影響，也應看到它作為洪水猛獸的潛在威脅。再者，我們可以借鑒古代“大禹治水”的道理，他沒有選擇不治大水或筑高堤治大水，而是采用了開鑿水道、疏導大水的辦法。[13]這正如網絡時代我們對孩子的教育辦法，不應過度輕視網絡的負面影響，自信于孩子的自控力而忽視放縱，也不應夸大網絡的負面影響，以過度的保護主義避免孩子和網絡接觸。面對問題，尋找合理有效的途徑進行疏導，才是解決問題的辦法。

（一）家長合理引導是關鍵

學前期兒童雖然年齡小、判斷能力差，但這個時期他們的接受能力卻極強，所以兒童應該在父母的陪伴和監護下上網，尤其在鑒別網絡良莠信息的時候，父母一定要進行有效屏蔽和合理引導，為其建立正確的示范。對于三歲前的孩子，筆者是不贊成他們過早地進行人機接觸的，這個年齡段的孩子更需要的是和父母的親子互動、和大自然的接觸、語言能力的發展等，學會在真實的世界中交流對于他們而言更為重要。[14]三到六歲的孩子，隨著身心發展過渡到一個更高的階段，在其好奇探索的天性和網絡時代環境的共同作用下，他們內心也容易產生接觸網絡的需求。如果父母也希望讓孩子提前接觸電腦，那么使用頻率最好控制在每周一至兩次為宜，每次使用時間也不宜超過半個小時。因為學前階段正是孩子身心發育的關鍵期，長時間的接觸電腦，可能會造成視力下降、骨骼發育不良等問題。一旦在情感上過分依賴，也會對兒童個體社會化發展產生不良影響。因此，為避免或減少網絡的負面影響，在兒童接觸網絡之初，家長就有責任對孩子進行正確引導，盡可能地和孩子共同參與到網絡中，一起學習成長，一起互動游戲，加強兒童對網絡的正確認識，提高其自制力和判斷力。

（二）幼兒園混合教學促變革

網絡時代的到來推進著學前教育改革的深化，讓學前兒童接觸信息技術、使信息技術和學前教育充分整合將會成為學前教育發展的一種新的趨勢。然而倡導信息技術并不意味著排斥傳統教育媒體，那些真實形象的實物演示、樂趣盎然的集體活動以及教師無微不至的溫暖關愛，都彰顯著彌足珍貴的價值。我們不應完全否定傳統幼兒教育課堂教學的優勢，那些與自然的親近、情感的培養、身體的活動、團體的交流等都是信息化教育所無法替代的。在信息技術和傳統教育逐漸整合的過程中，最終將走向“混合式教學”，即把傳統學習方式的優勢和信息技術的優勢結合起來，既要發揮教師引導、啟發、監控教學過程的主導作用，又要充分體現兒童作為學習過程主體的主動性、積極性和創造性。兩者將相輔相成地推動學前教育的變革，促進兒童的綜合發展，優質而高效地培養能夠適應信息時代要求的創新型人才。

（三）家園互動共享借鑒經驗

互聯網為家園互動搭建了非常便捷的平臺，教師和家長、家長和家長之間都可以就學前兒童發展教育中的問題進行交流溝通，尋求幫助解答。對于困擾著家長們的兒童上網問題，集思廣益，有不少可行的辦法可供借鑒。例如上網之前，父母和孩子一起制定一個上網的時間并嚴格遵守，最好讓孩子在節假日的時間內集中上網；選擇一些優秀的、健康的、適合孩子的網站，可以考慮使用過濾軟件，為孩子選擇安全的信息和服務；設立兒童專用的瀏覽器；通過網絡監管功能，為孩子上網進行“限時”，并對部分網站進行限制訪問。此外，孩子迷戀網絡，往往與他們課外生活貧乏有關，父母應培養孩子廣泛的興趣，多與孩子一起參加戶外活動。孩子正常成長也離不開同齡群體的密切交往，讓孩子體驗從小生活在伙伴的友誼之中，鼓勵孩子與朋友交往，也是減少網絡誘惑的好辦法。[15]

（四）企業責任意識不可少

隨著平板電腦受寵于消費市場，作為朝陽行業的教育電子行業吸引了社會各界的關注，不少企業也做好了跨入電教產品領域的準備，預期分享這塊市場蛋糕。作為軟件的開發商，尤其在兒童教育軟件開發方面，企業應該和消費群體的教師與家長在監督和指導兒童發展方面形成一股合力，聚合專業人士的指導建議，建立消費群體的意見反饋機制。在考慮信息技術產品應用于學前教育問題上，企業應將重心回歸到本源的產品價值上，也應更好地思考如何將社會責任與企業發展有效統一起來的問題，杜絕功利的商業行為，有力地維護兒童權利，打造出高質量的學前教育產品。[16]

總之，學前教育階段作為一生中發展最快、可塑性最強的時期，其發展狀況對個體未來的社會性和人

格發展產生著持續性影響。當我們從未來社會的發展來思考今天的學前教育，以未來社會的發展需要重新審視學前兒童的發展，可以推測，在學前期進行科學的、適宜的信息素養啟蒙，可以為個體日后具備良好的信息素養奠定基礎，促進兒童在后期成長中對信息技術的理性使用，對提升全面素質、培養未來社會的人才具有重要價值。因而，辯證地看待互聯網這把雙刃劍，在合理有效的疏導中減少或避免洪水猛獸的威脅，發揮其良師益友的積極影響，在激發兒童學習興趣、幫助兒童立體感知這個世界的過程中，真正促進兒童的身心和諧發展。

[參考文獻]

[1] 高爽.信息技術對學前教育的影響[D].上海：華東師范大學，2006.

[2] 張學波，林秀瑜.信息化環境中的教育傳播實踐應用模式研究[J].電化教育研究，2011，（9）：37～40.

[3] 林崇德.發展心理學[M].杭州：浙江教育出版社，2002.

[4] [10] 何磊，黃艷霞，金曉曉.信息技術與幼兒教育的整合[J].學前教育研究，2009，（1）：56～59.

[5] [8] 楊九民，李書明.現代教育技術[M].武漢：華中師范大學出版社，2005.

[6] 陳鶴婷.幼兒信息化教育探賾[J].科教文匯，2011，（8）：72～74.

[7] 鐘志賢.多元智能理論與教育技術[J].電化教育研究，2004，（3）：7～11.

[9] 李玉蓮，張文芳.用陳鶴琴幼兒教育思想指導家園共育[J].學前教育研究，2006，（3）：38～40.

[11] 俞白.家園網絡互動模式的探索實踐[J].中國信息技術教育，2008，（3）：106～107.

[12] [美]喬治.S.莫里森（George S. Morrison）.當今美國兒童早期教育[M].王全志，等譯.北京：北京大學出版社，2004.

[13] [14] 李萍，沈浩，涂雄悅.網絡與孩子教育[M].上海：上海教育出版社，2006.

第3篇：神經網絡的發展范文

隨著計算機網絡、信息技術、自動化技術的進步，極大的改變了我們的生活。人工神經網絡技術是一種全新的控制技術，通過互聯網進行動態模擬，從而建立一種新的控制互聯網的系統。經過十幾年的發展，人工神經網絡技術研究取得了巨大的進步，已經廣泛應用在社會各個領域，使現代計算機中的難題得到了解決。本文主要從人工神經網絡技術的概念出發，探討了它在現代社會領域的具體應用。

【關鍵詞】人工神經網絡 信息技術 發展趨勢

人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的l展，人工神經網絡技術得到了快速的發展階段。

1 人工神經網絡技術

人工神經網絡技術也稱ANN，是隨著上個世紀八十年代人工智能發展興起的一個研究熱點，它的主要工作原理對人腦神經網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節點――神經元連接起來的，其中不同的節點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統，這種工作機理與傳統的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2 人工神經網絡技術應用分析

隨著人工神經網絡技術的發展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。

2.1 生物信號的檢測分析

目前大部分醫學檢測設備都是通過連續波形得到相關數據，從而根據所得數據對病情進行診斷。人工神經網絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫學領域該技術主要應用于對心電信號、聽覺誘發電位信號、醫學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫學專家系統

傳統的醫院專家系統是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫院需要存儲的醫學知識越來越多，每天產生新的病況和知識，過去的一些專家系統顯然已經無法適應醫院的發展需求，因此醫院的效率很低。而人工神經網絡技術的出現為醫院專家系統的構建提出了新的發展方向，通過人工神經網絡技術，系統能夠自主學習、自己組織、自行推理。因此在醫學專家系統中該網絡技術應用面較廣。麻醉醫學、重癥醫學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據或者尚未發現的關系與現象，通過人工神經網絡便能有效地解決。

2.3 市場價格預測

在經濟活動中，傳統統計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現失誤的現象。人工神經網絡技術能夠處理那些不完整的、規律不明顯、模糊不確定的數據，并作出有效地預測，因此人工神經網絡技術具有傳統統計方法無法比擬的優勢。例如人工神經網絡技術可以通過分析居民人均收入、貸款利率和城市化發展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。

2.4 風險評價

在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網絡技術可以根據風險的實際來源，構筑一套信用風險模型結構和風險評估系數，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3 人工神經網絡技術未來發展

人工神經網絡克服了傳統人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發展，AI與遺傳算法、模糊系統等方面結合，形成了計算智能，很多企業和國家開始大規模研發AI，人工神經網絡正在模擬人類認知的方向發展，目前市場已經有很多不少人工智能產品面世。

4 結語

通過上述研究分析，人工神經網絡技術已經取得了相應的發展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統的研究和探索，進一步挖掘其潛在的價值，將人工神經網絡技術應用在更多領域中，為社會創造更大的財富。

參考文獻

[1]周文婷，孟琪.運動員賽前心理調控的新策略――基于人工神經網絡技術的比賽場地聲景預測（綜述）[J].哈爾濱體育學院學報，2015，33（03）：15-21.

[2]張紅蘭.人工神經網絡技術的應用現狀分析[J].中國新通信，2014（02）：76-76.

[3]張廣軍.人工神經網絡技術在光電檢測中的應用[J].北京航空航天大學學報，2001，27（05）：564-568.

第4篇：神經網絡的發展范文

關鍵詞：時間序列 神經網絡 房地產價格預測 MATLAB

中圖分類號：F293.3 文獻標識碼：A

文章編號：1004-4914（2015）09-284-02

隨著MathWorks公司對MATLAB軟件中的神經網絡工具箱的功能加強，時間序列預測方法可以應用于諸多方面，房地產價格預測便是其一。時間序列預測分為三類：NARX網絡類型，NAR網絡類型和只有輸入數據無輸出數據類型（此類型不常用）。

人工神經網絡，或神經網絡，它是一種神經網絡來模仿動物的行為特征，并制定分布式并行信息處理的算法數學模型。神經網絡分為靜態神經網絡和動態神經網絡，靜態神經網絡無反饋無記憶功能，與此相反，動態神經網絡是一種有記憶功能并且網絡不僅與當前輸入也與之前輸入有關。動態神經網絡分為有反饋與無反饋兩類。有反饋指該時間輸出不僅依賴于當前輸入，有可能依靠于前一個輸入，同時也依賴于前一個輸出;無反饋指該時間輸出不僅依賴于當前輸入，同時也依賴于之前的輸入，即通過昨天和前天的房價，就可以預測出今天的價格。由此可知，動態神經網絡適合時間序列預測，因為時間序列預測是一種有記憶功能，即不僅依賴于當前輸入而且依賴于之前的輸出的預測。

一、數據來源及處理

選取全國近18年房地產平均價格為基礎樣本做簡單預測。為保證預測結果的真實性，1997-2011年數據全部采用。2012-2014年價格作為預測分析對象，不涉及在內，僅用于判斷研究方法的可行性。

二、神經網絡模型的訓練

將原始數據導入MATLAB中，將需要訓練的數據設置變量，便于之后訓練。使用nnstart命令進入工具箱進行訓練。數據采用動態神經網絡無反饋模型，訓練網絡時把數據分為三類，即數據分割為訓練數據、數據驗證和數據檢測。訓練數據和數據驗證決定神經網絡測試的結果，數據檢測只判斷結果好不好。在此次訓練中，三者比例為：70%、15%、15%，之后設置神經元個數和時間距離相關個數。在訓練結束后要關注error圖，結合error圖進行有效的分析，如果不滿意訓練結果可以更改比例或神經元和時間距離相關個數，直到訓練完成。

三、預測結果分析

利用訓練成功后的預測模型，預測2012-2014年的平均房地產價格。再與實際價格進行比較，計算出相對誤差并取平均值。

通過對基于動態神經網絡的房地產預測模型預測的平均房地產價格比較實際價格可以看出：預測模型預測結果與實際價格相比，平均相對誤差為1.72%;結合房價指數進行分析比較，發現二者之間差別不大，所以說明該預測模型具有很強的可操作性和實用性。同時，對2015年后的平均房地產價格通過時間序列預測方法和指數平滑預測方法比較后發現后幾年內平均房地產價格增長穩定，增長趨勢維持在8%左右。在動態神經網絡中，時間序列預測法是基于時間數列所能反映的社會經濟現象的發展過程和規律性，進行引申外推，預測其發展趨勢的方法。當有一定時間的房地產價格后，可以結合之前的價格對之后的價格進行預測。另外，預測模型根據訓練樣本自動映射房地產價格的非線性關系。此外，由于神經網絡具有去噪能力，有偏差的樣本價格對模型的結果影響不大。

四、總結

隨著經濟的快速發展，以及國家對房地產事業的政策調控，即使在市場相對低迷的2015年，房地產作為國家的支柱性產業仍然對國家的經濟建設有很大的影響。房地產價格預測是結合多方調研，查詢相關資料，掌握充分信息進行分析預算，從而進行投資。對于廣大人民來說他們格外關注房地產價格，利用動態神經網絡進行時間序列預測房地產價格，得到的神經網絡模型能夠反映房地產價格的動態特性。雖然通過建模不能預測到其精確的發展趨勢，但是當前房地產價格需要一個合理的預測模型來滿足我國房地產事業的發展態勢，因此時間序列預測房地產價格不失為一個好的可以提高各方面綜合效益的模型，對房地產價格預測的發展具有極大的促進作用。

參考文獻：

[1] 張曉平，周芳芳，謝朝.基于神經網絡的房地產估價模型研究及其Matlab實現.技術經濟與管理研究，2009（1）

[2] 龔卿，陳碧瓊.中國房地產業發展與經濟增長的動態關系分析.經濟師，2006（11）

[3] 胡曉龍，郜振華，馬光紅.基于Elman神經網絡的房地產價格預測.統計與決策，2008（7）

第5篇：神經網絡的發展范文

關鍵詞：經濟預測，RBF理論，BP神經網絡

中圖分類號：F12 文獻標識碼：A 文章編號：1001-828X（2013）12-0-01

一、引言

隨著經濟全球化的快速發展，各個國家和政府為了了解本國市場經濟發展走勢，推動國與國之間的經濟貿易協作，越來越重視對未來經濟發展前景的預測，通過經濟預測可以了解本國經濟情況，為制定中長期經濟發展規劃、政策措施和經濟指導方針提供理論基礎[1]。然而經濟預測涉及的諸多變量間存在模糊性及非線性的特點[2]，其他方法均存在自身的缺陷。

本文引入徑向基函數理論構建經濟預測模型，通過實例分析檢驗RBF模型的可行性和可靠性，并與傳統的BP神經網絡作對比，期望為日后經濟決策的制定提供理論方法。

二、RBF基礎理論

徑向基函數（Radial Basis Function，RBF）神經網絡是一種局部逼近的前饋式神經網絡[3]。

常選用高斯函數作為RBF網絡的徑向基函數，它的基本表達形式如下：

式中：為隱含層第個節點的輸出，；為隱含層第個節點的方差，它決定基函數圍繞中心點的寬度。

圖1 高斯函數

徑向基函數將徑向基層的每個神經元（）的權值向量與第個輸入向量之間的向量距離與偏差的乘積作為輸入值，輸入表達式：

則徑向基層神經元 的輸出為[4]，如圖2。

圖2 RBF神經網絡隱含層神經元的輸入與輸出示意圖

RBF神經網絡結構如圖3所示。

圖3 RBF神經網絡結構

隱含層神經元數的確定是RBF 神經網絡訓練過程中的關鍵問題，RBF神經網絡結構自適應確定、輸出與初始權值無關[5]。

三、實例分析

（一）數據來源

本文以松原市前郭縣區域經濟的GDP為數據源，通過比較分擔率的大小得出區域內生產總值有著顯著影響的因素：

其中：為某因素i項所占的分擔率；為單影響指數；是各單因子指數之和。通過計算得出就業數量、固定資產投資、銀行貸款、財政支出及研究與開發費用對區域經濟有顯著影響作為經濟預測變量。

（二）RBF神經網絡的應用

RBF神經網絡模型將經濟預測問題轉化為影響因子和GDP的非線性問題。通過訓練，RBF神經網絡模型能夠達到對經濟預測的目的。然后同樣的數據應用BP神經網絡進行訓練，對比分析兩種預測方法的可行性，預測結果見表1.

表1 兩種預測模型的輸出值與實測值擬合結果對比

通過比較，RBF神經網絡預測模型比BP神經網絡模型得到的輸出結果預測精度更高，是一種適用于經濟預測的方法。

四、結論

由于經濟預測的復雜性及變量的未知性及非線性，本文將RBF神經網絡理論應用到經濟預測模型中，結果表明，RBF神經網絡模型比BP神經網絡的泛化能力較強，預測精度更高，經濟預測效果可行可靠，是一種具有實用價值值得推廣的經濟預測模型?；赗BF理論構建的經濟預測模型能夠為科學的經濟決策提供參考價值。但是每一種方法都不是完美的，RBF理論也有許多需要進一步完善改進的地方，因此它的理論和學習算法還有待于進一步完善和提高。

參考文獻：

[1]陳健，游瑋，田金信.應用神經網絡進行經濟預測方法的改進[J].哈爾濱工業大學學報，2006，38（6）：897-898，916.

[2]葉正波.基于人工神經網絡的區域經濟子系統可持續發展指標預測研究[J].浙江大學學報（理學版），2003，30（1）：109-114.

第6篇：神經網絡的發展范文

關鍵詞：人工智能；深度學習；教學建議

0 引言

傳統的人工智能課程主要包括人工智能導論、模式分析、機器學習、數據挖掘等。這些課程由各個院校根據專業情況不同而選擇，課程的內容也有較大差別，但是，基本上都涉及人工神經網絡的內容。然而在人工神經網絡的教學內容上，一般只講解經典的多層感知器和反向傳播算法，或再加入一些反饋網絡的內容，這種教學內容設計的一個不足是忽視了人工智能領域的最新發展——深度學習，它是近幾年人工智能領域最具影響力的研究主題，并在大規模語音識別、大規模圖像檢索等領域取得突破。

北京郵電大學計算機學院開設人工智能科學與技術的本科專業，筆者從事深度學習的研究工作，同時承擔了本科生和研究生人工智能類課程的教學工作，因此產生了將深度學習內容引人人工智能類課程的想法。本文先介紹深度學習的背景，說明深度學習在人工智能發展中的地位，之后分析了將深度學習基本內容引入人工智能類課程的必要性和可行性，最后給出了一些實施建議供探討。

1 深度學習背景

2006年，加拿大多倫多大學的GeoffreyHinton教授與Salakhutdinov博士在美國《科學》雜志發表了題為“Reducing the Dimensionality ofDatawith Neural Networks”的論文，該文提出一種學習多層神經網絡的方法，并將這種具有多層結構的學習方法命名為深度學習（Deep Learning），而這成為深度學習研究的一個導火索，從此深度學習的研究與應用蓬勃發展起來。

深度學習在語音識別與生成、計算機視覺等應用領域取得了突出進展。近幾年的國際機器學會（International Conference on MachineLearning，ICML）、神經信息處理大會（AnnualConference On Neural Information Processing Systems，NIPS）、計算機視覺大會（InternationalConference on Computer Vision，ICCV）、

聲學語音與信號處理大會（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、計算語言學大會（Annual Meeting of the Association for Computational Linguistics.ACL）、計算機視覺與模式識別（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相關的研究論文、會議教程和小組研討會（Workshop）。美國國防高級研究計劃（DARPA）也提出了關于深層學習的研究項目。此外，2013年6月《程序員雜志》的封面故事，采訪了周志華、李航、朱軍3位國內的機器學習專家對于深度學習的看法，他們一致肯定了深度學習在機器學習領域的貢獻。

工業界對深度學習也寄予了很高期望。2012年6月，《紐約時報》報道了斯坦福大學計算機科學家AndrewNg和谷歌公司的系統專家JeffDean共同研究深度神經網絡的機器學習模型在語音識別和圖像識別等領域獲得的巨大成功。2012年11月，微軟公司在天津公開演示了一個全自動的同聲傳譯系統，其關鍵技術也是深度學習。2013年1月，百度公司首席執行官李彥宏先生宣布建立深度學習研究院（Institute of Deep Learning）。2013年3月，谷歌公司收購了由深度學習創始人Geoffrey Hinton創立的公司。

從學術界與工業界的研究態勢看，深度學習已經成為機器學習與模式識別，乃至人工智能領域的研究熱點。正是在這樣一個背景下，人工神經網絡重新回到人們的視野。此前人工神經網絡的發展大致可以分為兩個時期，1943年，McCulloch和Pitts提出了最早的人工神經元，這種神經元具有學習能力，這是人工神經網絡的發端，也可以被認為是人工智能的發端（當時還沒有人工智能這個術語）。1949年，Hebb提出了Hebbian學習算法。1957年，Rosenblatt提出了感知器的神經網絡模型。1969年，Minsky和Papert分析了這種感知器神經網絡模型的局限性。然而，很多研究者認為，感知器的這種局限性對于所有的神經網絡模型都適用，這使人工神經網絡的研究很快暗淡下來。1980年代中期，諾貝爾獎得主John Hopfield提出了Hopfield神經網絡模型，這種Recurrent神經網絡具有的動態性有可能用于解決復雜的問題。同時，多層前向神經網絡的后傳算法也被重新發現，這兩個工作使人工神經網絡得到重生。這時，人工神經網絡已經成為人工智能的一個重要組成部分。但是，在隨后的研究中，人們發現，當學習多層神經網絡包含更多的隱藏層時，后傳算法并不能學到有效的網絡權值，這使得神經網絡的研究再次陷入低潮。此次以深層神經網絡為代表的深度學習重新回到研究的舞臺，其中一個重要因素是Hinton提出的逐層預訓練神經網絡方法治愈了多層神經網絡的一個致命傷。

2 必要性與可行性

深度學習的發展使得從事教學一線的教師也無法忽視這個頗具影響力的研究主題。為此，我們提出將深度學習這個主題引入到人工智能類課程中，將它作為課題教學的一部分。

2.1 必要性

將深度學習這個主題引入到人工智能類課程中的必要性主要包括如下4點。

1）深度學習是人工智能的前沿。

2006年以來，深度學習的研究席卷了整個人工智能，從機器學習、機器視覺、語音識別到語言處理，都不斷涌現出新的研究工作和突破性進展。深度學習不僅在機器學習領域成為研究熱點，同時在多個應用領域也成為有力工具，而且，在工業界的系統應用中，深度學習成為其中的關鍵解決技術。

2）深度學習是人工智能的突破。

深度學習的發端是神經網絡。關于神經網絡的論述，在人工智能類常見教科書中還停留在多層神經網絡，即神經網絡的第二階段，它們大部分描述多層結構無法訓練的現象。但是，從深度學習的角度看，深層神經網絡不僅可學習，而且有必要，這與第二代神經網絡的觀點是完全不同的。深度學習突破了原有人工神經網絡的認識，超越了人工智能神經網絡教科書中的原有內容，因此，有必要將多層神經網絡結構的可學習性告知學生，從新的視角糾正原有的觀點。

3）深度學習是人工智能的延伸。

深度學習不僅提供了一種可以在深層神經結構下訓練網絡的方法，也包含了不少新的內容，是人工智能的新發展，為人工智能補充了新的內容。到目前為止，深度學習至少包括：從生物神經網絡與人類認知的角度認識深層神經網絡的必要性；如何構建和學習深層學習網絡；如何將深層結構用于解決視覺、語音、語言的應用問題；如何看待深度學習與原有的機器學習方法，如流形學習、概率圖模型、能量模型的直接關系；深度學習與其他學科的關系等。

4）深度學習是學生的潛在興趣點。

大學生對知識有著強烈的好奇心，加之當前信息技術的發達，部分對智能感興趣的學生可以從其他途徑了解到這個學科發展的前沿。因此，順勢而為，將深度學習這個主題做具體講解，滿足學生的好奇心，培養他們對學科前沿與發展的認識，是十分必要的。對高年級的學生而言，了解深度學習的基本知識，是他們全面認識人工智能與發展前沿的一個途徑，而對于研究生，較多地了解和掌握深度學習的基本知識有助于他們研究工作的開展。

基于以上幾點，筆者認為，將深度學習這個主題引入到人工智能類課程中非常有必要。深度學習作為人工智能的前沿，既是對人工智能原有理論和技術的一個突破和補充。

2.2 可行性

將深度學習引入到人工智能類課程中的可行性主要包括如下3點。

1）深度學習與現有人工智能聯系密切。

深度學習并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理論與技術。深度學習是以神經網絡為出發點，這正是深度學習教與學的切入點。比如，可以通過對多層感知器隱藏層的增加和后傳算法的失效來講解深度學習是如何解決這個問題的。再者，深度學習的一個核心構建“受限波爾茲曼機（Restricted Boltzmann Machine）”，可以被認為是一種能量模型，而這種模型與Hopfield網絡都可以從物理學的能量模型角度分析，RBM可以認為是Hopfield網絡的隨機擴展。總之，深度學習與現有人工智能的聯系，使學習深度學習變得容易。

2）深度學習的基本內容并不深。

深度學習有個很好的名字，這個名字恰當地描述了特定的學習結構。比如，深度學習的核心部件受限于波爾茲曼機RBM，其結構非常簡單。從神經網絡的角度，受限波爾茲曼機是一種隨機的雙向連接神經網絡，信號可以從可見層傳遞到隱藏層，也可以從隱藏層傳遞到可見層。網絡中每個節點是具有特定結構的神經元，其中的神經元具有典型的包含自身偏置的Logistic函數的隨機單元，能夠依Logistic函數計算得到的概率輸出0狀態或1狀態。概括地說，深度學習的基本內容在高年級階段較易掌握。

3）深度學習的資料容易獲得。

當前的信息資訊非常發達，有相當多的資料可以通過互聯網等多種途徑獲得，這使學習深度學習成為可能。近期，中國計算機學會主辦了多個技術講座均涉及深度學習的部分；深度學習的創始人Hinton教授的主頁也有很多資料；Coursera網站有免費的Hinton教授的神經網絡課程；斯坦福大學的Ng教授提供了很多的在線教程；蒙特利爾大學Bengio教授發表的題為“Learning Deep Architectures for AI”的論文也是這領域的優質資料。

3 實施建議

在具體的教學過程中，筆者建議適當安排深度學習的最基本內容，內容不宜過多，也不宜占用過多的學時，可以根據教學對象的不同進行調整。比如，本科生的高年級專業課可以安排1學時的教學量，介紹層次訓練的基本算法；也可以在高年級前沿講座中安排2學時，內容覆蓋面盡可能廣泛。在研究生的教學中，可以根據教學的課程主題安排內容與學時。比如，神經網絡主題的課程可以安排4-6學時的教學內容，包括波爾茲曼機及學習算法、深層信念網絡與學習算法、深層波爾茲曼機與學習算法卷、積神經網絡、自動編碼器等。結合應用，課程還可以包含MNIST數字識別的應用、人臉識別的應用、圖像檢索的應用、語音識別中的應用等。另外，深度學習是一個實踐性很強的研究，隨機性：大規模（意味著數據不宜可視化，程序運行時間長）等多種因素混合，使深度學習在學習中不容易理解。為此，可以在條件允許的前提下，增加小規模的實驗，輔助理解。最后，課件可以通過對優質資料做修改得到。

第7篇：神經網絡的發展范文

【關鍵詞】建筑經濟管理；神經網絡

中圖分類號：TU198文獻標識碼： A

一、前言

建筑經濟管理在我國是一個非常重要的行業，為社會的進步提供了夯實的基礎，但是在神經網絡的應用這方面還是存在一定的問題，所以，科學技術人員在這個方面還是很努力的研究，并且促使這個技術發展更為全面。

二、神經網絡的特征及其信息處理特點

人工神經網絡(Application of Neural Network，即:ANN)是一種對人腦中樞神經系統的生物神經結構進行的功能性抽象，在模式識別和分類領域顯示了強大的能力，它們以“黑箱”模式工作，不需要先驗模型，具有自適應能力，可以從數據中捕捉和學習規律，其計算能力在預測和評估、模式識別和優化等領域得到了廣泛驗證。神經網絡尤其適合解決那些采用傳統的數學方法和手段建模困難的復雜問題，并已被證明是解決復雜非線性問題的一種有效工具。

1、神經網絡的基本特征

（1）內在并行性。神經網絡是一個高度并行的非線性系統，其并行性不僅體現在結構上，它的處理運行過程也是并行的。神經網絡從單個處理單元到整個系統，在理論和實踐上都反映了并行性，計算是分布在多個處理單元上同時進行的。

（2）分布式存儲。與傳統計算機不同，神經網絡中信息并非存儲在一個特定的存儲區域，而是分布存儲在整個系統中。神經網絡的每一個神經元都只是整體概念的一個部分，每一個單元都包含著對整體的貢獻，而每一個單元都無法決定整體的狀態。

（3）容錯性。因為信息是分布存儲在整個系統中，而不是駐留在某一個特定的存儲區域內，因此，網絡中部分神經元的誤差不會在很大程度上影響改變整個系統的行為。

（4）學習與自適應性。神經網絡的一個重要特點是具有很強的學習能力，它可以通過對數據的監督或非監督學習，實現任意復雜的函數關系，而且整個網絡具有自適應性，即進行自我調節的能力。

2、神經網絡的信息處理特點

神經網絡的基本特征使其在信息處理上具有與傳統信息處理技術不同的特點。

（1）數據驅動、“黑箱”建模方式。神經網絡通過訓練能夠直接從數據中發現規則和特征，實現任意復雜的函數映射。這種學習能力使得神經網絡分析和建模過程相當于一個“黑箱”，既無需模型結構設計和參數估計過程，而且在沒有輸入模式先驗信息的情況下，通過數據驅動取得優良的結果。

（2）非編程、自適應的工作方式。神經網絡的學習是便利而且可塑的，在網絡整體結構不變的情況下，只需調整權值即可完成任意關系的學習，通過遞進補充訓練樣本即可跟蹤和適應外界環境的不斷變化。因此，神經網絡的工作方式可以是實時的和自適應的。

（3）信息處理與存儲合二為一。神經網絡在運行時信息處理與存儲同時完成，信息的隱含特征和規則分布于神經元狀態和權值之上，通常具有冗余性。這樣，當不完全信息或含噪信號輸入時，神經網絡就可以根據這些分布記憶進行聯想以恢復全部信息。同時，這種合二為一的方式從本質上消除了軟件和算法的“瓶頸效應，”提供了實現高速信息處理的手段。

（4）實時信息處理。神經網絡是一個大規模非線性動力學系統，具有高維、高密度的并行計算結構。大量神經元的微觀活動構成了神經網絡的整體宏觀效應。這種集體運算能力使得神經網絡可以完成高維數據的在線實時處理。

三、建筑經濟管理研究面臨的問題

1、對系統的非線性認識不足

(1)忽視了系統內各變量之間復雜的非線性關系，過分強調先驗假設。建筑活動在理論和實踐中有明顯的非線性和復雜性。建筑經濟管理問題的本質上是因為現實的復雜性導致的非線性。建筑活動隨時代和環境的變遷表現出其非線性特征。一方面，建筑經濟管理問題的線性假沒體現了系統特殊性。但另一方面，系統建模時所使用的理論總是落后于現實，這是因為其相關理論發展的滯后性，而這又是由于其非線性和復雜性引起的。

(2)忽視數據本身效用，過分依賴理論指導。模型的函數形式很難僅僅通過理論考慮獲得。在實踐中選擇理論框架既是十分重要又是十分困難的。

2、對系統變量自身特征的認識不足

(1)變量(數據)的高噪聲。采集、編制建筑經濟管理數據時會有很多誤差，再加上諸多外在因素的沖擊造成了波動強烈變形，所以數據是包含有許多“奇異點”而且是高噪聲。

(2)變量的高度不確定性。目前經濟學界對不確定性沒有一個統一的定義，一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機變量的方差來定義，通常稱為概率型不確定性，也可稱為“風險”。另一種定義是一種沒有穩定概率的隨機事件，稱為非概率型不確定性。

(3)變量不同程度的模糊性。一定的模糊性是大多數建筑管理問題變量的特點?，F實中的不分明現象就是模糊性。而從一種狀態過度到另一種有差異的狀態的過程中，中間發生了量變到質變的連續過程。總之，常常需要解決建筑管理中的決策、優化等非線性問題，由于它們的一次性、高度動態性和復雜性的特點，建筑管理的信息是隨機的，具有非線性和時變性，相應的變量也有不確定性、高噪聲和模糊性的特點，因此搜集數據、分析因素等方面有相當大的難度。

四、ANN在建筑工程項目管理中的應用研究

1、ANN在造價預測方面的應用

汪應洛，楊耀紅(2004年)總結了ANN在費用估計方面的應用。采用BP網絡，用40個公路工程樣例訓練網絡，并用工程實例進行驗證，發現效果比傳統方法好。Tarek Hegazy(1998年)等用MS-Excel表格進行ANN模擬，并在輸入層和隱含層加入了偏置神經元來促進網絡學習。其缺點是由于網絡學習時的訓練樣本數據中有噪聲，會造成過度學習現象，運用規范化網絡可以解決這個問題。周麗萍，胡振鋒(2005年)在研究BP神經網絡在建筑工程估價中的應用時指出，可以利用神經網絡“特征提取器”的作用，從大量過去的工程資料中自動提取工程特征與預算資料的規律關系；由于神經網絡具有高度的容錯性，因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能；此外由于神經網絡是并行處理數據的，因而其處理速度相當快，這點滿足了快速估算要求，實踐證明是有效的。

2、ANN在工程項目管理績效評價中的應用

閆文周(2005年)等運用ANN中的BP網絡對工程項目管理績效評價問題進行研究，建立了一個綜合考慮項目工期、質量、費用、安全四大控制指標的工程項目管理績效評價模型。實例分析表明，其評價結果更加全面、更加符合實際情況，從而有助于促進工程項目管理水平的提高?；贐P神經網絡的工程項目管理績效評估模型，將影響工程項目管理績效的主要因素進行整合，通過神經網絡反映了工程項目工期、質量、成本、安全與項目績效之間復雜的非線性關系，從而使項目管理績效的評價更客觀。

3、Hop field網絡模型在建設工程評標中的應用

建設工程評標是一個多目標決策過程，評標過程中存在著大量的定性和模糊的因素，評標人很難快速做出準確客觀的評判。朱玉濤(2006年)等用ANN作為新型信息處理工具，在建設工程評標中可應用于優選中標企業。介紹了Hop field網絡模型構造及算法設計，包括進行方案優劣排序、換位矩陣以及能量函數構造、神經元之間連接和輸出，并用實例說明了該方法的優越性和實用性。應用Hop field網絡對非定量因素進行科學的分析，可以消除一些人為因素的影響，使評選結果更加合理。

4、BP網絡模型在建設工程招投標管理中的應用

BP網絡以其自學習、自聯想功能的優點在建設工程招投標中得到廣泛應用。楊中宣(2006年)結合人工神經網絡基本理論，介紹了它在工程招投標的招標價格、風險因素分析以及競標單位資格審查等方面的應用，指出利用人工神經網絡具有的高度并行處理和可完成復雜輸入輸出的非線性映射能力，不僅可以保證高的中標率，且可避免招標過程中不確定性因素的影響。

五、人工神經網絡的發展趨勢

人工神經網絡在建筑管理中的應用與研究，解決了不少該領域中的難題，顯現出廣闊的應用前景。但是，神經網絡作為新興學科，在理論和實踐中，還有很多不完善和不成熟的地方，又在一定程度上制約了它的實際應用。因此在利用人工神經網絡解決問題時，需要選定合適的網絡模型及網絡算法，同時還要加深人工神經網絡基礎理論方面的研究。

六、結束語

總而言之，就建筑經濟管理中神經網絡的應用這方面而言，這項技術的發展不僅使建筑經濟管理體系更加的完善，更加使人們的生活帶來了許多的便利條件，通過科學技術人員的不斷努力，會使為社會發展做出巨大的貢獻。

參考文獻

[1]王其文，劉廣靈.人工神經網絡與線性回歸的比較 決策與決策支持系統，2008（4）:22-26.

第8篇：神經網絡的發展范文

旅游市場趨勢預測是旅游業發展戰略和旅游規劃與開發工作的重要基礎依據，一直是旅游市場研究中最重要的內容之一。根據市場趨勢預測的結果，旅游相關部門才可以制定合理的旅游規劃，進行旅游資源的優化配置。旅游市場趨勢預測是在對影響市場的諸因素進行系統調查和研究的基礎上，運用科學的方法，對未來旅游市場的發展趨勢以及有關的各種因素的變化，進行分析、預見、估計和判斷。

近年來，旅游研究者對旅游市場趨勢預測的方法進行了探索。目前主要有時間序列法、回歸分析法、指數預測法、人工神經網絡法。由于旅游市場的變化受到諸多因素的影響，導致旅游市場的趨勢預測難度較大，但我們對預測精度的要求卻越來越高。

本文是基于人工神經網絡方法，提出使用遺傳算法對人工神經網絡進行優化，探索更精確、更適用于旅游市場預測現實狀況的預測方法。

1 方法概述

人工神經網絡是近年來的熱點研究領域，是人類智能研究的重要組成部分，已經成為神經科學、計算機科學、認知科學、數學和物理學等多學科關注的熱點。其應用領域包括：分類、預測、模式識別、信號處理和圖像處理等，并繼續向其他領域延伸。

1.1 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經狀態只影響下一層神經元狀態。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出。

圖中，X1，X2，…，Xn是BP神經網絡的輸入值，Y1，Y2，…，Ym是BP神經網絡的預測值，wij和wjk為BP神經網絡權值。從圖可以看出，BP神經網絡可以看成一個非線性函數，網絡輸入值和預測值分別為該函數的自變量和因變量。當輸入節點數為n，輸出節點數為m時，BP神經網絡就表達了從n個自變量到m個因變量的函數映射關系。

1.2 遺傳算法

遺傳算法（Genetic Algorithms）是1962年由美國Michigan大學Holland教授提出的模擬自然界遺傳機制和重托進貨論而成的一種并行隨機搜索最優化方法。它把自然界“優勝劣汰，適者生存”的生物進化原理引入優化參數形成的編碼串聯群體中，按照所選擇的適應度函數并通過遺傳中的選擇、交叉和變異對個體進行篩選，使適應度值好的個體被保留，適應度差的個體被淘汰，新的群體既繼承了上一代的信息，又優于上一代。這樣反復循環，直至滿足條件。

1.3 遺傳算法優化BP神經網絡的流程

遺傳算法優化BP神經網絡分為BP神經網絡結構確定、遺傳算法優化和BP神經網絡預測3個部分。其中，BP神經網絡結構確定部分根據按擬合函數輸入輸出參數個數確定BP神經網絡結構，進而確定遺傳算法個體的長度。遺傳算法優化使用遺傳算法優化BP神經網絡的權值和閾值，種群中的每個個體都包含了一個網絡所有權值和閾值，個體通過適應度函數計算個體適應度。遺傳算法通過選擇、交叉和變異操作找到最優適應度值對應個體。BP神經網絡預測用遺傳算法得到最優個體對網絡初始權值和閾值賦值，網絡經訓練后預測函數輸出。

遺傳算法優化BP神經網絡是用遺傳算法來優化BP神經網絡的初始權值和閾值，使優化后的BP神經網絡能夠更好地預測函數輸出。遺傳算法優化BP神經網絡的要素包括種群初始化、適應度函數、選擇操作、交叉操作和變異操作。

1）種群初始化

個體編碼方法為實數編碼，每個個體均為一個實數串，由輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值以及輸出層閾值4部分組成。個體包含了神經網絡全部權值和閾值，在網絡結構已知的情況下，就可以構成一個結構、權值、閾值確定的神經網絡。

2）適應度函數

2 實證分析

旅游客流量與當地旅游硬件及軟件設施建設、各種交通設備的完善程度有著密切的關系。一個旅游地的交通設施完善程度決定了該景區的可進入性以及客源地到旅游地的時間距離，直接影響該景區游客量。此外，景區建設情況及旅游接待設施的建設情況決定著景區的吸引力。需要指出的是，由于信息傳達的特性，游客數量對景區旅游相關條件改善的反應具有延遲性的特點。本文中，采用2000 年以來北京旅客周轉量、人均GDP、全國交通、A級及以上景區個數、北京公共交通運營線路長度、北京市基礎投資，預測北京市旅游人數。

通過查詢中國國家統計局及北京市統計局相關資料，得到全國人均GDP、全國交通、北京市旅客周轉量、北京市A級及以上景區個數、北京市公共交通運營線路長度、北京市基礎投資數據，如表1所示。

根據遺傳算法和BP 神經網絡理論，在MATLAB 軟件中編程實現基于遺傳算法優化的BP神經網絡進行預測。預測誤差及真實值與預測值對比如圖2、圖3所示。

3 模型的評價

第9篇：神經網絡的發展范文

關鍵詞：BP神經網絡算法；貨運量；預測模型；實證分析

中圖分類號：F252 文獻標識碼：A

交通運輸系統是國民經濟大系統中的一個子系統，運輸需求同時受到來自系統內部和系統外部因素的影響，同時又反作用于國民經濟系統[1]。其中，貨運量是反映運輸生產成果，體現運輸系統為國民經濟服務數量的重要指標[2]，它作為衡量一個國家或地區經濟發展的重要經濟指標，愈加受到人們的重視，如何正確、有效地根據相關影響因素做出貨運量預測，對于物流產業的發展具有至關重要的作用。

貨運量預測具有較大的復雜性和非線性等特點[3]，進行貨運量預測的方法很多，常用的方法包括時間序列法、回歸分析法和灰色系統法等，這些方法都集中在對其因果關系回歸模型和時間序列模型的分析上，所建立的模型不能全面和本質地反映所預測動態數據的內在結構和復雜特性，從而丟失了信息[4]。人工神經網絡具有良好的曲線擬合能力、學習能力、抗干擾能力[4-5]，采用BP神經網絡方法，建立貨運量預測模型，具有更好的說服力。

近幾年來，在國家政策的大力扶持和傾斜下，整個新疆的經濟社會發展都步入了快車道。經濟社會的快速發展，對相應的物流能力提出了更高的要求?，F有的南疆兵團物流企業已經難以滿足其經濟快速高效發展的需要，日益成為制約南疆兵團經濟快速發展的瓶頸。科學合理地預測南疆兵團物流企業的貨運量以對其物流能力進行客觀評價，對于優化配置南疆兵團有限的物流資源，實現南疆兵團物流企業的可持續發展，具有重要的現實意義和實踐價值。

1 BP神經網絡算法與模型

近年來，全球性的神經網絡研究熱潮再度興起，不僅僅是因為神經科學本身取得了巨大的進展，更主要的原因在于發展新型計算機和人工智能新途徑的迫切需要。迄今為止在需要人工智能解決的許多問題中，人腦遠比計算機聰明的多，要開創具有智能的新一代計算機，就必須了解人腦，研究人腦神經網絡系統信息處理的機制。另一方面，基于神經科學研究成果基礎上發展出來的人工神經網絡模型，反映了人腦功能的若干基本特性，開拓了神經網絡用于計算機的新途徑[6]，它對傳統的計算機結構和人工智能是一個有力的挑戰，引起了各方面專家的極大關注。

目前，已發展了幾十種神經網絡， 例如Hopficld模型、Feldmann等的連接型網絡模型、Hinton等的玻爾茨曼機模型，以及Rumelhart等的多層感知機模型和Kohonen的自組織網絡模型，等等[6]。神經網絡模型中，應用最廣泛的是多層感知機神經網絡。多層感知機神經網絡的研究始于20世紀50年代，但一直進展不大。直到1985年，Rumelhart等人提出了誤差反向傳遞學習，即BP算法[7]，實現了Minsky的多層網絡設想，如圖1所示。

BP算法不僅有輸入層節點、輸出層節點，還可有一個或多個隱含層節點。對于輸入信號，要先向前傳播到隱含層節點，經作用函數激勵后，再把隱含層節點的輸出信號傳播到輸出節點，最后給出輸出結果。節點的作用激勵函數通常選取S型函數，如：

式中Q為調整激勵函數形式的Sigmoid參數。該算法的學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。每一層神經元的狀態只影響下一層神經元的狀態。如果輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經元的權值，使得誤差信號最小。

從上述BP算法可以看出，BP模型把一組樣本的I/O問題變為一個非線性優化[8]，是優化中最普通的梯度下降法。如果把神經網絡的看成輸入到輸出的映射，則這個映射是一個高度非線性映射。

設計一個神經網絡專家模型的構成和學習算法的選擇，一般來說，是根據所研究領域及要解決的問題確定的[6]。通過對所研究問題的大量歷史資料數據的分析及目前的神經網絡理論發展水平，建立合適的模型，并針對所選的模型采用相應的學習算法，在網絡學習過程中，不斷地調整網絡參數，直到輸出結果滿足要求為止。

2 貨運量預測模型與實證分析

基于上述BP神經網絡算法與模型，結合新疆兵團各師物流實際，構建南疆兵團各師貨運量的預測模型，采用Matlab軟件編制程序（見附錄），將2006～2010年間的各師貨運量數據[9]代入Matlab程序中，以對南疆兵團各師貨運量加以預測。下面對Matlab中神經網絡訓練函數的訓練步數、收斂精度及誤差加以比較，通過反復訓練來確定最佳的BP神經網絡訓練函數[8]，以此來確定最優的貨運量BP神經網絡模型。

通過運行程序，得到訓練均方誤差曲線圖如圖2：

由圖2可看出，誤差訓練值接近10e-2，而目標訓練值為10e-7，說明經過2 000次步長訓練，均方誤差逐漸趨于目標值，訓練結果非常小，結果較滿意。同時，得到訓練梯度及有效性檢查曲線圖如圖3：

由圖3可得出，訓練梯度為0.00021324，檢查錯誤幾乎為0，說明經過2 000次步長訓練，在這期間訓練梯度變化不大，且錯誤趨于0，進一步說明預測結果較好。與此同時，得到訓練回歸曲線圖如圖4。

由圖4可得到，目標訓練值R=0.99983，趨于1，說明回歸訓練效果較好，預測精度較高，而同時回歸曲線近似趨于一線性函數，其訓練起點和終點（圖中黑點）與源數據（白圓點）都很好的分布在曲線兩側，由此可見，運用BP神經網絡仿真的效果十分理想，訓練后的BP網絡能很好地逼近給定的目標函數，據此表明訓練效果很好。由此可見，所建模型與實際吻合度較高，模型結果具有可信度和說服力。

3 結果分析

通過運行BP神經網絡程序，求得2006～2010年南疆兵團各師貨運量的的預測值，將之與實際值放在一起進行比較，匯編結果如表1。

由表1可以看出，南疆兵團各師貨運量持續上升，而且增加幅度逐年加快。事實上，近年來隨著新疆經濟社會的快速發展，南疆兵團各師的貨運量呈現一個較大程度的逐年遞增，這一點是符合客觀事實的。

通過南疆兵團各師貨運量的預測值和實際值的比較分析，發現預測值與實際值之間相對誤差較小，位于0.8%～7.8%之間，平均相對誤差約為4.45%，誤差達到通常的精度要求10e-2，計算精度較高。由此可見，通過BP神經網絡算法建立的南疆兵團各師貨運量預測模型，所得結果符合計算精度要求，而且泛化能力較好，模擬結果比較可靠，與實際吻合度較高。

4 結 論

本文通過對近幾年南疆兵團各師貨運量的分析，合理地設計了BP神經網絡結構；同時，通過比較Matlab中神經網絡訓練函數的訓練步數、收斂精度及誤差，反復訓練并確定了最佳的BP神經網絡訓練函數；并以2006～2010年南疆兵團各師貨運量數據為基準，建立南疆兵團各師貨運量的預測模型，采用Matlab提供的神經網絡工具箱編程求解，得到相應的南疆兵團各師貨運量的預測值，通過實際值與預測值的比較，發現二者之間的相對誤差較小，所得結果具有較好的說服力和可信度。

本文的研究結果，對于南疆兵團地區優化配置物流資源，引導地方政府決策提供理論依據，具有重要的現實意義和實踐價值。人工神經網絡具有良好的曲線擬合能力、學習能力、抗干擾能力，采用BP神經網絡算法，建立相應的預測模型，所得結果因與實際吻合度較高，而具有較好的可信度。BP神經網絡算法，可以廣泛地應用于復雜經濟系統的評價與預測工作。文中所采用的建模思想方法，還可以廣泛地應用于其他復雜經濟系統的建模工作，具有一定的普遍性，有著良好的應用推廣價值。

參考文獻：

[1] 王振軍. 交通運輸系統工程[M]. 南京：東南大學出版社，2008：13-17.

[2] 張艷云，艾力·斯木吐拉. BP神經網在新疆貨運量預測中的應用[J]. 運輸與物流，2011（17）：144-147.

[3] 許銀甲. 公路貨運量預測的系統動力學模型構建[J]. 交通科技與經濟，2007，9（6）：95-97.

[4] 趙闖，劉凱. 基于廣義回歸神經網絡的貨運量預測[J]. 鐵道學報，2004，26（1）：12-15.

[5] 徐優麗. 基于神經網絡的物流需求預測[J]. 浙江樹人大學學報，2008（1）：56-58.

[6] 飛思科技產品研發中心. MATLAB6.5輔助神經網絡分析與設計[M]. 北京：中國統計出版社，2003：64-69.

[7] 高寧，邵陸壽. 基于MATLAB的BP神經網絡在農作物預報中的應用[J]. 計算機與農業，2003（7）：16-18.