关于神经网络之综述
摘要：神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。本文将主要介绍神经网络涉及的领域以及它的研究内容，并就其研究现状提出未来发展趋势。
关键词：神经网络 BP神经网络 波浪发电 风速预测 岩石力学 1、引言
人工神经网络（Artificial Neural Networks，ANN），也简称为神经网络，是一个用大量简单处理单元经广泛连接而组成的人工网络，是对人脑或生物神经网络若干基本特性的抽象和模拟。神经网络理论为机器学习等许多问题的研究提供了一条新的思路，目前已经在模式识别、机器视觉、联想记忆、自动控制、信号处理、软测量、决策分析、智能计算、组合优化问题求解、数据挖掘等方面获得成功应用。神经网络的研究已经获得许多成果，提出了大量的神经网络模型和算法。而其中最为广泛的得数BP神经网络。 2、研究内容
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。主要的研究工作集中在以下几个方面：从生理学、心理学、解剖学、脑科学、病理学等方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理；根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等；在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。我们这里主要介绍BP神经网络算法。 3、BP神经网络算法
在多层前馈网络中，提出最早也是应用最普遍的是反向误差传播神经网络，简称BP 神经网络。它是前向网络的核心，体现了网络最精华的部分。标准的BP 网络采用的是误差梯度下降的算法，在多层网络中使用了梯度反向传播的计算方法。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐含层逐层处理后传向输出层。若输出层的实际输出与期望输出（教师信号）不符，则转向误差的反向传播阶段。
误差的反向传播是将输出误差以某种形式通过隐含层向输入层逐层反传，并将差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。
4、研究现状及应用 1) 作为测试工具
AWS 是第一个直驱式的波浪发电系统，2004 年在荷兰投入海底试运行，它的结构简单、效率高且完全淹没在水面下，所以易于被人们接受，由于波浪数的不规则性，本文选用能逼近任意非线性曲线的人工神经网络中的BP 算法，它具有很强的非线性映射能力，而且网络的中间层数、各层的处理单元数及网络的学习系数等参数都可根据具体情况设定，灵活性很大。以AWS 波浪发电系统为例，建立了从波面数据到功率的简化模型，再利用BP 算法对实际波浪数据进行建模并预测，同时比对了不同训练样本数及预测时间长度对于结果的影响，最后选取合适的预测值带入功率转化模型中得到功率的预测值。可以看出，预测得到的输出功率比用正弦函数模拟得到的更为真实准确，并且能够充分反映现实中功率的变化，更有利于波浪发电系统的功率平滑控制。 2) 天气预报工具
为了给铁路运输提供准确的大风预警，将人工神经网络算法应用于新疆百里风区的风速预报，分别采用BP 神经网络与Elman 神经网络建立模型，对实际历史风速数据进行仿真预测。利用实时自动站资料预测未来20 分钟瞬间风速并做预报对比检验。结果表明:与BP 神经网相比，Elman 人工神经网络模型具有更好的拟合效果，独立样本预报及实际预报的检验结果均达到了较为精确的效果，具有实际应用意义。 3) 岩石力学方面的应用
岩石力学与岩石工程问题包含极其丰富的内容，实际工程问题又不断地提出各种新的要求，致使很多问题利用传统的方法难于解决。借鉴其他相关学科的先进思想与技术来解决岩石力学研究中的难点问题，已经成为当前岩石力学研究
领域的一个热门课题。计算智能中有关模型与方法的利用有助于我们更深入地研究与解决岩石力学中的某些问题。参考近年来人工神经网络与遗传算法在岩石力学应用中的某问题，对有关课题的研究状况与进展做了介绍，对计算智能在岩石力学与岩石工程中的应用研究做了展望。 5、未来发展趋势
经过半个多世纪的发展，神经网络理论在众多领域取得了广泛的成功，人工神经网络现在仍在飞速发展，要想建立起严密的理论体系，必须要破译人脑的秘密，最终实现神经网络计算机。在理论模型跟踪着最新最尖端的算法的同时，人工神经网络的应用也日益走向大众化。由于神经网络的应用范围很广，相信随着神经网络理论本身以及相关理论、技术的的不断发展，神经网络的应用定将更加深入，其将在我们的生活中发挥着越来越重要的作用。
参考文献
[1]王万良.人工智能导论[M].北京：高等教育出版社.2001.
[2]王坤.神经网络的特点及改进方法综述［J］.西安：西安工业大学电子信息工程学院.2001. [3]Xinhe Miao ,Jein-Shan Chen ,Chun-Hsu Ko.A smoothed NR neural network for solving nonlinear convex programs with second-order cone constraints[J].Information Sciences .268 (2014) 255–270.
[4]Ali N. Celik,Tariq Muneer.Neural network based method for conversion of solar radiation data[J].Energy Conversion and Management 67 (2013) 117–124 [5]李晓峰, 徐玖平, 王荫清, 贺昌政.BP 人工神经网络自适应学习算法的建立及其应用 [J].成都: 四川大学工商管理学院.2004.
[6]霍政界.基于人工神经网络的波浪发电系统输出功率预测[J].南京: 河海大学能源与电 气学院.2014.
[7]S.L. Xie ,Y.H.Zhang,C.H.Chen,X.N.Zhang.Identification of nonlinear hysteretic
systems by artificial neural network [J].Mechanical Systems and Signal Processing. 34 (2013) 76–87
[8]蔡仁，李如琦，唐冶，瓦哈提.基于人工神经网络算法的新疆百里风区风速预报方法研究
[J].新疆: 新疆乌鲁木齐市气象局.2014.
[9]Alain Yee-Loong Chong.Predicting m-commerce adoption determinants: A neural network approach[J].Expert Systems with Applications 40 (2013) 523–530 [10]葛宏伟，梁艳春，刘 玮，顾小炯.人工神经网络与遗传算法在岩石力学中的应用[J]. 长春: 吉林大学计算机科学与技术学院.2004.
[11]魏海坤，徐嗣鑫，宋文忠.神经网络的泛化理论和泛化方法[J].南京: 东南大学自动化 研究所.2001.
[12]崔亚迪，商亚珍.神经网络与记忆[J].承德: 河北省中药研究与开发重点实验室.2014. [13]廖晓峰，李传东.神经网络研究的发展趋势[J].重庆: 重庆大学计算机学院.2005.