- 相關(guān)推薦
神經(jīng)網(wǎng)絡(luò)的特點分析論文（精選6篇）
在日常學(xué)習和工作中，大家都不可避免地要接觸到論文吧，論文寫作的過程是人們獲得直接經(jīng)驗的過程。相信很多朋友都對寫論文感到非常苦惱吧，以下是小編收集整理的神經(jīng)網(wǎng)絡(luò)的特點分析論文，歡迎大家借鑒與參考，希望對大家有所幫助。
神經(jīng)網(wǎng)絡(luò)的特點分析論文 篇1
神經(jīng)網(wǎng)絡(luò)的特點分析
�。�1）神經(jīng)網(wǎng)絡(luò)的一般特點
作為一種正在興起的新型技術(shù)神經(jīng)網(wǎng)絡(luò)有著自己的優(yōu)勢，他的主要特點如下：
�、儆捎谏窠�(jīng)網(wǎng)絡(luò)模仿人的大腦，采用自適應(yīng)算法。使它較之專家系統(tǒng)的固定的推理方式及傳統(tǒng)計算機的指令程序方式更能夠適應(yīng)化環(huán)境的變化�？偨Y(jié)規(guī)律，完成某種運算、推理、識別及控制任務(wù)。因而它具有更高的智能水平，更接近人的大腦。
�、谳^強的容錯能力，使神經(jīng)網(wǎng)絡(luò)能夠和人工視覺系統(tǒng)一樣，根據(jù)對象的主要特征去識別對象。
�、圩詫W(xué)習、自組織功能及歸納能力。
以上三個特點是神經(jīng)網(wǎng)絡(luò)能夠?qū)Σ淮_定的、非結(jié)構(gòu)化的信息及圖像進行識別處理。石油勘探中的大量信息就具有這種性質(zhì)。因而，人工神經(jīng)網(wǎng)絡(luò)是十分適合石油勘探的信息處理的。
（2）自組織神經(jīng)網(wǎng)絡(luò)的特點
自組織特征映射神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的一種，既有神經(jīng)網(wǎng)絡(luò)的通用的上面所述的三個主要的特點又有自己的特色。
�、僮越M織神經(jīng)網(wǎng)絡(luò)共分兩層即輸入層和輸出層。
�、诓捎酶偁帉W(xué)記機制，勝者為王，但是同時近鄰也享有特權(quán)，可以跟著競爭獲勝的神經(jīng)元一起調(diào)整權(quán)值，從而使得結(jié)果更加光滑，不想前面的那樣粗糙。
�、圻@一網(wǎng)絡(luò)同時考慮拓撲結(jié)構(gòu)的問題，即他不僅僅是對輸入數(shù)據(jù)本身的分析，更考慮到數(shù)據(jù)的拓撲機構(gòu)。
權(quán)值調(diào)整的過程中和最后的結(jié)果輸出都考慮了這些，使得相似的神經(jīng)元在相鄰的位置，從而實現(xiàn)了與人腦類似的大腦分區(qū)響應(yīng)處理不同類型的信號的功能。
④采用無導(dǎo)師學(xué)記機制，不需要教師信號，直接進行分類操作，使得網(wǎng)絡(luò)的適應(yīng)性更強，應(yīng)用更加的廣泛，尤其是那些對于現(xiàn)在的人來說結(jié)果還是未知的數(shù)據(jù)的分類。頑強的生命力使得神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍大大加大。
1.1.3自組織神經(jīng)網(wǎng)絡(luò)相對傳統(tǒng)方法的優(yōu)點
自組織特征映射神經(jīng)網(wǎng)絡(luò)的固有特點決定了神經(jīng)網(wǎng)絡(luò)相對傳統(tǒng)方法的優(yōu)點:
�。�1）自組織特性，減少人為的干預(yù)，減少人的建模工作，這一點對于數(shù)學(xué)模型不清楚的物探數(shù)據(jù)處理尤為重要，減少不精確的甚至存在錯誤的模型給結(jié)果帶來的負面影響。
�。�2）強大的自適應(yīng)能力大大減少了工作人員的編程工作，使得被解放出來的處理人員有更多的精力去考慮參數(shù)的調(diào)整對結(jié)果的影響。使得更快的改進方法成為可能。
（3）網(wǎng)絡(luò)工作過程中考慮數(shù)據(jù)和網(wǎng)絡(luò)的拓撲結(jié)構(gòu)的問題，更類似人類大腦思考問題的方式，問題的'解決更符合人的特點，使得結(jié)果的可信程度加大。
�。�4）無導(dǎo)師學(xué)習機制，不需要教師信號。對于地球物理勘探這類的很少有準確的教師信號作為指導(dǎo)的問題而言，這一點很有優(yōu)勢，很好的模仿人腦，所得結(jié)果是其他方法處理結(jié)果的很好的參考。
1.1.4完成本課題的目的
本課題的目的就是通過畢業(yè)設(shè)計這一過程學(xué)習神經(jīng)網(wǎng)絡(luò)的基本原理、方法和應(yīng)用情況，在了解自組織特征映射神經(jīng)網(wǎng)絡(luò)原理的基礎(chǔ)上探索這樣的方法、工具在地球物理數(shù)據(jù)處理上的應(yīng)用，例如在儲層識別方面。并且同一部分其他方法對比，分析各個方法的特點，為后面的工作打基礎(chǔ)。
針對傳統(tǒng)地球物理勘探數(shù)據(jù)處理方法存在的問題，結(jié)合自組織特征映射神經(jīng)網(wǎng)絡(luò)的優(yōu)點，嘗試這樣的一個新方法，看他們這一問題上的表現(xiàn)如何，爭取找到一個相對合適的方法。
保存所做的工作，為以后在這方面感興趣的同學(xué)留下有限的一部分參考。國內(nèi)外研究的過程及現(xiàn)狀
人工神經(jīng)網(wǎng)絡(luò)是近幾年來循序發(fā)展的人工智能新技術(shù)，他比專家系統(tǒng)、模糊理論等人工智能技術(shù)具有更高水平。
人工神經(jīng)網(wǎng)絡(luò)在80年代中期得到了飛速的發(fā)展。1982年美國加州州立理工學(xué)院物理學(xué)家Hopfield教授提出了Hopfield人工神經(jīng)網(wǎng)絡(luò)模型，他將能量函數(shù)的概念引入人工神經(jīng)網(wǎng)絡(luò)，并給出了穩(wěn)定性的判據(jù)，開拓了人工神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計算的新途徑。
人工神經(jīng)網(wǎng)絡(luò)模擬人類部分形象思維的能力，是模擬人工智能的一條途徑。特別是可以利用人工神經(jīng)網(wǎng)絡(luò)解決人工智能研究中所遇到的一些難題。人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到多個領(lǐng)域，在計算機視覺、模式識別、智能控制、非線性優(yōu)化、自適應(yīng)濾波相信息處理、機器人等方面取得了可喜的進展。
1.2.1國外研究發(fā)展的過程
神經(jīng)網(wǎng)絡(luò)誕生半個多世紀以來，同其他事務(wù)一樣發(fā)展不是一帆風順的，大體上經(jīng)歷了以下5個階段：
�。�1）奠基階段。
早在20世紀40年代初，神經(jīng)解剖學(xué)、神經(jīng)生理學(xué)、心理學(xué)以及人腦神經(jīng)元的電生理的研究等都有一定的成果。其中，神經(jīng)生物學(xué)家McCulloch提倡數(shù)字化具有特別的意義。他同青年數(shù)學(xué)家Pitts合作，從人腦信息處理觀點出發(fā)，采用數(shù)理模型的方法研究了腦細胞的動作和結(jié)構(gòu)及其生物神經(jīng)元的一些基本生理特性，提出了第一個神經(jīng)計算模型，即神經(jīng)元的閾值元件模型，簡稱為MP模型，他們認識到了模擬大腦可用于邏輯運行的網(wǎng)絡(luò)，有一些結(jié)點，及結(jié)點與結(jié)點之間相互聯(lián)系，構(gòu)成一個簡單神經(jīng)網(wǎng)絡(luò)模型。其主要貢獻在于，結(jié)點的并行計算能力很強，為計算神經(jīng)行為的某此方面提供了可能性，從而開創(chuàng)了神經(jīng)網(wǎng)絡(luò)的研究。這一革命性的思想，產(chǎn)生了很大影響。
�。�3）第一次高潮階段。
在1958年計算機科學(xué)家Rosenblatt基于MP模型，增加了學(xué)習機制，推廣了MP模型。他證明了兩層感知器能夠?qū)⑤斎敕譃閮深�，首先假如這兩種類型是線性并可分，也就是一個超平面能將輸入空間分割，其感知器收斂定理：輸入和輸出層之間的權(quán)重的調(diào)節(jié)正比于計算輸出值與期望輸出之差。
他提出的感知器模型，首次把神經(jīng)網(wǎng)絡(luò)理論付諸工程實現(xiàn)。例如，1957年到1958年間在他的帥領(lǐng)下完成了第一臺真正意義上的的神經(jīng)計算機，即：MarkⅠ的感知器。他還指出了帶有隱含層處理元件的3層感知器這一重要的研究方向，并嘗試將兩層感知器推廣到3層。但是他沒有能夠找到比較嚴格的數(shù)學(xué)方法來訓(xùn)練隱含層處理單元。這種感知器是一種學(xué)習和自組織的心理學(xué)模型，其結(jié)構(gòu)體現(xiàn)了神經(jīng)生理學(xué)的知識。當模型的學(xué)習環(huán)境含有噪音時，內(nèi)部結(jié)構(gòu)有相應(yīng)的隨機聯(lián)系，這種感知器的學(xué)習規(guī)則是突觸強化律，它可能應(yīng)用在模式識別和聯(lián)想記憶等方面�？梢哉f，他的模型包含了一些現(xiàn)代神經(jīng)計算機的基本原理，而且是神經(jīng)網(wǎng)絡(luò)方法和技術(shù)上的重大突破，他是現(xiàn)代神經(jīng)網(wǎng)絡(luò)的主要構(gòu)建者之一。Rosenblatt的行為激發(fā)了很多學(xué)者對神經(jīng)網(wǎng)絡(luò)研究的極大興趣．美國的上百家有影響的實驗室紛紛投入到這個領(lǐng)域，軍方給予巨額資金資助，比如，對聲納波識別，迅速確定敵方的潛水艇位置，經(jīng)過一段時間的研究終于獲得了一定的成果。這些事實說明，神經(jīng)網(wǎng)絡(luò)形成了首次高潮。
�。�4）堅持階段。
神經(jīng)網(wǎng)絡(luò)理論那些遙遠的但是并非不可達到的目標著實吸引著很多人的目光，美國軍方認為神經(jīng)網(wǎng)絡(luò)工程應(yīng)當比“原子彈工程”更重要，并且對它的投資興趣巨大，而對它的實踐效果也比較滿意。這時，Minsky比較關(guān)心的是人工智能的發(fā)展與前途問題。以順序離符號推導(dǎo)為其基本特征與神經(jīng)網(wǎng)絡(luò)大相徑庭。他引發(fā)學(xué)術(shù)界的爭議，導(dǎo)致對人工智能投資的增加。他從感知器的功能及局限性入手，在數(shù)學(xué)上進行了分析，證明了感知器不能實現(xiàn)XOR邏輯函數(shù)問題，也不能實現(xiàn)其它的謂詞函數(shù)。他認識到感知器模式的簡單神經(jīng)網(wǎng)絡(luò)對于認知群不變性的無能為力。1969年Minsky和Papert在MIT出版了一本論著Percertrons，對當時與感知器有關(guān)的研究及其發(fā)展產(chǎn)生了十分負面的影響，使得有些學(xué)者把研究興趣轉(zhuǎn)移到人工智能或數(shù)字電子計算機有關(guān)的理論和應(yīng)用方面。這樣，推動了人工智能的發(fā)展，使其占了主導(dǎo)地位。美國在此后15年里從未資助神經(jīng)網(wǎng)絡(luò)研究課題，致使前蘇聯(lián)有關(guān)研究機構(gòu)也受到感染，終止了已經(jīng)資助的神經(jīng)網(wǎng)絡(luò)研究的課題。
�。�5）第二次高潮階段。
1981年芬蘭Helsink大學(xué)的T.Kohonen提出了自組織映射網(wǎng)絡(luò)模型(Self-OrganizingfeatureMap,簡稱SOM)，又稱Kohonen網(wǎng)。Kohonen認為，一個神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時，將會分成不同區(qū)域，各個區(qū)域?qū)斎肽Ｊ接兄煌捻憫?yīng)特征，而且這一過程是自動完成的。映射具有拓撲性質(zhì)，對一維、二維都是正確的，并在計算機上進行了模擬，通過實例所展示的自適應(yīng)學(xué)習，學(xué)習效果顯著。他認為有可能推廣到更高維的情況。但是當時，他的自組織網(wǎng)絡(luò)的局部與全局穩(wěn)定性問題還沒有得到解決。值得一提的是，Hinton和Anderson的著作ParallelModelsofAssociativeMemory產(chǎn)生了一定的影響。由于理想的神經(jīng)元連接組成的理論模型也具有聯(lián)想存儲功能，因此具有特別有意義。這類神經(jīng)網(wǎng)絡(luò)從40年代初期就有學(xué)者在研究。當然，不同時期的研究總有新的認識。1982年生物物理學(xué)家Hopfield詳細闡述了它的特性，他對網(wǎng)絡(luò)存儲器描述得更加精細，他認識到這種算法是將聯(lián)想存儲器問題歸結(jié)為求某個評價函數(shù)極小值的問題，適合于遞歸過程求解，并引入Lyapunov函數(shù)進行分析。在網(wǎng)絡(luò)中，節(jié)點間以一種隨機異步處理方式相互訪問，并修正自身輸出值，可用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，從而這類網(wǎng)絡(luò)的穩(wěn)定性有了判據(jù)，其模式具有聯(lián)想記憶和優(yōu)化計算的功能。并給出系統(tǒng)運動方程，即Hopfield神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型是一組非線性微分方程。
（6）新發(fā)展階段。
從神經(jīng)網(wǎng)絡(luò)理論簡短的發(fā)展歷史來看，它們的高潮階段是十分容易度過的。IJCNN91大會主席Rumelhart意識到這一點，在他的開幕詞中有一個觀點，神經(jīng)網(wǎng)絡(luò)的發(fā)展已到了一個新的轉(zhuǎn)折的時期，它的范圍正在不斷擴大，其應(yīng)用領(lǐng)域幾乎包括各個方面。半個世紀以來，這門學(xué)科的理論和技術(shù)基礎(chǔ)已達到了一定規(guī)模，但是神經(jīng)網(wǎng)絡(luò)到新發(fā)展階段，需要不斷完善和突破，使其技術(shù)和應(yīng)用得到有力的支持。
1.2.2國內(nèi)神經(jīng)網(wǎng)絡(luò)發(fā)展的歷史
國內(nèi)最早涉及人工神經(jīng)網(wǎng)絡(luò)的著作是涂序彥先生等于1980年發(fā)表的《生物控制論》一書，書中將“神經(jīng)系統(tǒng)控制論”單獨設(shè)為一章，系統(tǒng)地介紹了神經(jīng)元和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能和模型。隨著人工神經(jīng)網(wǎng)絡(luò)20世紀80年代在世界范圍內(nèi)復(fù)蘇，國內(nèi)也逐步掀起了研究熱潮。1990年2月，由中國八個學(xué)會聯(lián)合在北京召開“中國神經(jīng)網(wǎng)絡(luò)首屆學(xué)術(shù)大會”。收到了來自全國的300多篇論文，從而開創(chuàng)了中國神經(jīng)網(wǎng)絡(luò)及神經(jīng)計算機方面科學(xué)研究方面的新紀元。
1.2.3神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀
幾十年的發(fā)展使得神經(jīng)網(wǎng)絡(luò)上升到了一個新的高度，國外的發(fā)展十分迅速而且富有成果，在信息領(lǐng)域、自動化領(lǐng)域、工程領(lǐng)域、醫(yī)學(xué)領(lǐng)域、經(jīng)濟領(lǐng)域都取得了豐碩的成果，特別是美蘇軍方對神經(jīng)網(wǎng)絡(luò)的投入大大刺激了神經(jīng)網(wǎng)絡(luò)的發(fā)展，吸引了一大批有識之士加入到這一行列，經(jīng)歷了第二次高潮階段之后，神經(jīng)網(wǎng)絡(luò)的發(fā)展更加迅速帶來了新的技術(shù)成果。如：手寫輸入、語音識別、聯(lián)想記憶、節(jié)能、衛(wèi)星動作監(jiān)測、信貸分析等等。
經(jīng)過多年的發(fā)展，國內(nèi)學(xué)術(shù)界和工程界在人工神經(jīng)網(wǎng)絡(luò)的理論研究和工程應(yīng)用方面也取得了豐碩成果，學(xué)術(shù)論文、應(yīng)用成果和研究人員的數(shù)量逐年增長。醫(yī)療、中藥、病人分類等方面尤其在石油工業(yè)神經(jīng)網(wǎng)絡(luò)的發(fā)展十分迅速，物探的儲層識別等方面應(yīng)用十分突出。這方面的學(xué)術(shù)論文迅速增加，并取得了一定的成果，為物探的發(fā)展開辟出一個新的方向。
神經(jīng)網(wǎng)絡(luò)的特點分析論文 篇2
摘要：軟件需求分析不僅僅是為了讓開發(fā)者滿足用戶要求，而且還可以幫助用戶了解軟件的性能和功能，具有一舉兩得的效果，但是如果軟件需求不符合實際需求，就會出現(xiàn)風險，導(dǎo)致返工。在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，我們建立了軟件需求分析風險評估模型，以減少軟件開發(fā)的失敗率，規(guī)避因軟件需求分析失誤而帶來的實際存在的或潛在的風險。
關(guān)鍵詞：風險；軟件需求；BP神經(jīng)網(wǎng)絡(luò)；研究；分析
軟件開發(fā)過程中，需求分析是一個關(guān)鍵性的階段。導(dǎo)致它失敗的原因有很多，例如開發(fā)者和用戶之間的溝通障礙、軟件本身的隱含性、需求信息的不對稱等等。這些問題導(dǎo)致的返工，增加了開發(fā)的成本，也損壞了企業(yè)形象，更可能流失掉部分用戶。因此，我們必須對軟件需求分析進行風險評估管理，把負面影響降到最低�，F(xiàn)代商業(yè)發(fā)展中，各企業(yè)和企業(yè)之間的競爭日趨激烈,掌握最新的技術(shù)，對技術(shù)進行創(chuàng)新，才是企業(yè)在行業(yè)內(nèi)立足腳跟，獲得更加長遠發(fā)展的方法，因此要想牢牢地把握企業(yè)的運命就需要我們保持對技術(shù)創(chuàng)新的熱情，并在這條道路上樂此不疲。21世紀，只有掌握了最新和最具有創(chuàng)造性的技術(shù)，才能贏的最后的勝利，本文把BP網(wǎng)絡(luò)與軟件需求分析風險評估模型相結(jié)合，具有十分重要的意義。
1BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)是開發(fā)者使用最多的神經(jīng)網(wǎng)絡(luò)之一，它具有算法簡單、極強的魯棒性、收斂速度極快等優(yōu)點。最重要的一點是能夠最大限度的接近其真實系統(tǒng)，非常適合于線性的、不確定的、模糊的軟件風險數(shù)據(jù)。BP算法是一種用于前向多層神經(jīng)網(wǎng)絡(luò)的的反傳學(xué)習算法。采用BP算法的數(shù)層感知器神經(jīng)網(wǎng)絡(luò)模型，它的基本思想是，學(xué)習過程由信號的正向傳播和誤差的反向傳播兩個過程組成。模糊理論采用模糊數(shù)學(xué)的方法，通過抽象思維，對處于多種因素作用下的事物做出總體評價。它的兩大主要特征是：第一，結(jié)果清晰；第二，系統(tǒng)性強，這非常適合于各種非確定性問題的解決。
2軟件需求分析風險評估模型
開發(fā)過程中，了解軟件需求是很重要的。軟件開發(fā)主要是依據(jù)需求的不同而設(shè)計出的產(chǎn)品。它包括了業(yè)務(wù)需求（組織和客戶高層次的目標）、用戶需求（用戶要求必須具備的需求）、功能需求（用戶可以通過完成任務(wù)滿足業(yè)務(wù)需求的產(chǎn)品中必須體現(xiàn)的軟件功能）。各種不同的需求都以不同的角度來呈現(xiàn)，需要進行多方位的分析方可得出準確的結(jié)論。軟件需求分析就是對用戶所需軟件應(yīng)具備的屬性進行分析，滿足用戶的真正需求。在完成軟件需求分析后，我們要能得出用戶所需的軟件系統(tǒng)要能夠做到哪些功能，對此還要有詳細準確的說明書，也就是用戶的使用說明書，讓他們更快的了解產(chǎn)品。優(yōu)秀的需求具有以下特點：完整性、準確性、可行性、必要性、無歧義性和可行性。軟件需求分析風險是指由于多方面的影響，如用戶參與度、用戶需求的拓展變化、多角度的考慮、設(shè)計的精準度和用戶與開發(fā)者的充分溝通等等，而造成需求分析的不準確使得用戶的軟件需求得不到滿足。該風險評估模型主要是為了降低軟件需求分析中存在的風險，從而使得評估需求分析更具加有效和更易操作。
3一種基于BP神經(jīng)網(wǎng)絡(luò)的軟件需求分析風險評估模型
本文把BP神經(jīng)網(wǎng)絡(luò)和模糊理論加入到軟件需求分析風險評估模型中，利用BP神經(jīng)網(wǎng)絡(luò)的非線性映射屬性和模糊理論的超強表達能力與被理解力，幫助提高風險評估的有效性和預(yù)測性。軟件需求分析風險的評估模型包括風險識別、風險分析、風險評估三個模塊。風險識別的主要目的是考察研究軟件需求分析階段具體的情況，識別并記錄該階段存在的或潛在的風險，輸入來源是專家的經(jīng)驗分析和歷史風險數(shù)據(jù)庫。
一般步驟包括：
a:找出軟件需求分析風險指標；
b:搜索歷史數(shù)據(jù)庫，列出存在的數(shù)據(jù)庫中的歷史案例；
c:通過專家分析，列出具有風險等級的列表；
d:將確定了的風險列表提交數(shù)據(jù)庫并更新。風險分析是細化第一階段的風險，分析其產(chǎn)生的.影響和等級，找出各指標與風險級別之間的線性關(guān)系亦或非線性關(guān)系。本文引入BP神經(jīng)網(wǎng)絡(luò)和模糊理論，利用BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)風險評估指標和風險級別之間的非線性映射關(guān)系，還利用模糊理論的超強表達能力和容易理解的屬性，提高整個風險評估模型的學(xué)習能力和表達能力，得出更符合實際的評估報告。
主要的方法包括：
a:揭示原因和結(jié)果之間的聯(lián)系，追根溯源；
b:建立模型進行認識和理解；
C:通過嘗試各種組合找出導(dǎo)致失敗的因素。風險評估需最后明確所有存在的風險和它們的等級，給予開發(fā)者一個詳細的報告。本階段只要利用BP神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層、隱含層數(shù)、隱含層節(jié)點數(shù)。輸入層節(jié)點是經(jīng)過模糊預(yù)處理的17個需求分析風險評估指標；輸出層節(jié)點是需求分析風險等級；隱含層數(shù)越多性能越高誤差越低；隱含節(jié)點越多，網(wǎng)絡(luò)功能越強大，但是過多則會使網(wǎng)絡(luò)功能減弱。
在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，建立的軟件需求分析風險評估模型，它操作的流程大致是三個方向。首先，識別軟件需求分析階段存在的、潛在的風險；然后，利用BP神經(jīng)網(wǎng)絡(luò)和模糊理論的特有屬性、眾多優(yōu)點進行分析，通過歷史數(shù)據(jù)庫，專家知識、專家討論，列出風險表格；最后，對風險進行最后的評估，從而有效預(yù)測軟件開發(fā)過程中所遇到的風險，并且進行規(guī)避。
4結(jié)束語
隨著經(jīng)濟的高速發(fā)展，網(wǎng)絡(luò)軟件也成為人們工作生活中一個非常重要的工具。軟件需求的增多帶來了很多的問題，軟件開發(fā)的過程充滿了阻礙，軟件需求的滿意度也在日漸降低。因此，提高軟件開發(fā)的速度、保證開發(fā)軟件的質(zhì)量，降低風險、減少開發(fā)成本、滿足用戶真正的需求等等，對軟件需求分析風險進行評估，建立軟件需求分析風險評估模型，是一件非常值得研究和實施的事情。本文研究的內(nèi)容不僅僅達到了需求分析的目的，提出了新的思維方式和參考方向，而且還能更有效的預(yù)測軟件需求分析風險，真正滿足用戶的軟件需求�；痦椖浚杭质〗逃龔d“十二五”科學(xué)技術(shù)研究項目“基于AHP和群決策向量分析高校干部綜合測評方法和系統(tǒng)實現(xiàn)”（吉教科合字第2013402號）；吉林省教育科學(xué)“十二五”規(guī)劃課題“構(gòu)建以學(xué)習者為主體的遠程教育支持服務(wù)體系的研究”。
參考文獻：
[1]李華,曹曉龍,成江榮.BP神經(jīng)網(wǎng)絡(luò)在軟件項目風險評估中的應(yīng)用[J].計算機仿真,2011,28(07):374-378.
神經(jīng)網(wǎng)絡(luò)的特點分析論文 篇3
1神經(jīng)網(wǎng)絡(luò)的概念及特點
1.1神經(jīng)網(wǎng)絡(luò)的概念
神經(jīng)網(wǎng)絡(luò)是一個并行、分布處理結(jié)構(gòu)，是由神經(jīng)元及稱為聯(lián)接的無向訊號通道互連而成。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)指的則是模仿生理神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能而設(shè)計的一種信息處理系統(tǒng)，即由多個非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網(wǎng)絡(luò)[3]。
1.2神經(jīng)網(wǎng)絡(luò)的特點
在人工神經(jīng)網(wǎng)絡(luò)中，由于網(wǎng)絡(luò)中的每一個單元都是獨立的信息處理單元，因此其計算可獨立進行，而整個網(wǎng)絡(luò)系統(tǒng)卻是并行計算的。這不同于傳統(tǒng)的計算機的串行運算。由于神經(jīng)網(wǎng)絡(luò)是一個大規(guī)�；ヂ�(lián)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，因而是大規(guī)模的并行處理，這在一定程度上提高了系統(tǒng)的處理速度，同時也為實時處理提供了重要條件。人工神經(jīng)網(wǎng)絡(luò)與人腦類似，具有學(xué)習的功能。通常只要給出所需的數(shù)據(jù)、實例，由網(wǎng)絡(luò)去學(xué)習，而學(xué)習獲得的知識都分布儲存在整個網(wǎng)絡(luò)的用權(quán)系數(shù)表示的連接線上。不同網(wǎng)絡(luò)因?qū)W習方法及內(nèi)容不同，可得到不同的功能和不同的應(yīng)用。因而有可能解決傳統(tǒng)人工智能目前最感困難的機器學(xué)習中知識獲取、知識表示等問題。此外神經(jīng)網(wǎng)絡(luò)還對于輸入數(shù)據(jù)的失真具有相當?shù)膹椥浴?/p>
1.3常用的神經(jīng)網(wǎng)絡(luò)算法
常用的神經(jīng)網(wǎng)絡(luò)算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多層感知器、Kohonen特征映射網(wǎng)絡(luò)、反饋多層感知器模型等[4-5]。其中，ART模型和Kohonen特征映射網(wǎng)絡(luò)、模糊模型ART屬于無監(jiān)督訓(xùn)練算法，而反饋多層感知器模型是受限反饋，ARTMAP模型、ART模型屬于反饋的網(wǎng)絡(luò)拓撲結(jié)構(gòu)。
2神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中的應(yīng)用
2.1神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測的優(yōu)勢
由于神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)訓(xùn)練獲得預(yù)測能力的過程是通過完全抽象計算實現(xiàn)的，而不強調(diào)對于數(shù)據(jù)分布的假設(shè)前提，因此在建立神經(jīng)網(wǎng)絡(luò)模型過程中沒有必要向神經(jīng)網(wǎng)絡(luò)解釋知識的具體細節(jié)。同時，神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中，可以通過數(shù)據(jù)運算而形成異常的'判別值，這樣可以對于當前是否受到攻擊行為影響做出判斷，從而實現(xiàn)對檢測對象是否存在異常情況的檢測[6-8]。
2.2神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中的應(yīng)用
神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全尤其是入侵檢測方面已有了相當?shù)难芯縖9]。有研究者將組織聚類神經(jīng)網(wǎng)絡(luò)應(yīng)用于計算機安全研究中，其采用了自適應(yīng)諧振學(xué)習法進行數(shù)據(jù)的前期訓(xùn)練，對于無顯著意義的平均誤差減少時，采用遺傳算法繼續(xù)在前期基礎(chǔ)上進行數(shù)據(jù)數(shù)據(jù)以得到最佳的權(quán)值。國內(nèi)也在神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測上做了大量工作。王勇等研究者在參考MITLincoln有關(guān)網(wǎng)絡(luò)入侵檢測方法基礎(chǔ)上，提出了基于Linux主機的網(wǎng)絡(luò)入侵檢測方案，實現(xiàn)了對于多種網(wǎng)絡(luò)攻擊的特征進行抽取及檢測的目的[10]。
神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中有廣泛的應(yīng)用空間[11-12]，今后應(yīng)該擴大訓(xùn)練數(shù)據(jù)的數(shù)量和范圍，并擴大操作系統(tǒng)的研究空間，通過模擬真實的計算機網(wǎng)絡(luò)環(huán)境，將神經(jīng)網(wǎng)絡(luò)技術(shù)真正應(yīng)用于計算機安全尤其是入侵檢測工作中。
神經(jīng)網(wǎng)絡(luò)的特點分析論文 篇4
摘要：神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域不可或缺的部分，當前最常見的幾種神經(jīng)網(wǎng)絡(luò)分別是感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、柯荷倫網(wǎng)絡(luò)、競爭網(wǎng)絡(luò)，這幾種網(wǎng)絡(luò)各具特點，最后給出了兩個使用BP網(wǎng)絡(luò)解決實際問題的例子。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)人工智能機器學(xué)習控制算法
控制理論從提出到目前為止，一共經(jīng)歷了三個重大的發(fā)展時期，分別是經(jīng)典控制理論、現(xiàn)代控制理論和智能控制理論。智能控制屬于較新的控制理論，它現(xiàn)在主要用于人工智能領(lǐng)域。為了使更多的人了解到人工智能，推動控制理論的不斷前進，就需要對神經(jīng)網(wǎng)絡(luò)進行推廣。
1典型神經(jīng)網(wǎng)絡(luò)
1.1感知器
感知器的工作原理是使用直線、平面等切割平面或立體空間，將這些平面或空間分成若干不同的區(qū)域[1]，以達到對輸入信號進行分類的目的。感知器在使用前，需要先進行訓(xùn)練。訓(xùn)練感知器的主要目的是調(diào)整它的權(quán)值。訓(xùn)練感知器時，通過選擇典型的輸入類型，這些輸入需要能代表所有的輸入類型，然后將這些數(shù)據(jù)輸入到感知器中對感知器進行訓(xùn)練。訓(xùn)練之后，感知器網(wǎng)絡(luò)的節(jié)點數(shù)及權(quán)值得到了調(diào)整。當感知器訓(xùn)練完成之后，就可以進行工作了。
1.2BP網(wǎng)絡(luò)
BP網(wǎng)絡(luò)是當前使用得最多的一種神經(jīng)網(wǎng)絡(luò)，它的主要功能是對非線性有理函數(shù)進行逼近，以滿足對非線性系統(tǒng)的控制作用。一般使用最速下降法對BP網(wǎng)絡(luò)進行訓(xùn)練，將誤差反向傳播，當有大量的數(shù)據(jù)通過BP網(wǎng)絡(luò)時，網(wǎng)絡(luò)的權(quán)值和閾值得到調(diào)整，并使得網(wǎng)絡(luò)的誤差系數(shù)降低到最小[2]。下式是不含反饋的神經(jīng)網(wǎng)絡(luò)的輸入與輸出關(guān)系：以上表達式不能表示具有反饋方式的神經(jīng)網(wǎng)絡(luò)，如果需要表示BP網(wǎng)絡(luò)，還需要對上式加入反饋部分，如下式所示：當訓(xùn)練結(jié)束之后，此神經(jīng)網(wǎng)絡(luò)即是BP網(wǎng)絡(luò)，它就可用于對非線性系統(tǒng)的控制。它將輸出反饋到輸入，作為輸入的一部分，以達到對系統(tǒng)權(quán)值的持續(xù)調(diào)整，消除非線性影響的作用。
1.3競爭網(wǎng)絡(luò)
競爭網(wǎng)絡(luò)一般用于對大量具有典型特征的數(shù)據(jù)進行分類，它是一種單層網(wǎng)絡(luò)，包括輸入層和競爭層，輸入層和競爭層共用一個權(quán)值函數(shù)。競爭網(wǎng)絡(luò)的訓(xùn)練和工作并未像其它神經(jīng)網(wǎng)絡(luò)那樣明確分開，而是在工作的.過程中實現(xiàn)對網(wǎng)絡(luò)的訓(xùn)練。它的訓(xùn)練方式是無監(jiān)督式的，訓(xùn)練過程是通過競爭，將獲勝節(jié)點的權(quán)值進行調(diào)整，從而使網(wǎng)絡(luò)的輸出于輸入間的誤差逐漸減小，在這個競爭過程中，就可以通過輸出的不同，而將輸入分成不同的類型，以實現(xiàn)自動分類的功能。
1.4柯荷倫網(wǎng)絡(luò)
為了實現(xiàn)對具有概率分布模式的數(shù)據(jù)進行分類，可以利用柯荷倫網(wǎng)絡(luò)模型�？潞蓚惥W(wǎng)絡(luò)網(wǎng)絡(luò)模型與普通的網(wǎng)絡(luò)模型很相似，它的不同之處在與它在訓(xùn)練過程中對節(jié)點的調(diào)整方法的區(qū)別�？潞蓚惥W(wǎng)絡(luò)模型對節(jié)點的調(diào)節(jié)方式與競爭網(wǎng)絡(luò)的比較相似，都是通過競爭來確定需要調(diào)整的網(wǎng)絡(luò)節(jié)點，競爭網(wǎng)絡(luò)只需要調(diào)整競爭獲勝的節(jié)點，而柯荷倫網(wǎng)絡(luò)除了需要調(diào)整競爭獲勝的網(wǎng)絡(luò)節(jié)點，還需要調(diào)整獲勝節(jié)點的臨近節(jié)點。
2BP網(wǎng)絡(luò)在智能系統(tǒng)中的應(yīng)用
2.1聯(lián)想記憶
在信號處理、語音和圖像識別等領(lǐng)域，當輸入數(shù)據(jù)具有干擾或需要網(wǎng)絡(luò)具有糾錯能力時，就需要網(wǎng)絡(luò)能夠識別出這種錯誤，并將其糾正過來。為了能得到具有這種功能的神經(jīng)網(wǎng)絡(luò)，可以先將識別對象轉(zhuǎn)換成網(wǎng)絡(luò)的平衡節(jié)點，通過調(diào)整節(jié)點的權(quán)值，使其記住這些目標。然后再通過不斷對網(wǎng)絡(luò)輸入學(xué)習數(shù)據(jù)，使其不斷進行聯(lián)想，最終使目標模型的特征收斂到網(wǎng)絡(luò)的平衡節(jié)點上。例如在進行文字處理時，為了能是神經(jīng)網(wǎng)絡(luò)具有識別出錯誤文字的功能，可先將特定模型的文字轉(zhuǎn)化成網(wǎng)絡(luò)平衡節(jié)點，然后在對網(wǎng)絡(luò)輸入正確的文字，在不斷的訓(xùn)練過程中，網(wǎng)絡(luò)就能實現(xiàn)對錯誤輸入的識別作用。
2.2優(yōu)化計算
霍普菲爾德的網(wǎng)絡(luò)穩(wěn)定性判別函數(shù)以能量為基礎(chǔ)。當系統(tǒng)不穩(wěn)定時，能量會逐漸減小，并最終趨于穩(wěn)定。在大規(guī)模電力線路的設(shè)計過程中，為了使設(shè)計的電子線路系統(tǒng)最優(yōu)，就需要對設(shè)計不斷進行優(yōu)化。通過對系統(tǒng)網(wǎng)絡(luò)進行分析，求解出網(wǎng)絡(luò)的最優(yōu)參數(shù)之后，將這些參數(shù)轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)中的平衡節(jié)點。在對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之后，網(wǎng)絡(luò)就可以通過不斷循環(huán)優(yōu)化，最終設(shè)計出一個最優(yōu)電子線路系統(tǒng)。
2.3影像處理
在人造成像系統(tǒng)中，無論是光學(xué)成像，還是聲波成像，以及電磁波成像，由于在對影像進行采集和處理的系統(tǒng)一般是數(shù)字系統(tǒng)，并且數(shù)字信號本身比模擬信號具有更強的抗噪能力，在采集和處理過程中，必須先對影像資料進行數(shù)字化處理，將模擬信號轉(zhuǎn)換成數(shù)字信號。因此，最終采集到的影像資料都是不連續(xù)的。
當前對影像數(shù)據(jù)的處理主要包括：處理因焦距問題而產(chǎn)生的影像模糊;影像噪聲含量較多時將噪聲處理掉;使用邊緣檢測的方法，得到圖像的特殊屬性。影像處理所涉及的領(lǐng)域也非常寬廣，如對影像進行分類、在醫(yī)學(xué)中對藥物反應(yīng)的影像進行分析等。
神經(jīng)網(wǎng)絡(luò)的特點分析論文 篇5
摘要：文章通過對國內(nèi)外醫(yī)院預(yù)算管理的對比分析，引出醫(yī)院對全面預(yù)算精細化管理的要求;結(jié)合傳統(tǒng)預(yù)算管理方法不準確的弊端，對比智能化的神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理方式，提出了基于神經(jīng)網(wǎng)絡(luò)的醫(yī)院全面預(yù)算管理方法。通過分析神經(jīng)網(wǎng)絡(luò)對醫(yī)院全面預(yù)算管理處理的理論基礎(chǔ)，構(gòu)建了醫(yī)院全預(yù)算管理與神經(jīng)網(wǎng)絡(luò)對應(yīng)關(guān)系的模型。詳細闡明了神經(jīng)網(wǎng)絡(luò)學(xué)習過程，仿真結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，能夠?qū)︻A(yù)算全程進行精確預(yù)測和控制，較好地完成醫(yī)院全面精細化預(yù)算管理
關(guān)鍵詞：管理學(xué)論文
全面預(yù)算管理主要是指全員參與、財務(wù)及經(jīng)營收支全額納入預(yù)算、預(yù)算全過程的管理。它最早產(chǎn)生于企業(yè)，先后在美國通用電器、通用汽車公司提出并應(yīng)用，并隨著企業(yè)的發(fā)展而日益完善。近幾年在國內(nèi)醫(yī)院也得到了應(yīng)用，全面預(yù)算管理的實施，促進了醫(yī)院內(nèi)部人與人、部門與部門間的了解與合作，使醫(yī)院戰(zhàn)略目標與預(yù)算得到落實。
一、國內(nèi)外醫(yī)院預(yù)算管理的對比
醫(yī)院的預(yù)算管理，國內(nèi)外差別較為明顯。以澳大利亞為例，該國每年對公立醫(yī)院實行全額預(yù)算補貼，支付形式是按病種結(jié)算。醫(yī)院必須按照就診人次和診斷的疾病種類來計算收費金額，而后同政府部門或保險公司結(jié)算，這一方式與醫(yī)院為患者提供的實際服務(wù)項目及成本無關(guān)。因此，醫(yī)院對醫(yī)療成本的控制十分重視，在保證醫(yī)療質(zhì)量的前提下，想方設(shè)法減少藥品、檢查、檢驗及材料的成本，嚴格禁止患者進行重復(fù)檢查。項目的預(yù)算要求非常具體，數(shù)據(jù)精確度也非常高。而國內(nèi)，醫(yī)院的收費是按服務(wù)項目收取，每項醫(yī)療服務(wù)由物價部門統(tǒng)一確定收費標準，這種收費模式，導(dǎo)致醫(yī)院把主要精力集中在“創(chuàng)收”上。但隨著我國醫(yī)療體制改革的推進，特別是目前已經(jīng)試點的單病種、臨床路徑管理，很多項目也逐步向國外先進管理模式靠攏。從新《醫(yī)院財務(wù)制度》中可以看出，醫(yī)院獨立性越來越強，對預(yù)算管理要求也會越來越高，醫(yī)院內(nèi)部預(yù)算管理將更加全面，這就需要醫(yī)院預(yù)算管理要在精、細、準上下功夫。
二、對現(xiàn)有醫(yī)院預(yù)算管理方法的分析
現(xiàn)行醫(yī)院預(yù)算管理方法不夠科學(xué)，很難達到精、準要求。為了求得預(yù)算值，實際工作中一般采用平均值法，表示公式為：項目預(yù)算=其中，i為拆分的某個子項目;x為上期預(yù)算;y為上期決算;n為項目拆分后的子項目總數(shù);k為調(diào)整系數(shù)。該方法是以上期預(yù)決算作為基礎(chǔ)參照，求得一個參考值。值得注意的是，上期預(yù)算和上期決算的合理性并不能得到保證，因此這個參考值是不準確量。為使參考值趨于合理，并符合一般項目預(yù)算變化率，通常需要經(jīng)專家組綜合評價后，進行部分校正，確定相對合理的調(diào)整系數(shù)，最終將預(yù)算參考值與調(diào)整系數(shù)的乘積作為本期預(yù)算。而確定的系數(shù)合理到什么程度，很難判斷，只能靠經(jīng)驗，很容易出現(xiàn)預(yù)算偏差。傳統(tǒng)預(yù)算編制方法主要有固定預(yù)算、增量預(yù)算、零基預(yù)算、確定性預(yù)算和概率預(yù)算。所有這些預(yù)算方法都是按照線性思維考慮，各有利弊，在醫(yī)院部分預(yù)算項目管理中，也可能綜合運用，但很難考慮到醫(yī)院整體的綜合性、復(fù)雜性，以及項目之間的相互影響力。因此，單靠人為估算不是科學(xué)的.辦法，在實際執(zhí)行中存在許多不確定性，不能保證預(yù)算目標得以實現(xiàn)，無法滿足醫(yī)院精細化和全面管理的需要。而新型的神經(jīng)網(wǎng)絡(luò)預(yù)算方法基于非線性，有較高的復(fù)雜度，而且考慮了誤差反饋校驗。該方法應(yīng)用到醫(yī)院全面預(yù)算管理全過程，可以滿足醫(yī)院全面預(yù)算的精細化需求。
三、神經(jīng)網(wǎng)絡(luò)的特點
神經(jīng)網(wǎng)絡(luò)(NeuralNetworks)是20世紀80年代興起的一種實用的多學(xué)科交叉處理技術(shù)，是模仿人腦行為特征、進行分布式并行信息處理的數(shù)學(xué)算法模型。它具有非線性和自適應(yīng)的動態(tài)系統(tǒng)特征，這一處理方法依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的權(quán)重，從而達到處理信息的目的。神經(jīng)網(wǎng)絡(luò)有兩大智能特性，即具有自學(xué)習和自適應(yīng)調(diào)控的能力，可以通過預(yù)先提供的一組相互對應(yīng)的輸入——輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出目標結(jié)果，這種學(xué)習分析的過程通常被稱為“訓(xùn)練”，就像人類一樣，通過學(xué)習和訓(xùn)練，學(xué)習新技術(shù)、新方法，用于解決實際工作中的新問題。神經(jīng)網(wǎng)絡(luò)已經(jīng)成為一種智能控制方法，廣泛應(yīng)用于生產(chǎn)、企業(yè)管理等多種社會實踐中，進行預(yù)測、控制。
四、神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)院預(yù)算管理的可行性
醫(yī)院信息化建設(shè)的普及，給精細化管理提供了基礎(chǔ)數(shù)據(jù)元，為全面預(yù)算的精準控制打下了基礎(chǔ)。特別是部分醫(yī)院建立了大數(shù)據(jù)中心、信息系統(tǒng)平臺，可以直接通過接口采集各類原始數(shù)據(jù)。將相關(guān)數(shù)據(jù)進行模型化處理，采用神經(jīng)網(wǎng)絡(luò)算法，即可應(yīng)用于預(yù)算管理的全過程。使用神經(jīng)網(wǎng)絡(luò)算法，仿人腦思考，使得預(yù)算計算方法更加科學(xué)，由過去的一般線性計算發(fā)展到非線性，增加了復(fù)雜度，與實際更趨一致。以人員工資支出為例，過去只作正常增資額，作線性處理，而現(xiàn)在可以把員工工資分成三部分，一是人員變動情況;二是基本工資正常增資，可使用人事信息，采用分段函數(shù)準確計算出下一預(yù)算周期的基礎(chǔ)工資額;三是績效工資，它處于比較復(fù)雜的非線性變化，因為要參考每月的實際工作量及醫(yī)院收支變化，還要引入各種醫(yī)療因素的反饋信息，再加上醫(yī)院上期數(shù)據(jù)對下期發(fā)展的影響因素等等。面對這種諸多因素的復(fù)雜影響時，一般算法很難進行合理處理，而采用神經(jīng)網(wǎng)絡(luò)算法，卻可以解決。這只是列舉了一個較為簡單的例子，相對于人員工資支出，醫(yī)院新建項目、新技術(shù)應(yīng)用等的預(yù)算精確管理則更為復(fù)雜，需要考慮的因素也更多。針對醫(yī)院全面預(yù)算中出現(xiàn)的一些不確定性和高度非線性因素的影響，神經(jīng)網(wǎng)絡(luò)的獨特優(yōu)點有了用武之地，它能夠充分接近復(fù)雜的非線性映射關(guān)系，可以學(xué)習和適應(yīng)不確定因素的動態(tài)特質(zhì)，具有較強的容錯性，此外，由于神經(jīng)網(wǎng)絡(luò)采用矩陣算法，可以進行快速的海量數(shù)據(jù)運算。
五、神經(jīng)網(wǎng)絡(luò)在醫(yī)院全面預(yù)算管理中的應(yīng)用
(一)神經(jīng)網(wǎng)絡(luò)的構(gòu)成
神經(jīng)網(wǎng)絡(luò)一般包括三層：輸入層、隱含層和輸出層。針對醫(yī)院全面預(yù)算，輸入層可以是各種醫(yī)院基本元數(shù)據(jù)以及醫(yī)院綜合運行指標，越細化越好。隱含層是神經(jīng)網(wǎng)絡(luò)的算法核心，是復(fù)雜的智能化處理的中間態(tài)，這對神經(jīng)網(wǎng)絡(luò)使用者來說是不可見的。輸入層參數(shù)主要包括：科室基本情況，包括床位、科室人員、影響力等;患者基本情況，指本科室患者信息，如年齡、性別、職業(yè)等;疾病情況，包括ICD10疾病診斷、病程及入出院情況等;患者醫(yī)保類型;檢查、檢驗、治療、手術(shù)等情況;科室請領(lǐng)的相關(guān)物耗等信息;科室設(shè)備使用情況;科室消耗的水、電、氧氣等;門診診療情況;輸液用藥情況;醫(yī)院運行指標，如門診人次、住院床日等;按賬單類別分類的門診、住院費用;人員工資成本;患者滿意情況;其它各類指標(整個醫(yī)院相關(guān)運行指標近百種)。輸出層：包含單項目預(yù)算、患者醫(yī)保預(yù)算、科室預(yù)算等各種收入預(yù)算、支出預(yù)算，涵蓋醫(yī)院全面預(yù)算涉及的各方面內(nèi)容。
(二)神經(jīng)網(wǎng)絡(luò)的建設(shè)
決定神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的是隱含層(隱含層可能是多層)及其所含節(jié)點數(shù)，以及節(jié)點與節(jié)點之間的連接方式。要從零開始建設(shè)一個神經(jīng)網(wǎng)絡(luò)，首先要做的是確定隱含層和節(jié)點數(shù)，對應(yīng)的活動函數(shù)的形式以及權(quán)重限制等。如果采用成熟的工具軟件箱，將會大大節(jié)約調(diào)整時間，減少建設(shè)適應(yīng)周期。數(shù)據(jù)從輸入層到輸出層的過程是一個從前向后的傳播過程，后面節(jié)點的數(shù)值通過它前面相連的節(jié)點傳遞過來，然后把這個值按照各個連接權(quán)重的大小加權(quán)，輸入活動函數(shù)再得到新的數(shù)值，繼續(xù)傳播到下面的節(jié)點。當節(jié)點的輸出值與我們預(yù)期的值不同，也就是發(fā)生誤差時，神經(jīng)網(wǎng)絡(luò)就要“學(xué)習”。學(xué)習過程如下：如果一個節(jié)點輸出發(fā)生較大誤差，那么就需要看這一誤差是受哪些輸入節(jié)點的影響而造成的，是不是受到了權(quán)重最高的節(jié)點的影響，如果是，則要降低這一節(jié)點的權(quán)重，同時升高其它節(jié)點的權(quán)重值。對那些降低權(quán)重的節(jié)點來說，也需要用同樣的方法來進一步降低它前面的節(jié)點的權(quán)重。按照這樣的做法把權(quán)重值進行調(diào)整，一步步向前傳播，直到權(quán)重調(diào)整到輸入節(jié)點為止。對訓(xùn)練的每一條記錄都要重復(fù)這個步驟，用向前傳播得到輸出值，如果發(fā)生較大誤差，則用此方法進行學(xué)習。當把訓(xùn)練的每一條記錄都運行過一遍之后，便完成了一個訓(xùn)練周期。結(jié)合醫(yī)院實際運作方式，一般一個訓(xùn)練周期定為一個月，要完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可能需要很多個訓(xùn)練周期，至少要幾十次，經(jīng)常要經(jīng)過上百次學(xué)習。神經(jīng)網(wǎng)絡(luò)學(xué)習次數(shù)越多，誤差越小，未來的醫(yī)院預(yù)算執(zhí)行越準確。訓(xùn)練學(xué)習完成之后得到的神經(jīng)網(wǎng)絡(luò)就是相對完善的模型，描述了全面預(yù)算受醫(yī)院基礎(chǔ)變量影響的變化規(guī)律。
(三)誤差校正
對于單輸入、單輸出神經(jīng)網(wǎng)絡(luò)模型，非線性系統(tǒng)可用如下差分方程表示：y(t+1)=f[y(t),y(t-1),…,y(t-k+1);x(t),x(t-1),…,x(t-k+1)]其中，y(t)、x(t)分別表示在t時刻的輸出、輸入變量，f()為未知的非線性映射，k為輸入輸出的系統(tǒng)階次。針對醫(yī)院預(yù)算實際情況，我們按上圖中所示的神經(jīng)網(wǎng)絡(luò)模型，有n個醫(yī)院基礎(chǔ)信息和運行指標輸入變量，m個預(yù)算種類輸出變量，此非線性系統(tǒng)可用差分方程表示為：通常有兩種方法，可以預(yù)測神經(jīng)網(wǎng)絡(luò)未來的輸出，一是遞推法，二是非遞推法。由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相當復(fù)雜，建模難度極大，一般不采用非遞推法。在此我們利用遞推法，來預(yù)測神經(jīng)網(wǎng)絡(luò)未來d步的預(yù)算輸出。
六、結(jié)束語
神經(jīng)網(wǎng)絡(luò)和一般統(tǒng)計方法在本質(zhì)上有很大差別。一般統(tǒng)計方法的參數(shù)有幾種或十幾種，但神經(jīng)網(wǎng)絡(luò)的參數(shù)可以達幾十種甚至上百種。由于參數(shù)眾多，基本涵蓋了醫(yī)院所有指標，參數(shù)又可以重新組合，以新的形式來影響輸出的預(yù)算結(jié)果，以至于很難對一個神經(jīng)網(wǎng)絡(luò)模型做出直接的解釋。實際上神經(jīng)網(wǎng)絡(luò)的隱含層盡管復(fù)雜但對用戶來說是看不到的，也就是當作“黑匣子”來使用，不用去管“黑匣子”的具體存儲內(nèi)容以及“黑匣子”的詳細運算步驟，只管使用即可，所以神經(jīng)網(wǎng)絡(luò)系統(tǒng)盡管復(fù)雜深奧，但對操作者來說是簡單的。事實上，神經(jīng)網(wǎng)絡(luò)初次上線，前期準備是相當復(fù)雜的，即使隱含層只有一層的神經(jīng)網(wǎng)絡(luò)，輸入層、隱含層到輸出層的映射關(guān)系函數(shù)也可達幾百種，還需要通過數(shù)據(jù)圖表找出映射關(guān)系模型，只有全面明確了相關(guān)映射，才能真正構(gòu)建起神經(jīng)網(wǎng)絡(luò)，完成“黑盒”的封裝，為以后的醫(yī)院預(yù)算服務(wù)。
神經(jīng)網(wǎng)絡(luò)的特點分析論文 篇6
神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的網(wǎng)絡(luò)模型之一，結(jié)合神經(jīng)網(wǎng)絡(luò)構(gòu)建一套安全、可靠的計算機安全評價體系，對網(wǎng)絡(luò)安全有一定的保障作用。將神經(jīng)網(wǎng)絡(luò)有效地應(yīng)用于計算機網(wǎng)絡(luò)，有利于降低網(wǎng)絡(luò)安全風險。文章對神經(jīng)網(wǎng)絡(luò)和計算機網(wǎng)絡(luò)安全進行了概述，通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建可靠的計算機網(wǎng)絡(luò)安全評價體系，闡述了基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價系統(tǒng)應(yīng)用意義，彌補傳統(tǒng)計算機網(wǎng)絡(luò)安全中存在的諸多問題及不足。
計算機網(wǎng)絡(luò)的快速發(fā)展和技術(shù)的廣泛應(yīng)用給人們的生產(chǎn)生活提供了便利，但同時，也帶來了一些不容忽視的安全隱患。近年來，影響計算機安全的因素很多，例如犯罪團伙利用網(wǎng)絡(luò)等高科技進行犯罪的案例屢見不鮮。對此進行嚴格防范，更好地促進計算機和互聯(lián)網(wǎng)的發(fā)展，需要對計算機網(wǎng)絡(luò)安全進行評價，建立安全、有效的計算機網(wǎng)絡(luò)評價系統(tǒng)，網(wǎng)絡(luò)安全評價體系可以對整個計算機網(wǎng)絡(luò)進行評估和分析，完善評價體系，使系統(tǒng)更準確、可靠，其中使用率最高的則是神經(jīng)網(wǎng)絡(luò)。
1神經(jīng)網(wǎng)絡(luò)的概述
1.1神經(jīng)網(wǎng)絡(luò)的簡介
神經(jīng)網(wǎng)絡(luò)又被稱為鏈接模型，它效仿了生物神經(jīng)網(wǎng)絡(luò)而建立，它以人腦的信息處理方式為基礎(chǔ)，采用建立數(shù)學(xué)模型的方式研究大腦行為結(jié)構(gòu)和生物神經(jīng)元基本特征，世界上第一個神經(jīng)網(wǎng)絡(luò)模型是由數(shù)學(xué)家和生物學(xué)家共同提出。神經(jīng)網(wǎng)絡(luò)復(fù)雜多變，它是由神經(jīng)元內(nèi)部通過大量節(jié)點進行相互連接形成的一種網(wǎng)絡(luò)結(jié)構(gòu)，其中每個神經(jīng)元都可處理信息，從而達到處理海量信息的規(guī)模。隨后，計算機學(xué)家在原有的神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上增加了學(xué)習機制，將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在工程中，設(shè)計出了感知器神經(jīng)網(wǎng)絡(luò)模型，我國的計算機學(xué)家和數(shù)學(xué)家通過對神經(jīng)網(wǎng)絡(luò)的分析，展開長期的研究工作，掌握了模型的實質(zhì)，研究表明，神經(jīng)網(wǎng)絡(luò)模型適合應(yīng)用在不同的研究領(lǐng)域。
1.2神經(jīng)網(wǎng)絡(luò)的功能
神經(jīng)網(wǎng)絡(luò)是一項人工智能系統(tǒng)，是通過生物神經(jīng)網(wǎng)絡(luò)的工作原理建立而來，它的應(yīng)用具有全方位的優(yōu)越性能。計算機神經(jīng)網(wǎng)絡(luò)系統(tǒng)還可實現(xiàn)預(yù)測功能，此功能為聯(lián)想模式的升級版，主要運用于市場和企業(yè)中，例如股票等證券市場，預(yù)測功能可對股市證券和企業(yè)的未來效益進行預(yù)測分析，基于計算機的神經(jīng)網(wǎng)絡(luò)為市場和企業(yè)的發(fā)展提供了強有力的支持。正是有這些優(yōu)越性能，神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計算機網(wǎng)絡(luò)安全評價過程中，才能發(fā)揮出最大的價值。
2計算機網(wǎng)絡(luò)安全概述
2.1計算機網(wǎng)絡(luò)安全的簡介
計算機網(wǎng)絡(luò)安全是指在網(wǎng)絡(luò)環(huán)境中，采用先進的科學(xué)技術(shù)和網(wǎng)絡(luò)管理控制措施來保證計算機資料能得以安全及完整的保護。計算機網(wǎng)絡(luò)安全由邏輯安全和物理安全兩大重要部分組成：第一，計算機的邏輯安全是指其中信息數(shù)據(jù)的保密性、完整性及可用性方面的內(nèi)容;第二，物理安全包括了系統(tǒng)中的組網(wǎng)硬件和相關(guān)軟件等方面內(nèi)容，其具有可控性及可審查性等特點。在當今的計算機網(wǎng)絡(luò)環(huán)境中，安全問題是關(guān)鍵，由于網(wǎng)絡(luò)的開放自由性導(dǎo)致信息在傳播過程中會受到硬件漏洞或者通訊協(xié)議方面的攻擊，這不僅給本地用戶帶來威脅，對國際網(wǎng)絡(luò)市場也是一種挑戰(zhàn)。
2.2計算機網(wǎng)絡(luò)安全評價體系的建立
計算機網(wǎng)絡(luò)安全評價體系的建立是對網(wǎng)絡(luò)安全評價的一個強有力保障，該體系能全面、科學(xué)、客觀的體現(xiàn)計算機網(wǎng)絡(luò)中存在的不安全因素并且給出相對應(yīng)的解決措施，所以應(yīng)該根據(jù)多種綜合因素設(shè)立評價體系中的評價指標，從而準確地反映評價信息，計算機網(wǎng)絡(luò)安全評價系統(tǒng)的構(gòu)建原則是：第一，可行性。在計算機網(wǎng)絡(luò)安全評價體系構(gòu)建過程中，結(jié)合實際的測評條件，因地制宜，才能有效的進行測評和操作。第二，準確性。在計算機網(wǎng)絡(luò)安全評價體系的構(gòu)建過程中，應(yīng)當對網(wǎng)絡(luò)安全的技術(shù)水平進行真實的體現(xiàn)，及時且準確的對安全信息進行監(jiān)測分析再反饋到計算機網(wǎng)絡(luò)中，使技術(shù)人員及時有效的解決產(chǎn)生的問題。第三，完備性。建立的安全評價體系，需確保所選指標對網(wǎng)絡(luò)安全基本特征有全面的反映，進而提高評價結(jié)果的真實可靠性。第四，簡要性。在選取評價指標的過程中，要選取具有代表性的，保證結(jié)果準確可靠從而降低工作量。第五，獨立性。計算機網(wǎng)絡(luò)是一個復(fù)雜多變的系統(tǒng)，在選取各項評價指標時，要避免出現(xiàn)重復(fù)選擇的情況，減少指標間的關(guān)聯(lián)度，從而客觀準確的將計算機網(wǎng)絡(luò)安全運行狀態(tài)展現(xiàn)出來。計算機安全網(wǎng)絡(luò)存在一定風險性，在安全保護上也存在難度，遵守以上原則，在實際工作應(yīng)用中，提高計算機網(wǎng)絡(luò)的工作質(zhì)量和效率。
3基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價系統(tǒng)
在神經(jīng)網(wǎng)絡(luò)模型中，使用最為廣泛的是BP神經(jīng)網(wǎng)絡(luò)模型，它采用最速下降法進行反向傳播，調(diào)整相關(guān)數(shù)值，將誤差降至最低。BP神經(jīng)網(wǎng)絡(luò)模型還通過誤差逆?zhèn)鞑ニ惴�，�?xùn)練前饋多層網(wǎng)絡(luò)。其算法簡單，容易實現(xiàn)，具有非線性逼近能力。本文以BP神經(jīng)網(wǎng)絡(luò)為研究對象，對計算機網(wǎng)絡(luò)安全評價進行分析。
3.1神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型設(shè)計
基于神經(jīng)網(wǎng)絡(luò)設(shè)計的計算機網(wǎng)絡(luò)安全評價模型，由3個部分組成，分別是輸入層、隱含層和輸出層：(1)輸入層。BP神經(jīng)網(wǎng)絡(luò)在設(shè)計的過程中規(guī)定輸入層神經(jīng)元節(jié)點的數(shù)量，與計算機網(wǎng)絡(luò)安全評價指標數(shù)量必須一致，所以對模型輸入層中神經(jīng)元節(jié)點的數(shù)量確定需由二級指標的數(shù)量完成。例如，在安全評價體系中設(shè)計了10個二級指標，在計算機網(wǎng)絡(luò)安全評價模型中輸入層神經(jīng)元節(jié)點數(shù)量也必須是10個。(2)BP神經(jīng)網(wǎng)絡(luò)模型在設(shè)計的過程中，采用單向隱含層，如果隱含層中的節(jié)點數(shù)過多會延長神經(jīng)網(wǎng)絡(luò)學(xué)習時間，如果隱含層節(jié)點數(shù)的數(shù)量過少則會降低神經(jīng)網(wǎng)絡(luò)的容錯能力。所以隱含層中的節(jié)點數(shù)量對網(wǎng)絡(luò)性能有較大的影響。(3)輸出層。BP神經(jīng)網(wǎng)絡(luò)在輸出層的設(shè)計工作即反映網(wǎng)絡(luò)安全評價結(jié)果，依據(jù)輸入層的評價設(shè)計，將輸出層的節(jié)點數(shù)設(shè)為2個，則(1，1)的輸出結(jié)果表示非常安全，(1，0)的輸出結(jié)果基本安全，(0，1)的輸出結(jié)果表示不安全，(0，0)的輸出結(jié)果表示非常不安全。
3.2神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型學(xué)習
BP神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價模型中需完成神經(jīng)網(wǎng)絡(luò)的學(xué)習，也就表示其在模型構(gòu)建前需進行神經(jīng)網(wǎng)絡(luò)的`訓(xùn)練工作，這使BP神經(jīng)網(wǎng)絡(luò)具有初始連接權(quán)，在完成神經(jīng)網(wǎng)絡(luò)的學(xué)習后，減少誤差值，保證安全評價結(jié)果和使用者期望值達成一致。
3.3神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型驗證
為確保計算機網(wǎng)絡(luò)安全模型的應(yīng)用效能，在完成設(shè)計與學(xué)習工作后，對其進行驗證，首先選取樣本數(shù)據(jù)，再將樣本數(shù)據(jù)輸入到模型中，通過模型內(nèi)部檢驗分析，完成評價功能的應(yīng)用，如果輸出的安全評價結(jié)果與期望值達成一致，則說明基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型具有準確性，可以使用。
4結(jié)語
隨著社會的發(fā)展，科學(xué)的進步，越來越多的先進信息技術(shù)和網(wǎng)絡(luò)技術(shù)得以應(yīng)用，計算機網(wǎng)絡(luò)是一個復(fù)雜的系統(tǒng)，其中存在一定的風險性，計算機網(wǎng)絡(luò)的安全問題是目前亟待解決的關(guān)鍵問題。在當前社會，神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應(yīng)用于各大領(lǐng)域，將神經(jīng)網(wǎng)絡(luò)模型與計算機網(wǎng)絡(luò)安全相結(jié)合，遵守可行性、準確性、完備性、簡要性、獨立性原則，構(gòu)建一個網(wǎng)絡(luò)安全評價體系。有利于對計算機安全管理奠定基礎(chǔ)，基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價體系能使評價結(jié)果更具真實性和可靠性，但目前的神經(jīng)網(wǎng)絡(luò)技術(shù)并不十分成熟，根據(jù)其應(yīng)用特點，將神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)相融合的發(fā)展問題，仍值得廣大學(xué)者深入研究。通過本文的分析與研究，認識到神經(jīng)網(wǎng)絡(luò)的發(fā)展及特點，針對其功能的優(yōu)越性，加大對神經(jīng)網(wǎng)絡(luò)的重視，提高安全評價體系對環(huán)境的適應(yīng)力，提升體系的容錯性，實現(xiàn)在線應(yīng)用模式，促進其在計算機網(wǎng)絡(luò)安全中的進一步完善和發(fā)展，為計算機網(wǎng)絡(luò)安全評價提供保障，使神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價中發(fā)揮更大的作用。
【神經(jīng)網(wǎng)絡(luò)的特點分析論文】相關(guān)文章：
徐志摩詩歌的特點分析論文03-18
論文：我國度假旅游環(huán)境的特點分析與營造05-29
傳統(tǒng)民居建筑美學(xué)特點分析論文（通用5篇）06-17
市政路橋工程施工管理特點分析的論文12-02
人工神經(jīng)網(wǎng)絡(luò)與車輛的結(jié)合論文11-26
環(huán)境科學(xué)人工神經(jīng)網(wǎng)絡(luò)運用論文11-25
基于神經(jīng)網(wǎng)絡(luò)的車輛動力學(xué)分析11-22
論文寫作及其研究的特點06-19
淺談科技論文寫作的特點03-21
中國哲學(xué)的特點小論文11-24