物理神经网络毕业论文

计算智能原理对创新模式的探索摘要：科技创新能力培养是本科生培养的一个重要方面，在国家大力提倡科技创新的背景下，加强大学生科技创新具有重要的意义。培养有创新能力的人才是高等学校建设的中心。本文基于计算智能原理与方法，结合指导的国家大学生创新项目的实践，就建设高效的创新团队的方法进行了初探。关键词：计算智能；科研训练；创新团队0引言目前，我们要提高自主创新能力，建设创新型国家。高等教育担负着培养创新型人才的重要责任。学生科技活动对于提高学生科技创新能力，培养拔尖创新型人才具有重要意义。而构建了一批锐意进取、大胆创新的大学生创新团队，对提高学生的创新能力和团队协作能力就显得特别的重要。目前就团队理论的研究还有待与深入，用计算智能的基本理论原理与方法来指导建设大学生创新项目团队，是一种跨学科研究的新尝试。1计算智能的基本理论与方法简介计算智能由美国学者James 年首次给出其定义，广义的讲就是借鉴仿生学思想，基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制，用数学语言抽象描述的计算方法。是基于数值计算和结构演化的智能，是智能理论发展的高级阶段。计算智能的主要方法有：人工神经网络、模糊系统、进化计算等。模糊计算模糊系统以模糊集合理论、模糊逻辑推理为基础，它试图从一个较高的层次模拟人脑表示和求解不精确知识的能力。在模糊系统中，知识是以规则的形式存储的，它采用一组模糊IF—THEN规则来描述对象的特性，并通过模糊逻辑推理来完成对不确定性问题的求解。模糊系统善于描述利用学科领域的知识，具有较强的推理能力。人工神经网络人工神经网络系统是由大量简单的处理单元，即神经元广泛地连接而形成的复杂网络系统。在人工神经网络中，计算是通过数据在网络中的流动来完成的。在数据的流动过程中，每个神经元从与其连接的神经元处接收输入数据流，对其进行处理以后，再将结果以输出数据流的形式传送到与其连接的其它神经元中去。网络的拓扑结构和各神经元之间的连接权值(Wi)是由相应的学习算法来确定的。算法不断地调整网络的结构和神经元之间的连接权值，一直到神经网络产生所需要的输出为止。通过这个学习过程，人工神经网络可以不断地从环境中自动地获取知识，并将这些知识以网络结构和连接权值的形式存储于网络之中。人工神经网络具有良好的自学习、自适应和自组织能力，以及人规模并行、分布式信息存储和处理等特点，这使得它非常适合于处理那些需要同时考虑多个因素的、不完整的、不准确的信息处理问题。进化计算自然界在几十亿年的进化过程中,生物体己经形成了一种优化自身结构的内在机制，它们能够不断地从环境中学习，以适应不断变化的环境。对于大多数生物体，这个过程是通过自然选择和有性生殖来完成的。自然选择决定了群体中哪些个体能够存活并繁殖：有性生殖保证了后代基因的混合与重组。进化计算受这种自然界进化过程的启发，它从模拟自然界的生物进化过程入手，从基因的层次探寻人类某些智能行为发展和进化的规律，以解决智能系统如何从环境中进行学习的问题。2计算智能原理在创新团队实践中的启发从系统论的视角看，创新团队的建设问题是一个复杂系统的优化和控制问题。复杂系统具有：1）自适应性/自组织性(self-adaptive/self-organization)。2）不确定性（uncertainty）。3）涌现性（emergence）。4）预决性（Finality）。5）演化（Evolution）。6）开放性（opening）。而计算智能的这些方法具有自学习、自组织、自适应的特征,创新团队的建设是具有一定的研究价值的。在专家指导下的自学习、自组织、自适应计算智能特点提到，模糊系统善于描述和利用经验知识;神经网络善于直接从数据中进行学习，把人工神经网络与专家系统结合起来,建立一个混合的系统,要比各自单一地工作更为有利。创新团队在相关专家的指导下，突出学生自由组建、自主管理、自我服务的特色。在明确团队任务的前提下对团队人数、组成人员条件及内部控制制度做些原则性的规定，赋予团队负责人充分的权力如决定团队成员构成、支配内部经费、对团队成员进行分工和考核等，保证其对团队工作直接有效的管理。合作与竞争意识计算智能特点提到，进化计算善于求解复杂的全局最优问题，具有极强的稳健性和整体优化性。种群的进化过程就是优胜劣汰的自然选择过程。团队建设的基石是合作与竞争理论。Deutsch早就指出，如果人们处于散乱的、互不相干的独立竞争关系，认为双方目标之间没有关系，那么，在资源有限的情况下，人们会表现得更为自私，彼此之间的利益存在冲突，这种关系会引起组织内耗和人际关系紧张，最终导致低生产率和低创造率。Dcutsch认为，应该使人们在组织中具有共同目标，在共同目标下合作共事。具有合作关系的人们会相互尊重、共享信息和资源，他们会将他人的进步看成对自己的促进，并交流意见和取长补短，现代科学的进步表明，今天每一项科技成果的取得，差不多都是多学科协同作战的结果。大学科研团队的建设就是要很好地贯彻这种理念，在适度的竞争与合作之间构建这种理念。融入计算智能思想的协同学习团队人们在研究人类智能行为中发现，大部分人类活动都涉及多个人构成的社会团体，大型复杂问题的求解需要多人或组织协作完成，师生之间的关系也更强调合作和共同发展。随着计算机网络、计算机通信和并发程序设计的发展,分布式人工智能逐渐成为人工智能领域的一个新的研究热点，它是以智能Agent概念为研究核心。虽然每个智能Agent都是主动地、自治地工作,多个智能Agent在同一环境中协同工作,协同的手段是相互通信。计算智能与分布式人工智能结合则是研究在逻辑上或物理上分散的智能动作如何协调它们的知识、技能和规划，求解单目标或多目标问题，因此这也为设计和建立大型复杂的智能系统或计算机支持的协同学习工作提供了有效途径。选好综合能力强的团队带头人计算智能特点提到，对复杂系统的控制，要用处理各种不确定的智能方法，这就要求团队带头人有处理复杂问题的综合能力。科技创新团队应是由不同类型的人为实现特定的目标组成的群体。激励和聚合大家的力量，负责内部的计划、组织、指挥、协调和控制等方面组织工作，必须要有一位核心人物，即学术带头人。优秀的学术带头人是高校科技创新团队必备的要素。团队的带头人处于沟通、协调团队内外的中心位置，是团队其他成员获得工作方向、具体任务、工作目标等信息的主要来源，是团队维持士气、活力、凝聚力的中心环节和纽带，在很大程度上决定了整个团队的学术水平、科研风格和文化氛围。同时对团队整体加强协调与组织，提高团队的内部凝聚力。加强交流，资源公享计算智能特点提到自适应，进化机制，是建立在信息传输基础上的。团队成员之间进而形成了彼此间紧密合作、资源共享的伙伴关系。通过彼此间的紧密合作，使团队成员不再是一个独立的个体，而是共同承担责任、积极面对挑战的一个集体。在这个集体中，团队成员的合力要远远大于每个成员能力简单相加的总和。因此，在科研团队的建设中，良好的沟通渠道能促进成员之间的团结合作，使组织中的每个成员都为组织的发展倾尽所有。团队成员之间进而形成了彼此间紧密合作、资源共享的伙伴关系。通过彼此间的紧密合作，使团队成员不再是一个独立的个体，而是共同承担责任、积极面对挑战的一个集体。在这个集体中，团队成员的合力要远远大于每个成员能力简单相加的总和。因此，在科研团队的建设中，良好的沟通渠道能促进成员之间的团结合作，使组织中的每个成员都为组织的发展倾尽所有。配备优势互补的成员在计算智能机制的调控，非线性复杂系统有涌现性特征。所谓涌现性，就是肩负不同角色的组件间通过多种交互模式、按局部或全局的行为规则进行交互，组件类型与状态、组件之间的交互以及系统行为随时间不断改变，系统中子系统或基本单元之间的局部交互，经过一定的时间之后在整体上演化出一些独特的、新的性质，形成某些模式，这便体现为涌现性。子系统之间的相互作用，可导致产生与单个子系统行为显著不同的宏观整体性质。涌现性也体现为一种质变，主体之间的相互作用开始后,系统能自组织、自协调、自加强,并随之扩大,发展,最后发生质变，即发生了涌现。3结束语计算智能理论对处理复杂系统的优化和控制问题是有效，计算智能原理在创新团队实践中的启发是多方面的。目前就团队理论的研究还有待与深入，利用计算智能原理与方法来指导建设大学生创新项目团队，是一种新的思路。

针对径向基函数(Radial basis function,RBF)神经网络的结构设计问题,提出一种结构动态优化设计方法.利用敏感度法(Sensitivity analysis,SA)分析隐含层神经元的输出加权值对神经网络输出的影响,以此判断增加或删除RBF神经网络隐含层中的神经元,解决了RBF神经网络结构过大或过小的问题,并给出了神经网络结构动态变化过程中收敛性证明;利用梯度下降的参数修正算法保证了最终RBF网络的精度,实现了神经网络的结构和参数自校正.通过对非线性函数的逼近与污水处理过程中关键参数的建模结果,证明了该动态RBF具有良好的自适应能力和逼近能力,尤其是在泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation networks,MRAN)与增长和修剪RBF神经网络(Generalized growing and pruning radial basis function,GGAP-RBF)有较大提高.[1] 朱文莉. 一类具有时滞的神经网络的稳定性分析[J]. 电子科技大学学报. 2000(05)[2] 廖晓昕,傅予力,高健,赵新泉. 具有反应扩散的Hopfield神经网络的稳定性[J]. 电子学报. 2000(01)[3] 张菊亮,章祥荪. 一个新的解线性规划的神经网络(英文)[J]. 运筹学学报. 2001(02)[4] 罗公亮. 从神经网络到支撑矢量机(上)[J]. 冶金自动化. 2001(05)[5] 蒋德云,张弓. 谷物识别中对神经网络的优化(英文)[J]. 农业工程学报. 2002(05)[6] 王芳荣,周德义,郑咏梅,王鼎,张铁强. 生物表面光谱特性识别的神经网络方法[J]. 吉林大学学报(信息科学版). 2002(03)[7] 宋光雄,何胜锋,曹辉,张峥,钟群鹏. 基于Hopfield神经网络的腐蚀失效模式识别[J]. 金属热处理学报. 2003(01)[8] 王学武,谭得健. 神经网络的应用与发展趋势[J]. 计算机工程与应用. 2003(03)[9] 刘斌,刘新芝,廖晓昕. 脉冲Hopfield神经网络的鲁棒H-稳定性及其脉冲控制器设计(英文)[J]. 控制理论与应用. 2003(02)[10] 刘国良,强文义,麻亮,陈兴林. 基于粗神经网络的仿人智能机器人的语音融合算法研究[J]. 控制与决策. 2003(03)

神经网络的是我的毕业论文的一部分4．人工神经网络人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理。这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。人工神经网络学习的原理人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。 如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。人工神经网络的优缺点人工神经网络由于模拟了大脑神经元的组织方式而具有了人脑功能的一些基本特征，为人工智能的研究开辟了新的途径，神经网络具有的优点在于:（1）并行分布性处理因为人工神经网络中的神经元排列并不是杂乱无章的，往往是分层或以一种有规律的序列排列，信号可以同时到达一批神经元的输入端，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个小的处理单元，则整个系统可以是一个分布式计算系统，这样就避免了以往的“匹配冲突”，“组合爆炸”和“无穷递归”等题，推理速度快。（2）可学习性一个相对很小的人工神经网络可存储大量的专家知识，并且能根据学习算法，或者利用样本指导系统来模拟现实环境(称为有教师学习)，或者对输入进行自适应学习(称为无教师学习)，不断地自动学习，完善知识的存储。（3）鲁棒性和容错性由于采用大量的神经元及其相互连接，具有联想记忆与联想映射能力，可以增强专家系统的容错能力，人工神经网络中少量的神经元发生失效或错误，不会对系统整体功能带来严重的影响。而且克服了传统专家系统中存在的“知识窄台阶”问题。（4）泛化能力人工神经网络是一类大规模的非线形系统，这就提供了系统自组织和协同的潜力。它能充分逼近复杂的非线形关系。当输入发生较小变化，其输出能够与原输入产生的输出保持相当小的差距。（5）具有统一的内部知识表示形式，任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，便于知识库的组织管理，通用性强。虽然人工神经网络有很多优点，但基于其固有的内在机理，人工神经网络也不可避免的存在自己的弱点:（1）最严重的问题是没能力来解释自己的推理过程和推理依据。（2）神经网络不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。（3）神经网络把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。（4）神经网络的理论和学习算法还有待于进一步完善和提高。神经网络的发展趋势及在柴油机故障诊断中的可行性神经网络为现代复杂大系统的状态监测和故障诊断提供了全新的理论方法和技术实现手段。神经网络专家系统是一类新的知识表达体系，与传统专家系统的高层逻辑模型不同，它是一种低层数值模型，信息处理是通过大量的简单处理元件(结点) 之间的相互作用而进行的。由于它的分布式信息保持方式，为专家系统知识的获取与表达以及推理提供了全新的方式。它将逻辑推理与数值运算相结合，利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能，解决诊断系统中的不确定性知识表示、获取和并行推理等问题。通过对经验样本的学习，将专家知识以权值和阈值的形式存储在网络中，并且利用网络的信息保持性来完成不精确诊断推理，较好地模拟了专家凭经验、直觉而不是复杂的计算的推理过程。但是，该技术是一个多学科知识交叉应用的领域，是一个不十分成熟的学科。一方面，装备的故障相当复杂;另一方面，人工神经网络本身尚有诸多不足之处:（1）受限于脑科学的已有研究成果。由于生理实验的困难性，目前对于人脑思维与记忆机制的认识还很肤浅。（2）尚未建立起完整成熟的理论体系。目前已提出了众多的人工神经网络模型，归纳起来，这些模型一般都是一个由结点及其互连构成的有向拓扑网，结点间互连强度所构成的矩阵，可通过某种学习策略建立起来。但仅这一共性，不足以构成一个完整的体系。这些学习策略大多是各行其是而无法统一于一个完整的框架之中。（3）带有浓厚的策略色彩。这是在没有统一的基础理论支持下，为解决某些应用，而诱发出的自然结果。（4）与传统计算技术的接口不成熟。人工神经网络技术决不能全面替代传统计算技术，而只能在某些方面与之互补，从而需要进一步解决与传统计算技术的接口问题，才能获得自身的发展。虽然人工神经网络目前存在诸多不足，但是神经网络和传统专家系统相结合的智能故障诊断技术仍将是以后研究与应用的热点。它最大限度地发挥两者的优势。神经网络擅长数值计算，适合进行浅层次的经验推理;专家系统的特点是符号推理，适合进行深层次的逻辑推理。智能系统以并行工作方式运行，既扩大了状态监测和故障诊断的范围，又可满足状态监测和故障诊断的实时性要求。既强调符号推理，又注重数值计算，因此能适应当前故障诊断系统的基本特征和发展趋势。随着人工神经网络的不断发展与完善，它将在智能故障诊断中得到广泛的应用。根据神经网络上述的各类优缺点，目前有将神经网络与传统的专家系统结合起来的研究倾向，建造所谓的神经网络专家系统。理论分析与使用实践表明，神经网络专家系统较好地结合了两者的优点而得到更广泛的研究和应用。离心式制冷压缩机的构造和工作原理与离心式鼓风机极为相似。但它的工作原理与活塞式压缩机有根本的区别，它不是利用汽缸容积减小的方式来提高汽体的压力，而是依靠动能的变化来提高汽体压力。离心式压缩机具有带叶片的工作轮，当工作轮转动时，叶片就带动汽体运动或者使汽体得到动能，然后使部分动能转化为压力能从而提高汽体的压力。这种压缩机由于它工作时不断地将制冷剂蒸汽吸入，又不断地沿半径方向被甩出去，所以称这种型式的压缩机为离心式压缩机。其中根据压缩机中安装的工作轮数量的多少，分为单级式和多级式。如果只有一个工作轮，就称为单级离心式压缩机，如果是由几个工作轮串联而组成，就称为多级离心式压缩机。在空调中，由于压力增高较少，所以一般都是采用单级，其它方面所用的离心式制冷压缩机大都是多级的。单级离心式制冷压缩机的构造主要由工作轮、扩压器和蜗壳等所组成。 压缩机工作时制冷剂蒸汽由吸汽口轴向进入吸汽室，并在吸汽室的导流作用引导由蒸发器(或中间冷却器)来的制冷剂蒸汽均匀地进入高速旋转的工作轮3(工作轮也称叶轮，它是离心式制冷压缩机的重要部件，因为只有通过工作轮才能将能量传给汽体)。汽体在叶片作用下，一边跟着工作轮作高速旋转，一边由于受离心力的作用，在叶片槽道中作扩压流动，从而使汽体的压力和速度都得到提高。由工作轮出来的汽体再进入截面积逐渐扩大的扩压器4(因为汽体从工作轮流出时具有较高的流速，扩压器便把动能部分地转化为压力能，从而提高汽体的压力)。汽体流过扩压器时速度减小，而压力则进一步提高。经扩压器后汽体汇集到蜗壳中，再经排气口引导至中间冷却器或冷凝器中。 二、离心式制冷压缩机的特点与特性 离心式制冷压缩机与活塞式制冷压缩机相比较，具有下列优点： (1)单机制冷量大，在制冷量相同时它的体积小，占地面积少，重量较活塞式轻5～8倍。 (2)由于它没有汽阀活塞环等易损部件，又没有曲柄连杆机构，因而工作可靠、运转平稳、噪音小、操作简单、维护费用低。 (3)工作轮和机壳之间没有摩擦，无需润滑。故制冷剂蒸汽与润滑油不接触，从而提高了蒸发器和冷凝器的传热性能。 (4)能经济方便的调节制冷量且调节的范围较大。 (5)对制冷剂的适应性差，一台结构一定的离心式制冷压缩机只能适应一种制冷剂。 (6)由于适宜采用分子量比较大的制冷剂，故只适用于大制冷量，一般都在25～30万大卡／时以上。如制冷量太少，则要求流量小，流道窄，从而使流动阻力大，效率低。但近年来经过不断改进，用于空调的离心式制冷压缩机，单机制冷量可以小到10万大卡／时左右。 制冷与冷凝温度、蒸发温度的关系。 由物理学可知，回转体的动量矩的变化等于外力矩，则 T=m(C2UR2-C1UR1) 两边都乘以角速度ω，得 Tω=m(C2UωR2-C1UωR1) 也就是说主轴上的外加功率N为： N=m(U2C2U-U1C1U) 上式两边同除以m则得叶轮给予单位质量制冷剂蒸汽的功即叶轮的理论能量头。 U2 C2 ω2 C2U R1 R2 ω1 C1 U1 C2r β 离心式制冷压缩机的特性是指理论能量头与流量之间变化关系，也可以表示成制冷 W=U2C2U-U1C1U≈U2C2U （因为进口C1U≈0） 又C2U=U2-C2rctgβ C2r=Vυ1/(A2υ2) 故有 W= U22(1- Vυ1 ctgβ) A2υ2U2 式中：V—叶轮吸入蒸汽的容积流量（m3/s） υ1υ2 ——分别为叶轮入口和出口处的蒸汽比容（m3/kg） A2、U2—叶轮外缘出口面积(m2)与圆周速度(m/s) β—叶片安装角 由上式可见，理论能量头W与压缩机结构、转速、冷凝温度、蒸发温度及叶轮吸入蒸汽容积流量有关。对于结构一定、转速一定的压缩机来说，U2、A2、β皆为常量，则理论能量头W仅与流量V、蒸发温度、冷凝温度有关。 按照离心式制冷压缩机的特性，宜采用分子量比较大的制冷剂，目前离心式制冷机所用的制冷剂有F—11、F—12、F—22、F—113和F—114等。我国目前在空调用离心式压缩机中应用得最广泛的是F—11和F—12，且通常是在蒸发温度不太低和大制冷量的情况下，选用离心式制冷压缩机。此外，在石油化学工业中离心式的制冷压缩机则采用丙烯、乙烯作为制冷剂，只有制冷量特别大的离心式压缩机才用氨作为制冷剂。 三、离心式制冷压缩机的调节 离心式制冷压缩机和其它制冷设备共同构成一个能量供给与消耗的统一系统。制冷机组在运行时，只有当通过压缩机的制冷剂的流量与通过设备的流量相等时，以及压缩机所产生的能量头与制冷设备的阻力相适应时，制冷系统的工况才能保持稳定。但是制冷机的负荷总是随外界条件与用户对冷量的使用情况而变化的，因此为了适应用户对冷负荷变化的需要和安全经济运行，就需要根据外界的变化对制冷机组进行调节，离心式制冷机组制冷量的调节有：1°改变压缩机的转速；2°采用可转动的进口导叶；3°改变冷凝器的进水量；4°进汽节流等几种方式，其中最常用的是转动进口导叶调节和进汽节流两种调节方法。所谓转动进口导叶调节，就是转动压缩机进口处的导流叶片以使进入到叶轮去的汽体产生旋绕，从而使工作轮加给汽体的动能发生变化来调节制冷量。所谓进汽节流调节，就是在压缩机前的进汽管道上安装一个调节阀，如要改变压缩机的工况时，就调节阀门的大小，通过节流使压缩机进口的压力降低，从而实现调节制冷量。离心式压缩机制冷量的调节最经济有效的方法就是改变进口导叶角度，以改变蒸汽进入叶轮的速度方向(C1U)和流量V。但流量V必须控制在稳定工作范围内，以免效率下降。