人工神经网络优势篇1

欧阳亮(1984―)，女，湖南大学工商管理学院(长沙，410082)。研究方向：金融工程与风险管理。

［关键词］汇率预测；汇率波动；神经网络

汇率作为一个重要的经济变量，其变动对国民收入的增减、工农业的发展、国内利率、就业等各方面都有着重要的影响。因此，汇率预测受到广泛的关注，大量的计量经济模型和时间序列模型被用于汇率预测。其中，人工神经网络(ArtificialNeuralNetworks,ANN)作为一种非参数的数据驱动型的方法，不需要对数据特征进行事先假设，通过合理的样本训练，学习专家的经验、模拟专家的行为，并引入非线性转换函数来求解各种复杂的非线性问题，具有很强的模式识别能力和高速信息处理能力，从而在时间序列数据预测方面有独特的优势。[1]

利用神经网络方法预测汇率波动，国内外学者已经进行了比较广泛的研究。总结国内外学者的研究成果，用神经网络预测汇率有3个层次。它们分别是同质神经网络模型、异质神经网络模型和神经网络组合模型。

一、汇率预测的同质神经网络模型

同质神经网络预测模型是用神经网络根据历史汇率数据来预测未来汇率，这是作为一种汇率预测的非参数方法提出来的。由于汇率波动具有非线性相关性和长效记忆性，因此通过历史数据进行汇率预测是一种可行的方法。同质神经网络预测模型认为；汇率有一个隐含的生成机制，历史汇率和未来的汇率都由这个机制生成，通过对历史数据的观测，识别这个生成机制，就可用这个生成机制预测未来的汇率。由于神经网络是一个数据驱动的自适应的非参数方法，不基于假设，即使产生数据的过程是未知的，或者很复杂，神经网络也能识别。

用同质神经网络进行汇率预测，是根据汇率的历史数据加上输入延迟来预测汇率的变化或变化趋势。用于汇率预测的神经网络模型很多，其中最常用的是多层后向神经网络模型，即BP神经网络。BP神经网络一般采用三层结构：输入层、隐含层、输出层。BP神经网络的算法和训练如图1。

以t时刻汇率种类R的预测为例，滞后期为n，预测长度为L。输入层的数据是从时刻t开始前n期的历史汇率观测值序列，yt,…,yt-n，输入才由长度n的滑动窗口产生。输出层依次输出从t时刻开始的L个汇率预测值，yt+1,…,yt+L。相邻汇率的时间间隔是等长的。汇率预测的同质神经网络模型的结构如上图2。

用同质神经网络预测汇率的研究很多，1993年，Refenes等人采用神经网络方法预测汇率变动，他们将数据分成训练组(TrainingSubsample)、测试组(TestingSubsample)和预测组(ForecastingSubsample),先用训练组和测试组数据训练神经网络，然后用预测组数据进行预测，这种尝试以及随后的评议肯定了神经网络在一定的情况下比“标准”的预测方法表现要好。[2]Kuan和Liu(1995)用神经网络对5个不同币种兑美元的汇率进行预测。这5种货币包括英镑、加拿大元、德国马克、日元以及瑞士法郎。研究发现神经网络对日元和英镑的预测的均方差(MSE)很低，但对其余3个币种的预测效果一般。[3]DeMatos(1994)通过对日元期货预测比较了多层后向神经网络(MLFN)和重复网络的预测效果。[4]Zhang和Hu(1998)用多层后向神经网络对英镑和美元的汇率进行预测，发现神经网络的预测效果明显优于线性模型，尤其在预测期比较短的时候。[5]

虽然研究表明神经网络的预测效果比其他方法好，但是其预测精度和可靠性仍然不尽人意。对此，学者们对神经网络进行了改进，提出了诸如聚类神经网络、重复神经网络、广义回归神经网络、模糊神经网络等经改进的神经网络进行汇率预测，或者将其他方法与神经网络结合，以改善神经网络的预测能力。例如，Shazly等(1999)用遗传算法训练神经网络的权值。惠晓峰和胡运权等(2002)结合遗传算法，提出了基于实数编码的GA-BP神经网络汇率预测人民币兑美元汇率的模型。姚洪兴,盛昭瀚和陈洪香(2002)提出了一种改进的小波神经网络结构。

这些研究在一定程度上提高了神经网络的预测效果，但是神经网络的结构、训练算法、阀值函数的选择以及滞后期的确定等问题仍然难以解决。而且，汇率由历史汇率唯一决定这一前提也缺乏足够的理论支持。

二、汇率预测的异质神经网络模型

用异质神经网络模型进行汇率预测，是指在预测过程中，考虑影响汇率的各种因素，如利率、通货膨胀率、原油价格、货币供应、贸易收支差额、消费价格指数、消费信心指数等，根据这些影响因素来预测汇率。Shazly(1997)选取一个月欧洲美元存款利率、一个月欧洲外币存款利率、即期汇率和一个月的远期汇率作为输入变量，预测一个月后的即期汇率。结果表明，神经网络的预测效果比通过远期汇率进行的预测效果要好。[6]杨火斤和马洪波(1999)选取GNP、CPI、工业股票价格指数、短期利率、货币供应量、长期利率6个影响因素，将这些变量作为神经网络的输入变量，训练神经网络根据这些变量预测汇率。[7]HuiXiao-feng等(2005)也用模糊神经网络进行汇率预测，输入的变量包括两国的CPI和GDP、两国的利率差、货币供应比、净出口额等。[8]

异质神经网络模型的网络结构和训练算法与同质神经网络相似。区别在于同质神经网络的输入是一段时滞的历史汇率数据，是一维的数据，而异质神经网络的输入数据是多个变量的数据，是二维的数据。令x1,x2,…,xn分别表示影响汇率变动的各个因素，异质神经网络的结构如图3所示。

图3异质神经网络模型

随着布雷顿森林体系的崩溃，各国纷纷采用浮动汇率制度，影响汇率变动的因素更加多样化、复杂化，难以确定。因此，学者们开始用神经网络与其他预测方法结合使用。一种是与基本因素分析模型如购买力平价模型、利率平价模型等相结合。根据这些模型确定的影响因素作为神经网络的输入变量，通过神经网络训练优化变量的权值，从而进行汇率预测。例如，Qi和Wu(2003)用基于货币理论的神经网络对英镑和马克1个月、6个月、12个月的汇率进行预测，输入变量为货币供应量M1，各个国家的实际工业生产收入、利率作为输入变量。Lee和Wong(2007)用微观结构理论和宏观经济的6个变量作为神经网络的输入，预测汇率波动。

另一种方法是用神经网络与协整方法结合。先通过协整分析确定影响汇率变动的因素，再用神经网络确定各变量的权值。Inc和Trafalis(2006)构建了一个结合协整方法和人工神经网络的汇率预测模型方法，先用协整方法确定对汇率有影响作用的变量，然后用ANN对这些变量进行非线性组合，预测汇率。[9]

异质神经网络模型将汇率视为整体经济系统中的一个变量，汇率波动受众多因素的影响，因此汇率的波动是根据这些影响因素的波动来预测的，与同质神经网络模型相比有更强的理论支持。但是，它的预测效果取决于影响因素的选择，因此汇率的影响因素的选择是异质神经网络预测模型的关键。

三、汇率预测的神经网络组合模型

神经网络进行汇率非线性组合预测是一个两步组合预测模型。Bates和Granger(1969)证明了预测方法的线性组合比单模型能产生更小的误差。[10]此后，一些学者在这方面做了很多研究。在众多的组合方法中，神经网络非线性组合是最广泛使用的方法。Hu和Tsoukalas(1999)用不同的GARCH模型预测条件波动，并对这些预测值分别进行线形和非线性组合，结果表明用神经网络进行非线性组合的预测效果是最好的。[11]Tseng等(2002)用BP神经网络和时间序列模型――SARIMA模型进行组合，用SARMIA(SeasonalAutoregressionMovingIntegrateAverage)对汇率进行线性预测，再用神经网络处理SARMIA模型预测的残差，进行汇率预测。[12]用同样的方法还有Zhang(2003)用ARIMA和ANN组和对英镑和美元汇率进行预测。[13]Yu,Wang和Lai(2005)组合广义线性自回归模型(GLAR)和神经网络进行汇率预测。[14]

用神经网络对汇率进行非线性组合预测时，是将汇率数据分解成线性部分和非线性部分。先用基本因素模型或者参数模型对汇率进行第一步预测；然后用神经网络对第一步预测残差进行非线性组合；再根据两步的预测结果进行汇率预测。或者用神经网络对不同的参数模型的预测结果进行非线性组合。下面以神经网络和ARIMA模型的非线性组合为例，说明神经网络组合模型的基本原理。

(3)用神经网络mode残差：[AKn^]t=f(et-1,et-2,…，et-n)[JY](4)

其中，f表示神经网络的预测的非线性函数，et是随机误差。

(4)组合ARIMA和神经网络：[AKy^]=[AKl^]+[AKn^]t[JY](5)

神经网络组合模型使用神经网络和线性方法进行非线性组合，考虑了汇率作为一个复杂系统同时具有线性和非线性特征的实际，充分利用了参数方法和非参数方法的优势，并综合了各种汇率理论的分析结果。大量的实际研究表明，组合预测的效果比单独用线性模型或单独用神经网络预测的效果要好。

四、比较与结论

同质神经网络预测模型是根据历史数据进行汇率预测，是用一维的数据训练神经网络。它没有考虑汇率作为经济系统中的一个变量，受到众多因素的影响，而仅仅把汇率视为一系列没有经济含义的无规则数据。而异质神经网络模型则把汇率视为复杂经济系统中的一个变量，认为在统计上无规则的汇率数据是由众多因素共同决定的。异质神经网络模型用二维数据进行训练，与同质神经网络模型相比，其预测有更充分的理论支持。但是，影响汇率的因素至今没有定论也没有统一的选取法则。

同质神经网络预测模型和异质神经网络预测模型都将汇率视为单纯的非线性变化的时间序列，而实际汇率的波动不是单纯的线性或非线性的，而是同时包含线性和非线性模式，因此单纯的线性模型和非线性模型都不能很好地预测汇率。而神经网络组合预测模型则与前两种方法有本质的不同，它同时考虑了汇率的线性和非线性特征，在线性预测的基础上再进行非线性组合，充分利用参数方法和非参数方法的优势。一方面，研究表明线性预测有很多效果很好的方法，如ARIMA，GARCH等参数模型；另一方面，这些模型都基于很强的假设条件，不同的条件下预测效果有很大差别。因此，在实际预测时候，很难确定某个模型比其他模型有更好的样本外预测效果。最优模型的选择是件很困难的事情。用神经网络组合模型，避免了最优模型选择的问题，又综合了不同的汇率理论的分析结果。

另外，同质神经网络预测模型和异质神经网络预测模型都是单模型的一步预测的方法，研究表明单一的模型往往只能适应某一特定的情况或者反映一部分的信息，而实际汇率是一个复杂的系统，组合不同的参数模型或者参数模型不同参数的预测结果，能够较大限度地利用各种预测样本信息，比单个预测模型考虑的问题更系统、更全面，从而提高了预测的精度。

自2005年7月21日起，中国实行汇率改革以来，央行入市干预的力度明显减弱。由市场供求关系决定的人民币汇率受到众多因素的影响，波动幅度较以往明显加大。用神经网络组合模型对人民币汇率进行预测，充分考虑了汇率波动的复杂性。结合线性方法和非线性方法的优势，能抓住汇率波动的线性和非线性特征，并能全面挖掘和反映样本信息，有较好的样本外预测效果。因此，神经网络组合模型是人民币汇率预测的最佳选择。

但是，用神经网络组合模型进行汇率预测也存在一些难以解决的问题。首先是神经网络自身的优化问题，如隐藏层数及隐藏层结点数的确定、激活函数的确定、局部最优等，神经网络的结构直接影响着预测效果。其次，在神经网络进行组合预测时，如何选择被组合的模型以及模型的个数，是另外一个难以解决的问题。第三，神经网络可以根据残差最小的原则不断地调整参数来改变预测效果，但是它不能改变输入数据，而汇率数据往往是剧烈波动，存在噪音的。因此，如何对数据进行除噪，优化神经网络的输入数据是另一个值得研究的问题。

主要参考文献：

［1］GuoqiangZhang,EddyPatuwo,MichaelHu.Forecastingwithartificialneuralnetworks:Thestateoftheart［J］.InternationalJournalofForecasting,1998,14:35-62.

［2］Refenes.Constructivelearninganditsapplicationtocurrencyexchangerateforecasting.In:Neuralnetworksinfinanceandinvesting:usingartificialintelligencetoimproverealworldperformance,1993,465-493.

［3］CMKuan,TLiu.Forecastingexchangeratesusingfeedforwardandrecurrentneuralnetworks［J］.JournalofAppliedEconometrics,1995,10(4):347-64.

［4］DeMatos.Neuralnetworksforforecastingexchangerates:［dissertationn］.Canada:TheUniversityofManitoba,1994.

［5］GioqinangZhang,MichaelY.Hu.NeuralNetworkForecastingoftheBritishPound/USDollarExchangeRate［J］.Omega,Int.J.MgmtSci,1998,26(4):495-506.

［6］MonaR.ElShazly,HassanE.ElShazly.Comparingtheforecastingperformanceofneuralnetworksandforwardexchangerates［J］.JournalofMultinationalFinancialManagement,1997(7):345-356.

［7］杨火斤,马洪波.人工神经网络在中长期汇率预侧中的应用［J］.系统工程,1999,17(1):18-24.

［8］HUIXiao-feng,LIZhe,WElQing-quan.UsingfuzzyneuralnetworksforRMB/USDrealexchangerateforecasting［J］.JournalofHarbinInstituteofTechnology(NewSeries),2005,12(2):189-192.

［9］HuseyinInce,TheodoreB.Trafalis.Ahybridmodelforexchangerateprediction［J］.DecisionSupportSystems,2006,42(10):1054-1062.

［10］BatesJM,GrangerCWJ.Thecombinationofforecasts［J］.OperationsResearchQuarterly,1969,20:451-68.

［11］MichaelY.Hu,ChristosTsoukalas.Combiningconditionalvolatilityforecastsusingneuralnetworks:anapplicationtotheEMSexchangerates［J］.JournalofInternationalFinancialMarkets,InstitutionsandMoney,1999,(9):407-422.

［12］Fang-MeiTseng,Hsiao-ChengYub,Gwo-HsiungTzeng.CombiningneuralnetworkmodelwithseasonaltimeseriesARIMAmodel［J］.TechnologicalForecasting&SocialChange,2002,69:71-87.

［13］GpeterZhang.TimeseriesforecastingusingahybridARIMAandneuralnetworkmodel［J］.Neurocomputing,2003,50:159-175.

［14］LeanYu,ShouyangWang,K.K.Lai.AnovelnonlinearensembleforecastingmodelincorporatingGLARandANNforforeignexchangerates［J］.Computers&OperationsResearch,2005,32:2523-2541.

ForecastingExchangeRatewithANN:AComparativeAnalysis

XieChi1OuyangLiang2Abstract:Withthepopularityoffloatingexchangeratesystem,alotofmethodswithparameterandnon-parameterareadoptedtoforecasttheexchangerate,andANNisoneofthem.TherearethreetypesofANNforexchangerateforecasting,namelythehomogenousANNmodel,theheterogeneousANNmodelandthehybridANNmodel.Thispaperresearchesonthethreemodels,specificallytheircharacteristicsandlimitations,anddrawtheconclusionthatbothANNmodelgivefullconsiderationtothelinearityandnonlinearitycharactersoftheexchangerate.TheANNmodelcanofferbetterresultsinamoresystematicandcomprehensiveway,becauseitadoptsthethoughtsintegratingtheanalysisofdifferentexchangeratetheories,andbroadlyutilizestheforecastsamples.

Keywords:ExchangeRateForecasting;ExchangeRateFluctuation;ANN

人工神经网络优势篇2

【关键词】计算机网络模型神经网络算法

计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。

1神经网络算法概论分析

1.1神经网络算法整体概论

神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。

优化网络的神经网络主要是Hopfield神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hopfield神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。

1.2优化神经网络基本基础

Hopfield神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hopfield神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hopfield神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hopfield神经网络能够建设模型。

1.3神经网络算法优化步骤简述

人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。

2神经网络算法的特点与应用

2.1神经网络主要特点

神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，⑿畔⒏拍罨，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。

神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。

2.2神经网络信息记忆能力

神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。

2.3神经网络的突出优点

近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。

人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。

采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络（如Hopfield网络）的算法。该算法以SIMD（SingleInstructionMultipleData）为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。

3结束语

全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。

参考文献

[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程，2014（19）.

[2]史望聪.神经网络在计算机网络安全评价中的应用分析[J].自动化与仪器仪表，2016（06）.

人工神经网络优势篇3

关键词：智能小区入侵检测模糊神经网络人脸识别

前言

随着微电子技术和网络技术高速发展，人们对居住环境的安全性，便捷性和舒适度提出了越来越高的要求，从而智能小区应运而生。另一方面，由于这几年带流动人口的增加带来了来很多安全隐患，因此，智能小区入侵检测系统是智能小区不可缺少的系统设备。

基于传感器网络和模糊神经网络的智能小区无线入侵检测系统是一种重要的安全防御体系，可应用于各居民住宅，办公室等地。目前在小区监视范围内都把摄相机加入了传感器网络入侵检测系统。摄相机直接发送信息到中央控制器，在监控室工作的工作人员，通过接收到的录像信息就可以做出判断。因此，这种系统智能性不高。如果没有发现入侵行动，社区的安全将难以保证。此外，如果已经发生入侵行动，工作人员也很难从大量的存储图像中找到入侵者。

模糊神经网络结合了模糊理论和神经网络理论,同时具有模糊逻辑和神经网络的优势，集学习，联想，识别，自适应和模糊信息处理于一体。因此，整个系统学习能力和表达能力被加强了。模糊神经网络被广泛应用于模式识别领域。人脸辨识是一类模式识别的问题，考虑到模糊神经网络具有特殊的优势和传统小区入侵检测系统所具有缺陷，本文所研究的系统将解决这些问题。模糊神经网络是用来识别和分析传感器从系统中所收集的人脸图像信息，当有人入侵时，将分析结果发送给工作人员，同时将图像自动地存储在一个特殊的内存区域。通过此方法，该系统可以协助工作人员监控小区，并立即从特殊内存区域找出入侵的图像。总之，这种方法提高了系统安全防御能力。

1小区入侵检测系统：

小区入侵检测系统由数据采集节点，无线局域网和中央控制器组成的。系统节点采用由传感器扩大ARM平台。传感器单元包括摄像头，麦克风，人体红外线传感器，火焰传感器，烟雾传感器，光敏传感器，声光报警器等。无线局域网采用无线网状网络，控制中心采用计算机工作站，分散的节点收集信号，并建立了多点网络的。因此，整个系统具有低功耗优势，便捷的软件和硬件扩展功能，网络通信和方便安装的安全防御设施。

当入侵检测系统工作时，数据采集节点收集环境信息，红外传感器开始检测人是否已闯进来。系统可靠性将得到改善，当然，由动物引起的误报是可以避免的。当有异常现象，系统启动相机和模糊神经网络算法是用来识别人脸，而这些检测和识别结果发送到控制中心，然后在控制中心，面部识别结果和异常信息被保存在特殊记忆的。到了晚上，光敏传感器信号和红外传感器信号同时被接收，系统打开的摄像机相机被发光二极管围绕，既可以节省电能，并在同一时间确保相机仍在黑暗中有效捕捉图像。

当信息通过网络传输时，信号发送到无线网状网络传输与协议的网络控制中心。当信息获取，控制中心将采取不同的处理方式，根据不同报警信息报警。如果有入侵信号，入侵进程，迎接功能将被储存在一个特定的内存。没有入侵信号，然后显示图像，并储存在记忆体中的。即使没有及时指出入侵，工人也可以寻找特定存储区域，找出入侵者。

2应用

通过参数和面部特征，并结合专家经验相关分析，选择几种特征参数的模糊神经网络的输入神经元，这些参数是左眼宽度，右眼宽度，水平距离中心之间的口，左侧面，两者之间的嘴和鼻子，眼睛之间的距离和鼻子中间的垂直中心的垂直距离。

直到样品的正常化，可以选择不同的训练样本数和不同的测试样本数和每一次输入到模糊神经网络模型和BP网络的学习训练样本，然后使用测试样本测试结果。人脸识别方法基于模糊神经网络具有较高的稳定性，并能获得更高的分类和识别准确性。

人工神经网络优势篇4

RBF(径向基RadialBasicFunctionNeuralNetwork)函数神经网络是20世纪80年代末，Moody和Darken提出的一种特殊的三层前馈网络，它只具有一个隐层的，它的运算结构和学习算法与BP网络有很大的区别，并且很大程度上克服了BP神经网络的缺点。近年来RBF神经网络以广泛应用到各个领域，并在智能控制、图形识别、计算机视觉、自适应滤波和信号处理、非线性处理等诸多方面取得了令人振奋的进展。本文利用人工神经网络建立投资估算模型，实质上是利用人工神经网络的函数逼近能力，进行对实际复杂函数进行映射，BP神经网络是当前应用最广泛的一种人工神经网络，但BP神经网络的收敛速度太慢，大大增加了计算量，也无法保证一定能达到全局最小。相对地，RBF神经网络具有训练过程收敛速度快、全局最佳逼近等BP网络所不具备的优点。本文拟利用RBF(RadialBasisFunction)径向基函数神经网络这一优势建立政府投资项目投资估算的数学模型。投资估算可以看作数学中的函数映射问题，在政府公共建设项目投资估算模型的构建中，假设影响投资项目投资的主要因素有m个(m≥3)，其所要收集的主要造价资料个数为n个(n>／1)。其间存在着m维空间到n维空间的映射。如果将m作为投资估算模型的输入数据，n作为神经网络投资估算模型的输出数据，在m维欧式空间Rm中有一有界的子集A，那么就存在着这样一个到n维欧氏空间Rn的一个有界子集映射，即F：ARmP.n，通过对估算模型的训练可以找到通过优化的近似映射G，可推出两层前向神经网络可以在任何给定精确度上找到这样的G逼近F。

二、建立RBF神经网络的政府投资项目的估算模型

根据收集到的已完政府行政办公楼样本资料和工程特性，运用显著性成本CS均值理论计算分析出11个政府投资公共建设项目工程造价主要影响因子即：(1)建筑工程施工结束时所在年份的当时物价上涨指数(将2005年价格指数设为100，其他各年的价格指数都是以2005为基数换算得的)；(2)建筑面积：(3)结构形式：(4)基础类型：(5)地下层数：(6)地上层数：(7)桩基础；(8)内墙面；(9)外墙面；(10)门窗；(1I)天棚。这些特征因素作为本次所建RBF神经网络估算模型的输入向量，工程的单位造价作为神经网络模型的输出向量。本文选定的工程项目类型为框架结构或者框架一剪力墙结构的政府行政办公楼，数据主要来源于某市造价信息网的公开数据资料和本人在某咨询公司工作实习过程中收集到的当地政府(同一地级市)行政办公楼造价资料，样本总数为40个，竣工时间在2005～2010年之间。从样本库中随机选出4个样本作为检验样本，其余36个样本作为模型模拟训练样本。

将RBF神经网络的输入向量分别用T1～T11表示，输出向量以0表示，将收集到的40个样本随机的分为两组。任选其中36个组成训练样本数据库，其余4个组成测试样本数据库。根据RBF神经网络的特点，进行神经网络的输入、输出数均为[-1，1]之间。因此，首先将神经网络输入向量进行量化处理。在对工程特征向量进行完量化后，接着就要对其进行初始化。那么进行初始化的方法，通过函数将原值转化为[0，1]之间的值，因为通过这样的数据转换模式，可使输入的向量数值更加均匀，易收敛。运用MATLB语言进行RBF函数神经网络的训练，将原始数据中的输入向量T和输出向量O以Matlab程序源代码进行学习；在达到训练要求的目标误差值0.001后，网络训练结束。

人工神经网络优势篇5

Abstract:Inthispaper,thetheoreticalconnotation,featuresofnetworkculture,andnegativeimpactofnetworkcultureontheideologicalandpoliticaleducationareanalyzed,theadvantagesthatuniversitylibraryconductsideologicalandpoliticaleducationaresummedup,andfinallythespecificmeasurestoplaytheroleofeducationfunctionsofuniversitylibraryareputforward.

关键词：网络文化；高校图书馆；思想政治教育

Keywords:networkculture；universitylibrary；ideologicalandpoliticaleducation

中图分类号：G647文献标识码：A文章编号：1006-4311（2012）15-0235-02

0引言

随着信息技术的飞速发展，网络文化以其特有的形式迅猛地席卷了高校校园，给高校的思想政治教育带来了前所未有的机遇和挑战，大学生的人生理想、价值观念、思想道德等方面已经被深深地打上了网络的烙印。因此，大学生的思想政治教育已经迫在眉睫。作为高校文献信息中心的图书馆，蕴藏着人类丰富的精神文明成果，应充分利用其独特的优势，发挥教育职能，使图书馆成为高校精神文明建设的重要阵地、思想政治教育的良好平台。

1网络文化的理论内涵及其特征

网络文化，即虚拟文化，是以网络技术为支撑的基于信息传递所衍生的网络社会特征的文化活动及其内涵的文化观念和文化活动形式的统一体。广义的网络文化是指“网络时代的人类文化，它是人类传统文化、传统道德的延伸和多样化的展现。”[1]狭义的网络文化是指以计算机技术和信息网络技术以及网络经济为基础的精神创造活动及精神产品，是人们在这个虚拟的世界里学习、工作、娱乐等活动方式及其反映的价值观念和社会心态等方面的总称，它包含了人的知识结构、思维方式、价值观念、道德修养、审美情趣和行为选择等方面。网络文化的形成与发展是建立在计算机普及及网络技术、信息化程度上的一种有别于传统文化特征的文化成果。其特征具体如下：

1.1广泛性网络文化使时空结构发生了改变，流动空间代替了地方空间。人们在这个虚拟的空间里，打破了传统的地域限制和时空限制，凭借先进的交流沟通手段，自由自在地进入自己感兴趣的网络社区，寻找自己满意的交谈对象，根据自己挑选的话题进行探讨，发表自己的观点，抒发自己的情感。这种网络信息的交流，已经将传统单一的文化内部交流发展为外在的跨地域、跨时空的文化交流，交往方式变得多样化、自由化，人数也越来越多，人际交往更加广泛。因此，使网络文化呈现出了广泛性。

1.2融合性网络信息时代不同国家、不同民族、不同领域的人们共同参与了网络文化建设与发展，各种文化已经突破时空界限，在这里融会贯通。在网络信息化环境中的每一个人都是平等互动的文化参与者，各种文化、各种信息相互依存、共同发展，使网络文化具有了融合性。

1.3差异性网络信息与广播、电视、报纸等传统的媒体相比，更富有差异性。由于异步传播、交互沟通与自由选择使人们能够更加从容地吸纳着不同的信息。人们在交流的过程中，因为兴趣和需要的差异而出现了分化。不同的群体、不同的人会在世界观、价值观、文化修养、知识结构等方面存在差异。因此，网络文化也具有差异性。

1.4共享性网络文化是以计算机技术和信息网络技术为基础的，以信息为本质、中介和运作方式的一种精神成果，具有为一个群体，一个社会乃至全人类所共享的特性，即共享性。

1.5创新性网络文化由于自身的特征区别于传统文化，具备不断发展和不断创新的条件，在整个世界的文化格局发生改变之时，已为人类文化的进一步发展提供了广阔的空间。因此，网络文化也具有创新性。

2网络文化对思想政治教育产生的消极影响

2.1严重影响大学生正确的世界观、人生观、价值观的形成网络的虚拟化，以及来源广泛、数量巨大且鱼龙混杂的信息，凭借网络直接传递给学生，导致对信息内容缺乏约束力和掌控力，极大分散了学生的注意力，严重影响了大学生的辨别能力，尤其是西方反动势力利用网络文化趁机进行精神侵略，以实现殖民文化，以达到淡化大学生的政治观念和民族意识，冲击着传统的道德伦理和价值理念，腐蚀社会主义世界观、道德观和价值观的目的，严重影响大学生正确的世界观、人生观、价值观的形成。

2.2严重影响大学生的心理健康与行为准则网络的虚拟性及良莠不齐的网络文化使大学生自律、自控能力失衡，大量、暴力、欺诈、迷信等丑恶内容在网上广为传播，极易弱化学生的是非观念，导致人际交往障碍，产生孤独、苦闷、压抑、焦虑等消极情绪，出现烦躁不安、食欲不振等过度迷恋和依赖网络的心理疾病，影响正常的学习和生活，严重影响大学生的心理健康与行为准则。

3高校图书馆思想政治教育工作的优势

高校图书馆“既是知识荟萃的殿堂，又是传授、传播知识财富的重要阵地，在大学生思想政治教育工作中发挥独特而重要的作用。”[2]

3.1具有丰富的文献资源优势高校图书馆作为学校的文献信息中心，不仅收藏了丰富的纸质文献资源，还配置了必要的技术装备，购置了大量的电子文献资源和各类网络数据库。尤其是馆藏图书文献中有大量的马列主义、思想及邓小平理论著作，还有很多哲学、文史、法律、思政类书刊，同时，大量丰厚的民族传统文化资源，也积淀了人类几千年来征服自然、改造社会的智慧结晶。丰富的文献资源为图书馆开展思想政治教育提供了强大的物质保证，是开展服务育人的基本条件，为学生思想道德观念的形成以及价值取向的选择奠定了坚实的物质基础。

3.2具有优雅的学习环境和文化氛围优势图书馆优美的环境、浓厚的文化氛围、良好有序的管理，对大学生的思想行为起着积极的引导作用，使学生身处其中，受到感染与熏陶，对大学生的思想观念、道德标准及行为规范起着自我调节的作用。

3.3具有高素质的馆员队伍优势高校图书馆是学校的文献信息中心，是为教学、科研服务的学术性机构，因此，学校也非常重视图书馆人才队伍建设。为图书馆配备了一批受过图书情报、英语、计算机及其它学科专业教育、拥有丰富的理论知识和扎实的工作实践经验人才，他们熟悉馆藏结构和信息资源分布情况，了解学校各专业特点，掌握学科发展情况，能够有效利用各种知识与信息工具，为大学生提供信息化服务，是图书馆对大学生进行思想政治教育的人力资源保障。

4措施研究

4.1采取多种形式，提高导读质量首先，制定合理的导读计划。导读是高校图书馆服务育人的重要方法，也是开展大学生思想政治教育的主要形式。通过定期分析借阅统计情况，及时掌握学生的阅读倾向和阅读需求，制定合理的导读计划，尤其是要重视思想政治教育类的导读内容。其次，采取各种导读形式，通过举办宣传栏、校报、广播、电视、展板等传统方式以外，还要借助网络宣传媒体，开辟导读专栏，及时通报具有知识性、思想性、趣味性的导读目录，推介优秀新书，有计划地指导学生阅读，提高其辩证思考的能力，营造读书氛围，提高大学生的读书兴趣，在潜移默化中对大学生进行思想政治教育。同时，通过举办各种讲座、报告会、座谈会等，聘请校内外知名专家、学者做专题报告，正确引导大学生多读书、读好书，培养良好的学习习惯。

4.2丰富网站教育资源，构建立体化的思想教育网络平台不断丰富和优化图书馆网上教育资源。譬如，针对大学生文化层次和知识结构的思想政治教育开设一些专栏，进行形势政策教育与科学发展观的教育，以增强图书馆育人的辐射面和影响力；将馆藏中具有教育意义的经典图书加工制作成电子图书,提供在线阅读；自建或购置优秀的视听娱乐电子资源，建立在线点播系统，使大学生通过欣赏健康高雅的艺术作品，从中得到思想的洗礼和精神的愉悦，达到寓教于乐的效果；重视网络化的重要作用,“发挥人人网、飞信、BBS、QQ、短信、视频等独特功效,通过学生喜爱的方式与学生沟通,及时了解学生的思想情况。”[3]不断丰富网站教育资源，构建立体化的思想教育网络平台。

4.3加强馆藏建设，提高文献信息资源质量英国哲学家培根说：“书籍是改造人类灵魂的工具。”图书馆文献信息资源的质量决定着学生文化知识的学习、思想道德观念的形成以及价值取向的选择，直接影响着思想政治教育工作的质量。因此，高校图书馆首先要重视文献采访工作，加强馆藏建设，重点采购适合大学生特点的集思想性、知识性、趣味性为一体的文献资源，坚决抵制不健康、低级庸俗的精神产品，以确保馆藏图书的纯洁性。

4.4创建良好的育人环境，营造文化氛围高校图书馆创建高雅的服务环境，营造良好的文化氛围，对大学生思想道德的形成具有春风化雨般潜移默化的影响。首先是创建良好的物质环境。所谓物质环境，是指馆容馆貌、建筑设施、环境布置等物化形态，它是图书馆的外在标志。宽敞明亮的阅读环境、干净整洁的书架、排列有序的书籍、一尘不染的桌椅，能使人心情舒畅，奋发进取；其次是创建和谐的人文环境。人文环境，主要体现于馆员的精神面貌上，馆员的人格、形象、作风、言语、仪表、行为，对于大学生无疑是一种无形而有力的影响。轻松、惬意、舒适的人文环境，可激发读者求知欲望和探索热情。高校图书馆作为大学生课外活动和学习的重要场所，是实施思想政治教育不可缺少的阵地。

4.5提高馆员综合素质，发挥育人功能要发挥高校图书馆思想政治教育作用，关键在于提高工作人员的整体素质，重视馆员自身的思想建设。没有一支高素质的人才队伍，就不可能建设高品位的校园文化，就无法履行图书馆的教育职能。

首先，要重视馆员思想理论水平的提高。必须做到爱党、爱国、遵纪守法、严于律己。其次，是加强业务素质的提高，具备与社会相适应的现代科学文化知识和现代业务技能，能适应新时代的要求。“坚持教育与管理相结合的原则，要在实践上把思想政治教育融于日常管理之中”，[4]要高度负责，关爱学生，廉洁自律，作风民主。

5结语

大学生的思想政治教育是一项长期而艰巨的任务。高校图书馆应树立以人为本的观念，充分发挥其资源优势，创建良好的育人环境，提高馆员队伍整体素质，把图书馆建设成为真正的大学生素质教育的育人基地。

参考文献：

[1]廖女男等.网络文化视野下高校思想政治教育的创新发展[J].中国高等教育,2011,(19).

[2]阮喜荣.高校图书馆与大学生思想政治教育[J].文教资料，2009,(3).