神经网络的特点分析论文（精选6篇）
在日常学习和工作中，大家都不可避免地要接触到论文吧，论文写作的过程是人们获得直接经验的过程。相信很多朋友都对写论文感到非常苦恼吧，以下是小编收集整理的神经网络的特点分析论文，欢迎大家借鉴与参考，希望对大家有所帮助。
神经网络的特点分析论文 篇1
神经网络的特点分析
（1）神经网络的一般特点
作为一种正在兴起的新型技术神经网络有着自己的优势，他的主要特点如下：
①由于神经网络模仿人的大脑，采用自适应算法。使它较之专家系统的固定的推理方式及传统计算机的指令程序方式更能够适应化环境的变化。总结规律，完成某种运算、推理、识别及控制任务。因而它具有更高的智能水平，更接近人的大脑。
②较强的容错能力，使神经网络能够和人工视觉系统一样，根据对象的主要特征去识别对象。
③自学习、自组织功能及归纳能力。
以上三个特点是神经网络能够对不确定的、非结构化的信息及图像进行识别处理。石油勘探中的大量信息就具有这种性质。因而，人工神经网络是十分适合石油勘探的信息处理的。
（2）自组织神经网络的特点
自组织特征映射神经网络作为神经网络的一种，既有神经网络的通用的上面所述的三个主要的特点又有自己的特色。
①自组织神经网络共分两层即输入层和输出层。
②采用竞争学记机制，胜者为王，但是同时近邻也享有特权，可以跟着竞争获胜的神经元一起调整权值，从而使得结果更加光滑，不想前面的那样粗糙。
③这一网络同时考虑拓扑结构的问题，即他不仅仅是对输入数据本身的分析，更考虑到数据的拓扑机构。
权值调整的过程中和最后的结果输出都考虑了这些，使得相似的神经元在相邻的位置，从而实现了与人脑类似的大脑分区响应处理不同类型的信号的功能。
④采用无导师学记机制，不需要教师信号，直接进行分类操作，使得网络的适应性更强，应用更加的广泛，尤其是那些对于现在的人来说结果还是未知的数据的分类。顽强的生命力使得神经网络的应用范围大大加大。
1.1.3自组织神经网络相对传统方法的优点
自组织特征映射神经网络的固有特点决定了神经网络相对传统方法的优点:
（1）自组织特性，减少人为的干预，减少人的建模工作，这一点对于数学模型不清楚的物探数据处理尤为重要，减少不精确的甚至存在错误的模型给结果带来的负面影响。
（2）强大的自适应能力大大减少了工作人员的编程工作，使得被解放出来的处理人员有更多的精力去考虑参数的调整对结果的影响。使得更快的改进方法成为可能。
（3）网络工作过程中考虑数据和网络的拓扑结构的问题，更类似人类大脑思考问题的方式，问题的'解决更符合人的特点，使得结果的可信程度加大。
（4）无导师学习机制，不需要教师信号。对于地球物理勘探这类的很少有准确的教师信号作为指导的问题而言，这一点很有优势，很好的模仿人脑，所得结果是其他方法处理结果的很好的参考。
1.1.4完成本课题的目的
本课题的目的就是通过毕业设计这一过程学习神经网络的基本原理、方法和应用情况，在了解自组织特征映射神经网络原理的基础上探索这样的方法、工具在地球物理数据处理上的应用，例如在储层识别方面。并且同一部分其他方法对比，分析各个方法的特点，为后面的工作打基础。
针对传统地球物理勘探数据处理方法存在的问题，结合自组织特征映射神经网络的优点，尝试这样的一个新方法，看他们这一问题上的表现如何，争取找到一个相对合适的方法。
保存所做的工作，为以后在这方面感兴趣的同学留下有限的一部分参考。国内外研究的过程及现状
人工神经网络是近几年来循序发展的人工智能新技术，他比专家系统、模糊理论等人工智能技术具有更高水平。
人工神经网络在80年代中期得到了飞速的发展。1982年美国加州州立理工学院物理学家Hopfield教授提出了Hopfield人工神经网络模型，他将能量函数的概念引入人工神经网络，并给出了稳定性的判据，开拓了人工神经网络用于联想记忆和优化计算的新途径。
人工神经网络模拟人类部分形象思维的能力，是模拟人工智能的一条途径。特别是可以利用人工神经网络解决人工智能研究中所遇到的一些难题。人工神经网络理论的应用已经渗透到多个领域，在计算机视觉、模式识别、智能控制、非线性优化、自适应滤波相信息处理、机器人等方面取得了可喜的进展。
1.2.1国外研究发展的过程
神经网络诞生半个多世纪以来，同其他事务一样发展不是一帆风顺的，大体上经历了以下5个阶段：
（1）奠基阶段。
早在20世纪40年代初，神经解剖学、神经生理学、心理学以及人脑神经元的电生理的研究等都有一定的成果。其中，神经生物学家McCulloch提倡数字化具有特别的意义。他同青年数学家Pitts合作，从人脑信息处理观点出发，采用数理模型的方法研究了脑细胞的动作和结构及其生物神经元的一些基本生理特性，提出了第一个神经计算模型，即神经元的阈值元件模型，简称为MP模型，他们认识到了模拟大脑可用于逻辑运行的网络，有一些结点，及结点与结点之间相互联系，构成一个简单神经网络模型。其主要贡献在于，结点的并行计算能力很强，为计算神经行为的某此方面提供了可能性，从而开创了神经网络的研究。这一革命性的思想，产生了很大影响。
（3）第一次高潮阶段。
在1958年计算机科学家Rosenblatt基于MP模型，增加了学习机制，推广了MP模型。他证明了两层感知器能够将输入分为两类，首先假如这两种类型是线性并可分，也就是一个超平面能将输入空间分割，其感知器收敛定理：输入和输出层之间的权重的调节正比于计算输出值与期望输出之差。
他提出的感知器模型，首次把神经网络理论付诸工程实现。例如，1957年到1958年间在他的帅领下完成了第一台真正意义上的的神经计算机，即：MarkⅠ的感知器。他还指出了带有隐含层处理元件的3层感知器这一重要的研究方向，并尝试将两层感知器推广到3层。但是他没有能够找到比较严格的数学方法来训练隐含层处理单元。这种感知器是一种学习和自组织的心理学模型，其结构体现了神经生理学的知识。当模型的学习环境含有噪音时，内部结构有相应的随机联系，这种感知器的学习规则是突触强化律，它可能应用在模式识别和联想记忆等方面。可以说，他的模型包含了一些现代神经计算机的基本原理，而且是神经网络方法和技术上的重大突破，他是现代神经网络的主要构建者之一。Rosenblatt的行为激发了很多学者对神经网络研究的极大兴趣．美国的上百家有影响的实验室纷纷投入到这个领域，军方给予巨额资金资助，比如，对声纳波识别，迅速确定敌方的潜水艇位置，经过一段时间的研究终于获得了一定的成果。这些事实说明，神经网络形成了首次高潮。
（4）坚持阶段。
神经网络理论那些遥远的但是并非不可达到的目标着实吸引着很多人的目光，美国军方认为神经网络工程应当比“原子弹工程”更重要，并且对它的投资兴趣巨大，而对它的实践效果也比较满意。这时，Minsky比较关心的是人工智能的发展与前途问题。以顺序离符号推导为其基本特征与神经网络大相径庭。他引发学术界的争议，导致对人工智能投资的增加。他从感知器的功能及局限性入手，在数学上进行了分析，证明了感知器不能实现XOR逻辑函数问题，也不能实现其它的谓词函数。他认识到感知器模式的简单神经网络对于认知群不变性的无能为力。1969年Minsky和Papert在MIT出版了一本论著Percertrons，对当时与感知器有关的研究及其发展产生了十分负面的影响，使得有些学者把研究兴趣转移到人工智能或数字电子计算机有关的理论和应用方面。这样，推动了人工智能的发展，使其占了主导地位。美国在此后15年里从未资助神经网络研究课题，致使前苏联有关研究机构也受到感染，终止了已经资助的神经网络研究的课题。
（5）第二次高潮阶段。
1981年芬兰Helsink大学的T.Kohonen提出了自组织映射网络模型(Self-OrganizingfeatureMap,简称SOM)，又称Kohonen网。Kohonen认为，一个神经网络接受外界输入模式时，将会分成不同区域，各个区域对输入模式有着不同的响应特征，而且这一过程是自动完成的。映射具有拓扑性质，对一维、二维都是正确的，并在计算机上进行了模拟，通过实例所展示的自适应学习，学习效果显著。他认为有可能推广到更高维的情况。但是当时，他的自组织网络的局部与全局稳定性问题还没有得到解决。值得一提的是，Hinton和Anderson的著作ParallelModelsofAssociativeMemory产生了一定的影响。由于理想的神经元连接组成的理论模型也具有联想存储功能，因此具有特别有意义。这类神经网络从40年代初期就有学者在研究。当然，不同时期的研究总有新的认识。1982年生物物理学家Hopfield详细阐述了它的特性，他对网络存储器描述得更加精细，他认识到这种算法是将联想存储器问题归结为求某个评价函数极小值的问题，适合于递归过程求解，并引入Lyapunov函数进行分析。在网络中，节点间以一种随机异步处理方式相互访问，并修正自身输出值，可用神经网络来实现，从而这类网络的稳定性有了判据，其模式具有联想记忆和优化计算的功能。并给出系统运动方程，即Hopfield神经网络的神经元模型是一组非线性微分方程。
（6）新发展阶段。
从神经网络理论简短的发展历史来看，它们的高潮阶段是十分容易度过的。IJCNN91大会主席Rumelhart意识到这一点，在他的开幕词中有一个观点，神经网络的发展已到了一个新的转折的时期，它的范围正在不断扩大，其应用领域几乎包括各个方面。半个世纪以来，这门学科的理论和技术基础已达到了一定规模，但是神经网络到新发展阶段，需要不断完善和突破，使其技术和应用得到有力的支持。
1.2.2国内神经网络发展的历史
国内最早涉及人工神经网络的著作是涂序彦先生等于1980年发表的《生物控制论》一书，书中将“神经系统控制论”单独设为一章，系统地介绍了神经元和神经网络的结构、功能和模型。随着人工神经网络20世纪80年代在世界范围内复苏，国内也逐步掀起了研究热潮。1990年2月，由中国八个学会联合在北京召开“中国神经网络首届学术大会”。收到了来自全国的300多篇论文，从而开创了中国神经网络及神经计算机方面科学研究方面的新纪元。
1.2.3神经网络发展现状
几十年的发展使得神经网络上升到了一个新的高度，国外的发展十分迅速而且富有成果，在信息领域、自动化领域、工程领域、医学领域、经济领域都取得了丰硕的成果，特别是美苏军方对神经网络的投入大大刺激了神经网络的发展，吸引了一大批有识之士加入到这一行列，经历了第二次高潮阶段之后，神经网络的发展更加迅速带来了新的技术成果。如：手写输入、语音识别、联想记忆、节能、卫星动作监测、信贷分析等等。
经过多年的发展，国内学术界和工程界在人工神经网络的理论研究和工程应用方面也取得了丰硕成果，学术论文、应用成果和研究人员的数量逐年增长。医疗、中药、病人分类等方面尤其在石油工业神经网络的发展十分迅速，物探的储层识别等方面应用十分突出。这方面的学术论文迅速增加，并取得了一定的成果，为物探的发展开辟出一个新的方向。
神经网络的特点分析论文 篇2
摘要：软件需求分析不仅仅是为了让开发者满足用户要求，而且还可以帮助用户了解软件的性能和功能，具有一举两得的效果，但是如果软件需求不符合实际需求，就会出现风险，导致返工。在BP神经网络的基础上，我们建立了软件需求分析风险评估模型，以减少软件开发的失败率，规避因软件需求分析失误而带来的实际存在的或潜在的风险。
关键词：风险；软件需求；BP神经网络；研究；分析
软件开发过程中，需求分析是一个关键性的阶段。导致它失败的原因有很多，例如开发者和用户之间的沟通障碍、软件本身的隐含性、需求信息的不对称等等。这些问题导致的返工，增加了开发的成本，也损坏了企业形象，更可能流失掉部分用户。因此，我们必须对软件需求分析进行风险评估管理，把负面影响降到最低。现代商业发展中，各企业和企业之间的竞争日趋激烈,掌握最新的技术，对技术进行创新，才是企业在行业内立足脚跟，获得更加长远发展的方法，因此要想牢牢地把握企业的运命就需要我们保持对技术创新的热情，并在这条道路上乐此不疲。21世纪，只有掌握了最新和最具有创造性的技术，才能赢的最后的胜利，本文把BP网络与软件需求分析风险评估模型相结合，具有十分重要的意义。
1BP神经网络
BP神经网络是开发者使用最多的神经网络之一，它具有算法简单、极强的鲁棒性、收敛速度极快等优点。最重要的一点是能够最大限度的接近其真实系统，非常适合于线性的、不确定的、模糊的软件风险数据。BP算法是一种用于前向多层神经网络的的反传学习算法。采用BP算法的数层感知器神经网络模型，它的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。模糊理论采用模糊数学的方法，通过抽象思维，对处于多种因素作用下的事物做出总体评价。它的两大主要特征是：第一，结果清晰；第二，系统性强，这非常适合于各种非确定性问题的解决。
2软件需求分析风险评估模型
开发过程中，了解软件需求是很重要的。软件开发主要是依据需求的不同而设计出的产品。它包括了业务需求（组织和客户高层次的目标）、用户需求（用户要求必须具备的需求）、功能需求（用户可以通过完成任务满足业务需求的产品中必须体现的软件功能）。各种不同的需求都以不同的角度来呈现，需要进行多方位的分析方可得出准确的结论。软件需求分析就是对用户所需软件应具备的属性进行分析，满足用户的真正需求。在完成软件需求分析后，我们要能得出用户所需的软件系统要能够做到哪些功能，对此还要有详细准确的说明书，也就是用户的使用说明书，让他们更快的了解产品。优秀的需求具有以下特点：完整性、准确性、可行性、必要性、无歧义性和可行性。软件需求分析风险是指由于多方面的影响，如用户参与度、用户需求的拓展变化、多角度的考虑、设计的精准度和用户与开发者的充分沟通等等，而造成需求分析的不准确使得用户的软件需求得不到满足。该风险评估模型主要是为了降低软件需求分析中存在的风险，从而使得评估需求分析更具加有效和更易操作。
3一种基于BP神经网络的软件需求分析风险评估模型
本文把BP神经网络和模糊理论加入到软件需求分析风险评估模型中，利用BP神经网络的非线性映射属性和模糊理论的超强表达能力与被理解力，帮助提高风险评估的有效性和预测性。软件需求分析风险的评估模型包括风险识别、风险分析、风险评估三个模块。风险识别的主要目的是考察研究软件需求分析阶段具体的情况，识别并记录该阶段存在的或潜在的风险，输入来源是专家的经验分析和历史风险数据库。
一般步骤包括：
a:找出软件需求分析风险指标；
b:搜索历史数据库，列出存在的数据库中的历史案例；
c:通过专家分析，列出具有风险等级的列表；
d:将确定了的风险列表提交数据库并更新。风险分析是细化第一阶段的风险，分析其产生的.影响和等级，找出各指标与风险级别之间的线性关系亦或非线性关系。本文引入BP神经网络和模糊理论，利用BP神经网络实现风险评估指标和风险级别之间的非线性映射关系，还利用模糊理论的超强表达能力和容易理解的属性，提高整个风险评估模型的学习能力和表达能力，得出更符合实际的评估报告。
主要的方法包括：
a:揭示原因和结果之间的联系，追根溯源；
b:建立模型进行认识和理解；
C:通过尝试各种组合找出导致失败的因素。风险评估需最后明确所有存在的风险和它们的等级，给予开发者一个详细的报告。本阶段只要利用BP神经网络的输入层、输出层、隐含层数、隐含层节点数。输入层节点是经过模糊预处理的17个需求分析风险评估指标；输出层节点是需求分析风险等级；隐含层数越多性能越高误差越低；隐含节点越多，网络功能越强大，但是过多则会使网络功能减弱。
在BP神经网络基础上，建立的软件需求分析风险评估模型，它操作的流程大致是三个方向。首先，识别软件需求分析阶段存在的、潜在的风险；然后，利用BP神经网络和模糊理论的特有属性、众多优点进行分析，通过历史数据库，专家知识、专家讨论，列出风险表格；最后，对风险进行最后的评估，从而有效预测软件开发过程中所遇到的风险，并且进行规避。
4结束语
随着经济的高速发展，网络软件也成为人们工作生活中一个非常重要的工具。软件需求的增多带来了很多的问题，软件开发的过程充满了阻碍，软件需求的满意度也在日渐降低。因此，提高软件开发的速度、保证开发软件的质量，降低风险、减少开发成本、满足用户真正的需求等等，对软件需求分析风险进行评估，建立软件需求分析风险评估模型，是一件非常值得研究和实施的事情。本文研究的内容不仅仅达到了需求分析的目的，提出了新的思维方式和参考方向，而且还能更有效的预测软件需求分析风险，真正满足用户的软件需求。基金项目：吉林省教育厅“十二五”科学技术研究项目“基于AHP和群决策向量分析高校干部综合测评方法和系统实现”（吉教科合字第2013402号）；吉林省教育科学“十二五”规划课题“构建以学习者为主体的远程教育支持服务体系的研究”。
参考文献：
[1]李华,曹晓龙,成江荣.BP神经网络在软件项目风险评估中的应用[J].计算机仿真,2011,28(07):374-378.
神经网络的特点分析论文 篇3
1神经网络的概念及特点
1.1神经网络的概念
神经网络是一个并行、分布处理结构，是由神经元及称为联接的无向讯号通道互连而成。人工神经网络(ArtificialNeuralNetwork，ANN)指的则是模仿生理神经网络的结构和功能而设计的一种信息处理系统，即由多个非常简单的处理单元彼此按某种方式相互连接而形成的信息处理网络[3]。
1.2神经网络的特点
在人工神经网络中，由于网络中的每一个单元都是独立的信息处理单元，因此其计算可独立进行，而整个网络系统却是并行计算的。这不同于传统的计算机的串行运算。由于神经网络是一个大规模互联的复杂网络系统，因而是大规模的并行处理，这在一定程度上提高了系统的处理速度，同时也为实时处理提供了重要条件。人工神经网络与人脑类似，具有学习的功能。通常只要给出所需的数据、实例，由网络去学习，而学习获得的知识都分布储存在整个网络的用权系数表示的连接线上。不同网络因学习方法及内容不同，可得到不同的功能和不同的应用。因而有可能解决传统人工智能目前最感困难的机器学习中知识获取、知识表示等问题。此外神经网络还对于输入数据的失真具有相当的弹性。
1.3常用的神经网络算法
常用的神经网络算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多层感知器、Kohonen特征映射网络、反馈多层感知器模型等[4-5]。其中，ART模型和Kohonen特征映射网络、模糊模型ART属于无监督训练算法，而反馈多层感知器模型是受限反馈，ARTMAP模型、ART模型属于反馈的网络拓扑结构。
2神经网络在网络入侵检测中的应用
2.1神经网络应用于网络入侵检测的优势
由于神经网络对于数据训练获得预测能力的过程是通过完全抽象计算实现的，而不强调对于数据分布的假设前提，因此在建立神经网络模型过程中没有必要向神经网络解释知识的具体细节。同时，神经网络在网络入侵检测中，可以通过数据运算而形成异常的'判别值，这样可以对于当前是否受到攻击行为影响做出判断，从而实现对检测对象是否存在异常情况的检测[6-8]。
2.2神经网络在网络入侵检测中的应用
神经网络在网络安全尤其是入侵检测方面已有了相当的研究[9]。有研究者将组织聚类神经网络应用于计算机安全研究中，其采用了自适应谐振学习法进行数据的前期训练，对于无显著意义的平均误差减少时，采用遗传算法继续在前期基础上进行数据数据以得到最佳的权值。国内也在神经网络应用于网络入侵检测上做了大量工作。王勇等研究者在参考MITLincoln有关网络入侵检测方法基础上，提出了基于Linux主机的网络入侵检测方案，实现了对于多种网络攻击的特征进行抽取及检测的目的[10]。
神经网络在网络入侵检测中有广泛的应用空间[11-12]，今后应该扩大训练数据的数量和范围，并扩大操作系统的研究空间，通过模拟真实的计算机网络环境，将神经网络技术真正应用于计算机安全尤其是入侵检测工作中。
神经网络的特点分析论文 篇4
摘要：神经网络是人工智能领域不可或缺的部分，当前最常见的几种神经网络分别是感知器网络、BP网络、柯荷伦网络、竞争网络，这几种网络各具特点，最后给出了两个使用BP网络解决实际问题的例子。
关键词：神经网络人工智能机器学习控制算法
控制理论从提出到目前为止，一共经历了三个重大的发展时期，分别是经典控制理论、现代控制理论和智能控制理论。智能控制属于较新的控制理论，它现在主要用于人工智能领域。为了使更多的人了解到人工智能，推动控制理论的不断前进，就需要对神经网络进行推广。
1典型神经网络
1.1感知器
感知器的工作原理是使用直线、平面等切割平面或立体空间，将这些平面或空间分成若干不同的区域[1]，以达到对输入信号进行分类的目的。感知器在使用前，需要先进行训练。训练感知器的主要目的是调整它的权值。训练感知器时，通过选择典型的输入类型，这些输入需要能代表所有的输入类型，然后将这些数据输入到感知器中对感知器进行训练。训练之后，感知器网络的节点数及权值得到了调整。当感知器训练完成之后，就可以进行工作了。
1.2BP网络
BP网络是当前使用得最多的一种神经网络，它的主要功能是对非线性有理函数进行逼近，以满足对非线性系统的控制作用。一般使用最速下降法对BP网络进行训练，将误差反向传播，当有大量的数据通过BP网络时，网络的权值和阈值得到调整，并使得网络的误差系数降低到最小[2]。下式是不含反馈的神经网络的输入与输出关系：以上表达式不能表示具有反馈方式的神经网络，如果需要表示BP网络，还需要对上式加入反馈部分，如下式所示：当训练结束之后，此神经网络即是BP网络，它就可用于对非线性系统的控制。它将输出反馈到输入，作为输入的一部分，以达到对系统权值的持续调整，消除非线性影响的作用。
1.3竞争网络
竞争网络一般用于对大量具有典型特征的数据进行分类，它是一种单层网络，包括输入层和竞争层，输入层和竞争层共用一个权值函数。竞争网络的训练和工作并未像其它神经网络那样明确分开，而是在工作的.过程中实现对网络的训练。它的训练方式是无监督式的，训练过程是通过竞争，将获胜节点的权值进行调整，从而使网络的输出于输入间的误差逐渐减小，在这个竞争过程中，就可以通过输出的不同，而将输入分成不同的类型，以实现自动分类的功能。
1.4柯荷伦网络
为了实现对具有概率分布模式的数据进行分类，可以利用柯荷伦网络模型。柯荷伦网络网络模型与普通的网络模型很相似，它的不同之处在与它在训练过程中对节点的调整方法的区别。柯荷伦网络模型对节点的调节方式与竞争网络的比较相似，都是通过竞争来确定需要调整的网络节点，竞争网络只需要调整竞争获胜的节点，而柯荷伦网络除了需要调整竞争获胜的网络节点，还需要调整获胜节点的临近节点。
2BP网络在智能系统中的应用
2.1联想记忆
在信号处理、语音和图像识别等领域，当输入数据具有干扰或需要网络具有纠错能力时，就需要网络能够识别出这种错误，并将其纠正过来。为了能得到具有这种功能的神经网络，可以先将识别对象转换成网络的平衡节点，通过调整节点的权值，使其记住这些目标。然后再通过不断对网络输入学习数据，使其不断进行联想，最终使目标模型的特征收敛到网络的平衡节点上。例如在进行文字处理时，为了能是神经网络具有识别出错误文字的功能，可先将特定模型的文字转化成网络平衡节点，然后在对网络输入正确的文字，在不断的训练过程中，网络就能实现对错误输入的识别作用。
2.2优化计算
霍普菲尔德的网络稳定性判别函数以能量为基础。当系统不稳定时，能量会逐渐减小，并最终趋于稳定。在大规模电力线路的设计过程中，为了使设计的电子线路系统最优，就需要对设计不断进行优化。通过对系统网络进行分析，求解出网络的最优参数之后，将这些参数转换成神经网络中的平衡节点。在对神经网络进行训练之后，网络就可以通过不断循环优化，最终设计出一个最优电子线路系统。
2.3影像处理
在人造成像系统中，无论是光学成像，还是声波成像，以及电磁波成像，由于在对影像进行采集和处理的系统一般是数字系统，并且数字信号本身比模拟信号具有更强的抗噪能力，在采集和处理过程中，必须先对影像资料进行数字化处理，将模拟信号转换成数字信号。因此，最终采集到的影像资料都是不连续的。
当前对影像数据的处理主要包括：处理因焦距问题而产生的影像模糊;影像噪声含量较多时将噪声处理掉;使用边缘检测的方法，得到图像的特殊属性。影像处理所涉及的领域也非常宽广，如对影像进行分类、在医学中对药物反应的影像进行分析等。
神经网络的特点分析论文 篇5
摘要：文章通过对国内外医院预算管理的对比分析，引出医院对全面预算精细化管理的要求;结合传统预算管理方法不准确的弊端，对比智能化的神经网络系统处理方式，提出了基于神经网络的医院全面预算管理方法。通过分析神经网络对医院全面预算管理处理的理论基础，构建了医院全预算管理与神经网络对应关系的模型。详细阐明了神经网络学习过程，仿真结果表明，基于神经网络训练模型，能够对预算全程进行精确预测和控制，较好地完成医院全面精细化预算管理
关键词：管理学论文
全面预算管理主要是指全员参与、财务及经营收支全额纳入预算、预算全过程的管理。它最早产生于企业，先后在美国通用电器、通用汽车公司提出并应用，并随着企业的发展而日益完善。近几年在国内医院也得到了应用，全面预算管理的实施，促进了医院内部人与人、部门与部门间的了解与合作，使医院战略目标与预算得到落实。
一、国内外医院预算管理的对比
医院的预算管理，国内外差别较为明显。以澳大利亚为例，该国每年对公立医院实行全额预算补贴，支付形式是按病种结算。医院必须按照就诊人次和诊断的疾病种类来计算收费金额，而后同政府部门或保险公司结算，这一方式与医院为患者提供的实际服务项目及成本无关。因此，医院对医疗成本的控制十分重视，在保证医疗质量的前提下，想方设法减少药品、检查、检验及材料的成本，严格禁止患者进行重复检查。项目的预算要求非常具体，数据精确度也非常高。而国内，医院的收费是按服务项目收取，每项医疗服务由物价部门统一确定收费标准，这种收费模式，导致医院把主要精力集中在“创收”上。但随着我国医疗体制改革的推进，特别是目前已经试点的单病种、临床路径管理，很多项目也逐步向国外先进管理模式靠拢。从新《医院财务制度》中可以看出，医院独立性越来越强，对预算管理要求也会越来越高，医院内部预算管理将更加全面，这就需要医院预算管理要在精、细、准上下功夫。
二、对现有医院预算管理方法的分析
现行医院预算管理方法不够科学，很难达到精、准要求。为了求得预算值，实际工作中一般采用平均值法，表示公式为：项目预算=其中，i为拆分的某个子项目;x为上期预算;y为上期决算;n为项目拆分后的子项目总数;k为调整系数。该方法是以上期预决算作为基础参照，求得一个参考值。值得注意的是，上期预算和上期决算的合理性并不能得到保证，因此这个参考值是不准确量。为使参考值趋于合理，并符合一般项目预算变化率，通常需要经专家组综合评价后，进行部分校正，确定相对合理的调整系数，最终将预算参考值与调整系数的乘积作为本期预算。而确定的系数合理到什么程度，很难判断，只能靠经验，很容易出现预算偏差。传统预算编制方法主要有固定预算、增量预算、零基预算、确定性预算和概率预算。所有这些预算方法都是按照线性思维考虑，各有利弊，在医院部分预算项目管理中，也可能综合运用，但很难考虑到医院整体的综合性、复杂性，以及项目之间的相互影响力。因此，单靠人为估算不是科学的.办法，在实际执行中存在许多不确定性，不能保证预算目标得以实现，无法满足医院精细化和全面管理的需要。而新型的神经网络预算方法基于非线性，有较高的复杂度，而且考虑了误差反馈校验。该方法应用到医院全面预算管理全过程，可以满足医院全面预算的精细化需求。
三、神经网络的特点
神经网络(NeuralNetworks)是20世纪80年代兴起的一种实用的多学科交叉处理技术，是模仿人脑行为特征、进行分布式并行信息处理的数学算法模型。它具有非线性和自适应的动态系统特征，这一处理方法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权重，从而达到处理信息的目的。神经网络有两大智能特性，即具有自学习和自适应调控的能力，可以通过预先提供的一组相互对应的输入——输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出目标结果，这种学习分析的过程通常被称为“训练”，就像人类一样，通过学习和训练，学习新技术、新方法，用于解决实际工作中的新问题。神经网络已经成为一种智能控制方法，广泛应用于生产、企业管理等多种社会实践中，进行预测、控制。
四、神经网络应用于医院预算管理的可行性
医院信息化建设的普及，给精细化管理提供了基础数据元，为全面预算的精准控制打下了基础。特别是部分医院建立了大数据中心、信息系统平台，可以直接通过接口采集各类原始数据。将相关数据进行模型化处理，采用神经网络算法，即可应用于预算管理的全过程。使用神经网络算法，仿人脑思考，使得预算计算方法更加科学，由过去的一般线性计算发展到非线性，增加了复杂度，与实际更趋一致。以人员工资支出为例，过去只作正常增资额，作线性处理，而现在可以把员工工资分成三部分，一是人员变动情况;二是基本工资正常增资，可使用人事信息，采用分段函数准确计算出下一预算周期的基础工资额;三是绩效工资，它处于比较复杂的非线性变化，因为要参考每月的实际工作量及医院收支变化，还要引入各种医疗因素的反馈信息，再加上医院上期数据对下期发展的影响因素等等。面对这种诸多因素的复杂影响时，一般算法很难进行合理处理，而采用神经网络算法，却可以解决。这只是列举了一个较为简单的例子，相对于人员工资支出，医院新建项目、新技术应用等的预算精确管理则更为复杂，需要考虑的因素也更多。针对医院全面预算中出现的一些不确定性和高度非线性因素的影响，神经网络的独特优点有了用武之地，它能够充分接近复杂的非线性映射关系，可以学习和适应不确定因素的动态特质，具有较强的容错性，此外，由于神经网络采用矩阵算法，可以进行快速的海量数据运算。
五、神经网络在医院全面预算管理中的应用
(一)神经网络的构成
神经网络一般包括三层：输入层、隐含层和输出层。针对医院全面预算，输入层可以是各种医院基本元数据以及医院综合运行指标，越细化越好。隐含层是神经网络的算法核心，是复杂的智能化处理的中间态，这对神经网络使用者来说是不可见的。输入层参数主要包括：科室基本情况，包括床位、科室人员、影响力等;患者基本情况，指本科室患者信息，如年龄、性别、职业等;疾病情况，包括ICD10疾病诊断、病程及入出院情况等;患者医保类型;检查、检验、治疗、手术等情况;科室请领的相关物耗等信息;科室设备使用情况;科室消耗的水、电、氧气等;门诊诊疗情况;输液用药情况;医院运行指标，如门诊人次、住院床日等;按账单类别分类的门诊、住院费用;人员工资成本;患者满意情况;其它各类指标(整个医院相关运行指标近百种)。输出层：包含单项目预算、患者医保预算、科室预算等各种收入预算、支出预算，涵盖医院全面预算涉及的各方面内容。
(二)神经网络的建设
决定神经网络拓扑结构的是隐含层(隐含层可能是多层)及其所含节点数，以及节点与节点之间的连接方式。要从零开始建设一个神经网络，首先要做的是确定隐含层和节点数，对应的活动函数的形式以及权重限制等。如果采用成熟的工具软件箱，将会大大节约调整时间，减少建设适应周期。数据从输入层到输出层的过程是一个从前向后的传播过程，后面节点的数值通过它前面相连的节点传递过来，然后把这个值按照各个连接权重的大小加权，输入活动函数再得到新的数值，继续传播到下面的节点。当节点的输出值与我们预期的值不同，也就是发生误差时，神经网络就要“学习”。学习过程如下：如果一个节点输出发生较大误差，那么就需要看这一误差是受哪些输入节点的影响而造成的，是不是受到了权重最高的节点的影响，如果是，则要降低这一节点的权重，同时升高其它节点的权重值。对那些降低权重的节点来说，也需要用同样的方法来进一步降低它前面的节点的权重。按照这样的做法把权重值进行调整，一步步向前传播，直到权重调整到输入节点为止。对训练的每一条记录都要重复这个步骤，用向前传播得到输出值，如果发生较大误差，则用此方法进行学习。当把训练的每一条记录都运行过一遍之后，便完成了一个训练周期。结合医院实际运作方式，一般一个训练周期定为一个月，要完成神经网络的训练可能需要很多个训练周期，至少要几十次，经常要经过上百次学习。神经网络学习次数越多，误差越小，未来的医院预算执行越准确。训练学习完成之后得到的神经网络就是相对完善的模型，描述了全面预算受医院基础变量影响的变化规律。
(三)误差校正
对于单输入、单输出神经网络模型，非线性系统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)分别表示在t时刻的输出、输入变量，f()为未知的非线性映射，k为输入输出的系统阶次。针对医院预算实际情况，我们按上图中所示的神经网络模型，有n个医院基础信息和运行指标输入变量，m个预算种类输出变量，此非线性系统可用差分方程表示为：通常有两种方法，可以预测神经网络未来的输出，一是递推法，二是非递推法。由于神经网络结构相当复杂，建模难度极大，一般不采用非递推法。在此我们利用递推法，来预测神经网络未来d步的预算输出。
六、结束语
神经网络和一般统计方法在本质上有很大差别。一般统计方法的参数有几种或十几种，但神经网络的参数可以达几十种甚至上百种。由于参数众多，基本涵盖了医院所有指标，参数又可以重新组合，以新的形式来影响输出的预算结果，以至于很难对一个神经网络模型做出直接的解释。实际上神经网络的隐含层尽管复杂但对用户来说是看不到的，也就是当作“黑匣子”来使用，不用去管“黑匣子”的具体存储内容以及“黑匣子”的详细运算步骤，只管使用即可，所以神经网络系统尽管复杂深奥，但对操作者来说是简单的。事实上，神经网络初次上线，前期准备是相当复杂的，即使隐含层只有一层的神经网络，输入层、隐含层到输出层的映射关系函数也可达几百种，还需要通过数据图表找出映射关系模型，只有全面明确了相关映射，才能真正构建起神经网络，完成“黑盒”的封装，为以后的医院预算服务。
神经网络的特点分析论文 篇6
神经网络是目前应用最为广泛的网络模型之一，结合神经网络构建一套安全、可靠的计算机安全评价体系，对网络安全有一定的保障作用。将神经网络有效地应用于计算机网络，有利于降低网络安全风险。文章对神经网络和计算机网络安全进行了概述，通过BP神经网络构建可靠的计算机网络安全评价体系，阐述了基于神经网络的计算机网络安全评价系统应用意义，弥补传统计算机网络安全中存在的诸多问题及不足。
计算机网络的快速发展和技术的广泛应用给人们的生产生活提供了便利，但同时，也带来了一些不容忽视的安全隐患。近年来，影响计算机安全的因素很多，例如犯罪团伙利用网络等高科技进行犯罪的案例屡见不鲜。对此进行严格防范，更好地促进计算机和互联网的发展，需要对计算机网络安全进行评价，建立安全、有效的计算机网络评价系统，网络安全评价体系可以对整个计算机网络进行评估和分析，完善评价体系，使系统更准确、可靠，其中使用率最高的则是神经网络。
1神经网络的概述
1.1神经网络的简介
神经网络又被称为链接模型，它效仿了生物神经网络而建立，它以人脑的信息处理方式为基础，采用建立数学模型的方式研究大脑行为结构和生物神经元基本特征，世界上第一个神经网络模型是由数学家和生物学家共同提出。神经网络复杂多变，它是由神经元内部通过大量节点进行相互连接形成的一种网络结构，其中每个神经元都可处理信息，从而达到处理海量信息的规模。随后，计算机学家在原有的神经网络模型的基础上增加了学习机制，将神经网络技术应用在工程中，设计出了感知器神经网络模型，我国的计算机学家和数学家通过对神经网络的分析，展开长期的研究工作，掌握了模型的实质，研究表明，神经网络模型适合应用在不同的研究领域。
1.2神经网络的功能
神经网络是一项人工智能系统，是通过生物神经网络的工作原理建立而来，它的应用具有全方位的优越性能。计算机神经网络系统还可实现预测功能，此功能为联想模式的升级版，主要运用于市场和企业中，例如股票等证券市场，预测功能可对股市证券和企业的未来效益进行预测分析，基于计算机的神经网络为市场和企业的发展提供了强有力的支持。正是有这些优越性能，神经网络系统在计算机网络安全评价过程中，才能发挥出最大的价值。
2计算机网络安全概述
2.1计算机网络安全的简介
计算机网络安全是指在网络环境中，采用先进的科学技术和网络管理控制措施来保证计算机资料能得以安全及完整的保护。计算机网络安全由逻辑安全和物理安全两大重要部分组成：第一，计算机的逻辑安全是指其中信息数据的保密性、完整性及可用性方面的内容;第二，物理安全包括了系统中的组网硬件和相关软件等方面内容，其具有可控性及可审查性等特点。在当今的计算机网络环境中，安全问题是关键，由于网络的开放自由性导致信息在传播过程中会受到硬件漏洞或者通讯协议方面的攻击，这不仅给本地用户带来威胁，对国际网络市场也是一种挑战。
2.2计算机网络安全评价体系的建立
计算机网络安全评价体系的建立是对网络安全评价的一个强有力保障，该体系能全面、科学、客观的体现计算机网络中存在的不安全因素并且给出相对应的解决措施，所以应该根据多种综合因素设立评价体系中的评价指标，从而准确地反映评价信息，计算机网络安全评价系统的构建原则是：第一，可行性。在计算机网络安全评价体系构建过程中，结合实际的测评条件，因地制宜，才能有效的进行测评和操作。第二，准确性。在计算机网络安全评价体系的构建过程中，应当对网络安全的技术水平进行真实的体现，及时且准确的对安全信息进行监测分析再反馈到计算机网络中，使技术人员及时有效的解决产生的问题。第三，完备性。建立的安全评价体系，需确保所选指标对网络安全基本特征有全面的反映，进而提高评价结果的真实可靠性。第四，简要性。在选取评价指标的过程中，要选取具有代表性的，保证结果准确可靠从而降低工作量。第五，独立性。计算机网络是一个复杂多变的系统，在选取各项评价指标时，要避免出现重复选择的情况，减少指标间的关联度，从而客观准确的将计算机网络安全运行状态展现出来。计算机安全网络存在一定风险性，在安全保护上也存在难度，遵守以上原则，在实际工作应用中，提高计算机网络的工作质量和效率。
3基于神经网络的计算机网络安全评价系统
在神经网络模型中，使用最为广泛的是BP神经网络模型，它采用最速下降法进行反向传播，调整相关数值，将误差降至最低。BP神经网络模型还通过误差逆传播算法，训练前馈多层网络。其算法简单，容易实现，具有非线性逼近能力。本文以BP神经网络为研究对象，对计算机网络安全评价进行分析。
3.1神经网络的计算机网络安全评价模型设计
基于神经网络设计的计算机网络安全评价模型，由3个部分组成，分别是输入层、隐含层和输出层：(1)输入层。BP神经网络在设计的过程中规定输入层神经元节点的数量，与计算机网络安全评价指标数量必须一致，所以对模型输入层中神经元节点的数量确定需由二级指标的数量完成。例如，在安全评价体系中设计了10个二级指标，在计算机网络安全评价模型中输入层神经元节点数量也必须是10个。(2)BP神经网络模型在设计的过程中，采用单向隐含层，如果隐含层中的节点数过多会延长神经网络学习时间，如果隐含层节点数的数量过少则会降低神经网络的容错能力。所以隐含层中的节点数量对网络性能有较大的影响。(3)输出层。BP神经网络在输出层的设计工作即反映网络安全评价结果，依据输入层的评价设计，将输出层的节点数设为2个，则(1，1)的输出结果表示非常安全，(1，0)的输出结果基本安全，(0，1)的输出结果表示不安全，(0，0)的输出结果表示非常不安全。
3.2神经网络的计算机网络安全评价模型学习
BP神经网络在计算机网络安全评价模型中需完成神经网络的学习，也就表示其在模型构建前需进行神经网络的`训练工作，这使BP神经网络具有初始连接权，在完成神经网络的学习后，减少误差值，保证安全评价结果和使用者期望值达成一致。
3.3神经网络的计算机网络安全评价模型验证
为确保计算机网络安全模型的应用效能，在完成设计与学习工作后，对其进行验证，首先选取样本数据，再将样本数据输入到模型中，通过模型内部检验分析，完成评价功能的应用，如果输出的安全评价结果与期望值达成一致，则说明基于神经网络的计算机网络安全评价模型具有准确性，可以使用。
4结语
随着社会的发展，科学的进步，越来越多的先进信息技术和网络技术得以应用，计算机网络是一个复杂的系统，其中存在一定的风险性，计算机网络的安全问题是目前亟待解决的关键问题。在当前社会，神经网络技术广泛应用于各大领域，将神经网络模型与计算机网络安全相结合，遵守可行性、准确性、完备性、简要性、独立性原则，构建一个网络安全评价体系。有利于对计算机安全管理奠定基础，基于神经网络的计算机网络安全评价体系能使评价结果更具真实性和可靠性，但目前的神经网络技术并不十分成熟，根据其应用特点，将神经网络技术与其他技术相融合的发展问题，仍值得广大学者深入研究。通过本文的分析与研究，认识到神经网络的发展及特点，针对其功能的优越性，加大对神经网络的重视，提高安全评价体系对环境的适应力，提升体系的容错性，实现在线应用模式，促进其在计算机网络安全中的进一步完善和发展，为计算机网络安全评价提供保障，使神经网络在计算机网络安全评价中发挥更大的作用。
【神经网络的特点分析论文】相关文章：
徐志摩诗歌的特点分析论文03-18
论文：我国度假旅游环境的特点分析与营造05-29
传统民居建筑美学特点分析论文（通用5篇）06-17
市政路桥工程施工管理特点分析的论文12-02
人工神经网络与车辆的结合论文11-26
环境科学人工神经网络运用论文11-25
基于神经网络的车辆动力学分析11-22
论文写作及其研究的特点06-19
浅谈科技论文写作的特点03-21
中国哲学的特点小论文11-24