BP神经网络优缺点

第一篇：BP神经网络优缺点

多层前向BP网络是目前应用最多的一种神经网络形式, 但它也不是非常完美的, 为了更好的理解应用神经网络进行问题求解, 这里对它的优缺点展开讨论: 多层前向BP网络的优点：

①网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；

②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力； ③网络具有一定的推广、概括能力。多层前向BP网络的问题：

①BP算法的学习速度很慢，其原因主要有：

a 由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；

b 存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；

c 为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。

②网络训练失败的可能性较大，其原因有：

a 从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

b 网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

③难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题，即学习复杂性问题；

④网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题；

⑤新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同； ⑥网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，而不能反映样本内含的规律。优点——

神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。

缺点——

（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）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）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）理论和学习算法还有待于进一步完善和提高。

第二篇：基于BP神经网络的高校教师科研能力评价模型

基于BP神经网络的高校教师科研能力评价模型

摘要：通过对高校教师科研能力分析，构建了高校教师科研能力评估指标体系，提出了运用BP神经网进行评估的方法，利用MATLAB对该模型进行了仿真，得到了与专家评定一致的结果。该方法克服了传统评价方法孤立地考虑各项评价指标的缺点 增加了指标之间的关联性，使评价结果更符合实际情况。

关键词：科研能力 BP神经网络 评价模型

中图分类号：G420 文献标识码：A 文章编号：1007-9416（2014）01-0056-02

一所高校的科研水平取决于教师的科研能力，目前，有关高校教师科研能力的评估有很多评估方法，如层次分析法，贝叶斯网络聚类方法[1]等。本文运用BP神经网络来建立高校教师科研能力评价模型，为高校教师科研能力评价提供了一定的参考。高校教师科研能力评价指标体系

1.1 构建评价指标体系的基本原则[2]

为了科学、客观地反映高校教师科研能力的高低，应该考虑建立与之相适应的科研能力评价方法，并确定相应的科研能力评价指标体系。为了建立能有效评价高校教师科研能力的评价指标体系，其设计的原则应遵循如下：科学规范性、系统优化性、简洁明确性和全面实用性。

1.2 科研能力评价指标体系

本文从教师基本素质、学术影响、学术成果、科研项目四个方面来反映教师科研能力，根据构建指标体系的四个基本原则，构建三个层次结构模型评价指标体系，如图1 基于BP神经网络的高校教师科研能力评价模型

本文采用典型的三层BP神经网络对教师科研能力进行评价，如图2所示。

2.1 初始参数的确定 高校教师科研能力评价模型的评估

在某高校中，组织25名专家对20名教师科研能力进行行评价，随机抽取6组评价数据进行归一化处理得表1。

利用已编好的BP算法的程序[5]，在把学习样本的输入参数输入计算机后，即可让网络模型对学习样本进行反复学习，直到网络模型的识别精度满足要求。可以看出，当网络训练达到161步时，网络模型识别精度为0.000982536，网络性能达标，可知输出结果与专家判断是吻合的，说明BP神经网络已具备了模式识别的能力，可以对教师科研能力进行评价。结语

通过构建教师科研能力评价体系的BP神经网络模型，为评价教师科研能力提供了一种量化方式。BP神经网络克服了评价中主观因素的影响，使评价结果全面准确的反映实际情况，为教师科研能力评价提供了新的工具。

参考文献

[1]李兰春，王双成，王婧.高校教师科研能力评估的贝叶斯网络聚类方法[J].科技管理研究，2011（12）：114-116.[2]高英.高校教师创新能力分析与评价[D].东北大学工商管理学院，2006：21-22.[3]董长虹.MATLAB神经网络与应用[M].北京：国防工业出版社，2005：64-71.[4]岳付昌，闫群章，徐廷学，等.基于BP神经网络的导弹武器系统生存能力评估[J].舰船电子工程，2010，（10）：104-107.[5]闻新，周露.MATLAB神经网络应用与设计[M].北京：科学出版社，2001：97-109.

第三篇：基于BP神经网络的高光谱果树树种识别研究

基于BP神经网络的高光谱果树树种识别研究

摘要：高光谱具有波段窄、波段多的特点，能够提供比多光谱遥感更精细的地物光谱信息，为识别光谱性质相似的森林树种提供了有效途径。对南疆盆地4种主栽果树树种（苹果、香梨、核桃、红枣）的冠层光谱数据进行测量，用BP神经网络对原始光谱数据及其经一阶微分、对数一阶微分、归一化一阶微分变换后的光谱数据进行分类识别，结果表明：对数一阶微分和归一化一阶微分变换后树种识别精度分别为94%和88%以上；红边区的光谱波段包含了大量树种识别的信息；采用BP神经网络能够对南疆盆地主栽果树进行基于冠层光谱的分类，而且分类精度相对较高。

关键词：高光谱数据；波段选择；BP神经网络；树种识别；果树

中图分类号： S126；TP391.4文献标志码： A文章编号：1002-1302（2016）05-0410-04

在南疆特色林果产业化的进程中，其信息化建设明显滞后，传统调查方式以多光谱遥感和地面辅助调查为主，不仅分辨率具有局限性，而且费时、耗力、周期长[1]。自1980年以来，高光谱遥感冲破技术障碍，在对地观测方面获得了重大突破，相比多光谱遥感技术，它具有波段窄、数量多的特征，可以提供更详细的目标光谱信息，为研究地物的细微特征提供了快速、准确、有效的途径[2]。因此林果树种的高光谱遥感识别对新疆南疆盆地特色林果产业的可持续经营具有重要的现实意义[3-5]。目前，我国已有一些基于高光谱遥感技术进行森林树种识别的研究。宫鹏等通过对6种主栽针叶树种的高光谱实地测量，开展了不同季节（夏、秋季）针叶树种的高光谱数据分类研究[6]。王志辉等利用测量的4种树种叶片光谱数据，进行了可识别性波段的选择与光谱特征参量的分析[7]。于祥等对广西红树林进行高光谱实测，通过多种光谱分类方法对多个红树林树种进行了分类研究[8]。

高光谱遥感技术在为树种的精细识别带来可能性的同时，也带来了数据冗余度大的问题。怎样在高光谱数据信息利用最大化的基础上，高效处理高光谱数据成为高光谱研究领域的焦点和未来发展的重要方向[9-11]。刘秀英等利用分层聚类法和逐步判别分析进行波段选择，对桂花树、小叶樟树、雪松和杉木4个树种的识别进行了研究，取得了较好的效果[12]。藏卓等利用对雪松、黑松、马尾松、杉木等针叶树种的高光谱实测，通过主成分分析和遗传算法两种波段选择方法对树种识别进行比较研究，有一定的实用性[13]。此外，许多学者基于遥感影像对森林类型进行分类时，使用了最佳指数法、波段指数法、灰度值法等几种常用的高光谱遥感影像的波段选择方法，认为最佳指数法用于高光谱遥感的树种识别具有一定可行性和优越性[14-16]。因此，本研究采用最佳指数法对高光谱数据进行波段选择，并利用BP神经网络对波段选择数据进行分类，从而对新疆南疆盆地4种主栽果树树种进行分类识别，为探索星载高光谱遥感树种识别提供技术支持。

1材料与方法

1.1试验对象

试验时间为2014年6月，试验地点位于新疆阿克苏地区红旗坡农场（地理坐标41°14′39″～41°16′18″N、80°15′46″～80°18′51″E，海拔1 213 m），试验对象是处在相同立地条件、自然状态下生长的4种南疆塔里木盆地主栽果树树种：红富士苹果（Malus pumila Mill）、库尔勒香梨（Pyru bretschneideri Rehd）、核桃（Juglans regia Linn.）、红枣（Ziziphus zizyphus Mill）。选择冠型均匀的样本，苹果为大、中、小冠型，香梨、核桃为大冠型，红枣为小冠型，共选择样地21块，总样株252株，其中苹果样地6块，每块11～12株，香梨、核桃样地各5块，每块12～13株，红枣样地5块，每块12株，基本生长状况如表1所示。

1.2数据获取

光谱测量仪器采用美国ASD公司生产的手持式野外光谱辐射仪（FieldSpec HandHeld），该仪器能够在325～1 075 nm 的波长范围内进行连续的光谱测量，光谱分辨率和光谱采样间隔均为1 nm，视场角为25°，共751个波段。在天气晴朗、无风无云的条件下，选择正午太阳高度角变化不大的时间段（北京时间12：00―16：00）进行4种果树冠层光谱反射率数据测量。测量时，将光谱仪探头垂直向下置于冠层之上，并与冠幅保持约1 m高度，同时根据所选样株冠幅大小调整探头与冠幅的距离。将每个样株冠层分为阴面、阳面2个方向进行测量，每个方向重复测量5次，取平均值作为样株这一方向上的光谱反射率，之后在剔除异常反射率光谱曲线的基础上，对每种树该方向的所有样本的光谱反射率进行平均，得到每种树该方向的光谱值。为保证数据的有效性与准确性，每隔10 min进行1次标准白板矫正。

1.3高光谱数据转换

从光谱测量结果看，在400 nm以前和900 nm以后的光谱数据噪声比较大，因此，剔除了首尾两端噪音较大的数据，只对400～900 nm范围内的光谱数据进行处理[17]。光谱一阶微分是处理光谱数据常用的方法之一[18]，它既可以有效地解决光谱数据间系统误差的问题、减少背景噪声（通常指大气辐射、散射和吸收）对目标光谱的干扰[7，19]，又能够加强光谱曲线在坡度上的微小变化[20]，从而辨认出重合的光谱，有利于将可识别地物的光谱吸收峰参数提取出来[2]。光谱反射值经过对数和归一化变换后，不仅有利于加强红光区与绿光的光谱差异，而且有利于削弱因光强变化而引起的乘性因素的影响[12]。但是，只对光谱数据作对数和归一化处理是不够的，还需进行微分转换，这样才能取得相对于原始光谱更好的效果，因为如此，即可在消除乘性因素的基础上降低附加低频噪声的影响[6]。因此本试验对原始光谱数据R进行如下3种变换：

（1）对R的一阶微分变换：

d（R）=[（r3-r1）/Δλ，（r4-r2）/Δλ，…，（rn-rn-2）/Δλ]（Δλ为2倍波段宽）

（2）对R的对数一阶微分变换：

lg（R）=[lg（r1），lg（r2），lg（r3），…，lg（rn）]

d[lg（R）]

（3）对R的归一化一阶微分变换：

N（R）=[（r1-rmin）/（rmax-rmin），（r2-rmin）/（rmax-rmin），…，（rn-rmin）/（rmax-rmin）]

d[N（R）]

1.4波段选择方法

本试验采用最佳指数法对高光谱数据进行波段选择。最佳指数因子将标准差与相关系数有效地结合，其基本原理是光谱数据所包含的信息量与标准差成正比，标准差愈大，信息量愈多；光谱数据的独立性与波段间的相关系数成反比，波段间的相关系数愈低，独立性愈高且信息冗余度愈小[14]。其计算公式为：

OIF=∑3i=1Si/∑3i=1|Rij|

式中：OIF表示最佳指数因子，Si是第i个波段的标准差，Rij是第i、j 2个波段间的相关系数。

1.5人工神经网络的应用

神经网络（artificial neural network，ANN）是一种人脑的抽象计算模型，通过各个处理单元间的有机连接而形成网络，以此进行人脑神经网络结构与功能模拟的一种计算机建模方式[21]。目前，BP神经网络是运用最广的方法之一。BP（back-propagation）神经网络是一种多层前馈型神经网络，它不仅包含输入层和输出层，而且具有一层或多层隐藏层，但最常用的为单层结构[22]。BP神经网络算法需通过正、反向传播两个过程：正向传播过程就是样本信息最先从输入层开始，经过隐藏层的逐步计算，传送到输出层最后得到预测结果；得到预测误差后便进入反向传播过程，即误差逐层反方向传回输出层，期间所有权值得以修正[23]。如此反复迭代，直到满足用户要求为止，通过对BP神经网络输入-输出间映射能力的训练，便能够对其他待定信息进行自动分类和模式识别[24]。本次试验随机选取1/3样本作为训练样本，剩余的2/3样本作为测试样本，最终以测试样本的预测精度用作评价数据变换及波段选择方法优劣的指标。

2结果与分析

2.14种果树冠层光谱特征

植物的组织结构、生化成分、形态学特征等决定了其光谱反射特性[25]。在可见光波段，绿色植被的反射光谱主要受到冠层叶绿素含量和盖度的影响，反射率较低；近红外波段则受到冠层结构、叶面积指数和生物量的影响，反射率较高[26]。正是因为上述因素的影响，使得不同植被的光谱反射率存在一定的差异，而这些因素与植被的生长发育及环境等密切相关，同时又与岩石、土壤、水体等地物的光谱特征截然不同[27]。

根据苹果、香梨、核桃、红枣实测的冠层光谱数据，在剔除受首尾噪声影响的波段和奇异值后，分别进行均值处理，运用Origin软件绘制得南疆盆地4种主栽果树树种冠层阳面、冠层阴面的光谱曲线（图

1、图2）。由图

1、图2知，从总体上看，尽管4种果树的光谱曲线间都存在差异，但其整体走势基本一致，呈现出典型的绿色植被光谱曲线特征。在400～490 nm波段时，反射率曲线较为平缓，并且反射值低，均处于0.1以下；随波长增大，反射率开始缓慢上升，在550 nm附近呈现出一个反射峰，即“绿峰”，这是由于植被叶绿素的强烈反射造成，也是人肉眼看到植物呈绿色的原因[28]；然后反射率值开始下降，在680 nm附近形成“红谷”，这和叶绿素a在680 nm与700 nm具有较强的吸收作用有关[29]；“红谷”过后，反射率骤然上升，即为“红边效应”[30]；在760～900 nm近红外波段范围内，反射率曲线在750 nm附近形成拐点后平滑上升，此处可以认为是植被防灼伤的自卫本能[27]。由此说明，在不同波段，南疆盆地4种主栽果树树种冠层光谱特征表现不同。

2.2最佳指数法的波段组合

以上文提取的501个波段为数据源，首先应用Excel软件对平均光谱每10个连续波段进行平均，并计算出各单波段的标准差，然后应用Matlab软件计算各波段间的相关系数矩阵，再分别求出所有可能3个波段组合对应的OIF，OIF越大，则信息量越大，独立性越高，反之，信息量越少，相关性越大，最后将OIF值进行排序，即可选出最佳波段组合[15]。由表2至表5知，原始光谱阳面最佳波段组合为波段32-49-50，即波段范围710～719、880～889、890～899 nm；阴面最佳波段组合为波段1-38-39，即波段范围400～409、770～779、780～789 nm；一阶微分光谱阳面最佳波段组合为波段31-42-49，即波段范围700～709、810～819、880～889 nm；阴面最佳波段组合为波段21-33-34，即波段范围600～609、720～729、730～739 nm；对数一阶微分光谱阳面最佳波段组合为波段29-35-50，即波段范围680～689、740～749、890～899 nm；阴面最佳波段组合为波段4-30-40，即波段范围430～439、690～699、790～799 nm；归一化一阶微分光谱阳面最佳波段组合为波段16-34-49，即波段范围550～559、730～739、880～889 nm；阴面最佳波段组合为波段6-34-39，即波段范围450～459、730～739、750～759 nm。

2.3应用BP神经网络的树种识别

将原始光谱数据、一阶微分、对数一阶微分和归一化一阶微分变换后的光谱数据运用Clementine 12.0中的Neural Net模型进行分类，通过调整网络参数得到最优的网络结构，从而得到最优的预测模型[31]。经过反复试验确定BP神经网络的最优结构为：将30个所选波段作为输入神经元，4个预先分类值作为输出神经元，隐藏层1层，隐藏单元5个，各层间采用Sigmoid激励函数，迭代次数100次，训练算法选择“快速训练法”，训练模式选择“专家”，冲量项设为0.9，初始学习率设为0.3。由表

6、表7可知，无论是果树冠层阳面还是阴面光谱数据，对数一阶微分变换均取得了最佳效果，前者测试精度为94.70%，后者测试精度为96.58%，均超过了90%，归一化一阶微分变换后的光谱数据识别效果次之，而原始光谱数据的树种识别精度最低，仅为60.93%和62.33%。3种经过微分转换处理后的光谱数据与原始数据相比，分类精度超过其30%左右，充分说明高光谱数据的微分处理能产生较高的分类精度。

2.4波段重要性

Neural Net模型在进行分类时可以计算出变量的贡献率，经对数一阶微分处理后的光谱数据识别精度最高，因此对对数一阶微分光谱数据对应的特征波段进行变量重要性计算，结果见图

3、图4。由图

3、图4可知，阳面波段组合中各个波段在树种分类时的贡献率依次为685 nm>684 nm>897 nm>689 nm>898 nm>746 nm>742 nm>747 nm>687 nm>686 nm，阴面波段组合中各个波段在树种分类时的贡献率依次为690 nm>693 nm>699 nm>697 nm>430 nm>796 nm>692 nm>691 nm>795 nm>695 nm，贡献率较大的波段均位于红边区（680～760 nm），这充分证明大量树种识别的信息包含在红边区的光谱波段中。

3讨论与结论

原始光谱数据经对数一阶微分、归一化一阶微分变换后可改善树种识别精度。对手持式野外光谱辐射仪测得的4种果树树种高光谱数据不作任何处理，直接进行波段选择，然后利用BP神经元网络来识别此4种树种，效果并不理想，识别精度仅为60.93%和62.33%。运用高光谱数据的转换方法能够提高树种的识别精度，2种最理想的转换方法是对数一阶微分和归一化一阶微分，分类精度分别在94%和88%以上。这与宫鹏等用神经元网络算法对6种主要针叶树种进行分类识别时得到的对数变换后一阶微分和归一化变换后一阶微分能够获得最好的识别精度的结果相一致[6]。另外，刘秀英等利用逐步判别分析法对杉木和马尾松进行分析时，同样得到了对数一阶微分的识别精度最高，精度为96.67%[19]。

大量树种识别的信息包含在红边区的光谱波段中。Neural Net模型在进行分类时对对数一阶微分光谱数据对应的特征波段进行了变量重要性计算，结果显示，贡献率较大的波段（阳面波段组合：685 nm、684 nm、689 nm、746 nm、742 nm、747 nm、687 nm、686 nm，阴面波段组合：690 nm、693 nm、699 nm、697 nm、692 nm、691 nm、695 nm）都在红边区范围（680 nm～760 nm）内。这与刘秀英等采用分层聚类法对杉木、雪松、小叶樟树和桂花进行分类识别获得的红边区的光谱波段包含了大量树种识别的信息结果相一致[12]。

BP神经网络进行南疆盆地主栽果树树种识别时取得了较好的分类效果。由于BP神经网络具有强有力的学习能力，可以实现输入与输出之间的高度非线性映射，因此被广泛的应用在各种品种识别领域中，并得到了十分理想的分类效果[32-34]。本研究通过BP神经网络算法对南疆盆地4种主栽果树树种进行分类，最高精度达到96.58%，说明采用BP神经网络算法能够对南疆盆地主栽果树树种进行基于冠层光谱的分类，并且达到了相对较高的识别精度。

参考文献：

[1]谭炳香，李增元，陈尔学，等.高光谱遥感森林信息提取研究进展[J].林业科学研究，2008，21（z1）：105-111.[2] Salehia B，Zoej M J V.The delineation of tree crowns in Australian mixed species forests using hyperspectral compact air-borne spectrographic imager（CASI）data[J].Remote Sense Environ，2002，36：332.[3] 陈国芳，尼和迈提?霍嘉.新疆林果业产业化发展的对策建议[J].新疆农业科学，2005，42（增刊1）：211-212.[4]李金叶，袁强，蒋慧.基于区域适应性的特色林果业发展探讨[J].新疆农业科学，2010，47（4）：741-749.[5]孙兰凤.可持续视角下的新疆特色林果业发展研究[D].乌鲁木齐：新疆大学，2009.[6]宫鹏，浦瑞良，郁彬.不同季相针叶树种高光谱数据识别分析[J].遥感学报，1998，2（3）：211-217.[7]王志辉，丁丽霞.基于叶片高光谱特性分析的树种识别[J].光谱学与光谱分析，2010，30（7）：1825-1829.[8]于祥，赵冬至，张丰收，等.红树林高光谱分析技术研究[J].滨州学院学报，2006，22（6）：53-56.[9]陈述澎，童庆喜，郭华东，等.遥感信息机理研究[M].北京：科学出版社，1998：139.[10]王志辉.高光谱遥感在森林树种识别中的应用[D].杭州：浙江农林大学，2011.[11]褚西鹏.基于叶片非成像高光谱数据树种分类[D].杭州：浙江农林大学，2012.[12]刘秀英，林辉，熊建利，等.森林树种高光谱波段的选择[J].遥感信息，2005（4）：41-44，64.[13]臧卓，林辉，孙华，等.南方主要针叶树种高光谱数据降维分类研究[J].中南林业科技大学学报，2010，30（11）：20-25.[14]李俊明.基于HJ-1A高光谱遥感树种识别的研究[D].哈尔滨：东北林业大学，2013.[15]严恩萍，林辉，莫登奎，等.基于光谱特征的森林类型识别研究[J].中南林业科技大学学报，2011，31（11）：23-29.[16]柳萍萍.基于Hyperion数据的森林类型识别[D].长沙：中南林业科技大学，2012.[17]邢东兴，常庆瑞.基于花期果树冠层光谱反射率的果树树种辨识研究[J].红外与毫米波学报，2009，28（3）：207-211.[18]李明州.光谱分析技术和应用[M].北京：科学出版社，2006：163.[19]刘秀英，臧卓，孙华，等.基于高光谱数据的杉木和马尾松识别研究[J].中南林业科技大学学报，2011，31（11）：30-33.[20]童庆禧，张兵，郑兰芬.高光谱遥感的多学科应用[M].北京：电子工业出版社，2006：74-79.[21]薛薇，陈欢歌.Clementine数据挖掘方法及应用[M].北京：电子工业出版社，2010：181.[22]王志军，丛培盛，周佳璐，等.基于图像处理与人工神经网络的小麦颗粒外观品质评价方法[J].农业工程学报，2007，23（1）：158-161.[23]张保生，姚瑞央.基于BP神经网络算法的红枣分级技术应用[J].广东农业科学，2010，37（11）：282-283.[24]杨希，王鹏.基于BP神经网络的高分辨率遥感影像分类[J].测绘，2011，34（3）：115-118.[25]李小梅.多角度高光谱遥感森林类型分类方法研究[D].呼和浩特：内蒙古农业大学，2010.[26]林文鹏，李厚增，黄敬峰，等.上海城市植被光谱反射特征分析[J].光谱学与光谱分析，2010，30（11）：3111-3114.[27]谭炳香.高光谱遥感森林类型识别及其郁闭度定量估测研究[D].北京：中国林业科学研究院，2006.[28]邓良基.遥感基础与应用[M].北京：中国农业出版社，2009.[29]肖海燕，曾辉，昝启杰，等.基于高光谱数据和专家决策法提取红树林群落类型信息[J].遥感学报，2007，11（4）：531-537.[30]何诗静.基于叶片和冠层级别的高光谱城市树种识别[D].武汉：华中农业大学，2011.[31]刘飞，王莉，何勇，等.应用可见/近红外光谱进行黄酒品种的判别[J].光谱学与光谱分析，2008，28（3）：586-589.[32]吴桂芳，蒋益虹，王艳艳，等.基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别[J].光谱学与光谱分析，2009，29（5）：1268-1271.[33]王艳艳，何勇，邵咏妮，等.基于可见-近红外光谱的咖啡品牌鉴别研究[J].光谱学与光谱分析，2007，27（4）：702-706.[34]邵咏妮，何勇，鲍一丹.基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别[J].光谱学与光谱分析，2008，28（3）：602-605.范钊.黄河流域农田土壤有机氯农药残留污染特征研究[J].江苏农业科学，2016，44（5）：414-419.

第四篇：神经网络应用

神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。

“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。

一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。

The neuron

虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。基本神经元包含有synapses、soma、axon及dendrites。Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。

如同生物学上的基本神经元，人工的神经网络也有基本的神经元。每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。然后，神经元会计算出权重合计值（net value），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。

Learning

正如上述所写，问题的核心是权重及临界值是该如何设定的呢？世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation, delta rule及Kohonen训练模式。

由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别它们可以被分为分类式或联想式。分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。更多实际用途可以看Applications in the Military中的军事雷达，该雷达可以分别出车辆或树。

联想模式接受一组数而输出另一组。例如HIR程序接受一个„脏‟图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。

The Ups and Downs of Neural Networks

神经网络在这个领域中有很多优点，使得它越来越流行。它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在...是的，神经网络也有些不好的地方。这通常都是因为缺乏足够强大的硬件。神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。

神经网络的另一个问题是对某一个问题构建网络所定义的条件不足-有太多因素需要考虑：训练的算法、体系结构、每层的神经元个数、有多少层、数据的表现等，还有其它更多因素。因此，随着时间越来越重要，大部份公司不可能负担重复的开发神经网络去有效地解决问题。

NN 神经网络，Neural Network

ANNs 人工神经网络，Artificial Neural Networks

neurons 神经元

synapses 神经键

self-organizing networks 自我调整网络

networks modelling thermodynamic properties 热动态性网络模型

网格算法我没听说过

好像只有网格计算这个词

网格计算是伴随着互联网技术而迅速发展起来的，专门针对复杂科学计算的新型计算模式。这种计算模式是利用互联网把分散在不同地理位置的电脑组织成一个“虚拟的超级计算机”，其中每一台参与计算的计算机就是一个“节点”，而整个计算是由成千上万个“节点”组成的“一张网格”，所以这种计算方式叫网格计算。这样组织起来的“虚拟的超级计算机”有两个优势，一个是数据处理能力超强；另一个是能充分利用网上的闲置处理能力。简单地讲，网格是把整个网络整合成一台巨大的超级计算机，实现计算资源、存储资源、数据资源、信息资源、知识资源、专家资源的全面共享。

第五篇：神经网络心得[定稿]

人工神经网络学习心得

时间如白马过隙，很快八周的人工神经网络学习即将结束，仿佛昨天才刚刚开始学习这门课程，在这段时间的学习中，我有起初对神经网络的不了解到现在的熟悉和掌握，这其中的变化，是我知识提高的过程。我在这个过程中有一些自己的体会和感想。

我是一名学习控制科学和工程的研究生，起初对于神经网络的认识很肤浅，由于我相应知识的欠缺，想要理解神经网络的结构会很不容易。在开始的几节课中，老师给我们讲了神经网络的发展史、结构和原理，当时感觉有压力、紧张。因为我感觉和生物的神经学差不多，一开始接触觉得它不是一门智能控制学，而是一门生物学，所以只能慢慢学习和理解，最终完成课程的学习。虽然相比于其他学过的课程，我对这门学科的了解稍微逊色点，但我还不是一个害怕困难的人，越是困难我越是会迎头前进的，不会倒下，去努力掌握这些知识。

接下来的几周，是老师的授课过程，说实话老师讲的论文我听的不太懂，讲的软件的应用也是一知半解……有种痛苦的感觉，好像什么也没学到，问了其他同学，他们也有同样的感觉，哦，原来都一样啊，没事，那就继续坚持吧……

过了这个彷徨期，该是呐喊的时候了，该写期末作业了，开始做题的时候还挺紧张，害怕题很难做，找了很多资料，照葫芦画瓢，硬着头皮写，写完了之后有一点小小的成就感，我终于给做出来了，可当时我们还是不知道如RBF网络和BP网络怎么应用，只是有那么点熟悉，有那么点感觉。最重要的时刻到了，在课堂中老师提的问题，我显得是那么生疏，满脸的惆怅，对问题不知所措，迷茫与疲惫缠绕着我的身心。每次上课之前我都要花上一段时间去预习课程内容，但是每次看的都是一脸迷茫，一知半解。老师所说的每一句话，我要想半天才会明白过来。这事我猜知道，基础是多么的重要，而且我知道学习知识最重要的是要学会应用和实践。不然就只能只上谈兵，但是一到应用我就不知从何下手。因此，我知道我还有很长的路要走。

其中的辛酸与乐趣大概也只有一块学习的学友们了解。在这近两个月中我们体会到了坚持的力量。遇到问题，不能退缩，只能前进。坚持就是胜利。问题只有在不断的思考和学习中才能解决。同时，也能是自己得到提高。

经过几周的的学习我对神经网络的理解能力明显有所提高。在神经网络中我们可以用跳跃性的思维去思考问题，这锻炼了我们的跨越式思维，提高了我们的能力，增强了我们的自信心，在人生道路上选择的关键时刻起了很大的作用，让我们明白了独立思考，开阔眼界，在科研方面所发挥的重要作用，使我们“学以致用，终生受益。

在此，我们要感谢授课的李晓强老师，谢谢李老师在这近两个月来对我们的关心。通过这八周的学习，锻炼了我的能力；增加了对人工神经网络知识的了解；提高了创新意识和解决问题的能力。