MATLAB神經網絡的發展

ID:128229 · 發表于 2016-6-27 14:36

MATLAB語言的歷史、用途和特點
　　70年代后期，Cleve Moler擔任美國墨西哥大學計算機系系主任，為了讓學生方便的調用EISPACK和LINPACK，設計了接口程序，取名MATLAB (MATrix LABoratory)，即Matrix和Laboratory的組合。
　　MATLAB的第一個商業化的版本是1984年推出的是3.0的DOS版本，1992年MathWorks 公司于推出了4.0版本，1994年的4.2版本擴充了4.0版本的功能，尤其在圖形界面設計方面更提供了新的方法。1997年推出的5.0版允許了更多的數據結構，如單元數據、多維矩陣、對象與類等，使其成為一種更方便編程的語言。1999年推出的 MATLAB 5.3版在很多方面又進一步改進了 MATLAB 語言的功能。2000年10月底推出了其全新的 MATLAB 6.0正式版(Release 12)，在核心數值算法、界面設計、外部接口、應用桌面等諸多方面有了極大的改進。現在的MATLAB支持各種操作系統，它可以運行在十幾個操作平臺上，其中比較常見的有基于Windows 9X/NT、OS/2、Macintosh、Sun、Unix、Linux等平臺的系統。現在的MATLAB再也不是一個簡單的矩陣實驗室了，它已經演變成為一種具有廣泛應用前景的全新的計算機高級編程語言了。其功能也越來越強大，會不斷根據科研需求提出新的解決方法。
　　MATLAB具有用法簡單、靈活、程式結構性強、延展性好等優點，已經逐漸成為科技計算、視圖交互系統和程序中的首選語言工具。特別是它在線性代數、數理統計、自動控制、數字信號處理、動態系統仿真等方面表現突出，已經成為科研工作人員和工程技術人員進行科學研究和生產實踐的有利武器。
　　
　　MATLAB具有以下幾個特點：
　　功能強大的數值運算功能
　　強大的圖形處理能力
　　高級但簡單的程序環境
　　豐富的工具箱
　　
　　MATLAB產品家族
　　MATLAB是所有MathWorks公司產品的基石，它包括了數值計算，2-D和3-D圖形，語句以及單一易使用環境下的語言能力。
　　MATLAB Extensions是可選擇性工具，它用來支持用MATLAB開發的系統運行。
　　Toolboxes 是針對解決特定種類問題而特別制作的MATLAB 函數庫。它具有開放性和可擴展性，用戶甚至可以加入之間的工具箱。
　　SIMULINK是對非線性動態系統進行仿真的互動系統，它把模塊圖形界面和MATLAB主要數值、圖形和語言函數有效的組合起來，從而具有生動的模擬能力。
　　SIMULINK Extensions是可選擇性工具，它用來支持用SIMULINK開發的系統運行。
　　Blocksets是為各具體應有領域，如通訊、信號處理等設計的一套SIM-ULINK模塊庫。
　　
　　MATLAB系統構成
　　主要由以下五部分構成：
　　 MATLAB語言
　　 MATLAB工作環境
　　圖形處理
　　 MATLAB數學函數庫
　　 MATLAB應用編程人員接口(API)　
　　
　　工具箱
　　各種工具箱（TOOLBOX）使用戶能夠學習和使用專業技術，它們集成了MATLAB函數并擴展了MATLAB工作環境，這樣就可以解決一些特殊類別的問題，用戶可以方便快捷地使用復雜的理論公式，免除了自己編寫復雜而龐大的算法程序的困擾。尤其是在做數學推導和理論驗證時，有了這些功能豐富的工具箱，問題就變的十分簡單。
　　總的來說，迄今所有的幾十個工具箱大致可分為兩類：功能型工具箱和領域型工具箱。功能型工具箱主要用來擴充MATLAB的符號計算功能、圖形建模仿真功能、文字處理功能以及與硬件實時交互功能，能用于多種學科。而領域型工具箱是專業性很強的，如控制工具箱、金融工具箱等。
　　
　　神經網絡工具箱
　　Matlab對應的神經網絡的版本號是Version4.0.3，它以神經網絡理論為基礎，利用matlab腳本語言構造出典型的神經網絡激活函數，如線形、競爭型和飽和線形等激活函數，使設計者對所選定的網絡輸出的計算，變成對激活函數的調用。另外，根據各種典型的休正網絡權值的規則，再加上網絡的訓練過程，利用matlab編寫出各種網絡設計和訓練的子程序，將自己從繁瑣的編程中解脫出來，集中精力解決其他問題，從而提高了工作效率。
　　最新版本的神經網絡工具箱幾乎涵蓋了所有的神經網絡的基本常用模型，如感知器和BP網絡等。對于各種不同版本的網絡模型，神經網絡工具箱集成了多種學習算法，為用戶提供了極大的方便。另外，工具箱中還給出了大量的示例程序和幫助文檔，能夠快速的幫助用戶掌握工具箱的應用方法。
　　在實際應用中，面對一個具體的問題時，首先需要分析利用神經網絡求解問題的性質，然后依據問題的特點，確定網絡模型。最后通過對網絡進行訓練、仿真等、檢驗網絡的性能是否滿足要求。下面介紹具體的過程。
　　1．確定信息表達方式
　　將領域問題及其相應的領域知識轉化為可以接受并處理的形式，即將領域問題抽象為適合于網絡求解所能接受的某種數據形式。盡管在實際應用中，問題的形式會是多中多樣的，但不外乎以下幾種：
　　數據樣本以知；
　　數據樣本之間的相互關系不明確；
　　輸入/輸出模式為連續的或者離散的；
　　輸入數據按照模式進行分類，模式可能會具有平移、旋轉或伸縮等變化形式；
　　數據樣本的預處理；
　　將數據樣本分為訓練樣本和測試樣本；
　　2.網絡模型的確定
　　主要是如何根據問題的實際情況，選擇模型的類型、結構等。另外，還可愛典型的網絡模型的基礎上，結合問題的具體情況，對原網絡進行變形、擴充等，同時還可以采用多種網絡模型的組合形式。
　　3.網絡參數的選擇
　　確定網絡的輸入輸出神經元數目，如果是多層網絡，還需要進一步確定隱含層神經元的個數。對于反饋神經網絡，如Hopfield網絡和Elman網絡，還需要進一步地設置神經元的有關屬性。
　　4.訓練模式的確定
　　包括選擇合理的訓練算法，確定合適的訓練步數，指定適當訓練目標誤差，以獲得較好的網絡性能。
　　5.網絡測試
　　選擇合理的測試樣本，對網絡進行測試，或者將網絡應用于實際問題，檢驗網絡性能。值得提出的是，網絡測試過程需要遵循“交叉測試”的原則，保證測試的有效性、準確性和全面性。
　　總之，神經網絡工具箱是一個內容全面、操作方便的軟件包，對于廣大神經網絡系統的研發者來說，掌握神經網絡工具箱的應用將使得自己在工作中如虎添翼。
　　
　　神經網絡研究的發展歷程
　　神經網絡研究的主要發展過程大致可分為四個階段：
　　
　　1. 第一階段是在五十年代中期之前。
　　西班牙解剖學家Cajal于十九世紀末創立了神經元學說，該學說認為神經元的形狀呈兩極，其細胞體和樹突從其他神經元接受沖動，而軸索則將信號向遠離細胞體的方向傳遞。在他之后發明的各種染色技術和微電極技術不斷提供了有關神經元的主要特征及其電學性質。
　　 1943年，美國的心理學家W.S.McCulloch和數學家W.A.Pitts在論文《神經活動中所蘊含思想的邏輯活動》中，提出了一個非常簡單的神經元模型，即M－P模型。該模型將神經元當作一個功能邏輯器件來對待，從而開創了神經網絡模型的理論研究。
　　 1949年，心理學家D.O. Hebb寫了一本題為《行為的組織》的書，在這本書中他提出了神經元之間連接強度變化的規則，即后來所謂的Hebb學習法則。Hebb寫道："當神經細胞Ａ的軸突足夠靠近細胞Ｂ并能使之興奮時，如果Ａ重復或持續地激發Ｂ，那么這兩個細胞或其中一個細胞上必然有某種生長或代謝過程上的變化，這種變化使Ａ激活Ｂ的效率有所增加。"簡單地說，就是如果兩個神經元都處于興奮狀態，那么它們之間的突觸連接強度將會得到增強。
　　五十年代初，生理學家Hodykin和數學家Huxley在研究神經細胞膜等效電路時，將膜上離子的遷移變化分別等效為可變的Na+電阻和K+電阻，從而建立了著名的Hodykin-Huxley方程。
　　這些先驅者的工作激發了許多學者從事這一領域的研究，從而為神經計算的出現打下了基礎。
　　
　　2. 第二階段從五十年代中期到六十年代末。
　　 1958年，F.Rosenblatt等人研制出了歷史上第一個具有學習型神經網絡特點的模式識別裝置，即代號為Mark Ｉ的感知機（Perceptron），這一重大事件是神經網絡研究進入第二階段的標志。對于最簡單的沒有中間層的感知機，Rosenblatt證明了一種學習算法的收斂性，這種學習算法通過迭代地改變連接權來使網絡執行預期的計算。
　　稍后于Rosenblatt，B.Widrow等人創造出了一種不同類型的會學習的神經網絡處理單元，即自適應線性元件Adaline，并且還為 Adaline找出了一種有力的學習規則，這個規則至今仍被廣泛應用。Widrow還建立了第一家神經計算機硬件公司，并在六十年代中期實際生產商用神經計算機和神經計算機軟件。
　　除Rosenblatt和Widrow外，在這個階段還有許多人在神經計算的結構和實現思想方面作出了很大的貢獻。例如，K.Steinbuch研究了稱為學習矩陣的一種二進制聯想網絡結構及其硬件實現。N.Nilsson于1965年出版的《機器學習》一書對這一時期的活動作了總結。
　　
　　3. 第三階段從六十年代末到八十年代初。
　　
　　第三階段開始的標志是1969年M.Minsky和S.Papert所著的《感知機》一書的出版。該書對單層神經網絡進行了深入分析，并且從數學上證明了這種網絡功能有限，甚至不能解決象"異或"這樣的簡單邏輯運算問題。同時，他們還發現有許多模式是不能用單層網絡訓練的，而多層網絡是否可行還很值得懷疑。
　　由于M.Minsky在人工智能領域中的巨大威望，他在論著中作出的悲觀結論給當時神經網絡沿感知機方向的研究潑了一盆冷水。在《感知機》一書出版后，美國聯邦基金有15年之久沒有資助神經網絡方面的研究工作，前蘇聯也取消了幾項有前途的研究計劃。
　　但是，即使在這個低潮期里，仍有一些研究者繼續從事神經網絡的研究工作，如美國波士頓大學的S.Grossberg、芬蘭赫爾辛基技術大學的T.Kohonen以及日本東京大學的甘利俊一等人。他們堅持不懈的工作為神經網絡研究的復興開辟了道路。
　　
　　4. 第四階段從八十年代初至今。
　　 1982年，美國加州理工學院的生物物理學家J.J.Hopfield采用全互連型神經網絡模型，利用所定義的計算能量函數，成功地求解了計算復雜度為 NP完全型的旅行商問題（Travelling Salesman Problem，簡稱TSP）。這項突破性進展標志著神經網絡方面的研究進入了第四階段，也是蓬勃發展的階段。
　　 Hopfield模型提出后，許多研究者力圖擴展該模型，使之更接近人腦的功能特性。1983年，T.Sejnowski和G.Hinton提出了"隱單元"的概念，并且研制出了Boltzmann機。日本的福島邦房在Rosenblatt的感知機的基礎上，增加隱層單元，構造出了可以實現聯想學習的"認知機"。Kohonen應用3000個閾器件構造神經網絡實現了二維網絡的聯想式學習功能。1986年，D.Rumelhart和 J.McClelland出版了具有轟動性的著作《并行分布處理-認知
　　微結構的探索》，該書的問世宣告神經網絡的研究進入了高潮。
　　 1987年，首屆國際神經網絡大會在圣地亞哥召開，國際神經網絡聯合會（INNS）成立。隨后INNS創辦了刊物《Journal Neural Networks》，其他專業雜志《Neural Computation》，《IEEE Transactions on NeuralNetworks》《International Journal of Neural Systems等也紛紛問世。世界上許多著名大學相繼宣布成立神經計算研究所并制訂有關教育計劃，許多國家也陸續成立了神經網絡學會，并召開了多種地區性、國際性會議，優秀論著、重大成果不斷涌現。
　　今天，在經過多年的準備與探索之后，神經網絡的研究工作已進入了決定性的階段。日本、美國及西歐各國均制訂了有關的研究規劃。
　　日本制訂了一個"人類前沿科學計劃"。這項計劃為期１５－２０年，僅初期投資就超過了１萬億日元。在該計劃中，神經網絡和腦功能的研究占有重要地位，因為所謂"人類前沿科學"首先指的就是有關人類大腦以及通過借鑒人腦而研制新一代計算機的科學領域。
　　在美國，神經網絡的研究得到了軍方的強有力的支持。投資４億美元，由高級研究計劃局（DAPRA）制訂了一個８年研究計劃，并成立了相應的組織和指導委員會。同時，海軍研究辦公室（ONR）、空軍科研辦公室（AFOSR）等也紛紛投入巨額資金進行神經網絡的研究。DARPA認為神經網絡" 看來是解決機器智能的唯一希望"，并認為"這是一項比核物理更重要的技術"。
　　歐共體也制訂了相應的研究計劃。在其ESPRIT計劃中，就有一個項目是"神經網絡在歐洲工業中的應用"，除了英、德兩國的原子能機構外，還有多個歐洲大公司卷進這個研究項目，如英國航天航空公司、德國西門子公司等。此外，西歐一些國家還有自己的研究計劃，如德國從1988年就開始進行一個叫作"神經信息論"的研究計劃。
　　我國從1986年開始，先后召開了多次非正式的神經網絡研討會。1990年12月，由中國計算機學會、電子學會、人工智能學會、自動化學會、通信學會、物理學會、生物物理學會和心理學會等八個學會聯合在北京召開了"中國神經網絡首屆學術會議"，從而開創了我國神經網絡研究的新紀元。
　　
　　
　　二．神經網絡在目前的應用領域
　　1．控制理論及其應用設計
　　神經網絡用于控制系統設計主要是針對系統的非線形、不確定性和復雜性進行的。由于神經網絡的自適應能力、并行處理能力和超強的魯棒性，使得采用神經網絡的控制系統具有更快的計算速度（實時性）、更強的適應能力和更好的魯棒性。
　　2．基于神經網絡的故障診斷
　　神經網絡技術的出現，為故障診斷問題提供了一種新的解決途徑，特別是對于在實際中難以建立數學模型的復雜系統，神經網絡更顯示出其獨特的作用。總的來說，神經網絡之所以可以成功地應用于故障診斷領域，主要是基于以下3個方面的原因：
　　1．練過的神經網絡能存儲有關過程的知識，能直接從歷史故障信息中學習。可以根據對象的日常歷史數據訓練網絡，然后將此信息與當前測量數據進行比較，以確定故障的類型。
　　2．神經網絡具有濾除噪聲及在有噪聲的情況下得出正確結論的能力，可以訓練人工神經往網絡來識別故障信息，使其能在燥聲環境中有效的工作，這種濾除燥聲的能力使得人工神經網絡很適合在線故障檢測和診斷
　　3．神經網絡具有分辨故障原因及故障類型的能力
　　
　　3．基于神經網絡的模糊控制
　　模糊控制器自1974年問世以來，其基本設計方法一直沒有大的變化。它的基本設計思想就是借助人工操作的經驗，通過合成關系，把輸入的模糊量和關系矩陣合成，推導出控制量。近年來，隨著神經網絡理論的迅速發展，一些研究人員嘗試將神經網絡引入到模糊控制器中，取得了不錯的效果，控制器性能得到了進一步的提高。可以說，將模糊控制和神經網絡兩者結合組成的神經網絡模糊控制技術是控制理論研究者們關注的焦點之一。
　　4．基于神經網絡的自適應燥聲抵消技術
　　自1986年開始，神經網絡隨著反向傳播技術的的出現而得到復興，此后神經網絡的研究再度掀起高潮，由于神經網絡具有高度并行性、很強的非線性、變換能力和學習能力，因此具有巨大的應用潛力，也為自適應非線性濾波提供了一種全新的思路和方法。
　　5．基于神經網絡的預測
　　神經網絡在非線性系統預測這方面顯示出了明顯的優越性。由于神經網絡具有通過學習逼近任意非線性映射的能力，將神經網絡應用于非線性系統的建模與辨識，可以不受非線性模型的限制，便于給出工程上易于實現的學習算法。

帳號		自動登錄	找回密碼
密碼			立即注冊

欧美极品高清xxxxhd,国产日产欧美最新,无码AV国产东京热AV无码,国产精品人与动性XXX,国产传媒亚洲综合一区二区,四库影院永久国产精品,毛片免费免费高清视频,福利所导航夜趣136

MATLAB神經網絡的發展