神經網絡的特點分析論文（精選6篇）
在日常學習和工作中，大家都不可避免地要接觸到論文吧，論文寫作的過程是人們獲得直接經驗的過程。相信很多朋友都對寫論文感到非常苦惱吧，以下是小編收集整理的神經網絡的特點分析論文，歡迎大家借鑒與參考，希望對大家有所幫助。
神經網絡的特點分析論文 篇1
神經網絡的特點分析
（1）神經網絡的一般特點
作為一種正在興起的新型技術神經網絡有著自己的優勢，他的主要特點如下：
①由于神經網絡模仿人的大腦，采用自適應算法。使它較之專家系統的固定的推理方式及傳統計算機的指令程序方式更能夠適應化環境的變化。總結規律，完成某種運算、推理、識別及控制任務。因而它具有更高的智能水平，更接近人的大腦。
②較強的容錯能力，使神經網絡能夠和人工視覺系統一樣，根據對象的主要特征去識別對象。
③自學習、自組織功能及歸納能力。
以上三個特點是神經網絡能夠對不確定的、非結構化的信息及圖像進行識別處理。石油勘探中的大量信息就具有這種性質。因而，人工神經網絡是十分適合石油勘探的信息處理的。
（2）自組織神經網絡的特點
自組織特征映射神經網絡作為神經網絡的一種，既有神經網絡的通用的上面所述的三個主要的特點又有自己的特色。
①自組織神經網絡共分兩層即輸入層和輸出層。
②采用競爭學記機制，勝者為王，但是同時近鄰也享有特權，可以跟著競爭獲勝的神經元一起調整權值，從而使得結果更加光滑，不想前面的那樣粗糙。
③這一網絡同時考慮拓撲結構的問題，即他不僅僅是對輸入數據本身的分析，更考慮到數據的拓撲機構。
權值調整的過程中和最后的結果輸出都考慮了這些，使得相似的神經元在相鄰的位置，從而實現了與人腦類似的大腦分區響應處理不同類型的信號的功能。
④采用無導師學記機制，不需要教師信號，直接進行分類操作，使得網絡的適應性更強，應用更加的廣泛，尤其是那些對于現在的人來說結果還是未知的數據的分類。頑強的生命力使得神經網絡的應用范圍大大加大。
1.1.3自組織神經網絡相對傳統方法的優點
自組織特征映射神經網絡的固有特點決定了神經網絡相對傳統方法的優點:
（1）自組織特性，減少人為的干預，減少人的建模工作，這一點對于數學模型不清楚的物探數據處理尤為重要，減少不精確的甚至存在錯誤的模型給結果帶來的負面影響。
（2）強大的自適應能力大大減少了工作人員的編程工作，使得被解放出來的處理人員有更多的精力去考慮參數的調整對結果的影響。使得更快的改進方法成為可能。
（3）網絡工作過程中考慮數據和網絡的拓撲結構的問題，更類似人類大腦思考問題的方式，問題的解決更符合人的特點，使得結果的可信程度加大。
（4）無導師學習機制，不需要教師信號。對于地球物理勘探這類的很少有準確的教師信號作為指導的問題而言，這一點很有優勢，很好的模仿人腦，所得結果是其他方法處理結果的很好的參考。
1.1.4完成本課題的目的
本課題的目的就是通過畢業設計這一過程學習神經網絡的基本原理、方法和應用情況，在了解自組織特征映射神經網絡原理的基礎上探索這樣的方法、工具在地球物理數據處理上的應用，例如在儲層識別方面。并且同一部分其他方法對比，分析各個方法的特點，為后面的工作打基礎。
針對傳統地球物理勘探數據處理方法存在的問題，結合自組織特征映射神經網絡的優點，嘗試這樣的一個新方法，看他們這一問題上的表現如何，爭取找到一個相對合適的方法。
保存所做的工作，為以后在這方面感興趣的同學留下有限的一部分參考。國內外研究的過程及現狀
人工神經網絡是近幾年來循序發展的人工智能新技術，他比專家系統、模糊理論等人工智能技術具有更高水平。
人工神經網絡在80年代中期得到了飛速的發展。1982年美國加州州立理工學院物理學家Hopfield教授提出了Hopfield人工神經網絡模型，他將能量函數的概念引入人工神經網絡，并給出了穩定性的判據，開拓了人工神經網絡用于聯想記憶和優化計算的新途徑。
人工神經網絡模擬人類部分形象思維的能力，是模擬人工智能的一條途徑。特別是可以利用人工神經網絡解決人工智能研究中所遇到的一些難題。人工神經網絡理論的應用已經滲透到多個領域，在計算機視覺、模式識別、智能控制、非線性優化、自適應濾波相信息處理、機器人等方面取得了可喜的進展。
1.2.1國外研究發展的過程
神經網絡誕生半個多世紀以來，同其他事務一樣發展不是一帆風順的，大體上經歷了以下5個階段：
（1）奠基階段。
早在20世紀40年代初，神經解剖學、神經生理學、心理學以及人腦神經元的電生理的研究等都有一定的成果。其中，神經生物學家McCulloch提倡數字化具有特別的意義。他同青年數學家Pitts合作，從人腦信息處理觀點出發，采用數理模型的方法研究了腦細胞的動作和結構及其生物神經元的一些基本生理特性，提出了第一個神經計算模型，即神經元的閾值元件模型，簡稱為MP模型，他們認識到了模擬大腦可用于邏輯運行的網絡，有一些結點，及結點與結點之間相互聯系，構成一個簡單神經網絡模型。其主要貢獻在于，結點的并行計算能力很強，為計算神經行為的某此方面提供了可能性，從而開創了神經網絡的研究。這一革命性的思想，產生了很大影響。
（3）第一次高潮階段。
在1958年計算機科學家Rosenblatt基于MP模型，增加了學習機制，推廣了MP模型。他證明了兩層感知器能夠將輸入分為兩類，首先假如這兩種類型是線性并可分，也就是一個超平面能將輸入空間分割，其感知器收斂定理：輸入和輸出層之間的權重的調節正比于計算輸出值與期望輸出之差。
他提出的感知器模型，首次把神經網絡理論付諸工程實現。例如，1957年到1958年間在他的帥領下完成了第一臺真正意義上的的神經計算機，即：MarkⅠ的感知器。他還指出了帶有隱含層處理元件的3層感知器這一重要的研究方向，并嘗試將兩層感知器推廣到3層。但是他沒有能夠找到比較嚴格的數學方法來訓練隱含層處理單元。這種感知器是一種學習和自組織的心理學模型，其結構體現了神經生理學的知識。當模型的學習環境含有噪音時，內部結構有相應的隨機聯系，這種感知器的學習規則是突觸強化律，它可能應用在模式識別和聯想記憶等方面。可以說，他的模型包含了一些現代神經計算機的基本原理，而且是神經網絡方法和技術上的重大突破，他是現代神經網絡的主要構建者之一。Rosenblatt的行為激發了很多學者對神經網絡研究的極大興趣．美國的上百家有影響的實驗室紛紛投入到這個領域，軍方給予巨額資金資助，比如，對聲納波識別，迅速確定敵方的潛水艇位置，經過一段時間的研究終于獲得了一定的成果。這些事實說明，神經網絡形成了首次高潮。