的，它不能解决如异或这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。年代末期，人工神经网络的研究进入了低潮。另外，在年代初期，提出了自适应线性元件网络，这是种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。黑龙江工程学院本科生毕业设计当时，这些工作虽未标出神经网络的名称，而实际上就是种人工神经网络模型。随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家于年和年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，大批学者和研究人员围绕着提出的方法展开了进步的工作，形成了年代中期以来人工神经网络的研究热潮。人工神经网络的特性思维学普遍认为，人类大脑的思维分为抽象逻辑思维形象直观思维和灵感顿悟思维三种基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理这过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点信息是通过神经元上的兴奋模式分布储在网络上信息处理是通过神经元之间同时相互作用的动态过程来完成的。人工神经网络具有初步的自适应与自组织能力。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。同网络因学习方式及内容不同可具有不同的功能。人工神经网络是个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿另种是无监督学习或称无导师学习，这时，只规定学习方式或些规则，则具体的学习内容随系统所处环境即输入信号情况而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面生物原型研究。从生理学心理学解剖学脑科学病理学等生物科学方面研究神经细胞神经网络神经系统的生物原型结构及其功能机理。建立理论模型。根据生物原型的研究，建立神经元神经网络的理论模黑龙江工程学院本科生毕业设计型。其中包括概念模型知识模型物理化学模型数学模型等。网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成种信号处理或模式识别的功能构作专家系统制成机器人等等。纵观当代新兴科学技术的发展历史，人类在征服宇宙空间基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。神经网络在人工神经网络发展历史中，很长段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法算法的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构最后个隐层传递到输出层各神经元的信息，经进步处理后，完成次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于些复杂问题，算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。其次，算法可以使权值收敛到个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生个局部最小值。对于这个问题，可以采用附加动量法来解决。再次，网络隐含层的层数和单元数的选择尚无理论上的指导，般是根据经黑龙江工程学院本科生毕业设计验或者通过反复实验确定。因此，网络往往存黑龙江工程学院本科生毕业设计,黑龙江工程学院本科生毕业设计循环次后为本章小结本章主要是对前面说建立的网络进程程序的编写，包括网络的正向训练程序，网络的误差传播程序，训练循环程序，结果判断程序和预测程序。特别是对数据归化的处理，在程序中起了很重要的作用。黑龙江工程学院本科生毕业设计第五章神经网络在汽车保有量预测中的应用汽车保有量预测的意义在城市道路交通规划中,汽车保有量预测是规划过程中项基础工作。科学准确地把握未来城市汽车发展保有量对做好交通流生成预测,宏观上把握路网容量供需关系和道路交通流的分布分配,构建完善的路网规划具有十分重要的意义。传统的汽车保有量预测方法主要有外推法,因果法,判断分析法等。现行的预测方法虽各有其优点,但大多存在数据拟合度不高,外推性不强，预测结果与实际情况有较大偏差等问题。为此,采用神经网络分析构造了汽车保有量预测模型,将原来有较多的输入变量群进行主成分分析,利用线性变换得到组个数较少的彼此不相关的新输入变量,再用新输入变量作为神经网络的输入,从而简化了输入变量,提高了神经网络性能。还利用实际数据对市汽车保有量进行了预测。基于神经网络的汽车保有量预测模型汽车保有量主要影响因素分析决定城市的汽车保有量相关影响因素很多,其中最主要的是城市人口及城市社会经济发展水平。城市人口增多,人们的出行量就会增多,对汽车特别是客车的需求就会越大,因而必然导致保有量的增长,以满足需求。经济是交通的源需求,城市经济发展水平可以从多项指标上反映出来,如国内生产总值人均国内生产总值工业总产值城市的财政收入城市居民人均生活费收入与支出等。任何个城市汽车保有量都与这些经济发展指标相关,并受其制约,特别在经济发展阶段,经济水平是决定汽车保有量最主要的方面。在综合考虑影响汽车保有量的诸多因素,本文选取人口人均工业总产值财政收入居民年均收入居民年均支出等个因素作为影响指标。汽车保有量预测模型以个因素为输入因子的神经网络模拟。由于理论上已经证明了三层网络模型对于非线性系统具有较好的建模能力,因此,任连续函数或映射均可由个三层神经网络实现。在构建汽车保有量预测神经网络模型,网络层数的选择上,选用三层网络结构,即个输入层,个隐含层,个输出层,由于输入层与输出层神经元个数的增加会增加网络的表达能力,同时还会增加其收敛速度和黑龙江工程学院本科生毕业设计噪声干扰,为使模型既具有理论价值又有可操作性,在综合考虑汽车保有量影响因素的条件下,将个因素作为输入层,输入层有个神经元,隐层有个神经元,输出层有个神经元,输出层为预测目标变量,即汽车保有量。实例分析下面以表所列的城市汽车保有量历史数据为例阐述本文的预测方法。表城市汽车保有量历史数据汽车保有量影响因素的有人口人均工业总产值财政收入居民年均收入居民年均支出等个因素分别为汽车保有量随年份的变化。步骤如下所示打开进行程序调试和链接，如图所示。图调试后的界面年份人口万人万元人均元工业总产值万元财政收入万元居民年均收入元居民年均支出元汽车保有量黑龙江工程学院本科生毕业设计输入实验数据，如图所示。输入数据设置文件为，进行正反向训练，如图所示。图文件运行进行网络训练，如图所示。图预测界面黑龙江工程学院本科生毕业设计设置文件为，如图所示。图文件运行对网络进行在训练，如图所示。图在训练界面设置文件为，如图所示。图文件黑龙江工程学院本科生毕业设计运行进行网络测试，如图所示。图测试界面误差在规定范围，对文件写，如图所示。图文件黑龙江工程学院本科生毕业设计输预测数据如图所示。图预测数据运行进行预测，如图所示。图预测界面黑龙江工程学院本科生毕业设计本章小结通过模型建立及实例分析,我们可以得到结论采用神经网络建立的预测模型是可行的,其预测结果是年得车辆是辆。而实际的是辆。精度是，在规定的范围内。有关网络的稳定性方法的理论尚不完善,关于隐层层次与节点数只能由试算确定,使得该方法在使用中具有定的局限性。除汽车保有量预测外,其应用的领域运用的范围可进步拓宽,相关模型尚需进步研究和改进。黑龙江工程学院本科生毕业设计结论人工神经网络具有初步的自适应与自组织能力。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。同网络因学习方式及内容不同可具有不同的功能。人工神经网络是个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。这时，只规定学习方式或些规则，则具体的学习内容随系统所处环境即输入信号情况而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。通过分析网络的原理，分别介绍和分析了网络的学习的四个过程，即输入模式顺传播输出误差逆传播循环记忆训练学习结果的判别，成功的建立了神经网络模型并在此基础上进行网络编程，并对数据进行试验。能达到预期的结果。神经网络可以用作分类聚类预测等。神经网络需要有定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到些问题的些特征，以及对应的评价数据，用这些数据来训练神经网络。虽然网络得到了广泛的应用，但自身也存在些缺陷和不足，主要包括以下几个方面的问题。首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于些复杂问题，算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，