神经网络之运用领域

Posted 多源信息融合的瓦斯灾害预测

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了神经网络之运用领域相关的知识,希望对你有一定的参考价值。




在过去的几十年里,神经网络得到了广泛运用,解决了以下几个领域的问题:控制、搜索、优化、函数近似、模式关联、聚类、分类和预测。



优化、函数近似、模式关联、聚类、分类和预测。



在控制领域的应用中,给设备输入数据,产生所需的输出。最近控制领域应用的示例是雷克萨斯(Lexus)、丰田汽车豪华系列。这种车的尾部配备了后备摄像机,声纳设备和神经网络可以自动并行停车。实际上,这是一个所谓的反向问题的例子,汽车必须采用的路线是已知的,所必须计算的是需要的力以及所涉及方向盘的位移。反向控制的一个较早的示例是卡车的后倒。正向识别的一个示例是机器人手臂控制(所需的力已知,必须识别动作)



在任何智能系统中,搜索都是一个关键部分。将神经网络应用于搜索,其关键的基本问题在于状态空间的表示。如果对已正确训练的网络,我们输入如图的向量,这个输入向量表示的是在tic-tac-toe游戏中的状态,我们希望网络的响应为=001 001 001 001 001 001 001 010 010—在右下方的方块中放置“0”,这样就可以阻止“X”的游戏者。神经网络还应用于包括tic-tac-toe在内的21点、西洋双陆棋、西洋跳棋和许多其他游戏。




神经网络之运用领域




优化的目的是最小化或最大化一些目标函数。经典的优化问题是TSP。离散霍普菲尔德网络可以得到实用的TSP问题的近似解。Bharitkar等人描述了使用



霍普菲尔德网络来优化计算机控制存储器中的字宽的方法。



在函数近似中,你可以尝试将数字输入(定义域元素)映射到适当的输出(值域元素)中。在这个框架下,许多问题可以重写。例如,你可以将tic-tac-toe游戏中的状态视为一些函数的定义域,则最佳动作是函数的值域。



我们已经看到,联想网络擅长模式关联。一些模式也许是嘈杂的照片版本(摄影师可能在拍摄过程中移动),输入照片到这样的网络,则系统可以输出照片的清晰版本。联想网络在OCR应用中也取得了成功。



  使用聚类,可以尝试将模式映射到不同聚类中,这样同一聚类中的每个模式在某些特征值方面就具有共同性,而在不同聚类中的模式,这些值是不同的。例如,根据颜色或花瓣长度,花可以映射成不同聚类。通常,聚类中控制成员身份的特征不是先验已知的,网络必须自己发现这些特征。

在模式分类中,根据特定模式类的成员身份对输入模式进行分组。在讨论布尔函数和监督学习算法时,我们已经遇到了分类的例子。例如,对于双输入或(OR)函数,x=(0,1)属于模式类0还是1?在这个研究领域中,一项极具创意的工作是Terry Sejnowski和Charles Rosenberg的NETtalk。我们可以将NETtalk看作一台会说话的打字机。NETtalk将书面文字转换为音素序列,然后把这些音素馈送到语音合成器中生成声音。英文中,文字和声音之间的关系往往比较复杂,有时是矛盾的。为什么在“tough”中,有一个“f”的发音,而在“dough”中却没有这个发音?为什么“e”在“head”和“heat”中的发音不一样?如果英语是你的第二语言,那么你可以随意举出数十个其他的例子。修正发音的关键在于说出元音的方式:这些元音的发音依赖于周围的辅音。



  纽约市的居民将会发现这样一个问题,即得克萨斯州的“休斯敦(Houston)”(一个城市)与纽约市的“休斯顿(Houston)”(一条街道)的发音不同。



向NETtalk输入字母以及这些字母相邻的有3个前续字母和3个后续字母。首先将这些字母转换成长度为29的二进制向量。

使用N编码中的一种。

26个大写英文字母,即A~Z。

3个影响发音的标点符号的输入。

训练数据由5000个英语单词以及每个单词正确的语音序列组成。每个输入模式的长度为203(每个字符29位×每个相邻字母7位字符)。NETtalk的训练集包括30000个例子(5000字×平均字长6个字符)。NETtalk应用程序的BPN架构如图所示。







由这个网络生成的分类被转换为音素,然后这些音素被作为语音合成器的输入。在训练过程中,NETtalk所产生的声音与幼儿首次学习发音时发出的声音类似。



训练前——网络产生随机声音。

经过100个epoch后——出现了正确的细分。

经过500个epoch后——可以区分元音和辅音。

经过1000个epoch后—词语可以互相区分,但是在语音上不正确。

经过1500个epoch后—似乎学习到了语音规则。系统发音正确,但声音有些机械。

训练完成后,从验证集中取出200个单词输入NETtalk。据估计,NETtalk阅读英文文本的精确度可以达到95%。



在预测方面,人们希望可以估测在未来某一时刻的现象。预测可以看作函数近似,其中函数定义域是时间,其值域是所研究现象的未来行为。神经网络从预测太阳黑子活动到标准普尔(S&P)500指数这些领域,都获得了成功。



后一种应用,即经济预测的应用让大多数人都感到兴奋。如果我们能够确切知道明天的股票价格,有哪一个人不会极度兴奋呢?股价是混乱的吗?换句话说,这是一个复杂的现象,因此它就难以预测吗?神经网络在这一领域取得了一些成功。




多源信息融合的煤矿瓦斯灾害预测

以上是关于神经网络之运用领域的主要内容,如果未能解决你的问题,请参考以下文章

深度学习基本功2:网络训练小技巧之使用预训练权重冻结训练和断点恢复

BNN领域开山之作——不得错过的训练二值化神经网络的方法

百度的又一个新开源项目——PaddlePaddle

天津python培训,python的主要应用领域都有哪些?

矩池云 | 神经网络图像分割:气胸X光片识别案例

pytorch学习笔记:循环神经网络RNN(简介)