神经网络之运用领域

Posted 2021-04-03 多源信息融合的瓦斯灾害预测

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。

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