神經網絡技術全文(5篇)

摘要：隨著計算機網絡、信息技術、自動化技術的進步，極大的改變了我們的生活。人工神經網絡技術是一種全新的控制技術，通過互聯網進行動態模擬，從而建立一種新的控制互聯網的系統。經過十幾年的發展，人工神經網絡技術研究取得了巨大的進步，已經廣泛應用在社會各個領域，使現代計算機中的難題得到了解決。本文主要從人工神經網絡技術的概念出發，探討了它在現代社會領域的具體應用。

【關鍵詞】人工神經網絡 信息技術 發展趨勢

人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的發展，人工神經網絡技術得到了快速的發展階段。

1人工神經網絡技術

人工神經網絡技術也稱ANN，是隨著上個世紀八十年代人工智能發展興起的一個研究熱點，它的主要工作原理對人腦神經網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節點——神經元連接起來的，其中不同的節點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統，這種工作機理與傳統的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2人工神經網絡技術應用分析

隨著人工神經網絡技術的發展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。

［摘要］波動率是對特定證券或市場指數收益分散度的統計量度，可以通過使用證券或市場指數收益率之間的標準偏差或方差來衡量。通常，波動率越高，風險越高。文章運用神經網絡模型對美國標普500指數2016年的波動率進行了預測，并得到了優于傳統模型的預測結果。

［關鍵詞］神經網絡技術;標普500指數;波動率;預測

波動率是對特定證券或市場指數的收益分散度的統計量度，可以通過使用證券或市場指數收益率之間的標準偏差或方差來衡量。通常，波動率越高，風險越高。用來計算波動率的傳統方法包括Black－Scholes模型和GARCH族模型。這些傳統方法難以捕捉金融市場時間序列數據等數據集的不連續性，非線性和高度復雜性。隨著計算機科學的發展，人工神經網絡等機器學習技術提供了足夠的學習能力，更有可能捕捉到金融市場中復雜的非線性模型。該技術已經在金融預測研究中取得了一些成果。Baba和Kozaki(1992)開發了一個神經網絡系統用于預測日本股市的價格，并將改進BP算法與隨機優化方法相結合的混合算法用于神經網絡參數的訓練。

1建模

本文使用神經網絡技術建立了一個可以預測標普500指數波動率的模型?？紤]到較長時間的交易包含了更多的信息以及實證研究的需要，本文選取的樣本范圍從2005年1月到2016年12月。為了比較不同模型的預測精度，以均方誤差(MSE)作為評價標準，即預測波動率與實際波動率之間的偏差平方的平均值。反向傳播(BP)算法也稱為誤差反向傳播算法，是人工神經網絡中的監督學習算法。BP神經網絡算法理論上可以近似于任何函數。其基本結構由非線性變元組成，具有較強的非線性映射能力。而且，網絡層數、神經元數量、網絡學習系數可根據具體情況進行設置，靈活性大。輸入變量的選擇是一個建模決策，可以大大影響網絡性能。本文的變量選擇思路如下:波動率有聚集現象，可以證明波動存在自相關，所以歷史波動率可以作為輸入變量來預測t+1的波動率。Boller-slev(2011)從幾個宏觀金融變量(市場波動率本身和市場的市盈率等)中發現了波動率風險溢價的顯著影響。因此，市盈率將被用作預測t+1波動率的輸入變量。Fama和French(1988)發現，股票價格的一個緩慢的均值回歸的趨勢往往會導致回報的負相關性。Darrat和Zhong(2003)根據順序信息得到假設，發現了道瓊斯指數中的股票交易量和波動率之間存在顯著的關系?；谏鲜鲈颍?005年至2015年標普500指數的歷史波動率(滯后項)、市盈率、30日均價、交易量和一些基本信息(包括日收益率和收盤價)被選擇作為輸入變量。從這些數據中學習訓練之后，BP神經網絡將用于預測2016年標普500指數的波動率。我們使用MATLAB來建立這個BP神經網絡。將2736個樣本隨機分為3組:有70%的樣本用于訓練網絡。這些樣本在訓練期間提交給網絡。然后根據誤差對神經網絡進行調整以優化自身。有15%的樣本用于驗證并停止訓練。有15%的樣本用于測試，提供了訓練期間和訓練后的網絡性能的獨立測量。這種方法被稱為交叉驗證，這是一種模型驗證技術，用于評估統計分析結果和模型的過擬合程度。對于網絡的層數，很多學者做了理論研究。Lippmann(1987)提出具有兩個隱層的神經網絡可以解決任何形式的分類問題。之后，Hetcht－Nielsen(1989)從理論上證明，任何閉區間的連續函數都可以用一個帶有隱含層的BP網絡來逼近。該理論可以作為BP神經網絡結構設計的基本原則。實際上，增加層數的目的是找到輸入、輸出變量之間的關系，以減少誤差，提高學習的準確性;另外，層數增加使得網絡結構更加復雜，從而增加了網絡訓練時間。因此，通常的做法是通過設置隱藏的神經元的數量來調整誤差。隱藏層神經元的數量對解決問題有很大的影響。有些書籍和文章提供了選擇神經網絡結構的“經驗法則”。例如，Blum(1992)提供的經驗法則是隱藏層的大小應該在輸入層和輸出層之間。Berry和Linoff(1997)給出的另一個經驗法則是，它不能超過輸入層的兩倍。王小川等人(2013)提出了以下公式來幫助選擇隱藏神經元的數量:Nhid＜Nin－1Nhid＜Nin+N槡out+a(0＜a＜10)Nhid=log2Nin我們測試了具有不同數目隱藏層的神經網絡，從3到10。樣本內的測試結果表明，有4個神經元的神經網絡具有最好的結果。而通過對樣本外數據即2016年標普500指數波動率的驗證可以發現，4神經元網絡在MSE和R評估標準中優于其他模型，這進一步證實了本文的實驗結果。

2預測結果分析

使用BP神經網絡進行波動率預測得到的均方誤差(MSE)為4.291E－5，遠小于同期數據計算得到的隱含波動率和GARCH模型計算得到的波動率的均方誤差。將其與已實現的波動率進行比較可以發現，即使市場出現一些突然的變化或沖擊，神經網絡的波動率仍然接近實現的波動率，這表明神經網絡在t+1波動率預測方面具有優越性。但是，這項研究還有一些局限性可以進一步改進。首先，本研究的波動率預測是基于每日數據來預測t+1的波動率。神經網絡模型在不同時期的波動率預測中是否存在優勢還有待研究。其次，需要優化神經網絡的輸入變量。在這項研究中，選擇市盈率、交易量、歷史波動率、30天平均價格，收盤價格和每日收益率作為輸入變量。事實上，還有很多其他的與市場波動有關的變量，比如投資者情緒，利率變化等，所以輸入變量的優化可以提高神經網絡的預測能力。最后，本研究的對象是2005年至2016年標普500指數的數據，因此，其他市場或其他時間的波動率還有待進一步研究。但可以預見，不同市場的情況會有很大的不同，甚至根本不同。如果標的資產流動性差或交易量過小，神經網絡模型很難獲得足夠的數據進行訓練。它的預測能力可能會被嚴重降低。

1神經網絡損傷診斷的兩級識別策略

基神經于網絡判別指標過濾方法的兩級識別策略，具有物理意義清晰，定量、定性的特點。應用于結構的損傷診斷，可以有效解決結構不適定性、非線性帶來的評估誤差及精度問題。

1.1自適應神經網絡(Auto2associateNeuralNetwork)

自適應神經網絡方法基于無損傷結構在正常服役條件下的實測響應數據（某個動力特性參數、或多個動力特性參數）作為訓練對象（人工神經網絡的輸入和輸出數據X、Y），依次構造一個自相關的神經網絡Net=T(X→Y)。訓練完成后，循環迭代輸入數據X進入已訓練的神經網絡Net，獲得輸出數據Yn。通過選取合適的殘差判斷函數，通過對比數據Y和網絡輸出數據Yn的差值向量,采用某種距離測度函數加以測量形成健康結構的判別指標Vi。當結構發生損傷，實測響應數據Xd被作為輸入數據通過已經訓練的神經網絡Net，由輸入數據Xd和輸出數據Yd可以計算得到的新的判別指標Vd，并與Vi相比較計算差值構建損傷指標Di來判定損傷。當Di大于既定殘差函數時，即判定結構已經發生損傷。

1.2概率神經網絡(ProbabilisticNeuralNetwork,PNN)

自適應神經網絡方法構建自相關網絡Net，將實測響應信息迭代計算Di，可以定性判定是否存在損傷，在損傷確定的條件下，可通過概率神經網絡PNN判定損傷的位置、類型。PNN是通過具有無參估計量的已知數據集的概率密度函數來實現貝葉斯決策，將其加在人工神經網絡框架中,接著進行判別未知數據最大可能屬于哪個已知數集，構建一個包含損傷類別θ1、θ2….θq…θn集合,基于p維試驗向量X的貝葉斯決策d(X)為d（X）∈θq(hqlqfq（X）)>hklkfk（X），k≠q

（1）hj———分類指標θj的先驗概率。lj———與錯誤分類d(X)埸θj的相關損失。fj(X)———采用多變量高斯(Gauss)分布函數的概率密度函數：fq（X）∈1nq(2π)p/2σpnqi=1Σexp-（X-Xai)T（X-Xai)2σ222

摘要：從闡述中國食品安全監管模式經歷的幾個重要時期著手，分析了當前中國食品安全監管存在的不足，指出應借鑒美國等發達國家較為成熟的監管策略，將大數據相關技術應用于食品安全監管中，使數據信息更具時效性和公開性；提出了將BP神經網絡運用于食品檢測數據分析中，實現預測某類食品在之后多個監管周期內的風險系數，提高對食品安全事故的預警能力。

關鍵詞：大數據；BP神經網絡；食品安全；監管

近年來中國的食品行業運行狀況得到了空前發展。2019年上半年，全國規模以上食品企業工業增加值保持穩定增長，其中農副食品加工業累計同比增長4．7％，食品制造業累計同比增長5．5％；全國規模以上食品工業企業營業收入39311．4億元，同比增長5．0％；利潤總額2710．1億元，同比增長10．0％。在經濟效益增長的同時，存在的食品安全問題也逐漸凸顯，受到了公眾的廣泛關注，國家對于食品安全的監管也愈發深入［1］。中國對于食品安全問題的監管一直處于不斷發展階段，近幾十年來從監管模式上也有了一定的革新和突破。但是在如今大數據時代背景下，食品信息數據越來越龐大，也越來越復雜，有必要順應時代、結合新型技術對傳統的食品安全監管模式進行優化［2］。對于由不同地區、機構采集到的食品信息數據，如何進行系統化的匯總和整理，并從數據中發現潛在的安全隱患問題，及時向公眾預警已非常迫切。目前，在中國乳制品質量安全評價中已應用了BP神經網絡評價模型，通過訓練設置相應的參數，更客觀地反映中國乳制品質量的實際情況［3］。而通過數據挖掘和神經網絡對數據進行整理和分析，進一步實現信息共享，發揮計算機的高速運算能力和信息處理能力，對于食品安全的監管來說是一個新的突破。因此，文章擬對大數據環境下的食品安全監管問題進行分析，旨在為推進中國大數據食品安全監管模式的理論完善及實踐應用提供依據。

1食品安全監管

1．1傳統食品安全監管模式

目前對食品安全監管最確切的定義是一項國家政府等職能部門對食品生產、加工、流通企業的食品安全進行監督和管理的干預控制活動，包括對食品生產加工及流通環節的日常監管、食品質量安全市場準入制度的規范管理，以及對食品生產質量不達標等違法行為的查處［4］。隨著時代的變遷，食品安全問題也在不斷更新和演變，中國在食品安全的監管方面也經歷了幾個典型時期。由圖1可知，中國的食品安全監管經歷了從無到有、從單一部門到多部門再到單一部門的演變。20世紀90年代，中國進入了多部門同時監管食品安全的“九龍治水”時期，此時的監管模式較為混亂；2009—2013年，新增了國務院食品安全委員會，被稱為“九加一”時期；2013—2018年，食品安全監管的主要機構確定為國家食品藥品監督管理總局，與之前相比監管力度更強；2018年3月之后，市場監督管理局正式成立并由其負責食品安全的監管，消除了以往監管模式中各個環節存在壁壘的問題。雖然中國食品安全監管模式經過不斷的完善，在一定程度上控制了中國食品安全事故的發生狀況，但并未從根本上有效解決食品安全問題。尤其是在信息化的大數據時代，食品安全相關的社會主體數量大、分布廣，食品安全信息碎片化，這也給傳統的監管模式帶來了巨大的困難。目前中國食品安全的監管主要依靠政府部門來完成，存在監管手段傳統單一的問題，通常是采取人工監管和以罰代管的手段，并且人工監管成本高、監管效率低。

1．2大數據下的食品安全監管

在社會的不斷發展過程中，計算機網絡等發展迅速，且在實際的工作和生活中得到廣泛的應用，網絡技術給人們帶來了較大的生活便利，但是也帶來了較大的網絡安全風險，所以在計算機技術發展的過程中，計算機網絡安全受到的風險越來越大。當前你造成網絡安全受到威脅的因素有很多，例如漏洞、病毒等等，為了保證計算機網絡的安全，需要對其網絡安全進行評價，神經網絡是現階段評估計算機網絡安全的一種主要方法，為確保計算機網絡安全性，本研究基于神經互聯網在計算機網絡安全評價仿真模型中的應用等相關的內容進行分析。

1神經網絡與計算機網絡安全評價分析

隨著科學技術的發展，當前計算機技術和網絡技術被廣泛地應用，而計算機網絡安全評價對計算機網絡管理有重要的作用。而信息化技術的不斷推廣和應用，以及信息技術在各個領域中的應用，使得互聯網、計算機得到普及，并使得人們的生活方式和工作方式發生變化。但是在當前的社會發展中，計算機互聯網等的廣泛應用，為人們帶來便利的同時，也為人們帶來了網絡安全風險，而影響計算機安全的因素有很多，為了更好地促進計算機和互聯網的發生，需要對計算機網絡安全進行評價，而對計算機網絡安全評價的方法，最為廣泛的為神經網絡。神經網絡技術的產生，其主要是針對人腦信息處理方式進行研究，利用數學知識，對生物神經特性進行揭示。將其應用在計算機網絡安全性的評價中，神經網絡可以充分的發揮其作用，準確地對計算機網絡安全進行評價，確定計算機網絡安全隱患的位置和來源等。隨著信息技術的發展，以及科技水平的提升，神經網絡技術不斷的擴展，不斷的深入，其在計算機網絡安全中的應用，有重要的意義和作用，為此受到人們的重視。神經網絡屬于智能系統技術，在其研究和發展，模擬動物的神經系統，實現對接收到的信息進行處理和分析，并通過神經網絡系統，構建各種模型，將神經網絡中的各個節點之間的關系模型模擬。同時在神經網絡系統中，還具有自動識別、自學等功能，可以在對接收的信息完成分析處理之后，自動的在之后的工作中進行應用。除此之外，神經網絡還具有儲存功能、自我排憂功能等等，可以幫助使用者迅速地找到解決的方案。計算機網絡等技術在使用的過程中，存在著較大的網絡安全隱患和風險，為了確保證計算機、互聯網使用安全，必須通過互聯網安全評價系統或技術，對計算機網絡的安全等級和存在的風險隱患等進行評價，神經網絡就是計算機網絡安全評價中最常使用的方法之一。通過神經網絡建立計算機網絡安全評價體系以及模型，實現對其進行的評價。

2計算機網絡安全評價體系的建立原則以及安全評價原理

2.1計算機網絡安全評價體系的建立原則

在計算機技術、網絡技術應用的過程中，運行的安全性起著關鍵性的作用，為了保證計算機網絡運行的安全性，需要對其安全進行監測和分析，準確、及時的反饋出計算機網絡的運行狀態，便于技術人員對計算機網絡運行產生的問題作出正確及時的判斷。建立計算機網絡安全評價體系，是計算機網絡安全評價的一個保障，其需要遵守一定的原則，這些原則主要有：第一，準確性。在計算機網絡安全評價體系建立的過程中，保證安全評價體系具有準確性，進而保證其可以準確、真實地將計算機網絡安全評價信息呈現出來。第二，簡要性。計算機網絡系統本身具有復雜性，為其增加了計算機網絡安全防護的難度，也增加了計算機網絡安全風險，在實際的工作中，提高計算機網絡的工作效率和工作質量，需要保證計算機網絡安全評價指標和體系具有象征性和代表性，可以保證評價結果準確可靠，同時將其工作量減少。第三，完備性。在神經網絡對計算機網絡的安全性進行評價的過程中，建立的安全評價體系，需要保證其各項監測指標的完備，保證安全評價體系的各項指標，對計算機網絡的各種運行行為都有反應，進而保證計算機網絡安全評價存在可靠性與真實性。在計算機網絡安全評價期間，可以科學、有效地進行相關的評價和選擇。第四，獨立性。計算機網絡本身是一個復雜的系統，在對其進行安全評價的過程中，需要保證各項指標的獨立性，減少重復選擇，進而有效的控制安全評價的工作量。為了保證安全評價的真實性和工作效率，需要選擇具有獨立性和代表性的評價指標進行檢測，最大限度地降低各個指標之間的關聯，準確、客觀地將計算機網絡系統的運行狀態表現出來。在計算機網絡的安全評價中，神經網絡發揮著重要的作用，其較強的適應性為計算機網絡安全評價提供了保障，所以通過神經網絡技術，創建計算機互聯網安全評價機制與仿真模型，從而評估計算機網絡安全性。

2.2評價原理