前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡的運用范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡的運用范文第1篇

關鍵詞：聚類分析；K-Means聚類；系統聚類；自組織神經網絡；人民生活質量

一、引言（研究現狀）

自改革開放以來，我國生產力極大發展，生活水平總體上得到了提高。但是，地區間的發展不平衡始終存在，而且差距越來越大，不同地區人民的生活水平也存在顯著的差異。據此，我們利用自組織人工神經網絡方法對全國31個省市自治區的人民生活水平質量進行分析評價。

二、指標選取與預處理

1.指標選取

遵循合理性、全面性、可操作性、可比性的原則，從以下5個層面共11個二級指標構建了人民生活質量綜合評價指標體系（如下表所示）。

人民生活質量綜合評價指標體系

2.指標預處理

（1）正向指標是指標數據越大，則評價也高，如人均可支配收入，人均公園等。

正向指標的處理規則如下（1）：

Kohonen 自組織神經網絡

輸入層是一個一維序列，該序列有N個元素，對應于樣本向量的維度；競爭層又稱為輸出層，該層是由M′N=H個神經元組成的二維平面陣列其神經元的個數對應于輸出樣本空間的維數，可以使一維或者二維點陣。

競爭層之間的神經元與輸入層之間的神經元是全連接的， 在輸入層神經元之間沒有權連接，在競爭層的神經元之間有局部的權連接，表明競爭層神經元之間的側反饋作用。訓練之后的競爭層神經元代表者不同的分類樣本。

自組織特征映射神經網絡的目標：從樣本的數據中找出數據所具有的特征，達到能夠自動對樣本進行分類的目的。

2.網絡反饋算法

自組織網絡的學習過程可分為以下兩步：

（1）神經元競爭學習過程

對于每一個樣本向量，該向量會與和它相連的競爭層中的神經元的連接權進行競爭比較（相似性的比較），這就是神經元競爭的過程。相似性程度最大的神經元就被稱為獲勝神經元，將獲勝神經元稱為該樣本在競爭層的像，相同的樣本具有相同的像。

（2）側反饋過程

競爭層中競爭獲勝的神經元會對周圍的神經元產生側反饋作用，其側反饋機制遵循以下原則：以獲勝神經元為中心，對臨近鄰域的神經元表現為興奮性側反饋。以獲勝神經元為中心，對鄰域外的神經元表現為抑制性側反饋。

對于競爭獲勝的那個神經元j，其鄰域內的神經元在不同程度程度上得到興奮的側反饋，而在Nj（t）外的神經元都得到了抑制的側反饋。Nj（t）是時間t的函數，隨著時間的增加，Nj（t）圍城的面積越來越小，最后只剩下一個神經元，而這個神經元，則反映著一個類的特征或者一個類的屬性。

3.評價流程

（1）對n個輸入層輸入神經元到競爭層輸出神經元j的連接權值為（6）式：

（2）獲勝鄰域j*（t），設定為鄰域函數（h）t，表示第i個神經元與獲勝神經元之間的距離函數。S2會隨著學習的進行而減小，從而鄰域在學習初期很寬，隨著學習的進行會變窄。因此，權值隨著學習的進行從較大幅度調整向微小幅度調整變化。鄰域函數產生了有效的映射作用。其中鄰域函數的表達式如下（8）式所示

分析結果如下：

第一類：北京，天津，遼寧，上海，江蘇，浙江，廣東

第二類：福建，山東，湖北，重慶，陜西

第三類：河北，山西，內蒙古，吉林，黑龍江，江西，湖南

第四類：安徽，河南，廣西，海南，四川，貴州，云南，，甘肅，青海，寧夏，新疆基于分類結果，得知第一類中的各地區的人民生活質量最高，主要分布于東部沿海。這些地區共同點是：工業和經濟文化實力雄厚，基礎設施建設齊全，醫療衛生事業、教育水平高度發達。

對于第二類，他們的生活質量相對于第一類次之，但比第三、四類的評價則較優。福建是東南部沿海的經濟大省，山東、湖北、陜西具有較強的工業實力和較高的教育水平；重慶市內地唯一的直轄市，境內有長江干道，這五省的共同他點在于其工業實力較強，教育水平發達，基礎設施齊全。

第三類中的諸多省份均是我國農業和采礦業大省，相比前兩類，他們則是缺少雄厚的工業基礎，但有良好的氣候條件社會環境和豐富的自然資源。

第四類，造成這些地區的人民生活質量較差的原因多且復雜。就安徽、河南而言，自古以來河南是華夏文化的中心，安徽是有名的產量大省，是什么因素限制了它們生活水平的發展還值得考究。廣西，海南，貴州，云南，，等的一個共性在于自然條件的劣勢。廣西，海南自古以來是官員貶庶之地；貴州、則云南困于云貴高原，交通向來閉塞；、青海更是由于自然環境惡劣而在各方面的發展較為欠缺；寧夏、甘肅、新疆則是身居內地，生活用水奇缺，種植業較為薄弱，多以畜牧為主，自古有甘涼不毛之地之說。四川則居于天府之國，但人口基數龐大且發展不平衡，所以人民生活質量也不是很高。

總體而言，此分類結果與實際基本吻合；但受變量體系等因素的干擾，部分地區仍然存在疑問，具體原因還值得進一步探討。

五、模型評價

網絡結構簡單、自組織自學習能力強和學習速度快是自組織網絡所具有的優點，在樣本識別上具有很強的優勢。此外，它將輸出表現成一維或者二維的概率密度分布，因此運用越來越來廣泛。對于實際中復雜和高維度的數據，該網絡具有較好的適應性和識別性。它本屬于一種無監督的自主競爭學習的神經網絡，網絡根據樣本的特征進行自組織學習競爭、聚類，將高維數據映射到低維度的二維平面，能夠較好地在保持數據拓撲結構不變的情況下進行數據壓縮和識別。其聚類的客觀性，更適用于于處理海量未知數據問題。以此同時，由于模型的可視化，在人們開發和構建新型網絡變得更加簡潔，易于被人們接受。

自組織神經網絡的二維拓撲映射圖的可視性很強，通過映射圖，可以直接觀察到數據的特征。同時，清晰的了解其分類情況。但是，傳統自組織特征映射神經網絡采用了向量內積、歐氏距離函數等確定輸入樣本最為相似的連接權向量，這就要求數據必須是連續的，若數據是離散的或者數據為順序型或者屬性型，則就不能勝任聚類這項任務。

參考文獻：

[1]張建萍，劉希玉.基于聚類分析的K-means算法研究及應用[J].計算機應用研究，20075（5）：166-168.

[2]么枕生.用于數值分類的聚類分析[J].海洋湖沼通報，1994（2）：2-12.

[3]劉慧，馮乃琴，南書坡，王偉.基于粗糙集理論和SOFM神經網絡的聚類方法[J].計算機與應用軟件，200926（8）：228-230.

[4]郭偉業，趙曉丹，龐英智，奇志.數據挖掘中SOM神經網絡的聚類方法研究[J].情報科學，2009，7（6）：874-876.

[5]王家偉，周浩宇，同慶，田宏杰，賈花萍.基于MATLAB的自組織特征映射網絡的實際應用[J].電子設計工程，2013，21（6）：47-48.

[6]郭麗華.人工神經網絡基礎[M].哈爾濱：哈爾濱工程大學出版社，2008.

[7]王國梁，何曉群.多變量經濟數據統計分析[M].西安：西安陜西科學技術出版社，1993.

[8]宋浩遠.基于模型的聚類方法研究[J].重慶科技學院學報，2008（7）：71-71.

[9]何曉群.多元統計分析[M].3版.北京：北京中國人名大學出版社，2012.

[10]韓力群.人工神經網絡理論、設計及運用[M].北京：北京化學工業出版社，2007.

神經網絡的運用范文第2篇

關鍵詞：人工神經網絡；金屬切削刀具；磨損檢測

1.前言：

隨著我國的工業飛速發展，對于工件的要求也愈發嚴格，但是從工廠中制造出的工件或多或少都有些不盡人意，所以必須依靠金屬切削技術對工件進行二次加工。但隨著時間流逝，金屬刀具的磨損逐漸成為了一個問題。而且隨著機器的柔性化與機械化愈發提高，人工觀測刀具磨損狀況的方法也愈發得不可取。無數科學家為此進行了大量研究，討論出了是數種方法，而人工神經網絡運用于金屬切削機的技術也應運而生。人工神經網絡是一種以模擬動物神經網絡而創造的數學模型，人工神經網絡有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學習和記憶、歸納的能力。目前，人工神經網絡在智能控制、優化計算與信息處理中都有很大的進展，人工神經網絡的前景不可估量。

2.人工神經網絡在金屬切削刀具中的應用

2.1人工神經網絡的基礎知識

人工神經網絡是一種建立在現代醫學對于人腦的研究上的一種模擬人腦的數學模型。它是由大量簡單的處理單元組成的復雜網絡，用以模仿人類大腦的神經活動與規律。所以，人工神經網絡擁有人類大腦的基本特征，即：學習、記憶與歸納功能。雖然人工神經網絡與人類大腦相比略有不足，但是由于其獨特的結構，人工神經網絡可以對己輸入信息進行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經網絡在邏輯學推理演算中，比起人類大腦更加有優勢。故，人工神經網絡在一些比較簡單同時需要大量計算的工作上比起人腦更有優勢。于是，人工神經網絡被廣泛用于金屬切削技術，并獲得了大量的好評。

2.2人工神經網絡使金屬切削的過程更加智能化

人工神經網絡具有自學習、聯想存儲與優化計算的能力，在金屬切削中被大量運用。人工神經網絡在金屬切削中起著多傳感器多信息融合與模式聯想器的作用。在對選定的人工神經網絡進行訓練，通過人工神經網絡的學習與記錄作用，將人工神經網絡訓練為模型，并將這個模型運用于金屬切削中，使金屬切削過程智能化。1992年王衛平博士使用人工神經網絡令金屬切削機在金屬切削的過程中智能化。李旭東利用BP網絡與人工神經網絡的學習性，實現了金屬切削加工的智能化選擇。實際上，國內有許許多多的人用人工神經網絡實現了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊伍中來。

并且隨著我國技術的逐漸加強，人工神經網絡技術的逐漸完善，金屬切削智能化的程度只會越來越強。

2.3人工神經網絡對于刀具磨損的檢測

人工神經系統被運用于金屬切削領域的初衷，就是希望借助它的智能化與信息處理的優越性，代替人工來檢驗刀具的磨損程度。

通過人工神經網絡的學習性，可以輕易在網絡中建模，使人工神經網絡可以輕易地檢測出刀具的正常狀態與非正常狀態――即刀具是否磨損。當刀具處于磨損狀態時，人工神經網絡可以發出警告。實際上，在刀具磨損狀態下發出警報已經不再是現在的研究重點了，在無人參與定情況下，對整個金屬切削過程進行識別，當刀具發生磨損，人工神經網絡可以進行自主替換，這，才是理想中的智能刀具檢驗系統，同時也是研究熱點。如果要實現上述內容，應該具備這些特點：對于來自多個傳感器的信息可以快速處理；在擁有樣本數據的情況下可以快速學習；可以根據外界數據的變化，快速調整自身，以適應周遭環境。

2.4通過人工神經網絡的計算，預測金屬切削加工中的狀態.

在人工神經網絡運用于金屬切削中的一個重要研究，便是通過人工神經網絡的計算來預測金屬切削加工中的狀態?？上н@項技術現在還只是處于理論研究與建模模擬的狀態下，跟可以正式使用還有一定的距離。如果這項技術可以得到突破，那么，毋庸置疑得，不止在金屬切削領域是一大進步，更加可以推動工廠全智能化、C械化，這無疑是一場重工業的一場大地震與大革命。

神經網絡的運用范文第3篇

【關鍵詞】 人工神經網絡技術 應用 現狀

一、人工神經網絡概述

要對人工神經網絡技術的應用進行了解，首先要掌握人工神經網絡的基本模型和結構。它的結構是并行分布的，通過大量的神經元的模型組成，是用來進行信息處理的網絡。各個神經元之間相互聯系，相互之間聯系的方式很多，每個特定的鏈接之中都有相應的權系數，而各個神經元的輸出是特定的。

二、人工神經網絡技術的應用現狀

人工神經網絡技術由于其結構上的優勢和對信息處理的高效性，使得在很多方面都有廣泛的應用，例如，運用人工神經網絡技術進行圖像處理、智能識別、自動監控、信號處理、機器人監控等，使得其在生活的各個方面都發揮了重要的作用，為交通、電力、軍事等部門提供了便利。下面對人工神經網絡技術的具體應用做簡單的分析。

第一，BP神經網絡?；谌斯ど窠浘W絡技術的BP神經網絡，在進行優化預測、分類和函數逼近等方面有著廣泛的應用。網絡的應用大體有分類、函數逼近、優化預測等方面。比如，將胃電圖和心電圖進行分類，對某些函數的最小二乘進行逼近，對工業生產過程中的數據進行整合，對電力系統中的負荷量和一些數據進行優化和預測等。特別是在進行時間序列的預測中，發揮著重要的積極作用。使用BP神經網絡還能對國家經濟發展中的一些數據進行處理。相對其它人工神經網絡技術的網絡而言，BP網絡復雜性較低，所以在很多工業產業上應用較多。在某些需要進行控制的系統內，BP神經網絡能夠對系統進行有效的控制。其具體的優勢主要有以下幾點：利用BP神經網絡在識別和分類中的優勢，能夠及時快速的判斷一些系統中的故障，相比以往的譜分析技術，其工作效率有了較大的提高。BP神經網絡中也存在著一些不足，表現在其網絡的魯棒性和容錯性不夠，在對故障進行判斷和檢測時，不能有效地確保其準確性。此外，這種算法的收斂速度不快，在選擇網絡隱層節點中還沒有形成完善的配套理論。這些都在某種程度上對其應用造成了影響。

第二，ART神經網絡。基于人工神經網絡技術的ART神經網絡，廣泛的應用在對圖像、語音。文字等的識別過程中。其在某些工業產業中也普遍應用，主要應用在對系統的控制方面。例如，對故障判斷，問題預警和事故檢測等較為繁瑣的生產過程進行控制，進行數據挖掘，從有關的數據中找到能夠應用的數據。ART神經網絡在應用中的優勢主要是其具有很強的穩定性，能夠在環境變化的情況下穩定的工作，其算法也十分簡單而且為快速。其缺點主要是在要求對參數和模型等進行準確的判斷時，其網絡的結構還需要進行完善。

第三，RBF神經網絡。基于人工神經網絡技術的RBF神經網絡目前在建模、分類、函數近似、識別、信號處理等方面有著廣泛的引用。比于其他的神經網絡，RBF神經網絡的結構較為簡單，其在非線性的逼近上的效果較為顯著，收斂的速度也較快，能夠有效的對整體進行收斂。其存在的缺點是，在函數逼近方面還不夠完善，仍然要進行性改進。

第四，Hopfield神經網絡。作為反饋神經網絡的一種，Hopfield神經網絡能夠在連接性較高的神經網絡中進行集中自動的計算。目前其在工業產業中有著廣泛的應用。優點是，對于一些線性問題，避免了只是用數學方法所帶來的繁瑣，在進行數模之間的轉化時，能夠快速準確的進行。

三、人工神經網絡技術的發展

人工神經網絡技術和理論的不斷發展和進步，在較多領域中，人工神經網絡技術引起了人們的關注。但是，目前在技術的運用和技術本身仍存在著一些問題。

人工神經網絡技術的發展，對數學領域的發展提出了要求，對有關的制造技術和科學技術也提出相應的要求，這就需要我們要加快與其相關的各種技術的快速發展，使這些技術能與人工神經網絡技術相互匹配。在發展人工神經網絡技術的同時，要加強與其它相關學科的相互聯系，這對于更好的發展人工神經網絡技術有著積極重要的作用。

神經網絡的運用范文第4篇

關鍵詞：神經網絡 網絡方法 環境色譜法 多個節點 信息模型

中圖分類號：X83 文獻標識碼：A 文章編號：1674-098X（2017）05（a）-0126-02

從近幾年在國內神經網絡的使用來看，在環境監測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環境的評價都帶來了很多新的成果。該文主要是通過對神經網絡相關分類的闡述，結合神經網絡在環境監測中的應用效果，希望能給神經網絡對環境監測中做一些回顧和總結[1]。

1 網絡方法類別

由于著重的角度關系，網絡法會有多種不同的類別，由于神經網絡是多個節點的連接，有相當多復雜的算法，基于神經網絡，可以總共闡述兩大類的情況，包括有管理和無管理的網絡方法。關于這兩種的不同點就在于它們是否需要對現有的樣本進行訓練。有管理的網絡方法是需要訓練，而無管理的網絡方法是無需進行訓練，它需要與其他的化合物相結合使用，里面會涉及到網絡與遺傳法、偏最小二乘法等分析方法來進行分析比較。另外根據網絡的結構不同，也可以把網絡方法給分成前向和后向的網絡方法，而如果是從網絡活動方式的差別，也可以將其分為隨機和確定兩種網絡方法。

2 關于環境監測的化學方面的應用

在化學方面，國內與有很多用于化合物的一些研究，比如一些有機結構分析，還有化學反應、蛋白質結構等等的分析。在進行定量的構效關系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關網絡模型，然后對生物的毒性進行進一步預測，當然，在分析過程中還存在著很多的問題，通過比較一些網絡模型，然后計算它們之間的權值，再篩選相出相應的參數，學者們在分析的時候也會對多層前傳網絡進行探討分析，盡量減低誤差，通過多方向的非線性校準，并且進行數據解析，然后表明引射能力，通過建立神經網絡來不斷接近規律的程度，擬定相關的指標數[2]。

3 分光光度的方法應用

在化學分析進程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關方法的不斷普及，目前大多數是使網絡和現有的紫外光譜法相互關聯，利用線性網絡、BP網絡等來用于多個分組的報道[3]。鄧勃等[4]學者在分析的時候，認為除了人工神經網絡，迭代目標轉換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優勢，并且產生的網絡法的誤差一般都不會很大。孫益民等專家在分析時，利用現有的人工神經網絡先后側出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

4 神經網絡對X射線中的熒光光譜法的應用

研究人員通過神經網絡建立與X射線熒光譜譜法的關系，通過多個不同的神經網絡來應用，可以通過他們之間的連接來測定酸溶鋁，通過神經網絡的設置，可以測定里面的最低的鋁值，通過神經網絡與BP的網絡模型的設立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側出酸溶出來的鋁的數值。BP模型可以結合現有的神經網絡系統，充分的在現有的信息模型上應用，通過利用網絡神經的結構，不僅可以做一些化學分析，還可以通過神經網絡來檢測環境監測中涉及到的紅外譜圖等的分析，這為環境分析提供了非常有意義的方向，并且給環境監測提供了新的檢測方法[6]。

5 環境監測中的色譜法的研究

在關于色譜法的研究中，人工神經網絡也有可以應用的方向[7]。色譜法中的小波分析，與人工神經網絡的結合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運用神經網絡分析之后，可以在其中建立相關的模型，通過兩者的結合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復雜的工程，它們之間需要運用大量的元素來分開，效率極低，極其浪費時間。因為其內里復雜的重疊組織，而現在，人工神經網絡為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經網絡的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經網絡的時候，會運用藥物來優化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環境監測中的評價

通過之前提到的BP網絡，通過介紹與人工神經網絡模型的結合，來闡述了整個模型應用的原理，通過綜合相關的分析方法可以對環境監測中的適用性進行分析評價，這樣表現出來的結果會更加客觀。研究者可以從有預測模型中表現的結果，在水庫里進行抽樣，提取水庫中的相關元素進行預測，確認是否與實際結果一致，可以通過建立人工神經網絡來對水質中的污染指數進行評價，然后得出相應的成果。

7 結語

人工神經網絡在整個環境監測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結為以下3個方面：第一，人工神經網絡具有自學習的特性?？梢酝ㄟ^大量的圖像來設計，進行相關的圖像識別，把不同的幾個圖像進行整合分析，并且把與之相互對應的結果嵌入到神經網絡系統中，系統會根據自己特有的自學功能，對以后相關的圖像進行識別操作，它可以給人們提供一些預測結果，甚至在未來的無論是經濟還是政治等方面提供一些預測，預測經濟和市場，給未來的發展提供引導。第二，系統具有可存儲的特性。人工神經網絡里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯系不同元素之間的關系，得出一些可能的聯想信息。最后，神經網絡還有一項功能便是優化得出答案的能力。

一般問題的因果關系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優化整個系統，是神經網絡的一個主要的功能，它可以通過計算來得到最優化的解，即便其中的運算量牽連的比較多，但是結合神經網絡中反饋聯想的功能，再包括計算機強大的運算效率，那么得到答案有時候也是比較容易的。

人工神經網絡在環境監測中表現的效果比較好，但是除此之外，在其他領域，運用神經系統也可以得到一些相關的數據，比如經濟領域，它可以通過建立信息模型，來進行市場預測和風險評估，這些都是很好的應用方式。在未來的實踐中，隨著經驗的積累，神經網絡的應用在環境監測中會不斷地深入，通過在色譜、光度等領域的剖析，為未來的環境監測效果提供了更多的可能性。

參考文獻

[1] 黃勝林.遺傳優化神經網絡在大壩變形監測中的應用[D].遼寧工程技術大學，2012.

[2] 熊勛.人工神經網絡在環境質量評價和預測中的應用研究[D].華中科技大學，2009.

[3] 王學.無線傳感器網絡在遠程環境監測中的應用[D].山東師范大學，2011.

[4] 武藝.人工神經網絡在土壤質量監測中的應用[D].浙江海洋學院，2015.

[5] 黃湘君.基于主成分分析的BP神經網絡在電力系統負荷預測中的應用[J].科技信息：科學?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經網絡在機器人視覺中的應用[J].制造業自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經網絡在福利彩票預測中的應用[A].中國智能計算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經網絡在電力需求決策中的應用[J].現代經濟信息，2009（22）：325-326.

神經網絡的運用范文第5篇

關鍵詞：人工神經網絡；教學實踐；教學方法；生物信息學

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2014）17-0208-03

人工神經網絡是在神經生理學、生物學、數學、計算機學等學科發展的基礎上提出的，模擬人類大腦的結構和思維方式處理、記憶信息的一門學科。具體來說，早在20世紀40年代，隨著醫學、生物學家們對人腦神經的結構、組成以及信息處理的工作原理的認識越來越充分，有學者提出以數學和物理方法對人腦神經網絡進行抽象，并建立簡化的模型，用以進行信息處理，這種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，稱之為人工神經網絡ANN（Artificial Neural Network）[1]。

在人工神經網絡中，各種待處理的對象（數據、特征、字符、抽象的模式等等）都可用神經元處理單元表示。這些神經元主要可以分為輸入神經元、隱含神經元和輸出神經元三大類。其作用各不相同，作為輸入神經元的處理單元用來與外界產生連接，接收外界的信號輸入；隱含神經元處于中間層，為信息處理的不可見層；輸出神經元主要實現結果的輸出。神經元之間相互連接，連接的權重反映了各神經元之間的連接強度，神經元之間的連接關系中蘊含著信息的表示和處理。人工神經網絡主要是在不同程度、不同層次上模擬大腦處理信息的風格，具有非程序化、較強的適應性、自組織性、并行分布式等特點，其實現主要是通過網絡的變換和動力學行為，涉及數學、生物學、人工智能、計算機科學、非線性動力學等多個學科[1]。作為一門活躍的邊緣叉學科，在處理信息方面，相比于傳統人工智能方法具有非線性適應性，成功地應用于神經專家系統、模式識別、組合優化、預測等多個領域，尤其在生物信息學領域得到了廣泛的應用。生物信息學是20世紀末發展起來的一極具發展潛力的新型學科。人類的基因中蘊含著大量有用信息，利用神經網絡可以對這些海量的信息進行識別與分類，進而進行相關的生物信息學分析。如利用神經網絡分析疾病與基因序列的關系，基于神經網絡對蛋白質結構的預測，基因表達譜數據的分析，蛋白質互作位點的預測等等，都取得了很好的效果[2]。

因此，在生物信息相關專業的本科生中開設人工神經網絡課程尤為重要。經過多年的研究發展，已經提出上百種的人工神經網絡模型，這就需要教師針對不同的專業背景，不同層次的學生，講授不同模型的核心思想、推導過程、實際應用等等。本文主要根據人工神經網絡在生物信息學相關專業的教學實踐，從以下幾個方面進行探討。

一、引導式教學，激發學生的學習積極性

神經網絡作為一門偏于理論分析的學科，傳統的教學模式，即首先講解模型的起源，接下來介紹模型的核心思想，然后就是一連串的數學公式推導，面對滿黑板的公式，學生很難提起興趣去認真學習相應的模型。所以，如何激發起學生的學習積極性，讓學生重視這門課程，更好地掌握課程內容，掌握相關的模型理論基礎、核心思想，更好地服務于本專業，是人工神經網絡教學者亟待解決的問題。

首先，在導課的時候要生動，以引起學生對將要學習的內容的好奇心，讓學生有興趣投入到課堂學習內容中去。布盧姆說過：“最大的學習動機莫過于學生對所學知識有求知的興趣?！敝挥性谶@種動機下的學習，才會提高自身的主動性與自覺性，達到提高教學質量的目的[3]。例如，在講解hopfield神經網絡的時候，通過舉例對蘋果、橘子的質地、形狀、重量等特征的描述，運用“0，1”進行量化描述，然后應用神經網絡就可以進行有效地分類；對于旅行商TSP問題，也可以通過hopfield神經網絡尋找到最優路徑。那么，這些問題是如何解決的呢？就需要大家來一起揭開hopfield神經網絡的神秘面紗。其次，由于神經網絡涉及大量的數學公式與數學方法，學生往往會有畏懼的心理，這就需要教師幫學生澄清思想誤區，現在很多用于數據分析與計算的軟件，如matlab工具箱、R軟件里面都有很成熟的人工神經網絡軟件包，所以，學生只需要理解其工作原理、核心思想，學會使用現成的人工神經網絡軟件包處理數據，在熟練應用程序包的基礎上，對相應的神經網絡模型進行優化，改進，并且與其他的人工智能算法相結合，更好地為本專業服務。第三，在講授人工神經網絡理論內容的時候，要摒棄傳統的呆板式的推導過程，以往的神經網絡教學方法注重理論分析，通常是一連串的公式推導，公式中又涉及大量的符號，計算起來復雜又煩瑣，學生會覺得索然無趣，厭學情緒嚴重。在教學過程中，教師要精心設計，創設出特定的問題環境，將所學內容與本專業相結合起來，多講應用，啟發和誘導學生選取合適的神經網絡模型來解決本專業的實驗數據分析與處理等問題。

二、理論教學與實驗教學相結合

除了在理論課堂上將基本的理論知識傳輸給學生，教師還應該安排若干實驗教學內容，讓學生以實驗為主，將理論課上所學的知識運用到解決實際問題中來，理論聯系實際，主動操作思考，觀察，分析，討論，以培養學生解決問題的能力。一旦學生自己動手處理一些問題后，很自然地就會對人工神經網絡產生一種親切感，并能強烈激發起學生繼續探究下去的興趣。對于同一問題，可以讓學生選取不同的網絡模型，設置不同的參數，甚至可以讓學生自己動手編寫相應的網絡模型程序，并且給予改進，根據得出的結果來評價模型在解決實際問題時的好壞，以及模型改進的效果。作為授課教師，需要不斷優化實驗教學內容，在生物信息學專業開設人工神經網絡課程，實驗教學主要是針對生物信息專業的海量生物數據處理與分析的實際需要，培養學生綜合運用人工神經網絡方法和生物信息學知識，進行信息的分析與處理。除了在實驗課堂上給學生最大的自由發揮空間外，課后作業也盡量以開放式問題的形式給出，比如，可以讓學生選取相應的網絡模型處理本專業的一些實際問題，例如，數據的分類、聚類等等，其中，數據來源可以不同，類型也可自由選取，最后給出相應的模型參數設置、方法的改進、實驗結果，也可以安排學生自己查詢文獻進行學習，并安排學生作報告。這樣，學生可以在世界范圍內了解神經網絡的在本專業的應用情況，又能提高英語的讀寫能力，還能鍛煉學生做科研報告的能力。

三、加強師資隊伍建設以及其他基本條件的建設

由于生物信息學是一門新興的交叉學科[4]，這就要求人工神經網絡的授課教師要熟練掌握生物信息相關專業的知識，教師的業務水平必須得到充分保證，才能給學生以全面透徹的指導。學院應該本著自主培養與重點引進的原則，優化教師隊伍的專業結構和學歷結構，提高教師的自身修養。授課教師要將課堂的理論知識聯系實際生物問題進行講授，讓學生感受到人工神經網絡在本專業的應用，提高學生的學習效率，同時也需要閱讀大量的專業文獻，提高編程技巧和數據庫應用能力，讓自己成為一名合格的復合型教師。同時，人工神經網絡課程的實驗，高度依賴于計算機網絡等設備，因此，相關的軟硬件設施的建設也必不可少，由于，基因組測序技術的發展，目前生物信息學研究所用的數據都是海量的，神經網絡訓練起來所需時間太長，不能用普通的電腦完成，需要專門的服務器來處理，學校有關部門應在條件允許的情況下，配備機房，購買服務器，以及相關的軟件，為學生創造良好的環境，讓學生完成課程內容。

最后，人工神經網絡涉及數學、計算機、人工智能和神經學等專業知識，因此，需要授課教師加強與其他相關專業教師的交流與合作，并滲透到授課過程中去，讓學生在學習人工神經網絡網絡時能將各專業聯系起來，更好地解決生物信息學中的問題，要想成為一名合格的人工神經網絡課程教師，首先要成為一名復合型的教師，不僅要具備教學和科研能力，同時也要具備計算機、生物學、信息學等多學科的知識。

參考文獻：

[1]朱大奇，史慧.人工神經網絡及其應用[M].北京：科學出版社，2006.

[2]朱偉，史定華，王翼飛.人工神經網絡在蛋白質二級結構預測中的應用[J].自然雜志，2003，（3）：167-171.

[3]趙俊，李曉紅.趣味教學法在預防醫學教學中的運用[J].現代醫藥衛生，2005，21（15）：2089-2090.