基于神经网络的机器学习方法

基于神经网络的机器学习方法翁天信（安徽省合肥市第六中学，安徽省合肥市230000）

机器学习也【摘要】随着科学技术的不断发展，以及智能化新的需要，人工智能技术逐渐走进人们的视野。而随着神经网络技术的不断发展，

讨论神经网络机器学习的技术与应用。有新的理论出现。本文通过分析神经网络技术，研究生物神经网络在机器学习方法中的发展现状及趋势，

人工智能【关键词】神经网络；机器学习；

【中图分类号】【文献标识码】【文章编号】（2019）TP393A1006-422202-0061-02

神经网络主要分为生物神经网络与人工神经网络遥生物神经网络袁顾名思义袁就是生物体身上神经系统所组成的网络袁随着科学技术的不断发展袁仿生技术不断深入袁人工智能的目光逐渐转向这一领域遥而人工神经网络就是将生物神经网络的信息传递方式类比在人工系统中袁模拟生物的大脑和神经系统袁由大量的尧简单的神经元来互相连接袁进而组成类似生物神经网络的复杂计算网络系统遥人工神经网络具有诸多优点袁如可并行处理袁可自主学习袁非线性能力强以及容错率高袁目前广泛应用在图像识别袁机器学习袁模式识别等领域遥

机器学习广义上讲就是使得机器通过自主学习来获得相关知识袁目的是为了使机器掌握相关类似人类获取知识的能力遥本质上袁人工神经网络是机器学习的一种技术手段或者实现方法遥

1引言学习一直被认为是人类和机器之间最重要的差别袁但如果给机器赋予人类的学习能力袁使得其更智能化的为人类服务袁一直以来是科学家的诉求遥随着人工智能技术的不断发展袁机器学习技术已经成为其重要的一个分支袁其本质上讲涵盖了多领域袁包括控制论尧统计学尧哲学和信息学等遥随着近代生物学尧信息学和电子学等相关学科的衍生与发展袁为机器学习的进步奠定了一定的基础遥当前袁机器学习是计算机科学领域最充满活力的研究方向之一袁已在机器人尧自动驾驶尧人脸识别尧医学影像处理尧智能监控系统等领域得到了广泛的应用袁未来将在军事尧医疗和工业等计算机领域中发挥更大的作用遥

2.2机器学习

计算能力也有很大进步袁因而系统的学习能力也在逐步进步袁深度学习的本质便是更深层次的神经网络遥

2神经网络与机器学习的特点2.1神经网络

2.3国内外发展现状

人工神经网络是机器学习方法的一种袁在机器学习领域袁类似于生物体的神经网络系统袁用以实现机器与自然环境及各信息环境的交互遥神经网络按其应用袁可以分为BP神经网络尧前馈神经网络和RBF神经网络等袁神经网络除了可以实现机器学习的功能之外袁常用的领域还有贝叶斯分类器尧深度学习尧线性回归等遥综上所述袁神经网络只是机器学习方法的一种袁初期我们只是采用很低级的神经网络袁但是随着时代的发展和科技的进步袁网络内的数据量和深度大大提升袁算法和

人类的神经网络系统是数十亿年来漫长进化的结果袁从智能化的角度对人类的神经系统模拟袁并制造出类似的能够具有智能思维和自我学习能力的计算机信息系统一直是科学家们的追求遥1943年袁生物心理学家W.SMcCulloch和数理学家W.HPitts第一次提出简单的神经元的数学模型袁可以进行简单的数学计算和逻辑运算袁从此开创了人类对神经网络的理论研究[1]遥随着时代的发展袁一些新兴的学习机制和网络构建帮助神经网络进入快速发展时期袁目前袁自然语言处理尧语音和图像是神经网络机器学习应用的最广泛的三个领域遥就国内而言袁百度公司的无人驾驶技术运用了深度学习的技术袁

通过实验我们能够发现袁蓝牙基站对蓝牙标签的定位效果非常理想袁但实验毕竟是在相对理想的环境下进行的遥在实际应用中袁目标种类繁多尧信号情况复杂袁如果想要将该中模式投入到实际应用中还需要进一步改进遥比如在某个固定的场所内需要搭建一个平台袁不但提供位置信息袁还提供更多产品相关信息遥平台首先对产品类目进行划分袁获得不同的产品位置后发送位置信息袁用户通过位置信息找到相应产品后展示商品参数等袁以供用户参考遥

在漫长的人类历史长河中袁为了不让自己在茫茫的大自然中迷失方向袁先后发明了各类辅助指引方向的工具袁比如指南针尧罗盘等遥现代生活中袁只是指引大概的方向并不足以满足现代生活的需求遥高度城市化的今天袁为了畅享丰富的室内活动袁在越来越大的室内空间行动自如袁室内定位技术给了我们强大的技术支持遥在众多无线通信技术中袁蓝牙技术拔得头筹袁在室内定位领域拥有绝对的优势遥相信随着技术的快速发

展袁室内定位技术必将为我们提供越来越精准的出行体验遥

[1]吴勇毅.室内定位导航院诺基亚的野救命稻草冶[J].上海信息化,2012渊11冤院76~78.

[2]刘燚.室内定位成为蓝海袁我国提出的TC-OFDM是否仍有机会钥[J].2017-05-24.

[3]陈高锋.常用无线通信技术简介[J].电脑知识与技术袁2012袁08渊5冤院1062~1064.

[4]彼岸阳光.几种主流无线通信技术的比较[J].2017-10-16.

[5]孙凤连.机器人双目视觉系统的三维测量方法[D].广东工业大学袁2015.[6]朱敏.室内定位技术分析[J].现代计算机渊专业版冤袁2008渊2冤院79~81.[7]刘涛.信息融合算法及其应用研究[D].南京邮电大学袁2013.

[8]王哲.基于低功耗蓝牙室内测距系统的设计与实现[D].北京邮电大学袁2016.

参考文献

5结语收稿日期：2019-1-17

62通信设计与应用

目前已经进入测试阶段曰智能医疗机器人现如今在医疗健康领域也大有作为袁未来机器学习的技术不断加深袁医疗领域的机器学习也会大有作为曰同时袁2017年3月5日野人工智能冶正式写入2017政府工作报告袁未来机器学习等技术将会广泛应用于教育尧医疗健康尧金融尧电商零售尧安防尧交通自驾尧工业以3及3.1基于个人助理等领域遥

在数据神机器学预经处网络的机习理中袁方式

器学习结构优化方式系统接触到的数据集质量的好坏很大程度上影响着机器学习的结果袁接触的数据中袁如何过滤掉无用数据袁补充数据的缺失值袁以及避免不相关数据的干扰一直是机器学习获取数据的关键问题遥加强对机器学习数据的预处理袁提高数据质量袁进而加快机器学习速度袁进一步提升人工智能算法学习的泛化能力袁这些技术都是数据预处理的核心课题遥

数据预处理的方法一般有数据规约尧数据清理和数据转换这三项遥数据规约是通过数据整理袁得到数据集的简化表示袁却不改变机器学习的结果袁其主成分分析和变量子集等基本不改变遥数据清理的过程类似于识别相关数据作必要的拟合袁将过于分散离群的数据剔除袁处理不一致的数据遥最终数据转换的工作包括将数值进行进一步规范化尧将离散的数据集3.2中化神等经遥

神经网网络结构络的结构对优神化

经网络的分类以及神经网络的计算能力有着紧密的关系袁换句话说袁神经网络的拓扑结构对于神经网络的计算能力与信息处理能力有着重大的影响遥因而袁信息的输入点尧中间节点和输出点的设置和优化对神经网络的结构设计十分重要遥中间节点过多袁可能会导致过度拟合的现象袁从而神经网络对学习样本的预测分类能力不足曰若中间节点过少袁那么神经网络层次深度不足袁学习能力不够袁神经网络的学习能力不够袁性能较低达不到预期学习的目的[2]遥

在人工神经网络内袁结构优化常用的手段是规范化和降维遥规范化的目的是使样本在样本均值附近袁并使得样本方差较为规范袁那么从统计学意义上讲袁这种做法可以提升学习速度遥降维更多目的在于优化性能袁主要集中于优化中间节点数3.3目袁进而样本特提升学征习选择速度方法

遥

对于学习样本的选择上袁若全盘处理全部数据袁则会大大降低学习的效率和进度袁时间成本过高遥因而袁我们在不影响系统决策的前提下袁通过对不相关和过于离散的数据进行删除袁保留样本中拟合度较好袁必要性较大的数据袁这就是样本的特征选择遥当前袁样本特征选择方法主要分为两类袁即封装方法和过滤方法遥过滤方法一般是依据某种属性重要度袁比如对数据的长度尧距离尧相关性尧离散度进行评判袁进而将重要度较低的数据样本剔除曰而封装方法是利用系统本身的评价体系袁建立一套评价函数体系袁利用函数对数据进行最优子集的选择44.1基于遥

神经网络的机器学习方法应随图像着计识别

用算机科学技术和数字图像处理技术的发展袁人们

对于通过机器设备获取的图像信息进行识别处理已成为当今热切的议题遥如医学影像处理尧人脸识别尧车牌识别等遥各个领域的图像识别是多种多样的袁其本身都具有各自的特性袁因而我们需要用一些技术手段将各图像的特征提取出来袁对提取

2019年2月出来的特征进行选择处理袁减小特征的误差并且保留图像特征信息袁更好的对图像进行数字化[3]遥神经网络系统在图像识别过程中袁主要先进行图像特征的提取袁进而利用数字化的特征延伸到神经网络进行系统分类处理袁通过机器学习的过程袁可以改进图像识别过程中特征值提取和特征分类的过程袁进而4.2更好传统语地对音语音识别

后续图像进行处理遥

识别主要将语音作预处理后袁通过对于语音样本进行特征提取之后袁与标准模式进行对比比较袁进而对语音信号进一步数字化处理遥而神经网络的语音识别较传统的语音识别区别在于袁神经网络中具有大量的连接节点对输入值进行非线性运算袁且输入值对神经系统的响应为最大兴奋值的点即为输入模式对应的分类遥生物神经网络的使用使得语4.3音信息语自数言然字是人语化言袁为类区识别

复杂的语音识别提供了新的解决途径[4]遥

别于动物的最大特征袁因为语言的出现袁使得人们之间交流信息变得顺畅遥自从电脑问世以来袁科学家们就一直在探索使计算机能够理解人类语言的方法遥自然语言识别技术是集语言学尧计算机科学尧信息处理尧人工智能尧声学和语音学等诸多领域为一体的综合性技术袁应用前景十分广阔袁一直以来都是科学家们研究的热点遥而神经网络是一门新兴科学袁它是在现代科学研究的基础上模拟人类大脑神经结构的新技术遥神经网络并不是人类大脑的结构复制袁而是把这类生物神经网络对信息的处理方法进行简化尧模拟和抽象袁旨在探索人类大脑的信息处理尧信息存储和信息搜索机制袁进而为人工智能和机器学习等领域开辟新的方向遥人工神经网络便是采用计算机可实现的系统来对人脑神经系统的结构与功能进行模拟袁运用神经元的活动原理袁进而衍生出自我学习尧联想尧类比尧推理概括的能力袁为更好的解决自然语言识别这样一5结个复杂的问题提供了新的方法遥

本论文详与细展望介绍了神经网络在机器学习领域的技术特点袁并介绍了其基本应用及发展趋势遥人工智能是一个不可阻挡的发展潮流袁在当今时代袁人工智能尧物联网尧大数据尧云计算等技术的充分结合袁会让人们的生活更加智能化和信息化袁它将带给我们不仅仅是生活上的便利袁更重要的是生活品质上的飞跃遥在以后的发展中袁我们将在已有的基础上不断完善袁真正实现野人工智能冶带给人们的便捷遥

[1]参考文献

2005.

彭淑敏.神经网络图像识别技术研究与实现[D].西安电子科技大学袁[2]与王继成.一个基于机器学习的神经网络初始化方法[J].计算机研究[3]发[4]张展荣校袁蓉非1997.基.机于人器学渊8冤院工习599~604.

神在经语音网络识别的语音和图识别像识别研究中[D].的山东师应用[D].2018.

范大学袁2005.

收稿日期：2019-1-11