Page 103 - 基于深度学习的人工智能技术研究

第三章 深度学习理论与实践

种简单有效的方法。但在应用中，需要注意递归网络的精度往往影响到 ADP 最
终的控制效果，这是因为如果逼近器精度不高，必然导致评价策略的精度不高，
控制策略不能实现精确控制进一步影响下一环节的评价精度，造成恶性循环，甚
至造成系统控制失灵。

因此，对于采用递归神经网络作为逼近器的 ADP 控制而言，递归神经网络
需要对复杂的非线性动力学系统具有一个较高的逼近精度，才能提高评价网络的
精度，进而提高评价结果的准确性。
在不同领域中，任务往往各不相同，因此针对不同的动态系统，不同类型

的递归网络的也相继被提出并得到研究，使之成为人工智能界的研究热点之一。
因其具有独特的优化能力，联想记忆功能，递归神经网络已引起 AI 界极大的研
究和关注，并成功应用于多种模式识别问题，例如图像处理，声音辨识，信号处
理等。

二、人工神经网络技术的应用

要对人工神经网络技术的应用进行了解，首先要掌握人工神经网络的基本模
型和结构。它的结构是并行分布的，通过大量的神经元的模型组成，是用来进行
信息处理的网络。各个神经元之间相互联系，相互之间联系的方式很多，每个特

定的链接之中都有相应的权系数，而各个神经元的输出是特定的。
（一）人工神经网络技术的应用现状
人工神经网络技术由于其结构上的优势和对信息处理的高效性，使得在很多

方面都有广泛的应用，例如，运用人工神经网络技术进行图像处理、智能识别、
自动监控、信号处理、机器人监控等，使得其在生活的各个方面都发挥了重要的
作用，为交通、电力、军事等部门提供了便利。下面对人工神经网络技术的具体
应用作简单的分析。
第一，BP神经网络。基于人工神经网络技术的BP神经网络，在进行优化预测、

分类和函数逼近等方面有着广泛的应用。网络的应用大体有分类、函数逼近、优
化预测等方面。比如，将胃电图和心电图进行分类，对某些函数的最小二乘进行
逼近，对工业生产过程中的数据进行整合，对电力系统中的负荷量和一些数据进

行优化和预测等。特别是在进行时间序列的预测中，发挥着重要的积极作用。使
用 BP 神经网络还能对国家经济发展中的一些数据进行处理。相对其他人工神经

95