Page 104 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

网络技术的网络而言，BP 网络复杂性较低，所以在很多工业产业上应用较多。
在某些需要进行控制的系统内，BP 神经网络能够对系统进行有效的控制。其具
体的优势主要有以下几点：利用 BP 神经网络在识别和分类中的优势，能够及时
快速地判断一些系统中的故障，相比以往的谱分析技术，其工作效率有了较大的

提高。BP 神经网络中也存在着一些不足，表现在其网络的鲁棒性和容错性不够，
在对故障进行判断和检测时，不能有效地确保其准确性。此外，这种算法的收敛
速度不快，在选择网络隐层节点中还没有形成完善的配套理论。这些都在某种程
度上对其应用造成了影响。

第二，ART 神经网络。基于人工神经网络技术的 ART 神经网络，广泛地应
用在对图像、语音。文字等的识别过程中。其在某些工业产业中也普遍应用，主
要应用在对系统的控制方面。例如，对故障判断，问题预警和事故检测等较为烦
琐的生产过程进行控制，进行数据挖掘，从有关的数据中找到能够应用的数据。

ART 神经网络在应用中的优势主要是其具有很强的稳定性，能够在环境变化的
情况下稳定地工作，其算法也十分简单而且为快速。其缺点主要是在要求对参数
和模型等进行准确的判断时，其网络的结构还需要进行完善。
第三，RBF 神经网络。基于人工神经网络技术的 RBF 神经网络目前在建模、

分类、函数近似、识别、信号处理等方面有着广泛的应用。相比其他的神经网络，
RBF 神经网络的结构较为简单，其在非线性的逼近上的效果较为显著，收敛的速
度也较快，能够有效地对整体进行收敛。其存在的缺点是，在函数逼近方面还不
够完善，仍然要进行性改进。

第四，Hopfield 神经网络。作为反馈神经网络的一种，Hopfield 神经网络能
够在连接性较高的神经网络中进行集中自动的计算。目前其在工业产业中有着广
泛的应用。优点是，对于一些线性问题，避免了只是用数学方法所带来的烦琐，
在进行数模之间的转化时，能够快速准确地进行。

（二）人工神经网络技术的发展
人工神经网络技术和理论的不断发展和进步，在较多领域中，人工神经网络
技术引起了人们的关注。但是，目前在技术的运用和技术本身仍存在着一些问题。
人工神经网络技术的发展，对数学领域的发展提出了要求，对有关的制造技术和

科学技术也提出相应的要求，这就需要我们加快与其相关的各种技术的快速发展，
使这些技术能与人工神经网络技术相互匹配。在发展人工神经网络技术的同时，

96