神經網絡的基礎知識精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡的基礎知識主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的基礎知識范文

1.1集先進性、實用性和前沿性為一體的教學內容改革對國內外優(yōu)秀的人工智能教材[2-6]的內容進行整合，建立人工智能的知識體系，并提取人工智能課程的知識要點，確定集先進性、實用性和前沿性為一體的教學內容。人工智能的核心思想是研究人類智能活動規(guī)律和模擬人類智能行為的理論、方法和技術，因此人工智能應圍繞“智能”這個中心。由于智能本身的復雜性，難以用單一的理論與方法來描述，因此可以通過建立人工智能的不同層次來刻畫智能這個主題。人工智能的主要內容可按圖1所示劃分為最底層、抽象層、邏輯層和應用層這4個不同層次。在最底層，神經網絡與演化計算輔助感知以及與物理世界的交互。抽象層反映知識在智能中的角色和創(chuàng)建，圍繞問題求解對知識進行抽象、表示與理解。邏輯層提出學習、規(guī)劃、推理、挖掘的模型與方式。應用層構造智能化智能體以及具有一定智能的人工系統(tǒng)。將人工智能劃分為這4個層次可確定人工智能課程的教學內容，并保證教學內容的循序漸進。

1.2基于人工智能知識體系的教學案例庫建設根據所確定的教學內容、知識重點和知識難點，從國內外經典教材、科研項目、研發(fā)設計、生產建設以及國內外人工智能網站等多種途徑，收集案例素材，加以整理，撰寫各知識要點的教學案例及其內容。表1給出基于人工智能知識體系的教學案例示例。

2人工智能課程教學案例的詳細設計

在教學案例具體設計時應包括章節(jié)、知識重點、知識難點、案例名稱、案例內容、案例分析過程、案例教學手段、思考/討論內容等案例規(guī)范，分別從以下單一案例、一題多解案例和綜合應用案例3種情況進行討論。

2.1單一案例設計以人工智能課程中神經網絡課堂教學內容為例，介紹基于知識點的單一案例的設計。神經網絡在模式識別、圖像處理、組合優(yōu)化、自動控制、信息處理和機器人學等領域具有廣泛的應用，是人工智能課程的主要內容之一。教學內容主要包括介紹人工神經網絡的由來、特性、結構、模型和算法，以及神經網絡的表示和推理。這些內容是神經網絡的基礎知識。其重點在于人工神經網絡的結構、模型和算法。難點是人工神經網絡的結構和算法。從教學要求上，通過對該章節(jié)內容的學習，使學生掌握人工神經網絡的結構、模型和算法，了解人工神經網絡的由來和特性，一般性地了解神經網絡的表示和推理方法。采用課件PPT和演示手段，由簡單到復雜，在學生掌握人工神經網絡的基本原理和方法之后，再講解反向傳播BP算法，然后運用“手寫體如何識別”案例，引導學生學習理解人工神經網絡的核心思想及其應用方法。從國外教材中整理和設計該案例，同時應包括以下規(guī)范內容。章節(jié)：神經網絡。知識重點：神經網絡。知識難點：人工神經網絡的結構、表示、學習算法和推理。案例名稱：手寫體如何識別。案例內容：用訓練樣本集訓練一個神經網絡使其推廣到先前訓練所得結果，正確分類先前未見過的數據。案例分析過程：①訓練數字識別神經網絡的樣本位圖；②反向傳播BP算法；③神經網絡的表示；④使用誤差反向傳播算法訓練的神經網絡的泛化能力；⑤一個神經網絡訓練完畢后，將網絡中的權值保存起來供實際應用。案例教學手段：手寫體識別的神經網絡演示。思考/討論內容：①訓練改進與權值調整改進；②過學習/過擬合現(xiàn)象，即在一個數據集上訓練時間過長，導致網絡過擬合于訓練數據，對未出現(xiàn)過的新數據沒有推廣性。

2.2一題多解案例設計一題多解案例有助于學生把相關知識點聯(lián)系起來，形成相互關聯(lián)的知識網絡。以人工智能課程中知識及其表示教學內容為例，介紹一題多解案例的設計。知識及其表示是人工智能課程三大內容（知識表示、知識推理、知識應用）之一。教學內容主要包括知識表示的各種方法。其重點在于狀態(tài)空間、問題歸約、謂詞邏輯、語義網絡等知識表示方法。難點是知識表示方法的區(qū)別及其應用。從教學要求上，通過對該章節(jié)內容的學習，使學生掌握利用狀態(tài)空間法、問題歸約法、謂詞演算法、語義網絡法來描述和解決應用問題，重點掌握幾種主要知識表示方法之間的差別，并對如何選擇知識表示方法有一般性的了解。通過講解和討論“猴子和香蕉問題”案例，來表示抽象概念。該案例從國內外教材中進行整理和設計，同時包括以下規(guī)范內容。章節(jié)：知識及其表示。知識重點：狀態(tài)空間法、問題歸約法、謂詞邏輯法、語義網絡法等。知識難點：知識表示方法的區(qū)別及其應用。案例名稱：分別用狀態(tài)空間表示法與謂詞邏輯法表示猴子和香蕉問題。案例內容：房間內有一只機器猴、一個箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識表示方法表示和求解該問題？案例分析過程：①狀態(tài)空間法的解題過程。用n元表列表示該問題的狀態(tài)；定義問題的操作算符；定義初始狀態(tài)變換為目標狀態(tài)的操作序列；畫出該問題的狀態(tài)空間圖。②謂詞邏輯法的解題過程。定義問題的常量；定義問題的謂詞；根據問題描述用謂詞公式表示問題的初始狀態(tài)、中間狀態(tài)和目標狀態(tài)。案例教學手段：猴子和香蕉問題的演示。思考/討論內容：①選擇知識表示方法時，應考慮哪些主要因素？②如何綜合運用多種知識表示方法獲得最有效的問題解決方案?

2.3綜合應用案例設計與單一案例、一題多解案例相比，綜合應用案例能更加有效地啟發(fā)學生全方位地思考和探索問題的解決方法。以機器人行動規(guī)劃模擬為例，介紹人工智能綜合應用案例的設計，該案例包括以下規(guī)范內容。章節(jié)：人工智能綜合應用。知識重點：人工智能的研究方向和應用領域。知識難點：人工智能的技術集成。案例名稱：機器人行動規(guī)劃模擬。案例內容：綜合應用行為規(guī)劃、知識表示方法、機器人學、神經網絡、人工智能語言等多種人工智能技術與方法，對機器人行動規(guī)劃問題進行描述和可視化。案例分析過程：①機器人行為規(guī)劃問題求解。采用狀態(tài)歸約法與分層規(guī)劃技術，將機器人須完成的總任務分解為若干依序排列的子任務；依據任務進程，確定若干關鍵性的中間狀態(tài)，將狀態(tài)對應為進程子規(guī)劃的目標；確定規(guī)劃的執(zhí)行與操作控制，以及機器人過程控制與環(huán)境約束。②基于謂詞邏輯表示的機器人行為規(guī)劃設計。定義表達狀態(tài)的謂詞邏輯；用謂詞邏輯描述問題的初始狀態(tài)、問題的目標狀態(tài)以及機器人行動規(guī)劃過程的中間狀態(tài)；定義操作的約束條件和行為動作。③機器人控制系統(tǒng)。定義機器人平臺的控制體系結構，包括反應式控制、包容結構以及其他控制系統(tǒng)等。④基于神經網絡的模式識別。采用神經網絡方法以及BP算法對桌面茶壺、杯子等物體進行識別，提取物體圖形特征。⑤機器人程序設計語言。運用人工智能語言實現(xiàn)機器人行動規(guī)劃行為的可視化。案例教學手段：機器人行動規(guī)劃的模擬演示。思考/討論內容：人工智能將會怎樣發(fā)展？應該在哪些方面進一步開展研究？

3案例教學環(huán)節(jié)和過程的具體實施細節(jié)

人工智能案例教學的實施面向筆者所在學院軟件工程專業(yè)三年級本科生展開。具體實施細節(jié)如下。（1）教學內容的先進性、實用性和前沿性。引進和整合國外著名人工智能教材內容，保證課程內容具有先進性。同時將前沿人工智能的研究成果與技術有機地融入課程案例教學之中。（2）案例教學的創(chuàng)新教學模式。在教師的引導下，將案例中涉及的人工智能內容推廣到對人工智能的一般性認識。案例的教學過程，成為認識人工智能、初步運用人工智能的理論與方法分析和解決實際應用問題的過程，使學生具備運用人工智能知識解決實際問題的意識和初步能力。在課程教學中，打破國內常規(guī)教學方式，建立和實施開放式案例教學模式。采用動畫課件、錄像教學、實物演示、網絡教學等多種多媒體教學手段，以及集中講授與專題討論相結合的教學方式將理論、方法、技術、算法以及實現(xiàn)有機結合，感性認識與理性認識相結合，理論與實際相結合，極大地激發(fā)學生自主和創(chuàng)新性學習的熱情。（3）“課堂教學—實踐活動—現(xiàn)實應用”的有機融合。在案例教學過程中，從傳統(tǒng)教學觀以學會為中心轉化為創(chuàng)新應用型教學觀以創(chuàng)新為中心，以及從傳統(tǒng)教學的以課堂教學為中心轉化為以課堂教學與實踐活動并重為中心，構造具體問題場景以及設計教學案例在情境中的現(xiàn)實應用，加深學生對教學內容的理解，同時提高學生的思考能力和實際綜合應用能力。

4結語

第2篇：神經網絡的基礎知識范文

關鍵詞：智能科學與技術專業(yè)；認知科學基礎；腦機接口；教學研究

中圖分類號：G642.0文獻標志碼：A文章編號：1674-9324（2020）15-0084-02

一、關于認知科學基礎課程

認知科學是智能科學與技術的生物基礎，是從“自然智能”到“機器智能”之間的橋梁。作為一門研究人類感知和思維信息處理過程的學科，認知科學主要研究目的就是要說明和解釋人類再完成認知活動時是如何進行信息加工的，一直是認知心理學等教學領域的重要課程。[1，2]自我校2009年設立智能科學與技術本科專業(yè)以來，認知科學基礎一直是該專業(yè)的專業(yè)基礎課程，主要目的是培養(yǎng)學生對人腦認知活動中的信息處理方法與過程的認識和理解，培養(yǎng)對新知識、新技術有較敏銳的洞察能力，同時使學生具有數據分析與處理能力的意識，在智能科學與技術專業(yè)的學科體系中占據著十分重要的地位。[3]特別是隨著人工智能和腦科學研究的不斷發(fā)展，現(xiàn)有的計算架構不能有效實現(xiàn)具有泛化能力的人類認知信息加工機制。借鑒人類腦認知機制，通過腦認知和神經科學與機器學習相融合的方式，構建一種類腦的“學習機器”，而不是簡單的“機器學習”，已成為當前人工智能領域的一個重要研究方向。因此，學習并理解人類認知和信息處理過程，對于提高學生的智能信息和數據建模與分析能力，有著重要的意義。

然而，對于以工程技術應用為背景的智能科學與技術專業(yè)而言，該學科涉及多學科內容，比如心理學、神經科學、數學、語言學、人工智能科學乃至自然哲學等，學生存在畏難情緒，學習興趣不太濃厚，教師對于該課程的教學也頗為費心。此外，由于“認知科學基礎”課程在大三上學期開設，大部分學生在模式識別和數字信號處理等上面的基礎較薄弱，對于該門課程的腦功能信號分析與腦機接口技術部分的教學也存在較大的困難。

針對該課程理論和實時性較強、涉及教學內容多、交叉廣泛等特點，筆者自承擔本課程教學來，結合我校學生和專業(yè)建設實際情況，立足培養(yǎng)學生的專業(yè)知識素養(yǎng)和學習興趣，提高學生的專業(yè)基礎能力和綜合素質，積極摸索改進。本文將信號處理和機器學習方法融合進認知科學的神經機制探索與學習，從教學、實驗實踐等方面進行了初步探索。

二、課程建設目標與教學內容設置

本課程將使學生學習到認知科學的基本知識，包括腦與神經系統(tǒng)的基本構造、工作原理、基本研究手段，腦與學習、意識、行為的關系，深入了解感知、注意、記憶的生物和生理學本質，實現(xiàn)人工大腦、人工神經網絡、聽覺計算、視覺計算、腦機接口、認知機器人等前沿技術的理解與應用。

目前認知科學方面的教材大多為國外翻譯教材，并且聚焦于其中的某個方面（比如認知心理學、認知神經科學等）。同時該學科實時性較強，和當前腦與認知科學的前沿研究緊密相連，因此很難找到合適的教材同時將智能信息處理技術和認知科學基礎相融合。

認知神經科學旨在聯(lián)合心理學、哲學和神經科學的方法幫助我們理解大腦是如何產生心智的，并闡明人類認知過程中的腦機制，即在分子、細胞、腦功能區(qū)到全腦等多個尺度上如何實現(xiàn)認知功能。腦機接口是近二十多年來興起的涉及神經科學、認知科學、計算機科學、控制及信息科學、醫(yī)學等多領域的人機接口方式，是在大腦與外部環(huán)境之間建立的神經信息交流與控制通路。

該課程在大三年級開設，且該專業(yè)的學生已在前面學習中學習人工智能原理、信號處理等課程，這些課程的學習為本課程的理論學習打下了一定的基礎。在教材選擇上，選擇上海人民出版社的《認知、大腦和意識——認知神經科學引論》，并參考其他輔助教材，比如機械工業(yè)出版社的《腦機接口導論》、中國輕工業(yè)出版社的《認知神經科學》。教學內容主要包括以下幾個部分：

1.腦科學與認知科學的發(fā)展歷程及基本概念，包括感覺與知覺、注意與意識、情緒、語言、記憶、學習等。

2.認知活動的生理基礎，包括大腦結構、神經元、神經系統(tǒng)的基本組成等。

3.腦功能信號的采集與分析，包括大腦節(jié)律、腦功能信號（EEG、fMRI等）采集、常見腦功能障礙、腦信號分析基本方法（包括基于時域/頻域分析的EEG分析方法、腦電源成像基礎等）。

4.腦機接口技術，包括腦電信號預處理（零參考電位、拉普拉斯空間濾波、數據歸一化、插值技術），腦功能信號特征提取方法、模式分類器（比如Fisher線性分類器、支持向量機）設計。

三、以學生為中心的教學方法

1.提高學生學習興趣。認知科學基礎課程交叉性強，尤其涉及心理學、神經科學等非工科學科，對于我校智能科學與技術專業(yè)的學生來講，學習壓力較大，學習興趣不高。為激發(fā)學生學習興趣，在授課過程中，盡量發(fā)揮自身樂觀活潑的性格特點，選擇大家生活中常見的例子，在語言表達上盡量避免生硬，力求用簡單直白的語言講解知識點。同時，善于利用網絡視頻，比如在課程緒論部分，通過播放網絡公開視頻《打開思想的大門》片段，激發(fā)學生學習腦認知功能的興趣。

2.注重與智能科學與技術其他課程知識的銜接。在神經元和神經系統(tǒng)的教學部分，筆者安排了兩個課時的內容講解了常見的人工神經元模型和人工神經網絡結構，并重點講解了神經網絡和支持向量機的基礎——感知機。在腦機接口教學部分，安排了兩個課時的信號處理和數據預處理的基礎知識的回顧，重點復習信號濾波、主成分分析、Fisher線性判別分析和支持向量機等內容，再進入腦機接口系統(tǒng)的學習，教學效率得到了明細提升。

3.適當使用板書，細化推導過程。對于一些知識點，比如動作電位產生過程、部分公式的展示，僅依靠PPT教學過于單薄，學生難以理解，因此在播放PPT時需要適時插入細致的板書。同時板書過程中要結合學生實際情況循序漸進，例如在學習神經細胞和感知機與人工神經網絡時，教師從點到平面的距離入手，并引導學生回顧梯度下降法等相關數學基礎知識，幫助學生切實地把前面學習的信號處理和機器學習的基礎知識應用到本課程。

4.加強實踐環(huán)節(jié)教學和學生綜合能力素質培養(yǎng)。根據本專業(yè)的培養(yǎng)計劃，在理論課程教學期間，“認知科學基礎”設置了相應的實踐課程，以培養(yǎng)學生的動手能力、自學能力和專業(yè)綜合素質。在實踐課程教學環(huán)節(jié)，基于Matlab和Python等工具，以2005年國際BCI競賽的P300數據為分析數據，引導學生設計常見的模式分類器（如Fisher線性分類器、支持向量機、深度神經網絡等）分析腦電事件相關電位。同時，使用計算智能重慶市重點實驗室的NeuroScan和BrainProducts腦電采集放大設備，利用E-Prime設計腦電刺激程序，指導學生設計實驗，以小組合作的方式采集并分析P300字符拼寫腦電數據。

第3篇：神經網絡的基礎知識范文

為提汐預報的精度，提出一種基于支持向量機（Support Vector Machine，SVM）的模塊化潮汐實時預報模型. 將潮汐分為受天體引潮力影響的天文潮和受環(huán)境因素和其他因素影響的非天文潮，分別使用調和分析法和改進的SVM對天文潮和非天文潮進行預報， 結合兩種方法的輸出構造最終的潮汐預報結果. 在對非天文潮的預測中，將SVM與灰色模型相結合，并利用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法對SVM的參數進行優(yōu)化以提高預報精度. 利用火奴魯魯港口的實測潮汐數據進行實時潮汐預報仿真.仿真結果表明該方法具有較高的短期預報精度.

關鍵詞：

潮汐預報； 模塊化方法； 調和分析法； 支持向量機（SVM）； 灰色模型； 粒子群優(yōu)化（PSO）

0引言

潮汐（海面周期升降運動[1]）預報直接關系到船舶航行安全和港口營運效率，對軍事、漁業(yè)、港口和近岸工程以及其他沿海生產活動都有重要的影響. 潮汐一直是船舶航行計劃制定和港口作業(yè)調度的重要因素：準確的潮汐預報是航行安全的重要保障，并有利于港口水深資源的充分利用；相反，不準確的或誤差較大的潮汐預報，則很可能導致船舶擱淺或撞橋等海上交通事故的發(fā)生.

傳統(tǒng)的潮汐預報方法是調和分析法.它以潮汐靜力學和動力學為基礎，經過多年發(fā)展，已經能夠實現(xiàn)對潮汐進行穩(wěn)定、長期預報，但需要大量、長期的潮位觀測數據才能得出準確的調和分析模型，且其平均預報誤差約為20～30 cm，在許多場合達不到對潮汐預報精度的要求. 潮汐產生的原動力是天體的引潮力，但又受到如風力、風向、海水溫度、氣壓等環(huán)境因素的影響，因此潮汐變化展現(xiàn)出強非線性和不確定性，難以對其確立固定的預報模型. 為滿足現(xiàn)代航海的實際需求，急需一種能夠提汐預報精度的方法.

近些年發(fā)展起來的人工智能技術，如神經網絡、模糊邏輯推理和進化計算等在航海領域得到了越來越多的應用，其中神經網絡已被應用于潮汐預報研究中.PASHOVA等[2]使用時滯分析、徑向基函數（Radial Basis Function， RBF）神經網絡的方法對Burgas港的潮位進行了預測；JAIN等[3]

利用神經網絡對印度洋西海岸New Mangalore潮位站的潮汐提前一天進行預報；YIN等[4]提出利用序貫學習算法建立變結構的徑向基神經網絡的潮汐預報模型以反映系統(tǒng)的時變動態(tài).

支持向量機（Support Vector Machine， SVM）是建立在統(tǒng)計學理論[5]和結構風險最小化原理基礎上的機器學習方法，它在解決小樣本、非線性問題以及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢[6].本文選用一種基于SVM的模塊化預報模型對潮汐進行預報.模塊化是在解決某個具體問題時，把系統(tǒng)劃分為具有不同屬性的若干個模塊的過程.在本文潮汐預報中首先按潮汐形成原因通過模塊化方法把潮汐分為天文潮和非天文潮兩部分，將調和分析法用于預報潮汐中天文潮部分，而將SVM用于預測具有較強非線性的非天文潮部分. 這種分塊方式能有效利用兩種方法的優(yōu)勢，即調和分析法能夠實現(xiàn)長期、穩(wěn)定的天文潮預報，而SVM能夠以較高的精度實現(xiàn)潮汐的非線性擬合與預報. 在本文研究中，將灰色模型預測方法應用于SVM預測中以減小環(huán)境要素的不確定性對潮汐預報精度造成的不利影響，同時應用粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法對SVM的參數進行優(yōu)化，使其擁有較快的收斂速度并避免其陷入局部最優(yōu)解.灰色預測和PSO在SVM預測模型中的應用能提汐預報的精度. 最后，選取火奴魯魯等港口的實測潮汐數據進行港口潮汐的實時預報仿真.實驗結果表明本文提出的方法可以有效地實現(xiàn)潮汐預報，并擁有較高的預報精度和較快的運算速度.

1基礎知識

1.1SVM

1.1.1SVM的基本概念

SVM在1995首次由Vapnik提出，它是結構風險最小化的近似實現(xiàn).[7] 與神經網絡相比，SVM具有嚴格的理論基礎和數學基礎，不存在局部最小問題，能較好地解決小樣本問題. SVM的體系結構見圖1.圖1中，K為核函數，x（n）為輸入值。

1.1.2SVM回歸理論

對于訓練樣本集{xi，yi}（其中：i=1，2，…，n； xi∈R，為輸入變量； yi∈R，為對應的輸出值），SVM的回歸[8]是通過尋找一個非線性映射φ（x），將輸入x映射到一個高維特征空間中.

在特征空間中通過下列估計函數進行線性回歸：

1.2基于灰色系統(tǒng)的SVM

灰色系統(tǒng)理論是由我國學者鄧聚龍教授于1982年提出來的，是用于研究數量少、信息貧瘠的不確定性問題的理論方法. 通過對“部分”已知信息的生成、開發(fā)，提取有價值的信息，實現(xiàn)對系統(tǒng)運行行為、演化規(guī)律的正確描述和有效監(jiān)控.[9]

傳統(tǒng)的實現(xiàn)序列預測的方法需要大量的數據用于預測，而灰色模型具有有效的算法來處理這些信息不完全和成因不明確的問題. 灰色模型處理數據須通過以下3個步驟：通過累加（Accumulated Generation Operation，AGO）處理原始數據集；利用SVM對累加的數據進行預測；通過反向累加運算（Inverse Accumulated Generation Operation， IAGO）進行數據還原. 基于灰色模型的SVM的預報流程見圖2.

PSO是由Kennedy和Eberhart在1995年提出的，是一種模擬群體智能的優(yōu)化算法.[10] 本文在使用SVM對潮汐進行預報時，通過PSO算法對SVM的參數c和g進行優(yōu)化來獲得最佳的訓練效果，以提汐預報的精度，其中c為SVM懲罰系數，g為核函數半徑.

2潮汐預報模型

2.1天文潮預報的調和分析法

利用調和分析法計算某地實際潮位高度如下：

調和分析法用于潮汐預報時需要大量的實測潮汐數據，無法反映潮汐變化所受的環(huán)境因素的影響，在環(huán)境因素影響較大的情況（如大風和氣壓異常）下預報誤差也非常大， 因此本文提出新的模塊化SVM預測模型反映潮汐所受的時變因素的影響并進行實時潮汐預報.

2.2非天文潮預測模型

自回歸（Auto Regressive， AR）模型是統(tǒng)計上一種處理時間序列的方法，它能夠較為直觀地描述潮汐的變化.

式中：φi（i=1，2，…，n）為模型參數；εt為白噪聲. 用一個n階AR模型描述潮汐序列：xt表示第t小時的潮汐高度，xt-n表示第t-n小時的潮汐高度.建立AR（n）模型的重點在于確定n，n決定模型的長度，通常由經驗設定.在本文中，階數n通過試湊法確定，通過不斷增加模型階數分別求得訓練過程中預測值與真實值的殘差，最終選擇殘差最小的AR（n）模型模擬預報潮汐.

一般需要提前幾小時對潮汐進行預測，而單步預測的預見期短，所以在本文中將AR模型改寫為非線性映射形式：

該式表示使用AR模型提前k小時進行潮汐預報的模型.

2.3模塊化預測模型

按照成因的不同，潮汐預報可以分為兩個部分，一為天文潮部分，二為非天文潮部分. 天文潮部分主要由天體引潮力引起，具有明顯的時變特征；非天文潮部分受到氣象水文因素影響，其變化沒有明顯規(guī)律，展現(xiàn)出很強的非線性. 因此，天文潮和非天文潮部分存在較大區(qū)別，僅使用調和分析法或SVM預測的單一方法可能無法體現(xiàn)潮汐的完整規(guī)律[11]，含有相對較大的誤差值.

針對以上情況，本文采用一種模塊化潮汐預報模型，其由調和分析法和SVM兩個模塊組成. 該模型首先利用調和分析法預測潮汐的天文潮部分，獲得潮汐的整體變化規(guī)律，再利用SVM對非天文潮部分進行預測，修正預測結果，達到精確預報潮汐的目的. 在SVM部分，灰色模型和PSO主要用于數據的預處理、數據的還原和SVM參數的優(yōu)化上. 具體的模塊化結構框圖見圖3.

圖3中：y（t），y（t-1），…，y（t-N）為實測潮汐數據的時間序列；yM（t），yM（t-1），…，yM（t-N）為利用調和分析法得到的潮位時間序列，yM（t+k）為調和分析法提前k步預報的潮汐值； y

R（t），yR（t-1），…，yR（t-N）為非天文潮部分的時間序列，該部分作為輸入用于非天文潮的預測；yG（t），yG（t-1），…，yG（t-N）為非天文潮部分輸入序列經過灰色模型AGO處理后的時間序列；YI（t+k）為非天文潮部分預測值經過IAGO處理后得到的提前k步的預報值；Y（t+k）為最終多步預報的結果.

潮汐的主要成因是天體的引潮力，調和分析法考慮的對象是天體對潮汐的影響，所以實測值y與調和分析法預測值yM之間的差值可看作潮汐值受風力、風向、溫度和氣壓等影響的非天文潮部分yR. 由于非天文潮部分展現(xiàn)出很強的非線性，采用灰色模型進行處理可以有效提取數據中的有效信息，緩解不確定性. 將處理后的數據yG作為非

天文潮預報模型的輸入，通過SVM進行預測，預測的結果即為提前k小時的預測值，其中SVM通過PSO獲取最佳的訓練效果. 該部分值由于在預測前進行了AGO處理，所以在預測后還需要通過反向的操作IAGO才能得到非天文潮部分的預測值YI（t+k）.將該預測值與用調和分析法得到的預測值相加即可計算出最終的潮汐預報值Y（t+k）. 這樣就用模塊化方法實現(xiàn)了預見期為k小時的多步潮汐預報.

3模型檢驗

3.1調和分析法結果分析

為驗證本文提出的潮汐預報模型的預報效果，選用美國火奴魯魯港從2015年7月1日GMT 0000到2015年8月11日GMT 1500的采樣間隔為1 h的共1 000個潮汐實測數據進行仿真.潮汐數據來自美國國家海洋和大氣管理局網站http：//noaa.gov/.

圖4為調和分析法預報值與實測值的對比，其中潮汐值單位為英尺（1英尺=0.304 8 m）.由圖4不難發(fā)現(xiàn)調和分析法預報的潮汐值與實測潮汐值基本吻合，但其誤差也是較為明顯的.這是因為調和分析法只考慮了天體引潮力而忽略了環(huán)境造成的影響，這也是調和分析法誤差產生的主要原因.

3.2基于SVM的潮汐預報

本文以單步預測為主對潮汐進行預報，并進行預見期為2～24 h的多步預測以驗證模型的準確性.在仿真中，一共選用200 h的潮汐實測數據作為初始輸入用于訓練網絡，另外800 h的潮汐值用于比較和分析預報效果. 為求得仿真適宜的AR模型，首先利用前200 h的潮汐值作為訓練數據求得1～8階的AR模型，并將預報值與實際值進行對比分析，得到階數為1～8的AR模型對應的殘差值，見表1.

從表1可以看出，8個AR模型的精度相差不大，其中2階模型的殘差最小擬合精度最高.因此，在本次預報中選用2階AR模型.

在SVM中幾個比較重要的參數設置

還包括核函數以及c和g的選擇. 適宜的參數選擇會產生好的仿真結果，而不恰當的參數選擇可能導致過擬合或欠擬合現(xiàn)象的發(fā)生，這些都將使仿真結果惡化.

為找到最佳的c和g，用PSO算法選取最佳參數，其中：粒子群進化最大數量為200；種群最大數量設置為20；參數局部搜索能力和參數全局搜索能力分別設置為1.5和1.7. c和g的范圍均設定為[0.1，100].在SVM直接預測法中使用PSO算法的參數選取結果見圖6.

表2中：t表示程序中調用4種核函數的標識；c和g為通過PSO算法選擇的兩個參數. 根據表2選擇結果略好的徑向基作為本次試驗SVM的核函數. 此外，SVM選用的是εSVM，它適合于回歸預測并具有較高的精確度.

圖7為潮汐實測值與SVM預測值的對比；圖8為應用SVM直接預測所得到的預測結果的誤差值，預測總用時為32.41 s.

從圖7中不難發(fā)現(xiàn)，直接使用SVM進行潮汐預測，預測值與實測值的吻合程度明顯高于圖4中使用調和分析法的吻合度，而且誤差變化范圍更小且更加穩(wěn)定，其ERMS為0.091 4英尺. 這是由于SVM在進行直接預測時，輸入的特征向量為實際測量所得到的潮位數據，這些數據包含天文潮和非天文潮兩部分的信息，所以預測更準確，預測值與實測值的相關程度也更高.

3.3模塊化潮汐預報

為便于比較模塊化預測方法與調和分析法和SVM直接預測法的異同，模塊化的參數設置及仿真環(huán)境與之前選取的完全一致. 圖9為在模塊化預測中使用PSO算法的參數選取結果.圖10為采用模塊化預測方法所得到的潮汐預測值與觀測值對比結果. 圖11是使用模塊化預測方法的誤差圖.

從表4可以看出，在SVM的基礎上添加灰色模型處理數據后，雖然仿真時間會略有提升，但預報精確度有較明顯的提高. 使用PSO算法優(yōu)化SVM，搜索范圍更廣，搜索速度也更快，而當遍歷法范圍為[0.01，100]時所用的時間就已遠遠大于PSO算法所用的時間，繼續(xù)增加遍歷范圍必定導致時間成倍增長，因此使用PSO算法優(yōu)化SVM對仿真時間和搜索精確度都有較大改善. 通過與BP和RBF神經網絡的預測結果的比較可以看出，本文提出的模塊化模型具有較好的預測效果，優(yōu)于其他兩種常用的神經網絡.

此外表5給出了調和分析法、SVM直接預測法和模塊化預測方法提前多步預測潮汐的ERMS.從表5可以看出：對于短期潮汐預報，模塊化預測模型的預測精度要明顯優(yōu)于調和分析法和SVM直接預測法的預測精度；隨著提前預測時間的增長，模塊化預

測模型的預測效果更加穩(wěn)定. 因此，采用的模塊化預測方法能有效提汐預報精度，適合實時的短期潮汐預報.

4結論

本文以支持向量機（SVM）網絡作為基本工具，探索了將 SVM網絡應用到潮汐預報領域的

方法.根據潮汐的成因，采用模塊化形式分開處理天文潮部分和非天文潮部分，對非天文潮部分采用灰色模型進行數據預處理以緩解非線性程度，采用粒子群優(yōu)化（PSO）算法對SVM進行參數選取和優(yōu)化.實驗結果證明，該模型在潮汐預報中具有較高的精度和相對較短的時間，明顯優(yōu)于傳統(tǒng)方法. 然而，隨著預報時間的延長，該模型預報精度會逐漸下降， 因此將該模型進行改進并應用于長期預報是今后的主要研究方向.

參考文獻：

[1]郭禹， 張吉平， 戴冉. 航海學[M]. 大連：大連海事大學出版社， 2014： 215217.

[2]PASHOVA L， POPOVA S. Daily sea level forecast at tide gauge Burgas， Bulgaria using artificial neural networks[J]. Journal of Sea Research， 2011， 66（2）： 154161.

[3]JAIN P， DEO M C. Realtime wave forecasts off the western Indian coast[J]. Applied Ocean Research， 2007， 29（1/2）： 7279.

[4]YIN J C， ZOU Z J， XU F. Sequential learning radial basis function network for realtime tidal level predictions[J]. Ocean Engineering， 2013， 57（2）： 4955.

[5]章永來， 史海波， 周曉鋒， 等. 基于統(tǒng)計學習理論的支持向量機預測模型[J]. 統(tǒng)計與決策， 2014（5）： 7274. DOI： 10.13546/ki.tjyjc.2014.05.052.

[6]ZHANG X G， ZOU Z J. Application of wavelet denoising in the modeling of ship manoeuvring motion[J]. Journal of Ship Mechanics， 2011， 15（6）： 616621.

[7]丁世飛， 齊炳娟， 譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報， 2011， 40（1）： 210.

[8]徐紅敏， 王海英， 梁瑾， 等. 支持向量機回歸算法及其應用[J]. 北京石油化工學院學報， 2010， 18（1）： 6266.

第4篇：神經網絡的基礎知識范文

獨立院校是我國高等教育為適應市場體制和教育需求，而出現(xiàn)的新型辦學形式，近些年迅速發(fā)展并獲得較大程度的社會認可。但獨立院校大都面臨由基于母體學校的基礎理論型到適應自身的應用學科型的轉變，因此教學模式的改革至關重要。

數學建模首先把現(xiàn)實問題轉換為數學模型，其次對模型進行分析、求解和驗證，最后再將模型返回現(xiàn)實。整個過程不僅可以發(fā)展學生認知和分析解決問題的能力，而且對激發(fā)學習興趣，提高團隊意識和合作精神有顯著效果。

本文主要從獨立院校實際出發(fā)，結合學生特點和教學實踐，對數學建模教學模式進行探討。

一、獨立院校數學建模教學的特點及存在的問題

獨立院校開設數學建模的時間不長，課程建設總體還不夠完善，任課教師仍然在不斷探索更加適合獨立院校的教學方法。獨立院校的學生較一本、二本的學生，基礎知識相對欠缺，學習中遇到的障礙較大。

經過對我校學生和教師的訪談發(fā)現(xiàn)，他們在數學建模學習過程中的實際問題有：缺乏信心，學習動力不足，毅力方面有欠缺，對學習缺乏鉆研精神，認為數學難度太大，對數學有恐懼心理等。

但獨立院校的學生思想活躍，對新鮮事物有獨到的見解，興趣廣泛，與一本、二本學生相比智力水平相當，學習上的主要差別在非智力因素。

二、獨立院校數學建模教學模式建立

基于獨立院校數學建模教學的特點及存在的問題，提出以下幾點：

1.教學模式多樣化

（1）講授的教學模式

以教師系統(tǒng)講解為中心，向學生傳授數學建模的基礎知識和技能，學生主動接受并了解它的意義。鑒于獨立院校學生的特點，要求教師在講授過程中由易到難，從簡單且貼近生活的問題入手，結合數學建模的方法和步驟，使學生建立解決數學問題的信心，具備初步的建模能力。

（2）創(chuàng)設情境的教學模式

教師創(chuàng)設合理的問題情境引發(fā)學習興趣，學生自主對問題進行探索學習，教師在期間做適當引導。此模式強調團隊合作及意義構建，通過討論交流等逐步解決問題。

（3）引導發(fā)現(xiàn)的教學模式

根據獨立院校學生興趣廣泛、思想活躍等特點，引導學生自己發(fā)現(xiàn)問題，主動獲取新知。或結合講授引導學生自己發(fā)現(xiàn)相關問題；或給定問題范圍，讓學生搜集資料中找出問題：或者其他途徑。此模式中教師對教學應有評價和總結部分。

2.課程安排合理化

數學建模涉及的相關課程比較多，主要有運籌學、數學模型、概率論與數理統(tǒng)計、神經網絡、微分方程、模糊數學、數值計算、層次分析法、Mathb、Lingo、Latex、Spss等。課程本身有先修要求，不同課程占用學時不同，難易程度也有差別。那么合理的配置資源、建立適用獨立院校學生的課程體系至關重要。

我們根據課程的特點，做不同的處理。一些課程作為專業(yè)必修課，如運籌學、數學模型、概率論與數理統(tǒng)計、Matlab等：一些課程作為專業(yè)選修課，如圖論、數值計算等；部分課程做捆綁教學，如計算機基礎和Word、Excel，運籌學和Lingo，概率論與數理統(tǒng)計和Spss；還有一些課程以專題講座的方式呈現(xiàn)，如神經網絡、模糊數學、層次分析法、退火算法等。

3.教學進程層次化

結合獨立院校學生的年齡特點、知識結構和智力水平，數學建模應采取分層教學，逐段提高。

面向低年級學生，廣泛宣傳數學建模，力求激發(fā)學生學習數學的興趣，讓學生知道什么是數學建模，明白打牢基礎的重要性。開設類似“生活中的數學模型”選修課，多舉辦相關專題講座。

進入大學二年級，分兩方面提升建模水平。一方面，豐富專業(yè)知識，開設介紹數學建模基礎知識的相關課程：另一方面，讓學生接觸簡單的數學模型，介紹一些數學軟件的入門知識，適當參與高年級的研討班。主要目的是使學生具備初步的數學建模能力。

經過兩年的基礎學習和訓練，對大三學生全面展開數學建模能力的培養(yǎng)。繼續(xù)深化相關知識，注重培養(yǎng)學生的團隊協(xié)作和處理問題的能力。把計算機融入數學模型的求解之中，熟練各種數學軟件的操作。在暑假開展全國大學生數學建模競賽集訓，組織學生參加比賽。

對大四的學生，有意識引導他們獨立開展建?；顒印Ｗ寣W生自己組建研究團隊，嘗試從生產生活中提取問題，數據收集處理后建立模型，編寫計算機語言進行算法實現(xiàn)，進而對計算結果分析、檢驗、評價，培養(yǎng)初步的科研能力，結果以科技論文形式呈現(xiàn)。

三、數學建模教學模式的實踐

第5篇：神經網絡的基礎知識范文

這種思維導圖是按照發(fā)散性思維的特點，把學生注意力的焦點清晰地集中在中央圖形上，知識主題的主干從中央向四周呈放射狀；知識的分支由一個關鍵圖形或寫在產生聯(lián)想的線條上面的關鍵詞構成，各個次級話題也以分支形式表現(xiàn)出來，依附在較高層次的分支上面；各分支形成一個連接的節(jié)點結構并且末端開放。因此說，思維導圖表現(xiàn)為樹狀發(fā)散結構。

化學是一門抽象的課程，學生雖然對各種化學現(xiàn)象有所了解，但都是建立在感性認識的基礎之上，并沒有形成理性的概念。在化學課上，很多知識點都是學生第一次聽說，掌握知識往往是孤立分散的，難以建立一個清晰的知識系統(tǒng)。思維導圖以其發(fā)散思維的特點，能夠把學生頭腦中各個孤立的概念統(tǒng)一起來，有利于學生對化學知識的建構。

下面，筆者從以下幾個方面談一下思維導圖對于學生學習初中化學的輔助作用。

1 思維導圖結構清晰、主題鮮明，有利于學生快速掌握知識

思維導圖的創(chuàng)設原理是基于人腦的思維模式。人類的心理活動是基于人腦的神經系統(tǒng)：人腦由一個個神經元組成，神經元擁有很多的軸突和樹突，各個神經元的突起末端又和多個神經元的突起末端相連接，形成了一個大腦神經網絡；神經元具有接受刺激、傳遞和整合信息的作用，由眾多神經元相互聯(lián)結構成的神經網絡就具備了接受、傳遞和處理信息的能力。思維導圖中的中心主題和子主題就是模仿這種模式建立的，只不過它更具備層級性。人的大腦分為兩部分：左腦和右腦。左腦負責邏輯、詞匯、數字，右腦負責直覺、創(chuàng)造力、想象力。人們發(fā)現(xiàn)，在左右腦相互協(xié)調作用下進行的學習，學生記憶就會深，而且保持得相對持久，記憶效果也最好。心理學家早就通過實驗得出這樣的結論：左腦掌管人類的理性記憶，右腦掌管感性記憶，也就是情緒記憶，打上了情緒記憶印記的理性記憶更能夠達到最佳的記憶效果。思維導圖使用線條、符號、圖形圖像、顏色等多種傳達信息的手段，也就是綜合利用了人的左右腦的主要功能，利用了左右腦平衡發(fā)展規(guī)律，因此能夠使得學生的記憶達到最佳的狀態(tài)。思維導圖以中心主題為基點，向外發(fā)散生成各個支點（子主題），再向外層級發(fā)展。每一個分支都是由不同的顏色表示，使得學生能夠清晰地獲得不同分支的信息。

初中化學是個抽象的學科，知識點分散，概念生疏，學生掌握起來非常吃力。思維導圖利用多種手段展示信息，使得學生從多方位感知化學概念和原理，這樣就化解了學生認知的難度。學生通過這種知識網絡化、可視化的主題學習，更能夠建立起化學學習的知識體系，從而為立體、全方位地掌握知識打下良好的基礎。學生在這種網絡化的學習中通過其清晰的結構、鮮明的主題，更能夠形成清晰的思路，所謂知其然更知其所以然，從而達到快速掌握化學知識的目的。

2 思維導圖目標明確具體，有利于學生建立知識系統(tǒng)

這種圖示的特點就是以中心主題為基點，向各個方向衍生出多個次級主題。中心主題字號最大，處于整個圖示的中心位置，因而最醒目，容易讓學生形成清晰的印象，讓學生的學習目標更加明確。各分支主題依照其與中心主題的關系遠近，字號逐漸變小，但是都是以少數幾個字清晰地表示出關鍵詞或概念，因而也能夠讓學生迅速地抓住知識系統(tǒng)上的關鍵節(jié)點，形成清晰的思路。每級主題使用不同的顏色區(qū)分，就如同劃出了概念衍生路線，使得知識展現(xiàn)更加鮮明、具體，更重要的是避免了學生不同知識點的混淆，使其把握知識更到位，為學生建立起完整、系統(tǒng)的知識體系做好鋪墊。

3 思維導圖形式開放，有利于培養(yǎng)學生發(fā)散思維

由于思維導圖就是人腦思維的模式，因此說不同的人可以擁有不同的想法，可以繪制具有自我特色的思維導圖。教師和學生可以根據自己對于知識的理解程度和理解方式任意構思思維導圖，只要是能夠自圓其說。這就打破了傳統(tǒng)教學中教師唯我獨尊、一言一式的解題思路；打破教師主宰課堂，打破教師壓制學生的獨創(chuàng)性見解，禁錮學生思維的封閉式教育，讓封閉式教育演變成能夠發(fā)揮學生特長的開放式教育；讓學生能夠擁有自己發(fā)揮想象和創(chuàng)想的空間，從多個角度進行構思設想，形成發(fā)散式的解題思路，培養(yǎng)了學生的發(fā)散式思維；讓學生學有所獲，學有所長，使得教育成為培養(yǎng)人的發(fā)展能力的教育。不是讓學生的各種才華被封閉，只是成為讀死書、死讀書的書呆子，讓學生最后都成為如同生產線上的產品一樣，變成模型化產品。

4 思維導圖內容表現(xiàn)多樣，有利于培養(yǎng)學生創(chuàng)新思維

各種知識內容不盡相同，表現(xiàn)形式也多種多樣。不同的教師可以擁有不同的教法、不同的教學思路；不同的學生可以擁有不同的學法，擁有不同的認知途徑，正所謂“教無定法，學無定式”。思維導圖的開放性決定了它的內容表現(xiàn)形式的多樣性。教師可以打破章節(jié)的限制，從知識框架的整體上構思思維導圖，使其充分展示如何更能讓學生盡快地達到認識事物本質的目的，使其更加符合事物發(fā)展、認知的規(guī)律。學生可以從自身的認知基礎上繪制順應自我獨創(chuàng)性思路的思維導圖，這就更能增強他們學習的自信心，激發(fā)他們自主學習的能動性，為他們形成自己的獨創(chuàng)性想法開辟路徑。

第6篇：神經網絡的基礎知識范文

現(xiàn)代信息技術的三大支柱是傳感技術、通信技術和計算機技術，它們分別構成了信息系統(tǒng)的“感官”、“神經”和“大腦”。因此，傳感技術是信息時代的重要基礎技術。傳感器是信息系統(tǒng)獲取信息的首要部件――電五官，是能感受（或響應）規(guī)定的被測量并按照一定規(guī)律轉換成可用信號輸出的器件或裝置。傳感器也是測控系統(tǒng)獲得信息的重要環(huán)節(jié)，在很大程度上影響和決定了系統(tǒng)的功能。國外一些著名專家曾評論說：“征服了傳感器就等于征服了科學技術”、“如果沒有傳感器檢測各種信息，那么支撐現(xiàn)代文明的科學技術，就不可能發(fā)展”、“唯有模仿人腦的計算機和傳感器的協(xié)調發(fā)展，才能決定技術的將來”。

傳感器幾乎應用于所有的技術領域，并逐漸深入人們的生活。比如，在機器人技術領域，作為新產業(yè)革命的典型代表――智能機器人將大量使用視覺、觸覺、聽覺、嗅覺、味覺以及各種內部傳感器；在航空、航天技術領域，整個阿波羅10號飛船就是高性能傳感器的集合體；在民用工業(yè)中也大量應用傳感器，僅一部汽車就需要50多只傳感器；在日常生活中，各種家用電器需要的傳感器也有上百個品種規(guī)格。

傳感技術的發(fā)展動向

1.集成化和智能化

集成化：使傳感器和測控儀器具有多種敏感元件、數字信號輸出、信息存儲和記憶、邏輯判斷、雙向通信、決策、自檢、自校準、自補償、數值處理等功能。

智能化：智能化多傳感器系統(tǒng)能夠在復雜而多變的環(huán)境中，迅速、有效、準確地獲取、分析、處理和綜合傳感器信息，它們基于多傳感器信息融合、模式識別來作出正確的描述和決策。

集成化智能化傳感器的典型代表是智能固體攝像器件，日本在270μm厚的硅片上研制出包括光電陣列、信號處理、記憶、演算、驅動等部分在內的智能化視覺傳感器。

2.微型化和系統(tǒng)化

微機電傳感器和微執(zhí)行器的創(chuàng)立，開拓了微機電系統(tǒng)(MEMS)新領域?，F(xiàn)在許多專家都認為：微機電系統(tǒng)將掀起下一次工業(yè)革命。MEMS傳感器及系統(tǒng)具有體積小、重量輕、功耗低、成本低、可靠性高、性能優(yōu)異及功能強大等無法比擬的優(yōu)點。

3.無線化和網絡化

無線傳感器網絡被認為是21世紀最重要的技術之一，曾被列為對世界產生深遠影響的十大新興技術之首。無線傳感器網絡是一種獨立出現(xiàn)的網絡，它的基本組成單位是無線傳感器節(jié)點，這些節(jié)點集成了傳感器、微處理器、無線接口和電源管理四個主要模塊。微型傳感器節(jié)點可以隨機或者特定地布置在工作環(huán)境中，通過無線通信實現(xiàn)自組織，獲取周圍環(huán)境的信息，形成分布自治系統(tǒng)，相互協(xié)同完成特定的任務。

4.感知仿生

感知仿生是通過研究生物感知器官、系統(tǒng)及生物神經元與神經網絡的功能結構和作用機理，構建與生物相似功能和結構的人工系統(tǒng)。

下圖所示為北京理工大學智能機器人研究所等單位研制的應用了視覺、聽覺、觸覺、平衡覺等大量傳感器的仿人形機器人在打太極拳。

5.信息難以獲取的傳感技術

信息難以獲取的傳感技術，如隔墻探測或隔墻成像技術，尤以思維信息獲取的傳感器系統(tǒng)至關重要。

美國科學家日前在動物實驗中“解碼”了從猴子大腦中記錄下的思維信號，并進而用這些信號成功地對實驗裝置進行控制，朝著用意識控制機器的方向邁進了一步。此外利用魚腦、人腦控制機器人，也獲得成功。

傳感技術在中小學教育中應用的必要性

1.有利于提高中小學生科學素養(yǎng)

目前中小學生的科技素質偏低，中小學科技教育薄弱。這種狀況令人十分擔憂。一個民族科學素質的提高，僅靠個別的科技“精英”是遠遠不夠的，應該面向全體學生和公民，首先要對全體中小學生施以不同層次、不同內容、適用范圍廣泛的基礎科技知識和方法的教育，使他們成為具有良好科學素質的現(xiàn)代公民。

全面培養(yǎng)學生的素質教育是時展的趨勢，也是我國教育改革的必然趨勢。目前在中小學舉辦的被稱之為“傳感器系統(tǒng)集成的智能機器人競賽”的賽事越來越多，其主要原因就是為了在增強學生對學習的興趣、激發(fā)學生對信息科技濃厚興趣的同時，全面拓展信息科技活動的廣度和深度及全面培養(yǎng)學生對信息科技的開發(fā)能力，提升信息科技教育的價值。

機器人是21世紀中小學生最富挑戰(zhàn)性的科技活動平臺，它的學習價值得到了充分的體現(xiàn)，它全面接觸傳感器技術、計算機的軟硬件的開發(fā)、人工智能等高新科技；它能全面培養(yǎng)學生的動手能力、創(chuàng)造力、綜合能力、合作能力和進取精神；它能全面激發(fā)學生對科學技術的興趣。當學生看到自己設計、制作的產品行動起來時，那種喜悅的心情是任何事情都無法比擬的；如果這種產品又被大規(guī)模地推向市場，為很多人使用和珍愛，這種快樂就更是無以復加了。

事實上，“機器人大賽”為大家提供了一個實踐的舞臺。因此，希望大家能積極地參加機器人大賽，去體驗一下“制作的快樂”。而且，由于對初中、高中在校學生素質能力的日益關注，有可能在今后中考和高考中，會給參加機器人大賽的同學予以積極的評價，對于在大賽中取得良好成績的同學予以保送等支持。以促進學生科學素質和良好心理素質的提高，養(yǎng)成勇于探索、追求新知、實事求是、敢于創(chuàng)新的科學精神。

2.有利于學生提高動手實踐能力

目前中小學課程、教材、教法不完全適應現(xiàn)代科技教育和培養(yǎng)創(chuàng)新人才的需要。課程結構不盡合理，教材知識滯后，教學方法不夠靈活，基本上以講授科學知識為主，讓學生聽科學、讀科學，而不是做科學、用科學。另外中小學科技教育經費嚴重不足，科技教育設施和條件難以滿足科技教育的基本要求。這些導致我國的中小學生讀書、考試擅長，動手實踐、創(chuàng)新能力不足，一條腿長、一條腿短。為此，在可能條件下，在中小學教育中應用較低成本的傳感器技術，有利于提高學生動手實踐能力，從征服傳感器技術入手，征服科學，從了解機器人感知系統(tǒng)起步，到掌握機器人的智能技術。

第7篇：神經網絡的基礎知識范文

人工智能技術就本質而言是對于模擬人腦的思維和處理事務的方式，但有別于人腦思維的是人工智能只是進行無意識的機械的物理操作，并不具備像人腦一樣的創(chuàng)造性（見圖1）。人工智能的最終目標是通過不斷研究人類智能生產出能夠高度和人類智能及思維方式的相似反應的智能機器。研究領域主要有：機器人、語言識別、圖像識別以及自然語言處理和專家系統(tǒng)等。目前人工智能在我國電氣化控制中的技術實際應用還不是很多，這需要我們今后不斷地去探索研究，去更好地促進電氣領域快速發(fā)展。

2人工智能控制技術的優(yōu)點

人工智能控制不同分支通常需要有針對性的研究方法。但其中采用神經、模糊、模糊神經以及遺傳等算法的AI控制器都可看成為一類非線性函數近似器。既然有利于從總體上的直觀了解，并且有利于實現(xiàn)對控制策略的進行統(tǒng)一開發(fā)。這些AI函數近似器大大優(yōu)于通常的函數估計器。表現(xiàn)有以下幾個方面。（1）設計之前無需事先準備控制對象的模型。由于無法確定參數的具體情況導致變化不確定性和非線性時的信息等不確定的。通過使用人工智能控制器可以很好的解決動態(tài)方程很難精確掌握實際控制對象現(xiàn)象。（2）人工智能控制器可以根據實際響應時間、下降時間、魯棒性能等變化適當調整以提高自身性能。（3）人工智能控制器比傳統(tǒng)的控制器調節(jié)更容易，在沒有進過相關技術培訓時，也能根據實際的數據、信息和語言等便捷的進行設計操作。（4）人工智能控制器通常情況下表現(xiàn)出相當好的一致性，即使驅動器的特性有差異，當輸入一些新的未知數據它們也能很好的估計。

3人工智能的實際應用

近年來人工智能技術快速的發(fā)展，高等院校及科研機構研究人員開始展開將人工智能應用到電氣工程自動化控制中的研究工作。在電氣方面的研究工作主要有電氣設備故障的預測、診斷、電氣產品的優(yōu)化設計、控制以及系統(tǒng)保護等方面。

3.1對電氣設備進行優(yōu)化設計

對電氣設備的優(yōu)化設計是一項非常復雜的工作，不僅要有電路、電磁場、電機電器等方面的基礎知識，并能靈活應用，而且還要有豐富的過去運用設計的經驗。以往的產品設計中根據經驗在實驗室通過人工手動制作的方式進行，所以要想獲得最優(yōu)方案是很難的。計算機技術迅猛發(fā)展的今天，電氣產品的設計中的手工設計方式逐漸被計算機輔助設計（CAD）所替代，產品開發(fā)周期得到極大縮短。通過在CAD技術里引人人工智能，幫助設計人員提升所設計產品質量和設計的效率。用于電氣產品的優(yōu)化設計的人工智能應用主要集中在遺傳算法和專家系統(tǒng)兩方面。遺傳算法由于其計算方法先進，計算結果精度高，因此遺傳算法及其衍生算法普遍應用于對電氣產品的智能化優(yōu)化設計中。另外使用較多的優(yōu)化設計方法是專家系統(tǒng)。電氣設備發(fā)生故障一般是不確定和非線性的，但在故障之前有著一定的預兆，而這些預兆和故障之間又有著很緊密的聯(lián)系。通過人工智能加入可以使用專家系統(tǒng)得到最大限度的發(fā)揮。除此兩種方法外目前模糊邏輯和神經網絡等方法也有被運用到電氣設備的優(yōu)化設計當中。

3.2對電氣設備的事故以及故障進行診斷

電氣領域中通常而言，傳統(tǒng)的診斷方法不足之處就是準確率不高。發(fā)動機、發(fā)電機和變壓器等事故和故障出現(xiàn)的頻率很高。傳統(tǒng)的方法是通過對收集的變壓器油產生的氣體進行分析，然后根據氣體樣本的分析結果來對故障是否存在做出判斷。不僅消耗大量的時間，而且還很費人力，時效比較低下，所以并不方便在平常的診斷中應用。其中原因也是紛繁復雜多變的。而這些事故和故障往往都是事發(fā)突然。由于故障需要快速的解決的特性，如果得不到及時診斷處理或者診斷處理過程中使用的方法不當，將會造成非常嚴重的損失。所以他們處理起來一般是非常棘手的。圖2為人工智能的故障診斷方法。在電氣故障和事故診斷中有效的運用融入了人工智能技術的神經網絡、模糊理論和專家技術主要技術可以很好解決傳統(tǒng)方法遇到的問題，大幅提升故障診斷準確率，進而成倍的提高生產效率，減少損失。

3.3對電氣控制過程中的有效應用進行分析

在電氣技術逐漸現(xiàn)代化的的今天，電氣控制過程起著相當重要的作用，確保電氣化系統(tǒng)穩(wěn)定高效的運行一直以來都是業(yè)界和學界所面臨的難題。電氣控制對技術人員的操作過程要求是非常嚴格，具體操作步驟也很復雜繁瑣。如何提高其操作效率是相關研究工作人員一直潛心研究最求的階段性目標。而人工智能的出現(xiàn)有效地解決了這些問題，人工智能借助于計算機或自動計算等核心技術，實現(xiàn)了代替部分需要人類智能額的負責勞動。界面化的形式不僅可以簡化了日常操作過程中操作流程，而且還可以了對電氣系統(tǒng)進行遠程控制及其操作。此外還可可對某些重要信息或資料進行及時地儲存，以方便日后進行查閱，通過此技術還可自動進行表報的生成，大幅度降低了人力物力資源的投入，大幅提高工作效率及其精確度。人工智能在電氣自動化中的應用主要在專家系統(tǒng)控制、神經網絡控制以及模糊控制等方面。其中模糊控制此過程主要是通過電氣傳統(tǒng)過程中的直流及交流傳動的作用而得以實現(xiàn)的。一般情況下電氣直流傳動控制過程中模糊邏輯控制主要包括了Mamdani和Sugeno。在具體應用中，前者大多數是用來進行調速控制，后者則屬于前者的一個例外情況。而在交流傳動過程中等相關問題的應用而大多用模糊控制器取代傳統(tǒng)的常規(guī)調速控制器從而更好的實現(xiàn)控制功能。

3.4對控制及保護功能進行實現(xiàn)

目前比較廣泛運用的人工智能能實現(xiàn)對所有開關量、模擬量數據實時自動采集與處理，并能按照設計者預先設計好的要求進行定時批量的整理和存貯。還可以通過運用圖像生成軟件對于電氣系統(tǒng)進行歷史運轉情況進行真實畫面模擬顯示。電流、電壓、隔離開關、斷路器等電機設備的運轉狀態(tài)的到直觀形象的反應，一目了然。操作人員可以根據實際情況進行相關數據的分析及建立圖表。這里需要注意的是因為圖像和畫面比正常的字符數據所要占用的系統(tǒng)資源更多，因此也需要考慮實際控制端設備的硬件條件是否符合需求，這樣可以避免因控制終端因生成圖像等需要耗費大量運算資源而導致系統(tǒng)其它重要控制程序的運行不穩(wěn)定或者卡死的情況發(fā)生。實現(xiàn)了對各主要設備的模擬量數值、實際開關狀態(tài)的實時智能監(jiān)視掛牌檢修功能，有事故報警越限和狀態(tài)變化事件報警，順序記錄系統(tǒng)中的各項事件，并進行在線分析負序量計算等。綜合集成了聲光、語音、電話圖象等多模式同時或選擇性報警。在操作控制方面，智能化技術是技術人員可以通過鍵盤或鼠標實現(xiàn)對隔離開關，斷路器等的現(xiàn)場或者遠程控制，勵磁電流的調整。順序記錄并實時對模擬量故障進行錄波，相關波形捕捉，開關量變位，在線參數設定及修改，保護定值包括軟壓板的投退。運行管理操作票專家系統(tǒng)，自動保存運行日志，隨時備查，自動生成報表的及存儲或打印，描繪系統(tǒng)運行曲線等。圖3人工智能的控制功能示意圖。

3.5在電力系統(tǒng)自動化中應用

在火力發(fā)電廠中，通常有順序控制和開關控制兩部分構成輔助系統(tǒng)的工藝流程。隨著人工智能科技的不斷進步，社會對電力行業(yè)在生產中要保持穩(wěn)定性和流暢性的要求不斷提高，現(xiàn)在很多大型的電力企業(yè)均將PLC控制系統(tǒng)逐步代替輔助系統(tǒng)中的比較傳統(tǒng)落后的繼電控制器。通過PLC控制系統(tǒng)可以一方面對某個工藝流程進行實時的控制，另一方面協(xié)調全廠的安全生產?；鹆Πl(fā)電廠輸煤系統(tǒng)有上煤、儲煤、卸煤、配煤以及輔助系統(tǒng)等幾個部分共同構成。輸煤控制系統(tǒng)由主站層、現(xiàn)場傳感器和遠程IO站三部分組成連貫的網絡體系結構。其中由人機接口和PLC共同構成主站層，少許工作人員在設置有主站層的集控室內，通過系統(tǒng)的顯示屏以自動控制為主手動控制為輔對系統(tǒng)進行監(jiān)視和控制，大幅可以提高發(fā)電企業(yè)生產效率。由于PLC的在發(fā)電廠里的廣泛應用，以往的實物元件大部分可以用軟繼電器來代替，既提高了系統(tǒng)的可靠性，又節(jié)省了電力企業(yè)的設備零配件的投入。隨著PLC技術的應用，實現(xiàn)了電廠不同發(fā)電機組在供電系統(tǒng)之間自動切換，供電的可靠性和穩(wěn)定性得到很大程度上提高是不言而喻的。圖4為NEMS智能綜合監(jiān)控系統(tǒng)。

4結語

第8篇：神經網絡的基礎知識范文

（華北電力大學（保定） 經濟管理學院，河北 保定 071003）

摘要：基于灰色理論和馬爾科夫理論,建立傳統(tǒng)的灰色馬爾科夫預測模型;對傳統(tǒng)灰色馬爾科夫預測模型初始預測值的構造存在的一定誤差進行改進,并用改進后的新模型計算全國碳排放量，然后將全國碳排放量預測結果與傳統(tǒng)的灰色馬爾科夫模型進行對比;預測結果表明:改進后的灰色馬爾科夫模型預測精度有了進一步的提高并驗證了算法的有效性.

關鍵詞 ：碳排放量；二氧化碳排放量；灰色理論模型；馬爾科夫鏈；新陳代謝

中圖分類號：F224文獻標識碼：A文章編號：1673-260X（2015）05-0071-03

1 引言

中國作為世界上最重要的發(fā)展中國家之一，多種因素促成碳的排放量始終高于其他國家.目前中國是全球最大的碳消費國和第二大的石油消費國，對世界環(huán)境和自身發(fā)展都造成了不利影響.因此針對碳排放量的先進準確預測變得尤為重要，它能夠使得政府或相關部門在碳排放量情況變得更加嚴峻之前調整能源方針，提出更加行之有效的節(jié)能低碳方案并付諸行動.

文獻[1]中擬建立關于能源消費碳排放量的多因素灰色預測模型,并對GM(1,N)和GM(0,N)模型預測能源消費碳排放量的精度進行了檢驗和對比分析.文獻[2]中利用灰色關聯(lián)分析原理,對中國碳排放影響因素進行篩選,再利用BP神經網絡模型對中國碳排放進行預測,從而大大地提高了神經網絡的訓練速度,并且達到了良好的預測效果.

2 傳統(tǒng)的灰色馬爾科夫建模

2.1 灰色系統(tǒng)理論

設原始時間序列：X(0)={x(0)(1),x(0)(2),…,x(0)(n)}；經過一次累加得新的時間序列：X(1)={x(1)(1),x(1)(2),…,x(1)(n)}，其中x(1)(k)=x(0)(i)，則GM(1,1)模型的原始形式為：

x(0)(k)+ax(1)(k)=b

若為參數列，且其中:

z(1)(k)=1/2[x(1)(k-1)+x(1)(k)]；

則GM(1,1)模型x(0)(k)+ax(1)(k)=b的最小二乘估計參數列滿足等式：

=(BTB)-1Y

推出關于x(0)(k)預測模型預測值表達式為：

x(0)(+1)=(1-ea)x(0)(1)-b/ae(-ak)；k=0,1,2,…，n

2.2 馬爾科夫過程

假設{X(t),t∈T}是定義在概率空間(?贅,f,P)上的隨機過程，狀態(tài)空間S，若對于任意n>0狀態(tài)i1，i2，in+1∈S均有：

P{Xn+1=in+1|X1=i1，X2=i2,…,Xn=in}=P{Xn+1=in+1|Xn=in}

則稱{X(t)，t∈T}為馬爾科夫鏈，此種概率所表示現(xiàn)象稱為無后效性，即在當前情況下，系統(tǒng)未來的變化不受過去影響，只依賴于目前所處的狀態(tài)，此過程為馬爾科夫過程.

對Pij(n)(m)=P{Xm+n=j|Xm=i}，且i,j∈S進行定義為系統(tǒng)在m時刻所處i狀態(tài)下經過n步轉移后處于j狀態(tài)的n步轉移概率，在齊次馬爾科夫鏈下，記Pij(n)=Pij(n)(m)，i,j∈S,n≥1，稱為馬爾科夫鏈的n步轉移概率；

設Pij={pij}=為系統(tǒng)狀態(tài)的轉移概率矩陣.n步轉移概率矩陣P(n)={Pijn}，矩陣元素具有如下性質：

2.3 傳統(tǒng)灰色馬爾科夫模型

現(xiàn)實生活中的各種不確定因素使得轉移概率難以實現(xiàn)確切地表達，只能得到一個轉移概率取值的灰色區(qū)間集pij().

若有限狀態(tài)灰色馬爾科夫鏈的初始分布為PT(0)={p1,p2,…,pn}，轉移矩陣為p()=[pij()]均已知情況下，我們可以對未來任取某一時期系統(tǒng)的分布進行預測.即：

PT(s)=PT(0)Ps().

定義Qij(m)為從灰色狀態(tài)i經m步后轉移到灰色狀態(tài)j的原始數據樣本數，Qi為所處灰色狀態(tài)i的原始樣本數，得到：pij(m)=；i=1,2,…,n為狀態(tài)轉移概率.

通常只考慮一步狀態(tài)概率矩陣，若預測對象處于k狀態(tài)，若狀態(tài)概率矩陣中第k行滿足：，則認為系統(tǒng)下一時間點最有可能由k轉移到l狀態(tài).若存在兩個或兩個以上最大值，就需要對兩步或兩步以上的轉移概率矩陣進行考察，以便確定狀態(tài)未來走向.

3 傳統(tǒng)模型對全國碳排放預測

3.1 數據提取與轉化

由中國統(tǒng)計年鑒得到2005年至2014年各年能源消費總量及煤炭、石油、天然氣以及電能等所占能源消耗比例，見表3-1.

由于計算各年二氧化碳排放量過程中需要進行系數轉化，因此給出各能源二氧化碳轉化系數，見表3-2.

因此，各年二氧化碳排放量，如下表3-3所示.

3.2 模型預測結果及分析

將所得各年CO2排放量數據帶入傳統(tǒng)灰色預測模型，得到各年CO2排放量的預測數值，計算出實際值與預測值之間的誤差以及誤差相對值，然后將其與馬爾科夫鏈模型相結合，對所得誤差相對值進行排序，并按照順序分為三組，進行三種灰色狀態(tài)劃分，記1=（-6.9%，-1.54%]，2=(-1.54%，-0.01%]，3=（-0.01%，2.55%],具體各年預測值、誤差、相對誤差及所屬狀態(tài)見表3-4.

由表3-4可知，相對誤差的狀態(tài)轉移矩陣P為：

P=

2005年處于狀態(tài)1，則狀態(tài)向量表示為x0=（1,0,0），則對2006年狀態(tài)預測為：

P(1)=x0P=(1,0,0)=(1/2,0,1/2)

則預測2006年可能處于第一狀態(tài)或者是第三狀態(tài)，即相對的誤差范圍處于（-6.9%，-1.54%]或3=（-0.01%，2.55%]，每個狀態(tài)區(qū)間可能預測值可認定為該狀態(tài)區(qū)間的中點，由于未來狀態(tài)預測值表達式為：

因此2006年的二氧化碳排放量預測修正值為：

同單純灰色預測模型相比，灰色馬爾科夫模型的預測值更為準確，同理通過灰色馬爾科夫預測模型得出各年二氧化碳預測值.見表3-5.

4 改進的灰色馬爾科夫預測模型

為了能夠更準確地了解系統(tǒng)未來的發(fā)展動態(tài)和走向，我們引入了新陳代謝的GM(1,1)模型.新陳代謝的GM(1,1)模型作為灰GM(1,1)模型的一種特殊的優(yōu)化模型，它充分利用了灰色GM(1,1)模型對“少數據”進行預測的這一優(yōu)點.在將舊的信息去掉的同時不斷填充新的數據信息，及時地反應系統(tǒng)當前的狀態(tài)特征，有利于更好地掌握系統(tǒng)的未來發(fā)展走向.

首先將由灰色模型得到的2014預測值記為x(0)(10)，然后舍棄最早的2005年數據，則得到新的X(0)={x(0)(2),x(0)(3),……,x(0)(10)}，然后得到新模型的預測值、殘差、相對誤差及所屬狀態(tài)，見表4-1.

同理，對所得誤差相對值進行排序，并按照順序分為三組，進行三種灰色狀態(tài)劃分，記1=（-2.94%，-0.79%]，2=(-0.79%，0.15%)，3=[0.62%，2.41%],由表4-1可知，相對誤差的狀態(tài)轉移矩陣P為：

同理，通過狀態(tài)轉移矩陣，得出各年預測值，見表4-2.

5 改進后模型的預測結果分析比較

通過前面四章分析計算，可以分別得出三種方法的平均絕對誤差、平均相對誤差以及均方差，見表5-1：

由表5-1可知，改進后的灰色馬爾科夫模型具有更為客觀的平均絕對誤差和相對誤差值，同時也具有較為優(yōu)秀的均方差值，尤其是在2014年的預測中，表現(xiàn)的尤為優(yōu)秀，表明同新陳代謝相結合的灰色馬爾科夫改進后模型能夠準確預測全國二氧化碳排量總量，因此用這種方法改進的模型具有可行性，提高了預測的準確性.

6 結論

本文在理論、方法、以及技術上對全國二氧化碳的排放量預測進行了研究.本文首先簡單介紹了馬爾科夫過程和灰色系統(tǒng)理論的一些基礎知識；然后分別運用傳統(tǒng)灰色模型和灰色馬爾科夫預測模型對二氧化碳排放量進行了初步預測；最后，用新城代謝方法對灰色馬爾科夫預測模型做了改進，并將改進后的模型再次用于對全國郵電業(yè)務總量的預測.由最終的預測結果可以得出，改進后的預測模型能相對準確地對全國二氧化碳排放量的數據進行預測，預測的精度和準確度相對于傳統(tǒng)模型有了很大的提升.

參考文獻：

〔1〕張勇，劉嬋，姚亞平.GM(1,N)與GM（0,N）模型在能源消費碳排放預測中的比較研究[J].數學的實踐與認識,2014(3):72-79.

〔2〕季廣月.基于灰色關聯(lián)分析的BP神經網絡模型在中國碳排放預測中的應用[J].數學的實踐與認識,2014(7):243-249.

〔3〕鄧聚龍.灰色理論基礎[M].武漢：華中科技大學出版社，2002.

〔4〕鄧聚龍.灰色系統(tǒng)基本方法[M].武漢：華中科技大學出版社，1998.

〔5〕劉思峰，黨耀國，方志耕，等.灰色系統(tǒng)理論及應用（第三版）[M].北京：科學出版社，2004.

〔6〕孫榮恒.隨機過程及其應用[M].北京：清華大學出版社，2004.

〔7〕李龍鎖，王勇.隨機過程[M].北京：科學出版社，2011.

〔8〕牛東曉..粒子群優(yōu)化灰色模型在電力負荷中的應用[J].中國管理科學，2007.

第9篇：神經網絡的基礎知識范文

Matlab及其應用課程與多門課程交叉，既具有理論性又具有實踐性，為了提高教學效果，需要對該課程的教學進行研究和改進。根據作者調研，目前的教學實踐中存在以下問題：教學內容上，主要參照各類教程按功能分類陳述的一系列命令和函數的用法，沒有與相關課程的教學內容結合，而且缺少具有實際應用背景的介紹；教學方法上，以講授法為主，按照教材的章節(jié)順序對教材上的命令和函數介紹，再通過相關例子講解用法，學生不能自主學習和探索；教學效果上，僅僅會獨立使用命令和函數，面對具體的專業(yè)問題時，卻不能運用所學相關的知識去解決實際問題，具體表現(xiàn)為學生綜合應用能力不強，缺乏分析問題的能力。究其原因，主要在于課程內容與專業(yè)、應用背景脫節(jié)，而且傳統(tǒng)教學方法對命令和函數的講授與應用練習都是單獨進行的，沒有及時與應用實例相結合，學生往往當時能聽懂、會練習，但到真正在解決實際問題時需要綜合若干知識點，卻不能根據實際情況靈活運用已學過的知識，有的甚至學了前面忘了后面，從而失去學習的興趣，導致教學效果很不理想。

二、教學內容的研究

Matlab及其應用課程的教學內容可以分為三個層次：一是基礎知識，主要包括矩陣操作、可視化、程序設計和GUI等，這部分內容和其他高級語言基本相通；二是動態(tài)系統(tǒng)建模、仿真和綜合分析的集成環(huán)境Simulink，該內容是教學的重點和難點；三是工具箱，該內容可根據專業(yè)背景有選擇的進行教學。本課程存在著內容多和學時有限的矛盾，為了能在有限的時間內讓學生掌握核心內容、打好基礎，在后續(xù)學習和應用中具備自學能力，精選教學內容尤為關鍵，課程內容應根據不同專業(yè)、專業(yè)特征以及不同的教學對象進行不同的調整和補充，在教材的選用上也所不同。在教學中應根據專業(yè)背景的實際情況，參照課程教學大綱，選擇的教學內容盡可能地覆蓋知識點，而且在深入學習后續(xù)內容的同時能對已講授過的內容進行復習。

1.理論聯(lián)系實際，強調應用領域。

如何在有限的學時內讓學生掌握Matlab軟件，并能綜合運用軟件提供的功能解決各自的專業(yè)問題是課程教學的目的。作者的教學思路是從實際應用領域中選取典型范例，突出應用價值，從實際工程中了解哪些問題需要或者可以由Matlab來解決。矩陣運算是Matlab最基本的功能，在講解這部分內容時，通過介紹數理統(tǒng)計中的線性回歸和實際應用建立聯(lián)系，對矩陣求逆、轉置等知識點進行教學。Matlab在數據可視化方面也提供了強大的功能，在該部分內容的教學過程中，可向學生介紹在實際試驗、工程測量及科學計算中，通常將采樣的離散數據用各種形式的圖形表示出來，從而分析其所反映的內在規(guī)律。在Simulink教學過程中，作者通過介紹汽車懸架的知識引入“彈簧—質量—阻尼器”機械動力學系統(tǒng)的仿真。通過強調教學知識潛在的應用價值，可以充分調動學生學習的主動性和積極性。

2.根據專業(yè)背景增加教學內容。

Matlab作為一種高性能的數值計算和可視化軟件，隨著其功能的逐步增加和完善，在電氣、電子、控制、機械、汽車、航空航天等眾多領域有著廣泛的應用，這就要求教師要處理好基礎知識和高級應用的關系，結合專業(yè)背景，從中選取相關的知識，在教學過程中將先進工具箱的功能、在相關領域的應用現(xiàn)狀及時介紹給學生。如：電類專業(yè)適當增加SimPowerSystems工具箱的教學，機械類專業(yè)需要了解SimMechanics工具箱，信息類專業(yè)可選擇增加神經網絡、最優(yōu)化、圖像處理工具箱等。結合學科背景增加教學內容，擴大了學生的知識面，提高了學生對科學技術的興趣。

三、教學方法的研究與探索

1.運用實例教學法。

實例教學法依托具有代表性的例子對所涉及的知識點進行教學，這種教學法目的性強，具有直觀、實用的特點，能迅速吸引學生的注意力，提高學生的學習興趣和積極性。應用實例教學法對于Matlab語言基礎的教學有較好的效果，在教學過程中不以教材的章節(jié)順序進行授課，而是以實例為中心，通過綜合講解精心選擇的實例，使學生更好地掌握知識點，并把要學習的知識點融入到具體實例中來講解，整個教學過程強調學以致用，在應用中學習。例如在Matlab語言的數據類型、數值運算、基本語句結構、程序流程結構、繪圖基礎等知識點的教學過程中，筆者通過冒泡排序、分段函數的實現(xiàn)及圖像繪制等實例進行綜合教學，效果明顯優(yōu)于傳統(tǒng)的教學方法。

2.實施任務驅動教學。

任務驅動法以學生為中心、以任務為驅動，是一種主動探究型的教學方法，將任務驅動法運用于課堂教學，引導學生思考，不僅可以激發(fā)學生的學習興趣，更重要的是培養(yǎng)了學生發(fā)現(xiàn)問題、分析問題和解決問題的能力，完成知識的自我構建，有利于培養(yǎng)學生自主學習的能力。例如，MatlabGUI程序設計部分的教學，如果采用先介紹句柄圖形對象再介紹其屬性的傳統(tǒng)教學方式，則不利于學生完成知識構建和能力的形成，更不利于通過自主學習學會設計步驟。教學時，可以將該部分內容設計成任務，“驅動”學生在完成任務的過程中掌握知識的應用。筆者在教學過程中，要求學生根據“自動控制原理”課程學習的內容，完成二階系統(tǒng)階躍響應的圖形化設計。任務目的：①掌握MatlabGUI程序設計；②培養(yǎng)學生自主學習能力。任務內容：①綜合應用Matlab語言中數組、函數、繪圖指令以及GUI界面設計等知識，開發(fā)簡單交互式應用程序；②編程計算二階系統(tǒng)階躍響應函數，并實現(xiàn)圖形化顯示；③創(chuàng)建一個圖形用戶界面，實現(xiàn)在界面上輸入相關參數，便可以顯示二階系統(tǒng)階躍響應的圖形；④調節(jié)系統(tǒng)參數，對比其圖形變化。

四、結論