正文

人工神經(jīng)網(wǎng)絡(luò)在生活中的應(yīng)用（人工神經(jīng)網(wǎng)絡(luò)在生活中的應(yīng)用論文）

發(fā)布時(shí)間：2023-04-14 03:52:26 稿源：創(chuàng)意嶺閱讀： 148

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于人工神經(jīng)網(wǎng)絡(luò)在生活中的應(yīng)用的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、人工神經(jīng)網(wǎng)絡(luò)有什么應(yīng)用條件
2、人工智能在哪些領(lǐng)域應(yīng)用
3、人工神經(jīng)網(wǎng)絡(luò)（ANN）
4、建筑經(jīng)濟(jì)管理中神經(jīng)網(wǎng)絡(luò)的應(yīng)用？

人工神經(jīng)網(wǎng)絡(luò)在生活中的應(yīng)用（人工神經(jīng)網(wǎng)絡(luò)在生活中的應(yīng)用論文）

一、人工神經(jīng)網(wǎng)絡(luò)有什么應(yīng)用條件

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN ），以數(shù)學(xué)模型模擬神經(jīng)元活動(dòng)，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、自適應(yīng)以及很強(qiáng)的非線性函數(shù)逼近能力，擁有強(qiáng)大的容錯(cuò)性。它可以實(shí)現(xiàn)仿真、預(yù)測(cè)以及模糊控制等功能。是處理非線性系統(tǒng)的有力工具。

它是物流合作伙伴選擇方法中合作伙伴選擇的神經(jīng)網(wǎng)絡(luò)算法的另一種名稱。它是20世界80年代后迅速發(fā)展的一門新興學(xué)科，ANN可以模擬人腦的某些智能行為，如知覺，靈感和形象思維等，具有自學(xué)性，自適應(yīng)和非線性動(dòng)態(tài)處理等特征。

將ANN應(yīng)用于供應(yīng)鏈管理（SCM）環(huán)境下合作合辦的綜合評(píng)價(jià)選擇，意在建立更加接近于人類思維模式的定性與定量相結(jié)合的綜合評(píng)價(jià)選擇模型。通過對(duì)給定樣本模式的學(xué)習(xí)，獲取評(píng)價(jià)專家的知識(shí)，經(jīng)驗(yàn)，主管判斷及對(duì)目標(biāo)重要性的傾向，當(dāng)對(duì)合作伙伴作出綜合評(píng)價(jià)時(shí)，該方法可再現(xiàn)評(píng)價(jià)專家的經(jīng)驗(yàn)，知識(shí)和直覺思維，從而實(shí)現(xiàn)了定性分析與定量分析的有效結(jié)合，也可以較好的保證合作伙伴綜合評(píng)價(jià)結(jié)果的客觀性。

在選定評(píng)價(jià)指標(biāo)組合的基礎(chǔ)上，對(duì)評(píng)價(jià)指標(biāo)作出評(píng)價(jià)，得到評(píng)價(jià)值后，因各指標(biāo)間沒有統(tǒng)一的度量標(biāo)準(zhǔn)，難以進(jìn)行直接的分析和比較，也不利于輸入神經(jīng)網(wǎng)絡(luò)計(jì)算。因此，在用神經(jīng)網(wǎng)絡(luò)進(jìn)行綜合評(píng)價(jià)之前，應(yīng)首先將輸入的評(píng)價(jià)值通過隸屬函數(shù)的作用轉(zhuǎn)換為（0，1]之間的值，即對(duì)評(píng)價(jià)值進(jìn)行標(biāo)準(zhǔn)無綱量化，并作為神經(jīng)網(wǎng)絡(luò)的輸入，以使ANN可以處理定量和定性指標(biāo)。

二、人工智能在哪些領(lǐng)域應(yīng)用

人工智能的主要應(yīng)用領(lǐng)域有：1.強(qiáng)化學(xué)習(xí)領(lǐng)域；2.生成模型字段；3.內(nèi)存網(wǎng)絡(luò)領(lǐng)域；4.數(shù)據(jù)學(xué)習(xí)領(lǐng)域；5.模擬環(huán)境領(lǐng)域；6.醫(yī)療技術(shù)領(lǐng)域；7.教育領(lǐng)域；8.物流管理領(lǐng)域。

1.加強(qiáng)學(xué)習(xí)領(lǐng)域

強(qiáng)化學(xué)習(xí)是一種通過實(shí)驗(yàn)和錯(cuò)誤進(jìn)行學(xué)習(xí)的方法，它受到人類學(xué)習(xí)新技能過程的啟發(fā)。在強(qiáng)化學(xué)習(xí)的典型案例中，我們要求參與者采取行動(dòng)，通過觀察當(dāng)前情況來最大化反饋結(jié)果。每次你執(zhí)行一個(gè)動(dòng)作，實(shí)驗(yàn)者都會(huì)收到環(huán)境的反饋，所以它可以判斷這個(gè)動(dòng)作的效果是積極的還是消極的。

2.生成模型字段

通過大量樣本的收集，人工智能生成的模型具有很強(qiáng)的相似性。也就是說，如果訓(xùn)練數(shù)據(jù)是人臉的圖像，那么訓(xùn)練后得到的模型也是類似人臉的合成圖像。

人工智能頂級(jí)專家Ian Goodfellow為我們提出了兩個(gè)新思路：一個(gè)是生成器，負(fù)責(zé)將輸入的數(shù)據(jù)合成新的內(nèi)容；另一個(gè)是鑒別器，負(fù)責(zé)判斷生成器生成的內(nèi)容是真是假。這樣，生成器必須反復(fù)學(xué)習(xí)合成的內(nèi)容，直到鑒別器無法辨別生成器內(nèi)容的真實(shí)性。

3.存儲(chǔ)網(wǎng)絡(luò)字段

人工智能系統(tǒng)要像人類一樣適應(yīng)各種環(huán)境，就必須不斷掌握新的技能并學(xué)會(huì)應(yīng)用。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)很難滿足這些要求。比如一個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完A任務(wù)后，如果訓(xùn)練它去解決B任務(wù)，那么這個(gè)網(wǎng)絡(luò)模型就不再適合A了。

目前有一些網(wǎng)絡(luò)結(jié)構(gòu)可以使模型具有不同程度的記憶能力。長短期記憶網(wǎng)絡(luò)可以處理和預(yù)測(cè)時(shí)間序列；漸進(jìn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)獨(dú)立模型之間的水平關(guān)系，提取共同特征，可以完成新的任務(wù)。

4.數(shù)據(jù)學(xué)習(xí)領(lǐng)域

一直以來，深度學(xué)習(xí)模式都是需要大量的訓(xùn)練數(shù)據(jù)才能達(dá)到最好的效果。沒有大規(guī)模的訓(xùn)練數(shù)據(jù)，深度學(xué)習(xí)模型不會(huì)取得最好的效果。例如，當(dāng)我們使用人工智能系統(tǒng)解決缺乏數(shù)據(jù)的任務(wù)時(shí)，會(huì)出現(xiàn)各種問題。有一種方法叫遷移學(xué)習(xí)，就是把訓(xùn)練好的模型轉(zhuǎn)移到一個(gè)新的任務(wù)上，這樣問題就很容易解決了。

5.仿真環(huán)境領(lǐng)域

如果人工智能系統(tǒng)要應(yīng)用于現(xiàn)實(shí)生活，那么人工智能必須具有適用性的特點(diǎn)。因此，開發(fā)模擬真實(shí)物理世界和行為的數(shù)字環(huán)境，將為我們提供檢驗(yàn)人工智能的機(jī)會(huì)。在這些仿真環(huán)境中進(jìn)行訓(xùn)練，可以幫助我們很好地理解人工智能系統(tǒng)的學(xué)習(xí)原理以及如何改進(jìn)系統(tǒng)，也為我們提供了一個(gè)可以應(yīng)用到真實(shí)環(huán)境中的模型。

6.醫(yī)療技術(shù)領(lǐng)域

目前垂直領(lǐng)域的圖像算法和自然語言處理技術(shù)基本能夠滿足醫(yī)療行業(yè)的需求，市場(chǎng)上已經(jīng)出現(xiàn)了很多技術(shù)服務(wù)商，比如提供智能醫(yī)學(xué)影像技術(shù)的尚德云星、開發(fā)人工智能細(xì)胞識(shí)別醫(yī)療診斷系統(tǒng)的智維信分公司、提供智能輔助診斷服務(wù)平臺(tái)的若水醫(yī)療、統(tǒng)計(jì)處理醫(yī)療數(shù)據(jù)的一通天下等。雖然智能醫(yī)療在輔助診療、疾病預(yù)測(cè)、醫(yī)學(xué)影像輔助診斷、藥物開發(fā)等方面發(fā)揮著重要作用。由于醫(yī)院之間缺乏醫(yī)學(xué)影像數(shù)據(jù)和電子病歷的流通，企業(yè)與醫(yī)院之間的合作不透明，這就使得技術(shù)發(fā)展與數(shù)據(jù)供給之間產(chǎn)生矛盾。

7.教育領(lǐng)域

科大訊飛、學(xué)校教育等企業(yè)已經(jīng)開始探索人工智能在教育領(lǐng)域的應(yīng)用。通過圖像識(shí)別，可以進(jìn)行試卷批改、識(shí)題、機(jī)器答題等。通過語音識(shí)別可以糾正和改善發(fā)音；人機(jī)交互可以在線回答問題。AI+教育，可以在一定程度上改善教育行業(yè)師資分布以及成本問題，從工具層面為師生提供更高效的學(xué)習(xí)方式，但無法對(duì)教育內(nèi)容產(chǎn)生更實(shí)質(zhì)性的影響。

8.物流管理領(lǐng)域

物流行業(yè)利用智能搜索、推理規(guī)劃、計(jì)算機(jī)視覺、智能機(jī)器人等技術(shù)，在配送、裝卸、運(yùn)輸、倉儲(chǔ)等過程中進(jìn)行了自動(dòng)化改造，基本可以實(shí)現(xiàn)無人化作業(yè)。比如利用大數(shù)據(jù)對(duì)商品進(jìn)行智能配送規(guī)劃，優(yōu)化物流供給、需求匹配、物流資源的配置等。

三、人工神經(jīng)網(wǎng)絡(luò)（ANN）

人工神經(jīng)網(wǎng)絡(luò)，也就是ANN（Artificial Neural Network），它是模擬人類大腦處理信息的生物神經(jīng)網(wǎng)絡(luò)所產(chǎn)生出來的一種計(jì)算模型。而它主要用于機(jī)器學(xué)習(xí)的研究與調(diào)用，例如語音識(shí)別，計(jì)算機(jī)圖像處理，NLP等。

在神經(jīng)網(wǎng)絡(luò)中，計(jì)算的最小單元就是神經(jīng)元。它從其他的神經(jīng)元接收輸入?yún)?shù)，并且計(jì)算之后輸出最后結(jié)果。

而每個(gè)輸入都伴隨著一個(gè) Weight ，即(w)，并且輸入的參數(shù)中也包含一個(gè)很重要的參數(shù) bias 。并且每個(gè)神經(jīng)元都會(huì)應(yīng)用一個(gè)函數(shù) f(wx+b) 來得到最后的輸出。如下圖所示：

該神經(jīng)元接收 X1 與 X2 兩個(gè)參數(shù)，并且有 W1 與 W2 兩個(gè)權(quán)重(Weight)，同時(shí)還有一個(gè) b 作為 Bias 作為輸入。而輸出 Y 則是作為該神經(jīng)元計(jì)算后的輸出。

在生活中，通常很多事情或者說計(jì)算都不是一條線性的曲線。所以，為了盡量擬合生活中的運(yùn)算或者計(jì)算規(guī)律（統(tǒng)計(jì)學(xué)、概率論等等），于是需要把線性(non-linear)計(jì)算后的結(jié)果，通過函數(shù)轉(zhuǎn)變成擬合概率論的非線性函數(shù)結(jié)果。而這個(gè)過程，就叫做激活，而轉(zhuǎn)變的函數(shù)也就叫做激活函數(shù)。

激活函數(shù)的目的是為了將線性的結(jié)果轉(zhuǎn)變成非線性的結(jié)果，讓計(jì)算結(jié)果更加貼近于生活。

而每個(gè)激活函數(shù)或者非線性函數(shù)都會(huì)根據(jù)一個(gè)單獨(dú)的數(shù)進(jìn)行一些數(shù)學(xué)的操作，將原來的結(jié)果變成一個(gè)非線性的結(jié)果。

常用的Activation Function有如下：

前向神經(jīng)網(wǎng)絡(luò)主要由多個(gè)神經(jīng)元，以及多神經(jīng)元層構(gòu)成。

主要包括三部分：

多層感知機(jī)，即Multi Layer Perceptron。主要由一個(gè)或者多個(gè)隱藏層構(gòu)成。而不包含隱藏層，只有輸入和輸出層的被稱為單層感知機(jī)。即Single Layer Perceptron。

不包含隱藏層的單層感知機(jī)只能學(xué)習(xí)線性的變化，一旦包含了隱藏層，就可以學(xué)習(xí)非線性變化了。

對(duì)于隱藏層中的神經(jīng)元而言，每個(gè)神經(jīng)元都會(huì)與前一層(如輸入層)的所有神經(jīng)元相連接，并且連接時(shí)都會(huì)帶有權(quán)重，這種也被稱之為全連接層(Full Connect Layer)。

通過隱藏層不同的神經(jīng)元，以及每個(gè)神經(jīng)元所攜帶的權(quán)重，就可以完成非線性的預(yù)測(cè)了。

訓(xùn)練多層感知機(jī)模型通常都用反向傳播算法(Back-Propagation)。

訓(xùn)練多層感知機(jī)模型的目的是為了能夠更準(zhǔn)確的預(yù)測(cè)事物，而反向傳播算法則可以根據(jù)結(jié)果讓計(jì)算機(jī)可以學(xué)習(xí)到正確的Weight與Bias。

反向傳播算法：

一旦這個(gè)過程終止之后，我們就擁有一個(gè)已經(jīng)訓(xùn)練過的模型了，就可以考慮使用新的輸入進(jìn)行預(yù)測(cè)。

在分類的任務(wù)中，通常會(huì)使用 SoftMax 的函數(shù)作為Activation Function，因?yàn)樗梢栽诙鄠€(gè)輸入之間實(shí)現(xiàn)歸一化，保證最終的分類結(jié)果的概率為1。

在MNIST的數(shù)據(jù)集中，提供了很多手寫體的數(shù)字。例如下圖中的5。

而該神經(jīng)網(wǎng)絡(luò)擁有784個(gè)像素點(diǎn)(因?yàn)閷捀邽?8*28=784)，所以在輸入層會(huì)有784個(gè)節(jié)點(diǎn)。

而在第一層隱藏層有300個(gè)節(jié)點(diǎn)，在第二層隱藏層有100個(gè)節(jié)點(diǎn)，在最終的輸出層會(huì)有10個(gè)節(jié)點(diǎn)，對(duì)應(yīng)著0-9這十個(gè)數(shù)字。

使用更亮的顏色來代表輸出值更高的節(jié)點(diǎn)。在輸入層，亮的節(jié)點(diǎn)就是代表像素值的數(shù)值更高的節(jié)點(diǎn)。而在輸出層，只有一個(gè)亮的節(jié)點(diǎn)代表數(shù)字5，它輸出的結(jié)果概率值為1，而其他9個(gè)數(shù)字的節(jié)點(diǎn)概率值為0.

這張圖表明了MLP可以正確的分類輸入的數(shù)字。

https://ujjwalkarn.me/2016/08/09/quick-intro-neural-networks/

https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/

四、建筑經(jīng)濟(jì)管理中神經(jīng)網(wǎng)絡(luò)的應(yīng)用？

下面是中達(dá)咨詢給大家?guī)黻P(guān)于建筑經(jīng)濟(jì)管理中神經(jīng)網(wǎng)絡(luò)的應(yīng)用，以供參考。

上世紀(jì)80年代中期神經(jīng)網(wǎng)絡(luò)作為人工智能領(lǐng)域的一個(gè)分支，其研究逐步走向繁榮，土木工程和管理領(lǐng)域被認(rèn)為是適合人工智能技術(shù)應(yīng)用的肥沃土壤。由于神經(jīng)網(wǎng)絡(luò)在解決非線性問題上具有傳統(tǒng)方法無法比擬的優(yōu)勢(shì)，建筑經(jīng)濟(jì)管理領(lǐng)域問題的多樣性和復(fù)雜性便使得神經(jīng)網(wǎng)絡(luò)在該領(lǐng)域的應(yīng)用越來越引起人們的關(guān)注。

神經(jīng)網(wǎng)絡(luò)在土木工程領(lǐng)域應(yīng)用的首篇文獻(xiàn)出現(xiàn)于1989年，隨后大量的此類文章開始出現(xiàn)，這些文章絕大部分處理的是關(guān)于“模式識(shí)別和學(xué)習(xí)”的問題。隨著采用梯度下降優(yōu)化技術(shù)的誤差反傳（BP）學(xué)習(xí)算法的出現(xiàn)，以及對(duì)該算法的有效實(shí)施[2]，神經(jīng)網(wǎng)絡(luò)成為解決土木工程和建筑管理領(lǐng)域問題的可行的有效工具。

1神經(jīng)網(wǎng)絡(luò)的特征及其信息處理特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)是一種對(duì)人腦中樞神經(jīng)系統(tǒng)的生物神經(jīng)結(jié)構(gòu)進(jìn)行的功能性抽象，在模式識(shí)別和分類領(lǐng)域顯示了強(qiáng)大的能力，它們以“黑箱”模式工作，不需要先驗(yàn)?zāi)Ｐ停哂凶赃m應(yīng)能力，可以從數(shù)據(jù)中捕捉和學(xué)習(xí)規(guī)律，其計(jì)算能力在預(yù)測(cè)和評(píng)估、模式識(shí)別和優(yōu)化等領(lǐng)域得到了廣泛驗(yàn)證。神經(jīng)網(wǎng)絡(luò)尤其適合解決那些采用傳統(tǒng)的數(shù)學(xué)方法和手段建模困難的復(fù)雜問題，并已被證明是解決復(fù)雜非線性問題的一種有效工具。

1.1神經(jīng)網(wǎng)絡(luò)的基本特征

（1）內(nèi)在并行性。神經(jīng)網(wǎng)絡(luò)是一個(gè)高度并行的非線性系統(tǒng)，其并行性不僅體現(xiàn)在結(jié)構(gòu)上，它的處理運(yùn)行過程也是并行的。神經(jīng)網(wǎng)絡(luò)從單個(gè)處理單元到整個(gè)系統(tǒng)，在理論和實(shí)踐上都反映了并行性，計(jì)算是分布在多個(gè)處理單元上同時(shí)進(jìn)行的。

（2）分布式存儲(chǔ)。與傳統(tǒng)計(jì)算機(jī)不同，神經(jīng)網(wǎng)絡(luò)中信息并非存儲(chǔ)在一個(gè)特定的存儲(chǔ)區(qū)域，而是分布存儲(chǔ)在整個(gè)系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)的每一個(gè)神經(jīng)元都只是整體概念的一個(gè)部分，每一個(gè)單元都包含著對(duì)整體的貢獻(xiàn)，而每一個(gè)單元都無法決定整體的狀態(tài)。

（3）容錯(cuò)性。因?yàn)樾畔⑹欠植即鎯?chǔ)在整個(gè)系統(tǒng)中，而不是駐留在某一個(gè)特定的存儲(chǔ)區(qū)域內(nèi)，因此，網(wǎng)絡(luò)中部分神經(jīng)元的誤差不會(huì)在很大程度上影響改變整個(gè)系統(tǒng)的行為。（4）學(xué)習(xí)與自適應(yīng)性。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)是具有很強(qiáng)的學(xué)習(xí)能力，它可以通過對(duì)數(shù)據(jù)的監(jiān)督或非監(jiān)督學(xué)習(xí)，實(shí)現(xiàn)任意復(fù)雜的函數(shù)關(guān)系，而且整個(gè)網(wǎng)絡(luò)具有自適應(yīng)性，即進(jìn)行自我調(diào)節(jié)的能力。

1.2神經(jīng)網(wǎng)絡(luò)的信息處理特點(diǎn)

神經(jīng)網(wǎng)絡(luò)的基本特征使其在信息處理上具有與傳統(tǒng)信息處理技術(shù)不同的特點(diǎn)。

（1）數(shù)據(jù)驅(qū)動(dòng)、“黑箱”建模方式。神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練能夠直接從數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征，實(shí)現(xiàn)任意復(fù)雜的函數(shù)映射。這種學(xué)習(xí)能力使得神經(jīng)網(wǎng)絡(luò)分析和建模過程相當(dāng)于一個(gè)“黑箱”，既無需模型結(jié)構(gòu)設(shè)計(jì)和參數(shù)估計(jì)過程，而且在沒有輸入模式先驗(yàn)信息的情況下，通過數(shù)據(jù)驅(qū)動(dòng)取得優(yōu)良的結(jié)果。

（2）非編程、自適應(yīng)的工作方式。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是便利而且可塑的，在網(wǎng)絡(luò)整體結(jié)構(gòu)不變的情況下，只需調(diào)整權(quán)值即可完成任意關(guān)系的學(xué)習(xí)，通過遞進(jìn)補(bǔ)充訓(xùn)練樣本即可跟蹤和適應(yīng)外界環(huán)境的不斷變化。因此，神經(jīng)網(wǎng)絡(luò)的工作方式可以是實(shí)時(shí)的和自適應(yīng)的。

（3）信息處理與存儲(chǔ)合二為一。神經(jīng)網(wǎng)絡(luò)在運(yùn)行時(shí)信息處理與存儲(chǔ)同時(shí)完成，信息的隱含特征和規(guī)則分布于神經(jīng)元狀態(tài)和權(quán)值之上，通常具有冗余性。這樣，當(dāng)不完全信息或含噪信號(hào)輸入時(shí)，神經(jīng)網(wǎng)絡(luò)就可以根據(jù)這些分布記憶進(jìn)行聯(lián)想以恢復(fù)全部信息。同時(shí)，這種合二為一的方式從本質(zhì)上消除了軟件和算法的“瓶頸效應(yīng)”，提供了實(shí)現(xiàn)高速信息處理的手段。

（4）實(shí)時(shí)信息處理。神經(jīng)網(wǎng)絡(luò)是一個(gè)大規(guī)模非線性動(dòng)力學(xué)系統(tǒng)，具有高維、高密度的并行計(jì)算結(jié)構(gòu)。大量神經(jīng)元的微觀活動(dòng)構(gòu)成了神經(jīng)網(wǎng)絡(luò)的整體宏觀效應(yīng)。這種集體運(yùn)算能力使得神經(jīng)網(wǎng)絡(luò)可以完成高維數(shù)據(jù)的在線實(shí)時(shí)處理。

2建筑經(jīng)濟(jì)管理研究面臨的問題

建筑經(jīng)濟(jì)管理問題研究的目的和動(dòng)力是通過對(duì)建筑相關(guān)活動(dòng)相對(duì)真實(shí)的描述和分析，對(duì)各種現(xiàn)象及規(guī)律予以合理的解釋，進(jìn)而對(duì)建筑活動(dòng)進(jìn)行有效預(yù)測(cè)和控制。然而，由于建筑經(jīng)濟(jì)管理問題涉及的變量眾多、結(jié)構(gòu)復(fù)雜，很難用數(shù)學(xué)方程準(zhǔn)確地表達(dá)出來，傳統(tǒng)的回歸方法和辨識(shí)方法在此時(shí)常常顯得無能為力，用傳統(tǒng)方法進(jìn)行建筑經(jīng)濟(jì)管理研究所面臨的問題主要包括以下幾方面。

2.1對(duì)系統(tǒng)的非線性認(rèn)識(shí)不足

（1）過分強(qiáng)調(diào)先驗(yàn)假設(shè)，忽視了系統(tǒng)內(nèi)各變量之間復(fù)雜的非線性關(guān)系。建筑活動(dòng)由于其自身的特點(diǎn)，不僅在理論上，而且在實(shí)踐中都表現(xiàn)出明顯的非線性和復(fù)雜性。比如在研究房地產(chǎn)波動(dòng)時(shí)，眾多相互有分歧的各種理論并存，就足以證明系統(tǒng)的復(fù)雜性和非線性。

從本質(zhì)上看，建筑經(jīng)濟(jì)管理問題的非線性源于其所描述的現(xiàn)實(shí)的復(fù)雜性。建筑經(jīng)濟(jì)管理問題的模型應(yīng)體現(xiàn)建筑活動(dòng)隨時(shí)代和環(huán)境的變遷，受技術(shù)更新等影響的關(guān)系，其非線性特征是建立模型時(shí)具有普遍意義的前提。一方面，建筑經(jīng)濟(jì)管理問題的線性假設(shè)只是系統(tǒng)特殊性的體現(xiàn)。另一方面，由于系統(tǒng)的非線性和復(fù)雜性使相關(guān)理論發(fā)展具有滯后性，常常出現(xiàn)建模時(shí)所使用的理論落后于現(xiàn)實(shí)。這意味著我們?cè)谶M(jìn)行許多建筑管理問題的研究中，并沒有確切可靠的理論為基礎(chǔ)。

（2）過分強(qiáng)調(diào)理論的指導(dǎo)作用，忽視數(shù)據(jù)本身效用。僅僅從理論上考慮，通常難以決定模型的函數(shù)形式。對(duì)于同一建筑經(jīng)濟(jì)管理問題，可能有不同的理論，采取不同的解釋方式。那么，到底應(yīng)該選擇哪種理論框架呢？在實(shí)踐中這是十分重要的，也是十分困難的。

2.2對(duì)系統(tǒng)變量自身特征的認(rèn)識(shí)不足

（1）變量（數(shù)據(jù)）的高噪聲。在建筑經(jīng)濟(jì)管理數(shù)據(jù)的采集、編制過程中會(huì)引入各種誤差，加上諸多外在因素的沖擊而造成的波動(dòng)強(qiáng)烈變形，數(shù)據(jù)表現(xiàn)為高噪聲且包含有許多“奇異點(diǎn)”。奇異點(diǎn)的存在會(huì)大大影響系統(tǒng)性能，導(dǎo)致求解過程振蕩甚至最終無法收斂。在線性條件下可設(shè)計(jì)各式濾波器將其清除，但在非線性條件下卻不易輕率處理，因?yàn)樗鼈兛赡艽碇活惸Ｊ交蚪Y(jié)構(gòu)變化的先兆，數(shù)據(jù)的這種特性要求系統(tǒng)具有很強(qiáng)的魯棒性。

（2）變量的高度不確定性。不確定性目前在經(jīng)濟(jì)學(xué)界尚無一個(gè)統(tǒng)一的定義，一般說來，有2種不確定性的定義。一種定義是與概率事件相聯(lián)系，通常用隨機(jī)變量的方差來定義該變量的不確定性，并刻劃出該變量的不確定性大小，這種不確定性稱為概率型不確定性，通常也用“風(fēng)險(xiǎn)”這個(gè)詞來表示。另一種定義是與概率事件沒有聯(lián)系，不確定性是一種沒有穩(wěn)定概率的隨機(jī)事件，人們不能依賴事件過去發(fā)生的頻率來預(yù)測(cè)其未來發(fā)生的概率，這種不確定性稱為非概率型不確定性。

在實(shí)際研究中人們大都不區(qū)分這兩類不確定性，而用概率論的一些分析工具去分析非概率型不確定事件，如用期望、方差去分析房地產(chǎn)經(jīng)濟(jì)波動(dòng)，而房地產(chǎn)經(jīng)濟(jì)波動(dòng)常被認(rèn)為是一種非概率型不確定事件。當(dāng)然用概率論中的一些方法分析非概率型不確定事件，也不失為一種近似方法，但是，這完全是一種沒有辦法的辦法，數(shù)據(jù)的這種不確定性要求系統(tǒng)具有較好的泛化能力。

（3）變量不同程度的模糊性。建筑管理問題變量的大多數(shù)具有一定的模糊性。模糊性是指存在于現(xiàn)實(shí)中的不分明現(xiàn)象，如狀況的穩(wěn)定與不穩(wěn)定，波動(dòng)的正常與不正常，在它們之間找不到明確的邊界。從一種狀態(tài)到另一種有差異的狀態(tài)，中間經(jīng)歷的是一個(gè)從量變到質(zhì)變的連續(xù)過渡過程。

另外，建筑管理系統(tǒng)的不可逆性、不可實(shí)驗(yàn)性，使建模方法驗(yàn)證非常困難，而問題的動(dòng)態(tài)性、多樣性則要求模型具有很好的適應(yīng)性。

總之，對(duì)于建筑管理來說常常需要解決決策、優(yōu)化等非線性問題，而這些問題往往又具有一次性、復(fù)雜性和高度動(dòng)態(tài)性的特點(diǎn)，所涉及的信息具有隨機(jī)性、非線性和時(shí)變性，相應(yīng)的變量也具有高噪聲、不確定性和模糊性，這使得數(shù)據(jù)搜集、因素分析等方面存在著相當(dāng)大的難度，這些都對(duì)傳統(tǒng)方法提出了挑戰(zhàn)。

3神經(jīng)網(wǎng)絡(luò)與建筑經(jīng)濟(jì)管理結(jié)合的必要性和可行性

隨著建筑業(yè)和房地產(chǎn)業(yè)競(jìng)爭的日趨激烈和經(jīng)濟(jì)一體化進(jìn)程的不斷加快，建筑經(jīng)濟(jì)管理領(lǐng)域面臨的許多問題也越來越趨于復(fù)雜化，這些問題通常具有復(fù)雜性、動(dòng)態(tài)性和不可重復(fù)的高度非線性特點(diǎn)，問題涉及的變量也很多，相應(yīng)的變量常常是高噪聲、不確定和模糊的。在試圖解決這些問題的時(shí)候，理論指導(dǎo)的不足和在數(shù)據(jù)采集、因素分析、變量選擇等方面存在的困難，對(duì)傳統(tǒng)方法提出了挑戰(zhàn)，而神經(jīng)網(wǎng)絡(luò)采用的數(shù)據(jù)驅(qū)動(dòng)、“黑箱”建模方式，無需先驗(yàn)（統(tǒng)計(jì)知識(shí)）信息，這對(duì)于克服建模過程中強(qiáng)烈依賴于判斷和假說的局限性非常有幫助。因此，將神經(jīng)網(wǎng)絡(luò)作為強(qiáng)有力的非線性分析工具引入建筑管理領(lǐng)域是必要的，神經(jīng)網(wǎng)絡(luò)所具有分布式存貯和并行計(jì)算、學(xué)習(xí)和自適應(yīng)性、容錯(cuò)性等特征使其在解決建筑經(jīng)濟(jì)管理領(lǐng)域的復(fù)雜問題方面有著廣闊的前景和無限的潛力。神經(jīng)網(wǎng)絡(luò)在建筑管理領(lǐng)域的應(yīng)用研究已取得了一定成果。如在時(shí)間序列分析方面，研究結(jié)果表明在處理非線性、變結(jié)構(gòu)問題上比傳統(tǒng)方法有明顯優(yōu)勢(shì)；在回歸分析方面，神經(jīng)網(wǎng)絡(luò)用于回歸分析時(shí)不存在多重共線性校驗(yàn)問題，不限定回歸函數(shù)的階數(shù)，并且回歸關(guān)系是動(dòng)態(tài)的、自適應(yīng)的，因此，是一種便利而有效的回歸工具。隨著信息體系和制度的健全、統(tǒng)計(jì)工具的完善、建筑經(jīng)濟(jì)管理數(shù)據(jù)種類和頻率的增加，為神經(jīng)網(wǎng)絡(luò)的應(yīng)用了提供了可能性。

4神經(jīng)網(wǎng)絡(luò)在建筑經(jīng)濟(jì)管理中應(yīng)用的領(lǐng)域

神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究是探討如何利用神經(jīng)網(wǎng)絡(luò)解決實(shí)際問題，即模擬人腦的學(xué)習(xí)、思維、存貯和處理信息等智能行為來解決技術(shù)和工程領(lǐng)域的復(fù)雜問題，這是近年來在神經(jīng)網(wǎng)絡(luò)研究中成果最多，最為引人注目的領(lǐng)域。

由于建筑活動(dòng)的不確定性和不斷變化的特征，建筑經(jīng)濟(jì)管理問題通常是很復(fù)雜的，建立定量的數(shù)學(xué)模型也是很困難的。因此，適當(dāng)?shù)慕坪屯评砭统蔀榻鉀Q建筑經(jīng)濟(jì)管理問題的快速、低成本的手段。復(fù)雜的建筑經(jīng)濟(jì)管理問題中有很多不確定和模糊的信息，以及不精確和不完整的數(shù)據(jù)，并且不斷地隨環(huán)境變化而改變。推理過程必須隨現(xiàn)實(shí)世界的變化來不斷適應(yīng)。人腦具有處理包含不確定、不精確和不完整信息的問題的能力，模仿人腦的推理過程可以有效地解決建筑經(jīng)濟(jì)管理問題。神經(jīng)網(wǎng)絡(luò)正是一種可以解決這類問題的工具。

在過去的十幾年間，研究人員對(duì)神經(jīng)網(wǎng)絡(luò)用于解決建筑工程領(lǐng)域的問題進(jìn)行了一些研究，嘗試解決的問題覆蓋很多方面，如建筑成本估計(jì)[3,4]、建筑生產(chǎn)率預(yù)測(cè)[5,6]等。大部分研究都是基于采用監(jiān)督算法的誤差反傳前向神經(jīng)網(wǎng)絡(luò)進(jìn)行的。相對(duì)在其他工程領(lǐng)域的應(yīng)用，神經(jīng)網(wǎng)絡(luò)在建筑經(jīng)濟(jì)管理領(lǐng)域應(yīng)用的研究并不是很多，國內(nèi)對(duì)于神經(jīng)網(wǎng)絡(luò)在建筑經(jīng)濟(jì)管理領(lǐng)域應(yīng)用的研究起步也較晚，已經(jīng)進(jìn)行的研究工作多數(shù)集中于成本估計(jì)和價(jià)格評(píng)估方面。

國內(nèi)外研究人員所做的比較分散的研究解決了不少建筑經(jīng)濟(jì)管理領(lǐng)域的難題，顯現(xiàn)出無限的潛力。神經(jīng)網(wǎng)絡(luò)在建筑經(jīng)濟(jì)管理領(lǐng)域中具有廣闊的應(yīng)用前景。

（1）項(xiàng)目資金流量及成本預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以幫助建筑承包商對(duì)項(xiàng)目的資金流量和成本進(jìn)行預(yù)測(cè)、更新和管理，以使承包商避免出現(xiàn)資金短缺、破產(chǎn)等情況，并及時(shí)對(duì)成本和工期作出預(yù)警。

（2）風(fēng)險(xiǎn)分析和預(yù)警。神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以作為建筑公司對(duì)風(fēng)險(xiǎn)和收益進(jìn)行評(píng)估的投資決策工具，該系統(tǒng)可以以風(fēng)險(xiǎn)來源因素作為輸入單元，例如項(xiàng)目的復(fù)雜程度、不可預(yù)見因素的估計(jì)值等，輸出單元為風(fēng)險(xiǎn)的等級(jí)以及風(fēng)險(xiǎn)出現(xiàn)的可能性區(qū)間。

（3）決策支持。許多決策是在存在很多不確定因素的條件下做出的，管理者根據(jù)不完整的信息進(jìn)行決策并明知這些決策并非可靠。盡管已有很多數(shù)學(xué)和統(tǒng)計(jì)學(xué)的模型來幫助管理者進(jìn)行決策，但是這些模型是基于概率和回歸技術(shù)并在此基礎(chǔ)上得出最優(yōu)結(jié)果，它們無法從不完整的數(shù)據(jù)或者不可預(yù)見的數(shù)據(jù)中學(xué)習(xí)并總結(jié)規(guī)律從而得出結(jié)果。而神經(jīng)網(wǎng)絡(luò)的特點(diǎn)為解決這類復(fù)雜問題提供了一個(gè)機(jī)會(huì)。

（4）資源配置與優(yōu)化。在建筑管理領(lǐng)域，很多問題都是需要對(duì)資源配置進(jìn)行優(yōu)化以使得成本最低，CPM/Pert網(wǎng)絡(luò)計(jì)劃技術(shù)的出現(xiàn)使資源配置成為研究人員和工程實(shí)踐人員最關(guān)注的問題之一。但是，還沒有一個(gè)模型具有預(yù)測(cè)各個(gè)相關(guān)要素（如設(shè)計(jì)變更、場(chǎng)地條件、設(shè)備條件等）的影響效果，并從歷史數(shù)據(jù)中學(xué)習(xí)的能力。對(duì)于這樣一個(gè)復(fù)雜問題，神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以預(yù)測(cè)并確定資源的優(yōu)先級(jí)，其對(duì)建筑管理者是非常有益的。

（5）投標(biāo)輔助決策。神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以從中標(biāo)工程的歷史數(shù)據(jù)中學(xué)習(xí)，幫助承包商分析投標(biāo)環(huán)境以確定采取何種投標(biāo)策略，結(jié)合建筑成本估計(jì)確定投標(biāo)價(jià)格，并在進(jìn)入標(biāo)書編制程序之前對(duì)投標(biāo)結(jié)果進(jìn)行預(yù)測(cè)。

（6）分類和選擇。建筑材料、設(shè)備、施工方法等選擇，也是很復(fù)雜的問題，往往需要依靠經(jīng)驗(yàn)來判斷。可以把已有的信息、知識(shí)、數(shù)據(jù)等用來設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)來幫助選擇這些資源。

5結(jié)束語

作為一個(gè)分析和解決復(fù)雜問題，特別是非線性問題的重要工具，神經(jīng)網(wǎng)絡(luò)的潛力正在被越來越多的建筑管理領(lǐng)域和信息技術(shù)領(lǐng)域的研究人員所認(rèn)識(shí)，其在建筑管理領(lǐng)域的應(yīng)用前景將是十分廣闊的。神經(jīng)網(wǎng)絡(luò)屬于新興的交叉科學(xué)，其本身還并不完善，關(guān)于對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法的改進(jìn)等研究一直在進(jìn)行中。盡管國內(nèi)外研究人員和工程技術(shù)人員對(duì)于神經(jīng)網(wǎng)絡(luò)在建筑經(jīng)濟(jì)管理領(lǐng)域的應(yīng)用進(jìn)行了大量研究，但還并不成熟，到目前為止，還沒有哪項(xiàng)研究可以作為一個(gè)比較完善的系統(tǒng)在實(shí)踐中得到廣泛應(yīng)用。對(duì)于神經(jīng)網(wǎng)絡(luò)在建筑經(jīng)濟(jì)管理領(lǐng)域的應(yīng)用，還有一些問題有待深入研究，尤其是神經(jīng)網(wǎng)絡(luò)與模糊邏輯、遺傳算法、專家系統(tǒng)等方法的結(jié)合運(yùn)用，將是一個(gè)非常有吸引力的研究領(lǐng)域。

更多關(guān)于工程/服務(wù)/采購類的標(biāo)書代寫制作，提升中標(biāo)率，您可以點(diǎn)擊底部官網(wǎng)客服免費(fèi)咨詢：https://bid.lcyff.com/#/?source=bdzd

以上就是關(guān)于人工神經(jīng)網(wǎng)絡(luò)在生活中的應(yīng)用相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。