超聲波瓶體厚度檢測及其材料分類的研究，保障公共安全

本項目中改進的DA算法主要應用于：64階低通濾波器的設計，其結構如圖8所示：

圖8 基于改進DA算法的128階低通濾波器的實現

（2）人工神經網絡算法簡介

人工神經網絡（Artificial Neural Networks,ANN）是在現代神經生物學研究基礎上提出的模擬生物過程以反映人腦某些特性的計算結構。它不是人腦神經系統的真實描寫，而只是它的某種抽象、簡化和模擬。神經元及其突觸是神經網絡的基本器件。因此，模擬生物神經網絡應首先模擬生物神經元。在人工神經網絡中，神經元常被稱為“處理單元”。有時從網絡的觀點出發常把它稱為“節點”。人工神經元是對生物神經元的一種形式化描述，它對生物神經元的信息處理過程進行抽象，并用數學語言予以描述；對生物神經元的結構和功能進行模擬，并用模型予以表達。

為了模擬生物神經元，一個簡化的人工神經元，如圖9所示。該神經元是一個多輸入單輸出的非線性元件。

圖9 簡化的神經元模型

人工神經元模型可以看成是由三個基本要素組成：

• 一組連接權（對應于生物神經元的突觸），連接強度由各連接上的權值表示，權值為正表示激勵，為負值表示抑制。
• 一個求和單元，用于求取各輸入信息的加權和（線性組合）。
• 一個非線性激活函數，起非線性映射作用并限制神經元輸出幅度在一定的范圍之內。此外還有一個閾值。閾值也被看作是一個輸入分量，也就是閾值也是一個權值。在網絡的設計中，偏差起著重要的作用，它使得激活函數的圖形可以左右移動而增加了解決問題的可能性。

通常所說的人工神經網絡結構，主要指它的連接方式。從拓撲結構上考慮，神經網絡屬于以神經元為節點，以節點間的連接為邊的一種圖。從連接方式來看，主要有兩種，即前饋型神經網絡和反饋型網絡。一個神經網絡的拓撲結構確定后，為了使它具有某種智能特性，必須有相應的學習方法與之配合。權值如何設置是區分不同人工神經網絡學習算法的重要特征。一般可以把人工神經網絡的學習分為兩種類型，即監督學習（有教師學習）和無監督學習（無教師學習）。