外匯ai神經網路

① 國內外人工神經網路的研究現狀

基於人工神經網路的土壩病害診斷知識獲取方法
摘要：以土壩測壓管水位異常診斷為實例，對反向傳播(BP)神經網路進行訓練，然後通過典型示例經網路計算生成顯式的診斷規則，為專家系統診斷推理時直接調用。該方法是土壩病害診斷知識獲取的一種新方法，是對傳統知識獲取方式的拓展和補充。

關鍵詞：土壩；病害診斷；測壓管異常；神經網路；知識獲取

我國目前已修建各種類型水庫8.6萬余座（是世界水庫最多的國家之一），大中型水閘7.6萬座，河道堤防20多萬公里。這些水利工程和設施所發揮的巨大作用和效益大大促進了社會和經濟的發展。然而從另一方面還應看到，在已建的水利工程中尚存許多不安全因素，由於修建當時的經濟、技術條件限制以及其它一些因素的影響，使很多工程存在病害或隱患，另外，由於長期受各種自然或人為因素影響，加之年久失修，管理跟不上，老化現象也很嚴重，很大程度上影響了工程正常運行和效益的發揮，有些工程因此而失事。僅就土石壩而，歷年累積潰壩率就高達3.4%。因此如何准確、及時地診斷出建築物的隱患和病害，並對建築物的安全性做出合理科學的評價意義十分重大。是當前水利工程管理中亟待解決的一項重要課題。水工建築物的病害診斷是一項非常復雜的工作，需要有豐富經驗的專家才能勝任。解決上述問題的一個好的辦法是在做好監測的基礎上，把專家經驗、人工智慧（AI）技術、計算機應用技術以及數值分析計算等有機結合起來，建造專家系統（Expert System簡稱：ES）。而專家系統開發中最關鍵的「瓶頸」問題就是知識獲取，它既包括知識的體系結構、內容等難於獲取，也包括推理規則中的推理參數（如可信度）難以確定等。筆者以土壩為研究對象開發了具有學習功能的土壩病害診斷專家系統ESLEDFDS[1,2]，在系統開發中為解決知識獲取問題，採取了傳統的訪談（Interview）式的知識獲取與從病害工程實例中抽取知識（事例學習）相結合的形式。實踐證明該形式效果良好。論文將以土壩測壓管水位異常診斷知識的獲取為例，介紹一種基於人工神經網路事例學習的土壩病害診斷知識的獲取方法。

1 知識源分析及知識獲取方法的選擇

土壩病害診斷的知識源主要有3個：（1）壩工診斷專家。大量的經驗性知識存在於專家的大腦中，具有專有性和潛在性等特點。有時連專家本人也不容易系統地總結、歸納自己的知識，而且不易做出解釋。這也就決定了它的難於獲取，但它是ES知識的主要來源。（2）相關文獻資料。文獻資料作為一種信息載體，包含了大量理論和經驗知識。其特點是量大、分散。而且，由於不同的文獻來源於不同的著者，對同一問題的看法和分析結果可能有所差異，甚至相悖，所以有助於消除單個專家知識的片面性。但從大量分散的文獻中抽取ES知識庫所需的知識和方法，需經反復分析比較。（3）實例。一般情況下，專家頭腦中知識的存儲往往是片斷的、非系統的，以訪談的形式，讓專家敘述自己的知識時，一個個片斷很難一下子系統地組織起來。而一旦真正面對實際問題（實例）壩工診斷專家卻能夠作很好的分析，說明這種刺激能使專家自覺或不自覺地去組織自己的知識。所以，同專家一同分析實例，可以了解專家的推理過程及所用知識，同時，經過專家分析的工程實例中蘊涵了專家的經驗知識和推理判斷，並且大多實例分析結果的正確與否已經得到實際驗證。因此，實例是一種非常重要的知識源，可以通過一些模型、方法對實例進行學習，提煉出蘊涵在實例中的診斷知識。

筆者在ESLEDFDS的知識獲取中綜合利用了以上3種知識源。通過走訪專家、同專家一起分析文獻資料，把診斷知識整理成一條條規則，存儲於外部知識庫中。此外，為補充專家經驗知識的不足，還對收集的80餘例土壩病害實例，應用人工神經元網路進行了事例學習和新規則生成。
......

② 人工智慧，機器學習，神經網路，深度神經網路之間的關系是什麼

這些概念大家經常碰到，可能會有一些混淆，我這里解釋下。

人工智慧，顧名思義ArtificialIntelligence，縮寫是大家熟知的AI。是讓計算機具備人類擁有的能力——感知、學習、記憶、推理、決策等。細分的話，機器感知包括機器視覺、NLP，學習有模式識別、機器學習、增強學習、遷移學習等，記憶如知識表示，決策包括規劃、數據挖掘、專家系統等。上述劃分可能會有一定邏輯上的重疊，但更利於大家理解。

其中，機器學習（MachineLearning，ML）逐漸成為熱門學科，主要目的是設計和分析一些學習演算法，讓計算機從數據中獲得一些決策函數，從而可以幫助人們解決一些特定任務，提高效率。它的研究領域涉及了概率論、統計學、逼近論、凸分析、計算復雜性理論等多門學科。

神經網路，主要指人工神經網路（ArtificialNeural Network，ANN），是機器學習演算法中比較接近生物神經網路特性的數學模型。通過模擬人類神經網路的結構和功能，由大量「神經元」構成了一個復雜的神經網路，模擬神經元的刺激和抑制的過程，最終完成復雜運算。

深度神經網路，大家可以理解為更加復雜的神經網路，隨著深度學習的快速發展，它已經超越了傳統的多層感知機神經網路，而擁有對空間結構進行處理（卷積神經網路）和時間序列進行處理（遞歸神經網路）的能力。

所以上面的四種概念中，人工智慧是最寬泛的概念，機器學習是其中最重要的學科，神經網路是機器學習的一種方式，而深度神經網路是神經網路的加強版。記住這個即可。

③ AI，機器學習和深度學習之間的區別是什麼

機器學習與深度學習的比較
1、應用場景
機器學習在指紋識別、特徵物體檢測等領域的應用基本達到了商業化的要求。
深度學習主要應用於文字識別、人臉技術、語義分析、智能監控等領域。目前在智能硬體、教育、醫療等行業也在快速布局。
2、所需數據量
機器學習能夠適應各種數據量，特別是數據量較小的場景。如果數據量迅速增加，那麼深度學習的效果將更加突出，這是因為深度學習演算法需要大量數據才能完美理解。
3、執行時間
執行時間是指訓練演算法所需要的時間量。一般來說，深度學習演算法需要大量時間進行訓練。這是因為該演算法包含有很多參數，因此訓練它們需要比平時更長的時間。相對而言，機器學習演算法的執行時間更少。
4、解決問題的方法
機器學習演算法遵循標准程序以解決問題。它將問題拆分成數個部分，對其進行分別解決，而後再將結果結合起來以獲得所需的答案。深度學習則以集中方式解決問題，而不必進行問題拆分。

④ 深度學習和深度神經網路的AI有什麼區別

AI就是人工智慧（Artificial Intelligence）的簡稱。
機器學習：一種實現人工智慧的方法，機器學習最基本的做法，是使用演算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。機器學習演算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。
深度學習：一種實現機器學習的技術。深度學習本來並不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網路。最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是一個全新的概念，可大致理解為包含多個隱含層的神經網路結構。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。

⑤ 什麼是二值神經網路，它的前景如何

數據挖掘是從大量的數據中，抽取出潛在的、有價值的知識（模型或規則）的過程。
1. 數據挖掘能做什麼？
1)數據挖掘能做以下六種不同事情（分析方法）：
分類 （Classification）
估值（Estimation）
預言（Prediction）
相關性分組或關聯規則（Affinity grouping or association rules）
聚集（Clustering）
描述和可視化（Des cription and Visualization）
2)數據挖掘分類
以上六種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘
直接數據挖掘
目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以
理解成資料庫中表的屬性，即列）進行描述。
間接數據挖掘
目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系
。
分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘
3)各種分析方法的簡介
分類 （Classification）
首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分
類模型，對於沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 分配客戶到預先定義的客戶分片
注意： 類的個數是確定的，預先定義好的
估值（Estimation）
估值與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的
輸出；分類的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值
一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的
連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運
用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。
預言（Prediction）
通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用
於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。
預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時
間後，才知道預言准確性是多少。
相關性分組或關聯規則（Affinity grouping or association rules）
決定哪些事情將一起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A後，隔一段時間，會購買B （序列分析）
聚集（Clustering）
聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先
定義好的類，不需要訓練集。
例子：
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，回答問題，可能效果更好。
描述和可視化（Des cription and Visualization）
是對數據挖掘結果的表示方式。
2.數據挖掘的商業背景
數據挖掘首先是需要商業環境中收集了大量的數據，然後要求挖掘的知識是有價值的。有
價值對商業而言，不外乎三種情況：降低開銷；提高收入；增加股票價格。
1)數據挖掘作為研究工具 （Research）
2)數據挖掘提高過程式控制制（Process Improvement）
3)數據挖掘作為市場營銷工具（Marketing）
4)數據挖掘作為客戶關系管理CRM工具(Customer Relationship Management)
3.數據挖掘的技術背景
1)數據挖掘技術包括三個主要部分：演算法和技術；數據；建模能力
2)數據挖掘和機器學習（Machine Learning）
機器學習是計算機科學和人工智慧AI發展的產物
機器學習分為兩種學習方式：自組織學習（如神經網路）；從例子中歸納出規則（如決策樹）
數據挖掘由來
數據挖掘是八十年代，投資AI研究項目失敗後，AI轉入實際應用時提出的。它是一個新興
的，面向商業應用的AI研究。選擇數據挖掘這一術語，表明了與統計、精算、長期從事預
言模型的經濟學家之間沒有技術的重疊。
3)數據挖掘和統計
統計也開始支持數據挖掘。統計本包括預言演算法（回歸）、抽樣、基於經驗的設計等
4)數據挖掘和決策支持系統
數據倉庫
OLAP（聯機分析處理）、Data Mart（數據集市）、多維資料庫
決策支持工具融合
將數據倉庫、OLAP，數據挖掘融合在一起，構成企業決策分析環境。
4. 數據挖掘的社會背景
數據挖掘與個人預言：數據挖掘號稱能通過歷史數據的分析，預測客戶的行為，而事實上，客戶自己可能都不明確自己下一步要作什麼。所以，數據挖掘的結果，沒有人們想像中神秘，它不可能是完全正確的。
5．數據挖掘技術實現
在技術上可以根據它的工作過程分為：數據的抽取、數據的存儲和管理、數據的展現等關鍵技術。
1) 數據的抽取
數據的抽取是數據進入倉庫的入口。由於數據倉庫是一個獨立的數據環境，它需要通過抽取過程將數據從聯機事務處理系統、外部數據源、離線的數據存儲介質中導入數據倉庫。數據抽取在技術上主要涉及互連、復制、增量、轉換、調度和監控等幾個方面的處理。在數據抽取方面，未來的技術發展將集中在系統功能集成化方面，以適應數據倉庫本身或數據源的變化，使系統更便於管理和維護。
2) 數據的存儲和管理
數據倉庫的組織管理方式決定了它有別於傳統資料庫的特性，也決定了其對外部數據的表現形式。數據倉庫管理所涉及的數據量比傳統事務處理大得多，且隨時間的推移而快速累積。在數據倉庫的數據存儲和管理中需要解決的是如何管理大量的數據、如何並行處理大量的數據、如何優化查詢等。目前，許多資料庫廠家提供的技術解決方案是擴展關系型資料庫的功能，將普通關系資料庫改造成適合擔當數據倉庫的伺服器。
3) 數據的展現
在數據展現方面主要的方式有：
查詢：實現預定義查詢、動態查詢、OLAP查詢與決策支持智能查詢；報表：產生關系數據表格、復雜表格、OLAP表格、報告以及各種綜合報表；可視化：用易於理解的點線圖、直方圖、餅圖、網狀圖、互動式可視化、動態模擬、計算機動畫技術表現復雜數據及其相互關系；統計：進行平均值、最大值、最小值、期望、方差、匯總、排序等各種統計分析；挖掘：利用數據挖掘等方法，從數據中得到關於數據關系和模式的知識。
6.數據挖掘與數據倉庫融合發展
數據挖掘和數據倉庫的協同工作，一方面，可以迎合和簡化數據挖掘過程中的重要步驟，提高數據挖掘的效率和能力，確保數據挖掘中數據來源的廣泛性和完整性。另一方面，數據挖掘技術已經成為數據倉庫應用中極為重要和相對獨立的方面和工具。
數據挖掘和數據倉庫是融合與互動發展的，其學術研究價值和應用研究前景將是令人振奮的。它是數據挖掘專家、數據倉庫技術人員和行業專家共同努力的成果，更是廣大渴望從資料庫「奴隸」到資料庫「主人」轉變的企業最終用戶的通途。

⑥ 人工智慧和神經網路有什麼聯系與區別

聯系：都是模仿人類行為的數學模型以及演算法。神經網路的研究能促進或者加快人工智慧的發展。

區別如下：

一、指代不同

1、人工智慧：是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

2、神經網路：是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。

二、方法不同

1、人工智慧：企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

2、神經網路：依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

三、目的不同

1、人工智慧：主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。

2、神經網路：具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網路因學習方式及內容不同可具有不同的功能。

⑦ 什麼是AI深度學習

簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化。

⑧ 神經網路怎樣用在外匯交易中

用神經網路演算法去預測匯率
望採納

⑨ bp神經網路外匯儲備預測的MATLAB編程

matlab里有函數的

⑩ 我不會MQL編程語言，有個好策略想編寫MT4\MT5外匯EA，請問有什麼好辦法嗎(ˇˇ) 想～編寫神經網路EA

去 goeaeasy.com 需要學會mql編程語言 強大的ea生成器