『壹』 bp神經網路與量子行為粒子群演算法有什麼不一樣
這四個都屬於人工智慧演算法的范疇。其中BP演算法、BP神經網路和神經網路
屬於神經網路這個大類。遺傳演算法為進化演算法這個大類。
神經網路模擬人類大腦神經計算過程，可以實現高度非線性的預測和計算，主要用於非線性擬合，識別，特點是需要「訓練」，給一些輸入，告訴他正確的輸出。若干次後，再給新的輸入，神經網路就能正確的預測對於的輸出。神經網路廣泛的運用在模式識別，故障診斷中。BP演算法和BP神經網路是神經網路的改進版，修正了一些神經網路的缺點。
遺傳演算法屬於進化演算法，模擬大自然生物進化的過程：優勝略汰。個體不斷進化，只有高質量的個體（目標函數最小（大））才能進入下一代的繁殖。如此往復，最終找到全局最優值。遺傳演算法能夠很好的解決常規優化演算法無法解決的高度非線性優化問題，廣泛應用在各行各業中。差分進化，蟻群演算法，粒子群演算法等都屬於進化演算法，只是模擬的生物群體對象不一樣而已。
『貳』 如何利用人工神經網路或遺傳演算法解決實際問題
來自<神經網路之家>nnetinfo
目前可以做的一般有:
分類.
函數擬合
壓縮.
圖象識別
等等, 其實說到底,所有的都能歸於第2點--函數擬合.
一般如果輸入與輸出是有強烈關系的,網路都能找得到這個關系.例如病人的特徵作為輸入,判斷這個是否為病人,一般都是可以的.業務背景知識強,才能把神經網路運用到實際中.
另外,還需要把實現問題轉換為數學問題的能力.
例如數字識別就是一個經典的應用.但直接把圖片放進去訓練是得不到識別效果的,因為維度太多了,而且信息冗餘量很大.
於是有人把圖片的特徵先自已提取出來:例如對角線與圖片上的數字有幾個交點等等,再把這些特徵作為輸入,數字類別向量作為輸出,放到網路中訓練.最後你再寫一個數字,提取這個數字的特徵,再把這特徵放進網路中的時候,它就能識別到你是哪個數字了.
另外,又有人用卷積神經網路去做數字識別.
還有人用深度網路去做,即先把原來圖片的信息用RBM網路進行壓縮,然後再訓練,效果就好了.
等等,其實很多問題都可以做,但前提是你要想到好的方式去運用神經網路.
『叄』 神經網路原理及應用
神經網路原理及應用
1. 什麼是神經網路？
神經網路是一種模擬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。這種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。
人類的神經網路
2. 神經網路基礎知識
構成：大量簡單的基礎元件——神經元相互連接
工作原理：模擬生物的神經處理信息的方式
功能：進行信息的並行處理和非線性轉化
特點：比較輕松地實現非線性映射過程，具有大規模的計算能力
神經網路的本質：
神經網路的本質就是利用計算機語言模擬人類大腦做決定的過程。
3. 生物神經元結構
4. 神經元結構模型
xj為輸入信號，θi為閾值，wij表示與神經元連接的權值，yi表示輸出值
判斷xjwij是否大於閾值θi
5. 什麼是閾值？
臨界值。
神經網路是模仿大腦的神經元，當外界刺激達到一定的閾值時，神經元才會受刺激，影響下一個神經元。
6. 幾種代表性的網路模型
單層前向神經網路——線性網路
階躍網路
多層前向神經網路（反推學習規則即BP神經網路）
Elman網路、Hopfield網路、雙向聯想記憶網路、自組織競爭網路等等
7. 神經網路能幹什麼？
運用這些網路模型可實現函數逼近、數據聚類、模式分類、優化計算等功能。因此，神經網路廣泛應用於人工智慧、自動控制、機器人、統計學等領域的信息處理中。雖然神經網路的應用很廣，但是在具體的使用過程中到底應當選擇哪種網路結構比較合適是值得考慮的。這就需要我們對各種神經網路結構有一個較全面的認識。
8. 神經網路應用
『肆』 人工神經網路與智慧農業的關系
人工智慧作為當今科技的前沿技術已經深入到各行各業之中，當下我們關注最多的還是人工智慧為醫療、金融、工業帶來怎樣的變化，卻忽視了人工智慧在農業領域中的應用。事實上，從20世紀70年代開始，人工智慧技術，特別是專家系統技術就開始應用於現代農業領域。
根據聯合國糧農組織預測，到2050年，全球人口將超過90億，盡管人口較目前只增長25%，但是由於人類生活水平的提高以及膳食結構的改善，對糧食需求量將增長70%。與此同時，全球又面臨著土地資源緊缺、化肥農葯過度使用造成的環境破壞等問題。如何在有限的耕地增加農業的產出，同時保持可持續發展?人工智慧作為解決方式之一，展示出了其強大的實力。
人工智慧在智慧農業中將發揮哪些作用?
1、種子檢測
種子是農業生產中最重要的生產資料之一，種子質量直接關繫到作物產量。種子的純度和安全性檢測，是提升農產品質量的重要手段。因此，利用圖像分析技術以及神經網路等非破壞性的方法對種子進行准確的評估，對提高農產品產量和質量起到了很好的保障作用。
2、智能種植
在傳統農業中，需要耗費大量的人力、物力。搭載人工智慧技術的機器人將有助於緩解農民的負擔，大大降低土地對勞動力的需求量。例如在種植、管理、採摘、分揀等環節都可以通過智能機器人來完成，實現農業種植的智能化與自動化。
3、作物監控
在農業生產的很多方面，大部分的工作是通過對農作物外觀的判斷進行的，例如農作物的生長狀態、病蟲害監測以及雜草辨別等等。在過去，這些工作是通過人的肉眼去觀察，但是這存在兩個問題：1、農民並不能保證根據經驗做出的判斷是完全正確的;2、由於沒有專業人士及時到現場診斷，可能會使農作物病情延誤或加重。人工智慧技術可在農作物檢測中提供強大的技術的支持，通過機器人視覺技術，模擬人類的視覺功能，從客觀事物的圖像中獲取信息並處理和分析。
4、土壤灌溉
人工神經網路具備機器學習能力，能夠根據檢測得到的氣候指數和當地的水文氣象觀測數據，選擇最佳灌溉規劃策略。通過對土壤濕度的實時監控，利用周期灌溉、自動灌溉等多種方式，提高灌溉精準度和水的利用率。這樣既能節省用水，又能保證農作物良好的生長環境。
人工智慧技術在農業領域面臨的困難與挑戰
不過，雖然人工智慧技術已經開始應用於農業領域，但是與其在金融、醫療、交通等領域上的成功應用相比，人工智慧在農業上的運用略顯初級，大多農場、農業設備製造商還沒有深入推進人工智慧的引入。原因包括：1、農業領域的數據獲取比其他行業要難;2、農業生產統計和量化應用困難，農業環境變化對人工智慧技術在農業上的測試、驗證和推廣更加困難;3、缺乏既懂農業又懂人工智慧技術的復合型人才。
政策支持破解人工智慧農業困局
2017年，國務院印發的《新一代人工智慧發展規劃》提出，加快推進產業智能化升級。在智能農業方面，要研製農業智能感測與控制系統、智能化農業裝備、農機田間作業自主系統等。建立完善的天、空、地一體化的智能農業信息遙感監測網路及農業大數據智能決策分析系統。除去國家層面的政策之外，各地政府也開始密集出台相關政策，以解決人工智慧技術在農業領域的應用中面臨的實際問題。
2018年4月，教育部印發《高等學校人工智慧創新行動計劃》，提出加強人才培養與創新研究基地的融合，完善人工智慧領域多主體協同育人機制，以多種形式培養多層次的人工智慧領域人才;到2020年建立50家人工智慧學院、研究院或交叉研究中心，並引導高校通過增量支持和存量調整，加大人工智慧領域人才的培養力度。截至2017年12月，國內共有七十餘所高校圍繞人工智慧領域設置86個二級學科或交叉學科。2018年國內高校首批612個「新工科」研究與實踐項目中，已布局建設將近60個人工智慧類項目。
寫在最後：
隨著人工智慧技術的不斷發展，其在智慧農業領域的大規模應用將最終實現。相信在不久的將來，人工智慧能夠更好的為人類服務，改善人類的生活，帶來巨大的經濟效益。在人工智慧的引領下，農業將邁入智能化的嶄新時代。