神經網路在市場營銷中的應用分析

① 神經網路研究現狀

光譜分析因其能夠靈敏、高精度、無破壞、快速地檢測物質的化學成分和相對含量而廣泛應用於分析化學、生物化學與分子生物學、農業、醫學等領域。目前，光譜分析技術日趨成熟，引入光譜分析理論的高光譜遙感技術應用日益廣泛，尤其是在農業領域，可以有效地獲取農田信息、判斷作物長勢、估測作物產量、提取病害信息。光譜分析技術雖然具有很強的物質波譜「透視力」，但在分析 「同譜異物」 和 「異物同譜」等方面需要與現代分析手段相結合，如小波變換、卡爾曼濾波、人工神經網路（Artificial Neural Net－work，ANN）、遺傳演算法（Genetic Algorithm，GA）等。

在光譜分析領域，ANN多用於物質生化組分的定量分析（陳振寧等，2001；印春生等，2000），在光度分析中也有較多應用，如，於洪梅等（2002）利用ANN分析鉻和鋯的混合吸收光譜，並結合分光度法對二者進行測定。ANN在非線性校準與光譜數據處理等方面也有應用（Blank，1993；方利民等；2008）。而在模式識別中ANN應用最為廣泛，如，Eiceman et al.（2006）利用遺傳演算法（是ANN的一種）對混合小波系數進行分類識別。

目前，自組織特徵映射（Self－organizing Feature Maps，SOFM）神經網路在高光譜影像的模式識別方面，國內外還較少有研究與應用，而結合遙感波譜維光譜分析技術的應用研究就更少。SOFM常用於遙感圖像處理方面，如，Moshou et al.（2005）利用SOFM神經網路進行數據融合，使分類誤差減小到1％；Doucette et al.（2001）根據SOFM設計的SORM演算法，從分類後的高解析度影像中提取道路；Toivanen et al.（2003）利用SOFM神經網路從多光譜影像中提取邊緣，並指出該方法可應用於大數據量影像邊緣的提取；Moshou et al.（2006）根據5137個葉片的光譜數據，利用SOFM神經網路識別小麥早期黃銹病，准確率高達99％。然而，SOFM不需要輸入模式期望值（在某些分類問題中，樣本的先驗類別是很難獲取的），其區別於BP（Back Propagation）等其他神經網路模型最重要的特點是能夠自動尋找樣本的內在規律和本質屬性，這大大地拓寬了SOFM在模式識別和分類方面的應用。

基於以上幾點，本章從光譜分析的角度對高光譜遙感影像進行分析識別和信息提取，給出了在不同光譜模型下，高光譜數據的不同分解，之後利用SOFM對具有較高光譜重疊度的這些分解進行分類識別，結合光譜分析對采樣點進行類別辨識，並通過對小麥條銹病的病情嚴重度信息提取，提出了高光譜影像波譜維光譜分析的新途徑。

② 如何正確理解神經網路在NLP領域的運用

opinion extraction system這說法很學術，我不知道中文怎麼表達。 information retrieval system指的就搜索引擎。首先，基於文本相關性來搜索，在NLP場景下，核心關鍵詞的得分容易被一些廢話稀釋。雖然可以用stopwords來解決，但句法分析提取本體的做法會精準得多。然後，更重要的是，咱們搞搜索上層應用的，除了文本相關性之外，很多時候會做一些基於特定規則的特殊處理。這一塊很大程度是基於自身的業務，所以國內LTP也好、ICTCLAS也好，並沒有給出做句法分析的通解。例如一個視頻搜索，發現query里有「new」或者「hot」，可能就要在搜索時加上時間相關的特殊規則。這些規則的制定，就是對業務的理解結合句法分析完成的。視頻搜索這例子不太好，因為設個關鍵詞也能解決，不需要用到句法分析這種牛刀。如果搜「我要訂個明天從廣州飛北京的機票」，就一定要用句法分析了。首先要判定這個是買機票業務，然後抽取出句中的時間地點，然後填入對應的業務介面當中，最後呈現給用戶。其難點在於如何抽象化和運行效率問題，還有業務和工程方面無數你想到的想不到的坑。

③ 神經網路優缺點，

優點：

（1）具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網路，網路就會通過自學習功能，慢慢學會識別類似的圖像。

自學習功能對於預測有特別重要的意義。預期未來的人工神經網路計算機將為人類提供經濟預測、市場預測、效益預測，其應用前途是很遠大的。

（2）具有聯想存儲功能。用人工神經網路的反饋網路就可以實現這種聯想。

（3）具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經網路，發揮計算機的高速運算能力，可能很快找到優化解。

缺點：

（1）最嚴重的問題是沒能力來解釋自己的推理過程和推理依據。

（2）不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網路就無法進行工作。

（3）把一切問題的特徵都變為數字，把一切推理都變為數值計算，其結果勢必是丟失信息。

（4）理論和學習演算法還有待於進一步完善和提高。

(3)神經網路在市場營銷中的應用分析擴展閱讀：

神經網路發展趨勢

人工神經網路特有的非線性適應性信息處理能力，克服了傳統人工智慧方法對於直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。

人工神經網路與其它傳統方法相結合，將推動人工智慧和信息處理技術不斷發展。近年來，人工神經網路正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳演算法、進化機制等結合，形成計算智能，成為人工智慧的一個重要方向，將在實際應用中得到發展。

將信息幾何應用於人工神經網路的研究，為人工神經網路的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網路的發展提供了良好條件。

神經網路在很多領域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、並行處理、自學習、自組織以及非線性映射等優點的神經網路與其他技術的結合以及由此而來的混合方法和混合系統，已經成為一大研究熱點。

由於其他方法也有它們各自的優點，所以將神經網路與其他方法相結合，取長補短，繼而可以獲得更好的應用效果。目前這方面工作有神經網路與模糊邏輯、專家系統、遺傳演算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。

參考資料：網路-人工神經網路

④ 神經網路的應用領域有哪些

醫學領域
通過建立神經網路使檢測儀器自動判斷腫瘤為良性還是惡性
機械領域
自動化機器人（這個很多，大多都是試驗應用，控制機器人自我學習）
自動駕駛汽車，通過安裝攝像頭，讓計算機學習人類在各種路段（轉彎，堵車，下坡，上坡）的駕駛動作（轉向，剎車，減速，加速），從而達到自動駕駛。

⑤ 人工神經網路的應用分析

人工神經網路(
artificial
neural
network，簡稱ahfn)是指由簡單計算單元組成的廣泛並行紅聯的網路，能夠模擬生物神經系統的結構和功能。組成神經網路的單個神經元的結構簡單，功能有限，但是，由大量神經元構成的網路系統可以實現強大的功能。