卷积神经网络识别方法篇1
【关键词】图像分类深度卷积神经网络加权压缩近邻
1研究背景
手写数字识别是一个经典的模式识别问题。从0到9这10个阿拉伯数字组成。由于其类别数比较小，它在些运算量很大或者比较复杂的算法中比较容易实现。所以，在模式识别中数字识别一直都是热门的实验对象。卷积神经网络（Convolutionalneuralnetworks，Cnn），在手写体识别中有着良好的性能。卷积神经网络的神经元是局部连接，神经元之间能够共享权值。深度卷积神经网络不但可以解决浅层学习结构无法自动提取图像特征的问题，并且提高了分类的泛化能力和准确度。
2深度卷积神经网络
深度卷积神经网络是一种具有多层监督的神经网络，隐含层中的卷积层和池采样层是实现深度卷积神经网络提取特征的核心模块，并通过使用梯度下降算法最小化损失函数来进行权重参数逐层反向调节，再经过迭代训练提高分类精确度。
深度卷积神经网络的首层是输入层，之后是若干个卷积层和若干个子采样层和分类器。分类器一般采用Softmax，再由分类器去输出相应的分类结果。正常情况下，一个卷积后面都跟一个子采样层。基于卷积层里权值共享和局部连接的特性，可以简化网络的样本训练参数。运算之后，获得的结果通过激活函数输出得到特征图像，再将输出值作为子采样层的输入数据。为了实现缩放、平移和扭曲保持不变，在子采样层中将之前一层对应的特征图中相邻特征通过池化操作合并成一个特征，减少特征分辨率。这样，输入的数据就可以立即传送到第一个卷积层，反复进行特征学习。将被标记的样本输入到Softmax分类器中。
Cnn能够简化网络的样本训练参数，降低计算难度。这些良好的性能是网络在有监督方式下学会的，网络的结构主要有局部连接和权值共享两个特点：
2.1局部连接
深度卷积神经网络中，层与层之间的神经元节点是局部连接，不像Bp神经网络中的连接为全连接。深度卷积神经网络利用局部空间的相关性将相邻层的神经元节点连接相邻的上一层神经元节点。
2.2权重共享
在深度卷积神经网络中，卷积层中每一个卷积滤波器共享相同参数并重复作用，卷积输入的图像，再将卷积的结果变为输入图像的特征图。之后提取出图像的部分特征。
在得到图像的卷积特征之后，需要用最大池采样方法对卷积特征进行降维。用若干个n×n的不相交区域来划分卷积特征，降维后的卷积特征会被这些区域中最大的或平均特征来表示。降维后的特征更方便进行分类。
3实验结果
为了验证卷积神经网络的有效性，本实验中使用以最经典的mniSt和USpS库这两个识别库作为评测标准。手写数字mniSt数据库有集60000个训练样本集，和10000个测试，每个样本向量为28×28=784维表示。手写数字USpS数据库含有7291个训练样本和2007个测试样本，每个样本向量为16×16=256维。
表1给出了卷积神经网络在mniSt和USpS库上的识别结果。从表1中可知，深度卷积神经网络对mnSit库识别率能够达到97.89%，与用Bp算法得到的识别率94.26%相比，提高了两个多百分点。对USpS库识别率能够达到94.34%，与用Bp算法得到的识别率91.28%相比，也提高了三个多百分点。
因此，使用深度卷积神经网络算法训练在图像识别中获得更高识别率。因此，深度卷积神经网络在识别手写体字符时有着较好的分类效果。
4总结
本文介绍深度卷积神经网络的理论知识、算法技术和算法的结构包括局部连接、权重共享、最大池采样以及分类器Softmax。本文通过深度卷积神经网络对两组手写识别库实验来验证Cnn有着较低的出错率。
参考文献
[1]赵元庆，吴华.多尺度特征和神经网络相融合的手写体数字识别简介[J].计算机科学，2013，40（08）：316-318.
[2]王强.基于Cnn的字符识别方法研究[D].天津师范大学，2014.
[3]Krizhevskya，Sutskeveri，HintonGe.imagenetClassificationwithDeepConvolutionalneuralnetworks.advancesinneuralinformationprocessingSystems，2012，25（02），1097-1105.
[4]郝红卫，蒋蓉蓉.基于最近邻规则的神经网络训练样本选择方法[J].自动化学报，2007，33（12）：1247-1251.
作者简介
关鑫（1982-），男，黑龙江省佳木斯市人。硕士研究生学历。现为中国电子科技集团公司第五十四研究所工程师。研究方向为计算机软件工程。
卷积神经网络识别方法篇2
关键词：深度学习；机器学习；卷积神经网络
1概述
深度学习（DeepLearning）是人工智能、图像建模、模式识别、神经网络、最优化理论和信号处理等领域的交叉学科，主要构建和模拟人脑进行分析学习，它属于机器学习的新兴领域。
2大数据与深度学习
目前，光学检测、互联网、用户数据、互联网、金融公司等许多领域都出现了海量数据，采用Bp算法对于训练神经网络出现了梯度越来越稀疏、收敛到局部最小值只能用有标签的数据来训练等缺点。Hinton于2006年提出了深度学习的概念，Lecun等人提出了卷积神经网络，卷积神经网络利用空间关系减少参数数目以提高训练性能。
CpU和GpU计算能力大幅提升，为深度学习提供了硬件平台和技术手段，在海量大数据处理技术上解决了早期神经网络训练不足出现的过拟合、泛化能力差等问题。
大数据和深度学习必将互相支撑，推动科技发展。
3深度学习模型
深度学习模型实际上是一个包含多个隐藏层的神经网络，目前主要有卷积神经网络，深深度置信神经网络，循环神经网络。
1）卷积神经网络
在机器学习领域，卷积神经网络属于前馈神经网络的一种，神经元不再是全连接的模式，而是应用了局部感受区域的策略。然而传统的神经网络使用神经元间全连接的网络结构来处理图像任务，因此，出现了很多缺陷，导致模型⑹急剧增加，及其容易过拟合。
在卷积神经网络中，网络中的神经元只与前一层的部分神经元连接，利用图像数据的空间结构，邻近像素间具有更强的相关性，单个神经元仅对局部信息进行响应，相邻神经元感受区域存在重叠，因此，综合所有神经元可以得到全局信息的感知。
另外，一个卷积层中的所有神经元均由同一个卷积核对不同区域数据响应而得到，即共享同一个卷积核，使得卷积层训练参数的数量急剧减少，提高了网络的泛化能力。
一般在卷积层后面会进行降采样操作，对卷积层提取的特征进行聚合统计。降采样区域一般不存在重叠现象。降采样简化了卷积层的输出信息，进一步减少了训练参数的数量，增强了网络的泛化能力。
卷积神经网络实现了局部特征的自动提取，使得特征提取与模式分类同步进行，适用于处理高分辨率的图像数据。目前，卷积神经网络在图像分类、自然语言处理等领域得到广泛应用。
2）深度置信网络
深度置信网络是一种生成模型，网络中有若干隐藏层，同一隐藏层内的神经元没有连接，隐藏层间的神经元全连接。神经网络经过“反向运行”得到输入数据。
深度置信网络可以用做生成模型，通过前期的逐层无监督学习，神经网络可以较好的对输入数据进行描述，然后把训练好的神经网络看作深度神经网络，最后得到分类任务的深度神经网络。
深度置信网络可以用于图像识别、图像生成等领域，深度置信网络可以进行无监督或半监督的学习，利用无标记数据进行预训练，提高神经网络性能。但近几年由于卷积神经网络的飞速发展，深度置信网络已经很少被提及。
3）循环神经网络
循环神经网络是一种专门用于处理时序数据的神经网络，它与典型的前馈型神经网络最大区别在于网络中存在环形结构，隐藏层内部的神经元是互相连接的，可以存储网络的内部状态，其中包含序列输入的历史信息，实现了对时序动态行为的描述。这里的时序并非仅仅指代时间概念上的顺序，也可以理解为序列化数据间的相对位置。如语音中的发音顺序，某个英语单词的拼写顺序等。序列化输入的任务都可以用循环神经网络来处理。如语音、视频、文本等。对于序列化数据，每次处理时输入为序列中的一个元素，比如单个字符、单词、音节，期望输出为该输入在序列数据中的后续元素。循环神经网络可以处理任意长度的序列化数据。
循环神经网络可以用于机器翻译、连写字识别、语音识别等。循环神经网络和卷积网络结合，将卷积神经网络用于检测并识别图像中的物体，循环神经网络用于识别出物体的名称为输入，生成合理的语句，从而实现对图像内容的描述。
4深度学习应用
1）语音识别
语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。其应用领域主要有语音输入系统、语音控制系统和智能对话查询系统，语音识别极大地推动了人工智能的快速发展。1952年Davis等人研究了世界上第一个能识别10个英文数字发音的实验系统。大规模的语音识别研究是在20世纪70年代以后，在小词汇量、孤立词的识别方面取得了实质性的进展。2012年，微软研究院使用深度神经网络应用在语音识别上将识别错误率降低了20%，取得了突破性的进展。2015年11月17日，浪潮集团联合全球可编程芯片巨头altera，以及中国最大的智能语音技术提供商科大讯飞，共同了一套Dnn语音识别方案。
2）图像分析
图像是深度学习最早尝试的应用领域。1989年，LeCun和他的同事们就发表了卷积神经网络的工作。2012年10月，Hinton和他的两个学生用更深的Cnn在imagenet挑战上获得了第一名，使图像识别向前跃进了一大步。
自2012年以来，深度学习应用于图像识别使得准确率大大上升，避免了消耗人工特征抽取的时间，极大地提升了效率，目前逐渐成为主流的图像识别与检测方法。
卷积神经网络识别方法篇3
关键词：图像分类；深度学习；Caffe框架；卷积神经网络
中图分类号：tp18文献标识码：a文章编号：1009-3044（2016）35-0209-03
ResearchandimplementationofimageClassificationBasedonConvolutionneuralnetwork
wanGChao
（informationengineeringinstitute，eastChinaUniversityoftechnology，nanchang330013，China）
abstract：theproblemofimageclassificationhasbeenthecoreproblemincomputervision.agoodsolutionisdevelopedbyfurtherstudywhichcansolvetheproblemofextractingimagefeaturesinimageclassification.inordertolearnimagefeaturesefficiently，constructingthemachinelearningmodelwithhiddenlayeraswellastrainingalargenumberofimagedatawilleventuallypromotetheaccuracyofimageclassificationorprediction.thispaperisintendedasanin-depthCaffelearningframeworktoconstructasmallimagedata-base.theconvolutionalneuralnetworkprovidedbyCaffeframeworkwillmakeatraininganalysisofthedatasetandthenextracttheinformationoftargetimagefeatures.thesecanbeusedforthefinalpredictionofthetargetimage.Comparedwiththetraditionalimageclassificationalgorithm，theaccuracyofthepredictionwillbegreatlyimproved.
Keywords：imageclassification；deeplearning；Caffeframework；Convolutionalneuralnetwork
S着计算机与互联网技术的快速发展，我们已经进入了一个以图像构建的世界。但是面临有海量图像信息却找不到所需要的数据的困境，因而图像分类技术应运而生。通过各种机器学习算法使计算机自动将各类图像进行有效管理和分类，但是由于图像内容包含着大量复杂且难以描述的信息，图像特征提取和相识度匹配技术也存在一定的难题，要使得计算机能够像人类一样进行分类还是有很大的困难。
深度学习是近十年来人工智能领域取得的重要突破，在图像识别中的应用取得了巨大的进步，传统的机器学习模型属于神经网络模型，神经网络有大量的参数，经常会出现过拟合问题，因而对目标检测准确率上比较低。本文采用卷积神经网络框架，图像特征是从大数据中自动学习得到，而且神经网络的结构深由很多层组成，通过重复利用中间层的计算单元来减少参数，在特征汇聚阶段引入图像中目标的显著信信息，增强了图像的特征表达能力。通过在图像层次稀疏表示中引入图像显著信息，加强了图像特征的语义信息，得到图像显著特征表示，通过实验测试，效果比传统的图像分类算法预测的准确度有明显的提升。
1基于卷积神经网络的图像分类方法
1.1人工神经网络
人工神经网络（artificialneuralnetwork，ann）是描述生物神经网络运行机理和工作过程的抽象和简化了的数学物理模型，使用路径权值的有向图来表示模型中的人工神经元节点和神经元之间的连接关系，之后通过硬件或软件程序实现上述有向图的运行[1]。目前最典型的人工神经网络算法包括：目前最典型的人工神经网络有Bp网络[2]Hopfield网络[3]Boltzmann机[4]SoFm网络[5]以及aRt网络人工神经网络[6]，算法流程图如图1所示[7]。
1.2卷积神经网络框架的架构
Caffe是ConvolutionalarchitectureforFastFeatureembedding的缩写[8]，意为快速特征嵌入的卷积结构，包含最先进的深度学习算法以及一系列的参考模型，图2表示的是卷积神经网络结构图。Caffe深度学习框架主要依赖CUDa，intelmKL，openCV，glog软件以及caffe文件。本文使用的各个软件版本说明，如表1所示。
Caffe深度学习框架提供了多个经典的卷积神经网络模型，卷积神经网络是一种多层的监督学习神经网络，利用隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能，卷积神经网络模型通过采取梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练来提高网络的精度。卷积神经网络使用权值共享，这一结构类似于生物神经网络，从而使网络的复杂程度明显降低，并且权值的数量也有大幅度的减少，本文使用这些模型直接进行训练，和传统的图像分类算法对比，性能有很大的提升，框架系统训练识别基本流程如图3表示。
1.3图像分类特征提取
卷积神经网络的结构层次相比传统的浅层的神经网络来说，要复杂得多，每两层的神经元使用了局部连接的方式进行连接、神经元共享连接权重以及时间或空间上使用降采样充分利用数据本身的特征，因此决定了卷积神经网络与传统神经网络相比维度大幅度降低，从而降低计算时间的复杂度。卷积神经网络主要分为两个过程，分为卷积和采样，分别的对上层数据进行提取抽象和对数据进行降维的作用。
本文以Caffe深度学习框架中的CiFaR-10数据集的猫的网络模型为例，如图4所示，对卷积神经网络模型进行训练。CiFaR-10是一个标准图像图像训练集，由六万张图像组成，共有10类（分为飞机，小汽车，鸟，猫，鹿，狗，青蛙，马，船，卡车），每个图片都是32×32像素的RGB彩色图像。通过对数据进行提取和降维的方法来提取图像数据的特征。
2实验分析
将猫的图像训练集放在train的文件夹下，并统一修改成256×256像素大小，并对猫的图像训练集进行标记，标签为1，运行选择cpu进行训练，每进行10次迭代进行一次测试，测试间隔为10次，初始化学习率为0.001，每20次迭代显示一次信息，最大迭代次数为200次，网络训练的动量为0.9，权重衰退为0.0005，5000次进行一次当前状态的记录，记录显示如下图5所示，预测的准度在98%以上。而相比传统的图像分类算法Bp神经网络网络的收敛性慢，训练时间长的，网络的学习和记忆具有不稳定性，因而卷e神经网络框架在训练时间和预测准度上具有非常大的优势。
3结束语
本文使用Caffe深度学习框架，以CiFaR-10数据集中猫的网络模型为例，构建小型猫的数据集，提取猫的图象特征信息，最后和目标猫图像进行预测，并和传统的图像分类算法进行对比，预测的准确率有很大的提升。
参考文献：
[1]杨铮，吴陈沭，刘云浩.位置计算：无线网络定位与可定位性[m].北京：清华大学出版社，2014.
[2]丁士折.人工神经网络基础[m].哈尔滨：哈尔滨工程大学出版社，2008.
[3]mcClellandJL，RumelhartDe，pDpResearchGroup.paralleldistributedprocessing[J].explorationsinthemicrostructureofcognition，1986，2.
[4]HopfieldJJ.neuralnetworksandphysicalsystemswithemergentcollectivecomputationalabilities[J].proceedingsofthenationalacademyofsciences，1982，79（8）：2554-2558.
[5]ackleyDH，HintonGe，SejnowskitJ.alearningalgorithmforboltzmannmachines[J].Cognitivescience，1985，9（1）：147-169.
[6]Kohonenmapst.Self-organizedFormationoftopologicallyCorrectFeaturemaps[J].BiologicalCybernetics，1982，43（1）：59-69.
卷积神经网络识别方法篇4
>>基于pCa—LDa与蚁群优化Bp神经网络的人脸识别算法基于粒子群算法和神经网络的人脸识别分类器研究基于卷积神经网络的人脸识别研究基于Bp神经网络的人脸识别研究基于pCa算法的人脸识别技术研究基于改进pCa算法的人脸识别研究基于mB_LBp和pCa算法的人脸识别研究基于Bp神经网络的人脸识别算法的实现基于模糊混沌神经网络的人脸识别算法基于卷积神经网络的人脸识别基于子图分割和Bp神经网络的人脸识别方法基于empCa和RBF神经网络的人脸识别基于改进pCa与FLD算法的人脸识别基于模糊人工神经网络的人脸识别研究基于改进的LBp和pCa算法的人脸识别基于并行pCa算法的人脸识别系统的研究基于pCa和SVm的人脸识别基于pCa和FLD的人脸识别方法基于快速pCa―SVm的人脸识别研究基于主分量分析的Bp神经网络人脸图像识别算法常见问题解答当前所在位置：l.
[6]刘学胜.基于pCa和SVm算法的人脸识别[J].计算机与数字工程，2011（7）.
[7]廖海滨，陈庆虎.基于因子分析的实用人脸识别研究[J].电子与信息学报，2011（7）.
[8]蔡晓曦，陈定方.特征脸及其改进方法在人脸识别中的比较研究[J].计算机与数字工程，2007（4）.
卷积神经网络识别方法篇5
【关键词】图像识别；数学建模；分类算法；深度学习
引言
随着微电子技术及计算机技术的蓬勃发展，图像识别应运而生，图像识别是研究用计算机代替人们自动地去处理大量的物理信息，从而代替人的脑力劳动。随着计算机处理能力的不断强大，图像识别从最早的文字识别、数字识别逐渐发展到人脸识别、物体识别、场景识别、精细目标识别等，所采用的技术也从最早的模板匹配、线性分类到广泛使用的深层神经网络与支持向量机分类等方法。
1.图像识别中的数学问题建模
1.1飞行器降落图像智能识别建模
在复杂地形环境下，飞行器进行下降过程，需要采集图像并且判断是否符合降落要求。在对飞行器进行最终落地点的选择时，如果降落点复杂程度较高，采集的图像中将会产生大量的训练样本数目，图像配准过程中，极大地增加了运算量，造成最佳降落点选择的准确率降低。提出了利用图像智能识别进行最佳降落点的建模。利用伪Zemike矩能够对降落点的图像形状进行准确的描述，利用procrustes形状分析法提取最佳降落点的特征，利用Rank的融合决策法最终实现最佳降落点选择的目的。
1.2人脸面部表情图像识别的隐马尔科夫建模
人有喜怒哀乐，目前有一种利用隐马尔科夫模型的建模方法，可以实现对人脸表情中的情感进行识别。具体的是：首先，采用子窗口对人脸面部表情图像进行采样，然后利用离散余弦变换提取所需要的特征向量，通过对人脸面部图像进行隐马尔科夫建模，使用获得的特征向量作为观测向量对人脸面部图像的隐马尔科夫模型进行训练，再使用训练后的隐马尔科夫模型对JaFFe人脸图像测试集中地人脸表情图像进行情感识别。
2.典型的图像识别算法
2.1基于Gabor变换和极限学习机的贝类图像种类识别
对贝类图像进行Gabor变换，提取其图像特征，确定了图像特征维数；采用2DpCa方法，对变换后的特征进行降维，并利用极限学习机（eLm）进行贝类图像的分类识别。与Bp神经网络和支持向量机（SVm）实验对比发现，极限学习机分类器用于贝类识别不仅速度极快而且泛化性良好，算法具有较高的精度。其特点对高维图像识别精确度高，但算法的复杂度和设计一个精确的分类器都显得难以把握。因此该类图像识别算法很难普遍推广使用，识别对象必须是贝类图像。
2.2利用公开的全极化SaR数据，研究基于SaR图像的检测、极化分解和识别算法
首先根据四个线极化通道合成伪彩色图像，从而对场景进行初步认知。利用一维距离像分析全极化各通道的信噪比强度，通过对目标进行pauli分解得到目标的奇次散射分量和偶次散射分量，从而完成对海杂波、建筑物和舰船的相干分量的研究。其特点过程简单易掌握，但识别对象有限。
2.3基于SVm的离线图像目标分类算法
基于SVm的离线图像目标分类算法，先对训练集预处理，然后将处理后的图像进行梯度直方图提取最后对图像目标的分离器进行检测，但是这种图像识别算法只是有效，实用性不强。
3.深度学习在图像识别的应用
3.1Deeplearning的原理
深度学习是一种模拟人脑的思考方式，通过建立类似人脑的神经网络，实现对数据的分析，即按照人类的思维做出先关解释，形成方便人们理解的图像、文字或者声音。深度学习的重点是对模型的运用，模型中需要的参数是通过对大量数据的学习和分析中得到的。
深度学习有两种类型：有监督学习和无监督学习。学习模型根据学习框架的类型来确定。比如，卷积神经网络就是一种深度的监督学习下的机器学习模型，而深度置信网就是一种无监督学习下的机器学习模型。
3.2深度学习的典型应用
深度学习是如今计算机领域中的一个夺人眼球的技术。而在深度学习的模型中研究热度最高的是卷积神经网络，它是一种能够实现大量图像识别任务的技术。卷积神经网络的核心思想是局部感受野、权值共享以及时间或空间亚采集。通常卷及神经网络使用最后一层全连接隐层的值作为对输入样本所提出的特征，通过外部数据进行的有监督学习，从而可以保证所得的特征具有较好的对类内变化的不变性。
3.2.1基于深度学习特征的人脸识别方法。
卷积神经网络在人脸识别领域取得了较大突破，为了更加有效的解决复杂类内变化条件下的小样本人脸识别问题，使用深度学习的方法来提取特征，与基于稀疏表示的方法结合起来，实验证明了深度学习所得的人脸特征具有很好的子空间特性，而且具有可迁移性以及对类内变化的不变性。
3.2.2基于深度学习的盲文识别方法。
目前盲文识别系统存在识别率不高、图片预处理较为复杂等问题。针对这些问题，利用深度模型堆叠去噪编码器自动、全面学习样本深层次特征，避免人为手工选取特征存在的多种弊端，并用学习的特征作为神经网络的输入，更大程度地避免了传统神经网络由于随机选取初值而导致结果陷入局部极值的问题。
3.2.3基于深度学习的手绘草图识别。
目前的手绘草图识别方法存在费时费力，较依赖于手工特征提取等问题。基于深度学习的手绘草图识别方法根据手绘草图时缺失颜色、纹理信息等特点，使用大尺寸的首层卷积核获得更多的空间结构信息，利用训练浅层模型获得的模型参数来初始化深度模型对应层的模型参数，以加快收敛，减少训练时长，加入不改变特征大小的卷基层来加深网络深度等方法实现减小错误率。
4.结论
图像识别是当代人工智能的热门研究方向，其应用领域也是超乎人类想象的，相信通过技术的不断创新，图像识别技术会给人们的生活带来智能化、个性化、全面化的服务。
参考文献：
[1]穆静，陈芳，王长元.人脸面部表情图像的隐马尔科夫建模及情感识别[J].西安：西安工业大学学报，2015（09）.
[2]杨靖尧，里红杰，陶学恒.基于Gabor变换和极限学习机的贝类图像种类识别[J].大连工业大学学报，2013（04）.
[3]马晓，张番栋，封举富.基于深度学习特征的稀疏表示的人脸识别方法[J].智能系统学报，2016（11）.
卷积神经网络识别方法篇6
一、指导思想
以邓小平理论和“三个代表”重要思想为指针，牢记“两个务必”，认真贯彻党的十六大精神和各级烟草工作会议精神，继续坚持可持续发展和主精副强战略，狠抓规范管理，着力改革创新，提高网络质量，巩固辖区市场，与时俱进，真抓实干，不断推进三个文明协调发展，全力开创**烟草改革与发展的新局面。
二、工作目标
总体目标：学习新知识，树立新观念，建立新机制，实现新突破。达到：整体工作进入岳阳市系统前三名，单项工作分别有两个以上进入岳阳市系统前二名；争创省级双文明建设标兵单位，争创省级模范“职工之家”，争创**市政府目标管理红旗单位；卷烟销售计划执行率100%，积极争取政策范围内的有效货源，综合毛利率同比增长2个百分点，全年实现利润1000万元。
专卖管理：进一步巩固“户籍化”管理模式，全力推行诚信化和社区化管理模式，全面启动专卖信息化管理平台，努力提升信息系统管理，最大限度发挥信息系统的作用，高起点进行网点布局，高质量建设“两档”工作，紧扣新三年阶级性目标，狠抓规范经营，严格执行到货确认制，进一步巩固和扩大“三个四无”成果，全年实现无行政败诉、行政赔偿案件，案件处理准确率与结案率达100%。
网络建设：坚持和不断完善“城乡一体，访送分离”模式；深化“三线互控、一线监督、全员联动”管理模式；稳步推进卷烟零售统价工作；按照“电话订货、网上配货、电子结算、现代物流”的要求实现营销管理标准化、程序化和信息化，继续优化品牌结构，加大新品牌培育力度，确保经营效益稳中有升；进一步落实规范经营措施和“同网同价”工作，积极探索卷烟零售连锁经营模式，全面提升服务质量，确保送货率、访送成功率分别达到100%和辖区销量完成及名优卷烟销售比率有新增长。
企业管理：坚持以财务管理为核心，加大三项费用管理力度，努力提高费用利润率，全面贯彻落实《会计法》，进一步落实财经秩序整顿工作，促进财务规范化管理水平的不断提高；进一步加强和完善竞争机制、用工机制和分配机制，实行中层干部考核考评不合格者淘汰制，员工双向选择、优化组合、以岗定薪、以岗定人；要进一步改革分配制度，实行职工收入与工作业绩挂钩，整体工作与利益联动；进一步加强费用预算管理，变事后监督为事前控制，确保全年费用总额不突破预算；强化安全管理，努力实现安全事故发生率为0；严格层级管理，坚持目标管理责任制，确保企业管理规范、运行有序、形象良好、实力有增。
文明创建：企业管理上水平，企业形象上档次，以“三个代表”重要思想为行动指南，深入贯彻落实十六大和十六届三中全会精神，进一步加强党风廉政建设和反腐败工作，做到领导无违纪、员工无违法、决策无失误、企业无事故；争创省级双文明建设标兵单位和省级模范“职工之家”。
多元经营：在做好主业，提高主业的核心竞争力的基础上，拓宽经营渠道，巩固和扩大多种经营成果，积极引入竞争机制，按现代企业管理的要求，以创新的思维，高起点、高水平、高质量管理多元经营。
三、具体措施
（一）、增强忧患意识，保持清醒头脑，转变观念要有新突破。
事业发展的瓶颈，关键在于人的思想意识出现瓶颈。我们不少同志已经缺少创业初期那种精神风貌和昂扬斗志了，已经习惯于享受生活而不是锐意进取，面对新问题、新矛盾，往往文过饰非，视而不见。取得了一些成绩就沾沾自喜，头脑不冷静，不清醒，缺少如履薄冰之感，缺少继续奋进的精神，缺少艰苦奋斗的精神，缺少危机意识和忧患意识，有的满足于既得利益，小富即安，小进即满，创新动力不足；有的思想保守，患得患失，畏首畏尾，创新魄力不足；有的观念陈旧，思路狭隘，办法不多，创新能力不足，这种精神状况与时代精神已不相适应。我们要始终坚持发展才是硬道理，做到坚定、清醒、有作为。要努力从国际国内大背景和行业改革发展的历史进程中，分析我们所处的环境和形势，总揽全局，把握主流。坚持以发展为主题，正确处理改革、发展、稳定三者的关系，不断自加压力，抓住一切机遇加快发展。
改革与发展是企业永恒的主题。发展始终是我们各项工作的第一要务，发展中的问题要靠加快发展来解决，发展中的难题要靠深化改革来化解。改革与发展必须与时俱进，不进则退，小进、慢进也是退。当前**烟草的改革与发展正处于不进则退的关键时期，冲破瓶颈、实现现代化企业目标还有关键的几步，气可鼓不可泄！我们要找准政治思想工作新的结合点，务必保持谦虚谨慎、不骄不躁的作风；务必保持艰苦奋斗、求真务实、真抓实干的作风；务必保持昂扬向上、奋发有为的精神状态。以高度的政治责任感和历史使命感，满怀信心地迎接挑战，全力以赴加快改革与发展**烟草的步伐。（二）、完善销售网络，健全管理体系，市场控制要有新突破。
营销工作基本思路是：要努力寻找企业新的经济增长点，深化改革，不断加强价格管理和品牌整合；开拓创新，大力拓展市场，做实辖区；与时俱进，加速推进网络建设现代化和零售终端网建设；坚持向管理要效益，要通过优化卷烟经营品牌结构增效益，要进一步增强烟草市场控制能力和品牌运作能力，全面提升营销网络的核心竞争力。
1、稳扎稳打，逐步推进统一卷烟零售指导价工作
统一卷烟零售指导价工作是规范市场秩序，保护零售户利益，稳定批发价格的重要措施，我们要本着“为客户服务、靠客户参与、让客户满意”的理念，通过与零售户签定联网经营卷烟协议，运用行政的、经济的、感情的手段，将卷烟零售户纳入到网络管理范畴，使零售户变为烟草企业的延伸网点，积极组织客户进行自律，变烟草行业统零为全社会统零，从而达到专卖专营权、经营主动权、指挥决策权的高度集中统一，实现由政策性垄断过渡到经营性垄断，由硬性管理转变到柔性管理的网建管理新模式。我们要立足实际，稳打稳扎，以利益均衡和供求规律为依据对卷烟价格进行统一规划，要减少调价频率，调整调价时间，保证零售户能获得稳定的、较为可观的收益，使客户自觉按价销售，形成一种守法经营氛围，达到牢牢控制卷烟市场价格，进一步理顺卷烟流通秩序，真正构建起公司与零售户“双赢”平台和维护行业价格的严肃性、权威性的目的。在确保企业效益和客户利益的情况下，充分发挥价格对市场的有效调节、拉动作用。
2、进一步优化经营品牌的结构
2005年，我们成功地对五类烟进行了品牌置换。以“咀芙蓉”、“黄盖芙蓉”置换“咀相思鸟”工作相当成功，“咀相思鸟”退出后，“咀芙蓉”、“黄盖芙蓉”销量直线上升，最高月销量达到4179.25件，得到了市局、常德卷烟厂的肯定和好评。今年，我们要加大这方面工作的力度，把效益源牢牢留在自己的市场上。对于市场需求量大，货源紧的品牌，要积极寻找同档次的其他品牌来替代，特别是5元/包和1元/包的档次上的品牌，要努力寻找货源，满足烟民的消费。同时要进一步加大力度培育好新产品，主动出击，积极组织新品牌的上市和推介工作，既要在宣传上产生轰动效应，又要对市场消费情况进行仔细调研，尽可能的培养新的适应中、低消费者的卷烟品牌。积极争取各方面的支持，全力推介有效益、有市场、有潜力的品牌，引导烟民消费，彻底改观**市场卷烟消费过于单一和对某一品牌依赖程度过高的状况，增强市场的稳定度，增强企业整体竞争力和抗风险能力。
3、稳步推行卷烟零售连锁经营模式
连锁商业的兴盛，是一个国家和地区现代化的重要标志，现代连锁经营模式将成为今后国家的主流经营业态。美国电脑业的一世枭雄——微软总裁比尔·盖茨被从“世界首富”的宝座上拽了下来，取而代之的不是其它新经济的带头人，而是美国传统零售业大王——沃尔玛公司。它再次证明连锁经营具有强大的生命力，它将以不可阻挡的势头改造传统的商业形态。专家们估计，在今后的一段时间内，连锁经营必将成为中国商业发展的新的增长点。烟草作为一种特殊的商品，国外卷烟连锁经营发展已相当成熟，国内已有部分企业通过连锁经营在烟草零售业取得较快的发展，因而，争夺零售环节的控制权也是我们应对国外烟草公司挑战与竞争的重要手段。如果我们能够尽快建立起在我们控制之下的卷烟零售网络，从批发环节和零售环节双管齐下、两面出击，就有可能掌握对卷烟市场的绝对控制权，从而在未来的卷烟市场竞争中赢得最后胜利。所以我们要从零售环节寻找新的经济增长点，使企业的发展空间在新的层次上得到进一步拓展。
经过这几年的网建工作，我们已经积累了较丰富的网络建设与管理经验，培养了一大批网络经营的人才，培育了一大批忠诚的消费者，积累了厚实的物质基础和市场基础，现在推进卷烟零售连锁网络建设，可以达到事半功倍的效果。推行卷烟连锁经营，还对完善网络建设具有十分重要的意义。第一，我们可以根据连锁经营店反馈的市场信息，及时补充各类货源，扩大主渠道销售。这样不仅抵制了“假私非超”烟流入市场，规范了卷烟经营秩序，提高了市场占有率和净化率，还有利于掌握销售的主动权，提高对卷烟市场的控制力。第二，实行卷烟连锁经营能够减少不必要的中间环节，使消费者获得更多的利益，增加其忠诚度，有利于控制市场，获得更大的利润。第三，实行卷烟连锁经营还有利于卷烟零售价的统一，对做大、做精、做强品牌起到十分重要的作用。第四，实行卷烟连锁经营有利于进一步整合、优化、提升网络建设，有利于将企业的卷烟品牌、诚信服务、完美形象展示给消费者，为向现代化商业、集约化经营的卷烟销售网络目标靠近创造了条件。版权所有
我们要积极稳妥推进卷烟零售连锁网络建设。可以分步骤实施：第一，按连锁经营“六统一”即统一形象及店面识别、统一访销配送流程、统一日常运营、统一服务规范、统一广告宣传、统一零售价格的要求，在城区以自建、直营方式，开设卷烟零售连锁商店。第二，选择守法规范的、经营信誉较好的、有一定规模的、有一定经营能力的社会零售店作为特许加盟店，逐步扩大数量，并最终形成网络。第三，对卷烟零售连锁商店进行整合，最终形成有相当规模的、覆盖城乡的卷烟零售连锁网络。
在发展卷烟零售网络的过程中，还要注意几个问题，第一要积极稳妥，分步推进，防止急于求成，贪大求洋；第二要加强监督，严格财经纪律；第三，实行科学管理，建立现代企业制度；第四，要转变观念，尊重经济规律，防止不切实际地追求高回报、高效益的倾向。在卷烟零售网络有一定基础的前提下，我们还要放开眼界，敢于跳出“两包烟”的限制，依靠企业雄厚的经济实力和遍布城乡的网点优势，进一步深入流通领域，逐步介入其他商品的零售业务，努力培育商业品牌，为企业的发展开辟新的道路。
4、以客户满意为目标，客户关系管理要有新突破。
在新形势下，我们的一切工作都要以满足客户需求为出发点，建立起客户满意的工作体系，做到服务流程化、标准化和一致化，达到提高客户对企业的依附力、满意度和忠诚度的目的。我们的客户关系管理工作要重点突出“四个转变”即：从普遍转向个性化服务，从基本服务转向差异化服务，从单向服务转向互动服务，从服务转向精细服务。要通过对客户信息资源的整合，实现资源共享，为客户提供更快速、周到的优质服务，吸引和保持更多的客户；要通过对业务流程的重新设计，更加有效地管理客户关系，降低企业成本；要建立起包括客户的基本资料、信用等级、经营情况、市场研究和消费者研究等方面资料的客户档案。要通过培训提高员工对实施客户关系管理的认识，要树立以客户为中心的服务思想，认真制定以客户为中心的卷烟销售网络建设策略，尽可能的让每个员工参与进来并积极与客户交流、获取需求信息，努力成为客户的拥护者。同时，我们要建立自己的客户价值金字塔，要对不同价值的不同客户进行差异化服务；要以供货快捷、准确，交易流程简便、高效，沟通渠道及时、顺畅，服务高质量、高标准来提高客户满意度，提高网络运行质量和效率；要倡导机关为基层服务、经营为顾客服务、专卖为合法经营户服务的新理念，努力创新客户关系管理，创造临烟服务品牌。
（三）、一手抓规范，一手抓创新，市场监管要有新突破。
今年是落实新一轮专卖管理三年目标的关键一年。专卖管理新的三年阶段性目标是：把握行政管理法制化、国际化、信息化的时代特征和发展趋势，结合专卖专营的特性，转变观念，与时俱进，不断创新，进一步提高专卖管理网络运行效率，提高市场净化率，提升烟草专卖执法形象。今年专卖管理工作的基本思路是：把依法行政作为专卖管理的根本要求，把净化市场作为专卖管理的第一要务，把执法形象贯彻专卖管理工作始终，一手抓规范引导，一手抓打击整治，着力营造市场环境，力争在夯实专卖基础、推进专卖管理诚信化、社区化进程、树立执法形象等三个方面取得突破性进展。
1、加大五个力度，突出“四高”，全面夯实专卖管理基础。
在继承和发扬过来好的作法的基础上，我们今年要创新和发展管理方式，加大五个力度，突出抓好“四高”，全面夯实专卖管理基础。加大五个力度就是一要加大宣传力度，确保宣传到位，做到家喻户晓；二要加大市场监控力度，确保市场净化；三要加大情报建设力度，确保专卖执法打击准确、有力、有效；四要加大查处力度，查案要严厉，处罚要到位；五要加大案件移送力度，确保追“刑”到位。突出抓好“四高”就是首先要高起点抓好卷烟零售户的合理布局，按照上级有关精神严格控制办证数量和经营户的分布，不符合合理布局要求的一律不办；其次是高标准规范卷烟营销市场，既要规范企业内部的经营行为，又要规范卷烟市场秩序，切实保护好守法经营者的利益；同时要按规范的要求高质量建设“两档”工作，一个是要建立好客户户籍化档案（包括电子档案和文件档案），另一个是要建立好卷烟违法案件处理的有效文本档案；另外，要高频率使用专卖信息平台，要推行专卖管理工作“数字化”。要严格执行到货确认制，进一步规范经营行为，为实现专卖管理新三年目标打下坚实的基础。
2、全力推进专卖管理诚信化、社区化进程。
寓管理于诚信服务是创新专卖管理工作的重头戏。今年，我们将在户籍化管理的基础上，全力推行社区化客户诚信等级记分管理，建立诚信等级管理网络系统，基本实现零售户档案管理和诚信等级分类管理信息化，将网络户视同于职工进行管理，做到有奖有罚，奖罚分明。一是进一步强化户籍化管理方式，建立更清晰的户籍档案，并将入网户的基本情况卡，零售许可证发放申请表，违法违规情况、变更登记及其它动态情况进入基础档案，继续抓好悬证、挂牌工作，协助入网经营户搞好卷烟商品的陈列和明码标价；二是专卖管理由单一行政管理型向诚信服务型转变。为卷烟零售户提供全方位的宣传服务、咨询服务、联络服务和指导，我们的执法人员要达到“七员”的要求，即业务员、调研员、宣传员、促销员、管理员、策划员、信息员，要大力弘扬以客户为中心的理念，深入推行亲和管理，把零售户看作是我们的同盟军，把我们与零售户的关系建成“鱼水”关系。
3、规范执法行为，转变执法方式，树立执法新形象。
专卖管理是一种行政执法行为，必须依法行政。对外行使职权时，要严格区分行政行为和经济行为，严格按程序执法，要注意化解社会矛盾，不得乱扣乱罚，专卖管理方式要适应政治文明和政府职能转变的趋势，增强服务意识，我们的执法人员要配备锤子、钉子和抹布，在进行执法检查时主动为零售户挂零售许可证、擦拭柜台，并帮助老弱病残、下岗特困职工解决困难，以真诚的行动打动零售户，与零售户的关系要由对立转为交流、沟通，逐步向柔性化、数据化管理转变。同时还要以推行文明执法为切入点，开展执法形象大讨论，加强专卖队伍建设和素质教育，提高执法形象。要顺应国内市场国际化的管理形势，培养出一支高素质、高专业知识水平的执法队伍。
（四）、以信息带动管理现代化，管理水平要有新突破。
强化企业内部管理的基本思路是：建立并逐步完善企业信息化技术和管理标准体系，进一步夯实现在软硬件基础平台；建立以财务管理为核心的企业现代化管理费制度；依托信息技术，加强企业科学化管理、规范化管理、现代化管理，建立更为良好的内部经济运行秩序，真正做到企业管理水平有新的突破。
1、进一步加强信息化建设，打造“数字临烟”。
信息的收集、传递和利用是企业发展的动力。今年，我们要提升卷烟销售业务系统、专卖管理信息系统两大应用软件的整体应用水平，在提升信息建设，实现信息共享工作方面加快步伐。一方面，要大力增强全员的信息化意识，切实提升干部职工信息化运用水平，做到能用、会用、善用。另一方面，我们要充分利用两大系统全面、及时地收集各个网点（零售户）、各个品牌的进、销、存情况、“四员”了解市场的情况以及客户对我们的意见等情况，并加以系统的分析、研究、提出建议，及时发现和利用有价值的信息，为领导的决策提供准确的依据，通过建立灵活、科学、高效的信息系统为我们的网络注入新活力，承担起主导市场的作用。同时，要在已实现电话订货的基础上，加快探索“电子结算、网上配货”工作的步伐，要通过采用货源倾斜等多种办法，鼓励零售户接受电子结算方式。另外，我们还要在办公自动化，建立人才资源数据库等方面下功夫，充分利用现有的硬件设施，引进自动化办公软件，实行阅文阅稿、通知等日常工作网络化，建设有临烟特色的现代化办公网络，全力打造“数字临烟”。
2、进一步规范财务管理工作，努力提高会计信息质量。
要以强烈的危机感推动以财务管理为核心的企业管理现代化建设。一是要加强成本费用管理，倡导节支增效。要分项目分月度对费用进行分解，列出计划，公布每月费用计划执行情况，继续推行“4+1”费用减控模式，进一步加强费用预算管理，改事后监督为事前计划控制，同时要加大节支增效的宣传力度，形成崇尚节俭、反对浪费的浓厚氛围；要把费用管理与目标管理考评相结合，依据考评结果实行全员联动，努力实现费用总额不突破预算的目标。二是要着力提高会计信息质量，通过对财务会计报告和量、本、利报表的分析研究，发现经营活动中存在的问题，及时挖掘出经验，保证企业经济活动健康有序地发展。三是要提高资金使用效率，加强存量资金的分析管理，及时监督资金的使用情况，规避资金运作中的各种风险。四是要严格执行“六不准”。即：一切原始单据凡不符合财经制度的一律不准报销；非正规发票或白纸条收据一律不准报销；金额不符、项目清单不清的一律不准报销；原始凭证无经办人（部门）签字、财务科审核、领导人审批程序的不准报销；房屋建筑等基础设施建设资金未经公开招标或议标的一律不准付款；超过5000元以上开支未经领导班子集体研究的不准报销；未按经审程序和非“一支笔”审批的不准报销。在执行中要不怕得罪人、不搞下不为例，确保不支付一笔糊涂账。
3、进一步强化目标管理，全面实现管理目标化、程序化。
为了确保工作顺利开展和目标如期实现，我们要将全年的工作目标任务分解到科室、到岗位、到人，要严格推行目标任务层层负责制，严格按程序办事，各科室要认真履行职责，一级抓一级，一级管好一级，一级向一级负责，要在严格执行月考评考核工作的同时，加强对中心工作的督查管理，要定期与不定期对工作开展进度、效果进行跟踪检查，发现问题及时整改，切忌流于形式、走过场，要强化责任、明确职责、确保实效。
4、进一步落实安全责任制，确保各项工作安全运行。
安全稳定无小事。要坚持“安全第一，预防为主”、“谁主管，谁负责”的安全管理原则，在全员中牢固树立“求安全、保稳定、促发展”的思想。要继续把强化警示教育、提高全员认识、提升全员素质摆到十分突出的位置，经常抓、抓经常、反复抓、抓反复，确保安全工作在企业各个环节的有效落实。继续推行安全风险抵押和安全承包责任制，层层签订安全承包责任状，责任到岗到人，上下齐抓共管；继续设立安全奖，逐月考核，年终兑现，调动全员参与企业安全管理的积极性，不断加强干部职工的安全自觉性。要坚持“四查四结合”，即：领导带班查与保卫人员查相结合，保卫人员白天查与晚上查相结合，经常查与重点查相结合，普遍查与专项查相结合。要贯彻落实“门卫日查，保卫科周查，领导小组月查”的连环检查方式，保证督促检查到位。今年，我们还要整改一切不符合安全要求的电器线路、防盗、防火设施，制订出更科学、更严格的管理办法，确保企业安全运行。
（五）、进一步强化精神文明建设，队伍建设要有新突破。
精神文明建设的基本思路是：紧紧围绕以经济建设为中心，进一步深化临烟精神；进一步树立人才资源观，制订更有效的鼓励自学成才的办法和措施，提高企业全员的知识结构；进一步深化干部人事制度改革，推动用工、分配制度改革；进一步推进党风廉政建设，为实现**烟草新一轮的加速发展提供精神动力和思想、组织保障。
1、进一步深化临烟精神内涵。结合“三个代表”、十六大精神、十六届三中全会精神的学习，以弘扬和深化临烟精神为主线，组织开展一次“提升形象，规范发展”的主题教育和“我与企业与时俱进”的演讲活动，进一步激励广大干部职工与时俱进、真抓实干，为企业发展建功立业的激情，深化临烟形象建设，开展以“形象展示”为主题的宣传活动，树立良好的企业形象、领导形象、员工形象、执法形象、营销形象。要牢固树立市场意识、竞争意识、抢抓机遇意识，以奋发有为的精神状态积极应对各种挑战。要全力抓好创建省级双文明建设标兵单位和省级模范“职工之家”工作，不断提高精神文明建设水平。要用制度规范人，用纪律约束人，用理论教育人，用真情感化人，用榜样示范人，用业绩鼓舞人。要使精神文明建设工作行于岗前，贯穿于岗中，延伸于岗下。要认真学书记在西柏坡考察时的重要讲话，深刻认识新形势下弘扬艰苦奋斗精神的重大意义，按照“四个牢记”要求，增强艰苦奋斗意识，大力弘扬艰苦奋斗精神，在企业形成浓厚的艰苦奋斗氛围。要继续开展以“四讲四比四看”、“首问负责制，主办负责制”、“挂牌上岗，亮证执法”等为主要内容的精神文明创建活动，培养和树立先进典型，以点带面，发挥模范作用，充分展示烟草职工的精神风貌，弘扬正气。要继续组织干部职工开展争创“最佳八员”、争创“红旗车组”等业务竞赛活动。要定期不定期对活动开展情况进行抽查、分析和评估，提炼具有特色的企业精神和企业文化，培养员工奋发进取、积极向上、团结互助和忠诚企业的良好的精神品质，增强员工的凝聚力、向心力和忠诚度。
2、加强队伍建设，深化干部人事用工分配制度改革。企业改革与发展的瓶颈是人才,潜力和动力也在于人才。我们要努力消除和打破现行体制和机制的障碍，以优化职工队伍的整体素质为目标，积极实施新世纪发展人才工程，打造与入世相适应的人才队伍。一方面，要树立人才资源观，努力营造有利于人才建设的机制和环境，切实加强员工队伍的培训。劳资管理要从调配管理调整到人才建设上来；要大力优化人员结构，用市场经济的手段引进人才和管理人才；要制订出一系列更有效的办法和措施来鼓励员工自学成才，要积极组织员工参加各级各类的培训学习，把建设学习型企业作为一项重要工作来抓，做到有计划、有步骤地培养阶梯型、复合型人才和智囊型人才。要更新用人观念，精兵强将到一线，通过“腾位子”、“搭梯子”、“压担子”等办法，为优秀的年轻干部脱颖而出创造条件，要把年纪轻、文化水平高、思想作风好，具有一定的组织、协调能力的中层干部、大学生和有发展潜力的职工，纳入干部人才后备库，加以培养和锻炼，为形成良好的干部结构梯次打下基础。另一方面，要按照工作需要科学地定员定岗，以岗定薪，全面推行双向选择、竞争上岗，拉开分配档次，逐步降低固定收入的比例，提高联销计酬的比重。对经过1-2次择岗还不能上岗的，局领导不安排、不协调，实行待岗学习培训后再择岗；对连续两年在本级双目标管理考核得分最低的科室负责人进行降级使用。要科学制定分配制度，报酬分配要向一线倾斜，真正体现效率优先、兼顾公平的原则。要进一步细化员工考核标准，着力健全企业激励机制，按照“以人为本、重在提高、客观公正、以儆效尤”的原则，当奖则奖，该罚则罚，坚决兑现，毫不含糊，对考核不合格，经培训教育后仍无起色的，要当机立断，采取解聘、下岗、待岗等措施，真正形成“干部能上能下、职工能进能出、上岗靠竞争、收入比贡献”的用人、上岗和分配激励机制，彻底解决人浮于事、效率低下的问题，切实增强员工紧迫感、危机感和忧患意识。
3、抓好源头，综合治理，扎扎实实推进党风廉政建设和反腐败工作。我们要严格实行民主集中制，推行企务公开，做到公开、公平、公正，进一步强化经济评审制度，进一步细化党风廉政责任制的内容和责任追究的规定。继续实行党风廉政建设风险抵押，层层签订责任状，单列党风廉政建设奖，在目标管理考核中，实行党风廉政建设“一票否决制”，要继续抓好廉洁自律，严肃查处违反政治纪律、组织工作纪律、经济工作纪律的行为，要结合整顿和规范市场经济秩序，利用现代化手段，切实有效地从源头上预防和治理腐败，要围绕中心工作，认真开展各项纪律、规章的监督检查和效能监察，要筑牢思想道德防线，提高干部职工廉洁自律的自觉性，增强拒腐防变的能力。
（六）、规范管理，稳健经营，主精副强要有新突破。
多元化经营的基本思路是：坚持主精副强的发展战略，以发展为主题，以经济效益为中心，以优化、提升为主线，进一步加强宏观管理，规范稳键经营，集中力量做精做强优势项目，努力提高资产运作效率和投资收益。我们要在实践中积极探索一条符合**烟草实际的多元化发展路子。一是要正确定位多元化经营战略。要始终把多元化经营摆在**烟草持续、稳键发展的战略地位上去认识、去定位、去实施，要坚持“主精副强”协调发展的战略思路，多元经营要与主业同步发展，相互促进。我们对多元经营要不断调整、不断深化，紧紧依托主业的核心竞争力，充分利用资金、资源、环境优势，勇于开拓、艰苦创业、大胆探索、逐步规范，要形成产业资本、商贸资本、金融资本的有机结合，为**烟草多元经营的长足、健康发展奠定基础。二是要坚持市场经济规律，建立起适应市场经济要求的现代企业管理制度，不断提高多元经营的核心竞争力。三是要坚持边发展边规范，走出一条正确的多元化经营发展之路。烟草行业的多元经营没有一套固定完善的标准模式可供遵循；多元经营是“馅饼”还是“陷井”，这一问题人们一直纷争不休。多元经营搞好了，就能形成企业一条新的资金链、财富流，为主业开辟新的投资渠道，拓展业务领域，寻求新的经济增长点；搞不好，就会让资金呆滞甚至冻结，形成可怕的“冰块”。在这充满机遇和风险面前，我们要咬定发展不放松，坚定不移地走多元发展之路，不断解放思想，大胆探索实践，在坚持发展的同时，狠抓规范，以规范促发展，以发展求规范。从有利于发展的角度出发，从多元经营的内在需要出发，加强宏观调控，加强对已投项目的运作管理、协调和财务监督，边发展边规范，在发展中规范，在规范中发展，既要有动力，又要有约束，从而确保**烟草多元化经营稳步发展。
卷积神经网络识别方法篇7
【关键词】深度学习机器学习卷积神经网络反向传播算法玻尔兹曼机
1前言
深度学习（DeepLearning）[1]是建立在计算机神经网络理论和机器学习理论上的系统科学，它使用建立在复杂的机器结构上的多处理层，结合非线性转换方法算法，对高层复杂数据模型进行抽象。
如今深度学习的研究成果已成功应用于语音识别、模式识别、目标识别、自然语言编程、人机对弈、人工智能[2]、智慧城市等领域。1997年iBm公司研发的人机对弈系统“深蓝”（DeepBlue）击败国际象棋世界冠军卡斯帕罗夫（GarryKasparov）[3]，从此深度学习和人工智能开始进入人们的视野。2011年，该公司的“华生”（watson）超级电脑在综艺节目“危险边缘”（Jeopardy）中战胜最高奖金得主和连胜纪录保持者，再一次引发社会对机器智能的关注。2016年，在被认为是计算机无法胜任的中国围棋的游戏中，Google“Deepmind”公司研发的“alphaGo”成功击败世界著名围棋选手李世石，在领域内引起了轩然大波。可见深度学习科学离人类社会并不遥远。
2深度学习的基础和实现
在深度学习科学诞生和发展的60年历程中，不断有更加先进的学习模式和算法被使用。后文的业界调研综述中所介绍的3种学习方法和神经网络如今已经被广泛使用或演化，这些研究成果都有着划时代的意义，对深度学习发展产生了深远的影响。
2.1深度学习的思想基础-误差逆传播算法（Bp算法）
Bp神经网络（如图1）是1986年Rumelhart和mcClelland[4]等人提出的，是一种按误差逆传播算法训练的多层前馈神经网络，它存储大量映射模式关系，无需揭示其映射方程。Bp算法的核心思想是采用最速下降法（梯度下降法），通过反向传播调试网络的权值和阈值，使得其误差平方和最小。
通过数学推导，得出误差逆传播算法的主要特点是：连接权重与学习模式误差成比例变化。
Bp网络所提供的Bp算法，有着一定的非线性映射能力、多层前馈网的泛化能力和样本容错能力。但是由于其学习速率是固定的，网络的收敛速度很慢，对于复杂问题难以高效解决。其次，Bp算法可以使权值收敛到某个值，但是不能保证其为误差平面的最小值，因为梯度下降方法所求的是局部最小值。同时，隐含层和单元选择没有固定的要求，因此会产生一定的冗余。
2.2图像处理领域的里程碑-卷积神经网络
20世纪60年代，Hubel和wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现网络结构可以降低反馈神经网络的复杂性，进而提出了卷积神经网络的概念。由于其避免了对图像的前期预处理，可以直接输入原始图像，Cnn已经成为神经网络的标志性代表之一。
Cnn的基本结构[5]有多种解释，本文的介绍包括两层：其一为特征提取层，神经元的输入层与前一层的局部连接域相连从而提取特征，提取完毕之后每个特征也会相互确立稳定的关系。其二是特征映射层，计算层由特征映射层组成，每个特征映射是一个平面，平面上所有神经元共享权值。共享权值的思想也是Cnn的独特之处。这种双层特征提取结构有效提高了特征的分辨率。
Cnn的首个实现是日本科学家K.Fukushima于1980年提出的“新识别机”，之后alexander和taylor提出的“改进认知机”避免了耗时的误差反向传播，进一步提升了Cnn的实用价值。
2.3深度神经网络的实现基础-玻尔兹曼机和受限玻尔兹曼机
如图2，玻尔兹曼机[6]是Hinton和Sejnowski提出的随机递归神经网络，也可以看做是随机的Hopfield网络，因样本分布遵循玻尔兹曼分布而命名为Bm。
如图3，RBm是一个双向概率图模型，只有可见层节点与隐层节点之间有连接权，可见层节点与可见层节点与隐层节点之间没有连接权。
可见RBm的结构比Bm的网络拓扑结构更简单，因为各层内部神经元之间没有连接，很大程度上提高了网络训练与学习的效率。RBm结构相比Bm显得简单，因此在构造深度置信网络（DBn）时都是先构造出RBm，再将某些RBm堆栈起来得到DBn。
3发展趋势和挑战
3.1数据的表示和模型的选择还有进步空间
毋庸置疑，数据是机器学习的基本要素，也是神经输入网进行反馈的源头。数据的表示和建模对深度学习的性能有着很大的影响。目前关于数据表示，有局部表示、分布表示和稀疏分布表示。那么是否有新的表示思路来更新数据模型，如加入不同的稀疏惩罚对RBm和ea训练进行改进。在能量函数方面，如果不增加隐藏单元的数量，只利用非参数形式的能量函数，是否能扩充RBm的容量。这些都是需要进一步研究的问题。
在学习模型上，除了Cnn、DBn和ea等成型的网络之外，是否还存在其他的训练学习模型。为了挖掘DBn的优势，结合其结构特点，可以提出新颖的学习模型。比如参考基因网络、人体免疫网络、社会人际网络等等。
3.2特征提取方法是算法设计的核心
高斯伯努利模型是特征模型的范例，除此之外是否还有其他成功的模型可以用来提取数据特征。未来的特征算法研究将主要集中在自适应的特征提取和自动编码机制等方面。在提取特征的逻辑层方面，除了树结构和图结构，还有哪些泛化结构可以高效抓取特征进行分析和传递。尽管当前普遍的预训练和判别微调方法对许多语言识别上都有不错的效果，但在某些语言识别中却不尽如人意。特征提取算法仍然需要进一步地改进和提升，以应对大数据的冲击，排除信息安全方面的隐患。
3.3学习可控性是安全性的前提
学习可控性是机器学习需要关注的一个问题，即到底赋予机器多少权限和思维能力。在C器学习的研究阶段，研究者始终在寻求一种赋予机器思维的能力，而基本上并不关心这些思维训练之间的互相作用。在阿西莫夫的著名科幻小说《我，机器人》（“i，Robot”）[7]中，阿西莫夫定义了机器人必须遵守的三大法则，由于机器的逻辑思维能力有限，接受的数据信息也有限，难以根据不同的情况做出更加人性化的决策。在小说和电影的结尾，机器人的学习能力超越了人类的预料，其陷入了一个“为了保护人类而伤害人类”的思维黑洞。这个结局很好地体现了机器学习的最大隐患―“学习失控”。虽然如今的机器学习水平无法达到这样的程度，但是这样的设想也不是没有道理和科学依据的。在机器学习科学研究的初期，研究者必须考虑这样的因素，摒弃互相冲突和矛盾的思维模型，并且始终控制机器的学习延展力。
4结束语
本文系统介绍了深度学习（DeepLearning）领域的相关信息。结合计算机神经网络和机器学习的相关概念，得出了“深度学习是建立在深度结构神经网络上的复杂思维模式机器学习”的认识。
本文着重介绍了深度学习的3种重要的方法：Bp算法、卷积神经网络、玻尔兹曼机和受限玻尔兹曼机，之后又对深度学习的发展趋势和挑战进行了说明。为了方便读者阅读本文，笔者附上深度学习的发展历程图（如图4），仅供参考。
参考文献
[1]S.Haykin.神经网络与机器学习[m].申富饶，徐烨，郑俊等，译.第三版.北京：机械工业出版社，2011.
[2]m.negnevitsky.人工智能：智能系统指南[m].第三版.北京：机械工业出版社，2011.
[3]吴军.浪潮之巅（上）[m].第二版.北京：人民邮电出版社，2014：15-38.
[4]e.Rumelhart，L.mcClelland.paralleldistributedprocessing[m].BradfordBook，1987.
[5]Y.LeCun.Lenet-5，convolutionalneuralnetworks[m].Retrieved，2013.
[6]ackley，DavidHandHinton，GeoffreyandSejnowski，terrenceJ.alearningalgorithmforBoltzmannmachines，Cognitivescience（eisevier）9（01）：140-170.
[7]阿西莫夫.我，机器人（第二版）[m].北京：科学普及出版社，1983.
作者简介
骞宇澄（1996-），男，陕西省西安市人。成都市双流区四川大学软件工程专业，本科生。研究方向为机器学习。
刘昭策（1996-），男，山西省运城市人。成都市双流区四川大学软件工程专业，本科生。
卷积神经网络识别方法篇8
【关键词】因特网；行为，成瘾；精神卫生；干预性研究；学生
【中图分类号】R179R395.6R163【文献标识码】a【文章编号】1000-9817(2007)07-0641-02
网络成瘾是指由于过度使用互联网而对成瘾者造成身心损害的一种现象［1］。网络成瘾被多数学者认为是一种危害不亚于酗酒和的心理障碍［2］。大学生是网络成瘾的高发人群。本研究在问卷调查的基础上，以在校学生为对象，了解网络成瘾学生的心理特点，探索适合的健康教育模式，为防治大学生网络成瘾提供参考。
1对象与方法
1.1对象随机抽取松原职业学院2005年在校2246名学生进行问卷调查。根据得分，筛选出165名网络成瘾者；通过访谈，以自愿为原则，选取148名同学校、同年级、同性别未成瘾的学生为对照组。平均年龄（20.84±1.98）岁。
1.2方法
1.2.1网络成瘾判断根据Young设计的网络成瘾量表［3］进行问卷调查，量表含有10个条目，采用“是否”评分制（1=是，0=否）。计算总分，最后得分在5分以上（包括5分）为网络成瘾。分数越高，说明成瘾程度越严重。
1.2.2心理测试工具以SCL-90自评量表［4］按要求进行测试，采取5级评分制，计算总分、总均分和各因子均分。均分越高，说明症状越明显。
自编心理状况问卷，该问卷参照SCL-90量表编制而成。主要从自我评价、自控能力、学习责任心、人际交往、社会活动、健康上网等方面，按“一点也不符合”到“完全符合”分别记1～5分，分数越高，说明状况越好。
1.2.3心理干预学期开学第3周至期末考试前1周对网络成瘾的学生进行心理咨询和心理治疗，每周六进行1次，单周进行咨询，双周进行治疗。
心理咨询采用2种方式，一种是团体咨询，由教育学和心理学教师讲授心理健康等方面的知识，讲座后留下讨论和个别交谈时间；另一种为面对面交谈，由师生或学生之间进行心灵对话，包括弄清问题，表达感受，确立目标，达到目标的意见，以及决定问题解决方案。
心理治疗以Young［5］提出的认知疗法和行为疗法的理论为基础。对网络成瘾的学生通过团体和个人的方式进行3个阶段的治疗。第1阶段为认知治疗：(1)认知重建。让其认识成瘾危害，端正上网动机，改变对网络的态度。(2)提示卡片。帮助网络成瘾学生列出沉迷于互联网的害处，并制成卡片随身携带，以便时刻提醒自己。(3)辩论法。自我辩论或与他人辩论，在网瘾发作时，让内心的道德感、责任感与罪恶感、失败感斗争。时间为1个月。第2阶段为行为治疗：(1)强化法。通过奖励或惩罚训练行为。(2)行为契约法。师生商定行为契约，成瘾者签订契约并遵守，教师或学生担任契约的监督者。(3)自我管理法。行为者以一种行为控制另一种行为出现，主要是通过规范生活法、计划时间表法、自我监督法来激发戒瘾的戒网动机及自我效能感的积极合作。(4)松弛疗法。采用肌肉放松、想象放松、深呼吸放松以稳定情绪，时间为1个半月。第3阶段为辅助治疗：社会支持法。帮助成瘾者找到心理相容的支持群体，使其获得社会支持。
1.2.4统计分析问卷经过整理，过录后录入计算机，用SpSS10.0统计软件对数据进行统计分析。
2结果
2.1职业院校网络成瘾与未成瘾学生心理状况比较网络成瘾学生心理健康状况总分及各因子得分都高于未成瘾学生，差异均有统计学意义。见表1。
2.2网络成瘾学生干预后与未成瘾学生心理状况比较网络成瘾学生经过心理健康干预后，总分、总均分、各因子分均明显降低，除强迫因子外，其余差异均有统计学意义。见表2。
2.3网络成瘾学生干预前后心理状况各因子得分比较网络成瘾学生健康干预后，总分、各因子均分均有提高，人际交往、社会活动、健康上网干预前后差异均有统计学意义。见表3。
3讨论
调查结果显示，职业院校网络成瘾学生与未成瘾学生在心理健康方面存在差异。网络成瘾学生主要表现出高焦虑和抑郁等情绪问题，往往存在人际关系敏感，有明显的敌对倾向。成瘾者的这些心理障碍使他们与人进行面对面交流时很容易受到挫折和失败。由于与周围人相处不融洽，在现实生活中遇到矛盾或压力时，不善于向别人倾诉自己遇到的问题，很少得到家人、同学、教师和朋友的关照和帮助，因此就转而求助于宽松、匿名、互动、开放的网络。在网上可以轻松、随意地与他人交谈，建立自己的网络人际关系，这种宽松、互动、开放的网络成为网络成瘾者建立网上人际关系，逃避现实，发泄自己消极情绪的场所。
干预后网络成瘾学生心理健康水平有所提高，网络成瘾学生SCL-90总分、总均分、各因子分在原来的水平上有所下降，说明健康心理干预是有效的。团体心理咨询和心理治疗是将有共同特征与需要的学生组织在一起，采取导而非“堵”的中肯态度向学生讲授心理卫生保健知识，教给学生心理调适技能，帮助学生解除心理困扰，消除心理障碍，培养积极向上的健康心理。此外，干预可以帮助学生改善人际关系，学习新的态度与行为方式。在咨询过程中，给予交往技巧方面的指导，让其体验到成功的现实人际交往，从而帮助他们重建自信。在心理治疗中，利用社会支持法帮助网络成瘾学生找到能接纳他们、积极向上的小群体或兴趣一致的活动小组。在团体中，成员关心他们，理解他们，帮助他们，并带领他们参加各种社会活动，为他们戒断网络成瘾营造一个舒适、安全的人际环境，让他们感受到现实生活中人际温暖,满足他们人际交往和情感沟通的心理需求，从而改变不良的网络生活习惯，学会正确利用网络，促进个人发展。
4参考文献
［1］龚银清，杨容.中学生网络成瘾的心理治疗方法与技术.中国学校卫生，2005，26(5)：408-409.
［2］林琴，徐勇.网络成瘾的研究进展.中国学校卫生，2005，26（3）：254.
［3］金伯利•S•杨，著.毛英明，毛巧明，译.网虫综合征：网瘾的症状与康复策略.上海：上海译文出版社，2000：121-125.
［4］张明园.精神科评定量表手册.长沙：湖南科学技术出版社，1998：17-42.
卷积神经网络识别方法篇9
关键词：深度学习；金融风险管理；卷积神经网络；深度置信网络；堆栈自编码网络
一、引言
金融市场上的主体都面临着收益和损失的不确定性，金融产品和工具的多样化趋势，都体现着风险管理的重要性。全球市场在过去的几十年间发生了数次规模巨大的金融危机事件，例如影响全球股市的1987年的黑色星期一事件、1997年的亚洲金融危机、2008年的美国次贷危机以及全球金融危机。各家公司也都面临着各种风险。无处不在的风险日益成为悬在金融市场主体上的一把“达摩克利斯之剑”。与此同时，计算机技术发展迅速，数据信息的多样性以及数据分析技术的应用，给具有大数据特征的金融风险管理分析带来了机遇和挑战，人工智能开始逐步应用于金融风险管理领域，引导着行业的变革。而在演进的发展过程中，深度学习是解决人工智能应用能够发展的关键。金融市场是一个嘈杂的、具有非参数特点的动态系统，对金融数据进行分析与预测是一项极具挑战性的工作。但是，传统的计量方程模型或者是带有参数的模型已经不具备对复杂、高维度、带有噪音的金融市场数据序列进行分析建模的能力，而且传统的人工神经网络方法也无法准确分析建模如此复杂序列的数据，同时传统的机器学习的方法又十分依赖建模者的主观设计，很容易导致模型风险。这些方法在应用过程中存在着过拟合、收敛慢等问题。而深度学习方法为金融数据分析提供了一个新的思路。近年来，深度学习被广泛应用到人工智能任务中（如alphaGo），并在图像处理、人脸识别、语音识别、文本处理等方面取得一系列成果。因此，随着金融数据复杂程度的提高，带来了对其分析需求的提升，因而深度学习的应用已经成为了金融风险管理领域的研究前沿，也必将在金融风险管理领域产生颠覆性的变革。
二、深度学习在金融风险管理领域主要应用研究
深度学习是通过人工神经网络发展而衍生的，包含复杂多层次的学习结构，其建立是基于模仿人类大脑的学习机制。深度学习模型通过对每一数据特征的学习，继而将新的特征输入到下一层中，在这个过程中新的特征是通过对学习到的数据特征进行特定的特征变换得到的，提升了模型的预测效果。堆栈自动编码器和深度置信网络模型是由自动编码器和受限玻尔兹曼机串联而组成的（najafabadietal.，2015），在针对大量数据时，这类结构具备对其进行无监督学习（HintonandSalakhutdinov，2006）；在运用深度置信网络时，其算法主要包括马尔科夫链蒙特卡罗算法、Gibbs采样算法、受限玻尔兹曼机评估算法、重构误差、退火式重要性抽样等。卷积神经网络最早被用于图像识别领域，使其技术上在特征提取技术方面迈了一大步，应用原理为通过应用卷积核于局部特征提取得到新的模糊图像。在深度学习模型中，存在传统反向传播算法和梯度下降法计算成本较高的问题，为了进一步更好地应用深度学习模型，解决这些问题，Hintonetal.（2006）提出了贪心逐层算法，大大地减少了训练学习过程所需的时间。Raikoetal.（2012）发展了一种非线性变换方法，极大地提升了学习算法的速度，从而有利于寻找泛化性更好的分类器。Collobert（2011）发展了一种快速并且可以扩展的判别算法，使其用于自然语言解析，仅仅使用很少的基本文本特征便能得到性能，并且与现有的性能相差不大，而且大大提高了速度。学习率自适应方法如自适应梯度方法（Duchietal.，2011），可以提升深度结构中训练的收敛性并且除去超参数中存在的学习率参数；LeRouxetal.（2008，2011）提出了在学习场景中能提升训练过程速度的算法。这一系列算法改进，极大地改善了模型的预测效果，为深度学习在金融领域的发展奠定了基础。
（一）深度卷积神经网络在金融风险管理中的应用。
在金融风险管理领域，深度卷积神经网络主要应用于预测及评估风险。不同于传统方法，深度学习模型不需要对收益率的分布进行假设和方差的估算。李卓（2017）提出了深度学习VaR测算方法，基于损失序列本身构建深度学习模型，研究发现此方法相较于aRCH族模型下的VaR计算更为精确。基于此，韩正一（2016）拓宽了银行风险监测和管理的方法和思路，应用最新的人工智能技术，即深度神经网络方法，于信贷风险监测领域，优化模型的训练方法，经过测试发现效果显著。Sirignano（2016）以深度神经网络为基本结构，基于真实事件的发生概率建立了深度学习模型，通过模拟价格的深层信息的D维数据空间局部特征生成一个低维的价格空间，从而对价格进行预测。该模型不仅能够应用与分析样本外时间的最优卖出价格和最优买入价格的联合分布，也能够对限价指令簿的其他行为进行建模分析，适用于对任一D维空间数据进行分析建模。他进一步指出，因为深度神经网络可以较好地提取限价指令簿的深层信息，故在应用于风险管理中，能较好地处理尾部风险，其研究具有特别的意义。
（二）深度置信网络在金融风险管理中的应用。
深度置信网络在金融风险管理中的应用主要是对风险进行度量和预警。为了解决有监督学习问题，使受限波尔兹曼机能够较大程度地提取数据的行为特征，卢慕超（2017）提出了基于分类分区受限波尔兹曼机的深度置信网络，利用单户企业财务数据，建立了财务危机预警模型，相较于其他方法预测更为准确。丁卫星（2015）基于深度置信网络模型，训练生成了一个五层的深度学习交易欺诈侦测系统，经过对数据的一系列处理，检验了模型的交易欺诈识别效果。
（三）堆栈自编码网络在金融风险管理中的应用。
杨杰群（2015）认为深度学习是处理股指期货的有效方法，将深度学习网络用于股指期货的预测中进行研究，基于自动编码器等算法建立深度学习网络模型，并进行对比分析，最终根据交易抉择设计了用于交易的网络预测系统。另外，对金融产品与工具的有效管理，能够有效地避免一些金融市场上的非系统性风险。FehrerandFeuerriegel（2015）基于递归自动编码器预测模型，利用2004年1月至2011年6月期间的股票数据，测试对已披露财务信息的反应。他们重点研究了特殊的新闻文本信息和异常收益率之间的相关关系，基于此模型对其进行预测。还有部分文献中，重点研究分析财务文本与风险信息的相关关系，对其进行风险预测。从银行、国家、欧洲三个层面，基于银行破产事件、政府干预行为等来研究分析文本信息中隐藏的银行危机信息，基于深度神经网络结构来挖掘其中的关系。
三、深度学习在金融风险管理领域中的应用贡献及挑战
（一）深度学习在金融风险管理领域中的应用贡献。
传统方法在应用于具有复杂数据特征的金融风险管理领域容易出现以下问题：第一，传统建模方法往往难以挖掘复杂的数据特征，传统方法无法准确地反映金融市场特征，容易忽略很多外因，如政策变化、经济发展水平、行为人预期及心理变化等与市场相关的因素，这些因素增加了发现金融风险隐藏的经济理论逻辑的困难（尚玉皇和郑挺国，2016）；第二，传统模型由于过度依靠研究者的主观设计，包含了主观因素，导致设计具有不完整性的特征。另外，传统的线性方法需要强烈的“线性”假设，而传统的机器学习方法无法较好地处理噪音信号。这些问题制约了对金融市场中数据的准确预测与分析。通过梳理已有相关国内外研究文献，在金融风险管理领域中，深度学习的贡献主要分为两个方面：一是深度学习具备强大的挖掘学习能力，能够更为准确地挖掘隐藏于数据深层的规律，更适用于具备规模大、维度高以及流数据的数据特征的金融市场，深度学习的应用不但推动了该领域中的预测方法的改进，还优化了适用于深度网络、解决无效训练问题的算法，带来了传统实证应用研究方法的进步；二是深度学习在金融风险管理领域数据分析方法的成果也推动了相关经济理论的发展与完善。
（二）深度学习在金融风险管理领域中的应用挑战。
金融科技的不断发展给金融风险管理领域带来了机遇，同时深度学习在金融风险管理领域也面临着诸多挑战。第一，深度学习的应用面临着程序出错的风险，如果发生，那么基于此的数据分析就容易得到有误的结论。在金融风险管理过程中，基于对大量数据分析的结果，进而对风险进行预测和评估分析。如果程序发生了错误，研究者就无法做出正确的风险管理决策，进而遭受损失；第二，深度学习模型的正确运用需要研究者对深度学习模型具备深刻的理解，并且能够结合在金融风险管理领域的专业理论知识。由于模型的构建与优化较为复杂，研究者对金融市场及风险管理理论的准确认识极为重要，不了解相关理论知识，而单纯应用深度学习无法发挥模型的作用；第三，深度学习模型的发展及推广应用使得许多金融传统业务的运作模式发生了改变，使金融监管面临着新的挑战。现有的金融监管体系下难以界定由于金融科技故障进而导致的风险事件责任。这些都使得深度学习模型的应用存在一些问题。
四、在金融风险管理领域中合理运用深度学习的对策建议
在金融风险管理领域正确地运用深度学习模型有利于提升金融数据的处理速度、极大减少人力成本，进而推动金融风险管理过程的改进。同时，其应用也会存在着挑战。为此，探讨如何合理运用深度学习模型的问题具有深刻的意义。首先，需要正确认识金融系统中的深度学习运用，完善模型程序设计的原则及流程，尽量降低程序出现错误的概率；其次，完善深度学习的应用体系，制定相关的维护技术措施、人力措施，引进及培养相应领域的人才，加快转型；最后，完善深度学习在金融风险管理领域应用的监督措施，确保出现由于人工智能应用导致的重大问题或隐患时，具备相应的准则来界定风险处置责任。深度学习模型的应用在相关领域的完善也必将推动金融风险管理领域的快速发展。
主要参考文献：
［1］于孝建，彭永喻.人工智能在金融风险管理领域的应用及挑战［J］.南方金融，2017（9）.
［2］苏治，卢曼，李德轩.深度学习的金融实证应用：动态、贡献与展望［J］.金融研究，2017（5）.
［3］于振，丁冰冰，刘永健.深度学习在农村金融行业风险管理中的应用研究［J］.科技资讯，2017.15（15）.
［4］刘建伟，刘媛，罗雄麟.深度学习研究进展［J］.计算机应用研究，2014.31（7）.
［5］卢慕超.基于深度置信网络的商业银行信用风险预测实证研究［D］.太原理工大学，2017.
［6］李卓.基于深度学习的VaR测算研究［D］.兰州财经大学，2017.
［7］韩正一.基于深度神经网络的银行信贷风险监测模型研究及实验［D］.郑州大学，2016.
卷积神经网络识别方法篇10
关键词：人工智能机器学习机器人情感获得发展综述
中图分类号：tp18文献标识码：a文章编号：1003-9082（2017）04-0234-01
引言
人类自从工业革命结束之后，就已然开始了对人工智能的探索，究其本质，实际上就是对人的思维进行模仿，以此代替人类工作。人工智能的探索最早可以追溯到图灵时期，那时图灵就希望未来的智能系统能够像人一样思考。在20世纪五十年代，人工智能被首次确定为一个新兴的学科，并吸引了大批的学者投入到该领域的研究当中。经过长时间的探索和尝试，人工智能的许多重要基本理论已经形成，如模式识别、特征表示与推理、机器学习的相关理论和算法等等。进入二十一世纪以来，随着深度学习与卷积神经网络的发展，人工智能再一次成为研究热点。人工智能技术与基因过程、纳米科学并列为二十一世纪的三大尖端技术，并且人工智能涉及的学科多，社会应用广泛，对其原理和本质的理解也更为复杂。一、人工智能的发展历程
回顾人工智能的产生与发展过程，可以将其分为：初期形成阶段，综合发展阶段和高潮应用阶段。
1.初期形成阶段
人工智能这一思想最早的提出是基于对人脑神经元模型的抽象。其早期工作被认为是由美国的神经学家和控制论学者warrenmcCulloch与walterpitts共同完成的。在1951年，两名普林斯顿大学的研究生制造出了第一台人工神经元计算机。而其真正作为一个新的概念被提出是在1956年举行的达茅斯会议上。由麦卡锡提议并正式采用了“人工智能”（artificialintelligence）砻枋稣庖谎芯咳绾斡没器来模拟人类智能的新兴学科。1969年的国际人工智能联合会议标志着人工智能得到了国际的认可。至此，人工智能这一概念初步形成，也逐渐吸引了从事数学、生物、计算机、神经科学等相关学科的学者参与该领域的研究。
2.综合发展阶段
1.77年，费根鲍姆在第五届国际人工智能联合会议上正式提出了“知识工程”这一概念。而后其对应的专家系统得到发展，许多智能系统纷纷被推出，并应用到了人类生活的方方面面。20世纪80年代以来，专家系统逐步向多技术、多方法的综合集成与多学科、多领域的综合应用型发展。大型专家系统开发采用了多种人工智能语言、多种知识表示方法、多种推理机制和多种控制策略相结合的方式，并开始运用各种专家系统外壳、专家系统开发工具和专家系统开发环境等等。在专家系统的发展过程中，人工智能得到了较为系统和全面的综合发展，并能够在一些具体的任务中接近甚至超过人类专家的水平。
3.高潮应用阶段
进入二十一世纪以后，由于深度人工神经网络的提出，并在图像分类与识别的任务上远远超过了传统的方法，人工智能掀起了前所未有的高潮。2006年，由加拿大多伦多大学的GeofferyHinton及其学生在《Science》杂志上发表文章，其中首次提到了深度学习这一思想，实现对数据的分级表达，降低了经典神经网络的训练难度。并随后提出了如深度卷积神经网络（Convolutionalneuralnetwork，Cnn），以及区域卷积神经网络（Region-basedConvolutionalneuralnetwork，R-Cnn），等等新的网络训练结构，使得训练和测试的效率得到大幅提升，识别准确率也显著提高。
二、人工智能核心技术
人工智能由于其涉及的领域较多，内容复杂，因此在不同的应用场景涉及到许多核心技术，这其中如专家系统、机器学习、模式识别、人工神经网络等是最重要也是发展较为完善的几个核心技术。
1.专家系统
专家系统是一类具有专门知识和经验的计算机智能程序系统，通过对人类专家的问题求解能力建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。对专家系统的研究，是人工智能中开展得较为全面、系统且已经取得广泛应用的技术。许多成熟而先进的专家系统已经被应用在如医疗诊断、地质勘测、文化教育等方面。
2.机器学习
机器学习是一个让计算机在非精确编程下进行活动的科学，也就是机器自己获取知识。起初，机器学习被大量应用在图像识别等学习任务中，后来，机器学习不再限于识别字符、图像中的某个目标，而是将其应用到机器人、基因数据的分析甚至是金融市场的预测中。在机器学习的发展过程中，先后诞生了如凸优化、核方法、支持向量机、Boosting算法等等一系列经典的机器学习方法和理论。机器学习也是人工智能研究中最为重要的核心方向。
3.模式识别
模式识别是研究如何使机器具有感知能力，主要研究图像和语音等的识别。其经典算法包括如k-means，主成分分析（pCa），贝叶斯分类器等等。在日常生活各方面以及军事上都有广大的用途。近年来迅速发展起来应用模糊数学模式、人工神经网络模式的方法逐渐取代传统的基于统计学习的识别方法。图形识别方面例如识别各种印刷体和某些手写体文字，识别指纹、癌细胞等技术已经进入实际应用。语音识别主要研究各种语音信号的分类，和自然语言理解等等。模式识别技术是人工智能的一大应用领域，其非常热门的如人脸识别、手势识别等等对人们的生活有着十分直接的影响。
4.人工神经网络
人工神经网络是在研究人脑的结构中得到启发，试图用大量的处理单元模仿人脑神经系统工程结构和工作机理。而近年来发展的深度卷积神经网络（Convolutionalneuralnetworks，Cnns）具有更复杂的网络结构，与经典的机器学习算法相比在大数据的训练下有着更强的特征学习和表达能力。含有多个隐含层的神经网络能够对输入原始数据有更抽象喝更本质的表述，从而有利于解决特征可视化以及分类问题。另外，通过实现“逐层初始化”这一方法，实现对输入数据的分级表达，可以有效降低神经网络的训练难度。目前的神经网络在图像识别任务中取得了十分明显的进展，基于Cnn的图像识别技术也一直是学术界与工业界一致追捧的热点。
三、机器人情感获得
1.智能C器人现状
目前智能机器人的研究还主要基于智能控制技术，通过预先定义好的机器人行动规则，编程实现复杂的自动控制，完成机器人的移动过程。而人类进行动作、行为的学习主要是通过模仿及与环境的交互。从这个意义上说，目前智能机器人还不具有类脑的多模态感知及基于感知信息的类脑自主决策能力。在运动机制方面，目前几乎所有的智能机器人都不具备类人的外周神经系统，其灵活性和自适应性与人类运动系统还具有较大差距。
2.机器人情感获得的可能性
人脑是在与外界永不停息的交互中，在高度发达的神经系统的处理下获得情感。智能机器人在不断的机器学习和大数据处理中，中枢处理系统不断地自我更新、升级，便具备了获得情感的可能性及几率。不断地更新、升级的过程类似于生物的进化历程，也就是说，智能机器人有充分的可能性获得与人类同等丰富的情感世界。
3.机器人获得情感的利弊
机器人获得情感在理论可行的情况下，伴之而来的利弊则众说纷纭。一方面，拥有丰富情感世界的机器人可以带来更多人性化的服务，人机合作也可进行地更加深入，可以为人类带来更为逼真的体验和享受。人类或可与智能机器人携手共创一个和谐世界。但是另一方面，在机器人获得情感时，机器人是否能彻底贯彻人类命令及协议的担忧也迎面而来。
4.规避机器人情感获得的风险
规避智能机器人获得情感的风险应预备强制措施。首先要设计完备的智能机器人情感协议，将威胁泯灭于未然。其次，应控制智能机器人的能源获得，以限制其自主活动的能力，杜绝其建立独立体系的可能。最后，要掌控核心武器，必要时强行停止运行、回收、甚至销毁智能机器人。
三、总结
本文梳理了人工智能的发展历程与核心技术，可以毋庸置疑地说，人工智能具有极其广阔的应用前景，但也伴随着极大的风险。回顾其发展历程，我们有理由充分相信，在未来人工智能的技术会不断完善，难题会被攻克。作为世界上最热门的领域之一，在合理有效规避其风险的同时，获得情感的智能机器人会造福人类，并极大地帮助人们的社会生活。
参考文献
[1]韩晔彤.人工智能技术发展及应用研究综述[J].电子制作，2016，（12）：95.
[2]曾毅，刘成林，谭铁牛.类脑智能研究的回顾与展望[J].计算机学报，2016，（01）：212-222.
[3]张越.人工智能综述：让机器像人类一样思考