神經網絡 又名：ArtificialNeuralNetworks

　　人工神經網絡（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經網絡（NNs）或稱作連接模型（ConnectionModel），它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統(tǒng)的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。

　　概述

　　神經元網絡是機器學習學科中的一個重要部分，用來classification或者regression。思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。

　　邏輯性的思維是指根據邏輯規(guī)則進行推理的過程；它先將信息化成概念，并用符號表示，然后，根據符號運算按串行模式進行邏輯推理；這一過程可以寫成串行的指令，讓計算機執(zhí)行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在于以下兩點：1.信息是通過神經元上的興奮模式分布存儲在網絡上；2.信息處理是通過神經元之間同時相互作用的動態(tài)過程來完成的。

　　人工神經網絡就是模擬人思維的第二種方式。這是一個非線性動力學系統(tǒng)，其特色在于信息的分布式存儲和并行協(xié)同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統(tǒng)所能實現的行為卻是極其豐富多彩的。

　　模擬人腦思維方式的神經網絡是個很有趣的分類算法，對于復雜度比較大的分類問題提供了一個相對簡單的解決方案。

　　研究內容

　　神經網絡的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：

　　生物原型

　　從生理學、心理學、解剖學、腦科學、病理學等方面研究神經細胞、神經網絡、神經系統(tǒng)的生物原型結構及其功能機理。

　　建立模型

　　根據生物原型的研究，建立神經元、神經網絡的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。

　　算法

　　在理論模型研究的基礎上構作具體的神經網絡模型，以實現計算機模擬或準備制作硬件，包括網絡學習算法的研究。這方面的工作也稱為技術模型研究。

　　神經網絡用到的算法就是向量乘法，并且廣泛采用符號函數及其各種逼近。并行、容錯、可以硬件實現以及自我學習特性，是神經網絡的幾個基本優(yōu)點，也是神經網絡計算方法與傳統(tǒng)方法的區(qū)別所在。

　　應用

　　在網絡模型與算法研究的基礎上，利用人工神經網絡組成實際的應用系統(tǒng)，例如，完成某種信號處理或模式識別的功能、構作專家系統(tǒng)、制成機器人、復雜系統(tǒng)控制等等。

　　縱觀當代新興科學技術的發(fā)展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網絡的研究將伴隨著重重困難的克服而日新月異。

　　工作原理

　　“人腦是如何工作的？”

　　“人類能否制作模擬人腦的人工神經元？”

　　多少年以來，人們從醫(yī)學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協(xié)同學等各個角度企圖認識并解答上述問題。在尋找上述問題答案的研究過程中，逐漸形成了一個新興的多學科交叉技術領域，稱之為“神經網絡”。神經網絡的研究涉及眾多學科領域，這些領域互相結合、相互滲透并相互推動。不同領域的科學家又從各自學科的興趣與特色出發(fā)，提出不同的問題，從不同的角度進行研究。

　　人工神經網絡首先要以一定的學習準則進行學習，然后才能工作?，F以人工神經網絡對手寫“A”、“B”兩個字母的識別為例進行說明，規(guī)定當“A”輸入網絡時，應該輸出“1”，而當輸入為“B”時，輸出為“0”。

　　所以網絡學習的準則應該是：如果網絡作出錯誤的判決，則通過網絡的學習，應使得網絡減少下次犯同樣錯誤的可能性。首先，給網絡的各連接權值賦予(0，1)區(qū)間內的隨機值，將“A”所對應的圖象模式輸入給網絡，網絡將輸入模式加權求和、與門限比較、再進行非線性運算，得到網絡的輸出。在此情況下，網絡輸出為“1”和“0”的概率各為50%，也就是說是完全隨機的。這時如果輸出為“1”(結果正確)，則使連接權值增大，以便使網絡再次遇到“A”模式輸入時，仍然能作出正確的判斷。

　　普通計算機的功能取決于程序中給出的知識和能力。顯然，對于智能活動要通過總結編制程序將十分困難。

　　人工神經網絡也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(huán)境的要求。同一網絡因學習方式及內容不同可具有不同的功能。人工神經網絡是一個具有學習能力的系統(tǒng)，可以發(fā)展知識，以致超過設計者原有的知識水平。通常，它的學習訓練方式可分為兩種，一種是有監(jiān)督或稱有導師的學習，這時利用給定的樣本標準進行分類或模仿；另一種是無監(jiān)督學習或稱無為導師學習，這時，只規(guī)定學習方式或某些規(guī)則，則具體的學習內容隨系統(tǒng)所處環(huán)境（即輸入信號情況）而異，系統(tǒng)可以自動發(fā)現環(huán)境特征和規(guī)律性，具有更近似人腦的功能。

　　神經網絡就像是一個愛學習的孩子，您教她的知識她是不會忘記而且會學以致用的。我們把學習集（LearningSet）中的每個輸入加到神經網絡中，并告訴神經網絡輸出應該是什么分類。在全部學習集都運行完成之后，神經網絡就根據這些例子總結出她自己的想法，到底她是怎么歸納的就是一個黑盒了。之后我們就可以把測試集（TestingSet）中的測試例子用神經網絡來分別作測試，如果測試通過（比如80%或90%的正確率），那么神經網絡就構建成功了。我們之后就可以用這個神經網絡來判斷事務的分類了。

　　神經網絡是通過對人腦的基本單元——神經元的建模和聯(lián)接，探索模擬人腦神經系統(tǒng)功能的模型，并研制一種具有學習、聯(lián)想、記憶和模式識別等智能信息處理功能的人工系統(tǒng)。神經網絡的一個重要特性是它能夠從環(huán)境中學習，并把學習的結果分布存儲于網絡的突觸連接中。神經網絡的學習是一個過程，在其所處環(huán)境的激勵下，相繼給網絡輸入一些樣本模式，并按照一定的規(guī)則（學習算法）調整網絡各層的權值矩陣，待網絡各層權值都收斂到一定值，學習過程結束。然后我們就可以用生成的神經網絡來對真實數據做分類。

　　人工神經網絡早期的研究工作應追溯至20世紀40年代。下面以時間順序，以著名的人物或某一方面突出的研究成果為線索，簡要介紹。

　　常見的工具

　　在眾多的神經網絡工具中，NeuroSolutions[1]始終處于業(yè)界領先位置。它是一個可用于windowsXP/7高度圖形化的神經網絡開發(fā)工具。其將模塊化，基于圖標的網絡設計界面，先進的學習程序和遺傳優(yōu)化進行了結合。該款可用于研究和解決現實世界的復雜問題的神經網絡設計工具在使用上幾乎無限制。

　　研究方向

　　神經網絡的研究可以分為理論研究和應用研究兩大方面。

　　理論研究可分為以下兩類：

　　1、利用神經生理與認知科學研究人類思維以及智能機理。

　　2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優(yōu)越的神經網絡模型，深入研究網絡算法和性能，如：穩(wěn)定性、收斂性、容錯性、魯棒性等；開發(fā)新的網絡數理理論，如：神經網絡動力學、非線性神經場等。

　　應用研究可分為以下兩類：

　　1、神經網絡的軟件模擬和硬件實現的研究。

　　2、神經網絡在各個領域中應用的研究。這些領域主要包括：

　　模式識別、信號處理、知識工程、專家系統(tǒng)、優(yōu)化組合、機器人控制等。隨著神經網絡理論本身以及相關理論、相關技術的不斷發(fā)展，神經網絡的應用定將更加深入。