人工神经网络算法简介 - 数据结构与算法.docx

ialIntelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功,中间经历了一结点越多，网络越是可靠;层数越多，网络的效率越低;反馈越多，网络的学习能力越强；结点个数越多，网络的的识别为例进行说明

ialIntelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功,中间经历了一

结点越多，网络越是可靠;层数越多，网络的效率越低;反馈越多，网络的学习能力越强；结点个数越多，网络的

的识别为例进行说明,规定当“A"输入网络时，应该输出“1，”而当输入为“B，输出为“0。”所以网络学

功能函数的设计直接影响到网络的功能.常见的功能函数有：(1)简单线性函数神经元功能函数F连续取值，输

摘要

“人工神经网络"这个词汇对不少人来说并不新鲜,但是它的内涵，原理对很多人来说并不清楚.本文试图对人工神经网络及其原理

进行一个简单的介绍.

关键字

人工神经网络

IntroducetotheArtificialNeuralNetworkAlgorithmsAbstract

Inrecentyears，theword”artificialneuralnetworkisnfreshtomanypeople,whoseintensionandtheoremisnotsocleartothm

Theywillbeintroducedinthisarticle。

Keywords

Artificialneuralnetwork

一背景

人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器(Perceptron)模型.它几乎与人工智能——AI（ArtificialIntelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功,中间经历了一段长时间的萧条。直到80年代，获得了关于人工神经网络切实可行的算法，以及以VonNeumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴.

二人工神经网络

field反馈神经网络，BAM双向联想记忆神经网络，

field反馈神经网络，BAM双向联想记忆神经网络，CMAC小脑神经网络，RBF径向基函数神经网络，

当给网络轮番输入若干个手写字母“A“B后”，经过网络按以上学习方法进行若干次学习后,网络判断的正确率

ocleartothmTheywillbeintroducedinthisarticle。Keywo

用受当前脑科学，集成技术发展的限制,各种人工神经网络模型还过于简单，远远达不到模拟自然神经网络的智能

在介绍人工神经网络及其原理之前,让我们先了解一下生物的神经网络的工作原理。

从神经细胞处理刺激的角度看，每个神经细胞可以简单地看做由三部分组成：树突，轴突，细胞体。对每个神经细胞,树突可以由多个，它们是接受来自其他神经细胞的刺激的通道;细胞体只有一个，它接受刺激并进行相应的处理；轴突也只有一个，它负责输出刺激，通过神经连接传递给其他神经元。

当某个来自大脑或者感受器的刺激发生，神经细胞就通过树突—〉胞体-〉轴突->神经连接—〉其他细胞这样的迅速将刺激通过处理传到其他神经细胞。这样一条通路就是一个信息处理的通路。整个神经系统由无数的神经细胞及神经连

接组成，构成一个神奇的巨大的信号处理系统。

胞体3

胞体1

胞体2

神经连接

树突

轴突

刺激处理

刺激输出

刺激输入

但是刺激在神经系统里并非毫无规律地广播式地传播

但是刺激在神经系统里并非毫无规律地广播式地传播.通常某条通道对某类刺激传播的速度比较快，而且神经细胞每传播一次这类刺激,似乎这类刺激就在这个神经细胞里留下了痕迹，就好像很多动物会在走过的路上留下分泌物.渐渐地这类刺激在大多数情况下多会从这条通道经过，通过这条通道相同的处理后输

出.

%，也就是说是完全随机的。这时如果输出为“1"结

%，也就是说是完全随机的。这时如果输出为“1"结(果正确)，则使连接权值增大，以便使网络再次遇到“A

功能函数的设计直接影响到网络的功能.常见的功能函数有：(1)简单线性函数神经元功能函数F连续取值，输

号处理系统。胞体3胞体1胞体2神经连接树突轴突刺激处理刺激输出刺激输入聪明的科学家从生物的神经系统里

入X由连接矩阵W加权产生输出。F（X）=X（2)对称硬限幅函数F(X)=SGN（X—Θ）。此函数只有

聪明的科学家从生物的神经系统里得到启示，创造了一种新的处理信号的具有一定智能的人工神经网络。他们仿造生

物神经系统建立了这样一个信号处理的模型:

每个信息处理