神经网络计算机.docVIP

人工智能论文 论文名称： 　　神经网络智能计算机 小组成员: 谢磊　　 　　 　　桂江源　 　 　 齐连军　 　 一.背景 从1946年世界上第一台数字电子计算机诞生至今的短短50年时间内,计算机的发展和应用已取得了惊人的突破从单片机到巨型机,广泛应用于社会各领域。由于电子计算机在代替人脑部分劳动方面的突出性能,人们称之为“电脑”。 但是,就目前计算机所具有的功能来看,将其称之为“电脑”尚为时过早。之所以这么说,是因为现行计算机主要只能用于数值计算、文字处理、数据管理、简单控制等方面,而在一些智能信息处理方面则显得无能为力,与人脑相比,尚有极大的差距。 现行计算机的体系结构仍为当初发明它时采用的冯.诺依曼(von Neumann)型结构在这种体系结构下,计算机只能被动地根人们己编制好的程序来执行相应的数值计算或逻辑演算,没有主动学习和自适应的能力。它处理信息的方式是集中的串行的；存储器地址和其所存储的内容无关,没有联想存储功能，人脑则截然不同。虽然迄今人类对自己大脑的了解还很肤浅,但某些研究成果表明,人脑约有140亿个神经细胞,而每个神经细胞又与大约1000个神经细胞相连,每个神经细胞既是存储单元又是处理单元,人脑正是通过这庞大的神经细胞网络并行协调的整体性运作来处理各种复杂问题的。由此可见,要使计算机成为真正的“电脑”,就必须寻求一种类似于人脑结构的新的计算机体系结构。 人工神经网络正是人脑神经网络的简化模型,其基本思想是模仿人脑处理信息的方式。实际上人工神经网络是一种非线性自适应动态网络系统,它仅是一种模仿而不是仿真，人工神经网络又是一种可计算的模型。[1] 二.人工神经网络的模型人工神经网络的模型很多，可以按照不同的方法进行分类。其中，常见的两种分类方法是，按照网络连接的拓朴结构分类和按照网络内部的信息流向分类。 1 按照网络拓朴结构分类网络的拓朴结构，即神经元之间的连接方式。按此划分，可将神经网络结构分为两大类：层次型结构和互联型结构。 层次型结构的神经网络将神经元按功能和顺序的不同分为输出层、中间层（隐层）、输出层。输出层各神经元负责接收来自外界的输入信息，并传给中间各隐层神经元；隐层是神经网络的内部信息处理层，负责信息变换。根据需要可设计为一层或多层；最后一个隐层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。而互连型网络结构中，任意两个节点之间都可能存在连接路径，因此可以根据网络中节点的连接程度将互连型网络细分为三种情况：全互连型、局部互连型和稀疏连接型。 2 按照网络信息流向分类从神经网络内部信息传递方向来看，可以分为两种类型：前馈型网络和反馈(递归)型网络。单纯前馈网络的结构与分层网络结构相同前馈是因网络信息处理的方向是从输入层到各隐层再到输出层逐层进行而得名的。前馈型网络中前一层的输出是下一层的输入，信息的处理具有逐层传递进行的方向性，一般不存在反馈环路。因此这类网络很容易串联起来建立多层前馈网络。前馈网络的例子有多层感知器（ＭＬＰ）、学习矢量量化（ＬＶＱ）网络、小脑模型联接控制（ＣＭＡＣ）网络和数据处理方法（ＧＭＤＨ）网络等。 反馈型网络的结构与单层全互连结构网络相同。神经元的输出被反馈至同层或前层神经元，信号能够从正向和反向流通。因此，在反馈型网络中的所有节点都具有信息处理功能，而且每个节点既可以从外界接受输入，同时又可以向外界输出。 Hopfield网络，Elmman网络和Jordan网络是递归网络有代表性的例子。 脑信息处理 哈密尔顿能量原理被创造性地运用于神经信息处理以及能量编码的研究，同时能量方法还被运用于离子通道动力学模型的研究，目前正在对NMDA神经递质与长时程增强（LTP）两者之间能量关系的定量模型和数值模拟进行研究。我们还用随机的相变动力学理论研究大规模神经元集群的神经编码和译码的研究，以及将其研究成果用于学习与记忆的神经动力学机制的模拟。许多相关的研究成果已经陆续发表在国内外的许多著名学术期刊上。 同时还对大鼠海马中发现的θ相移现象进行模型研究。并将此模型用于脉冲时间相关的突触可塑性 (STDP) 网络中，研究了在接近于生理实际的网络环境下，相移现象对于记忆的形成和提取产生的作用。一些最新的发现也已经陆续发表在国内外的学术期刊上。 研究具有动态突触的二元单元网络和IF(Integrate-and-Fire)单元网络的动态特性以及二元单元网络的动力学稳定性问题。研究神经元的动态突触和联想记忆之间的关系以及存储记忆之间的快速转换。