人脑之所以有高等智慧能力是因为有大量的生物神经细胞构成的神经网路.doc

我們都知道，人腦之所以有高等智慧能力是因為有大量的生物神經細胞構成的神經網路。同樣地，若要讓＂類神經網路＂展現其人工智慧，我們必須將許多的人工神經元經由適當的連結以建構一個＂類神經網路＂。 ? 大體而言，類神經網路的基本架構可分為兩大類：回歸型網路（recurrent net）及前授型網路（feed-forward net）。如圖3所示為回歸型網路，由圖3可看出，回歸型網路中的人工神經元彼此相連，對每個神經元而言，它的輸出連接至所有其它神經元，而它的輸入則來自所有其它神經元的輸出。所以我們可以說，網路中的每個神經元是平行地接受所有神經元輸入，再平行地將結果輸出到網路中其它神經元上。圖中的Vi表示神經元的狀態，χi是神經元的輸入值，表示神經元的起始狀態，而χ’i則表示收斂後的輸出值。這類型的網路，最具代表性的是霍普菲爾（Hopfiled）網路。 ? 圖3　回歸型類神經網路（出自IEEE Tran. IE, 1992） ? 前授型網路則如圖4所示，由圖4可看出，前授型網路是一種階層式網路，它包括許多的＂層＂（layer），如輸入層、隱藏層、輸出層等。每一層皆由一些神經元建構而成，而同一層中的神經元彼此不相連，不同層間的神經元則彼此相連。信號的傳輸方向也是單方向的，由輸入層傳輸至輸出層。這類型網路，最具代表性的是倒傳遞網路（Back-propagation net）。 ? 圖4　前授型類神經網路（出自IEEE Tran. IE, 1992） 了解了類神經網路的基本架構後，我們將介紹類神經網路是如何運作的。 ? 類神經網路的運作過程分為二個階段： ? 1.????????? 一. 學習過程（Learning） 在學習過程中，網路依學習演算法，從範例中學習，經反覆的運算，以調整網路連結的加權值。 ? 2.????????? 二. 回想過程（Recalling） 在回想過程中，網路接受外來輸入，並依回想演算法，經反覆運算後，由輸出級神經元將結果送出。 ? 底下我們針對回歸型網路及前授型網路的運作過程，再作深一層的探討。 ? 回歸型網路的運作過程 ? 回歸型網路的學習過程，事實上是一種「記憶」過程，它從問題領域中取得需記憶的範例，並以Hebbian學習規則來調整網路中的連結加權值，以「記憶」這些範例。 ? 而回歸型網路的回想過程，事實上是一種聯想過程。當網路已記憶一些範例後，這時如果我們輸入一個「不完整的」，「有雜訊的」樣式時，我們希望它能聯想出與所記憶的那一個範例最近似或相同。 ? 前授型網路的運作過程 ? 前授型網路其學習過程事實上是一種監督式學習過程，它從問題領域中取得訓練範例及目標輸出值，然後將這些訓練範例當作網路的輸入，利用最陡坡降法（the gradient steepest descent method）反覆地調整網路的連結加權值，我們希望在學習過程中，網路的實際輸出與我們想要的目標輸出值，越接近越好。 ? 前授型網路的回想過程，事實上是一種「分類」或「預測」的過程。當我們輸入一個待推的範例後，我們希望網路可以告訴我們最可能的輸出結果。舉個例來說，假如我們有一個已經＂訓練有素＂，可以判斷股票漲跌的類神經網路，若我們將今天在股市收集到的訊息輸入至神經網路中，我們希望它能告訴我們明天股市是漲或跌。當然，如何擁有一個＂訓練有素＂的網路，是一件＂煞費心思＂的工作。 　 紹完類神經網路的基本架構及運作模式後，最後，我們將談談類神經網路的特性。一般而言，類神經網路具有下列特性： ? 1.?????????1.? 平行處理 類神經網路採用大量平行計算，經由許多不同的人工神經元來做運算處理，有別於傳統的范紐曼式（Von Neumann）電腦（即目前的數位電腦）。 ? 2.????????? 2.? 錯誤容忍度 類神經網路在運作時具有很高的錯誤容忍度，如果輸入資料混雜少許的雜訊干擾，仍然不會影響其運作的正確性。而且即使有部分人工神經元失效，整個類神經網路仍能有效運作。 ? 3.????????? 3.? 聯想記憶（Associative Memory） 在回歸型神經網路中，並沒有所謂的資料記憶區，但是網路卻可以記住＂需記住＂的訓練範例，爾後若對其輸入訊號進行運算，整個網路藉由運算過程可聯想出相對應的輸出值。此種記憶方式，我們稱為＂聯想式記憶＂，而它的聯想過程，我們稱為＂內容定址＂（Content Addressing），以別於目前數位電腦所採用的＂記憶體位址定址＂。 ? 4.????????? 4.? 解決最佳化（Optimization）問題 所謂最佳化問題，是指在一問題領域中，我們希望找到一組設計變數值，使其在滿足設計限制下，使整個設計目標達到最佳化狀態。讓我們舉個例子來說明這個概念： ? 「考慮一旅行員要到N城市作生意，試找出一條從某城市