书：matlab辅助神经网络设计.pdfVIP

第一节 神经网络基本理论 一、人工神经网络概论 近代神经生理学和神经解剖学的研究结果表明，人脑 是由约一千多亿个神经元 （大脑皮层约140多亿，小脑皮 层约1000多亿）交织在一起的、极其复杂的网状结构，能 完成智能、思维、情绪等高级精神活动，无论是脑科学还 是智能科学的发展都促使人们对人脑 （神经网络）的模拟 展开了大量的工作，从而产生了人工神经网络这个全新的 研究领域。 人工神经网络 （ANNS）常常简称为神经网络 （NNS）， 是以计算机网络系统模拟生物神经网络的智能计算系统， 是对人脑或自然神经网络的若干基本特性的抽象和模拟。 网络上的每个结点相当于一个神经元，可以记忆 （存储）、 处理一定的信息，并与其它结点并行工作。 神经网络的研究最早要追述到40 年代心理学家 Mcculloch和数学家Pitts合作提出的兴奋与抑制型神经 元模型和Hebb提出的神经元连接强度的修改规则，其成果 1 至今仍是许多神经网络模型研究的基础。50～60年代的代 表性工作主要有Rosenblatt 的感知器模型、Widrow 的自 适应网络元件Adaline。然而在1969年Minsky和Papert 合作发表的Perceptron一书中阐述了一种消极悲观的论 点，在当时产生了极大的消极影响，加之数字计算机正处 于全盛时期并在人工智能领域取得显著成就，这导致了70 年代人工神经网络的研究处于空前的低潮阶段。80年代以 后，传统的Von Neumann数字计算机在模拟视听觉的人工 智能方面遇到了物理上不可逾越的障碍。与此同时 Rumelhart、Mcclelland和Hopfield等人在神经网络领域 取得了突破性进展，神经网络的热潮再次掀起。目前较为 流行的研究工作主要有：前馈网络模型、反馈网络模型、 自组织网络模型等方面的理论。人工神经网络是在现代神 经科学的基础上提出来的。它虽然反映了人脑功能的基本 特征，但远不是自然神经网络的逼真描写，而只是它的某 种简化抽象和模拟。 求解一个问题是向人工神网络的某些结点输入信息， 2 各结点处理后向其它结点输出，其它结点接受并处理后再 输出，直到整个神经网工作完毕，输出最后结果。如同生 物的神经网络，并非所有神经元每次都一样地工作。如视、 听、摸、想不同的事件 （输入不同），各神经元参与工作的 程度不同。当有声音时，处理声音的听觉神经元就要全力 工作，视觉、触觉神经元基本不工作，主管思维的神经元 部分参与工作；阅读时，听觉神经元基本不工作。在人工 神经网络中以加权值控制结点参与工作的程度。正权值相 当于神经元突触受到刺激而兴奋，负权值相当于受到抑制 而使神经元麻痹直到完全不工作。 如果通过一个样板问题 “教会”人工神经网络处理这 个问题，即通过 “学习”而使各结点的加权值得到肯定， 那么，这一类的问题它都可以解。好的学习算法会使它不 断积累知识，根据不同的问题自动调整一组加权值，使它 具有良好的自适应性。此外，它本来就是一部分结点参与 工作。当某结点出故障时，它就让功能相近的其它结点顶 替有故障结点参与工作，使系统不致中断。所以，它有很 3 强的容错能力。 人工神经网络通过样板的“学习和培训”，可记忆客观 事物在空间、时间方面比较复杂的关系，适合于解决各类 预测、分类、评估匹配、识别等问题。例如，将人工神经 网络上的各个结点模拟各地气象站，根据某一时刻的采样 参数 （压强、湿度、风速、温度），同时计算后将结果输出 到下一个气象站，则可模拟出未来气候参数的变化，作出 准确预报。即使有突变参数 （如风暴，寒流）也能正确计 算。所以，人工神经网络在经济分析、市场预测、金融趋 势、化工最优过程、航空航天器的飞行控制、医学、环境 保护等领域都有应用的前景。 人工神经网络的特点和优越性使它近年来引起人们的 极大关注，主要表现在三个方面： 第一，具有自学习功能。例如实现图像识别时，只需 把许多不同的图像样板和对应的应识别的结果输入人工神 经网络，网络就会通过自学习功能，慢慢学会识别类似的 图像。自学习功能对于预测有特别重要的意义。人工神经 4 网络计算机将为人类提供经