第11章 人工神经网络以及在模式识别中的应用.pdfVIP

人工神经网络定义 人工神经网络（Artificial Neural Network ，即ANN ），是20世 纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角 度对人脑神经元网络进行抽象，建立某种简单模型，按不同的 连接方式组成不同的网络。在工程与学术界也常直接简称为神 经网络或类神经网络。神经网络是一种运算模型，由大量的节 点（或称神经元）之间相互联接构成。每个节点代表一种特定 的输出函数，称为激励函数（activation function ）。每两个节点 间的连接都代表一个对于通过该连接信号的加权值，称之为权 重，这相当于人工神经网络的记忆。网络的输出则依网络的连 接方式，权重值和激励函数的不同而不同。而网络自身通常都 是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策 略的表达。 11.1.1 人类大脑的优势  人脑是由极大量的的 “生物神经元”经过复杂的相互连接而成的一 种非线性并行信息处理系统。  尽管单个生物神经元的反应速度比构成计算机的基本单元——逻辑 门——慢五六个数量级，但人脑中神经元数目巨大且连接复杂，因此对 有些问题的处理速度比计算机还快。  人类大脑具有智能，即具有感知、学习、理解、联想、决策等能力。 感知：获取外界信息，是智能的基础； 学习：取得经验与积累知识，是人类不断发展的基本能力； 理解：分析与解决问题，是智能的高级形式； 11.1.2 人工神经网络研究的必要性  计算机尽管有很高的计算速度与超大的存储容量，但它却缺乏感知、 识别、联想、决策和适应环境等人脑具备的能力。  计算机能否象人脑那样工作 ？人工神经网络做了一个有益的尝试。  人工神经网络是对人类大脑功能的一种模拟；  这种模拟粗略而简单，无论是在规模上还是功能上都与人脑差 得太远，但这并不妨碍它在一些实际工程应用领域显示出威力。 11.1.3 人工神经网络目前存在的问题  当前人工神经网络存在的主要问题： （1）局部极小问题； （2 ）模型选择问题； （3 ）计算速度和准确度问题；  当前人工神经网络的研究任务： （1）希望在理论上寻找新突破，建立新的专用/通用网络和算法； （2 ）开发现有网络应用，并在应用中根据实际运行情况对网络加以 改造，以提高网络的训练速度和运行的准确度。 （3 ）进一步对生物神经系统进行研究，不断地丰富对人脑的认识。 11.2.1 生物神经元的构成  胞体：是神经细胞的本体，用于普通细胞的生存；  树突：含有大量分支，用于接受其它神经元的信号；  轴突：长度相差较大，末端与树突进行信号传递。 传递界面叫突触  突触：神经元联结的特殊部位，用于控制下一神经元的兴奋。 11.2.2 生物神经元的工作机制 神经元A 神经元B 神经元A 神经元B （抑制状态） （兴奋状态）  一个神经元有“兴奋”和“抑制”两种状态；  平时处于“抑制”状态的神经元，其树突和胞体接收其它神经元 传来的兴奋电位；  如果输入兴奋总量超过某个阈值，神经元就会被激发进入兴奋状 态，并发出输出脉冲；  神经元之间的联接强度取决于 “兴奋”程度的强弱； 11.3.1 人工神经元的基本概念 人工神经元: 是构成人工神经网络的最基本单元,是对生物神经元的模 拟，它具备生物神经元的部分特征。他不是人脑神经系统 的真实描写，而只是它的某种抽象、简化和模拟。 正如生物神经 元有许多激励