人工神经网络教材课程.pptVIP

人工神经网络 机自1004班 *** 人工神经网络定义 人工神经网络的模型 人工神经网络的特点与优越性 人工神经网络的主要研究方向 人工神经网络的应用 人工神经网络发展趋势 人工神经网络的特征之一：自学习 人工神经网络定义 人工神经网络（artificial neural network，缩写ANN），简称神经网络（neural network，缩写NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。 国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人Hecht Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。” 人工神经网络的模型 神经网络是一种运算模型，由大量的节点（或称“神经元”，或“单元”）和之间相互联接构成。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（weight），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。 人工神经网络 人工神经网络的特点与优越性 人工神经网络的特点和优越性，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，只在先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。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。 第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。 第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。 人工神经网络的主要研究方向 神经网络的研究可以分为理论研究和应用研究两大方面。 理论研究可分为以下两类： 　　1)．利用神经生理与认知科学研究人类思维以及智能机理。 　　2)．利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能， 如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。 人工神经网络的主要研究方向 应用研究可分为以下两类： 　　1)．神经网络的软件模拟和硬件实现的研究。 　　2)．神经网络在各个领域中应用的研究。这些领域主要包括： 模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。 随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。 人工神经网络的应用 神经网络的应用已经涉及到各个领域，且取得了很大的进展。 　　自动控制领域：主要有系统建模和辨识，参数整定，极点配置，内模控制，优化设计，预测控制，最优控制，滤波与预测容错控制等。 　　处理组合优化问题：成功解决了旅行商问题，另外还有最大匹配问题，装箱问题和作业调度问题。 　　模式识别：手写字符，汽车牌照，指纹和声音识别，还可用于目标的自动识别，目标跟踪，机器人传感器图像识别及地震信号的鉴别。 　　图像处理：对图像进行边缘监测，图像分割，图像压缩和图像恢复。 　　机器人控制：对机器人轨道控制，操作机器人眼手系统，用于机械手的故障诊断及排除，智能自适应移动机器人的导航，视觉系统。 　　医疗：在乳房癌细胞分析，移植次数优化，医院费用节流，医院质量改进等方面均有应用。 介绍人工神经网络的特征之一：自学习 人工神经网络如何学习？ 人工神经网络如何训练？有哪些方法？ 有哪些训练算法？ 人工神经网络的学习 人工神经网络的最主要特征之一就是它可以学习。任何一个人工神经网络模型要实现某种功能的操作，就必须对它训练，让它学会要做的事情，并把这些知识记忆（存储）在网络的加权中。 人工神经网络的学习 学习或训练的实质就是加权矩阵随外部激励（环境）做自适应的变化。 Dw/dt≠0 人工神经网络被训练后，它每加入一组输入就会产生一组要求的输出。（一组输入或输出就是所谓的向量或图形。） 训练就是相继加入输入向量，并按预定规则调整网络加权；在进行训练后，网络的各加权都收敛到一个确定值，以便每个输