IC神经网络基础论文资料.pptxVIP

会计学;4.1 概述;神经生理学和神经解剖学研究表明，人在胚胎形成过程中，神经细胞(Neurai Cell)或神经元(Neuron)从管状结构发展成为中枢神经系统。人的大脑中的神经网络是一个由(1011-1014)个神经元交织而成的网状结构，它完成诸如智能、思维和情感过程等高级精神活动。 人的大脑或神经网络的强大功能促使人们去研究如何在功能上来近似或模拟，于是就有了人工神经网络的研究。人工神经网络又称作连接主义(Connectionism)的人工智能或连接机制模型(Connectionism Model)，是对自然或生物神经网络若干基本特征的抽象和模拟。;人工神经网络是在现代生物学研究人脑组织成果的基础上提出的，通过模拟人类大脑神经网络的结构和行为，用来模拟人脑思维方式的数学模型。神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。 实质上，人工神经网络是一种计算系统，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，以满足人类对思维机器的需求。可以是算法(非实体形式)，也可以是电子线路(实体形式)。它使用大量简单相连的神经元，借着学习功能，模仿生物脑细胞神经的功能。;神经网络具有信息的分布存储、并行处理以及自学习能力等优点，所以它在信息处理、模式识别、智能控制等领域有着广阔的应用前景。 20世纪80年代以来，人工神经网络研究所取得的突破性进展。神经网络控制是将神经网络与控制理论相结合而发展起来的智能控制方法。它已成为智能控制的一个新的分支，为解决复杂的非线性、不确定、未知系统的控制问题开辟了新途径。;并行分布处理：神经网络具有高度的并行结构和并行实现能力，因而能够有较好的耐故障能力和较快的总体处理能力。这特别适于实时控制和动态控制。 非线性映射：神经网络具有固有的非线性特性，这源于其近似任意非线性映射能力。这一特性给非线性控制问题带来新的希望。 通过训练进行学习：神经网络是通过所研究系统过去的数据记录进行训练的。一个经过适当训练的神经网络具有归纳全部数据的能力。因此，神经网络能够解决那些由数学模型或描述规则难以处理的控制过程问题。;适应与集成：神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络的强适应和信息融合能力使得网络过程可以同时输入大量不同的控制信号，解决输入信息间的互补和冗余问题，并实现信息集成和融合处理。这些特性特别适于复杂、大规模和多变量系统的控制。 硬件实现：神经网络不仅能够通过软件而且可借助硬件实现并行处理。近年来，一些超大规模集成电路实现硬件已经问世，而且可从市场上购到。这使得神经网络具有快速和大规模处理能力的实现网络。;研究与发展;研究与发展;1957年，计算机专家Frank Rosenblatt开始从事感知器的研究，并制成硬件，通常被认为是最早的神经网络模型（Perceptron模型）。 它是一个连续可调的M-P神经元模型，经过训练可以对一定的模式集合进行分类识别。 1959年，两位电机工程师Bernard Widrow和Marcian Haff开发出一种叫作自适应线性单元（ADALINE）的网络模型，并在他们的论文“Adaptive Switching Circuits”中描述了该模型和它的学习算法（ Widrow- Haff算法）。该网络通过训练，可以成功用于抵消通信中的回波和噪声，也可用于天气预报，成为第一个用于实际问题的神经网络，极大地促进了人工神经网络的研究。 ;1962年，Rosenblatt出版了一本书“The Principles of Neurodynamics”，详述了他的感知器模型。该感知器具有输入层、输出层和中间层，通过实验可以模仿人的某些特性，并断言它可以学会任何它可以表示的功能。 1967年，Stephen Grossberg通过对生理学的研究，开发了一种称作雪崩网的神经网络模型，可以控制机器人手臂的运动。 在这一时期，由于感知器的某些进展和对神经网络的宣传，人们乐观地认为几乎已经找到了实现智能的关键。人们夸大了神经网络的潜力（有人甚至担心制造机器人的人类会很快受到机器人的攻击）。;1969年，Marvin Minsky和Seymour Papert合著了一本专著“Perception”，对简单神经网络的功能和局限性从数学上进行了深入的分析，指出诸如感知器这样的简单神经网络只能进行线性分类和求解一阶谓词问题，不能作非线性分类（如 “异或”问题），也不能解决高阶谓词问题。要解决这些问题，必须引入隐含单元，但要找到一个有效的学习算法并不乐观，给Rosenblatt的感知器判了“死刑”。 此时，批评的声音高涨，导致了停止对人工神经网络研究所需的大量投资。 不少研究人员把注意力转向了人工智能，导致对人工神经网络的研究陷入低潮。