人工神经网络综述.docVIP

目录

TOC\o1-6\h\z\u1人工神经网络算法的工作原理 3

2人工神经网络研究内容 4

3人工神经网络的特点 5

4典型的神经网络结构 6

4.1前馈神经网络模型 6

4.1.1自适应线性神经网络(Adaline) 6

4.1.1.1网络结构 6

4.1.1.2学习算法步骤 7

4.1.1.3优缺点 7

4.1.2单层感知器 8

4.1.2.1网络结构 8

4.1.2.2学习算法步骤 9

4.1.2.3优缺点 9

4.1.3多层感知器和BP算法 10

4.1.3.1网络结构： 10

4.1.3.2BP算法 10

4.1.3.3算法学习规则 11

4.1.3.4算法步骤 11

4.1.3.5优缺点 12

4.2反馈神经网络模型 13

4.2.1Hopfield神经网络 13

4.2.1.1网络结构 13

4.2.1.2学习算法 15

4.2.1.3Hopfield网络工作方式 15

4.2.1.4Hopfield网络运行步骤 15

4.2.1.5优缺点 16

4.2.2海明神经网络（Hamming） 16

4.2.2.1网络结构 16

4.2.2.2学习算法 17

4.2.2.3特点 18

4.2.3双向联想存储器（BAM） 19

4.2.3.1网络结构 19

4.2.3.2学习算法 19

4.2.3.4优缺点 21

5.人工神经网络发展趋势以及待解决的关键问题 22

5.1与小波分析的结合 22

5.1.1小波神经网络的应用 23

5.1.2待解决的关键技术问题 23

5.2混沌神经网络 23

5.2.1混沌神经网络的应用 24

5.2.2待解决的关键技术问题 24

5.3基于粗集理论 24

5.3.1粗集与神经网络结合的应用 25

5.3.2待解决的关键技术问题 25

5.4分形神经网络 25

5.4.1分形神经网络的应用 25

5.4.2待解决的关键技术问题 25

参考文献 26

人工神经网络综述

人工神经网络（ArtificialNeuralNetworks，ANN）系统是20世纪40年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP（BackPropagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。BP神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。

1人工神经网络算法的工作原理

人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。

神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。

树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。

人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。

人工神经网络反映了人