人工神經網路（ Artificial Neural Networks， 簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連線模型（Connectionist Model） ，是對人腦或自然神經網路（Natural Neural Network）若干基本特性的抽象和模擬。人工神經網路以對大腦的生理研究成果為基礎 的，其目的在於模擬大腦的某些機理與機制，實現某個方面的功能。
基本介紹
- 中文名：人工神經網路
- 外文名：Artificial Neural Networks
- 別稱：神經網路
- 簡稱：ANNs
神經網路,特點方向,
神經網路
人工神經網路（ Artificial Neural Networks， 簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連線模型（Connectionist Model） ，是對人腦或自然神經網路（Natural Neural Network）若干基本特性的抽象和模擬。人工神經網路以對大腦的生理研究成果為基礎 的，其目的在於模擬大腦的某些機理與機制，實現某個方面的功能。國際著名的神經網路研究專家，第一家神經計算機公司的創立者 與領導人Hecht—Nielsen給人工神經網路下的定義就是：“人工神經網路是由人工建立的以有向圖為拓撲結構的動態系統，它通過對連 續或斷續的輸入作狀態相應而進行信息處理。” 這一定義是恰當的。 人工神經網路的研究，可以追溯到 1957年Rosenblatt提出的感知器(Perceptron)模型 。它幾乎與人工智慧——AI（Artificial Intelligence）同時起步，但30餘年來卻並未取得人工智慧那樣巨大的成功，中間經歷了一段長時間的蕭條。直到80年代，獲得了關於 人工神經網路切實可行的算法，以及以Von Neumann體系為依託的傳統算法在知識處理方面日益顯露出其力不從心後，人們才重新對 人工神經網路發生了興趣，導致神經網路的復興。 在神經網路研究方法上已形成多個流派，最富有成果的研究工作包括：多層網路 BP算法，Hopfield網路模型，自適應共振理 論，自組織特徵映射理論等。人工神經網路是在現代神經科學的基礎上提出來的。它雖然反映了人腦功能的基本特徵，但遠不是自然 神經網路的逼真描寫，而只是它的某種簡化抽象和模擬。
特點方向
1. 人工神經網路的特點
人工神經網路的以下幾個突出的優點使它引起人們的極大關註：
(1)可以充分逼近任意複雜的非線性關係；
(2)所有定量或定性的信息都等勢分布貯存於網路內的各神經元，故有很強的魯棒性和容錯性；
(3)採用並行分布處理方法，使得快速進行大量運算成為可能；
(4)可學習和自適應不知道或不確定的系統；
(5)能夠同時處理定量、定性知識。
人工神經網路的特點和優越性，主要表現在三個方面：
第一，具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網路，網路就 會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對於預測有特別重要的意義。預期未來的人工神經網路計算機將為人類提 供經濟預測、市場預測、效益預測，其套用前途是很遠大的。
第二，具有聯想存儲功能。用人工神經網路的反饋網路就可以實現這種聯想。
第三，具有高速尋找最佳化解的能力。尋找一個複雜問題的最佳化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型 人工神經網路，發揮計算機的高速運算能力，可能很快找到最佳化解。
2.人工神經網路的主要方向
神經網路的研究可以分為理論研究和套用研究兩大方面。
理論研究可分為以下兩類：
1)．利用神經生理與認知科學研究人類思維以及智慧型機理。
2)．利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路算法和性能， 如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
套用研究可分為以下兩類：
1)．神經網路的軟體模擬和硬體實現的研究。
2)．神經網路在各個領域中套用的研究。這些領域主要包括：
模式識別、信號處理、知識工程、專家系統、最佳化組合、機器人控制等。 隨著神經網路理論本身以及相關理論、相關技術的不斷 發展，神經網路的套用定將更加深入。
