人工神经网络的定义

人工神经网络的定义

人工神经网络（ Artificial Neural Networks， 简写为ANNs）也简称为神经网络或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。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” 这一定义是恰当的。

人工神经网络的研究，可以追溯到 1957年Rosenblatt提出的感知器模型（Perceptron） 。它几乎与人工智能——AI同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。 目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。

人工神经网络的特点

（1）可以充分逼近任意复杂的非线性关系；

（2）所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；

（3）采用并行分布处理方法，使得快速进行大量运算成为可能；

（4）可学习和自适应不知道或不确定的系统；

（5）能够同时处理定量、定性知识。

人工神经网络主要研究方向

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。

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。