文档介绍：人工神经网络
学号:08093373
姓名: 曾玉宝
日期:2012-11-5
人工神经网络
摘要
人工神经网络是数据挖掘常用技术之一,它通过对人脑或自然神经网络若干基本特性的抽象和模拟,使数学模型拥有大脑的某些机理与机制,从而实现某些功能。本文主要介绍了人工神经网络的发展、基本特征、工作原理、未来研究方向等。
人工神经网络(works,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionistModel),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
思维学普遍认为,人类大脑的思维分为抽象(逻辑)思维、形象(直观)思维和灵感(顿悟)思维三种基本方式。
Mcculloch(生理学家)和Pitts(数理逻辑学家)1943年首次提出神经网络数学模型;M-P数学模型,神经元的数学模型。
Von Neumann冯·诺依曼模型
50年代,F·Rosenblatt单层网络,可学****感知机
1962年Widraw提出自适应线性元件网络
Hopfield1982和1984年发表论文,将能量函数引入神经网络计算——HNN模型
1986年Rumelhart提出PDP理论,解决中间层神经元权的调整问题,并行分布式,——多层网络的反向传播算法。
BP——Error Back Propagation误差反向传播算法(前向网络的一种)
近20年来,神经网络的软件模拟得到了广泛研究和应用,发展速度惊人。
:
人工神经网络(works,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionistModel)就是以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象,并建立某种简化模型。
:
非线性非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态,这种行为在数学上表现为一种非线性
关系。具有阈值的神经元构成的网络具有更好的性能,可以提高容错性和存储容量。
非局限性一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征,而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。
非常定性人工神经网络具有自适应、自组织、自学****能力。神经网络不但处理的信息可以有各种变化,而且在处理信息的同时,非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。
非凸性一个系统的演化方向,在一定条件下将取决于某个特定的状态函数。例如能量函数,它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值,故系统具有多个较稳定的平衡态,这将导致系统演化的多样性。
(1)联想记忆功能(2)非线性映射功能(3)分类与识别功能(4)优化计算功能(5)知识处理功能
人工神经网络(ANN)是模拟人脑神经元活动的过程,其中包括对信息的加工、处理、存储、搜