文档介绍：. 人工智能论文论文名称: 神经网络智能计算机小组成员: 谢磊 E10914026 桂江源 E10914036 齐连军 E10914058 . 1946 年世界上第一台数字电子计算机诞生至今的短短 50 年时间内, 计算机的发展和应用已取得了惊人的突破从单片机到巨型机, 广泛应用于社会各领域。由于电子计算机在代替人脑部分劳动方面的突出性能, 人们称之为“电脑”。但是, 就目前计算机所具有的功能来看, 将其称之为“电脑”尚为时过早。之所以这么说, 是因为现行计算机主要只能用于数值计算、文字处理、数据管理、简单控制等方面, 而在一些智能信息处理方面则显得无能为力, 与人脑相比, 尚有极大的差距。现行计算机的体系结构仍为当初发明它时采用的冯. 诺依曼(von Neumann) 型结构在这种体系结构下, 计算机只能被动地根人们己编制好的程序来执行相应的数值计算或逻辑演算, 没有主动学****和自适应的能力。它处理信息的方式是集中的串行的; 存储器地址和其所存储的内容无关, 没有联想存储功能,人脑则截然不同。虽然迄今人类对自己大脑的了解还很肤浅, 但某些研究成果表明, 人脑约有 140 亿个神经细胞, 而每个神经细胞又与大约 1000 个神经细胞相连, 每个神经细胞既是存储单元又是处理单元, 人脑正是通过这庞大的神经细胞网络并行协调的整体性运作来处理各种复杂问题的。由此可见, 要使计算机成为真正的“电脑”, 就必须寻求一种类似于人脑结构的新的计算机体系结构。人工神经网络正是人脑神经网络的简化模型, 其基本思想是模仿人脑处理信息的方式。实际上人工神经网络是一种非线性自适应动态. 网络系统, 它仅是一种模仿而不是仿真,人工神经网络又是一种可计算的模型。[1] 二. 人工神经网络的模型人工神经网络的模型很多, 可以按照不同的方法进行分类。其中, 常见的两种分类方法是, 按照网络连接的拓朴结构分类和按照网络内部的信息流向分类。 1. 按照网络拓朴结构分类网络的拓朴结构, 即神经元之间的连接方式。按此划分, 可将神经网络结构分为两大类:层次型结构和互联型结构。层次型结构的神经网络将神经元按功能和顺序的不同分为输出层、中间层(隐层) 、输出层。输出层各神经元负责接收来自外界的输入信息, 并传给中间各隐层神经元; 隐层是神经网络的内部信息处理层, 负责信息变换。根据需要可设计为一层或多层; 最后一个隐层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。而互连型网络结构中,任意两个节点之间都可能存在连接路径, 因此可以根据网络中节点的连接程度将互连型网络细分为三种情况: 全互连型、局部互连型和稀疏连接型。 2 按照网络信息流向分类从神经网络内部信息传递方向来看, 可以分为两种类型: 前馈型网络和反馈( 递归) 型网络。. 单纯前馈网络的结构与分层网络结构相同, 前馈是因网络信息处理的方向是从输入层到各隐层再到输出层逐层进行而得名的。前馈型网络中前一层的输出是下一层的输入, 信息的处理具有逐层传递进行的方向性, 一般不存在反馈环路。因此这类网络很容易串联起来建立多层前馈网络。前馈网络的例子有多层感知器( MLP )、学****矢量量化( LVQ ) 网络、小脑模型联接控制( CMAC ) 网络和数据处理方法( GMD H)网络等。反馈型网络的结构与单层全互连结构网络相同。神经元的输出被反馈至同层或前层神经元, 信号能够从正向和反向流通。因此, 在反馈型网络中的所有节点都具有信息处理功能, 而且每个节点既可以从外界接受输入,同时又可以向外界输出。 Hopfield 网络, Elmman 网络和 Jordan 网络是递归网络有代表性的例子。下面就是一个关于人工神经网络的例子——遗忘机制的人工神经网络模型。人的大脑记忆具有天生的“记忆- 遗忘机制”, 总是只保存最有意义和最经常使用的那部分数据, 大量的次要信息在长时间不使用后会慢慢遗忘掉, 这种“优胜劣汰”的机制使得大脑总是能适应不断增长的信息处理工作, 更快地提取到最有价值的那部分数据[2] 。这个过程的特征在于: 一切信息都在以遗忘的方式同步退化, 经过日积月累,被不断重复和强化的重要信息才被保留下来。著名的“帕累托原则”认. 为[3], 在非线性系统的个体中, 普遍存在着不平衡的关系, 这种现象又称为“二八”现象。如果能快速找出这些信息中“二”的部分,便能以较少的代价更快、更好地抓住重点, 提高系统效率。模式神经元网络是对人脑认知事物的一种模拟[4-5] 。人们在最初认识一种事物时, 会根据经验知识和以前见过的事物进行比较、判断, 从而确定是否认识该事物; 认识该事物后往往会根据一定的规则标准对所认识的事物进行分类。在认知科学对人脑记忆规律的研究成果基础上, 利用记忆的遗忘特性, 提出了一种