人工神经网络

引子

我们做为人类为什么具有判断能力(或决定能力),这种判断能力是怎么得到的,我们怎样来判断(或决定)未知事物.....,这一系列问题都是人工智能学人工自动感知识别需要研究的话题(也就是说运用人工神经网络的目的是产生一个人工识别系统,它能够像人一样具有判断识别的能力),人工神经网络方法是基于最自然的人类认识世界的过程而产生的,就比如说木匠通过学徒时期的实习，对于人工神经网络方法来说就是通过数学方法来反映这个实习学习的过程,等到木匠的实习期结束后,根据他以有的实习经验来工作,同样的道理人工神经网络方法根据学习过程中得到的经验来判断解决问题

人工神经网络介绍

人工神经网络(英语 Artificial Neural Network)是一种数学计算模型,它的构筑理念是受到真正的生物(人或其他动物)神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法(Learning Method)得以优化,所以人工神经网络也是数学统计学方法的一种实际应用,通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间,另一方面在人工智能学的人工感知领域,我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法,人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力),这种方法比起正式的逻辑学推理演算更具有优势。

人工神經網絡(Artificial Neural Networks,ANN)是一種應用類似於大腦神經突觸聯接的結構進行信息處理的數學模型。在工程与学术界也常直接简称为“神经网络”。神经网络是一种运算模型（参见），由大量的節點（或稱‘神經元’，或‘單元’）和之間相互聯接構成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight）。 网络的输出则依网络的连接方式，权重值和激励函数的不同而不通。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

人工神经网络的使用性

人工神经网络是一个能够学习,能够总结归纳的系统,也就是说它能够通过已知数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较(而这些比较是基于不同情况下的自动学习和要实际解决问题的复杂性所决定的),它能够推理产生一个可以自动识别的系统。与之不同的基于符号系统下的学习方法,它们也具有推理功能,只是它们是建立在逻辑演算算法的基础上,也就是说它们之所以能够推理,基础是需要有一个推理演算法则的集合。

基本結構

一种常见的多层结构的前馈网络（Multilayer Feedforward Network）由三部分組成,

• 輸入層(Input layer),眾多神經元(Neuron)接受大量非線形輸入信息。輸入的信息稱為輸入向量。
• 輸出層(Output layer),信息在神經元鏈接中傳輸、分析、權衡,形成輸出結果。輸出的信息稱為輸出向量。
• 隱藏層(Hidden layer),簡稱「隱層」，是輸入層和輸出層之間眾多神經元和鏈接組成的各個層面。隱層可以有多層。隱層的節點(神經元)數目不定，但數目越多神經網絡的非線性越顯著，從而神經網絡的魯棒性更顯著。

神经网络的类型已经演变出很多种，这种分层的结构也并不是对所有的神经网络都适用。

學習過程

通過訓練樣本的校正，對各個層的權重進行校正(learning)的過程，稱為自動學習過程(training)。具体的学习方法则因网络结构和模型不通而不同。

參見：神經網絡介紹

種類

人工神經網路分類為以下兩種:
1.依學習策略（Algorithm）分類主要有：

• 監督式學習網路(Supervised Learning Network)
• 無監督式學習網路(Unsupervised Learning Network)
• 混合式學習網路(Hybrid Learning Network)
• 聯想式學習網路(Associate Learning Network)
• 最適化學習網路(Optimization Application Network)

2.依網路架構（Connectionism）分類主要有:

• 前向式架構(Feed Forward Network)
• 回饋式架構(Recurrent Network)
• 强化式架構(Reinforcement Network)