人工神经网络基础

人工神经网络模仿生物神经网络的信息处理系统，以处理复杂的问题，从其他人工神经元或外在环境获取信息，借由网络结构及不同的学习算法训练人工神经网络，使其输出能达到期望的目标。
人工神经网络分为不同阶段：
1 学习（learning）阶段主要是建立神经元间的连接模式、修正连接神经元之间的权重、调整神经元收到一个输入的刺激后，依据建立的神经网络架构产生一个相应的输出值；
2 归纳推演（induction）阶段为从局部观察而推导出整体特性的过程，提供有效率的记忆与存储模式
神经元是整个人工神经网络运作的基础，下图为一个神经元k的运算模型。

其中函数f又称为激活函数，主要是用以转换的函数。
激活函数可借由线性或非线性转换为神经元的输出值。

人工神经网络的基本结构：
输入层：输入层是处理单元接收外在环境所输入的信息，可依问题特性，常使用线性转换函数将输入数据转换成适应网络的信号。
隐藏层：隐藏层介于输入层与输出层之间，作为处理单元彼此交互的内在结构解决非线性的问题。
输出层：输出层处理单元处理输出至外在环境的信息，处理单元中的个数依不同问题而定，亦可使用非线性转换函数将输入数据转换成输出信号。
人工神经网络依据连接架构可分为前向式人工神经网络与反馈式人工神经网络