神经网络的简介和特点,神经网络的简介和应用

脉冲神经网络的简介

脉冲神经网络 （SNN-Spiking Neuron Networks) 经常被誉为第三代人工神经网络。第一代神经网络是感知器，它是一个简单的神经元模型并且只能处理二进制数据。

第二代神经网络包括比较广泛，包括应用较多的BP神经网络。但是从本质来讲，这些神经网络都是基于神经脉冲的频率进行编码( rate coded）。

脉冲神经网络，其模拟神经元更加接近实际，除此之外，把时间信息的影响也考虑其中。

思路是这样的，动态神经网络中的神经元不是在每一次迭代传播中都被激活（而在典型的多层感知机网络中却是），而是在它的膜电位达到某一个特定值才被激活。

当一个神经元被激活，它会产生一个信号传递给其他神经元，提高或降低其膜电位。

在脉冲神经网络中，神经元的当前激活水平（被建模成某种微分方程）通常被认为是当前状态，一个输入脉冲会使当前这个值升高，持续一段时间，然后逐渐衰退。

出现了很多编码方式把这些输出脉冲序列解释为一个实际的数字，这些编码方式会同时考虑到脉冲频率和脉冲间隔时间。借助于神经科学的研究，人们可以精确的建立基于脉冲产生时间神经网络模型。

这种新型的神经网络采用脉冲编码(spike coding)，通过获得脉冲发生的精确时间，这种新型的神经网络可以进行获得更多的信息和更强的计算能力。

谷歌人工智能写作项目：神经网络伪原创

BP神经网络的介绍

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一写作猫。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

神经网络计算机的简介

具有模仿人的大脑判断能力和适应能力、可并行处理多种数据功能的神经网络计算机，可以判断对象的性质与状态，并能采取相应的行动，而且可同时并行处理实时变化的大量数据，并引出结论。

以往的信息处理系统只能处理条理清晰、经络分明的数据。而人的大脑却具有能处理支离破碎、含糊不清信息的灵活性，因而第六代计算机将在较大程度上类似人脑的智慧和灵活性。

人脑有140亿神经元及10亿多神经键，人脑总体运行速度相当于每秒1 000万亿次的电脑功能。用许多微处理机模仿人脑的神经元结构，采用大量的并行分布式网络就构成了神经电脑。

神经电脑除有许多处理器外，还有类似神经的节点，每个节点与许多点相连。若把每一步运算分配给每台微处理器，它们同时运算，其信息处理速度和智能会大大提高。

神经电子计算机的信息不是存在存储器中，而是存储在神经元之间的联络网中。若有节点断裂，电脑仍有重建资料的能力，它还具有联想记忆、视觉和声音识别能力。神经电子计算机将会广泛应用于各领域。

它能识别文字、符号、图形、语言以及声纳和雷达收到的信号，判读支票，对市场进行估计，分析新产品，进行医学诊断，控制智能机器人，实现汽车自动驾驶和飞行器的自动驾驶，发现、识别军事目标，进行智能决策和智能指挥等。

日本科学家开发的神经电子计算机用的大规模集成电路芯片，在1．5厘米正方的硅片上可设置400个神经元和40 000个神经键