人工神经网络(简称:神经网络)的思路是利用计算模拟生物神经网络的信息处理的能力,来进行数据分析。它是人工智能研究的范畴,更是属于机器学习算法领域。是一种分析数据的模型。
我们先来看一下生物神经元的构造:
神经元主要由中心的细胞核、多个树突和一个轴突组成:
1、通过树突的端口突触接受来自外界的信号输入;
2、细胞核对输入的信号进行处理;
3、轴突将细胞核处理后的信息传递到神经末梢并由末端端口传给下一层的多个神经元。
这样单个神经元就完成了信号处理的过程。
那么神经网络是怎么模拟神经元的信号处理来分析数据的呢?
从单层感知器说起
最早的神经网络–单层感知器是由1957年Rosenblatt提出来的。思路是:利用数据计算来模拟单个生物神经元的信息处理的能力。当时主要用于模式识别和二分类过程。
计算过程:
1、通过加权求和求得输入的数据总和,每个输入会有一个影响权重w1,w2,w3,…wn。利用赫布理论通过不断刺激调整权重。
2、用阈值函数对总和进行判断,大于阈值的输出为1,小于阈值的输出为0.
计算过程非常像信号中的信号感知,信号强就输出促进的信号,信号弱的输出抑制的信号或者不输出。