神经网络的特点及应用

一、神经网络的特点

1.自学习与自适应性

自适应性是指一个系统能够改变自身的性能以适应环境变化的能力。当环境发生变化时，相当于给神经网络输入新的训练样本，网络能够自动调整结构参数，改变映射关系，从而对特定的输入产生相应的期望输出。因此神经网络比使用固定推理方式的专家系统具有更强的适应性，更接近人脑的运行规律。

2.非线性

现实世界是一个非线性的复杂系统，人脑也是一个非线性的信号处理组织。人工神经元处于激活或抑制状态，表现为数学上的非线性关系。从整体上看，神经网络将知识存储于连接权值中，可以实现各种非线性映射。

3.鲁棒性和容错性

神经网络具有信息存储的分布性，故局部的损害会使人工神经网络的运行适度减弱，但不会产生灾难性的错误。

4.计算的并行性与存储的分布性

神经网络具有天然的并行性，这是由其结构特征决定的。每个神经元都可以根据接收到的信息进行独立运算和处理，并输出结果。同一层中的不同神经元可以同时进行运算，然后传输到下一层进行处理。因此，神经网络旺旺能够发挥并行计算的优势，大大提升运行速度。

二、神经网络的应用

1.模式分类

模式分类问题在神经网络中的表现形式为：将一个n维的特征向量映射为一个标量或者向量表示的分类标签。分类问题的关键在于寻找恰当的分类面，将不同类别的样本区分开来。现实中的分类问题往往比较复杂，样本空间中相距较近的样本也可能分属不同的类别。神经网络良好的非线性性能可以很好的刻画出非线性分类曲面，带来更好的模式识别的能力。

2.聚类

聚类与分类不同，分类需要正确类别的样本，进行有监督学习；聚类不需要提供已知样本，只需给定类别数n

3.回归与拟合

相似的样本输入在神经网络的映射下，往往能得到相近的输出。因此，神经网络对于函数拟合问题具有不错的解决能力。

4.优化计算

优化计算是指在已知约束条件下，寻找一组参数组合，使由该组合确定的目标函数达到最小值。BP神经网络和其它部分神经网络的训练过程就是调整权值使输出误差最小化的过程

5.数据压缩

神经网络将特定知识存储于网络的权值中，相当于将原有的样本用更小的数据量进行表示，这实际上就是一个压缩的过程。神经网络对输入样本提取模式特征，在网络输出端恢复原有样本向量。