神经网络-神经元模型、Hebb学习

简述

人工神经网络是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

人工神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。

人工神经网络是从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。

经典人工神经网络结构图 

1. 设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定
2. 神经网络结构图中的拓扑与箭头代表着预测过程时数据的流向，跟训练时的数据流有一定的区别
3. 结构图里的关键不是圆圈（代表“神经元”），而是连接线（代表“神经元”之间的连接）。每个连接线对应一个不同的权重（其值称为权值），相当于人工神经网络的记忆，这是需要训练得到的。权重不同，结果也不同

基本特征

非线性

     线性关系，指量与量之间按比例、成直线的关系，在空间和时间上代表规则和光滑的运动。

     非线性关系，指不按比例、不成直线的关系，代表不规则的运动和突变。

非局限性

      一个神经网络通常由多个神经元广泛连接而成。

非常定性

      人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。

人工神经网络就像一个黑盒子，用于模拟任意函数。根据一定的训练样本（即所需模拟函数已知的输入和输出关系）神经网络可以改变其内部结构使其模型特性逼近训练样本。即所谓的自学习，自组织和自适应。并且，由于神经网络是采用整体逼近的方式，不会由于个别样本误差而影响整个模型特性，即所谓容错特性。

         其实