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
- 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
- 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
- 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