人工神经网络(ANN)

神经网络模型具有高度的并行性、高度的非线性全局作用、良好的容错性与联想记忆功能、十分强的自适应自学习功能等突出优点。

1. 人工神经网络简介

人工神经网络的研究是由模拟生物神经系统而激发的，人类的大脑主要由称为神经元（neuron）的神经细胞组成。类似于人脑的结构，人工神经网络的基本处理单元为人工神经元，这些神经元以简化的形式模仿自然界的生物神经，人工神经网络是由大量的人工神经元广泛互联而形成的网络。

多个神经单元组织起来时，有些单元的输出就当作另外一些单元的输入，当这些单元的组合输入达到一个阈值时，产生输出，这一过程可以用人工神经网络模型中的激活函数表示。激活函数由两部分组成：一部分是实现组合功能，对所有输入进行加权求和；另一部分是实现转换功能，将组合后的结果转化为该单元的输出。

典型的转换函数有线性函数、对数Sigmoid函数和双曲正切Sigmoid函数等，其中对数Sigmoid函数转换后结果在（0，1）区间内，而双曲正切Sigmoid函数转换后结果在（-1，1）区间内。网络中可以包含具有不同的转换函数的神经单元，也可以有不同的组合函数。

2. BP神经网络的基本算法

BP神经网络是一种多层反馈型网络，采用的BP算法是一种监督式的学习算法，

BP网络由1个输入层、若干隐含层和1个输出层构成。已经证明：任意函数可以被一个有三层单一的网络以任意精度逼近。因此一般选择三层网络，其中包含一个隐含层，本文中所用到的就是包含一个隐含层的三层BP网络。

BP神经网络主要由两部分组成，信息的正向传播和误差的反向传播。在正向传播过程中，输入数据从输入层经隐含层逐层计算传向输出层，每层人工神经元的计算结果作为下一层神经元的输入；如果输出层的输出值与期望输出误差较大，则计算输出层的误差变化值，然后转向反向传播，将误差沿原来的连接通路反向传播修改各层神经元的权值从而使输出误差减小，再进入正向传播过程，反复迭代直至误差满足要求。