人工神经网络研究的发展及特性，以前不叫人工智能

https://www.toutiao.com/a6644776351553290755/

 

2019-01-10 16:05:54

人工神经网络研究的先锋麦卡洛克和皮茨曾于1943年提出一种叫做“似脑机器(mindlike machine)”的思想,这种机器可由基于生物神经元特性的互连模型来制造,这就是神经学网络的概念。他们构造了一个表示大脑基本组成部分的神经元模型,对逻辑操作系统表现出通用性。

随着大脑和计算机研究的进展,研究目标已从“似脑机器”变为“学习机器”,为此一直关心神经系统适应律的赫布(Hebb)提出了学习模型。罗森布拉特(Rosenblatt)命名感知器,并设计了一个引人注目的结构。

到20世纪60年代初期,关于学习系统的专用设计方法有威德罗(Widrow)等人提出的 Adaline(adaptive linearelement,自适应线性元)以及斯坦巴克(Steinbuch)等人提出的学习矩阵。由于感知器的概念简单,因而在开始介绍时人们对它寄予很大希望。然而,不久之后,明斯基和帕伯特( Papert)从数学上证明了感知器不能实现复杂的逻辑功能。

神经网络

到了20世纪70年代,格罗斯伯格( Grossberg)和科霍恩( Kohonen)对神经网络研究作出重要贡献。以生物学和心理学证据为基础,格罗斯伯格提出几种具有新颖特性的非线性动态系统结构。该系统的网络动力学由一阶微分方程建模,而网络结构为模式聚集算法的自组织神经实现。基于神经元组织自调整各种模式的思想,科霍恩发展了他在自组织映射方面的研究工作。沃博斯( Werbos)在20世纪70年代开发出一种反向传播算法。霍普菲尔德在神经元交互作用的基础上引入一种递归神经网络,这种网络就是有名的Hopfield网络。

在20世纪80年代中叶,作为一种前馈神经网络的学习算法,帕克(Parker)和鲁梅尔哈特等人重新发现了反向传播算法。近十多年来,神经网络已在从家用电器到工业对象的广泛领域找到它的用武之地,主要应用涉及模式识别、图像处理、自动控制、机器人、信号处理、管理、商业、医疗和军事等领域。

人工智能

人工神经网络有哪些重要的特性？

(1)并行分布处理。神经网络具有高度的并行结构和并行实现能力,因而具有较好的耐故障能力和较快的总体处理能力。这一特性特别适于实时和动态处理。

(2)非线性映射。神经网络具有固有的非线性特性,这源于其近似任意非线性映射(变换)能力。这一特性给处理非线性问题带来新的希望。

(3)通过训练进行学习。神经网络是通过所研究系统过去的数据记录进行训练的，一个经过适当训练的神经网络具有归纳全部数据的能力。因此,神经网络能够解决那些由数学模型或描述规则难以处理的问题。

(4)适应与集成。神经网络能够适应在线运行,并能同时进行定量和定性操作。神经网络的强适应和信息融合能力使得它可以同时输入大量不同的控制信号,解决输入信息间的互补和冗余问题,并实现信息集成和融合处理。这些特性特别适于复杂、大规模和多变量系统。

(5)硬件实现。神经网络不仅能够通过软件而且可以借助硬件实现并行处理。近年来,一些超大规模集成电路实现硬件已经问世,而且可以从市场上购买到。这使得神经网络成为具有快速和大规模处理能力的网络。

人工神经网络

显然,神经网络由于其学习和适应、自组织、函数逼近和大规模并行处理等能力,因而具有用于智能系统的潜力。

神经网络在模式识别、信号处理、系统辨识和优化等方面的应用,已有广泛研究。在控制领域,已经做出许多努力,把神经网络用于控制系统,处理控制系统的非线性和不确定性以及逼近系统的辨识函数等。