这篇博客介绍了人工神经网络的基础，包括其生物学启发和在复杂问题中的应用。通过ALVINN系统举例，展示了神经网络在自动驾驶中的作用。接着，博主探讨了感知器训练法则和梯度下降法则，分析了它们的收敛性和应用场景，特别讨论了线性可分与非线性可分样本的处理。
由于本人这段时间在学习数据挖掘的知识，学习了人工神经网络刚好就把学习的一些笔记弄出来，也为以后自己回头看的时候方便些。
神经网络学习方法对于逼近实数值、离散值或向量值的目标函数提供了一种健壮性很强的方法。对于某些类型的问题，如学习解释复杂的现实世界中的传感器数据，人工神经网络是目前知道的最有效学习方法。人工神经网络的研究在一定程度上受到了生物学的启发，因为生物的学习系统是由相互连接的神经元（neuron）组成的异常复杂的网络。而人工神经网络与此大体相似，它是由一系列简单单元相互密集连接构成，其中每一个单元有一定数量的实值输入（可能是其他单元的输出），并产生单一的实数值输出（可能成为其他很多单元的输入）。
实例：
接下来用一个很简单的例子简要说明一下神经网络的应用：
Pomerleau（
订阅专栏 解锁全文
扫一扫
5259
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
