人工神经网络具有模拟人脑结构的思维功能,具有较强的学习和联想功能,人工干预少,精度较高,对专家的只是利用也较少。但缺点是不能处理和描述模糊信息,不能很好地利用已有的经验知识,特别是学习及问题求解具有黑箱特性,其工作不具有可解释性,同样它对样本的要求较高。
人工神经网络有许多分支,可分为:感知器神经网络、自组织竞争神经网络、径向基函数神经网络、反馈神经网络、小脑模型神经网络、深度神经网络和模糊神经网络等等。
神经网络的学习方式可以分为以下三类:
1)有监督学习,有监督学习是指基于对输入-输出样本的训练,学习到这组数据所代表的系统特性。对于有监督学习,在学习和训练过程中,网络根据实际输出和期望输出的比较,调整连接权值和阈值。期望输出通常称为:教师信号,它是评价学习的标准。有监督学习方法最常见的是误差方向传播算法。
2)无监督学习(无教师学习):对于无监督学习,不需要给网络提供教师信号,网络能够根据其特有的结构和学习规则,调整连接权值和阈值。此时,网络的学习评价标准隐含于网络内部。无监督学习方法常用于模式分类。
3)再励学习(强化学习):再励学习介于有监督学习和无监督学习两者之间。与有监督学习相似的是,二者都需要通过与环境的交互过程,获得关于输入影像的信息;不同之处在于,再励学习仅仅提供一个标量的性能指标,目的是使这个性能指标达到最小。外部环境对网络的输出结果只给出评价(奖励或惩罚)而不给出正确答案,网络通过强化那些受奖励的动作来改善自身的性能。
网络的拓扑结构是神经网络的一个重要特性。根据网络中的信息流向,可以将神经网络分为四类:前馈网络、反馈网络、相互结合型网络和混合型网络。