霍普菲尔德人工神经网络介绍共51页
hopfield神经网络及其应用教学课件
求解人员在旅行时路径最短方案的问题。
3 最短路问题
求解网格地图上从起点到目标的最短路径问题。
Hopfield神经网络在金融风险评估中的应用
应用场景
可用于预测市场波动、分析股票的波动风险、风险 指数的评估等。
数据处理
通过分析历史数据并训练神经网络模型进行预测， 可帮助投资者更好地控制风险。
优点
能够实现自我组织、自我修复和自我学习的功能，具有很强的容错能力。
2
缺点
存在模型建立时间长、计算复杂度高等问题，在大规模网络中应用受到限制。
3
发展趋势
将向更多交叉领域发展，如神经系统科学、人工智能等，同时将致力于提高网络计算效 率和准确度。
Hopfield神经网络及其应用实例介绍
电子显微镜图像处理
Hopfield神经网络在模式恢复与记忆中的应 用
图像恢复
绘画
能够自动去除损伤、扭曲等现象， 对于图像降噪也有一定效果。
将草图转化为具有更多细节和色 彩的绘画作品。
音乐恢复
将不同曲调的曲谱恢复成原音。
Hopfield神经网络在优化问题求解中的 应用
1 逆向工程
能够自动优化物理结构的技术，可应用于电路设计、芯片布局等领域。
Hopfield神经网络在交通流预测中的应 用
应用场景
能够应用于道路交通流预测、车流控制、智能交通系统等实践应用领域。
模型构建
通过分析交通流数据并构建合理的神经网络模型，可以精确预测交通流量及拥堵情况。
优势
较传统交通流预测算法更高效且具有更高的精确度。
Hopfield神经网络的优缺点与发展趋势
1
通过神经网络对显微镜图像进行 优化处理，提高图像清晰度和对 比度。
hopfield神经网络及其应用教学课件PPT
02
Hopfield神经网络的数学基础
向量运算和矩阵运算
向量加法
对应元素相加，得到一个新的向量。
向量数乘
一个标量与一个向量相乘，得到一个新的向量。
向量点乘
两个向量的对应元素相乘后求和，得到一个标量。
向量运算和矩阵运算
01
020304 Nhomakorabea向量叉乘
两个向量按照顺序相乘，得到 一个新的向量。
矩阵加法
对应位置的元素相加，得到一 个新的矩阵。
适用场景
旅行商问题、背包问题、图着色问题等组合优化问题，以 及各种工程优化问题。
05
Hopfield神经网络的未来发展
Hopfield神经网络与其他神经网络的结合
与卷积神经网络结合
利用Hopfield神经网络的记忆特性，与卷积神经网络共同处理图 像识别等任务，提高识别精度和稳定性。
与循环神经网络结合
训练方法
通过特定的训练算法，对 Hopfield神经网络进行训练，使 其能够记忆和识别特定的模式或 状态。
优化算法
采用优化算法（如梯度下降法、 遗传算法等），对Hopfield神经 网络的参数进行调整和优化，以 提高其性能和稳定性。
性能评估
通过测试和评估，对训练和优化 后的Hopfield神经网络进行性能 评估，包括准确率、稳定性、实 时性等方面的评估。
Hopfield神经网络及其应用教 学课件
目
CONTENCT
录
• Hopfield神经网络简介 • Hopfield神经网络的数学基础 • Hopfield神经网络的实现 • Hopfield神经网络的应用案例 • Hopfield神经网络的未来发展
01
Hopfield神经网络简介
《hopfield神经网络》课件
图像识别实例
总结词
通过Hopfield神经网络，可以实现高效的图像识 别。
总结词
图像识别的准确率取决于训练样本的多样性和数 量。
详细描述
在图像识别实例中，可以将图像信息转化为神经 网络的输入，通过训练和学习，网络能够将输入 的图像信息与预存的图像模式进行匹配，从而实 现图像的快速识别。
详细描述
为了提高图像识别的准确率，需要收集大量具有 代表性的训练样本，并采用多种不同的训练方法 对网络进行训练，以增加网络的泛化能力。
神经元模型
神经元模型
Hopfield神经网络的基本单元是神经元，每个神经元通过加权输 入信号进行激活或抑制。
激活函数
神经元的输出由激活函数决定，常用的激活函数有阶跃函数和 Sigmoid函数。
权重
神经元之间的连接权重用于存储记忆模式，通过训练可以调整权重 。
能量函数
1 2 3
能量函数定义
能量函数是描述Hopfield神经网络状态的一种方 式，其值越低表示网络状态越稳定。
《Hopfield神经网 络》PPT课件
目录
CONTENTS
• Hopfield神经网络概述 • Hopfield神经网络的基本原理 • Hopfield神经网络的实现 • Hopfield神经网络的优化与改进 • Hopfield神经网络的实例分析
01 Hopfield神经网络概述
定义与特点
能量函数的性质
能量函数具有非负性、对称性、连续性和可微性 等性质，这些性质对于网络的稳定性和记忆性能 至关重要。
最小能量状态
训练过程中，网络会逐渐趋近于最小能量状态， 此时对应的模式被存储在神经元连接权重中。
稳定性分析
稳定性定义
霍普菲尔德(Hopfield)神经网络概述
Hopfield网络的应用
组合优化 (TSP问题) 组合优化问题，就是在给定约束条件下， 求出使目标函数极小（或极大）的变量组 合问题。 将Hopfield网络应用于求解组合优化问题， 就是把目标函数转化为网络的能量函数， 把问题的变量对应于网络的状态。这样当 网络的能量函数收敛于极小值时，问题的 最优解也随之求出。
Hopfield网络的特点
单层反馈式网络
x1 o1 W x2 o2 … … xn
on
Hopfield网络的特点
灌输式学习方式 灌输式学习中网络权值不是通过训练逐渐 形成的，而是通过某种设计方法得到的。 权值一旦设计好就一次灌输给网络，不再 变动， 这种学习是死记硬背式的，而不是训练式 的。
Hopfield网络的特点
各神经元的状态在运行中不断更新
x1 o1 W x2 o2 … … xn
on
Hopfield网络的特点
首次引入能量函数
考虑了输入与输出的延迟因素
Hopfield网络的分类
根据激活函数的不同，可以分为： 离散型 Hopfield神经网络（DHNN） 1 netj ≥ 0 f(netj ) = sgn(netj ) = − 1 netj < 0 连续型 Hopfield神经网络（CHNN）
霍普菲尔德（Hopfield Hopfield） Hopfield 神经网络概述
旅行商问题(TSP)
旅行商问题（Traveling Saleman Problem， TSP）又译为旅行推销员问题、货郎担问题， 简称为TSP问题，是最基Байду номын сангаас的路线问题。
是指一名推销员要拜访多个地点时，如何 找到在拜访每个地 TSP问题点一次后再回 到起点的最短路径。
人工神经网络
人工神经网络所谓神经网络实际上是指神经网计算技术，或简单地称为神经计算(Neural Computing)。
1943 年美国人W.S.McCulloch 和W. Pitts 首先提出了一种神经元的数学模型(M－P 模型)和网络的连接式，使神经网络计算技术在实现上成为可能。
它是最早提出的一种神经计算模型，因此，人们通常把1943年作为神经网络计算技术提出的日期。
人工神经网络在80年代中期得到了飞速的发展。
1982年美国加州州立理工学院物理学家Hopfi-eld教授提出了Hopfield人工神经网络模型，他将能量函数的概念引入人工神经网络，并给出了稳定性的判据，开拓了人工神经网络用于联想记忆和优化计算的新途径。
人工神经网络模拟人类部分形象思维的能力，是模拟人工智能的一条途径。
特别是可以利用人工神经网络解决人工智能研究中所遇到的一些难题。
人工神经网络理论的应用已经渗透到多个领域，在计算机视觉、模式识别、智能控制、非线性优化、自适应滤波相信息处理、机器人等方面取得了可喜的进展。
人的思维有逻辑性和直观性两种不同的基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。
然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。
这种思维方式的根本之点在于以下两点：信息是通过神经元上的兴奋模式分布储在网络上；信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。
这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。
虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络简单介绍
⼈⼯神经⽹络简单介绍本⽂主要对⼈⼯神经⽹络基础进⾏了描写叙述，主要包含⼈⼯神经⽹络的概念、发展、特点、结构、模型。
本⽂是个科普⽂，来⾃⽹络资料的整理。
⼀、⼈⼯神经⽹络的概念⼈⼯神经⽹络（Artificial Neural Network，ANN）简称神经⽹络(NN)。
是基于⽣物学中神经⽹络的基本原理，在理解和抽象了⼈脑结构和外界刺激响应机制后，以⽹络拓扑知识为理论基础。
模拟⼈脑的神经系统对复杂信息的处理机制的⼀种数学模型。
该模型以并⾏分布的处理能⼒、⾼容错性、智能化和⾃学习等能⼒为特征，将信息的加⼯和存储结合在⼀起。
以其独特的知识表⽰⽅式和智能化的⾃适应学习能⼒，引起各学科领域的关注。
它实际上是⼀个有⼤量简单元件相互连接⽽成的复杂⽹络，具有⾼度的⾮线性，能够进⾏复杂的逻辑操作和⾮线性关系实现的系统。
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。
每⼀个节点代表⼀种特定的输出函数。
称为激活函数（activation function）。
每两个节点间的连接都代表⼀个对于通过该连接信号的加权值。
称之为权重（weight）。
神经⽹络就是通过这样的⽅式来模拟⼈类的记忆。
⽹络的输出则取决于⽹络的结构、⽹络的连接⽅式、权重和激活函数。
⽽⽹络⾃⾝通常都是对⾃然界某种算法或者函数的逼近。
也可能是对⼀种逻辑策略的表达。
神经⽹络的构筑理念是受到⽣物的神经⽹络运作启⽰⽽产⽣的。
⼈⼯神经⽹络则是把对⽣物神经⽹络的认识与数学统计模型相结合。
借助数学统计⼯具来实现。
还有⼀⽅⾯在⼈⼯智能学的⼈⼯感知领域，我们通过数学统计学的⽅法，使神经⽹络能够具备类似于⼈的决定能⼒和简单的推断能⼒。
这样的⽅法是对传统逻辑学演算的进⼀步延伸。
⼈⼯神经⽹络中。
神经元处理单元可表⽰不同的对象。
⽐如特征、字母、概念。
或者⼀些有意义的抽象模式。
⽹络中处理单元的类型分为三类：输⼊单元、输出单元和隐单元。
输⼊单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输⼊和输出单元之间，不能由系统外部观察的单元。
人工神经网络概述
参考内容二
人工神经网络（Artificial Neural Network，简称ANN）是一种模拟人类 神经系统运作的数学模型，由多个简单计算单元（即神经元）组成，通过学习方 式从数据中提取模式并预测未来数据。
一、人工神经网络的基本结构
人工神经网络的基本结构包括输入层、隐藏层和输出层。输入层负责接收外 部输入的数据，隐藏层通过一系列复杂的计算将输入转化为有意义的特征，最后 输出层将隐藏层的结果转化为具体的输出。在隐藏层中，每个神经元都通过权重 和激活函数来对输入进行转换，以产生更有意义的输出。
根据任务的不同，人工神经网络可以分为监督学习、无监督学习和强化学习 三种。监督学习是指通过输入输出对之间的映射关系来训练模型；无监督学习是 指通过聚类或降维等方式来发现数据中的潜在规律；强化学习是指通过与环境的 交互来学习策略，以达到在给定的情况下采取最优行动的目标。
四、人工神经网络的未来发展
随着深度学习技术的不断发展，人工神经网络的性能和应用范围也在不断扩 大。未来的人工神经网络将更加注重模型的可解释性和鲁棒性，同时也将更加注 重跨领域的研究和应用。此外，随着计算机硬件的不断升级和算法的不断优化， 人工神经网络的训练速度和精度也将不断提高。
三、人工神经网络的种类
根据连接方式的不同，人工神经网络可以分为前馈神经网络和反馈神经网络 两种。前馈神经网络是一种层次结构，其中每个节点只与前一层的节点相连，每 个节点的输出都是前一层的加权输入。而反馈神经网络则是一种循环结构，其中 每个节点都与前一层的节点和后一层的节点相连，每个节点的输出不仅取决于前 一层的输入，还取决于后一层的输出。
反向传播算法是一种监督学习算法，它通过比较网络的输出和真实值来计算 误差，然后将这个误差反向传播到网络中，调整每个神经元的权重以减小误差。
人工神经网络简介
人工神经网络简介本文主要对人工神经网络基础进行了描述，主要包括人工神经网络的概念、发展、特点、结构、模型。
本文是个科普文，来自网络资料的整理。
一、人工神经网络的概念人工神经网络（Artificial Neural Network，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。
该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。
它实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。
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。
每个节点代表一种特定的输出函数，称为激活函数（activation function）。
每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。
网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。
而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
神经网络的构筑理念是受到生物的神经网络运作启发而产生的。
人工神经网络则是把对生物神经网络的认识与数学统计模型相结合，借助数学统计工具来实现。
另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。
人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。
网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。
输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。
Hopfield网络-文档资料
DHNN的能量函数
按照能量变化量为负的思路，可将能量的变化量ΔEi表示为
假定首先选择节点v2，则节点状态为：
v2 sgn(1 0 (3) 0 0) sgn(3) 0
Байду номын сангаас
DHNN的状态变换
网络状态由(000)变化到(000)(也可以称为网络状态保持不变)，转 移概率为1／3。 假定首先选择节点v3，则节点状态为：
v3 sgn(2 0 (3) 0 3) sgn(3) 0 网络状态由(000)变化到(000)，转移概率为1／3。 从上面网络的运行看出，网络状态(000)不会转移到(010)和(001)， 而以1／3的概率转移到(100)，以2／3的概率保持不变
网络，考察各个节点的状态转移情况。现在考虑每个节点
v1v2v3以等概率(1／3)被选择。假定首先选择节点v1，则节点状
态为：
3
v1 sgn( w1 jv j 1 ) sgn(0 0 1 0 2 0 (5)) sgn(5) 1
j 1
网络状态由(000)变化到(100)，转移概率为I／3
DHNN的能量函数
因此，v＝{0,1,1,1}是网络的一个稳定状态。实际上此例中有
4个神经元其可能的状态有16个，为便于验算，将其各状态的 能量列表如下：
显然，网络稳定状态下的能量为最小值-14。 网络能量极小状态即为网络的一个稳定平衡状态。能量极小点的 存在为信息的分布式存储记忆、优化计算提供了基础。如果将记 忆的样本信息存贮于不同的能量极小点，当输入某一模式时，网 络就能“联想记忆”与其相关的存储样本，实现联想记忆。
霍普菲尔德(Hopfield)
DHNN的稳定工作点
Xi(t+1)= Xi(t)=sgn(∑j=1nWijXi(t)-θi ) i=1,2,…,n
网络的稳定性分析
DHNN的能量函数定义为：
n 1 n n E wij xi x j i xi 2 i 1 j 1 i 1 1 T X WX X T 2 n 1 n n E wij xi x j i xi 2 i 1 j 1 i 1 n 1 n n wij i 2 i 1 j 1 i 1 E有界
Hopfield网络结构
图2.8.1
非线性系统状态演变的形式
在Hopfield网络中，由于反馈的存在，其加 权 输入和ui，i=1~n为网络状态，网络的输出为 y1~yn， 则u,y的变化过程为一个非线性动力学 系统。可用非线性差（微）分方程来描述。一 般有如下的几种状态演变形式： （1）渐进稳定 （2）极限环 （3）混沌现象 （4）状态轨迹发散
正交化权值设计
这一方法的基本思想和出发点是为了满足下 面四个要求： 1）保证系统在异步工作时的稳定性，即它的 权值是对称的； 2）保证所有要求记忆的稳定平衡点都能收敛 到自己； 3）使伪稳定点的数目尽可能的少； 4）使稳定点的吸引域尽可能的大。 MATLAB函数 [w,b]=solvehop(T);
当激活函数为线性函数时，即
v i ui 此时系统的状态方程为： U AU B 1 其中A WB。 R 此系统的特征方程为： A I 0 其中I为单位对角阵。通过对解出的特征值1， 2， ， r 的不同情况，可以得到不同的系统解的情况。
对于非线性系统进行稳定性分析，方 法之一就是在系统的平衡点附近对系统 进行线性化处理。也可以基于网络的能 量函数。下面介绍Hopfield能量函数法。
Hopfield神经网络综述
题目：Hopfield神经网络综述一、概述：1.什么是人工神经网络（Artificial Neural Network，ANN)人工神经网络是一个并行和分布式的信息处理网络结构，该网络结构一般由许多个神经元组成，每个神经元有一个单一的输出，它可以连接到很多其他的神经元，其输入有多个连接通路，每个连接通路对应一个连接权系数。
人工神经网络系统是以工程技术手段来模拟人脑神经元（包括细胞体，树突，轴突）网络的结构与特征的系统。
利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。
主要从两个方面进行模拟：一是结构和实现机理；二是从功能上加以模拟。
根据神经网络的主要连接型式而言，目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。
1）反馈神经网络(Recurrent Network)反馈神经网络，又称自联想记忆网络，其目的是为了设计一个网络，储存一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到这个设计的平衡点上。
反馈神经网络是一种将输出经过一步时移再接入到输入层的神经网络系统。
反馈网络能够表现出非线性动力学系统的动态特性。
它所具有的主要特性为以下两点：（1）.网络系统具有若干个稳定状态。
当网络从某一初始状态开始运动，网络系统总可以收敛到某一个稳定的平衡状态；（2）.系统稳定的平衡状态可以通过设计网络的权值而被存储到网络中。
反馈网络是一种动态网络，它需要工作一段时间才能达到稳定。
该网络主要用于联想记忆和优化计算。
在这种网络中，每个神经元同时将自身的输出信号作为输入信号反馈给其他神经元，它需要工作一段时间才能达到稳定。
2.Hopfield神经网络Hopfield网络是神经网络发展历史上的一个重要的里程碑。
由美国加州理工学院物理学家J.J.Hopfield 教授于1982年提出，是一种单层反馈神经网络。
Hopfield神经网络是反馈网络中最简单且应用广泛的模型，它具有联想记忆的功能。
第五章霍普菲尔德(Hopfield)神经网络
对图3所示的DHNN网络 当wi,j在i=j时等于0,则说明一个神经元的输出并不会反馈 到它自己的输入. 这时,DHNN称为无自反馈网络. 当wi,j在i=j时不等于0,则说明—个神经元的输出会反馈到 它自己的输入. 这时,DHNN称为有自反馈的网络. DHNN有二种不同的工作方式: 串行(异步)方式和 并行(同步)方式. 下面分别加以介绍.
联想记忆是指当网络输入某个矢量后，网络 经过反馈演化，从网络输出端得到另一个矢量， 这样输出矢量就称作网络从初始输入矢量联想得 到的一个稳定记忆，即网络的一个平衡点。 优化计算是指当某一问题存在多种解法时， 可以设计一个目标函数，然后寻求满足这一目标 函数的最优解法。例如，在很多情况下可以把能 量函数作为目标函数，得到的最优解法需要使能 量函数达到极小点，即能量函数的稳定平衡点。 总之，反馈网络的设计思想就是在初始输入 下，使网络经过反馈计算最后到达稳定状态，这 时的输出即是用户需要的平衡点。
• 网络系统能够达到稳定收敛 • 网络的稳定点 • 吸引域的设计
网络结构形式
Hopfield网络是单层对称全反馈网络，根据激励函 数选取的不同，可分为离散型和连续性两种 （ DHNN,CHNN）。 DHNN：作用函数为δ函数，主要用于联想记忆。 CHNN：作用函数为S型函数，主要用于优化计算
非线性系统状态演变的形式
• 反馈NN由于其输出端有反馈到其输入端,所以,HNN在 输入的激励下,会产生不断的状态变化.
– 当有输入之后,可以求取出HNN的输出,这个输出反馈到 输入从而产生新的输出,这个反馈过程一直进行下去. – 如果HNN是一个能稳定的网络,则这个反馈与迭代的计算 过程所产生的变化越来越小,一旦到达了稳定平衡状态, 那么HNN就会输出一个稳定的恒值. – 对于HNN来说,关键是在于确定它在稳定条件下的权系数. – 应该指出,反馈网络有稳定的,也有不稳定的. • 对于HNN来说,还存在如何判别它是稳定网络,亦或是 不稳定的问题.而判别依据是什么,也是需要确定的.
霍普菲尔德Hopfield神经网络
故对任意的神经元k有E 0。另外能量函数是有界的，
所以它总能收敛到它的一个局部极小点。
全并行方式下也有同样的结论。
DHNN网络设计
用 DHNN实现联想记忆需要考虑两个重要的 问题：
①怎样按记忆确定网络的W和；②网络给定之 后如何分析它的记忆容量。下面将分别讨论。
1、权值设计的方法 2、记忆容量分析 3、权值修正的其它方法
图2.8.2
两种工作方式
DHNN主要有以下两种工作方式： 〔1〕串行工作方式 在某一时刻只有一个神经 元按照上式改变状态，而其它神经元的输出不 变。这一变化的神经元可以按照随机的方式或 预定的顺序来选择。 〔2〕并行工作方式 在某一时刻有N个神经元 按照上式改变状态，而其它的神经元的输出不变。 变化的这一组神经元可以按照随机方式或某种规 那么来选择。当N=n时，称为全并行方式。
dE 0,当且仅当 dv i 0时，dE 0， i 1,2, , n
dt
dt
dt
证明： dE n E dv i
dt i1 vi dt
E
vi
1 2
n
w ij v j
j 1
1 2
n
w ji v j
j 1
Ii
ui Ri
n
w ij v j
j 1
Ii
ui Ri
ci
du i dt
ci
1 i
穿插干扰
网络在学习多个样本后，在回忆阶段即验证该记忆样 本时，所产生的干扰，称为穿插干扰。
对外积型设计而言，如果输入样本是彼此正交的，n个 神经元的网络其记忆容量的上界为n。但是在大多数情况 下，学习样本不可能是正交的，因而网络的记忆容量要 比n小得多，一般为(0.13~0.15)n，n为神经元数。
人工神经网络资料
人工神经网络人工神经网络（Artificial Neural Networks, ANN），一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
（引自《环球科学》2007年第一期《神经语言：老鼠胡须下的秘密》）概念由大量处理单元互联组成的非线性、自适应信息处理系统。
它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。
人工神经网络具有四个基本特征：（1）非线性非线性关系是自然界的普遍特性。
大脑的智慧就是一种非线性现象。
人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。
具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。
（2）非局限性一个神经网络通常由多个神经元广泛连接而成。
一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。
通过单元之间的大量连接模拟大脑的非局限性。
联想记忆是非局限性的典型例子。
（3）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。
（4）非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。
例如能量函数，它的极值相应于系统比较稳定的状态。
非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。
人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。