人工神经网络,具有自学习功能

人工神经网络，具有自学习功能

学习类型学习是神经网络研究的一个重要内容，它的适应性是通过学习实

现的。根据环境的变化，对权值进行调整，改善系统的行为。由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而

变化。在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的

需要。有效的学习算法，使得神

人工神经网络经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。

根据学习环境不同，神经网络的学习方式可分为监督学习和非监督学习。

在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与

网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练

后收敛到一个确定的权值。当样本情况发生变化时，经学习可以修改权值以适

应新的环境。使用监督学习的神经网络模型有反传网络、感知器等。非监督学

习时，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段

成为一体。此时，学习规律的变化服从连接权值的演变方程。非监督学习最简

单的例子是Hebb学习规则。竞争学习规则是一个更复杂的非监督学习的例子，它是根据已建立的聚类进行权值调整。自组织映射、适应谐振理论网络等都是

与竞争学习有关的典型模型。

编辑本段分析方法

研究神经网络的非线性动力学性质，主要采用动力学系统理论、非线性规

划理论和统计理论，来分析神经网络的演化过程和吸引子的性质，探索神经网

络的协同行为和集体计算功能，了解神经信息处理机制。为了探讨神经网络在

整体性和模糊性方面处理信息的可能，混沌理论的概念和方法将会发挥作用。

混沌是一个相当难以精确定义的数学概念。一般而言，"混沌"是指由确定性方

程描述的动力学系统中表现出的非确定性行为，或称之为确定的随机性。"确定

性"是因为它由内在的原因而不是外来的噪声或干扰所产生，而"随机性"是指其不规则的、不能预测的行为，只可能用统计的方法描述。混沌动力学系统

人工神经网络的主要特征是其状态对初始条件的灵敏依赖性，混沌反映其

内在的随机性。混沌理论是指描述具有混沌行为的非线性动力学系统的基本理论、概念、方法，它把动力学系统的复杂行为理解为其自身与其在同外界进行

物质、能量和信息交换过程中内在的有结构的行为，而不是外来的和偶然的行为，混沌状态是一种定态。混沌动力学系统的定态包括：静止、平稳量、周期性、准同期性和混沌解。混沌轨线是整体上稳定与局部不稳定相结合的结果，

称之为奇异吸引子。一个奇异吸引子有如下一些特征：(1)奇异吸引子是一个吸引子，但它既不是不动点，也不是周期解；(2)奇异吸引子是不可分割的，即不能分为两个以及两个以上的吸引子；(3)它对初始值十分敏感，不同的初始值会导致极不相同的行为。

编辑本段优越性

人工神经网络的特点和优越性，主要表现在三个方面：第一，具有自学习

功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的

结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为

人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。

第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需

要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计

算机的高速运算能力，可能很快找到优化解。

编辑本段研究方向

神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为

以下两类：

1、利用神经生理与认知科学研究人类思维以及智能机理。

2、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优

人工神经网络越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、

非线性神经场等。

应用研究可分为以下两类：

1、神经网络的软件模拟和硬件实现的研究。

2、神经网络在各个领域中应用的研究。这些领域主要包括

：模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用

定将更加深入。

编辑本段发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方

法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经

专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工

神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。

近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，

将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神

经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进

入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。