人工神經(jīng)網(wǎng)絡是在計算機上執(zhí)行以生物啟發(fā)的模擬，以執(zhí)行某些特定任務，例如聚類，分類，模式識別等。一般來說，人工神經(jīng)網(wǎng)絡是配置為執(zhí)行特定任務的人工神經(jīng)元的生物學啟發(fā)網(wǎng)絡。典型的神經(jīng)網(wǎng)絡包含大量人工神經(jīng)元，稱為神經(jīng)元，它們排列成一系列層。在人工神經(jīng)網(wǎng)絡的情況下，軸突的輸出類似于輸出單元。因此，使用基本生物神經(jīng)元的工作對ANN進行建模。

　　人工神經(jīng)網(wǎng)絡如何工作？

人工神經(jīng)網(wǎng)絡可以視為加權有向圖，其中人工神經(jīng)元是節(jié)點，權重的有向邊是神經(jīng)元輸出和神經(jīng)元輸入之間的連接。

人工神經(jīng)網(wǎng)絡以圖形形式和矢量形式從外部世界接收輸入。這些輸入在數(shù)學上用符號x(n)表示n個輸入。

每個輸入乘以其相應的權重。權重是神經(jīng)網(wǎng)絡用來解決問題的信息。通常，權重代表神經(jīng)網(wǎng)絡內(nèi)部神經(jīng)元之間的互連強度。

加權的輸入全部在計算單元（人工神經(jīng)元）中匯總。如果加權總和為零，則添加偏置以使輸出不為零或擴大系統(tǒng)響應。偏差的權重和輸入始終等于“ 1”。

該總和對應于從0到無窮大的任何數(shù)值。為了限制響應以達到期望值，設置了閾值。為此，總和通過激活函數(shù)傳遞。

激活功能是用于獲得所需輸出的傳遞函數(shù)的設置。有線性和非線性激活函數(shù)。

一些常用的激活函數(shù)是-二值，S形（線性）和tan雙曲S形函數(shù)（非線性）。

二進制-輸出只有兩個值0和1。為此，設置了閾值。如果凈加權輸入大于1，則假定輸出為1，否則為零。

乙狀雙曲線—此函數(shù)具有“ S”形曲線。在此，tan雙曲函數(shù)用于估計凈輸入的輸出。該函數(shù)定義為— f(x)=(1/1 + exp(-?x))，其中? —陡度參數(shù)。

　　神經(jīng)網(wǎng)絡的四種不同用途

　　神經(jīng)網(wǎng)絡的模式識別

模式識別是對機器如何觀察環(huán)境，學會從背景中區(qū)分出感興趣的模式以及對模式的類別做出合理合理的決定的研究。

模式的一些示例是-指紋圖像，手寫文字，人臉或語音信號。

給定一種輸入模式，其識別涉及以下任務-

· 有監(jiān)督的分類-給定的輸入模式被標識為預定義類的成員。

· 無監(jiān)督分類-模式已分配到迄今未知的類別。

因此，這里的識別問題實質(zhì)上是分類或分類任務。

模式識別系統(tǒng)的設計通常涉及以下三個方面：

· 數(shù)據(jù)采集和預處理

· 數(shù)據(jù)表示

· 做決定

　　用于模式識別的方法

· 模板匹配

· 統(tǒng)計

· 句法匹配

· 人工神經(jīng)網(wǎng)絡

遵循用于模式識別的神經(jīng)網(wǎng)絡架構-

· 多層感知器

· Kohonen SOM（自我組織圖）

· 徑向基函數(shù)網(wǎng)絡（RBF）

　　機器學習的神經(jīng)網(wǎng)絡

· 多層感知器（監(jiān)督分類）

· 反向傳播網(wǎng)絡（監(jiān)督分類）

· Hopfield網(wǎng)絡（用于模式關聯(lián)）

· 深度神經(jīng)網(wǎng)絡（無監(jiān)督聚類）

　　深度學習神經(jīng)網(wǎng)絡

根據(jù)神經(jīng)網(wǎng)絡，架構用于深度學習-

· 前饋神經(jīng)網(wǎng)絡

· 遞歸神經(jīng)網(wǎng)絡

· 多層感知器（MLP）

· 卷積神經(jīng)網(wǎng)絡

上述就是關于人工神經(jīng)網(wǎng)絡的應用相關介紹，想了解更多關于人工神經(jīng)網(wǎng)絡的信息，請繼續(xù)關注中培偉業(yè)。