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

　　人工神經網絡如何工作？

人工神經網絡可以視為加權有向圖，其中人工神經元是節點，權重的有向邊是神經元輸出和神經元輸入之間的連接。

人工神經網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。權重是神經網絡用來解決問題的信息。通常，權重代表神經網絡內部神經元之間的互連強度。

加權的輸入全部在計算單元（人工神經元）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，總和通過激活函數傳遞。

激活功能是用于獲得所需輸出的傳遞函數的設置。有線性和非線性激活函數。

一些常用的激活函數是-二值，S形（線性）和tan雙曲S形函數（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—此函數具有“ S”形曲線。在此，tan雙曲函數用于估計凈輸入的輸出。該函數定義為— f(x)=(1/1 + exp(-?x))，其中? —陡度參數。

　　神經網絡的四種不同用途

　　神經網絡的模式識別

模式識別是對機器如何觀察環境，學會從背景中區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-

· 有監督的分類-給定的輸入模式被標識為預定義類的成員。

· 無監督分類-模式已分配到迄今未知的類別。

因此，這里的識別問題實質上是分類或分類任務。

模式識別系統的設計通常涉及以下三個方面：

· 數據采集和預處理

· 數據表示

· 做決定

　　用于模式識別的方法

· 模板匹配

· 統計

· 句法匹配

· 人工神經網絡

遵循用于模式識別的神經網絡架構-

· 多層感知器

· Kohonen SOM（自我組織圖）

· 徑向基函數網絡（RBF）

　　機器學習的神經網絡

· 多層感知器（監督分類）

· 反向傳播網絡（監督分類）

· Hopfield網絡（用于模式關聯）

· 深度神經網絡（無監督聚類）

　　深度學習神經網絡

根據神經網絡，架構用于深度學習-

· 前饋神經網絡

· 遞歸神經網絡

· 多層感知器（MLP）

· 卷積神經網絡

上述就是關于人工神經網絡的應用相關介紹，想了解更多關于人工神經網絡的信息，請繼續關注中培偉業。