神经网络论文

神经网络模型的研究毕业论文简介本文旨在研究神经网络模型在机器研究中的应用。

神经网络是一种模仿人类神经系统工作的数学模型，能够研究输入和输出之间的复杂关系，并通过调整模型参数来提高预测准确度。

本文将探讨神经网络的基本原理、常见的网络结构和训练方法。

神经网络的基本原理神经网络由许多神经元组成，每个神经元接收来自其他神经元的输入，并通过激活函数进行处理，最终产生输出。

神经网络通过不断调整神经元之间的连接权重来研究输入和输出之间的关系。

常见的神经网络结构本文将介绍几种常见的神经网络结构，包括前馈神经网络、卷积神经网络和循环神经网络。

前馈神经网络是最基本的神经网络结构，信息只在一个方向传递。

卷积神经网络在图像处理中有广泛应用，能够从原始像素中提取特征。

循环神经网络则可以处理具有时序关系的数据，如文本和语音。

神经网络的训练方法神经网络的训练是通过优化算法来调整网络参数以减小预测误差。

本文将介绍几种常用的优化算法，包括梯度下降法和反向传播算法。

梯度下降法通过计算损失函数的梯度来更新网络参数，以使预测结果与实际输出更接近。

反向传播算法则是一种高效计算梯度的方法。

实验与结果分析本文将设计并实施几个实验来验证神经网络模型的性能。

通过使用公开的数据集和适当的评估指标，我们将对不同网络结构和训练方法进行比较，并对实验结果进行分析和讨论。

结论神经网络模型在机器研究中有着广泛的应用前景。

本文通过对神经网络的基本原理、常见的网络结构和训练方法的介绍，以及实验结果的分析，为研究和应用神经网络模型提供了有效的参考。

以上为《神经网络模型的研究毕业论文》的大纲。

神经网络的原理及应用摘要：通过阅读相关文献，总结了神经网络方面的基本原理和应用。

首先介绍了Hopfield神经网络中的离散型网络，并介绍其实现交通标志的步骤。

随着神经网络的发展，其局限性日益凸显。

为此，科学家们提出了与其它方法结合的神经网络。

本文介绍了遗传算法优化BP神经网络的原理及在在坝基岩体渗透系数识别中的应用，还介绍了模糊神经网络的原理及在预测地基沉降量中的应用，最后介绍了小波神经网络的原理及在电力负荷预测中的应用。

关键字：神经网络、Hopfield、遗传算法、模糊神经网络、小波神经网络绪论Hopfield网络及学习算法最初是由美国物理学家J.J Hopfield于1982年首先提出的，曾经为人工神经网络的发展进程开辟了新的研究途径。

它利用与阶层型神经网络不同的结构特征和学习方法，模拟生物神经网络的记忆机理，获得了令人满意的结果。

Hopfield最早提出的网络是二值神经网络，神经元的输出只取1和0，所以，也称离散Hopfield神经网络（Discrete Hopfield Neural Network，DHNN）。

在离散Hopfield网络中，所采用的神经元是二值神经元，因此，所输出的离散值1和0分别表示神经元处于激活和抑制状态。

Hopfield神经网络是递归神经网络的一种，在函数优化和联想记忆等方面有大量的应用。

其运行机理与反馈神经网络有本质的区别，运行规律更加复杂。

神经网络由于高度复杂的非线性结构导致其内部存在大量的局部极值点，而传统的梯度下降法训练神经网络有可能收敛于局部极值点，造成神经网络性能变差，甚至无法使用。

随着现代非线性优化方法异军突起，特别是赫赫有名的遗传算法，具有极强的全局搜索能力，其收敛的有效性得到了理论和实践的充分检验。

因此，遗传神经网络是解决高复杂性情况下全局收敛问题的有效途径。

系统的复杂性与所要求的精确性之间存在着尖锐矛盾，模糊逻辑、神经网络和专家控制等智能系统为缓解这种矛盾提供了有效途径，但是这些系统单个运用时常常存在多种问题，因此人们便根据它们的优缺点提出了融合使用的新思路，如本文的模糊神经网络。

深度图神经⽹络（GNN）论⽂part1/经典款论⽂1. KDD 2016，Node2vec 经典必读第⼀篇，平衡同质性和结构性《node2vec: Scalable Feature Learning for Networks》2. WWW2015，LINE 1阶+2阶相似度《Line: Large-scale information network embedding》3. KDD 2016，SDNE 多层⾃编码器《Structural deep network embedding》4. KDD 2017，metapath2vec 异构图⽹络《metapath2vec: Scalable representation learning for heterogeneous networks》5. NIPS 2013，TransE 知识图谱奠基《Translating Embeddings for Modeling Multi-relational Data》6. ICLR 2018，GAT attention机制《Graph Attention Network》7. NIPS 2017，GraphSAGE 归纳式学习框架《Inductive Representation Learning on Large Graphs 》8. ICLR 2017，GCN 图神经开⼭之作《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》9. ICLR 2016，GGNN 门控图神经⽹络《Gated Graph Sequence Neural Networks》10. ICML 2017，MPNN 空域卷积消息传递框架《Neural Message Passing for Quantum Chemistry》part2/热门款论⽂2020年之前11.[arXiv 2019]Revisiting Graph Neural Networks: All We Have is Low-Pass Filters重温图神经⽹络：我们只有低通滤波器[论⽂]12.[NeurIPS 2019]Break the Ceiling: Stronger Multi-scale Deep Graph Convolutional Networks 打破天花板：更强的多尺度深度图卷积⽹络[论⽂]13.[ICLR 2019] Predict then Propagate: Graph Neural Networks meet Personalized PageRank先预测后传播：图神经⽹络满⾜个性化 PageRank[论⽂][代码]14.[ICCV 2019]DeepGCNs: Can GCNs Go as Deep as CNNs?DeepGCN：GCN能像CNN⼀样深⼊吗？[论⽂][代码(Pytorch)][代码(TensorFlow)]15.[ICML 2018]Representation Learning on Graphs with Jumping Knowledge Networks基于跳跃知识⽹络的图表征学习[论⽂]16.[AAAI 2018]Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning深⼊了解⽤于半监督学习的图卷积⽹络[论⽂]2020年17.[arXiv 2020]Deep Graph Neural Networks with Shallow Subgraph Samplers具有浅⼦图采样器的深图神经⽹络[论⽂]18.[arXiv 2020]Revisiting Graph Convolutional Network on Semi-Supervised Node Classification from an Optimization Perspective从优化的⾓度重新审视半监督节点分类的图卷积⽹络[论⽂]19.[arXiv 2020]Tackling Over-Smoothing for General Graph Convolutional Networks解决通⽤图卷积⽹络的过度平滑[论⽂]20.[arXiv 2020]DeeperGCN: All You Need to Train Deeper GCNsDeeperGCN：训练更深的 GCN 所需的⼀切[论⽂][代码]21.[arXiv 2020]Effective Training Strategies for Deep Graph Neural Networks深度图神经⽹络的有效训练策略[论⽂][代码]22.[arXiv 2020]Revisiting Over-smoothing in Deep GCNs重新审视深度GCN中的过度平滑[论⽂]23.[NeurIPS 2020]Graph Random Neural Networks for Semi-Supervised Learning on Graphs⽤于图上半监督学习的图随机神经⽹络[论⽂][代码]24.[NeurIPS 2020]Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks 散射GCN：克服图卷积⽹络中的过度平滑[论⽂][代码]25.[NeurIPS 2020]Optimization and Generalization Analysis of Transduction through Gradient Boosting and Application to Multi-scale Graph Neural NetworksTransduction through Gradient Boosting 的优化和泛化分析及其在多尺度图神经⽹络中的应⽤[论⽂][代码]26.[NeurIPS 2020]Towards Deeper Graph Neural Networks with Differentiable Group Normalization 迈向具有可微组归⼀化的更深图神经⽹络[论⽂]27.[ICML 2020 Workshop GRL+]A Note on Over-Smoothing for Graph Neural Networks关于图神经⽹络过度平滑的说明[论⽂]28.[ICML 2020]Bayesian Graph Neural Networks with Adaptive Connection Sampling具有⾃适应连接采样的贝叶斯图神经⽹络[论⽂]29.[ICML 2020]Continuous Graph Neural Networks连续图神经⽹络[论⽂]30.[ICML 2020]Simple and Deep Graph Convolutional Networks简单和深度图卷积⽹络[论⽂] [代码]31.[KDD 2020] Towards Deeper Graph Neural Networks⾛向更深的图神经⽹络[论⽂] [代码]32.[ICLR 2020]Graph Neural Networks Exponentially Lose Expressive Power for Node Classification 图神经⽹络对节点分类的表达能⼒呈指数级 下降[论⽂][代码]33.[ICLR 2020] DropEdge: Towards Deep Graph Convolutional Networks on Node Classification DropEdge：迈向节点分类的深度图卷积⽹络[Paper][Code]34.[ICLR 2020] PairNorm: Tackling Oversmoothing in GNNsPairNorm：解决GNN中的过度平滑问题[论⽂][代码]35.[ICLR 2020]Measuring and Improving the Use of Graph Information in Graph Neural Networks测量和改进图神经⽹络中图信息的使⽤[论⽂] [代码]36.[AAAI 2020]Measuring and Relieving the Over-smoothing Problem for Graph Neural Networks from the Topological View从拓扑⾓度测量和缓解图神经⽹络的过度平滑问题[论⽂]同学们是不是发现有些论⽂有代码，有些论⽂没有代码？学姐建议学概念读没代码的，然后再读有代码的，原因的话上周的⽂章有写，花⼏分钟看⼀下【学姐带你玩AI】公众号的——《图像识别深度学习研究⽅向没有导师带该怎么学习》part3/最新款论⽂37.[arXiv 2021]Two Sides of the Same Coin: Heterophily and Oversmoothing in Graph Convolutional Neural Networks同⼀枚硬币的两⾯：图卷积神经⽹络中的异质性和过度平滑[论⽂]38.[arXiv 2021]Graph Neural Networks Inspired by Classical Iterative Algorithms受经典迭代算法启发的图神经⽹络[论⽂]39.[ICML 2021]Training Graph Neural Networks with 1000 Layers训练 1000 层图神经⽹络[论⽂][代码]40.[ICML 2021] Directional Graph Networks ⽅向图⽹络[论⽂][代码]41.[ICLR 2021]On the Bottleneck of Graph Neural Networks and its Practical Implications 关于图神经⽹络的瓶颈及其实际意义[论⽂]42.[ICLR 2021] Adaptive Universal Generalized PageRank Graph Neural Network[论⽂][代码]43.[ICLR 2021]Simple Spectral Graph Convolution简单的谱图卷积[论⽂]。

神经网络经典论文神经网络经典论文神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。

那么关于人工的神经网络的论文应该怎么写呢？下面就和小编一起来看看吧。

摘要：软件需求分析不仅仅是为了让开发者满足用户要求，而且还可以帮助用户了解软件的性能和功能，具有一举两得的效果，但是如果软件需求不符合实际需求，就会出现风险，导致返工。

在BP神经网络的基础上，我们建立了软件需求分析风险评估模型，以减少软件开发的失败率，规避因软件需求分析失误而带来的实际存在的或潜在的风险。

关键词：风险；软件需求；BP神经网络；研究；分析软件开发过程中，需求分析是一个关键性的阶段。

导致它失败的原因有很多，例如开发者和用户之间的沟通障碍、软件本身的隐含性、需求信息的不对称等等。

这些问题导致的返工，增加了开发的成本，也损坏了企业形象，更可能流失掉部分用户。

因此，我们必须对软件需求分析进行风险评估管理，把负面影响降到最低。

现代商业发展中，各企业和企业之间的竞争日趋激烈,掌握最新的技术，对技术进行创新，才是企业在行业内立足脚跟，获得更加长远发展的方法，因此要想牢牢地把握企业的运命就需要我们保持对技术创新的热情，并在这条道路上乐此不疲。

21世纪，只有掌握了最新和最具有创造性的技术，才能赢的最后的胜利，本文把BP网络与软件需求分析风险评估模型相结合，具有十分重要的意义。

1BP神经网络BP神经网络是开发者使用最多的神经网络之一，它具有算法简单、极强的鲁棒性、收敛速度极快等优点。

最重要的一点是能够最大限度的接近其真实系统，非常适合于线性的、不确定的、模糊的软件风险数据。

BP算法是一种用于前向多层神经网络的的反传学习算法。

采用BP算法的数层感知器神经网络模型，它的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。

模糊理论采用模糊数学的方法，通过抽象思维，对处于多种因素作用下的事物做出总体评价。

它的两大主要特征是：第一，结果清晰；第二，系统性强，这非常适合于各种非确定性问题的解决。

人工智能神经网络论文随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。

以下是店铺整理分享的人工智能神经网络论文的相关资料，欢迎阅读!人工智能神经网络论文篇一人工神经网络的发展及应用摘要随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。

人工神经网络的发展经历了不同的阶段，是人工智能的重要组成部分，并且在发展过程中形成了自身独特的特点。

文章对人工神经网络的发展历程进行回顾，并对其在各个领域的应用情况进行探讨。

关键词人工神经网络;发展;应用随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。

人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。

人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。

1人工神经网络概述关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。

人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。

2人工神经网络的发展历程2.1 萌芽时期在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。

基于倒立摆的PID神经元网络的控制系统的研究摘要摆系统是一个典型的强耦合、非线性、高阶次的不稳定系统。

由于摆系统的数学模型是在忽略了次要因素的基础上得出来的，而实际上是一个非线性的系统，当系统受到外部的干扰时，这些次要因素的影响比较突出。

实验采用PID神经元，设计一个神经网络间接自适应控制系统，首先用一个神经网络对摆系统模型进行辨识，辨识完成后，辨识模型的权值与隐层积分元的数值传递给具有同样结构的PID神经元的神经网络控制器，对倒立摆进行自适应控制。

最后根据以上算法，采用6．0编写控制程序，实现对平面一级摆系统的实时控制。

关键词：倒立摆，PID神经元，性能指标，神经网络控制1.倒立摆的数学模型平面一级倒立摆主要由小车和摆杆组成，如图1所示。

在该系统中，假设石()x t为小车至参考点的距离，为摆杆偏离垂直方向的角度，M(1.096kg)为小车的质量，m(0.109kg)为摆杆的质量，l (0.25m)为摆杆转动轴心到杆质心的长度。

J(0.0034kgm2)为摆杆的转动惯量，B (0.02N/m/sec)为摆杆连接处O的阻尼系数，1B(0.1N/m/sec)为小车与导轨丝杆之问的摩擦系数，u为小车的控制输入信号。

2图1 倒立摆在X轴方向的受力情况首先分析小车、摆杆的x轴方向受力情况。

摆杆的转动方向212sin cos d d J B Vl Hl dt dtθθθθ+=- (1) 摆杆的垂直方向22(cos )d l m V mg dtθ=- (2) 摆杆的水平方向，22(cos )d x l m H dt θ+= (3)小车的水平方向222d x dx M B u H dt dt+=- (4) 式中：J —摆杆的转动惯量，2/3J ml =；H 、V —摆杆和小车铰链处的水平与垂直方向的反作用力；12B B 、—小车与导轨之间、摆杆与小车之间的摩擦系数。

消除式(1)、(2)、(3)与(4)中的V 与H ，当θ趋于0时，可以进行线性化处理，即令sin θθ≈，cos 1θ≈，0θ∙≈，整理后得到系统的状态空间方程为[4]2222221222221222010()0()()()()0001()()0()()()x x J ml B mlB m l g J ml x x M J ml mJM J ml mJM J ml mJ M J ml B mlB M m mg M m M J ml mJM J ml mJM J ml mJ θθθθ∙∙∙∙∙∙∙∙⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥-++⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥++++++++⎢⎥=+⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥-++⎢⎥⎢⎥⎣⎦⎢⎥⎢⎥⎣⎦++++++⎣⎦20()mJ u ml M J ml mJ ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥++⎣⎦将参数代人方程之中，可得0100000.08830.62930.04710.88320001000.235727.8285 2.0841 2.3566x x x x θθθθ∙∙∙∙∙∙∙∙⎡⎤⎡⎤⎢⎥⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=+⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥-⎢⎥⎣⎦⎣⎦⎢⎥⎣⎦⎢⎥⎣⎦(6)简化为：X AX Bu ∙=+(7)同样可得到摆系统在轴方向的数学模型。

对于神经网络技术的探究多年以来，科学家们不断从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度探索人脑工作的秘密，希望能制作模拟人脑的人工神经元。

在研究过程中，近年来逐渐形成了一个新兴的多学科交叉技术领域，称之为”人工神经网络”。

神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。

人工神经网络是由大量的简单基本元件-神经元相互联接而成的自适应非线性动态系统。

每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。

人工神经网络的基本结构模仿人脑，反映了人脑功能的若干基本特性，能够自身适应环境、总结规律、完成某种运算、识别或过程控制。

人工神经网络具有并行处理特征，可以大大提高工作速度。

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。

第二，具有联想存储功能。

第三，具有高速寻找优化解的能力。

1 神经网络的学习方法神经网络的学习也称为训练，指的是神经网络在外界环境的刺激作用下调整网络自由参数，并以新的方式来响应外部环境的过程。

能够从环境中学习并在学习中提高自身性能是神经网络最有意义的性质。

理想情况下，神经网络在每一次重复学习后，对它的环境有了更多的了解。

（1）监督学习（有教师学习）在学习时需要由教师提供期望输出，通常神经网络对于周围的环境未知而教师具有周围环境的知识，输入学习样本，教师可以根据自身的知识为训练样本提供最佳逼近结果，神经网络的自由参数在误差信号的影响下进行调整，其最终目的是让神经网络模拟教师。

（2）非监督学习（无教师学习）它也称为自组织学习，系统在学习过程中，没有外部教师信号，而是提供给一个关于网络学习性质的度量，它独立于学习任务，以此尺度来逐步优化网络，一旦网络与输入数据的统计规律达成一致，那么它将发展形成用于输入数据编码特征的内部表示能力，从而自动创造新的类别。

（3）强化学习（激励学习）在强化学习系统中，对输入输出映射的学习是通过与外部环境的不断交互作用来完成学习，目的是网络标量函数值最小，即外部环境对系统输出结果只给出评价信息（奖或罚）而不是给出正确答案，学习通过强化那些受奖的动作来改善自身性能。

《神经网络的稳定性研究》论文
神经网络的稳定性研究
近年来，神经网络技术在多个领域得到了广泛的应用，尤其是自然语言处理、图像分类和计算机视觉等方面。

然而，这项技术目前仍存在一些不足之处，例如稳定性问题。

稳定性是指系统在一定条件下行为保持不变的能力，是神经网络程序中最重要的性质之一。

本文旨在探讨神经网络系统的稳定性研究，提出稳定性研究的概念，并从网络结构、激活函数和学习算法三个方面具体分析。

首先，从网络结构的角度分析神经网络的稳定性，涉及的内容包括突触的强度、神经元联接的密度和网络结构的复杂度等。

通过仔细控制上述参数，可以改善网络的稳定性。

其次，从激活函数的角度分析神经网络的稳定性，涉及的内容包括激活函数类型、激活函数参数和激活函数的可拓展性等。

选择合适的激活函数能够有效地降低网络的不稳定性，而灵活的激活函数能够有效地扩展神经网络的空间。

最后，从学习算法的角度分析神经网络的稳定性，涉及的内容包括学习算法的优化策略、学习算法的正则化和学习算法的泛化能力等。

通过改进优化算法，在一定程度上可以提升系统的稳定性。

此外，采用一定的正则化策略可以降低神经网络模型的复杂性，减少过拟合现象，进而提升网络的稳定性。

综上所述，神经网络稳定性研究是一项重要的研究内容，其中涉及的内容包括网络结构、激活函数和学习算法三个方面。

研究人员可以通过仔细控制上述参数，有效地改进神经网络的稳定性，为将神经网络技术应用于商业应用奠定基础。

摘要神经网络是一门发展十分迅速的交叉学科，它是由大量的处理单元组成非线性的大规模自适应动力系统。

神经网络具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想等特点。

目前已经提出了多种训练算法和网络模型，其中应用最广泛的是前馈型神经网络。

前馈型神经网络训练中使用最多的方法是误差反向传播(BP)学习算法。

但随着使用的广泛，人们发现BP网络存在收敛速度缓慢、易陷入局部极小等缺陷。

于是我们就可以分析其产生问题的原因，从收敛速度和局部极小两个方面分别提出改进的BP网络训练方法。

关键字：神经网络，收敛速度，局部极小，BP网络，改进方法AbstractNeural network is a cross discipline which now developing very rapidly, it is the nonlinearity adaptive power system which made up by abundant of the processing units . The neural network has features such as distributed storage, parallel processing, high tolerance and good self-learning, adaptive, associate, etc. Currently various training algorithm and network model have been proposed , which the most widely used type is Feedforward neural network model. Feedforward neural network training type used in most of the method is back-propagation (BP) algorithm. But with the use of BP network, people find that the convergence speed is slow, and easy fall into the local minimum. So we can analyze the causes of problems, from the two aspects respectively we can improve the BP training methods of neural network. Keywords：neural network，convergence speed，local minimum，BP neural network improving methods目录1 神经网络概述 (3)1.1生物神经元模型............................. 错误!未定义书签。

智能控制导论论文●系别：●班级：●学号：●姓名：●日期：人工神经网络关键词:人工神经网络、产生、发展、应用内容摘要:人工神经网络是二十世纪科学技术所取得的重大成果之一，是人类认识自然道路上的又一座里程碑。

90年代以来，国际学术界掀起了研究人工神经网络的热潮，但是探讨其哲学思想方面的研究相对薄弱。

我们知道，任何一门影响巨大、意义深远的科学技术，其发展过程必然揭示了科学技术发展的基本规律以及影响其发展的主要因素。

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”。

人工神经网络是一门发展十分迅速的交叉学科，它是由大量处理单元组成的非线性大规模自适应动力系统，具有学习能力、记忆能力、计算能力以及智能处理能力，并在不同程度和层次上模仿人脑神经系统的信息处理、存储及检索功能。

同时，人工神经网络具有非线性、非局域性、非定常性、非凸性等特点，因此在智能控制、模式识别、计算机视觉、自适应滤波和信号处理、非线性优化、自动目标识别、连续语音识别、声纳信号的处理、知识处理、智能传感技术与机器人、生物医学工程等方面都有了长足的发展。

人工神经网络产生的背景自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。

生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。