人工神经网络1-基础知识

神经网络基本知识、BP神经网络一．概述1.1神经网络的定义人工神经网络(Artificial Neural Networks，简写为 ANNs)是由大量类似于生物神经元的处理单元相互连接而成的非线性复杂网络系统。

它是用一定的简单的数学模型来对生物神经网络结构进行描述，并在一定的算法指导下，使其能够在某种程度上模拟生物神经网络所具有的智能行为，解决传统算法所不能胜任的智能信息处理的问题。

它是巨量信息并行处理和大规模并行计算的基础，神经网络既是高度非线性动力学系统，又是自组织自适应系统，可用来描述认知、决策和控制的智能行为。

1.2 神经网络的发展历史对人工神经网络的研究始于 1943 年，经历 60 多年的发展，目前已经在许多工程研究领域得到了广泛应用。

但它并不是从一开始就倍受关注，它的发展道路曲折、几经兴衰，大致可以分为以下五个阶段：①奠基阶段：1943 年，由心理学家 McCulloch 和数学家 Pitts 合作，提出第一个神经计算模型，简称 M-P 模型，开创了神经网络研究这一革命性的思想。

②第一次高潮阶段：20 世纪 50 年代末 60 年代初，该阶段基本上确立了从系统的角度研究人工神经网络。

1957 年 Rosenblatt 提出的感知器(Perceptron)模型，可以通过监督学习建立模式判别能力。

③坚持阶段：随着神经网络研究的深入开展，人们遇到了来自认识、应用实现等方面的难题，一时难以解决。

神经网络的工作方式与当时占主要地位的、以数学离散符号推理为基本特征的人工智能大相径庭，但是更主要的原因是：当时的微电子技术无法为神经网络的研究提供有效的技术保证，使得在其后十几年内人们对神经网络的研究进入了一个低潮阶段。

④第二次高潮阶段：20 世纪 70 年代后期，由于神经网络研究者的突出成果，并且传统的人工智能理论和 Von.Neumann 型计算机在许多智能信息处理问题上遇到了挫折，而科学技术的发展又为人工神经网络的物质实现提供了基础，促使神经网络的研究进入了一个新的高潮阶段。

⼈⼯神经⽹络是什么⽬录⼀、⼈⼯神经⽹络⼈⼯智能的主流研究⽅法是连接主义，通过⼈⼯构建神经⽹络的⽅式模拟⼈类智能。

⼈⼯神经⽹络（Artificial Neural Network，即ANN ），是20世纪80 年代以来⼈⼯智能领域兴起的研究热点。

它从信息处理⾓度对⼈脑神经元⽹络进⾏抽象，建⽴某种简单模型，按不同的连接⽅式组成不同的⽹络。

⼈⼯神经⽹络借鉴了⽣物神经⽹络的思想，是超级简化版的⽣物神经⽹络。

以⼯程技术⼿段模拟⼈脑神经系统的结构和功能，通过⼤量的⾮线性并⾏处理器模拟⼈脑中众多的神经元，⽤处理器复杂的连接关系模拟⼈脑中众多神经元之间的突触⾏为。

⼆、⽣物神经⽹络⼈脑由⼤约千亿个神经细胞及亿亿个神经突触组成，这些神经细胞及其突触共同构成了庞⼤的⽣物神经⽹络每个神经元伸出的突起分为树突和轴突。

树突分⽀⽐较多，每个分⽀还可以再分⽀，长度⼀般⽐较短，作⽤是接受信号。

轴突只有⼀个，长度⼀般⽐较长，作⽤是把从树突和细胞表⾯传⼊细胞体的神经信号传出到其他神经元。

⼤脑中的神经元接受神经树突的兴奋性突触后电位和抑制性突触后电位，产⽣出沿其轴突传递的神经元的动作电位。

⽣物神经⽹络⼤概有以下特点：1. 每个神经元都是⼀个多输⼊单输出的信息处理单元，神经元输⼊分兴奋性输⼊和抑制性输⼊两种类型2. 神经细胞通过突触与其他神经细胞进⾏连接与通信，突触所接收到的信号强度超过某个阈值时，神经细胞会进⼊激活状态，并通过突触向上层神经细胞发送激活细号3. 神经元具有空间整合特性和阈值特性，较⾼层次的神经元加⼯出了较低层次不具备的“新功能”4. 神经元输⼊与输出间有固定的时滞，主要取决于突触延搁外部事物属性⼀般以光波、声波、电波等⽅式作为输⼊，刺激⼈类的⽣物传感器。

三、硅基智能与碳基智能⼈类智能建⽴在有机物基础上的碳基智能，⽽⼈⼯智能建⽴在⽆机物基础上的硅基智能。

碳基智能与硅基智能的本质区别是架构，决定了数据的传输与处理是否能够同时进⾏。

实验十二: 神经网络及其在数据拟合中的应用（设计性实验）一、实验目的1.了解神经网络的基本知识。

2.学会用matlab神经网络工具箱进行数据拟合。

3.通过实例学习matlab神经网络工具箱的应用。

二、实验原理人工神经网络是在对复杂的生物神经网络研究和理解的基础上发展起来的。

我们知道, 人脑是由大约个高度互连的单元构成, 这些单元称为神经元, 每个神经元约有个连接。

仿照生物的神经元, 可以用数学方式表示神经元, 引入人工神经元的概念, 并由神经元的互连可以定义出不同种类的神经网络。

1.神经网络的概念及结构单个人工神经元的数学表示形式如图1所示。

其中, 为一组输入信号, 它们经过权值加权后求和, 再加上阈值, 则得出的值。

可以认为该值为输入信号与阈值所构成的广义输入信号的线性组合。

该信号经过传输函数可以得出神经元的输出信号。

图1由若干个神经元相互连接, 则可以构成一种网络, 称为神经网络。

由于连接方式的不同, 神经网络的类型也不同。

这里仅介绍前馈神经网络, 因为其权值训练中采用误差逆向传播的方式, 所以这类神经网络更多地称为反向传播（back propagation）神经网络, 简称BP神经网络。

BP网的基本结构如下图所示:MATLAB的神经网络工具箱提供了现成的函数和神经网络类, 可以使用newff()函数来建立一个前馈的BP神经网络模型。

newff()的具体调用格式如下:net=newff(x,y,[h1,h2,…,hk],{f1,f2,…,fk})其中, x为输入向量, y为输出（目标）向量。

[h1,h2,…,hk]是一个行向量, 用以存储神经网络各层的节点数, 该向量的大小等于神经网络隐层的层数。

{f1,f2,…,fk}为一个元胞数组, 由若干个字符串构成, 每个字符串对应于该层的传输函数类型。

当这些参数设定好后, 就建立了一个神经网络数据对象net, 它的一些重要属性在下表给出。

2.神经网络的训练和泛化若建立了神经网络模型net, 则可以调用train()函数对神经网络参数进行训练。

人工神经网络知识概述人工神经网络（Artificial Neural Networks，ANN）系统是20世纪40年代后出现的。

它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。

BP（Back Propagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。

BP 神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。

而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。

人工神经元的研究起源于脑神经元学说。

19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。

人们认识到复杂的神经系统是由数目繁多的神经元组合而成。

大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。

神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。

但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。

细胞体内有细胞核，突起的作用是传递信息。

树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。

树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。

在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。

突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。

每个神经元的突触数目正常，最高可达10个。

各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。

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。