当前位置：文档之家 › 人工神经网络1共74页文档

人工神经网络1共74页文档

  • 格式：ppt
  • 大小：563.50 KB
  • 文档页数：74

下载文档原格式

  / 74

合集下载

《人工神经网络》课件

《人工神经网络》课件
添加项标题
动量法：在梯度下降法的基础上，引入动量项，加速收敛速 度
添加项标题
RMSProp：在AdaGrad的基础上，引入指数加权移动平 均，提高了算法的稳定性和收敛速度
添加项标题
随机梯度下降法：在梯度下降法的基础上，每次只使用一个 样本进行更新，提高了训练速度
添加项标题
AdaGrad：自适应学习率算法，根据历史梯度的平方和来 调整学习率，解决了学习率衰减的问题
情感分析：分析文本中的情感 倾向，如正面评价、负面评价 等
推荐系统
推荐系统是一种基于用户历史行为 和偏好的个性化推荐服务
推荐算法：协同过滤、深度学习、 矩阵分解等
添加标题
添加标题
添加标题
添加标题
应用场景：电商、社交媒体、视频 网站等
应用效果：提高用户满意度、增加 用户粘性、提高转化率等
Part Six
类型：Sigmoid、 Tanh、ReLU等
特点：非线性、可 微分
应用：深度学习、 机器学习等领域
权重调整
权重调整的目的：优化神经网络的性能 权重调整的方法：梯度下降法、随机梯度下降法等 权重调整的步骤：计算损失函数、计算梯度、更新权重 权重调整的影响因素：学习率、批次大小、优化器等
Part Four
《人工神经网络》PPT 课件
,
汇报人：
目录
01 添 加 目 录 项 标 题 03 神 经 网 络 基 础 知 识 05 神 经 网 络 应 用 案 例 07 未 来 发 展 趋 势 与 挑 战
02 人 工 神 经 网 络 概 述 04 人 工 神 经 网 络 算 法 06 神 经 网 络 优 化 与 改 进
深度学习算法
卷积神经网络（CNN）：用于图像处理和识别 循环神经网络（RNN）：用于处理序列数据，如语音识别和自然语言处理 长短期记忆网络（LSTM）：改进的RNN，用于处理长序列数据 生成对抗网络（GAN）：用于生成新数据，如图像生成和文本生成

一章节人工智能概述 共74页PPT资料

一章节人工智能概述 共74页PPT资料

14.09.2019
人工智能
13
行为模拟，控制进化
行为模拟是一种基于感知－行为模型 的研究途径和方法，它是在模拟人在控制 过程中的智能活动和行为特性，如自适应 ，自寻优、自学习、自组织等，来研究和 实现人工智能。
以行为模拟方法研究人工智能者，被 称为行为主义、进化主义、控制论学派。
14.09.2019
难题求解 自动定理证明 自动程序设计 自动翻译 智能控制 智能管理 智能决策 智能通信 智能仿真 智能CAD 智能CAI
14.09.2019
人工智能
34
自动程序设计
自动程序设计
自动程序设计就是人只要给出关于某程序要求的 非常高级的描述，计算机就会自动生成一个能完成这 个要求目标的具体程序。
14.09.2019
人工智能
39
基于应用领域的领域划分
难题求解 自动定理证明 自动程序设计 自动翻译 智能控制 智能管理 智能决策 智能通信 智能仿真 智能CAD 智能CAI
14.09.2019
人工智能
40
智能管理
智能管理是人工智能与管理科学、系统工程、计 算机技术及通信技术等多学科、多技术相结合、互相 渗透而产生的一门新技术、新学科。它研究如何提高 计算机管理系统的智能水平以及智能管理系统的设计 理论、方法与实现技术。
14.09.2019
人工智能
3
人工智能的概念
什么是人工智能 为什么研究人工智能 人工智能的目标 人工智能的表现形式
14.09.2019
人工智能
4
什么是人工智能
人工智能
人工智能（Artificial Intelligence）简称AI， 主要研究如何用人工的方法和技术，使用各种自动化 机器或智能机器（主要指计算机）模仿、延伸和扩展 人的智能，实现某些机器思维或脑力劳动自动化。

人工神经网络教学课件

人工神经网络教学课件
2006年
Hinton等人提出了深度学习的概念，使得神经网络的层次和参数数量大大增加，提高了模型的表示能力和泛化能力。
1997年
Bengio等人提出了卷积神经网络（CNN），用于图像识别和处理。
感知机模型：由输入层、隐藏层和输出层组成，通过权重和激活函数实现非线性映射，完成分类或识别任务。
人工神经网络的基本结构
人工神经网络教学课件
目录
CONTENTS
人工神经网络简介人工神经网络的基本结构常见的人工神经网络模型人工神经网络的训练与优化人工神经网络的应用场景人工神经网络的未来展望
人工神经网络简介
人工神经网络是一种模拟生物神经网络结构和功能的计算模型，由多个神经元相互连接而成，通过训练和学习来处理和识别数据。
适用于小样本数据集和高维数据集
支持向量机在小样本数据集和高维数据集上表现良好，因为它主要基于数据的内积运算，而不是计算输入空间中的距离。这使得它在文本分类、生物信息学等领域得到广泛应用。
核函数的选择对模型性能影响较大
支持向量机通过核函数将输入空间映射到高维特征空间，然后在这个空间中找到最优决策边界。不同的核函数会导致不同的决策边界，因此选择合适的核函数对模型性能至关重要。
总结词
自然语言处理是人工神经网络的另一个应用领域，通过训练神经网络理解和生成自然语言文本，实现文本分类、情感分析、机器翻译等功能。
自然语言处理是利用人工神经网络对自然语言文本进行分析、理解和生成，广泛应用于搜索引擎、智能问答、新闻推荐等领域。通过训练神经网络理解和生成自然语言文本，可以实现文本分类、情感分析、机器翻译等功能，提高自然语言处理的准确性和效率。
人工神经网络具有自适应性、非线性、并行处理和鲁棒性等特点，能够处理复杂的模式识别和预测问题。

人工神经网络74068共39页文档

人工神经网络74068共39页文档
突触有两种：兴奋性突触和抑制性突触。前者 产生正突触后电位，后者产生负突触后电位。
2020/5/25
毕节学院 左建军
4
人工神经网络基本概念
• 1．2 人工神经元模型 生物神经元是一个多输入、单输出单元。
常用的人工神经元模型可用图2模拟。
图2 人工神经元模型
2020/5/25
毕节学院 左建军
5
人工神经网络基本概念
2020/5/25
毕节学院 左建军
7
人工神经网络基本概念
图3 常见响应函数
2020/5/25
毕节学院 左建军
8
人工神经网络基本概念
• 1.3 建立和应用神经网络的步骤
（1）网络结构的确定 包含网络的拓扑结构和每个神经元相应函数的选取；
（2）权值和阈值的确定 通过学习得到，为有指导的学习，也就是利用已知的
22
三. 阶 跃 网 络
• 3.2 阶跃网络的MATLAB实现 产生网络的命令： net=newp(A,n); 数据意义和其他命令均与线性网络相同。
例4：略
2020/5/25
毕节学院 左建军
23
四. 多层前向神经网络
图4 二层前向神经网络示意图
x1
x2
……
xn 输入层
2020/5/25
…
…
隐藏层
2020/5/25
毕节学院 左建军
16
单层前向线性网络
2020/5/25
毕节学院 左建军
17
单层前向线性网络
体会：最小二乘规则与误差修正规则的区别。 感受：牛顿迭代与误差修正在梯度下降方面的异同。
2020/5/25
毕节学院 左建军
18

《人工神经网络》课件

《人工神经网络》课件

拟牛顿法
改进牛顿法的不足，使用正定矩阵近 似Hessian矩阵，提高优化效率。
共轭梯度法
结合梯度下降法和共轭方向的思想， 在每一步迭代中选择合适的共轭方向 进行搜索。
遗传算法
模拟生物进化过程的优化算法，通过 选择、交叉、变异等操作寻找最优解 。
正则化技术
L1正则化
对权重参数的绝对值进行惩罚总结词
自然语言处理是利用人工神经网络对自然语言文本进行分析和处理的技术。
详细描述
自然语言处理是实现人机文本交互的关键技术之一，通过训练神经网络对大量文本数据进 行学习，可以实现对文本的自动分类、情感分析、机器翻译等功能。
具体应用
在社交媒体领域，自然语言处理技术可以用于情感分析和舆情监控；在新闻媒体领域，可 以用于新闻分类和摘要生成；在机器翻译领域，可以用于实现多语言之间的自动翻译。
06
人工神经网络的未 来展望
新型神经网络模型的研究
持续探索新型神经网络模型
随着技术的不断发展，新型神经网络模型的研究将不断涌现，以解决传统模型无法处理 的复杂问题。这些新型模型可能包括更复杂的拓扑结构、更高效的参数优化方法等。
结合领域知识进行模型设计
未来的神经网络模型将更加注重与领域知识的结合，以提高模型的针对性和实用性。例 如，在医疗领域，结合医学影像和病理学知识的神经网络模型能够更准确地辅助医生进
THANKS
感谢您的观看
文字、人脸等目标的技术。
02 03
详细描述
图像识别是人工神经网络应用的重要领域之一，通过训练神经网络对大 量图像数据进行学习，可以实现对图像的自动分类、目标检测、人脸识 别等功能。
具体应用
在安防领域，图像识别技术可以用于人脸识别和视频监控；在医疗领域 ，可以用于医学影像分析；在电商领域，可以用于商品图片的自动分类 和检索。

人工神经网络基础文档资料

人工神经网络基础文档资料
31
<1> 层次型神经网络
（1）前向神经网络 神经元分层排列，顺序连接。由输入层施加输入信息，通过 中间各层，加权后传递到输出层后输出。每层的神经元只接 受前一层神经元的输入，各神经元之间不存在反馈。
32
<1> 层次型神经网络
（2）层内有互联的前向神经网络 在前向神经网络中有 的在同一层中的各神经元相互有连接,通过层内神经元的 相互结合，可以实现同一层内神经元之间的横向抑制或兴 奋机制，这样可以限制每层内能同时动作的神经元数，或 者把每层内的神经元分为若干组，让每组作为一个整体来 动作。
41
<2> 神经网络的学习规则
2、纠错式学习— Delta(δ)学习规则
首先我们考虑一个简单的情况：设某神经网络的输 出层中只有一个神经元i，给该神经网络加上输入，这样 就产生了输出yi(n)，称该输出为实际输出。
对于所加上的输入，我们期望该神经网络的输出为
d(n),称为期望输出或目标输出（样本对里面包含输入和
1949年，心理学家Hebb提出神经系统的学习规则， 为神经网络的学习算法奠定了基础。现在，这个规 则被称为Hebb规则，许多人工神经网络的学习还 遵循这一规则。
3
一 人工神经网络发展
1957年，F.Rosenblatt提出“感知器”(Perceptron) 模型，第 一次把神经网络的研究从纯理论的探讨付诸工程实践，掀 起了人工神经网络研究的第一次高潮。
在互连网络模型中，任意两个神经元之间都可能有相互 连接的关系。其中，有的神经元之间是双向的，有的是单 向的。
Hopfield网络、Boltzman机网络属于这一类。
35
<2> 互联型神经网络
在无反馈的前向网络中，信号一旦通过某个神经元，过 程就结束了。而在互连网络中，信号要在神经元之间反复往 返传递，神经网络处在一种不断改变状态的动态之中。从某 个初始状态开始，经过若干次的变化，才会到达某种平衡状 态，根据神经网络的结构和神经元的特性，还有可能进入周 期振荡或其它如浑沌等平衡状态。

人工神经网络ppt课件

LOGO
人工神经网络ppt课件
感知器
• 一种类型的ANN系统是以感知器为基础
• 感知器以一个实数值向量作为输入，计 算这些输入的线性组合，如果结果大于 某个阈值，就输出1，否则输出-1
o(x1,..xn .), 11w 0w 1o x1 t.h..ew nrxnw 0ise
其 值 率中，。每用特个来别w决地i是定 ，一输-w个入0是实xi阈对数值感常。知量器，输或出叫的做贡权献
• 算法的一种常用改进方法是随着梯度下降步数 的增加逐渐减小学习速率
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
26
梯度下降的随机近似
• 梯度下降是一种重要的通用学习范型，它是搜 索庞大假设空间或无限假设空间一种策略
• 梯度下降应用于满足以下条件的任何情况
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
33
可微阈值单元
• 使用什么类型的单元来构建多层网络？
• 多个线性单元的连接仍产生线性函数，而我们 希望构建表征非线性函数的网络
Байду номын сангаас
• 感知器单元可以构建非线性函数，但它的不连 续阈值使它不可微，不适合梯度下降算法
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
25
梯度下降法则的推导（4）
• 梯度下降算法如下
– 选取一个初始的随机权向量 – 应用线性单元到所有的训练样例，根据公式4.7计算
每个权值的w 更新权值
• 因为误差曲面仅包含一个全局的最小值，所以 无论训练样例是否线性可分，算法都会收敛到 具有最小误差的权向量，条件是使用足够小的 学习速率

人工神经网络.pdf

更新
y(t )(w(t − 1) ∗ x(t )) > 0 . y(t )(w(t − 1) ∗ x(t )) ≤ 0
（ x (t ) 分错）
控制收敛速度的参数
5.1 感知机

学习算法收敛性：
对线性可分的数据有下面的定理。
定理(Novikoff)：假设训练数据有界 x(i ) ≤ D， 两类样本的最大边界距离(maximal margin)为 2ρ （线性SVM）。则当学习速度参数η = 1 时， 2 次更新就会收敛。 D 感知机学习算法至多做
x2
x1 0 0 1 1
A
B
B
A
x1
5.2 多层感知机

解决XOR问题
x2
A
B
B
A
x1
5.2 多层感知机

两层神经网络解决XOR问题的真值表
第一层
x1 0 0 1 1
x2 0 1 0 1
y1 0 1 1 1
y2 0 0 0 1
第二 层 B(0) A(1) A(1) B(0)
y2
B
BLeabharlann Ay15.2 多层感知机
5.2 多层感知机

例: (XOR问题)

问题的提出以及重要性：



1956-1958年Rosenblatt提出感知机，是为了实现 另一种形式（模拟）的计算机。与数字计算机形 成鲜明对照。 数字计算机是用逻辑门电路实现的。逻辑门电路 的设计：AND, OR, NOT; 实际上，数字计算机的所有逻辑电路都是用XOR 门实现的。
MLPs具有一致逼近能力，因此可以学习这个函 数，也就解决了XOR问题。后面要讲到的RBF网 络也是一致逼近子，也可以解决XOR问题。

人工神经网络-PPT精品文档

• O（0）=0
• 考虑仅在t=0时加X的情况。 • 稳定性判定
多级网
x1 o1
x2
o2
…
xn
…
…
…
…
…
… om
输入层
隐藏层
输出层
• 层次划分 –信号只被允许从较低层流向较高层。 –层号确定层的高低：层号较小者，层次 较低，层号较大者，层次较高。 – 输入层：被记作第0层。该层负责接收来 自网络外部的信息
人工神经网络的概念
• Simpson（1987年） • 人工神经网络是一个非线性的有向图，图 中含有可以通过改变权大小来存放模式的 加权边，并且可以从不完整的或未知的输 入找到模式。
生物神经元模型
神经元的生物学解剖
神经元模型
1 细胞体 • 细胞体是由很多分子形成的综合体，内部 含有一个细胞核、核糖体、原生质网状结 构等，它是神经网络活动的能量供应地， 并进行新陈代谢等各种生化过程。 2 树突 • 细胞体的伸延部分产生的分支称为树突， 树突是接受从其他神经元传入信息的入口。
4、S形函数
o a+b
c=a+b/2
(0,c)
net
a
联接模式
联接模式
• 层次（又称为“级”）的划分，导致了神 经元之间的三种不同的互连模式： • 1、 层（级）内联接 –层内联接又叫做区域内（Intra-field）联 接或侧联接（Lateral）。 –用来加强和完成层内神经元之间的竞争 • 2、 循环联接 –反馈信号。
神经元模型
3 轴突 • 细胞体突起的最长的外伸管状纤维称为轴 突，最长可达1m以上。轴突是将神经元兴 奋的信息传到其他神经元的出口。 4 突触 • 一个神经元与另一个神经元之间相联系并 进行信息传送的结构称为突触。 神经元是构成神经网络的最基本单元（构 件）。

人工神经网络

人工神经网络大脑是由约100亿个高度互联的神经元组成的，这些神经元构成一个协同处理的复杂网络结构，即神经网络，成为认知的物质与生理基础。

人工神经网络是模拟大脑构建的计算模型，由大量模拟神经元的处理单元——人工神经元构成，形成一个大规模的非线性自适应系统，拥有学习、记忆、计算以及智能处理能力，可以在一定程度上模拟人脑的信息储存、检索和处理能力。

6.1 感知机6.1.1 感知机模型1957年康奈尔大学的Rosenblatt提出了感知机的概念。

感知机模拟生物神经元，接收一个或者多个输入，处理后输出一个结果。

图6-1是感知机的示意图。

图6-1 感知机示意图感知机可以有一到多个输入，每个输入带有一个权重w，用来表示该输入的i和b构成了感知机的参数集合。

感知机重要程度，每个感知机有一个偏置b，wi计算输入的线性组合(或者叫作预激活)并将其交予激活函数f(a)得到输出y。

激活函数用于模拟生物神经元的激活与非激活状态，通常采用阶梯函数、sigmoid函数和分段线性函数及其变体。

图6-2给出了几种激活函数的定义和图形。

图6-2 几种激活函数6.1.2 感知机学习策略依据训练样本的数据确定wi 和b(不区分的时候统一记为θi)值的过程就是感知机的学习过程，其学习算法基于误差驱动。

首先，将未经学习的θi设置为0或者很小的随机值，然后对训练集中的每个样本进行分类预测，并根据预测结果更新参数值。

参数更新依据式(6-1)进行。

其中是样本j的实际类别;yj (t)是样本j的本次预测类别;xji是样本j的第i个特征;η是控制学习速率的超参数，叫作学习率。

显然，如果预测正确-yj(t)=0，则参数不需要更新，否则更新参数，这种更新规则类似于梯度下降算法。

学习遍历训练集中的每个样本称为一个训练周期(Epoch)。

如果在一个训练周期内对所有样本都分类正确，则模型达到收敛状态，停止训练;否则，进入下一周期，直至模型收敛，或者达到最大训练周期数。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5、周志华, 曹存根主编 .神经网络及其应用. 清华大学出版社, 2019
6、吴微. 神经网络计算. 高等教育出版 社,2019
7、罗发龙, 李衍达. 神经网络信号处理.电子 工业出版社,1993
8、黄德双. 神经网络模式识别系统理论.电子 工业出版社,2019
2020/4/16
主要内容
• 人工智能 • ANN基础 • Perceptron • BP • CPN • Hopfield网
（3） Rumellhart，McClelland，Hinton的 PDP
➢ 一组处理单元（PE或AN）； ➢ 处理单元的激活状态（ai）； ➢ 每个处理单元的输出函数（fi）； ➢ 处理单元之间的联接模式； ➢ 传递规则（∑wijoi）； ➢ 把处理单元的输入及当前状态结合起来产生激活
• 三大学术流派
–符号主义（逻辑主义）学派 –行为主义（进化主义）学派 –联接主义学派
2020/4/16
1.1 人工神经网络的提出
• 1.1.1 物理符号系统 •
人脑的反映 形式化
现实
信息
数据
物理系统
物理符号系统 表现智能
2020/4/16
1.1 人工神经网络的提出
• Newell和Simon假说 ：一个物理系统表现 智能行为的充要条件是它有一个物理符号 系统
主要参考书目
1、蒋宗礼.人工神经网络导论. 高等教育出 版社，2019.
2、张立明.人工神经网络的模型及其应用. 复旦大学出版社,1993.
3、Simon Haykin. 神经网络原理.机械工业 出版社,2019
4、胡守仁等. 神经网络导论. 国防科技大 学出版社,1993
2020/4/16
主要参考书目
据并行处理
模拟对象 左脑（逻辑思维）
右脑（形象思维）
2020/4/16
1.2 人工神经网络的概念
• 1、别名 • 人工神经系统（ANS） • 神经网络（NN） • 自适应系统（Adaptive Systems）、自适应
网（Adaptive Networks） • 联接模型（Connectionism） • 神经计算机（Neurocomputer）
2020/4/16
第1章 引言
• 主要内容： –人工智能； –ANN的特点； –历史回顾与展望
• 重点： –智能的本质； –ANN是一个非线性大规模并行处理系 统
• 难点：对智能的刻画
2020/4/16
第1章 引言
1.1 人工神经网络的提出 1.2 人工神经网络的特点 1.3 历史回顾
2020/4/16
–物理结构 –计算模拟 –存储与操作 –训练
2020/4/16
1.1 人工神经网络的提出
• 1.1.4 两种模型的比较
物理符号系统
心理过程
逻辑思维
高级形式（思维的表象）
生理过程
形象思维
低级形式（思维的根本）
仿生
联结主义观点
人工神经网络
2020/4/16
1.1 人工神经网络的提出
• 物理符号系统和人工神经网络系统的差别
1.1 人工神经网络的提出
• 人工智能 (Artificial Intelligence，AI) • 人工智能：研究如何使类似计算机这样的设
备去模拟人类的这些能力。 • 研究人工智能的目的
– 增加人类探索世界，推动社会前进的能力 –进一步认识自己
2020/4/16
1.1 人工神经网络的提出
• 人类对人工智能的研究可以分成两种方式对 应着两种不同的技术： –传统的人工智能技术—心理的角度模拟 –基于人工神经网络的技术—生理的角度 模拟
• 认为符号主义(还包括联结主义)对真实世界客观 事物的描述及其智能行为工作模式是过于简化的 抽象，因而是不能真实地反映客观存在的。
2020/4/16
1.1 人工神经网络的提出
• 1.1.3 联接主义观点 • 核心：智能的本质是联接机制。 • 神经网络是一个由大量简单的处理单元组
成的高度复杂的大规模非线性自适应系统 • ANN力求从四个方面去模拟人脑的智能行为
2020/4/16
1.2 人工神经网络的概念
2.概念 ANNs是对人脑或自然神经网络若干基本 特性的抽象和模拟，一般由简单元件分 层次组织成大规模的、并行连接构造的 网络，意在按照生物神经系统的方式处 理真实世界的客观事物。
2020/4/16
1.2 人工神经网络的概念
（ 1 ） 国 际 著 名 NNs 研 究 专 家 HechtNielsen给ANNs的定义为：人工神经网络 的建立是以有向图为拓扑结构的动态系 统，它通过对连续或断续的输入作状态 响应而进行信息处理。 ➢有向图为拓扑结构 ➢动态系统 ➢响应输入
• 局限：
–对全局性判断、模糊信息处理、多粒度的视觉 信息处理等是非常困难的。
2020/4/16
1.1 人工神经网络的提出
• 1.1.2 行为主义
• 认为智能取决于感知和行动，提出智能行为的 “感知－动作”模式。
• 行为主义者认为智能不需要知识、不需要表示、 不需要推理；人工智能可以像人类智能一样逐步 进化(所以称为进化主义)
• 概念：物理符号系统需要有一组称为符号 的实体组成，它们都是物理模型，可以在 另一类称为符号结构的实体中作为成分出 现，以构成更高级别的系统
2020/4/16
1.1 人工神经网络的提出
• 困难：
– 抽象——舍弃一些特性，同时保留一些特性 – 形式化处理——用物理符号及相应规则表达物
理系统的存在和运行。
基本开发 设计规则、框架、程序；定义人工神经网络的结构原型，通过样本
方法
用 样本 数 据 进 行 调 试 数据，依据基本的学习算法完成学习——
（由人根据已知的环境 自动从样本数据中抽取内涵（自动适应应
去构造一个模型）
用环境）
适应领域 精确计算：符号处理， 非精确计算：模拟处理，感觉，大规模数
数值计算
项目
物理符号系统 人工神经网络
处理方式 逻辑运算
模拟运算
执行方式 串行
并行
动作
离散
连续
存储
局部集中
全局分布
2020/4/16
1.1 人工神经网络的提出
• 两种人工智能技术的比较
项目
传统的AI技术
ANN技术
基本实现 串行处理；由程序实现 并行处理；对样本数据进行多目标学习；
方式
控制
通过人工神经元之间的相互作用实现控制
2020/4/16
1.2 人工神经网络的概念
（2）Simpson：人工神经网络是一个非 线性的有向图，图中含有可以通过改 变权大小来存放模式的加权边，并且 可以从不完整的或未知的输入找到模 式。
➢非线性的有向图 ➢加权边、存放模式 ➢不完整、未知输入的处理
2020/4/16
1.2 人工神经网络的概念