人工神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連線模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分散式並行信息處理的算法數學模型。這種網路依靠系統的複雜程度，通過調整內部大量節點之間相互連線的關係，從而達到處理信息的目的。
基本介紹
- 中文名：神經網路
- 外文名：neural networks
- 套用學科：通信
- 簡稱：神經網路（NNs）
定義,研究內容,分類,特點,工作原理,發展歷史,常見的工具,研究方向,
定義
生物神經網路主要是指人腦的神經網路，它是人工神經網路的技術原型。人腦是人類思維的物質基礎，思維的功能定位在大腦皮層，後者含有大約1011個神經元，每個神經元又通過神經突觸與大約103個其它神經元相連，形成一個高度複雜高度靈活的動態網路。作為一門學科，生物神經網路主要研究人腦神經網路的結構、功能及其工作機制，意在探索人腦思維和智慧型活動的規律。
人工神經網路是生物神經網路在某種簡化意義下的技術復現，作為一門學科，它的主要任務是根據生物神經網路的原理和實際套用的需要建造實用的人工神經網路模型，設計相應的學習算法，模擬人腦的某種智慧型活動，然後在技術上實現出來用以解決實際問題。因此，生物神經網路主要研究智慧型的機理；人工神經網路主要研究智慧型機理的實現，兩者相輔相成。
研究內容
神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：
生物原型
從生理學、心理學、解剖學、腦科學、病理學等方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。
建立模型
根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。
算法
在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機模擬或準備製作硬體，包括網路學習算法的研究。這方面的工作也稱為技術模型研究。
神經網路用到的算法就是向量乘法，並且廣泛採用符號函式及其各種逼近。並行、容錯、可以硬體實現以及自我學習特性，是神經網路的幾個基本優點，也是神經網路計算方法與傳統方法的區別所在。
分類
人工神經網路按其模型結構大體可以分為前饋型網路（也稱為多層感知機網路）和反饋型網路（也稱為Hopfield網路）兩大類，前者在數學上可以看作是一類大規模的非線性映射系統，後者則是一類大規模的非線性動力學系統。它們的結構模型如圖1、圖2所示，圖中圓圏代表神經元，其間的有向連線代表神經元突觸。按照學習方式，人工神經網路又可分為有導師學習和無導師學習兩類；按工作方式則可分為確定性和隨機性兩類；按時間特性還可分為連續型或離散型兩類，等等。
特點
不論何種類型的人工神經網路，它們共同的特點是，大規模並行處理，分散式存儲，彈性拓撲，高度冗餘和非線性運算。因而具有很髙的運算速度，很強的聯想能力，很強的適應性，很強的容錯能力和自組織能力。這些特點和能力構成了人工神經網路模擬智慧型活動的技術基礎，並在廣闊的領域獲得了重要的套用。例如，在通信領域，人工神經網路可以用於數據壓縮、圖像處理、矢量編碼、差錯控制（糾錯和檢錯編碼）、自適應信號處理、自適應均衡、信號檢測、模式識別、ATM流量控制、路由選擇、通信網最佳化和智慧型網管理等等。
人工神經網路的研究已與模糊邏輯的研究相結合，並在此基礎上與人工智慧的研究相補充，成為新一代智慧型系統的主要方向。這是因為人工神經網路主要模擬人類右腦的智慧型行為而人工智慧主要模擬人類左腦的智慧型機理，人工神經網路與人工智慧有機結合就能更好地模擬人類的各種智慧型活動。新一代智慧型系統將能更有力地幫助人類擴展他的智力與思維的功能，成為人類認識和改造世界的聰明的工具。因此，它將繼續成為當代科學研究重要的前沿。
工作原理
“人腦是如何工作的？”
“人類能否製作模擬人腦的人工神經元？”
多少年以來，人們從醫學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協同學等各個角度企圖認識並解答上述問題。在尋找上述問題答案的研究過程中，逐漸形成了一個新興的多學科交叉技術領域，稱之為“神經網路”。神經網路的研究涉及眾多學科領域，這些領域互相結合、相互滲透並相互推動。不同領域的科學家又從各自學科的興趣與特色出發，提出不同的問題，從不同的角度進行研究。
人工神經網路首先要以一定的學習準則進行學習，然後才能工作。現以人工神經網路對於寫“A”、“B”兩個字母的識別為例進行說明，規定當“A”輸入網路時，應該輸出“1”，而當輸入為“B”時，輸出為“0”。
所以網路學習的準則應該是：如果網路作出錯誤的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連線權值賦予(0，1)區間內的隨機值，將“A”所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為“1”和“0”的機率各為50%，也就是說是完全隨機的。這時如果輸出為“1”(結果正確)，則使連線權值增大，以便使網路再次遇到“A”模式輸入時，仍然能作出正確的判斷。
普通計算機的功能取決於程式中給出的知識和能力。顯然，對於智慧型活動要通過總結編製程序將十分困難。
人工神經網路也具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網路因學習方式及內容不同可具有不同的功能。人工神經網路是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標準進行分類或模仿；另一種是無監督學習或稱無為導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境 （即輸入信號情況）而異，系統可以自動發現環境特徵和規律性，具有更近似人腦的功能。
神經網路就像是一個愛學習的孩子，您教她的知識她是不會忘記而且會學以致用的。我們把學習集（Learning Set）中的每個輸入加到神經網路中，並告訴神經網路輸出應該是什麼分類。在全部學習集都運行完成之後，神經網路就根據這些例子總結出她自己的想法，到底她是怎么歸納的就是一個黑盒了。之後我們就可以把測試集（Testing Set）中的測試例子用神經網路來分別作測試，如果測試通過（比如80%或90%的正確率），那么神經網路就構建成功了。我們之後就可以用這個神經網路來判斷事務的分類了。
神經網路是通過對人腦的基本單元——神經元的建模和聯接，探索模擬人腦神經系統功能的模型，並研製一種具有學習、聯想、記憶和模式識別等智慧型信息處理功能的人工系統。神經網路的一個重要特性是它能夠從環境中學習，並把學習的結果分布存儲於網路的突觸連線中。神經網路的學習是一個過程，在其所處環境的激勵下，相繼給網路輸入一些樣本模式，並按照一定的規則（學習算法）調整網路各層的權值矩陣，待網路各層權值都收斂到一定值，學習過程結束。然後我們就可以用生成的神經網路來對真實數據做分類。
發展歷史
1943年，心理學家W·Mcculloch和數理邏輯學家W·Pitts在分析、總結神經元基本特性的基礎上首先提出神經元的數學模型。此模型沿用至今，並且直接影響著這一領域研究的進展。因而，他們兩人可稱為人工神經網路研究的先驅。
1945年馮·諾依曼領導的設計小組試製成功存儲程式式電子計算機，標誌著電子計算機時代的開始。1948年，他在研究工作中比較了人腦結構與存儲程式式計算機的根本區別，提出了以簡單神經元構成的再生自動機網路結構。但是，由於指令存儲式計算機技術的發展非常迅速，迫使他放棄了神經網路研究的新途徑，繼續投身於指令存儲式計算機技術的研究，並在此領域作出了巨大貢獻。雖然，馮·諾依曼的名字是與普通計算機聯繫在一起的，但他也是人工神經網路研究的先驅之一。
50年代末，F·Rosenblatt設計製作了“感知機”，它是一種多層的神經網路。這項工作首次把人工神經網路的研究從理論探討付諸工程實踐。當時，世界上許多實驗室仿效製作感知機，分別套用於文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。然而，這次人工神經網路的研究高潮未能持續很久，許多人陸續放棄了這方面的研究工作，這是因為當時數字計算機的發展處於全盛時期，許多人誤以為數字計算機可以解決人工智慧、模式識別、專家系統等方面的一切問題，使感知機的工作得不到重視；其次，當時的電子技術工藝水平比較落後，主要的元件是電子管或電晶體，利用它們製作的神經網路體積龐大，價格昂貴，要製作在規模上與真實的神經網路相似是完全不可能的；另外，在1968年一本名為《感知機》的著作中指出線性感知機功能是有限的，它不能解決如異或這樣的基本問題，而且多層網路還不能找到有效的計算方法，這些論點促使大批研究人員對於人工神經網路的前景失去信心。60年代末期，人工神經網路的研究進入了低潮。
另外，在60年代初期，Widrow提出了自適應線性元件網路，這是一種連續取值的線性加權求和閾值網路。後來，在此基礎上發展了非線性多層自適應網路。當時，這些工作雖未標出神經網路的名稱，而實際上就是一種人工神經網路模型。
隨著人們對感知機興趣的衰退，神經網路的研究沉寂了相當長的時間。80年代初期，模擬與數字混合的超大規模積體電路製作技術提高到新的水平，完全付諸實用化，此外，數字計算機的發展在若干套用領域遇到困難。這一背景預示，向人工神經網路尋求出路的時機已經成熟。美國的物理學家Hopfield於1982年和1984年在美國科學院院刊上發表了兩篇關於人工神經網路研究的論文，引起了巨大的反響。人們重新認識到神經網路的威力以及付諸套用的現實性。隨即，一大批學者和研究人員圍繞著 Hopfield提出的方法展開了進一步的工作，形成了80年代中期以來人工神經網路的研究熱潮。
常見的工具
在眾多的神經網路工具中，NeuroSolutions始終處於業界領先位置。它是一個可用於windows XP/7高度圖形化的神經網路開發工具。其將模組化，基於圖示的網路設計界面，先進的學習程式和遺傳最佳化進行了結合。該款可用於研究和解決現實世界的複雜問題的神經網路設計工具在使用上幾乎無限制。
研究方向
神經網路的研究可以分為理論研究和套用研究兩大方面。
理論研究可分為以下兩類：
1、利用神經生理與認知科學研究人類思維以及智慧型機理。
2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
套用研究可分為以下兩類：
1、神經網路的軟體模擬和硬體實現的研究。
2、神經網路在各個領域中套用的研究。這些領域主要包括：
模式識別、信號處理、知識工程、專家系統、最佳化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的套用定將更加深入。
