簡介:第1章緒論緒論1111從生物神經(jīng)網(wǎng)絡到人工神經(jīng)網(wǎng)絡從生物神經(jīng)網(wǎng)絡到人工神經(jīng)網(wǎng)絡在你閱讀本書時,你就用到了一個復雜的生物神經(jīng)網(wǎng)絡,大約有1011個相互連接的神經(jīng)元幫助你進行閱讀、呼吸、思考、完成各種動作等,部分神經(jīng)網(wǎng)絡的結(jié)構和功能是與生具有的,比如支配呼吸、哭、吮吸等本能動作的功能而大多數(shù)的功能需要通過后天的學習才能獲得。雖然人們還并不完全清楚生物神經(jīng)網(wǎng)絡是如何進行工作的,但幻想構造一些“人工神經(jīng)元”,進而將它們以某種方式連接起來,可以模擬“人腦”的某些功能。這就是本書所要討論的“人工神經(jīng)網(wǎng)絡”。1212人工神經(jīng)網(wǎng)絡的發(fā)展史人工神經(jīng)網(wǎng)絡的發(fā)展史人工神經(jīng)網(wǎng)絡ARTIFICIALNEURALNETWORK,ANN的發(fā)展經(jīng)歷了大約半個世紀,從20世紀40年代初到80年代,神經(jīng)網(wǎng)絡的研究經(jīng)歷了低潮與高潮幾起幾落的發(fā)展過程。早在1943年,心理學家WMCCULLOCH和數(shù)學家WPITTS合作,從數(shù)理邏輯的角度,提出了神經(jīng)元和神經(jīng)網(wǎng)絡最早的數(shù)學模型MCCULLOCHPITTS,MP模型,標志著神經(jīng)網(wǎng)絡研究的開始。1958年,FROSENBLATT首次引進了模擬人腦感知和學習能力的感知器PERCEPTRON概念,引起了人們的極大興趣。感知器由簡單的閾值性神經(jīng)元構成,初步具備了諸如學習、并行處理、分布存儲等神經(jīng)網(wǎng)絡的一些基本特征,從而確立了從系統(tǒng)角度進行人工神經(jīng)網(wǎng)絡研究的基礎。1960年,BWIDROW和MHOFF提出了主要適用于自適應系統(tǒng)的自適應線性元件ADAPTIVELINEARNEURON,ADALINE網(wǎng)絡,采用了比感知器更復雜的學習程序。WIDROWHOFF技術被稱為最小均方誤差LEASTMEANSQUARE,LMS學習規(guī)則。從此神經(jīng)網(wǎng)絡的發(fā)展進人了第一個高潮期。1969年,美國麻省理工學院著名的人工智能專家MMINSKY和SPAPERT出版了頗有影響的PERCEPTRON一書,從數(shù)學上剖析了簡單神經(jīng)網(wǎng)絡的功能和局限性,并且指出多層感知器還不能找到有效的計算方法,由于MMINSKY在學術界的地位和影響,其悲觀的結(jié)論,被大多數(shù)人不做進一步分析而接受加之當時以邏輯推理為研究基礎的人工智能和數(shù)字計算機的輝煌成就,大大降低了人們對神經(jīng)網(wǎng)絡研究的熱情,故使神經(jīng)網(wǎng)絡的研究在其后的若于年內(nèi)處于低潮。1972年TKOHONEN和JANDERSON不約而同地提出具有聯(lián)想記憶功能的新神經(jīng)網(wǎng)絡1976年,SGROSSBERG與GACARPENTER提出了自適應共振理論ADAPTIVERESONANCETHEORYART,并在以后的若干年內(nèi)發(fā)展了ART1,ART2,ART3這3種神經(jīng)網(wǎng)絡模型,從而為神經(jīng)網(wǎng)絡研究的發(fā)展奠定了理論基礎。進人20世紀80年代,特別是80年代末期,對神經(jīng)網(wǎng)絡的研究從復興很快轉(zhuǎn)人了新的熱潮。這主要是因為一方面經(jīng)過十幾年迅速發(fā)展的以邏輯符號處理為主的人工智能理論和馮諾依曼VONNEUMANN計算機在處理諸如視覺、聽覺、形象思維、聯(lián)想記憶等設備保險業(yè)政策應用評估,產(chǎn)出最優(yōu)化制造業(yè)制造業(yè)過程控制、產(chǎn)品設計與分析、過程與機器診斷、實時微粒識別、可視化質(zhì)量檢測系統(tǒng)、焊接質(zhì)量分析、紙質(zhì)預測、計算機芯片質(zhì)量分析、化學產(chǎn)品設計分析、機器保養(yǎng)分析、工程投標、經(jīng)營與管理、化學處理系統(tǒng)的動態(tài)建模等醫(yī)藥乳腺癌細胞分析,EFG和ECG分析,假休設計.移植時間最優(yōu)化,降低醫(yī)療費用支出,提高醫(yī)療質(zhì)量石油天然氣勘探機器人技術行走路線控制、鏟車機器人、操縱控制器、視覺系統(tǒng)等語音語音識別、語音壓縮、元音分類、文本一語音合成等有價證券市場分析、自動債券評級、股票交易咨詢系統(tǒng)等電信業(yè)圖像與數(shù)據(jù)壓縮、自動信息服務、實時語言翻譯、用戶付費處理系統(tǒng)等交通卡車剎車診斷系統(tǒng)、車輛調(diào)度、行程安排系統(tǒng)等神經(jīng)網(wǎng)絡比較善長的應用領域如下。L模式識別神經(jīng)網(wǎng)絡經(jīng)過訓練可有效地提取信號、語音、圖像、雷達、聲納等感知模式的特征,并能解決現(xiàn)有啟發(fā)式模式識別系統(tǒng)不能很好解決的不變量探測、自適應、抽象或概括等問題。這方面的主要應用有圖形、符號、手寫體及語音識別,雷達及聲納等目標識別,藥物構效關系等化學模式信息辨識,機器人視覺、聽覺,各種最近相鄰模式聚類及識別分類,遙感、沃學匡像分析,計算機視覺、計算機輸入裝置等。神經(jīng)網(wǎng)絡可應用于模式識別的各個環(huán)節(jié)特征接取、聚類分析、邊緣檢測、信號增強、噪聲抑制、數(shù)據(jù)壓縮以及各種變換、分類判決等。2人工智能專家系統(tǒng)是人工智能領域研究時間最長,應用最成功的技術,但人們在應用專家系統(tǒng)解決諸如語音識別、圖像處理和機器人控制等這類類似于人腦的形象思維的問題時,卻遇到很大的困難。神經(jīng)網(wǎng)絡的問世為人工智能開辟了一條嶄新的途徑,成為人工智能研究領域中的后起之秀,它具有的自學習能力是傳統(tǒng)專家系統(tǒng)望塵莫及的。神經(jīng)網(wǎng)絡技術能對不完整信息進行補全,根據(jù)已學會的知識和處理問題的經(jīng)驗對復雜問題作出合理的判斷決策,給出較滿意的解答,或?qū)ξ磥磉^程作出有效的預測和估計,從而使之在人工智能領域獲得廣泛的應用。這方面的主要應用有自然語言處理、市場分析、預測估值、系統(tǒng)診斷、事故檢查、密碼破譯、語言翻譯、邏輯推理、知識表達、智能機器人、模糊評判等。3控制工程神經(jīng)網(wǎng)絡在諸如機器人運動控制、工業(yè)生產(chǎn)中的過程控制等復雜控制問題方面有獨到之處。較之基于傳統(tǒng)數(shù)字計算機的離散控制方式,神經(jīng)網(wǎng)絡更適宜于組成快速實時自適應控制系統(tǒng)。這方面的主要應用有多變量自適應控制、變結(jié)構優(yōu)化控制、并行分布控制、智能及魯棒控制等。
下載積分: 9 賞幣
上傳時間:2024-03-13
頁數(shù): 174
大?。?11.84(MB)
子文件數(shù):