人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)，其特色在于信息的分布式存儲(chǔ)和并行協(xié)同處理。雖然單個(gè)神經(jīng)元的結(jié)構(gòu)極其簡(jiǎn)單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實(shí)現(xiàn)的行為卻是極其豐富多彩的。

小時(shí)候，我們?cè)?jīng)在包括父母或老師在內(nèi)的長(zhǎng)者的幫助下學(xué)習(xí)這些東西?？茖W(xué)家和研究人員還像人類一樣使機(jī)器變得智能化，并且由于以下原因，人工神經(jīng)網(wǎng)絡(luò)在其中扮演著非常重要的角色-

借助神經(jīng)網(wǎng)絡(luò)，我們可以找到算法方法昂貴或不存在的此類問(wèn)題的解決方案。

神經(jīng)網(wǎng)絡(luò)可以通過(guò)示例學(xué)習(xí)，因此我們不需要對(duì)其進(jìn)行大量編程。

神經(jīng)網(wǎng)絡(luò)具有比常規(guī)速度更高的準(zhǔn)確性和更高的速度。

人工神經(jīng)網(wǎng)絡(luò)分類

人工神經(jīng)網(wǎng)絡(luò)模型主要考慮網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)、神經(jīng)元的特征、學(xué)習(xí)規(guī)則等。目前，已有近40種神經(jīng)網(wǎng)絡(luò)模型，其中有反傳網(wǎng)絡(luò)、感知器、自組織映射、Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)、適應(yīng)諧振理論等。根據(jù)連接的拓?fù)浣Y(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型可以分為：

前向網(wǎng)絡(luò)：網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一級(jí)的輸入，并輸出到下一級(jí)，網(wǎng)絡(luò)中沒(méi)有反饋，可以用一個(gè)有向無(wú)環(huán)路圖表示。這種網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)從輸入空間到輸出空間的變換，它的信息處理能力來(lái)自于簡(jiǎn)單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。

反饋網(wǎng)絡(luò)：網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋，可以用一個(gè)無(wú)向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動(dòng)力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)均屬于這種類型。

應(yīng)用領(lǐng)域

以下是一些使用ANN的領(lǐng)域。它表明ANN在其開(kāi)發(fā)和應(yīng)用中具有跨學(xué)科的方法。

語(yǔ)音識(shí)別

言語(yǔ)在人與人的互動(dòng)中占有重要地位。因此，人們自然期望與計(jì)算機(jī)建立語(yǔ)音接口。在當(dāng)前時(shí)代，為了與機(jī)器進(jìn)行通信，人類仍然需要難以學(xué)習(xí)和使用的復(fù)雜語(yǔ)言。為了緩解這種通信障礙，可以采用一種簡(jiǎn)單的解決方案，即使用機(jī)器可以理解的口頭語(yǔ)言進(jìn)行通信。

在該領(lǐng)域已經(jīng)取得了很大的進(jìn)步，但是，這類系統(tǒng)仍然面臨詞匯或語(yǔ)法有限的問(wèn)題，以及在不同條件下針對(duì)不同說(shuō)話者對(duì)該系統(tǒng)進(jìn)行再培訓(xùn)的問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)在這一領(lǐng)域發(fā)揮著重要作用。以下ANN已用于語(yǔ)音識(shí)別-

多層網(wǎng)絡(luò)

具有循環(huán)連接的多層網(wǎng)絡(luò)

Kohonen自組織特征圖

對(duì)此最有用的網(wǎng)絡(luò)是Kohonen自組織特征圖，其輸入作為語(yǔ)音波形的短段。它將映射與輸出數(shù)組相同類型的音素，稱為特征提取技術(shù)。提取特征后，借助一些聲學(xué)模型作為后端處理，它將識(shí)別出話語(yǔ)。

字符識(shí)別

這是一個(gè)有趣的問(wèn)題，屬于模式識(shí)別的一般領(lǐng)域。已經(jīng)開(kāi)發(fā)了許多神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)識(shí)別手寫字符（字母或數(shù)字）。以下是一些用于字符識(shí)別的ANN-

多層神經(jīng)網(wǎng)絡(luò)，例如反向傳播神經(jīng)網(wǎng)絡(luò)。

新認(rèn)知藥

盡管反向傳播神經(jīng)網(wǎng)絡(luò)具有多個(gè)隱藏層，但是從一層到下一層的連接模式是局部的。同樣，neocognitron也有幾個(gè)隱藏層，并且針對(duì)此類應(yīng)用逐層進(jìn)行訓(xùn)練。

簽名驗(yàn)證申請(qǐng)

簽名是在合法交易中對(duì)個(gè)人進(jìn)行授權(quán)和認(rèn)證的最有用方法之一。簽名驗(yàn)證技術(shù)是基于非視覺(jué)的技術(shù)。

對(duì)于此應(yīng)用程序，第一種方法是提取代表簽名的特征或幾何特征集。通過(guò)這些功能集，我們必須使用有效的神經(jīng)網(wǎng)絡(luò)算法來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。這個(gè)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)將在驗(yàn)證階段將簽名分類為真實(shí)的或偽造的。

人臉識(shí)別

這是識(shí)別給定面部的生物識(shí)別方法之一。由于具有“非面部”圖像的特征，因此這是一項(xiàng)典型的任務(wù)。但是，如果神經(jīng)網(wǎng)絡(luò)訓(xùn)練有素，則可以將其分為兩類，即具有臉部的圖像和不具有臉部的圖像。

首先，必須對(duì)所有輸入圖像進(jìn)行預(yù)處理。然后，必須減小該圖像的尺寸。并且，最后必須使用神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法對(duì)其進(jìn)行分類。以下神經(jīng)網(wǎng)絡(luò)用于預(yù)處理圖像的訓(xùn)練目的。