有关人工神经网络的结构和特性

有关人工神经网络的结构和特性

　　人工神经网络是由大量处理单元即人工神经元广泛互联组成的网络，反映了人脑功能的基本特性，但只是人脑的某种抽象、简化与模拟。网络的信息处理功能由神经元之间相互作用采实现。知识与信息的存储表现为网络元件间分布式的物理联系。陶粒旋窑网络的学习和识别取决于各种神经元件连接权系数的动态演化过程。

　　人工神经网络是一个高度非线性超大规模连续时间动力学系统。人工神经元是构成神经网络的基本单元，可看做一个多输入、单输出的非线性单元，特性、连接模型和学习算法。冶金窑根据人工神经网络对生物神经系统的不同组织层次和抽象层次的模拟，可以组成各种层次的神经网络模拟。连接模型通常有三种——单层连接模式、多层连接模式和循环连接模式，

　　前已述及，人工神经网络是对人脑神经组织结构和行为的模拟。尽管对应不同的模拟目的存在不同的网络结构，但对绝大多数人工神经网络来说，其共有的基本问题是知识“表达”和知识“学习”。前者取决于网络的结构模式，后者则依赖于学习算法。学习算法是人工神经网络研究的主要内容和中心环节，各种神经网络的差异也主要体现在学习算法的不同上。人们先后提出了误差反向传播算法(BP算法)、径向基算法(RBF算法)、统计算法、Hopfield算法、自适应共振理论(ART算法)、白组织特征映射算法(Kohonen算法)等。这里简要介绍应用较广泛的BP算法的思想。