|
虽然人们还并不完全清楚生物神经网络是如何进行工作的，但幻想构造一些“人工神经元”，进而将它们以某种方式连接起来，以模拟“人脑”的某些功能。早在1943年，心理学家W. McCulloch和数学家W. Pitts合作，从数理逻辑的角度，提出了神经元和神经网络最早的数学模型（MP模型），标志着神经网络研究的开端。从神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近。当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质。 半个多世纪以来，神经网络经历了萌芽期、第一次高潮期、反思低潮期、第二次高潮期、再认识与应用研究期五个阶段。目前，神经网络已成为涉及计算机科学、人工智能、脑神经科学、信息科学和智能控制等多种学科和领域的一门新兴的前沿交叉学科。人工神经网络是在现代神经科学研究成果基础上提出的一种抽象数学模型，它以某种简化、抽象和模拟的方式，反映了大脑功能的若干基本特征，但并非其逼真的描写。 人工神经网络的应用领域极其广泛，比较擅长的应用领域包括：
印刷体和手写字符识别，语音识别，签字识别，指纹识别，人体病理分析，目标检测与识别，图像压缩和图像复制等。
化工过程控制，机器人运动控制，家电控制，半导体生产中掺杂控制，石油精炼优化控制和超大规模集成电路布线设计等。
股票市场预测，地震预报，有价证券管理，借贷风险分析，IC卡管理和交通管理。
空间交汇对接控制，导航信息智能管理，飞行器制导和飞行程序优化管理等。 在人工神经网络的发展过程中，从不同的角度对生物神经系统不同层次的描述和模拟，提出了各种各样的神经网络模型，其中具有代表性的网络模型有：感知器、线性神经网络、BP网络、径向基函数网络、自组织网络、反馈网络，其中最为广泛的是BP神经网络。 BP神经网络是误差反向传播算法(error Back Propagation的缩写)，最早于1986年由Rumelhart提出，其目的在于系统的解决多层网络中隐含层连接权的学习问题。BP神经网络因为具有较强的非线性映射、自组织、泛化、误差反馈调整和容错能力，引起了广泛的研究和应用。神经网络具有很强大的非线性映射能力, 不需要建立精确的数学模型就可进行预测, 具有很强的实用性。 |
|
|
