BP神经网络方法

。

人工神经网络是近几年来发展起来的新兴学科，它是一种大规模并行分布处理的非线性系统，适用解决难以用数学模型描述的系统，逼近任何非线性的特性，具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力，使得神经网络理论的应用已经渗透到了各个领域。

近年来，人工神经网络在水质分析和评价中的应用越来越广泛，并取得良好效果。在这些应用中，纵观应用于模式识别的神经网络，BP网络是最有效、最活跃的方法之一。

BP网络是多层前向网络的权值学习采用误差逆传播学习的一种算法（ErrorBackPropagation，简称BP）。在具体应用该网络时分为网络训练及网络工作两个阶段。

在网络训练阶段，根据给定的训练模式，按照“模式的顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”4个过程进行网络权值的训练。

在网络的工作阶段，根据训练好的网络权值及给定的输入向量，按照“模式顺传播”方式求得与输入向量相对应的输出向量的解答（阎平凡，2000）。

BP算法是一种比较成熟的有指导的训练方法，是一个单向传播的多层前馈网络。它包含输入层、隐含层、输出层，如图4-4所示。

图4-4地下水质量评价的BP神经网络模型图4-4给出了4层地下水水质评价的BP神经网络模型。同层节点之间不连接。

输入信号从输入层节点，依次传过各隐含层节点，然后传到输出层节点，如果在输出层得不到期望输出，则转入反向传播，将误差信号沿原来通路返回，通过学习来修改各层神经元的权值，使误差信号最小。

每一层节点的输出只影响下一层节点的输入。

每个节点都对应着一个作用函数（f）和阈值（a），BP网络的基本处理单元量为非线性输入-输出的关系，输入层节点阈值为0，且f（x）=x；而隐含层和输出层的作用函数为非线性的Sigmoid型（它是连续可微的）函数，其表达式为f（x）=1/（1+e-x）（4-55）设有L个学习样本（Xk，Ok）（k=1，2，…，l），其中Xk为输入，Ok为期望输出，Xk经网络传播后得到的实际输出为Yk，则Yk与要求的期望输出Ok之间的均方误差为区域地下水功能可持续性评价理论与方法研究式中：M为输出层单元数；Yk，p为第k样本对第p特性分量的实际输出；Ok，p为第k样本对第p特性分量的期望输出。

样本的总误差为区域地下水功能可持续性评价理论与方法研究由梯度下降法修改网络的权值，使得E取得最小值，学习样本对Wij的修正为区域地下水功能可持续性评价理论与方法研究式中：η为学习速率，可取0到1间的数值。

所有学习样本对权值Wij的修正为区域地下水功能可持续性评价理论与方法研究通常为增加学习过程的稳定性，用下式对Wij再进行修正：区域地下水功能可持续性评价理论与方法研究式中：β为充量常量；Wij（t）为BP网络第t次迭代循环训练后的连接权值；Wij（t-1）为BP网络第t-1次迭代循环训练后的连接权值。

在BP网络学习的过程中，先调整输出层与隐含层之间的连接权值，然后调整中间隐含层间的连接权值，最后调整隐含层与输入层之间的连接权值。实现BP网络训练学习程序流程，如图4-5所示（倪深海等，2000）。

图4-5BP神经网络模型程序框图若将水质评价中的评价标准作为样本输入，评价级别作为网络输出，BP网络通过不断学习，归纳出评价标准与评价级别间复杂的内在对应关系，即可进行水质综合评价。

BP网络对地下水质量综合评价，其评价方法不需要过多的数理统计知识，也不需要对水质量监测数据进行复杂的预处理，操作简便易行，评价结果切合实际。

由于人工神经网络方法具有高度民主的非线性函数映射功能，使得地下水水质评价结果较准确（袁曾任，1999）。

BP网络可以任意逼近任何连续函数，但是它主要存在如下缺点：①从数学上看，它可归结为一非线性的梯度优化问题，因此不可避免地存在局部极小问题；②学习算法的收敛速度慢，通常需要上千次或更多。

神经网络具有学习、联想和容错功能，是地下水水质评价工作方法的改进，如何在现行的神经网络中进一步吸取模糊和灰色理论的某些优点，建立更适合水质评价的神经网络模型，使该模型既具有方法的先进性又具有现实的可行性，将是我们今后研究和探讨的问题。

谷歌人工智能写作项目：神经网络伪原创

急需毕业论文的格式，内容我自己写，只要排版格式。谢谢了

写作猫。

你们学校应该有相应的格式标准啊··这是我们学校的标准毕业设计论文标准格式一、论文格式1、摘要标题——加粗，宋体二号字，居中；摘要正文—宋体小四号字关键词标题——加粗，宋体二号字，居中；关键词正文—宋体小四号字，关键词之间以两个空格隔开——分页2、Abstract标题——默认英文字体，加粗二号，居中；正文小四号KeyWords标题——默认英文字体，加粗二号，居中；正文小四号，关键词之间以两个空格隔开——分页3、目录——居中，加粗宋体二号字；目录正文——宋体小四号字（详见论文任务书样板）——分页4、前言——居中，加粗宋体二号字前言内容宋体小四号字——分页5、第1章——居中，加粗宋体二号字1.1——居左，加粗宋体小二号字……简要介绍本节情况，然后冒号：1.1.1——左对齐，加粗宋体三号字……简要介绍本节情况，然后冒号：1、——左对齐，加粗宋体小三号字⑴——左对齐，加粗宋体四号字①——左对齐，加粗宋体小四号字●——左对齐，加粗宋体小四号字内容：宋体小四号字体——分页例如：第1章1.1电信改革简要介绍情况，然后冒号：1.1.1我国电信改革的现状目前我国电信改革存在这样一些情况：1、体制改革落后我国电信体制改革……（1）……..①…….…………2、市场监管不够……6、第2章——居中，加粗宋体二号字（其余各章节格式同上）——分页7、结论——居中，加粗宋体二号字内容：宋体小四号字体——分页8、致谢——居中，加粗宋体二号字内容：宋体小四号字体——分页8、参考文献——居中，加粗宋体二号字内容：宋体小四号字体格式：[序号]作者姓名.书名（不用书名号）.出版社.出版日期如：[1]高隽.人工神经网络原理及仿真实例.北京：机械工业出版社.2003.8——分页9、论文附件——居中，加粗宋体二号字（附件内容顺序为：一、英文原文；二、英文翻译；三、其它适于作为附件的文本，标题居左一律采用宋体加粗三号字，内容采用宋体小四号字。

每个附件分页隔开）——分页10、论文的外封面由重庆邮电大学移通学院教务处统一印制。

二、相关要求1、论文中涉及到的贴图，一律需要在贴图正下方居中位置注明序号及名称，如：图1-1贴图名称；涉及到的表格，一律需要在表格正下方居中位置注明序号及名称，如：表2-1数据结构表2、论文正文中涉及到引用来源于其他参考文献的文字内容，一律需要标注，标注格式如下：如：……支持的开发语言包括、、等。

除了操作系统，运行还必须安装.NETFramework（.NET框架）和MDAC（数据访问组件）。

.NET框架包括通用语言运行时（CommonLanguageRuntime，简称CLR）和类库（CLS）。……则在论文参考文献中需注明：[5]作者.著作名称及页码范围.出版社.出版日期。

3、论文的目录采用自动生成，且只要求最多三级标题生成目录。4、本科论文正文部分要求在10000个字符以上。专科要求7000个字符以上（以为word统计数目为准）。

5、本专科论文中的英文翻译部分，翻译后的中文字数要求在3000个字数以上（以word统计数目为准）。6、论文中所有正文中文部分采用小四号宋体字，全角中文标点。

英文和数字一律采用半角，英文采用小四TimesNewRoman字体，半角标点符号。除论文第一页任务书外，所有段落内容采用1.5倍行距，每页行数及每行字数以计算机默认值确定。

7、论文一律用A4纸打印，页边距采用A4默认的页边距，即：上、下为：2.54厘米；左、右为：3.17厘米。8、论文纸规格及打印格式一律按论文模板要求制作。

工程设计图、预算计划、程序清单等大型图纸，以附件形式附在论文后面。论文格式由指导教师审核，答辩小组负责验收，凡不符合规范的，不予接收，一律退回重做。论文封面的装订采用学院统一定制的封面装订。

9、在院外做毕业设计需回校答辩的同学务必在规定时间前将装订完好的（其中包括：填写完成的指导教师评语及评分）一份论文交重庆邮电大学移通学院相应系统一安排答辩。

10、在院外做毕业设计并完成答辩的同学，务必在统一规定的时间期期限内返校，并将制作好的毕业设计论文（包括相应地方已签完字和章的论文教学档案）立即交重庆邮电大学移通学院相应系。

11、毕业设计答辩分组名单及时间安排等请随时关注移通学院网上通知。三、论文样板（）请同学们严格采用论文样板的格式，特别是不要改变论文样板的页眉和页脚。2009年1月4日。

神经网络中epoch与iteration相等吗

神经网络中epoch与iteration是不相等的batchsize：中文翻译为批大小（批尺寸）。

在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；iteration：中文翻译为迭代，1个iteration等于使用batchsize个样本训练一次；一个迭代=一个正向通过+一个反向通过epoch：迭代次数，1个epoch等于使用训练集中的全部样本训练一次；一个epoch=所有训练样本的一个正向传递和一个反向传递举个例子，训练集有1000个样本，batchsize=10，那么：训练完整个样本集需要：100次iteration，1次epoch。

扩展资料神经网络工作原理人工神经网络首先要以一定的学习准则进行学习，然后才能工作。

现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。

所以网络学习的准则应该是：如果网络作出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络。

网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。

这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。普通计算机的功能取决于程序中给出的知识和能力。

显然，对于智能活动要通过总结编制程序将十分困难。人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。

人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。

通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。

神经网络就像是一个爱学习的孩子，您教她的知识她是不会忘记而且会学以致用的。我们把学习集（LearningSet）中的每个输入加到神经网络中，并告诉神经网络输出应该是什么分类。

在全部学习集都运行完成之后，神经网络就根据这些例子总结出她自己的想法，到底她是怎么归纳的就是一个黑盒了。

之后我们就可以把测试集（TestingSet）中的测试例子用神经网络来分别作测试，如果测试通过（比如80%或90%的正确率），那么神经网络就构建成功了。

我们之后就可以用这个神经网络来判断事务的分类了。

神经网络是通过对人脑的基本单元——神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。

神经网络的一个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。

神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则（学习算法）调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程结束。

然后我们就可以用生成的神经网络来对真实数据做分类。参考资料：百度百科——神经网络。

如何通过人工神经网络实现图像识别

。

人工神经网络（ArtificialNeuralNetworks）（简称ANN）系统从20世纪40年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。

尤其是基于误差反向传播（ErrorBackPropagation）算法的多层前馈网络（Multiple-LayerFeedforwardNetwork）(简称BP网络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。

目标识别是模式识别领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义。

这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机，用神经网络识别图像的问题。

一、BP神经网络BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的BP网络采用的是梯度下降算法，也就是Widrow-Hoff算法所规定的。

backpropagation就是指的为非线性多层网络计算梯度的方法。一个典型的BP网络结构如图所示。我们将它用向量图表示如下图所示。

其中：对于第k个模式对，输出层单元的j的加权输入为该单元的实际输出为而隐含层单元i的加权输入为该单元的实际输出为函数f为可微分递减函数其算法描述如下：（1）初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。

（2）提供训练模式，训练网络，直到满足学习要求。（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）。

（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）二、BP网络隐层个数的选择对于含有一个隐层的三层BP网络可以实现输入到输出的任何非线性映射。

增加网络隐层数可以降低误差，提高精度，但同时也使网络复杂化，增加网络的训练时间。误差精度的提高也可以通过增加隐层结点数来实现。一般情况下，应优先考虑增加隐含层的结点数。

三、隐含层神经元个数的选择当用神经网络实现网络映射时，隐含层神经元个数直接影响着神经网络的学习能力和归纳能力。

隐含层神经元数目较少时，网络每次学习的时间较短，但有可能因为学习不足导致网络无法记住全部学习内容；隐含层神经元数目较大时，学习能力增强，网络每次学习的时间较长，网络的存储容量随之变大，导致网络对未知输入的归纳能力下降，因为对隐含层神经元个数的选择尚无理论上的指导，一般凭经验确定。

四、神经网络图像识别系统人工神经网络方法实现模式识别，可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，神经网络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类还不够多，神经网络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。

神经网络的图像识别系统是神经网络模式识别系统的一种，原理是一致的。一般神经网络图像识别系统由预处理，特征提取和神经网络分类器组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。

神经网络图像识别系统中的特征提取部分不一定存在，这样就分为两大类：①有特征提取部分的：这一类系统实际上是传统方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别目标图像。

特征提取必须能反应整个图像的特征。但它的抗干扰能力不如第2类。

②无特征提取部分的：省去特征抽取，整副图像直接作为神经网络的输入，这种方式下，系统的神经网络结构的复杂度大大增加了，输入模式维数的增加导致了网络规模的庞大。

此外，神经网络结构需要完全自己消除模式变形的影响。但是网络的抗干扰性能好，识别率高。当BP网用于分类时，首先要选择各类的样本进行训练，每类样本的个数要近似相等。

其原因在于一方面防止训练后网络对样本多的类别响应过于敏感，而对样本数少的类别不敏感。另一方面可以大幅度提高训练速度，避免网络陷入局部最小点。

由于BP网络不具有不变识别的能力，所以要使网络对模式的平移、旋转、伸缩具有不变性，要尽可能选择各种可能情况的样本。

例如要选择不同姿态、不同方位、不同角度、不同背景等有代表性的样本，这样可以保证网络有较高的识别率。

构造神经网络分类器首先要选择适当的网络结构：神经网络分类器的输入就是图像的特征向量；神经网络分类器的输出节点应该是类别数。隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。

然后要选择适当的学习算法，这样才会有很好的识别效果。

在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。

神经网络是按整个特征向量的整体来记忆图像的，只要大多数特征符合曾学习过的样本就可识别为同一类别，所以当样本存在较大噪声时神经网络分类器仍可正确识别。

在图像识别阶段，只要将图像的点阵向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。五、仿真实验1、实验对象本实验用MATLAB完成了对神经网络的训练和图像识别模拟。

从实验数据库中选择0～9这十个数字的BMP格式的目标图像。图像大小为16×8像素，每个目标图像分别加10％、20％、30％、40％、50％大小的随机噪声，共产生60个图像样本。

将样本分为两个部分，一部分用于训练，另一部分用于测试。实验中用于训练的样本为40个，用于测试的样本为20个。随机噪声调用函数randn(m,n)产生。

2、网络结构本试验采用三层的BP网络，输入层神经元个数等于样本图像的象素个数16×8个。隐含层选24个神经元，这是在试验中试出的较理想的隐层结点数。

输出层神经元个数就是要识别的模式数目，此例中有10个模式，所以输出层神经元选择10个，10个神经元与10个模式一一对应。

3、基于MATLAB语言的网络训练与仿真建立并初始化网络% ================S1 = 24;% 隐层神经元数目S1 选为24[R,Q] = size(numdata);[S2,Q] = size(targets);F = numdata;P=double(F);net = newff(minmax(P),[S1 S2],{'logsig''logsig'},'traingda','learngdm')这里numdata为训练样本矩阵，大小为128×40，targets为对应的目标输出矩阵，大小为10×40。

newff(PR,[S1S2…SN],{TF1TF2…TFN}，BTF,BLF,PF)为MATLAB函数库中建立一个N层前向BP网络的函数，函数的自变量PR表示网络输入矢量取值范围的矩阵[Pminmax];S1~SN为各层神经元的个数；TF1~TFN用于指定各层神经元的传递函数；BTF用于指定网络的训练函数；BLF用于指定权值和阀值的学习函数；PF用于指定网络的性能函数，缺省值为‘mse’。

设置训练参数net.performFcn = 'sse'; %平方和误差性能函数 = 0.1; %平方和误差目标 = 20; %进程显示频率net.trainParam.epochs = 5000;%最大训练步数 = 0.95; %动量常数网络训练net=init(net);%初始化网络[net,tr] = train(net,P,T);％网络训练对训练好的网络进行仿真D=sim(net,P);A = sim(net,B);B为测试样本向量集,128×20的点阵。

D为网络对训练样本的识别结果，A为测试样本的网络识别结果。实验结果表明：网络对训练样本和对测试样本的识别率均为100％。如图为64579五个数字添加50%随机噪声后网络的识别结果。

六、总结从上述的试验中已经可以看出，采用神经网络识别是切实可行的，给出的例子只是简单的数字识别实验，要想在网络模式下识别复杂的目标图像则需要降低网络规模，增加识别能力，原理是一样的。

神经网络分类问题

神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。

“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。

一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。

在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。

Theneuron--------------------------------------------------------------------------------虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。

基本神经元包含有synapses、soma、axon及dendrites。

Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。

然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。

最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。如同生物学上的基本神经元，人工的神经网络也有基本的神经元。

每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。

然后，神经元会计算出权重合计值（netvalue），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。

相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。

Learning--------------------------------------------------------------------------------正如上述所写，问题的核心是权重及临界值是该如何设定的呢？

世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation,deltarule及Kohonen训练模式。

由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别-监管的及非监管的。监管方式的训练规则需要“教师”告诉他们特定的输入应该作出怎样的输出。

然后训练规则会调整所有需要的权重值（这是网络中是非常复杂的），而整个过程会重头开始直至数据可以被网络正确的分析出来。监管方式的训练模式包括有back-propagation及deltarule。

非监管方式的规则无需教师，因为他们所产生的输出会被进一步评估。

Architecture--------------------------------------------------------------------------------在神经网络中，遵守明确的规则一词是最“模糊不清”的。

因为有太多不同种类的网络，由简单的布尔网络（Perceptrons），至复杂的自我调整网络（Kohonen），至热动态性网络模型（Boltzmannmachines）！

而这些，都遵守一个网络体系结构的标准。一个网络包括有多个神经元“层”，输入层、隐蔽层及输出层。输入层负责接收输入及分发到隐蔽层（因为用户看不见这些层，所以见做隐蔽层）。

这些隐蔽层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。现在，为免混淆，不会在这里更深入的探讨体系结构这一话题。

对于不同神经网络的更多详细资料可以看Generation5essays尽管我们讨论过神经元、训练及体系结构，但我们还不清楚神经网络实际做些什么。

TheFunctionofANNs--------------------------------------------------------------------------------神经网络被设计为与图案一起工作-它们可以被分为分类式或联想式。

分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。

更多实际用途可以看ApplicationsintheMilitary中的军事雷达，该雷达可以分别出车辆或树。联想模式接受一组数而输出另一组。

例如HIR程序接受一个‘脏’图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。

TheUpsandDownsofNeuralNetworks--------------------------------------------------------------------------------神经网络在这个领域中有很多优点，使得它越来越流行。

它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。

神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在...是的，神经网络也有些不好的地方。这通常都是因为缺乏足够强大的硬件。

神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。

神经网络的另一个问题是对某一个问题构建网络所定义的条件不足-有太多因素需要考虑：训练的算法、体系结构、每层的神经元个数、有多少层、数据的表现等，还有其它更多因素。

因此，随着时间越来越重要，大部份公司不可能负担重复的开发神经网络去有效地解决问题。

Conclusion--------------------------------------------------------------------------------希望您可以通过本文对神经网络有基本的认识。

Generation5现在有很多关于神经网络的资料可以查阅，包括文章及程序。我们有Hopfield、perceptrons（2个）网络的例子，及一些back-propagation个案研究。

Glossary--------------------------------------------------------------------------------NN神经网络，NeuralNetworkANNs人工神经网络，ArtificialNeuralNetworksneurons神经元synapses神经键self-organizingnetworks自我调整网络networksmodellingthermodynamicproperties热动态性网络模型。

求一篇关于神经网络的英文翻译 80

。

Introduction--------------------------------------------------------------------“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。

在本文，我会同时使用这两个互换的术语。一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。

人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。

Theneuron----------------------------------------------------------------------虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。

基本神经元包含有synapses、soma、axon及dendrites。

Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。

然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。

最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。如同生物学上的基本神经元，人工的神经网络也有基本的神经元。

每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。

然后，神经元会计算出权重合计值（netvalue），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。

相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。

Learning----------------------------------------------------------------------正如上述所写，问题的核心是权重及临界值是该如何设定的呢？

世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation,deltarule及Kohonen训练模式。

由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别-监管的及非监管的。监管方式的训练规则需要“教师”告诉他们特定的输入应该作出怎样的输出。

然后训练规则会调整所有需要的权重值（这是网络中是非常复杂的），而整个过程会重头开始直至数据可以被网络正确的分析出来。监管方式的训练模式包括有back-propagation及deltarule。

非监管方式的规则无需教师，因为他们所产生的输出会被进一步评估。

Architecture----------------------------------------------------------------------在神经网络中，遵守明确的规则一词是最“模糊不清”的。

因为有太多不同种类的网络，由简单的布尔网络（Perceptrons），至复杂的自我调整网络（Kohonen），至热动态性网络模型（Boltzmannmachines）！

而这些，都遵守一个网络体系结构的标准。一个网络包括有多个神经元“层”，输入层、隐蔽层及输出层。输入层负责接收输入及分发到隐蔽层（因为用户看不见这些层，所以见做隐蔽层）。

这些隐蔽层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。现在，为免混淆，不会在这里更深入的探讨体系结构这一话题。

对于不同神经网络的更多详细资料可以看Generation5essays尽管我们讨论过神经元、训练及体系结构，但我们还不清楚神经网络实际做些什么。

TheFunctionofANNs----------------------------------------------------------------------神经网络被设计为与图案一起工作-它们可以被分为分类式或联想式。

分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。

更多实际用途可以看ApplicationsintheMilitary中的军事雷达，该雷达可以分别出车辆或树。联想模式接受一组数而输出另一组。

例如HIR程序接受一个‘脏’图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。

TheUpsandDownsofNeuralNetworks----------------------------------------------------------------------神经网络在这个领域中有很多优点，使得它越来越流行。

它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。

神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在...是的，神经网络也有些不好的地方。这通常都是因为缺乏足够强大的硬件。

神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。

神经网络的另一个问题是对某一个问题构建网络所定义的条件不足-有太多因素需要考虑：训练的算法、体系结构、每层的神经元个数、有多少层、数据的表现等，还有其它更多因素。

因此，随着时间越来越重要，大部份公司不可能负担重复的开发神经网络去有效地解决问题。

NN神经网络，NeuralNetworkANNs人工神经网络，ArtificialNeuralNetworksneurons神经元synapses神经键self-organizingnetworks自我调整网络networksmodellingthermodynamicproperties热动态性网络模型英文翻译Introduction----------------------------------------------------------------------Neuralnetworkisanewtechnologyinthefieldoffashionvocabulary.Manypeoplehaveheardoftheword,butfewpeoplereallyunderstandwhatitis.Thepurposeofthispaperistointroduceallthebasicneuralnetworkfunctions,includingitsgeneralstructure,relatedterms,typesandapplications."Neuralnetwork"actuallycamefrombiology,andneuralnetworkswereferthecorrectnameshouldbe"ArtificialNeuralNetworks(ANNs)".Inthisarticle,Iwillalsousethetwointerchangeableterms.Arealneuralnetworkisafewtoafewbillioncellscalledneurons(composedoftinycellsinourbrains)arecomposedof,theyaredifferentwaystoconnectandtypeintothenetwork.Artificialneuralnetworkistryingtomodelthisbiologicalsystemstructureanditsoperation.Thereisaproblemhere:webiologicalneuralnetworksdonotknowmuch!Thus,betweendifferenttypesofneuralnetworkarchitectureisverydifferent,weknowonlythebasicstructureofneurons.Theneuron----------------------------------------------------------------------Whilealreadyrecognizedinourbrain,about50to500kindsofdifferentneurons,butmostofthemarebasedonspecialcellsinthebasicneuron.Containsthebasicneuralsynapses,soma,axonanddendrites.Synapsesbetweenneuronsresponsiblefortheconnection,theyarenotdirectlyphysicallyconnected,buttheyhaveaverysmallgapbetweentoallowelectronicsignalsfromoneneurontoanotherneuron.Thentheelectricalsignalstothesomawillbeaninternalelectronicsignalprocessinganditsprocessingresultwillpassaxon.Theaxonofthesesignalswillbedistributedtodendrites.Finally,dendriteswiththesesignalsandthentotheothersynapses,andthencontinuetothenextcycle.Asabasicbiologicalneurons,artificialneuralnetworkshavebasicneurons.Eachneuronhasaspecificnumberofinputs,willbesetforeachneuronweight(weight).Weightistheimportanceoftheinformationenteredanindicator.Then,neuronscalculatestheweightofthetotalvalue(netvalue),whilethetotalweightofalltheinputvalueismultipliedbythetotaloftheirweights.Eachneuronhastheirownthreshold(threshold),whilethepowerisgreaterthanthecriticalvalueofthetotalvalueofweight,theneuronwilloutput1.Onthecontrary,theoutput0.Finally,theoutputcanbetransmittedtotheneuronalconnectionswithotherneuronstotheremainingcalculations.Learning----------------------------------------------------------------------Aswrittenabove,atissueisthecriticalvalueoftheweightandhowtosetit?Theworldhasmanydifferenttrainingmethods,asmuchasthenetworktype.Butsomewell-known,includingback-propagation,deltaruleandKohonentrainingmode.Becauseofdifferentstructuralsystems,trainingisnotthesamerules,butmostoftherulescanbedividedintotwobroadcategories-regulatoryandnon-regulated.Supervisingthetrainingrulesneedtobe"teachers"tellthemhowaparticularinputtotheoutputshouldbe.Thenthetrainingruletoadjusttheweightofalltheneedsofvalue(thisisaverycomplexnetwork),andthewholeprocesswouldstartagainuntilthecorrectdatacanbeanalyzedbythenetwork.Regulatoryapproachofthetrainingmodelincludesback-propagationandthedeltarule.Therulesofnon-regulatoryapproachwithoutteachers,becausetheyproducetheoutputwillbefurtherevaluated.Architecture----------------------------------------------------------------------Intheneuralnetwork,complywiththerulesclearwordisthemost"obscure"the.Becausetherearetoomanydifferenttypesofnetworks,fromsimpleBooleannetworks(Perceptrons),tothecomplexnetworkofself-adjustment(Kohonen),tothethermaldynamicnetworkmodel(Boltzmannmachines)!Thesehavetocomplywiththestandardsofanetworkarchitecture.Anetworkincludingmultipleneurons,"layer",theinputlayer,hiddenlayerandoutputlayer.Inputlayertoreceiveinputanddistributetothehiddenlayer(becausetheusercannotseethelayers,sodoseethehiddenlayer).Thehiddenlayerisresponsibleforthenecessarycalculationsandoutputtotheoutputlayer,theusercanseethefinalresult.Now,toavoidconfusion,wouldnotbeheremorein-depthstudyarchitecturetalkingaboutit.DifferentneuralnetworksformoredetailedinformationcanbereadGeneration5essays,includingamultipleneuralnetwork"layer",theinputlayer,hiddenlayerandoutputlayer.Inputlayertoreceiveinputanddistributetothehiddenlayer(becausetheusercannotseethelayers,sodoseethehiddenlayer).Thehiddenlayerisresponsibleforthenecessarycalculationsandoutputtotheoutputlayer,theusercanseethefinalresult.Now,toavoidconfusion,wouldnotbeheremorein-depthstudyarchitecturetalkingaboutit.DifferentneuralnetworksformoredetailedinformationcanbeseenGeneration5essays.Althoughwediscussedtheneurons,trainingandarchitecture,butwedonotknowwhattheactualneuralnetwork.TheFunctionofANNs----------------------------------------------------------------------Neuralnetworksaredesignedtoworkwithpatterns-theycanbedividedintotwocategories-typeorassociationtype.Category-typenetworkcanacceptafew,andthenclassified.Forexample,ONRprogramacceptsanumberoftheimageandtheoutputfigure.OrPPDA32programacceptsacoordinateandtoclassifyitasClassAorB(typeoftrainingprovidedbythedecision).MorepracticalusecanbeseenApplicationsintheMilitaryinthemilitaryradars,theradarcouldpickoutavehicleortree.Lenovomodeltoacceptagroupofnumbersandtheoutputofanothergroup.HIRproceduressuchasacceptanceofa'dirty'imageandtheoutputofalearnedandtheclosestitanimage.Lenovomodelalsocanbeusedincomplexapplicationssuchassignature,face,fingerprintrecognition.TheUpsandDownsofNeuralNetworks----------------------------------------------------------------------Neuralnetworkinthisareahasmanyadvantages,makingitmorepopular.Itisinthetypeclassification/recognitionisverygood.Neuralnetworkscanhandletheexceptionandnotthenormalinputdata,whichareimportantformanysystems(suchasradarandsonarsystems).Manyneuralnetworksaremimicbiologicalneuralnetworks,thatistheirmodeofoperationmodeledontheworkofthebrain.Neuralnetworksalsohavetohelpthedevelopmentofneuroscience,itcan,likehumans,accurateidentificationofobjectsandthespeedofcomputers!Thefutureisbright,butnow...Yes,theneuralnetworkarealsosomebadpoints.Thisisusuallybecauseoflackofsufficientlypowerfulhardware.Powerderivedfromtheneuralnetworktoprocessinformationinparallel,thatis,anumberofdatasimultaneously.Therefore,tosimulateaserialparallelprocessingmachinesisverytime-consuming.Anotherproblemwithneuralnetworksisaprobleminbuildinganetworkofdefinedconditionsarenot-therearetoomanyfactorstoconsider:trainingalgorithms,architecture,numberofneuronsineachlayer,thenumberoflayers,datashow,etc.Thereareotheradditionalfactors.Therefore,moreandmoreimportantovertime,mostcompaniescannotaffordtorepeatthedevelopmentofneuralnetworktoeffectivelysolvetheproblem.不知道是不是我随便找的。