中医证候研究的人工神经网络方法探析

中医证候研究的人工神经网络方法探析

中医药学理论体系的特点是基础理论和临床实践的密切结合，证候是联系两者的纽带，是将理论付诸实践的关键环节，证候研究是发展中医理论、提高临床疗效的有效途径和必由之路，也是制约中医发展的瓶颈。人工神经网络(Artificial Neural Network，ANN)是80年代中后期以来迅速发展起来的一门集计算机科学、信息科学、工程科学以及医学、生物、数学、物理等诸多学科为一体的边缘交叉学科，以其强大的非线性映射特性已逐渐成为人们研究非线性世界、探索某些复杂系统的有力工具，笔者尝试探讨将人工神经网络方法引入中医证候研究的可行性。1人工神经网络的原理及应用 人工神经网络模拟神经系统的生物实际(以解剖、生理、生化的研究成果为基础)，建立近似于生物原型的信息处理数学模型，从而构成了一种新型的智能信息处理系统。该系统具有大规模的并行处理方式、良好的鲁捧容错性、独特的信息存储方式以及强大的自学习、自组织和自适应能力，这使得它在模式识别、控制优化、信息处理、故障诊断以及预测等方面应用广泛，其理论与技术方法在工程、医疗卫生等领域显示出巨大的吸引力，并具有广阔的应用前景。在医学领域中，已成功地应用于疾病预报、临床诊断分类、药物分析、中药质量的评价、医学信号处理、图像分析等各个方面。人工神经网络的原理是通过模拟生物的神经网络结构和功能，实现对各种信息的有效处理。它通常包含一个输入层、输出层以及一个或几个隐含层，它的基本组成单位为神经元，输入层接受外界信号，不对其进行加工和处理，直接将其引入神经网络；隐含层位于网络的输入层和输出层之问，可包括多层，对输入的信息进行处理并将其处理后的信息传给输出层(或下一个隐含层)；输出层则输出经隐含层处理后的结果。人工神经网络的一个显著特征是它通过自动学习来解决问题，对样本的学习过程，即为对网络中的神经元问的联系强度(即权重系数)逐步确定的过程，通过对样本的学习，可以学会识别自变量与应变量问的复杂的非线性关系。经过充分学习后的神经网络获取了样本的特征规则。并将这些规则以数字的形式分布存贮在网络的连接权中，从而构成了系统的非线性映射模型。这样的网络不仅可以对其学习过的样本能够准确识别，而且对未经学习的样本也可以准确识别，它甚至可以充分逼近任意复杂的非线性映射关系。可见，人工神经网络不需要精确的数学模型，而是通过模拟人的联想推理和抽象思维能力，来解决传统自动化技术无法解决的许多复杂的、不确定性的、非线性的自动化问题。2中医证候体系的非线性特征“线性”和“非线性”是区别事物复杂性程度的标尺，在数学中，当两个变量(自变量和应变量)的关系成正比时就称为线性关系，否则就是非线性关系。在生命科学中，由上述概念推广而来的线性和非线性逻辑则更具实用意义，非线性逻辑表征事物各组分之间是相互作用的。而不是相互独立的、正则的、无限可微的和平滑的，即总体不等于部分之和，它是复杂系统的典型特征之一。人体是一个复杂的自适应系统，能够随内外环境变化而相应地调整内部运行机制，这种自适应性是生命得以繁衍生存的基本能力。当内外环境的变化超出机体的自适应能力时，机体就处于一种过度调整的病理状态，这种状态的总体概括就是证候。证候是机体在疾病发生发展过程中截取其某一个时间断面功能状态的综合反映，可分“证”和“候”两个方面，“证”是指对疾病所处的某一时点的病因、病机、病位、病性、病势的总体概括，反映该病理状态的实质；“候”是指这种病理状态表现在外的物理征象(症状、体征等)。人体是一个复杂系统，中医理论体系中以五脏为中心的功能结构系统也具有复杂系统的特征，属于复杂系统。复杂系统中一个典型的特性是整体涌现性，涌现性指在具有层级结构的复杂系统中，高层级系统质的某些功能特性是由低层级系统因子的相互作用激发、提升而“涌现”出来的，这些较高层级的功能特性在还原为低层级时已不复存在，这种现象称为“涌现现象”。五脏功能系统中各系统的功能是分子、细胞、器官、组织等各层级结构逐级涌现的结果，在涌现的过程中，既有各种各样的空间分布形式，又有瞬息万变的时间存在方式，当用先进的科学手段逐级还原直至基因、蛋白质水平等较为低级的结构以探索五脏的实质时，各层级结构通过复杂的时空联结方式逐级涌现形成的基本生命机制已荡然无存。中医理论框架中的证候体系也同样具有涌现特性，那些可观测的物理表象所表达的就是人体各层级结构的功能失调逐级涌现的结果。任何一个低层级的结构或功能失调，均可通过“涌现”形成高一级的结构或功能失调，直至上升为整体层次的可被观测的功能失序状态，表现出各种外在的候。在这里，通过涌现形成的证候系统具有典型的时空结构特征，当用各种先进的还原方法探寻其实质时，证候的时空结构早已被破坏，本质特征当然也随之消失殆尽，这也许就是目前证候实质研究陷入困境的根源所在。可见，证候很好地把握了人体复杂系统在疾病发展的各个时点的涌现特性，证与候的关系是“以候为证”．证决定候，候表征证。证是实质，候是表象。实质与表象之间存在各层级涌现现象，因此，证候是非线性的复杂系统。同时，由于机体的病理状态会随自身抗病能力的调整、病程进展和药物干预的影响而发生不断的变化，所以，同一种疾病在不同时间断面上会表现出不同的证候，而不同的疾病在某一个时间断面上有时也可以呈现出相同的证候。另外，医者通过不同的角度、方法、环境进行观察时，证候也常呈现给观察者以不同的界面，从而表现出不同的证候。再者，每个个体的体质、性情、人格特征、生活习惯和生存环境以及医生的经验、直觉、感悟等不确定性因素也是导致证候多样性的重要原因。这表明证候是动态的、多变的、复杂的。辨证实际上就是通过观察外在的候来确定机体内在的证(病机状态)的过程，因此，中医证候诊断系统是一个非线性的、多维多阶的、可以无限组合的复杂巨系统。3人工神经网络用于证候研究的可行性 证候的非线性、复杂性特征为证候的规范化研究及证候实质的研究增加了相当大的难度，甚至目前还不能利用还原分析的方法揭示证候的本质特征，对其进行数学建模更是难以实现。那么，是否可以设想建立一种模型。在不必知道内部结构的情况下能够充分模拟证与候的非线性映射关系。基于黑箱结构的人工神经网络有可能可以实现这种设想，利用网络的自动学习能力，在充分辨识表现于外的“候”的表征信息的基础上，自动抽提出这些信息蕴含的内在规律，并将其分布在网络的联接权中，从而建立“候”与“证”的非线性映射函数。在这里，样本(证候)被概括为一对输入与输出的抽象的数学映射关系，“候”(各种物理表征信息)为输入单元，“证”为最终的输出结果。医学诊断的过程被看作一个映射问题．通过症状找出对应的证候诊断，神经网络把“候”与“证”的对应关系通过输入与输出的映射转化成了，一个非线性优化问题。虽然不清楚网络模型的内部结构，但这种模型却可以充分逼近证与候的非线性映射关系，近似真实地反映证候的全貌，是在不打开黑箱的前提下，建立证候模型、反映证候的内在规律和特征的有效方法。尽管证候的规范化研究开展了大量的基本证型规范、复合证型规范和病证结合的证型规范等研究．然而，令人困惑的是经过定性或定量化规范后的一系列证候诊断标准在学术界并未达成共识，长期以来病证同称、证症不分、证型繁杂、标准不一的混乱状况依然存在。困惑的关键症结就在于目前实施规范的技术方法很难全面反映证候系统的真实面貌，如此规范后的标准当然也就难以被广泛执行。一般认为。在科学领域中存在这样一个认知规律：规则可以通过归纳产生，当用充分的样本集表达时，可产生充分正确的规则。中医证候的诊断规律蕴含在足够多的样本集合中，利用神经网络的自主学习能力从大量的样本中进行证候特征的规则提取，则能够抽提出比较全面的内在规律；同时，网络的自组织、自适应能力又能加强对边缘相似病例的辨识能力，这样的证候诊断模型必将更加逼近证候的真实面貌，对今后证候规范化的研究不啻为一种可行的方法。当然，用人工神经网络建立的证候模型是否具有强大的推广能力，取决于训练样本的含量以及样本所含信息的全面程度。因此，必须保证训练样本的含量足够大、样本所蕴含的证候诊断信息足够全面，这样才能尽量真实地展示证候全貌。综上，证候研究可以尝试用大量的临床观察病例作为研究数据．采用人工神经网络技术，通过网络的训练和学习，从样本中自动获取规则，建立证候的网络模型，并将这种模型用于对新病例的判别，成为“辨证智能专家”。4基于神经网络的证候研究方法 人工神经网络的类型多种多样，从功能特性和学习能力来分，典型的神经网络模型主要包括感知器、线性神经网络、多层前向神经网络、自组织映射网络和反馈神经网络等…。笔者认为，比较适合应用于中医证候诊断的是BP神经网络以及在此基础上发展起来的模糊神经网络。BP神经网络的应用 BP神经网络(Back-Propa-gation Network)是指基于误差反向传播算法(BP算法)的多层前向神经网络。是目前应用最为广泛的神经网络学习算法。BP网络神经元采用的传递函数通常是非线性Sigmoid型可微函数，因此可以实现输入和输出间的任意非线性映射，由于误差反向传播网络及其算法增加了中间隐含层并且有相应的学习规则可循，使其对非线性模式具有较强的识别能力。网络除输入输出节点外，有一层或多层的隐含层节点。同层节点之间无连接，每层节点的输出只对下一层节点的输出有影响。网络的训练过程，就是不断将计算输出与期望输出值的误差反传给网络，从而调整输出层与隐含层及隐含层与输入层间的权重大小，直至计算输出与期望输出值的误差最小为止。该算法中的每一个训练样本在网络中都经过两遍传递计算：一遍向前传播计算，从输入层开始传递到各层，经过处理后产生一个输出，并得到一个实际输出和所需输出之间的差错向量：一遍反向传播计算，从输出层到输入层，使用误差梯度下降法，修改各层神经元的联接权值，最终使误差达到期望目标。但经典的BP学习算法还存在一些缺点，比如收敛速度比较慢，在有限的时问内难以达到预定的目标，以及完成训练的网络的推广能力不强、局部极小问题等。针对上述缺陷，可以对网络进行必要的改进。如通常采用一些全局最优化算法与之相结合的方法，使实际的输出更加精确。模糊神经网络的应用 与神经网络模拟人脑的结构以及对信息的记忆和处理功能、擅长从输入输出数据中学习有用的知识不同，模糊控制则是模拟人的思维和语言中对模糊信息的表达和处理方式，擅长利用和表达人的经验知识，可以处理带模糊性的信息。模糊控制技术以模糊逻辑为基础，模仿人的模糊综合判断推理能力，来处理常规方法难以解决的模糊信息处理问题。中医证候系统具有非线性复杂性特征，可以利用人工神经网络，在不了解其黑箱结构的前提下，通过对证候各组成要素内在规律的自动提取，建立输入与输出的非线性映射关系，从而建立证候的神经网络模型。但中医证候学的物理表征信息(症状、体征等)通过医生的望、闻、问、切而获得，属于经验性知识，具有典型的模糊性、不确定性特征，更适合于利用模糊系统来表达，但是模糊系统的规则集和隶属函数等设计参数却只能靠经验来选择，很难自动设计和调整，这是模糊系统的缺点。若用神经网络来构造模糊系统，就可以利用神经网络的学习方法，根据输入输出样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。这种模糊神经网络集中了模糊控制技术和人工神经网络的双重优点，扩大了系统处理信息的范围，是当今智能控制领域的研究热点，也更适合用于中医证候的研究。在这里，模糊系统和神经网络的连接可以采用串联型和网络学习型两种结构结合在一起的形式，先用神经网络对训练样本证候的物理表征信息进行充分学习，得到它们对证候诊断的隶属函数，构造模糊系统，并将这个系统与神经网络相连，从而建立证候的模糊神经网络模型。实现证候的智能化诊断。目前，我们正在进行的基于模糊神经网络的糖尿病肾病中医证候规范研究，其方法就是利用模糊多层感知器网络(FMLP)，构建糖尿病肾病中医证候的模糊神经网络模型。我们并同时利用基于BP算法的多层前馈神经网络(BP)，以相同的观察资料为研究对象，构建糖尿病肾病中医证候的BP神经网络模型，从解决实际问题的能力比较两种模型的性能，以确立较优糖尿病肾病中医证候神经网络模型。样本集采用国家中医药管理局课题“中医药治疗糖尿病肾病临床疗效评价信息处理研究”所获得的一组糖尿病肾病临床病例资料，先对样本所涉及的所有症状和体征(症、舌、脉等)进行模糊聚类分析，初步获得基本证型，从上述证型中取2／3样本并配以相同样本数的正常样本作为训练样本集，剩余1／3配以相同样本数的正常样本作为测试样本集。依据基本证型所涵盖的症状设定输入节点数目，依据基本证型确立输出节点数目，首先根据各个输入节点的模糊隶属度函数(通过神经网络学习而获得)对输入信息进行模糊化处理．建立模糊系统。并将这个系统与BP网络相连，针对输入信息所具有的特点，选取相应的函数作为教师，来指导神经网络对训练样本利用梯度下降法进行训练，利用网络的自学习能力不断调整网络的联接权值，直至网络的模糊隶属度函数趋稳，结束训练，即建立了糖尿病肾病证候的模糊神经网络模型，用训练好的模糊神经网络对测试样本集进行检验，得出输出向量值，并与期望输出结果相比较，以判断网络模型的综合性能。目前这项工作正在进行中，预试验结果令人满意。在现阶段证候诊断标准没有规范化以前，这种集模糊系统和神经网络于一身的模糊神经网络技术，能更有效地表达和处理中医领域专家的非确定性、模糊性经验知识，很可能将为今后中医证候规范化的研究提供可行性方法。5结语 一门学科只有不断地吸纳先进的思想与技术，在继承的基础上发展创新，才能真正具有生命力，中医现代化研究，呼唤多种边缘学科、交叉学科理论和技术方法的介入，理论上的探讨和不断切实可行的实践探索并行，才能使中医证候研究从量的积累上升到质的飞跃。当然，人工神经网络的知识处理能力还需进一步提高，还需围绕如何提高学习能力、收敛速度、可塑性以及普化能力等方面展开深入研究。但是，目前在中医理论指导下，采用神经网络技术建立中医证候神经网络模型，对中医证候的系统化和规范化研究不啻是一种可行的方法。随着研究工作的进一步发展，我们相信一定会有更多、更好的神经网络用于证候系统的诊断研究，使中医证候的诊断技术更能提高一步。摘自：《中医药学刊》文/白云静 申洪波 之道：孟庆刚

神经网络算法的人工神经网络

人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。 人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
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。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 （1）人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
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。
（2）泛化能力
泛化能力指对没有训练过的样本，有很好的预测能力和控制能力。特别是，当存在一些有噪声的样本，网络具备很好的预测能力。
(3)非线性映射能力
当对系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析，偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化设计的难度。
(4)高度并行性
并行性具有一定的争议性。承认具有并行性理由：神经网络是根据人的大脑而抽象出来的数学模型，由于人可以同时做一些事，所以从功能的模拟角度上看，神经网络也应具备很强的并行性。
多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，这些年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。
下面将人工神经网络与通用的计算机工作特点来对比一下：
若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。
人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡 （平均每小时约一千个），但不影响大脑的正常思维活动。
普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。 心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。
生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。
人工神经网络早期的研究工作应追溯至上世纪40年代。下面以时间顺序，以著名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
1985年，Ackley、Hinton和Sejnowski将模拟退火算法应用到神经网络训练中，提出了Boltzmann机，该算法具有逃离极值的优点，但是训练时间需要很长。
1986年，Rumelhart、Hinton和Williams提出了多层前馈神经网络的学习算法，即BP算法。它从证明的角度推导算法的正确性，是学习算法有理论依据。从学习算法角度上看，是一个很大的进步。
1988年，Broomhead和Lowe第一次提出了径向基网络：RBF网络。
总体来说，神经网络经历了从高潮到低谷，再到高潮的阶段，充满曲折的过程。

人工智能神经网络论文

　　随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。以下是我整理分享的人工智能神经网络论文的相关资料，欢迎阅读!

　　人工智能神经网络论文篇一 　　人工神经网络的发展及应用

　　摘要随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。人工神经网络的发展经历了不同的阶段，是人工智能的重要组成部分，并且在发展过程中形成了自身独特的特点。文章对人工神经网络的发展历程进行回顾，并对其在各个领域的应用情况进行探讨。

　　关键词人工神经网络;发展;应用

　　随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。

　　1人工神经网络概述

　　关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。

　　2人工神经网络的发展历程

　　2.1 萌芽时期

　　在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。

　　2.2 低谷时期

　　在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。

　　2.3 复兴时期

　　美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。

　　2.4 稳步发展时期

　　随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。

　　随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。

　　3人工神经网络的应用

　　3.1 在信息领域中的应用

　　人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。

　　3.2 在医学领域的应用

　　人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。

　　3.3 在经济领域中的应用

　　经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。

　　3.4 在其他领域的应用

　　人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。

　　4总结

　　随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。

　　参考文献

　　[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993(5)：8-12，20.

　　[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009(10)：59-61.

　　[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009(5)：44-46.

　　[4]过效杰，祝彦知.人工神经网络的发展及其在岩土工程领域研究现状[J].河南水利，2004(1)：22-23.

　　[5]崔永华.基于人工神经网络的河流汇流预报模型及应用研究[D].郑州大学，2006.

下一页分享更优秀的<<<人工智能神经网络论文

人工神经网络的主要研究成果

1 人工神经网络产生的背景
自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。在这些理论基础之上，科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。另一方面，19世纪之前，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系统的关键。为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。所以，人工神经网络的创立不是偶然的，而是20世纪初科学技术充分发展的产物。
2 人工神经网络的发展
人工神经网络的研究始于40年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的远为曲折的道路。
1943年，心理学家W.S.Mcculloch和数理逻辑学家W.Pitts 提出了M—P模型，这是第一个用数理语言描述脑的信息处理过程的模型， 虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。1949年，心理学家D.O.Hebb提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。 1957 年， 计算机科学家Rosenblatt提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络，第一次把神经网络研究付诸工程实现。由于可应用于模式识别，联想记忆等方面，当时有上百家实验室投入此项研究，美国军方甚至认为神经网络工程应当比“原子弹工程”更重要而给予巨额资助，并在声纳信号识别等领域取得一定成绩。1960年，B.Windrow和E.Hoff提出了自适应线性单元， 它可用于自适应滤波、预测和模式识别。至此，人工神经网络的研究工作进入了第一个高潮。
1969年，美国著名人工智能学者M.Minsky和S.Papert编写了影响很大的Perceptron一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知机能力也不过如此，他们的分析恰似一瓢冷水，很多学者感到前途渺茫而纷纷改行，原先参与研究的实验室纷纷退出，在这之后近10年，神经网络研究进入了一个缓慢发展的萧条期。这期间，芬兰学者T.Kohonen 提出了自组织映射理论，反映了大脑神经细胞的自组织特性、记忆方式以及神经细胞兴奋刺激的规律；美国学者S.A.Grossberg的自适应共振理论（ART ）；日本学者K.Fukushima提出了认知机模型；ShunIchimari则致力于神经网络有关数学理论的研究等，这些研究成果对以后的神经网络的发展产生了重要影响。
美国生物物理学家J.J.Hopfield于1982年、1984年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的又一次热潮。 1982 年， 他提出了一个新的神经网络模型——hopfield网络模型。他在这种网络模型的研究中，首次引入了网络能量函数的概念，并给出了网络稳定性的判定依据。1984年，他又提出了网络模型实现的电子电路，为神经网络的工程实现指明了方向，他的研究成果开拓了神经网络用于联想记忆的优化计算的新途径，并为神经计算机研究奠定了基础。1984年Hinton等人将模拟退火算法引入到神经网络中，提出了Boltzmann机网络模型，BM 网络算法为神经网络优化计算提供了一个有效的方法。1986年，D.E.Rumelhart和J.LMcclelland提出了误差反向传播算法，成为至今为止影响很大的一种网络学习方法。1987年美国神经计算机专家R.Hecht—Nielsen提出了对向传播神经网络，该网络具有分类灵活，算法简练的优点，可用于模式分类、函数逼近、统计分析和数据压缩等领域。1988年L.Ochua 等人提出了细胞神经网络模型，它在视觉初级加工上得到了广泛应用。
为适应人工神经网络的发展，1987年成立了国际神经网络学会，并决定定期召开国际神经网络学术会议。1988年1月Neural Network 创刊。1990年3月IEEE Transaction on Neural Network问世。 我国于1990年12月在北京召开了首届神经网络学术大会，并决定以后每年召开一次。1991 年在南京成立了中国神经网络学会。 IEEE 与INNS 联合召开的IJCNN92已在北京召开。 这些为神经网络的研究和发展起了推波助澜的作用，人工神经网络步入了稳步发展的时期。
90年代初，诺贝尔奖获得者Edelman提出了Darwinism模型，建立了神经网络系统理论。同年，Aihara等在前人推导和实验的基础上，给出了一个混沌神经元模型，该模型已成为一种经典的混沌神经网络模型，该模型可用于联想记忆。 Wunsch 在90OSA 年会上提出了一种AnnualMeeting，用光电执行ART，学习过程有自适应滤波和推理功能，具有快速和稳定的学习特点。1991年，Hertz探讨了神经计算理论， 对神经网络的计算复杂性分析具有重要意义；Inoue 等提出用耦合的混沌振荡子作为某个神经元，构造混沌神经网络模型，为它的广泛应用前景指明了道路。1992年，Holland用模拟生物进化的方式提出了遗传算法， 用来求解复杂优化问题。1993年方建安等采用遗传算法学习，研究神经网络控制器获得了一些结果。1994年Angeline等在前人进化策略理论的基础上，提出一种进化算法来建立反馈神经网络，成功地应用到模式识别，自动控制等方面；廖晓昕对细胞神经网络建立了新的数学理论和方法，得到了一系列结果。HayashlY根据动物大脑中出现的振荡现象，提出了振荡神经网络。1995年Mitra把人工神经网络与模糊逻辑理论、 生物细胞学说以及概率论相结合提出了模糊神经网络，使得神经网络的研究取得了突破性进展。Jenkins等人研究光学神经网络， 建立了光学二维并行互连与电子学混合的光学神经网络，它能避免网络陷入局部最小值，并最后可达到或接近最理想的解；SoleRV等提出流体神经网络，用来研究昆虫社会，机器人集体免疫系统，启发人们用混沌理论分析社会大系统。1996年，ShuaiJW’等模拟人脑的自发展行为， 在讨论混沌神经网络的基础上提出了自发展神经网络。1997、1998年董聪等创立和完善了广义遗传算法，解决了多层前向网络的最简拓朴构造问题和全局最优逼近问题。
随着理论工作的发展，神经网络的应用研究也取得了突破性进展，涉及面非常广泛，就应用的技术领域而言有计算机视觉，语言的识别、理解与合成，优化计算，智能控制及复杂系统分析，模式识别，神经计算机研制，知识推理专家系统与人工智能。涉及的学科有神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经网络计算机软硬件实现的开发方面也取得了显著的成绩，并逐步形成产品。在美国，神经计算机产业已获得军方的强有力支持，国防部高级研究计划局认为“神经网络是解决机器智能的唯一希望”，仅一项8 年神经计算机计划就投资4亿美元。在欧洲共同体的ESPRIT计划中， 就有一项特别项目：“神经网络在欧洲工业中的应用”，单是生产神经网络专用芯片这一项就投资2200万美元。据美国资料声称，日本在神经网络研究上的投资大约是美国的4倍。我国也不甘落后，自从1990 年批准了南开大学的光学神经计算机等3项课题以来， 国家自然科学基金与国防预研基金也都为神经网络的研究提供资助。另外，许多国际著名公司也纷纷卷入对神经网络的研究，如Intel、IBM、Siemens、HNC。神经计算机产品开始走向商用阶段，被国防、企业和科研部门选用。在举世瞩目的海湾战争中，美国空军采用了神经网络来进行决策与控制。在这种刺激和需求下，人工神经网络定会取得新的突破，迎来又一个高潮。自1958年第一个神经网络诞生以来，其理论与应用成果不胜枚举。人工神经网络是一个快速发展着的一门新兴学科，新的模型、新的理论、新的应用成果正在层出不穷地涌现出来。
3 人工神经网络的发展前景
针对神经网络存在的问题和社会需求，今后发展的主要方向可分为理论研究和应用研究两个方面。
（1）利用神经生理与认识科学研究大脑思维及智能的机理、 计算理论，带着问题研究理论。
人工神经网络提供了一种揭示智能和了解人脑工作方式的合理途径，但是由于人类起初对神经系统了解非常有限，对于自身脑结构及其活动机理的认识还十分肤浅，并且带有某种“先验”。例如， Boltzmann机引入随机扰动来避免局部极小，有其卓越之处，然而缺乏必要的脑生理学基础，毫无疑问，人工神经网络的完善与发展要结合神经科学的研究。而且，神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论。因此利用神经生理和认识科学研究大脑思维及智能的机理，如有新的突破，将会改变智能和机器关系的认识。
利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，如神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等，开发新的网络数理理论。由于神经网络的非线性，因此非线性问题的研究是神经网络理论发展的一个最大动力。特别是人们发现，脑中存在着混沌现象以来，用混沌动力学启发神经网络的研究或用神经网络产生混沌成为摆在人们面前的一个新课题，因为从生理本质角度出发是研究神经网络的根本手段。
（2）神经网络软件模拟， 硬件实现的研究以及神经网络在各个科学技术领域应用的研究。
由于人工神经网络可以用传统计算机模拟，也可以用集成电路芯片组成神经计算机，甚至还可以用光学的、生物芯片的方式实现，因此研制纯软件模拟，虚拟模拟和全硬件实现的电子神经网络计算机潜力巨大。如何使神经网络计算机与传统的计算机和人工智能技术相结合也是前沿课题；如何使神经网络计算机的功能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机，分子神经计算机，将具有十分诱人的前景。
4 哲理
（1）人工神经网络打开了认识论的新领域
认识与脑的问题，长期以来一直受到人们的关注，因为它不仅是有关人的心理、意识的心理学问题，也是有关人的思维活动机制的脑科学与思维科学问题，而且直接关系到对物质与意识的哲学基本问题的回答。人工神经网络的发展使我们能够更进一步地既唯物又辩证地理解认识与脑的关系，打开认识论的新领域。人脑是一个复杂的并行系统，它具有“认知、意识、情感”等高级脑功能，用人工进行模拟，有利于加深对思维及智能的认识，已对认知和智力的本质的研究产生了极大的推动作用。在研究大脑的整体功能和复杂性方面，人工神经网络给人们带来了新的启迪。由于人脑中存在混沌现象，混沌可用来理解脑中某些不规则的活动，从而混沌动力学模型能用作人对外部世界建模的工具，可用来描述人脑的信息处理过程。混沌和智能是有关的，神经网络中引入混沌学思想有助于提示人类形象思维等方面的奥秘。人工神经网络之所以再度兴起，关键在于它反映了事物的非线性，抓住了客观世界的本质，而且它在一定程度上正面回答了智能系统如何从环境中自主学习这一最关键的问题，从认知的角度讲，所谓学习，就是对未知现象或规律的发现和归纳。由于神经网络具有高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆功能以及十分强的自适应、自学习功能，而使得它成为揭示智能和了解人脑工作方式的合理途径。但是，由于认知问题的复杂性，目前，我们对于脑神经网的运行和神经细胞的内部处理机制，如信息在人脑是如何传输、存贮、加工的？记忆、联想、判断是如何形成的？大脑是否存在一个操作系统？还没有太多的认识，因此要制造人工神经网络来模仿人脑各方面的功能，还有待于人们对大脑信息处理机理认识的深化。
（2）人工神经网络发展的推动力来源于实践、 理论和问题的相互作用
随着人们社会实践范围的不断扩大，社会实践层次的不断深入，人们所接触到的自然现象也越来越丰富多彩、纷繁复杂，这就促使人们用不同的原因加以解释不同种类的自然现象，当不同种类的自然现象可以用同样的原因加以解释，这样就出现了不同学科的相互交叉、综合，人工神经网络就这样产生了。在开始阶段，由于这些理论化的网络模型比较简单，还存在许多问题，而且这些模型几乎没有得到实践的检验，因而神经网络的发展比较缓慢。随着理论研究的深入，问题逐渐地解决特别是工程上得到实现以后，如声纳识别成功，才迎来了神经网络的第一个发展高潮。可Minisky认为感知器不能解决异或问题， 多层感知器也不过如此，神经网络的研究进入了低谷，这主要是因为非线性问题没得到解决。随着理论的不断丰富，实践的不断深入， 现在已证明Minisky的悲观论调是错误的。今天，高度发达的科学技术逐渐揭示了非线性问题是客观世界的本质。问题、理论、实践的相互作用又迎来了人工神经网络的第二次高潮。目前人工神经网络的问题是智能水平不高，还有其它理论和实现方面的问题，这就迫使人们不断地进行理论研究，不断实践，促使神经网络不断向前发展。总之，先前的原因遇到了解释不同的新现象，促使人们提出更加普遍和精确的原因来解释。理论是基础，实践是动力，但单纯的理论和实践的作用还不能推动人工神经网络的发展，还必须有问题提出，才能吸引科学家进入研究的特定范围，引导科学家从事相关研究，从而逼近科学发现，而后实践又提出新问题，新问题又引发新的思考，促使科学家不断思考，不断完善理论。人工神经网络的发展无不体现着问题、理论和实践的辩证统一关系。
（3 ）人工神经网络发展的另一推动力来源于相关学科的贡献及不同学科专家的竞争与协同
人工神经网络本身就是一门边缘学科，它的发展有更广阔的科学背景，亦即是众多科研成果的综合产物，控制论创始人Wiener在其巨著《控制论》中就进行了人脑神经元的研究；计算机科学家Turing就提出过B网络的设想；Prigogine提出非平衡系统的自组织理论，获得诺贝尔奖；Haken研究大量元件联合行动而产生宏观效果， 非线性系统“混沌”态的提出及其研究等，都是研究如何通过元件间的相互作用建立复杂系统，类似于生物系统的自组织行为。脑科学与神经科学的进展迅速反映到人工神经网络的研究中，例如生物神经网络理论，视觉中发现的侧抑制原理，感受野概念等，为神经网络的发展起了重要的推动作用。从已提出的上百种人工神经网络模型中，涉及学科之多，令人目不暇接，其应用领域之广，令人叹为观止。不同学科专家为了在这一领域取得领先水平，存在着不同程度的竞争，所有这些有力地推动了人工神经网络的发展。人脑是一个功能十分强大、结构异常复杂的信息系统，随着信息论、控制论、生命科学，计算机科学的发展，人们越来越惊异于大脑的奇妙，至少到目前为止，人类大脑信号处理机制对人类自身来说，仍是一个黑盒子，要揭示人脑的奥秘需要神经学家、心理学家、计算机科学家、微电子学家、数学家等专家的共同努力，对人类智能行为不断深入研究，为人工神经网络发展提供丰富的理论源泉。另外，还要有哲学家的参与，通过哲学思想和自然科学多种学科的深层结合，逐步孕育出探索人类思维本质和规律的新方法，使思维科学从朦胧走向理性。而且，不同领域专家的竞争与协调同有利于问题清晰化和寻求最好的解决途径。纵观神经网络的发展历史，没有相关学科的贡献，不同学科专家的竞争与协同，神经网络就不会有今天。当然，人工神经网络在各个学科领域应用的研究反过来又推动其它学科的发展，推动自身的完善和发展。

神经网络优缺点，

优点：

（1）具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。

自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。

（2）具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

（3）具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

缺点：

（1）最严重的问题是没能力来解释自己的推理过程和推理依据。

（2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。

（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。

（4）理论和学习算法还有待于进一步完善和提高。

扩展资料：

神经网络发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。

由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。

参考资料：-人工神经网络

本文地址:http://www.dadaojiayuan.com/zhongyizatan/44867.html.

声明： 我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本站部分文字与图片资源来自于网络，转载是出于传递更多信息之目的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们(管理员邮箱：602607956@qq.com)，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!

上一篇: 肝郁证实验研究概览

下一篇: 悬钟穴的应用及定位考证