人工智能与神经网络读书报告.doc

人工智能与神经网络读书报告 摘要：人工智能与神经网络技术在近二十年中飞速发展，取得了大量成果，本文介绍了神经网络的发展现状，并对神经网络的的未来发展进行了展望。 关键词：人工智能 神经网络 Abstract：The Artificial Intelligence and the neural network technique has gained high recognition in recent twenty years, and has acquired abundant accomplishment. This paper has made a prospect to the neural network’s future development based on viewing the state of development of neural network. Keywords: Artificial Intelligence neural network 一、引言 神经网络[1](Neural Network：NN)(ANN)、人工神经系统(ANS)、自适应系统(Adaptive System)、连接模型(Connectionism)、神经计算机(Neurocomputer)等。人工神经网络是生物神经网络的一种模拟和近似，它从结构、实现机理和功能上模拟生物神经网络。从系统观点看，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构成的自适应非线性动态系统。 本文结构如下：首先介绍了神经网络技术的发展史；其次具体介绍了神经网络技术；最后对神经网络技术的发展进行了展望。 二、神经网络技术发展史[1] 神经网络最早的研究是1943年心理学家McCulloch和数学家Pitts合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经历了三个发展阶段：1946-1969为初期，在此期间的主要工作包括Hebb(1949)《The Organization of Behavior》一书中提出的Hebb学习规则，他的基本思想是：大脑在器官接受不同的任务刺激时，大脑的突触在不断的进行变化，这些不停的变化导致了大脑的自组织形成细胞集合，循环的神经冲动会自我强化。Hebb在文中给出了突出调节模型，描述了分布记忆，即后来的关联论(connectionist)；这个阶段另一个重要的工作为Rosenblatt基于MP模型，增加了学习机制，推广了MP模型研制了感知机。Rosenblatt感知机器的工作激发了许多的学者对神经网络研究的极大兴趣，美国上百家有影响的实验室纷纷投入到这个领域。1969年Minsky和Papert指出感知机的缺陷并表示出对该方法研究的悲观态度，同时由于专家系统方法展示出的强大活力，使得神经网络在很长时间内处于一个发展的低潮。第二阶段即为1970-1986期间的发展低潮阶段，在此期间科学家们做出了大量的工作，如Hopfield对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1981-1984年Kohonen提出自组织映射网络模型。1986年Rumelhart等人提出误差反向传播神经网络，简称BP网络。目前BP网络已经得到广泛应用。1987年至今为发展期，在此期间，神经网络得到了国际重视，许多国家都展开研究，形成神经网络发展的另一个高潮。 三、神经网络技术 人工神经网络的定义[2]不是统一的，T.Koholen对人工神经网络的定义：“人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。” 人工神经网络（articles neural network，ANN）结构和工作机理基本上以人脑的组织结构（大脑神经元网络）和活动规律为背景的，它反映了人脑的某些基本特征，但并不是要对人脑部分的真实再现，可以说它是某种抽象、简化或模仿。 神经网络具有如下的特点： (1) 由于信息分散存储于网络内的神经元中，因而神经网络具有很强的鲁棒性和容错性； (2) 并行处理能力，人工神经元在结构上是并行的，从而使得相似问题的处理可以同时进行，具有快速的特点； (3) 自学习、自组织、自适应性； (4) 可以逼近任意复杂的非线性系统，同时可以处理定性与定量信息，适用于处理非线性和不确定性问题。上述特点使得神经网络具有很广泛的适用范围，主要包括图象处理、模式识别、机器人控制、信号处理、经济分析、数据挖掘、医学、农业、电力系统、交通、地理、气象等诸多领域。 1、人工神经元模型[3] 神经元是大脑处理信息的基本单元，人脑大约由1011个神经元组成，神经元互相连接成神经网络。神经元以细胞体为主体，由许多向周围延伸的不规