神经网络技术初探

《神经网络技术初探》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、神经网络技术初探张瑞山东省青岛市第二中学摘要：随着信息科学的快速发展，人工智能得到了研宄者的广泛关注。作为人工智能中的主要实现手段，人工神经网络受神经元工作原理启发，而建立的一种对信息处理的数学模型。近年來，随着深度学习的发展，对它的研究取得了一系列进展，并得到广泛的商业应用。本文将简述神经网络的发展历史及现状，棊本原理及对其未来的展望。关键词：人工智能;人工神经网络;一、引言自从第一代电子计算机问世以来，计算机科学技术便得到了快速的发展，从最早被应用到科学计算，到利用计算机程序进行数据处理及辅助

2、设计，以及最为广泛应用的无纸化办公，计算机己被应用到我们社会生产生活的方方面面。传统上我们在利用计算机处理实际问题时，我们通过将目标任务分解成一条条简单可执行的步骤，并将其用相应的编程语句记录下来，并利用相应的软件解释执行。原则上我们可以给出每一个任务的分解，但是许多现实问题过于复杂以至于我们没有办法给出有效的具有普遍性的分解，如面部识别，语音识别，自动驾驶，机器翻译。上个世纪，由生物神经网络启发而建立起来的人工神经网络模型,经过几十年的发展，已被证明在处理类似传统编程方法难以解决的问题上具有明显

3、的优势。与传统的方法相比，它不需要事先就准确地将相应任务的程序编写完成，允许其具有一定的较大的误差，通过大量样本的学习而最终以极高的成功率完成目标任务。近年来，祌经网络的技术有了极大的发展，尤其是深度学习技术的广泛而深入的研究推动了神经网络的实际应用，如智能手机中的语咅助手，不久前在围棋上击败人类棋手的AlphaGo等。在本文中，我们将通过分三个部分对神经网络技术进行初步的阐述。首先我们对神经网络发展的历史及现状进行阐述，接着我们介绍了神经网络的基本原理，最后我们给出神经网络技术的张望，以及其对人

4、类社会文明可能带来的影响。二、神经网络发展历史及现状人工神经网络的研宄萌芽于上个世纪四十年代，神经学家WarranMeCulloch及数学家WalterPitts所构建的用来解释神经元工作原理的电流神经元模型。在这之后DonaldHebb提出两个祌经元之间的连接会在其每次有传导的时候而增强，并认为这也是人脑学习过程的基本原理。到了五十年代，Rosenblatt提出丫感知器的模型，并证明对于线性可分的系统，其学习算法一定收敛。感知器模型在处理简单分类模型时极其有效，它可以看作是最早的人工神经网络，它

5、的提出极大推动了人工神经网络的发展。但同时由于其单层结构模型过于简单，它也有着较大的局限性，它对于经典的二进制问题都无法处理。同时由于当时计算机技术水平所限，以及传统编程方法的快速发展，人工神经网络的发展进入了低潮。直到上个世纪八十年代初，加州理工教授J.J.Uopfield提出丫一种单层反馈网络Hopfield的网络，并成功用它解决了旅行商问题，同时由于国际上对于第五代计算机研发的竞争使得更多的资金涌入这一领域，从而推动了人工神经网络这一领域的复兴。之后反向传播法被提出用于多层祌经M络的训练，从

6、而解决异或逻辑的处理。在长期的研究后，人们逐渐达成共识层数越多网络能完成的任务越多。但是，层数越多也就意味网络的训练越困难。对这一问题的研宂产生了深度学习这一领域。1984年，円本学者福岛邦彦提出了卷积神经网络的原始模型神经感知机，1998年，Y.LeCim提出了深度学习常用模型之一卷积神经网络。到了2006年G.Hinton提出了深度学习的概念，随后与其团队提出了深度学习模型之一，深度信念网络，并给出丫一种高效的半监督算法:逐层贪心算法，来训练深度信念网络的参数，打破了长期以来深度网络难以训练的

7、僵局，并在政府机构，研宂机构，公司中掀起了对深度学习的研宄。时至今円利用深度学习训练的深度网络己进入我们生活的方方面面，如机器翻译，语音助手，人脸解锁，步态识别等等。三、神经网络基本原理人工神经网络是受神经元的工作原理启发而来的。图1展示了神经元的基本结构,一个祌经元由树突，细胞核，细胞核，细胞体及突触组成。每一个祌经元细胞通过树突接受从其他神经元细胞传来的电化学信号。当电化学信号的总强度达到一定阈值时，神经元便可以被激活，当神经元被激活后，电化学信号通过突触被传送到与之相连的神经元。人工神经网络

8、便是基于神经元工作的模型构建出来的。图1神经元基本结构图下载原图一个单个的人工神经网络的单元如阁2所示。从^到a:1是用于表示神经元接受的电化学输入信号，其用数值来表示。对于生物神经元体系，两个神经元之间的连接可以随着连通次数的增加而增强，因此对每个每个输入信号a,均要乘上连接系数w,，来表示连接的强弱。所冇的信号的在乘上相应的连接系数并求和后并减去一定的阈值b。如果总和大于0，则神经元是激活的，若小于0,神经元是抑制的。总信号作为变量输入传递函数，而传递函数的值则是神经元后处理的