【正文】 …” ， 這樣一個過程含有 “ 產(chǎn)生 ” 、 “ 做出 ” 的含義 ， 因此獲得 “ 產(chǎn)生式 ” 的名子 。其后， 、 Widrow和 Hopf、 神經(jīng)系統(tǒng)的基本構造是神經(jīng)元 (神經(jīng)細胞 )， 它是處理人體內(nèi)各部分之間相互信息傳遞的基本單元 。 其末端的許多神經(jīng)末梢使得興奮可以同時傳送給多個神經(jīng)元 。 ? 大腦之所以能夠處理極其復雜的分析、推理工作，一方面是因為其神經(jīng)元個數(shù)的龐大，另一方面還在于神經(jīng)元能夠對輸入信號進行非線性處理。 首先 ， 給網(wǎng)絡的各連接權值賦予 (0， 1)區(qū)間內(nèi)的隨機值 ， 將 “ A”所對應的圖象模式輸入給網(wǎng)絡 ， 網(wǎng)絡將輸入模式加權求和 、 與門限比較 、 再進行非線性運算 ， 得到網(wǎng)絡的輸出 。如此操作調整，當給網(wǎng)絡輪番輸入若干個手寫字母“ A”、“ B”后，經(jīng)過網(wǎng)絡按以上學習方法進行若干次學習后，網(wǎng)絡判斷的正確率將大大提高。 ? 人工神經(jīng)網(wǎng)絡的特點和優(yōu)越性，主要表現(xiàn)在三個方面： ? 第一，具有自學習功能。 ? 第二，具有聯(lián)想存儲功能。 ? 第三，具有高速尋找優(yōu)化解的能力。典型的多層感知網(wǎng)絡是三層、前饋的階層網(wǎng)絡，即：輸入層 I、隱含層 (也稱中間層 ) J、輸出層 K。這種方法常常用于圖象邊緣處理，解決圖象邊緣的缺陷問題。他利用非線性動力學系統(tǒng)理論中的能量函數(shù)方法研究反饋人工神經(jīng)網(wǎng)絡的穩(wěn)定性，并利用此方法建立求解優(yōu)化計算問題的系統(tǒng)方程式。它與多種科學領域的發(fā)展密切相關，縱觀當代新興科學技術的發(fā)展歷史，人類在征服宇宙空間、基本粒子、生命起源等科學領域的進程之中歷經(jīng)了崎嶇不平之路。然后對網(wǎng)絡輸入實際的學習記憶模式，并由輸入層經(jīng)中間層向輸出層傳播 (稱為“模式順傳播” )。隨著“模式順傳播”和“誤差逆?zhèn)鞑ァ边^程的交替反復進行。特別是其數(shù)學意義明確、步驟分明的學習算法，更使其具有廣泛的應用前景。神經(jīng)生物學的研究結果表明：生物視網(wǎng)膜中，有許多特定的細胞，對特定的圖形(輸入模式 )比較敏感，并使得大腦皮層中的特定細胞產(chǎn)生大的興奮，而其相鄰的神經(jīng)細胞的興奮程度被抑制。競爭型神經(jīng)網(wǎng)絡及其學習規(guī)則與其它類型的神經(jīng)網(wǎng)絡和學習規(guī)則相比，有其自己的鮮明特點。有時競爭層各神經(jīng)元之間還存在橫向連接。 演講完畢，謝謝觀看！ 。神經(jīng)網(wǎng)絡工作時，對于某一輸入模式，網(wǎng)絡中與該模式最相近的學習輸入模式相對應的競爭層神經(jīng)元將有最大的輸出值，即以競爭層獲勝神經(jīng)元來表示分類結果。它一般是由輸入層 (模擬視網(wǎng)膜神經(jīng)元 )和競爭層 (模擬大腦皮層神經(jīng)元，也叫輸出層 )構成的兩層網(wǎng)絡。許多輸入模式，在輸出層中將激活許多個神經(jīng)元，從而形成一個反映輸入數(shù)據(jù) 競爭型神經(jīng)網(wǎng)絡是一種以無教師方式進行網(wǎng)絡訓練的網(wǎng)絡。但 BP網(wǎng)并不是十分的完善，它存在以下一些主要缺陷：學習收斂速度太慢、網(wǎng)絡的學習記憶具有不穩(wěn)定性，即：當給一個訓練好的網(wǎng)提供新的學習記憶模式時，將使已有的連接權值被打亂，導致已記憶的學習模式的信息的消失。通過此學習過程，確定下來各層間的連接權值之后就可以工作了。按照誤差平方最小這一規(guī)則，由輸出層往中間層逐層修正連接權值，此過程稱為“誤差逆?zhèn)鞑ァ薄? 學習規(guī)則及過程：它以一種有教師示教的方式進行學習。迄今為止，在人工神經(jīng)網(wǎng)絡研究領域中，有代表性的網(wǎng)絡模型已達數(shù)十種，而學習算法的類型更難以統(tǒng)計其數(shù)量。所以一旦輸出層中的某個輸出神經(jīng)元損壞，則導致該神經(jīng)元所代表的該模式信息全部丟失。 ? 除了競爭的方法外，還有通過抑制手段獲取勝利的方法，即網(wǎng)絡競爭層各神經(jīng)元抑制所有其它神經(jīng)元對輸入模式的響應機會，從而使自己“脫穎而出”，成為獲勝神經(jīng)元。 幾種典型神經(jīng)網(wǎng)絡簡介 (1)多層感知網(wǎng)絡 (誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡 )：在1986年以 Rumelhart和 McCelland為首的科學家出版的《 Parallel Distributed Processing》一書中，完整地提出了誤差逆?zhèn)鞑W習算法，并被廣泛接受。如果有人和你提起你幼年的同學張某某，你就會聯(lián)想起張某某的許多事情。自學習功能對于預測有特別重要的意義。當網(wǎng)絡再次遇到其中任何一個模式時，能夠作出迅速、準確的判斷和識別。 這時如果輸出為 “ 1” (結果正確 )， 則使連接權值增大 ， 以便使網(wǎng)絡再次遇到 “ A” 模式輸入時 ， 仍然能作出正確的判斷 。 現(xiàn)以人工神經(jīng)網(wǎng)絡對手寫 “ A” 、“ B” 兩個字母的識別為例進行說明 ， 規(guī)定當 “ A”輸入網(wǎng)絡時 ， 應該輸出 “ 1” ， 而當輸入為 “ B” 時 ，輸出為 “ 0” 。 神經(jīng)元細胞體將接受到的所有信號進行簡單地處理 (如：加權求和 ， 即對所有的輸入信號都加以考慮且對每個信號的重視程度體現(xiàn)在權值上有所不同 )后由軸突輸出 。 每個神經(jīng)元都由一個細胞體 ，一個連接其他神經(jīng)元的軸突和一些向外伸出的其它較短分支 ——樹突組成 。 人工神經(jīng)網(wǎng)絡 ? 1 神經(jīng)元模型的提出 “人工神經(jīng)網(wǎng)絡” (ARTIFICIAL NEURAL NETWORK，簡稱 .)是在對人腦組織結構和運行機智的認識理解基礎之上模擬其結構和智能行為的一種工程系統(tǒng)。 ? MYCIN系統(tǒng)存放有大量傳染病專家長期積累的知識 ， 它們是肖特利夫與許多著名的傳染病專家交談 ， 推理和總結得到的 ， 他把這些知識歸納成 200多條規(guī)則 (后擴充至 500多條 )存放在計算機中 ， 這些規(guī)則具有 “ 如果 …那么 …” 這種形式 ， 稱為產(chǎn)生式規(guī)則 。 它能教會不擅長診治傳染病的醫(yī)生 ，怎樣從患者癥狀出發(fā) ， 確定病的種類及相應的治療方法 。 他在計算機科學和醫(yī)學之間的邊緣領域一一醫(yī)療診斷的研究中 ， 進行了開創(chuàng)性的工作 。此外 ， 世界上比較著名的醫(yī)療診斷系統(tǒng)還有青光眼醫(yī)療診斷系統(tǒng) CASNET， 內(nèi)科病醫(yī)療診斷系統(tǒng)INTERNIST， 腎病醫(yī)療診斷系統(tǒng) PIP， 處理精神病的系統(tǒng) PARRY等 。因而許多研究人員力圖模擬神經(jīng)系統(tǒng)的工作原理來研制新一代的計算機，這種計算機將與傳統(tǒng)計算機有完全不同的工作原理，它是全并行式運行的具有分布式存儲能力，這就是在目前吸引了大量研究人員關注的人工神經(jīng)網(wǎng)絡。左腦主司讀、寫、聽、說這類文字、語言理解和生成的功能，專門處理邏輯推里、數(shù)學運算等“串行”任務。 但是絕大多數(shù)的專家系統(tǒng)只能達到或接近專家水平 。 第三節(jié) 專家系統(tǒng) ? 什么是專家系統(tǒng)： “ 專家系統(tǒng) ” (Expert System)是指具有相當于專家的知識和經(jīng)驗水平 ， 以及解決專門問題能力的計算機系統(tǒng) ，通常指計算機軟件 。 第三節(jié) 專家系統(tǒng) 所謂的專家系統(tǒng)實質上是某一專門知識 ， 例如某種疾病的診斷 、 處方 ， 某些礦物的資源勘探數(shù)據(jù)分析等的計算機咨詢系統(tǒng) (軟件 )。此外，電腦儲存的模板庫或樣本庫，與它的判斷識別機構兩相分離，當模板庫容量十分龐大時，搜索匹配就顯得力不從心；而人腦記憶的知識與其判斷機構渾然一體，它的模式識別是尋找、運用知識的思維決策。已被廣泛使用。學習過程稱為“訓練”即對著電腦大聲重復地講述某些字詞，直到它把這些字詞的聲音頻譜特征“記住”，存放在參考樣本庫作為識別這個字詞的模板。與“視覺”輸入設備掃描儀對應的“聽覺”輸入設備是話筒，