【正文】 如 ， 視覺系統(tǒng)和運動系統(tǒng)就存在很強(qiáng)的系統(tǒng)聯(lián)系 ， 可以相互協(xié)調(diào)各種信息處理功能 。 由于大腦神經(jīng)元兼有信息處理和存貯功能 ， 所以在進(jìn)行回億時 ， 不但不存在先找存貯地址而后再調(diào)出所存內(nèi)容的問題 ， 而且還可以由一部分內(nèi)容恢復(fù)全部內(nèi)容 。 這種可塑性反映出大腦功能既有先天的制約因素 ， 也有可能通過后天的訓(xùn)練和學(xué)習(xí)而得到加強(qiáng) 。 神經(jīng)系統(tǒng)的可塑性和自組織性與人腦的生長發(fā)育過程有關(guān) 。 因此只能把它看成是一個由眾多神經(jīng)元所組成的超高密度的并行處理系統(tǒng) 。 每個神經(jīng)元的處理功能也很有限 ， 估計不會比計算機(jī)的一條指令更復(fù)雜 。 它們有其獨特的運行方式和控制機(jī)制 ， 以接受生物內(nèi)外環(huán)境的輸入信息 ， 加以綜合分折處理 ， 然后調(diào)節(jié)控制機(jī)體對環(huán)境作出適當(dāng)?shù)姆磻?yīng) 。因此 ， 一個神經(jīng)元接受的信息 ， 在時間和空間上常呈現(xiàn)出一種復(fù)雜多變的形式 ， 需要神經(jīng)元對它們進(jìn)行積累和整合加工 ， 從而決定其輸出的時機(jī)和強(qiáng)度 。 神經(jīng)元對信息的接受和傳遞都是通過突觸來進(jìn)行的 。 當(dāng)某些神經(jīng)纖維被破壞后 ， 可能又會長出新芽 ， 并重新產(chǎn)生附著于神經(jīng)元上的突觸 ． 形成新的回路 。 其次是突觸傳遞物質(zhì)質(zhì)量的變化 ， 包括比例成分的變化所引起傳遞效率的變化 。 神經(jīng)元之間的聯(lián)系主要依賴其突觸的聯(lián)接作用 。 這些輸入可達(dá)到神經(jīng)元的樹突 、胞體和軸突等不同部位 ， 但其分布各不相同 ． 對神經(jīng)元的影響也不同 。 神經(jīng)元由細(xì)胞體和延伸部分組成 。 其獨立性是指每一個神經(jīng)元均有自己的核和自己的分界線或原生質(zhì)膜 。 通過神經(jīng)元及其聯(lián)接的可塑性 ， 使得大腦具有學(xué)習(xí) 、記憶和認(rèn)知等各種智能 。 由此引起了智能研究者們的廣泛關(guān)注 ， 并普遍認(rèn)為神經(jīng)網(wǎng)絡(luò)方法適合于低層次 的模式處理 。 正是由于認(rèn)識到傳統(tǒng)的馮 實際上．腦對外界世界時空客體的描述和識別，乃是認(rèn)知的基礎(chǔ)。 (3)存貯器的位置 (即地址 )和其中歷存貯的具體內(nèi)容無關(guān) 。 將以上整個計算過程概括起來 ， 可以看出現(xiàn)行馮 (4) 控制器根據(jù)計算步驟的順序 ， 依次按存貯器地址讀出第一個計算步驟 ， 然后根據(jù)讀出步驟的規(guī)定 ，控制運算器對相應(yīng)數(shù)據(jù)執(zhí)行規(guī)定的運算操作 。諾依曼型計算機(jī)求解某個問題所采用的方法。 為了了解 ANN，我們首先分析一下現(xiàn)行計算機(jī)所存在的問題。 雖然人們已對神經(jīng)網(wǎng)絡(luò)在人工智能領(lǐng)域的研究達(dá)成了共識 ， 對其巨大潛力也毋庸置疑 ， 但是須知 ， 人類對自身大腦的研究 ， 尤其是對其中智能信息處理機(jī)制的了解 ， 還十分膚淺 。 1986年 Rumelhart等人在多層神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，提出了多層神經(jīng)網(wǎng)絡(luò)模型的反向傳播學(xué)習(xí)算法 (BP算法 )，解決了多層前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)問題，證明了多層神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，它可以完成許多學(xué)習(xí)任務(wù)，解決許多實際問題。 1982年，美國加州理工學(xué)院物理學(xué)家 J． J． Hopfield提出了一種新的神經(jīng)網(wǎng)絡(luò) HNN。但在一段時間以后，實際情況表明專家系統(tǒng)并不像人們所希望的那樣高明，特別是在處理視覺、聽覺、形象思維、聯(lián)想記憶以及運動控制等方面，傳統(tǒng)的計算機(jī)和人工智能技術(shù)面臨著重重困難?？傊?，認(rèn)識上的局限性使對神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了低潮。 在 60年代末，美國著名人工智能專家 Minsky和 Papert對Rosenblatt的工作進(jìn)行了深人研究，出版了有較大影響的(Perceptron)一書，指出感知機(jī)的功能和處理能力的局限性，甚至連 XOR(異或 )這樣的問題也不能解決，同時也指出如果在感知器中引入隱含神經(jīng)元，增加神經(jīng)網(wǎng)絡(luò)的層次，可以提高神經(jīng)網(wǎng)絡(luò)的處理能力，但是卻無法給出相應(yīng)的網(wǎng)絡(luò)學(xué)習(xí)算法。 50年代末期， Rosenblatt提出感知機(jī)模型(Perceptron)，首先從工程角度出發(fā)，研究了用于信息處理的神經(jīng)網(wǎng)絡(luò)模型 .這是一種學(xué)習(xí)和自組織的心理學(xué)模型，它基本符合神經(jīng)生理學(xué)的原理。人工神經(jīng)網(wǎng)絡(luò) Artificial Neural Network 目錄 第 1章 概述 1． 1 人工神經(jīng)網(wǎng)絡(luò)研究與發(fā)展 1． 2 生物神經(jīng)元 1． 3 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成 第 2章人工神經(jīng)網(wǎng)絡(luò)基本模型 2． 1 MP模型 2． 2 感知器模型 2． 3 自適應(yīng)線性神經(jīng)元 第 3章 EBP網(wǎng)絡(luò) (反向傳播算法） 3． 1 含隱層的前饋網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 3． 2 Sigmoid激發(fā)函數(shù)下的 BP算法 3． 3 BP網(wǎng)絡(luò)的訓(xùn)練與測試 3． 4 BP算法的改進(jìn) 3． 5 多層網(wǎng)絡(luò) BP算法的程序設(shè)計 多層前向網(wǎng)絡(luò) BP算法源程序 第 4章 Hopfield網(wǎng)絡(luò)模型 4． 1 離散型 Hopfield神經(jīng)網(wǎng)絡(luò) 4． 2 連續(xù)型 Hopfield神經(jīng)網(wǎng)絡(luò) Hopfield網(wǎng)絡(luò)模型源程序 4． 3 旅行商問題 (TSP)的 HNN求解 Hopfield模型求解 TSP源程序 第 5章 隨機(jī)型神經(jīng)網(wǎng)絡(luò) 5． 1 模擬退火算法 5． 2 Boltzmann機(jī) Boltzmann機(jī)模型源程序 5． 3 Gaussian機(jī) 第 6章自組織神經(jīng)網(wǎng)絡(luò) 6． 1 競爭型學(xué)習(xí) 6． 2 自適應(yīng)共振理論 (ART)模型 6． 3 自組織特征映射 (SOM)模型 6． 4 CPN模型 目錄 第 7章 聯(lián)想記憶神經(jīng)網(wǎng)絡(luò) 7． 1 聯(lián)想記憶基本特點 7． 2 線性聯(lián)想記憶 LAM模型 7． 3 雙向聯(lián)想記憶 BAM模型 7． 4 時間聯(lián)想記憶 TAM模型 Hopfield模型聯(lián)想記憶源程序 第 8章 CMAC模型 8． 1 CMAC模型 8． 2 CMAC映射算法 8． 3 CMAC的輸出計算 8． 4 CMAC控制器模型 目錄 神經(jīng)網(wǎng)絡(luò)研究與發(fā)展 40年代初，美國 Mc Culloch和 PiMs從信息處理的角度，研究神經(jīng)細(xì)胞行為的數(shù)學(xué)模型表達(dá)．提出了二值神經(jīng)元模型。雖然 Hebb學(xué)習(xí)規(guī)則在人們研究神經(jīng)網(wǎng)絡(luò)的初期就已提出，但是其基本思想至今在神經(jīng)網(wǎng)絡(luò)的研究中仍發(fā)揮著重要作用。但是，當(dāng)時人們對神經(jīng)網(wǎng)絡(luò)研究過于樂觀，認(rèn)為只要將這種神經(jīng)元互連成一個網(wǎng)絡(luò)，就可以解決人腦思維的模擬問題，然而，后來的研究結(jié)果卻又使人們走到另一個極端上。另外，當(dāng)時對大腦的計算原理、對神經(jīng)網(wǎng)絡(luò)計算的優(yōu)點、缺點、可能性及其局限性等還很不清楚。 進(jìn)入 80年代，首先是基于“知識庫”的專家系統(tǒng)的研究和運用，在許多方面取得了較大成功。對神經(jīng)網(wǎng)絡(luò)的研究又開始復(fù)興，掀起了第二次研究高潮。從事并行分布處理研究的學(xué)者，于1985年對 Hopfield模型引入隨機(jī)機(jī)制，提出了 Boltzmann機(jī)。同時，相應(yīng)的神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議和神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)刊物的大量出現(xiàn)，給神經(jīng)網(wǎng)絡(luò)的研究者們提供了許多討論交流的機(jī)會。但另一方面，由于問題本身的復(fù)雜性，不論是神經(jīng)網(wǎng)絡(luò)原理自身，還是正在努力進(jìn)行探索和研究的神經(jīng)計算機(jī)，目前 ,都還處于起步發(fā)展階段。我們簡單分析一下馮 (3)計算機(jī)的控制器命令輸入器將計算步驟的初始數(shù)據(jù)記錄到存貯器中 。 一直到整個運算完成后 ， 控制器就命令輸出器把存貯器中存放的最終結(jié)果用打印 、顯示或繪圖等方式輸出 。 因此 ． 它的處理信息方式是集中的 、 串行的 。 由于現(xiàn)行計算機(jī)的上述特點 ， 一方面它在像數(shù)值計算或邏輯運算這類