【正文】 細胞接受多個輸入 。 例如在一張照片尋找一個熟人的面孔 ， 對人腦而言 ， 幾秒鐘便可完成 ， 但如用計算機來處理 ， 以現有的技術 ， 是不可能在短時間內完成的 。 (5)能接受和處理模糊的 、 模擬的 、 隨機的信息 。 探索包括感知 、 思考 、記憶和語言等的腦信息處理模型 。 專用神經網絡并行計算機系統(tǒng) 。 (1)神經網絡的存貯能力 。 ● 形成拓撲連續(xù)及統(tǒng)計意義上的同構映射：它是對固定概率密度函數選擇的適應輸入數據的一種自組織映射 ， 其最終使得數據空間上的不同項有某種同構 。 在前幾年的熱浪過去之后 ， 當前對于神經網絡的研究正在轉入穩(wěn)定 、 但發(fā)展步伐依然是極其迅速的時期 。 采用綜合方法可以取長補短 ， 更好地發(fā)揮各自的特點 。 標準 MP模型 ????njijjii vwu1?)( ii ufv ? wij ——代表神經元 i與神經元 j之間的連接強度(模擬生物神經元之間突觸連接強度 )， 稱之為連接權； ui——代表神經元 i的活躍值，即神經元狀態(tài)； vj——代表神經元 j的輸出，即是神經元 i的一個輸入； θi——代表神經元 i的閾值。當取 w1＝ w2＝ 1， θ＝ ，上式完成邏輯“與”的運算。 ))()()((21 21??? ??? ??iii ttxtw同樣的方法，對其他輸入樣本都進行學習。和一個較小的正數 δ＞ 0，使得 w* 感知器收斂定理 對于一個 N個輸入的感知器，如果樣本輸入函數是線性可分的，那么對任意給定的一個輸入樣本 x，要么屬于某一區(qū)域 F+，要么不屬于這一區(qū)域，記為 F—。 式中 η為在區(qū)間 (0， 1)上的一個常數，稱為學習步長，它的取值與訓練速度和 w收斂的穩(wěn)定性有關； d、 y為神經元的期望輸出和實際輸出； xi為神經元的第 i個輸入。 f取階躍函數 . )(0??? ??iniii xwfv 感知器在形式上與 MP模型差不多，它們之間的區(qū)別在于神經元間連接權的變化。 。 據稱這是近年來神經網絡發(fā)展方面的一個躍進 。Hopfield模型 、 玻爾茲曼機模型 (BM)有能力進行這種計算 。 ● 概率密度函數的估計：通過自組織的方式 ， 開發(fā)尋找出一組等概率 “ 錨點 ” ， 來響應在空間只 “ 中按照一個確定概率密度函數選擇到的一組矢量樣本 。 對不同的計算機而言 ， 只是這一問題的嚴重程度不同而已 。 僅幾千個神經元 。 神經網絡的非線性特性 ， 包括自組織 、 自適應等作用 。 (4)信息處理的系統(tǒng)性 大腦是一個復雜的大規(guī)模信息處理系統(tǒng) ， 單個的元件 “ 神經元 ” 不能體現全體宏觀系統(tǒng)的功能 。 但是人腦對某一復雜過程的處理和反應卻很快 ， 一般只需幾百毫秒 。 由于新的回路的形成 ， 使得結合模式發(fā)生變化 ， 也會引起傳遞效率的變化 。 延伸部分按功能分有兩類 ， 一種稱為樹突 ， 占延伸部分的大多數 ， 用來接受來自其他神經元的信息；另一種用來傳遞和輸出信息 ， 稱為軸突 。諾依曼計算機在智能信息處理中的這種難以逾越的局限性 ． 使得人們考慮到有必要進一步了解分析人腦神經系統(tǒng)信息處理和存貯的機理特征 ． 以便尋求一條新的人工神經網絡智能信息處理途徑 。 (5)反饋器從反饋信號中得知運算器操作完畢 ， 把所得的中間結果記錄到存貯器某個確定位置存貯好 。 近十幾年來，許多具備不同信息處理能力的神經網絡已被提出來并應用于許多信息處理領域，如模式識別、自動控制、信號處理、決策輔助、人工智能等方面。因此 Minsky的結論是悲觀的。這些神經網絡的特性與當時流行串行的、離散的、符號處理的電子計算機及其相應的人工智能技術有本質上的不同，由此引起許多研究者的興趣，在 60代掀起了神經網絡研究的第一次高潮。 HNN的電子電路物理實現為神經計算機的研究奠定了基礎，并將其應用于目前電子計算機尚難解決的計算復雜度為NP完全型的問題，例如著名的“巡回推銷員問” (TSP)，取得很好的效果。 (2)根據所建立的數學模型的原始數據資料 ， 生成適合于輸入計算機的程序和數據 。雖然符號處理在腦的思維功能模擬等方面取得了很大進展，但它對諸如視覺、聽覺、聯想記憶和形象思維等問題的處理往往感到力不從心。突觸按其傳遞信息的不同機制，可分為化學突觸和電突觸、其中化學突觸占大多數，其神經沖動傳遞借助于化學遞質的作用。 在突觸表面有許多形狀各異的小凸芽 ， 調節(jié)其形狀變化可以改變接觸間隙 ， 并影響傳遞效率 。 從信息系統(tǒng)研究的觀點出發(fā) ， 對于人腦這個智能信息處理系統(tǒng) ， 有如下一些固有特征： (1)并行分布處理的工作模式 。 (3)信息處理與信息存貯合二為一 。 利用物理學的方法進行單元間相互作用理論的研究 如：聯想記憶模型 。 由模擬集成電路 、 數字集成電路或者光器件在硬件上實現神經芯片 。 需要解決的問題是：神經網絡能夠有效地計算哪些問題 ?在眾多的文獻中 ， 人們都一致認為：存貯能力和計算能力是現代計算機科學中的兩個基本問題 ， 同樣 ，它們也構成了人工神經網絡研究中的基本問題 。 [定理 1． 3] 神經網絡可以存貯 2N1個信息，也可以區(qū)分 2 N1個不同的網絡。 很顯然這種能力可直接應用于復雜的多目標跟蹤 。 為了更好地把現有各種神經網絡模型的特點綜合起來 ， 增強網絡解決問題的能力 ， 80年代末和 90年代初出現了混合網絡系統(tǒng) ， 如把多層感知器與自組織特征級聯起來 ， 在模式識別中可以取得比單一網絡更好的結果 。 神經網絡理論研究重大成果 ：僅有一個非線性隱層的前饋網絡就能以任意精度逼近任意復雜度的函數 。 2 感知器模型 感知器是一種早期的神經網絡模型 ， 由美國學者 1957年提出 .感知器中第一次引入了學習的概念 ， 使人腦所具備的學習功能在基于符號處理的數學到了一定程度的模擬 ， 所以引起了廣泛的關注 。 現介紹如下： 誤差型學習規(guī)則： (1)選擇一組初始權值 wi(0)。 對于上面述及的異或問題，用一個簡單的三層感知器就可得到解決 實際上 ， 該三層感知器的輸入層和隱層的連接 ， 就是在模式空間中用兩個超平面去劃分樣本 ， 即用兩條直線： x1+x2= x1十 x 2＝ 。對于上述證明，要說明的是：正數 δ越小，迭代次數越多：其次，若樣本輸入函數不是線性可分的，則學習過程將出現振蕩，得不到正確的結果。這樣的一組網絡參數滿足計算要求。 與許多代數方程一樣 ， 上式中不等式具有一定的幾何意義 。 但是 ， 我們可以根據需要 ， 采用一些常見的算法來調整神經元連接權 ， 以達到學習目的 。 在前一類中 ， 人工智能系統(tǒng)可以與使用者交互作用 (如向使用者提出問題 ， 了解使用者的需求 )， 然后利用知識與神經網絡準備數據 。 現在普遍認識到神經網絡比較適用于特征提取 、 模式分類 、 聯想記憶 、 低層次感知 、 自適應控制等場合 ，在這些方面 ， 嚴格的解析方法會遇到很大困難 。 可用層次性的存貯模式來進行分類信息的表示 。 定義：一個存貯器的信息表達能力定義為其可分辨的信息類型的對數值 。 生物實現 。 認知與人工智能 ． 包括模式識別 、 計算機視覺與聽覺 、 特征提取 、 語音識別語言翻譯 、 聯想記憶 、 邏輯推理 、 知識工程 、 專家系統(tǒng) 、 故障診斷 、 智能機器人等 。 (7)系統(tǒng)的恰當退化和冗余備份 (魯棒性和容錯性 )。 神經系統(tǒng)的可塑性和自組織