【正文】 細(xì)胞組織群體。 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（Back propagation）算法，解決了多層前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)問(wèn)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(shí)際問(wèn)題。,進(jìn)入80年代，首先是基于“知識(shí)庫(kù)”的專(zhuān)家系統(tǒng)的研究和運(yùn)用，在許多方面取得了較大成功。ngōng)神經(jīng)網(wǎng)絡(luò)的研究與發(fā)展,第三頁(yè)，共五十二頁(yè)。 1949年，心理學(xué)家Hebb提出著名的Hebb學(xué)習(xí)規(guī)則，即由神經(jīng)元之間結(jié)合強(qiáng)度(qi225。 另一方面，以為串行信息處理及以它為基礎(chǔ)的傳統(tǒng)人工智能技術(shù)的潛力是無(wú)窮的，這就暫時(shí)掩蓋了發(fā)展新型計(jì)算機(jī)和尋找新的人工智能途徑的必要性和迫切性。他引入了“能量函數(shù)”的概念，使得網(wǎng)絡(luò)穩(wěn)定性研究有了明確的判據(jù)(p224。因而現(xiàn)有(xi224。神經(jīng)元之間的相互連接從而讓信息傳遞的部位披稱(chēng)為突觸(Synapse)，突觸的聯(lián)接是可塑的，也就是說(shuō)突觸特性的變化是受到外界信息的影響或自身生長(zhǎng)過(guò)程的影響。,第十三頁(yè)，共五十二頁(yè)。 kōnɡ)特性、電化 學(xué)性質(zhì)等的人工模擬。ntǒng)的學(xué)科界限，成為腦生理學(xué)、神經(jīng)科學(xué)、心理學(xué)、認(rèn)知科學(xué)、信息科學(xué)、計(jì)算機(jī)科學(xué)、微電子學(xué)，乃至數(shù)理科學(xué)共同關(guān)心的“焦點(diǎn)”學(xué)科。xi224。 為簡(jiǎn)化表示，把閾值θ 當(dāng)作輸入w0 ，寫(xiě)成向量形式：,第二十七頁(yè)，共五十二頁(yè)。,（4）更新權(quán)值 wi ＝ wi +Δwi ＝ wi +ηδxi 式中學(xué)習(xí)率η為在區(qū)間（0，1）上的一個(gè)常數(shù)，它的取值與訓(xùn)練速度和w收斂的穩(wěn)定性有關(guān)，xi為神經(jīng)元的第i個(gè)輸入。因此，一般隱層使用(shǐy242。g232。j249。nt237。,新的融合(r243。? 神經(jīng)網(wǎng)絡(luò)具有非線性特性，包括自組織、自適應(yīng)(sh236。ir243。,采用雙濾波器交互混合結(jié)構(gòu)，BP網(wǎng)絡(luò)基于濾波器F1選擇速度的預(yù)測(cè)值與濾波值及相應(yīng)的輸出進(jìn)行離線訓(xùn)練，樣本由仿真得出(d233。u)與雷達(dá)共同獲得測(cè)量值值時(shí)進(jìn)行融合。 大部分新的研究都集中在算法的改進(jìn)上，如共軛梯度算法、基于信息熵優(yōu)化的算法、改進(jìn)的BP法等。i yǒu)連接。)purelin()。算法如下： （1）選擇一組初始權(quán)值wi(0)。,第二十五頁(yè)，共五十二頁(yè)。M1的RAM的存貯能力為：C＝2M(位)。)預(yù)測(cè)、消噪、非線性預(yù)測(cè)、非線性編碼等。,ANN結(jié)構(gòu) 下圖是一個(gè)神經(jīng)元的結(jié)構(gòu)圖，通過(guò)與生物神經(jīng)元的比較可以知道它們的有機(jī)(yǒujī)聯(lián)系，生物神經(jīng)元中的神經(jīng)體與人工神經(jīng)元中的結(jié)點(diǎn)相對(duì)應(yīng)，樹(shù)突（神經(jīng)末梢）與輸入相對(duì)應(yīng)，軸突與輸出相對(duì)應(yīng)，突觸與權(quán)值相對(duì)應(yīng)。例如在某一外界信息反復(fù)刺激下．接受該信息的神經(jīng)細(xì)胞之間的突觸結(jié)合強(qiáng)度會(huì)增強(qiáng)。)神經(jīng)元的認(rèn)識(shí),第十頁(yè)，共五十二頁(yè)。,再認(rèn)識(shí)和應(yīng)用(y236。對(duì)神經(jīng)網(wǎng)絡(luò)的研究又開(kāi)始復(fù)興，掀起了第二次研究高潮。但是，當(dāng)時(shí)人們對(duì)神經(jīng)網(wǎng)絡(luò)研究過(guò)于樂(lè)觀，認(rèn)為只要將這種神經(jīng)元互連成一個(gè)網(wǎng)絡(luò)，就可以解決人腦思維的模擬問(wèn)題，然而，后來(lái)的研究結(jié)果卻又使人們走到另一個(gè)極端上。j249。x237。i)、聯(lián)想記憶以及運(yùn)動(dòng)控制等方面，傳統(tǒng)的計(jì)算機(jī)和人工智能技術(shù)面臨著重重困難。nɡ)信息處理能力的神經(jīng)網(wǎng)絡(luò)已被提出來(lái)并應(yīng)用于許多信息處理領(lǐng)域，如模式識(shí)別、自動(dòng)控制、信號(hào)處理、決策輔助、人工智能等方面。)的神經(jīng)網(wǎng)絡(luò)。 例如在一張照片尋找一個(gè)熟人的面孔，對(duì)人腦而言，幾秒鐘便可完成，但如用計(jì)算機(jī)來(lái)處理，以現(xiàn)有的技術(shù)，是不可能在短時(shí)間內(nèi)完成的。它是一個(gè)數(shù)學(xué)模型，可以用電子線路實(shí)現(xiàn)，也可以用計(jì)算機(jī)程序來(lái)模擬。 ? 優(yōu)化與控制，包括決策與管理、系統(tǒng)辨識(shí)、魯棒性控制、自適應(yīng)控制、并行控制、分布控制等。ix237。,（3）感知器模型 感知器是一種早期的神經(jīng)網(wǎng)絡(luò)模型，由美國(guó)學(xué)者F.Rosenblatt于1957年提出.感知器中第一次引入了學(xué)習(xí)的概念，使人腦所具備的學(xué)習(xí)功能在基于符號(hào)處理(chǔlǐ)的數(shù)學(xué)到了一定程度的模擬，所以引起了廣泛的關(guān)注。,第三十頁(yè)，共五十二頁(yè)。nsh249。)層、輸出層的個(gè)數(shù)可以由所求的問(wèn)題決定，而中間層的神經(jīng)元個(gè)數(shù)