计算智能概论
《计算与人工智能概论》课程思政教学案例
《计算与人工智能概论》课程思政教学案例一、课程目标1. 从计算思维的角度培养学生掌握问题求解的专业能力。
2. 引导学生理解人工智能的基本概念、技术及其应用领域。
3. 融入思政教育，培养学生的社会责任感、伦理意识和创新精神。
二、课程内容与设计1. 计算思维与算法基础：通过问题求解案例教学，培养学生从问题到算法再到程序的系统求解模式。
2. 人工智能概论：介绍人工智能的发展历程、现状和未来趋势，激发学生对该领域的兴趣。
3. 伦理与社会责任：通过讨论人工智能的伦理问题，引导学生思考技术背后的社会责任。
4. 创新与实践：鼓励学生参与多学科项目实践，培养创新思维和应用能力。
三、思政元素融入点1. 爱国精神培养：从计算发展历程和学科前沿的重要人物贡献中挖掘思政元素，激发学生的爱国精神。
2. 社会责任感引导：通过案例分析和讨论，使学生理解人工智能技术的社会影响，培养社会责任感。
3. 伦理道德教育：深入探讨人工智能的伦理问题，引导学生树立正确的科技伦理观念。
4. 创新精神激发：结合人工智能领域的创新案例，鼓励学生勇于探索、敢于创新。
四、教学方法与手段1. 线上线下混合教学：利用线上资源丰富教学内容，线下课堂进行深入讨论和实践操作。
2. 案例教学：通过具体案例引导学生分析问题、设计算法并模拟执行。
3. 小组讨论与汇报：鼓励学生分组讨论人工智能的伦理、社会影响等话题，并上台汇报成果。
4. 项目实践：组织学生参与多学科交叉的项目实践，培养实际应用能力。
五、课程实施效果与反馈1. 学生通过课程学习，不仅掌握了计算与人工智能的基础知识，还培养了系统求解问题的能力。
2. 学生在思政教育中提升了社会责任感、伦理意识和创新精神。
3. 课程获得了学生的广泛好评，他们表示在课程中学到了很多实用的知识和技能。
4. 通过项目实践，学生增强了团队合作和实际应用能力，为今后的学习和工作打下了坚实基础。
综上所述，《计算与人工智能概论》课程通过巧妙地融入思政元素，不仅传授了专业知识，还成功地引导了学生树立正确的价值观和伦理观念，培养了他们的社会责任感和创新精神。
智能计算概述 讲义
智能计算概述讲义1 简介智能计算是一种计算机技术，它依靠人工智能和机器学习等技术来模拟人类智能行为，让计算机能够更加智能化地处理数据，推断结果并进行自我学习和优化。
智能计算技术被广泛应用于各个领域，如医疗、金融、工业等。
在医疗领域，智能计算能够帮助医生更准确地诊断疾病，提高患者的治疗效果；在金融领域，智能计算能够在处理海量金融数据的同时，帮助银行和金融机构更好地管理风险和进行预测。
2 智能计算的分类智能计算主要包括三种类型：神经网络、模糊逻辑和进化计算。
神经网络是模拟人类大脑神经元间相互连接的模型，可以让计算机进行类似人类的数据处理和学习。
模糊逻辑则是将模糊的概念用数学语言进行表示，从而实现计算机对模糊信息的处理。
进化计算则是借鉴了生命进化机制的思想，通过模拟生命体群体进化的过程来优化解决问题的过程。
3 智能计算的应用在医疗领域，智能计算可用于疾病风险预测、辅助诊断和个性化治疗方案的制定等方面。
例如，可以通过对患者的基因数据进行分析，预测患者是否患有遗传性疾病，并为每个患者提供个性化的治疗方案。
在金融领域，智能计算能够通过分析大量金融数据、市场动态等信息来预测股票、货币等的价格走向，提前评估风险。
同时，智能计算也可以通过分析个人信用记录等信息辅助银行和金融机构进行风险评估和贷款审批。
在工业领域，智能计算技术能够辅助自动化制造，提高生产线的效率和质量。
例如，可以通过数据分析预测设备的故障，及时进行维修，以避免生产线的停滞和影响工作的顺畅。
4 发展趋势随着人工智能和大数据技术的不断发展，智能计算技术也在不断发展和完善。
未来，随着量子计算和生物计算等新技术的出现，智能计算技术也将面临新的发展机遇和挑战。
从目前看，人工智能应用范围已经非常广泛，并且应用效果也非常明显，未来，随着技术的不断进步，智能计算技术将在更多领域得到应用和发展。
《计算智能》课件
计算智能的挑战与
限制
分析了当前计算智能面临的主要 挑战和限制，如数据质量、算法 可解释性、隐私保护等。
展望
未来发展方向
探讨了计算智能未来的发展趋势和研究方向，如深度学习、强化学 习、迁移学习等。
与其他技术的融合
讨论了计算智能与物联网、云计算、边缘计算等技术的融合，以及 它们在智能制造、智慧城市等领域的应用前景。
应用领域
人工神经网络在模式识别、图像处理、语音识别、自然语言处理等领域 有广泛应用。
模糊逻辑
总结词
模糊逻辑是一种处理不确定性、不完全性和模糊性的逻辑方法，通过引入模糊集合和模糊推理规则，实现对模糊信息 的处理。
详细描述
模糊逻辑通过将经典集合论中的确定性边界扩展到模糊边界，允许元素同时属于多个集合，从而更准确地描述现实世 界中的模糊现象。模糊逻辑在控制系统、决策支持系统、专家系统等领域有广泛应用。
详细描述
推荐系统广泛应用于电子商务、在线视频、社交媒体等领域。通过分析用户的购买记录、浏览历史和 兴趣爱好等信息，推荐系统可以为用户推荐相关商品、视频或朋友，提高用户体验和满意度。
机器人控制
总结词
机器人控制技术利用计算智能实现对机器人的精确控制，使机器人能够完成复杂任务。
详细描述
机器人控制技术广泛应用于工业制造、医疗护理、航空航天等领域。在工业制造中，智 能机器人可以自动化地完成生产线上的任务，提高生产效率；在医疗护理中，机器人可 以帮助医生进行手术操作或为病人提供护理服务；在航空航天中，机器人可以协助宇航
法律法规制定
为规范人工智能的发展和应用，需要制定相应的法律法规，明确人工智能的合法地位和责任归属，为人工智能技 术的发展和应用提供法律保障。
05
智能计算概述
这些方法具有以下共同的要素：自适应的结构、随机产生的或 指定的初始状态、适应度的评测函数、修改结构的操作、系统 状态存储器、终止计算的条件、指示结果的方法、控制过程的 参数。计算智能的这些方法具有自学习、自组织、自适应的特 征和简单、通用、鲁棒性强、适于并行处理的优点。在并行搜 索、联想记忆、模式识别、知识自动获取等方面得到了广泛的 应用。
随机值，将“A”所对应的图象模式输入给网络，网络
将输入模式加权求和、与门限比较、再进行非线性运
算，得到网络的输出。在此情况下，网络输出为“1”
和“0”的概率各为50%，也就是说是完全随机的。这时 如果输出为“1”(结果正确)，则使连接权值增大，以 便使网络再次遇到“A”模式输入时，仍然能作出正确 的判断。
(2) 生物神经元的功能
根据神经生理学的研究，生物神经元的2个主要功能是:神经元的兴奋与 抑制，神经元内神经冲动的传导。 ① 神经元的抑制与兴奋 抑制状态是指神经元在没有产生冲动时的工作状态。 兴奋状态是指神经元产生冲动时的工作状态。 通常情况下，神经元膜电位约为-70 毫伏，膜内为负，膜外为正，处于 抑制状态。当神经元受到外部刺激时，其膜电位随之发生变化，即膜内电 位上升、膜外电位下降，当膜内外的电位差大于阈值电位（约40毫伏）时， 神经元产生冲动而进入兴奋状态。
基于“从大自然中获取智慧”的理念，通过人们对自然界独特 规律的认知，提取出适合获取知识的一套计算工具。总的来说 ，通过自适应学习的特性，这些算法达到了全局优化的目的。
计算智能的产生与发展
1992年，贝慈德克在《Approximate Reasoning》学报上首次 提出了“计 算智能”的概念。 1994年6月底到7月初，IEEE在美国佛罗里达州的奥兰多市召开了首届国 际计算智能大会(简称WCCI’94)。会议第一次将神经网络、演化计算和模 糊系统这三个领域合并在一起，形成了“计算智能”这个统一的学科范畴。 在此之后，WCCI大会就成了IEEE的一个系列性学术会议，每4年举办一 次。1998年5月，在美国阿拉斯加州的安克雷奇市又召开了第2届计算智能 国际会议WCCI’98。2002年5月，在美国州夏威夷州首府火奴鲁鲁市又召 了第3届计算智能国际会议WCCI’02。2014.07.06在北京召开。此外， IEEE还出版了一些与计算智能有关的刊物。 目前，计算智能的发展得到了国内外众多的学术组织和研究机构的高度重 视，并已成为智能科学技术一个重要的研究领域。
计算智能课程教学大纲-北京大学
《计算智能》课程教学大纲开课目的：本课程系统地讲授计算智能的有关理论、技术及其主要应用，并给学生们全面地介绍计算智能研究的前沿领域与最新进展。
通过本课程的学习，要求学生系统地掌握计算机智能的基本内容与方法，了解计算智能的主要应用领域。
开课基础：学习本课程之前，要求学生已经选修过《高等数学》，《计算机基础与算法》《人工智能基础》和《模式识别基础》等课程。
教学方式：课堂讲授为主，专题讨论为辅。
考试方式：笔试（闭卷）。
成绩组成：作业占40%，期中考试占20%，期末考试占40%。
授课老师：谭营北京大学信息科学与技术学院智能科学系教授课程内容与学时分配：第一章 计算智能概论(3学时)术语介绍传统人工智能计算智能计算智能的主要内容与分类主要应用领域第二章 人工神经网络 (6学时)人工神经元与感知器模型前向多层网络径向基函数网络反馈神经网络SOM网络第三章 支撑向量机理论 (6学时)VC维学习过程的一致性结构风险最小归纳原理支撑向量机核函数第四章 自适应提升算法 (3学时)提升算法自适应提升算法算法的性能分析第五章 进化计算与遗传算法 (6学时) 遗传进化的基本原理遗传算法及其数学基础遗传算法的改进进化计算的理论与分析组合优化与多目标优化第六章 模拟退火算法(3学时)随机模拟退火算法玻尔兹曼机确定性退火算法第七章 群体智能优化算法(9学时)蚁群算法粒子群算法典型应用介绍第八章人工免疫(6学时)生物免疫机理人工免疫网络模型免疫学习算法克隆算法人工免疫系统第九章 模糊集与模糊信息处理(6学时) 模糊数学基础模糊逻辑与模糊推理模糊控制原理模糊控制系统的分析和设计模糊模式聚类与识别第十章 粗糙集理论与粒度计算(3学时) 粗糙集与模糊集知识的约简和依赖性信息粒度概念粒度计算及其应用第十一章 计算智能的未来发展 (3学时)目前计算智能的研究成果计算智能的发展动力未来的发展方向教材与参考书（作者、书名、出版社及出版年）：1、Andries P. Engelbrecht, Computational Intelligence: An Introduction,Wiley, New York, 2002. ISBN 0-470-84870-7.2、丁永生 编著，《计算智能——理论、技术与应用》，科学出版社，2004.8.ISBN7-03-013902-X. P.481.3、徐宗本，张讲社，郑亚林， 编著，《计算智能中的仿生学：理论与算法》，科学出版社，2003.5，ISBN7-03-010792-6. P.315.4、徐宗本，编著，《计算智能（第一册）---模拟进化计算》，高等教育出版社，2004.2，ISBN7-04-013839-5. P.141.5、王国俊，编著，《计算智能（第二册）---词语计算与Fuzzy集》，高等教育出版社，2005.2，ISBN7-04-016032-3. P.106.6、罗四维，著，《大规模人工神经网络理论基础》，清华大学出版社和北方交通大学出版社，2004.2，ISBN7-81082-174-1. P.177.7、褚蕾蕾，陈绥阳，周梦编著，《计算智能的数学基础》，科学出版社，20028、史忠植 编著，《知识发现》，清华大学出版社，2002.1。
计算智能概论
计算智能概论
3. 1974年，印度裔英国学者马德尼 (E.H.Mamdani)首先将模糊理论用于锅炉和蒸 汽机的控制，并实验成功，开创了模糊控制的 新领域。
计算智能概论
1.2.3 神经网络的研究概况
神经网络的相关会议
➢ 1987年6月21至24日在美国加州圣地亚哥(San Diego)召 开的第一届神经网络国际会议 ;
➢ 1988年，我国在北京召开了神经网络的国际研究工作 会议，并出版了论文集。
➢ 1989年10月在北京又召开了神经网络及其应用讨论会。 ➢ 1990年12月在北京召开了我国首届神经网络学术大会，
本讲要点
• 1.1 关于计算智能 • 1.2 人工神经网络 • 1.3 模糊系统 • 1.4 进化计算 • 1.5 人工神经网络、模糊系统和进化计
算的相互融合
计算智能概论
1.1关于计算智能 （Computational Intelligence, CI）
• 1.1.1 什么是计算智能 • 1.1.2 计算智能所包含的领域
3．1957年，计算机科学家Rosenblatt用硬件完成 了最早的神经网络模型，称之为感知器 （Perceptron）用来模拟生物的感知和学习能力。
计算智能概论
4．1962年，电机工程师Windrow和Hoff提出了自适应 线形元件Adaline是一个连续取值的线形网络，在信 号处理系统中用于抵消通讯中的回波和噪声，应用 十分广泛。
Distributed System (4)Connections Science (5)Neurocomputing (6)Neural Computation (7)International Journal of Neural Systems
人工智能第4章 计算智能(1)
四.人工神经网络的特点
（1）并行分布处理, 神经网络具有高度的并行结构和并行 并行分布处理, 实现能力. 实现能力. 非线性映射, 神经网络具有固有的非线性特性, （2）非线性映射, 神经网络具有固有的非线性特性,这源于 其近似任意非线性映射（变换）能力。 其近似任意非线性映射（变换）能力。 通过训练进行学习, （3）通过训练进行学习,神经网络是通过所研究系统过去 的数据记录进行训练的。 的数据记录进行训练的。一个经过适当训练的神经网络具有 归纳全部数据的能力。 归纳全部数据的能力。 适应与集成,神经网络能够适应在线运行， （4）适应与集成,神经网络能够适应在线运行，并能同时 进行定量和定性操作. 进行定量和定性操作. 硬件实现, （5）硬件实现,神经网络不仅能够通过软件而且可借助软 件实现并行处理. 件实现并行处理.
7.学习法则 7.学习法则
神经网络的运行包括两个阶段： 神经网络的运行包括两个阶段： 向神经网络提供一系列输入－ 1 . 训练或学习阶段 向神经网络提供一系列输入 － 输出数 据组,通过数值计算方法和参数优化技术, 据组 , 通过数值计算方法和参数优化技术 , 使节点连接的权值 不断调整,直到从给定的输入能产生所期望的输出. 不断调整,直到从给定的输入能产生所期望的输出. 预测（ 应用） 以训练好的网络, 2 2 . 预测 （ 应用 ） 阶段 以训练好的网络 , 对未知的样本进行 预测 人工神经网络的主要学习算法 .有师学习 .无师学习 .强化学习
4.2 人工神经网络的进展
一.人工神经网络是对人脑结构的模拟
人工神经网络诞生於1943年 人工神经网络诞生於1943年,试图通过对人脑结构模拟实现 新的计算方法. 新的计算方法.由于直到现在我们对大脑的结构和工作机理并 不非常清楚,所以它并不是真正的神经网络模型, 不非常清楚,所以它并不是真正的神经网络模型,但并不妨碍它 成为一种有效的计算工具.以下是它模拟的对象:(神经元模型 神经元模型) 成为一种有效的计算工具.以下是它模拟的对象:(神经元模型)
《计算与人工智能概论》计算与人工智能概述
智能移动机器人路径规划问题分解
子问题1 子问题2
地图的构建与表示 智能移动机器人遇到的状况
左边有墙，前边没有墙 左边没墙
左边有墙，前边也有墙
机器人对环境的记忆 机器人的行动
1.3.1 智能移动机器人路径规划 模式识别
出了计算机应有的主要架构，这为计算机的诞生和发展提供了理论基础
1.1.2 图灵机
基本原理
图灵机的基本原理是用机器来模拟人们 用纸笔进行数学运算的过程。图灵机将一个 无限长的带子作为无限存储，它有一个读写 头，能在带子上读、写和左右移动。图灵机 开始运作时，带子上只有输入串，其他地方 都是空白，如果需要保存信息，则其可以将 相关信息写在带子上。为了读取已经写下的 信息，它可以将读写头往回移动到这个信息 所在的位置。机器不停地计算，直到产生输 出为止。
问题求解策略与算法
用两种不同的算法解决求解机器人行走的最短距路径问题
遍历算法流程图
贪心算法流程图
什么是计算思维？
PART
1.2.1 计算思维的概念
计算思维的概念
2006年
CMU计算机系主任/ 学术事务副校长 NSF信息学部主任 微软研究院副总裁 哥伦比亚大学数据科学研究院主任
周以真教授在美国计算机权威期刊《Communications of the ACM》杂志上给出，并定义的计算思维 （Computational Thinking）：计算思维是运用计算机科 学的基础概念进行问题求解、系统设计、以及人类行为理 解等涵盖计算机科学之广度的一系列思维活动。
1.1.2 图灵机
图灵机执行计算的具体案例
利用图灵机执行 “1+2=3”的计算。先定义读头读到“+”之后，依次移动读头两 次并读取格子中的数据；接着读头进行计算，最后把计算结果写入第二个数据 的下一个格子里，
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算智能概论——结课报告通过一个学期的学习，我们对计算智能概论有了一个大概的了解，虽然我们还不能进行复杂的计算编程，但是对于基本概念我们还是有了初步的认识。
遗传算法（Genetic Algorithm）是基于自然选择和基因遗传学原理的随机搜索算法。
它是一种通过模拟自然进化过程搜索最优解的方法，遗传算法起源于对生物系统进行的计算机模拟研究。
早在20 世纪40 年代，就有学者开始研究利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。
早期的研究特点是侧重于对一些复杂操作的研究。
最早意识到自然遗传算法可以转化为人工智能算法John H. Holland 教授。
1965 年，Holland 教授首次提出了人工智能操作的重要性，并将其应用到自然系统和人工系统中。
1967 年，Holland 教授的学生.J.D.Bagley 在其博士论文中首次提出了“遗传算法”一词，并发表了遗传算法应用方面的第一篇论文，从而创立了自适应遗传算法的概念e J.D.Bagley 发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用了双倍体的编码方法。
人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经。
神经系统对真实世界物体所作出的交互反应。
人工神经网络以其具有自学习、自组织、较好的容错性和。
优良的非线性逼近能力，受到众多领域学者的关注。
在实际应用中，80%～90%的人工神经网络模型是采。
采用误差反传算法或其变化形式的网络模型。
从生物神经元到人工神经网络:大脑与神经细胞、神经细胞与神经细胞构成了庞大天文数字量级的高度复杂的网络系统。
也正是有了这样的复杂巨系统，大脑才能担负起人类认识世界和改造世界的任务。
“世界上最大的未开发疆域，是我们两耳之间的空间。
”（美国汉诺威保险公司总裁比尔·奥伯莱恩）1、生物神经系统和大脑的复杂性生物系统是世界上最为复杂的系统。
生物神经系统活动和脑的功能，其复杂性是难以想象的。
①人大脑平均只有3磅左右。
只占身体重量比例的1/30；②使眼睛可以辨别1000万种细微的颜色；③使肌肉(如果全部向同一个方向运动)产生25吨的拉力；④是由100亿个脑细胞和10兆个神经交汇丛组成。
整个大脑的神经网络足足有10英里长。
人类的梦想重新构造人脑，并让其代替人类完成相应的工作。
（无数科幻故事）智能是个体有目的的行为、合理的思维、以及有效的适应环境的综合能力；也可以说是个体认识客观事物和运用知识解决问题的能力。
人类智能的具体含义：感知与认识客观事物、客观世界和自我的能力；通过学习获得经验、积累知识的能力；理解知识、运用知识和经验分析、解决问题的能力；联想、推理、判断、决策的能力；运用语言进行抽象、概括的能力；以上5点是人类智能的基本能力。
对以上5个基本问题的不同回答已经形成3个主要的学术流派：人工智能的符号主义流派即传统的人工智能，认为人工智能源于数理逻辑，主张以知识为基础，通过推理来进行问题求解，在研究方法上采用计算机模拟人类认知系统功能的功能模拟方法，Simon、Minsky和Newell等认为，人和计算机都是一个物理符号系统，因此可用计算机的符号演算来模拟人的认知过程；作为智能基础的知识是可用符号表示的一种信息形式，因此人工智能的核心问题是知识表示、知识推理和知识运用的信息处理过程。
人工智能的联结主义流派又称仿生学派，认为人工智能源于仿生学，人思维的基本单元是神经元，而非符号处理过程，主张用大脑工作模式取代符号操作的电脑工作模式；智能的本质是联结机制。
神经网络是一个由大量简单的处理单元组成的高度复杂的大规模非线性自适应系统。
人工神经网络发展阶段历程：人类在很多方面已成功地采用机器来完成繁重的和重复的工作，但人们一直没有放弃让机器具有人类思维能力的尝试和努力。
人们研究神经网络已有几十年的历史。
纵观其发展过程，不难看出该过程是波澜起伏、几经兴衰的。
人工神经网络早期的研究工作应追溯至本世纪40 年代。
下面以时间顺序，以著名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943 年，心理学家W·McCulloch 和数理逻辑学家W·Pitts 在分析、总结神经元基本特性的基础上首先提出神经元的数学模型,称为MP 模型。
他们通过MP 模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。
此模型沿用至今，并且直接影响着这一领域研究的进展。
因而，他们两人可称为人工神经网络研究的先驱。
1945 年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。
1948 年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。
但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。
虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50 年代末，F·Rosenblatt 设计制作了“感知机”，它是一种多层的神经网络。
这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。
当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。
然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968 年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异或这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。
60 年代末期，人工神经网络的研究进入了低潮。
另外，在60 年代初期，Widrow 提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。
后来，在此基础上发展了非线性多层自适应网络。
当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。
80 年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。
这一背景预示，向人工神经网络寻求出路的时机已经成熟。
美国的物理学家Hopfield 于1982 年和1984 年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。
人们重新认识到神经网络的威力以及付诸应用的现实性。
随即，一大批学者和研究人员围绕着Hopfield 提出的方法展开了进一步的工作，形成了80 年代中期以来人工神经网络的研究热潮。
人工神经网络的分类主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。
目前，已有近40 种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield 网络、波耳兹曼机、适应谐振理论等。
根据连接的拓扑结构，神经网络模型可以分为：（1）前向网络网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。
这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。
网络结构简单，易于实现。
反传网络是一种典型的前向网络。
（2）反馈网络网络内神经元间有反馈，可以用一个无向的完备图表示。
这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。
系统的稳定性与联想记忆功能有密切关系。
Hopfield 网络、波耳兹曼机均属于这种类型。
学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。
根据环境的变化，对权值进行调整，改善系统的行为。
由Hebb 提出的Hebb 学习规则为神经网络的学习算法奠定了基础。
Hebb 规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。
在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。
有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。
根据学习环境不同，神经网络的学习方式可分为监督学习和非监督学习。
在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。
当样本情况发生变化时，经学习可以修改权值以适应新的环境。
使用监督学习的神经网络模型有反传网络、感知器等。
非监督学习时，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段成为一体。
此时，学习规律的变化服从连接权值的演变方程。
非监督学习最简单的例子是Hebb 学习规则。
竞争学习规则是一个更复杂的非监督学习的例子，它是根据已建立的聚类进行权值调整。
自组织映射、适应谐振理论网络等都是与竞争学习有关的典型模型。
现如今，人们对于神经网络的研究，不仅其本身正在向综合性发展，而且愈来愈与其他领域密切结合起来，发展出性能更强的结构。
综合ANN 方法在国内外环境科学领域的应用现状, 可看出ANN 方法在环境系统模拟及预测、环境工程自动控制、污染物智能防治系统研究等方面较常规数学方法具有相当的优越性。
在我们的以后生活工作中遇到的许多问题，ANN方法必将在我们水利水电专业领域有巨大的实用价值和广阔的应用前景。
参考文献:计算智能概论课件—第六章人工神经网络（ANN）方法简介百度百科。