基于人工神经网络的预测研究
基于人工神经网络的混凝土强度预测研究
建 立 模 型 具 有 很 大 的 困难 。
Ｂ Ｐ 算法 由两部 分 组 成 ： 信息 的正 向传 灰 ， 山磨 细矿 粉 ， 津 建筑 科 学 研究 院生 唐 天
归公式可以得到完全不同的数学形式 ， 这 递 与 误 差 的 反 向 传 播 。 在 正 向 传 播 过 程 产的 ＹＮＢ 型 泵送 剂 ， 骨料 为河 北易 县产 粗
传 统 的 预 测 模 型 一 般 都 包 括 数 学 规 则
１人工神经 网络简介
中基 于 ＢＰ 算 法 的 多层 神 经网 络模 型 （ 简称 ＢＰ 网络 ） 应 用较 多 的模 型之 一 。 是
２混凝土强度预测
选用 天津 水泥厂 生 产的 Ｐ． Ｏ４２． ５级 普
和表 达 式 ， 能 在 一 定 程 度 上 反 映 上 述 复 虽 杂特 性 ， 是 ， 但 这种 传 统 的构 造方 法 存 在以
将 １ ０× ｌ ０ ×ｌ Ｏ Ｏ Ｏ Ｏ ｍｍ 的试块 在养护 Ｄ
室 中进 行标 养 ， 别测 量 ７ 分 ｄ、 １ ｄ、２ ｄ． ４ ８
４ ｄ、 ５ ｄ、 ９ ｄ 的 抗 压 强 １Ｏ ２Ｏ ３ ０
用 水量 （ ｇ ｍ ） ｋ ／３
比 、 粉 煤 灰掺 量 、 矿粉 掺 量 、水 泥 用 量 作
近 年来 ， 着计算机 和生命 科学 的进步 ， 随
人工神 经网络（ ＡＧｉ￣ｉｌ ｕ ａ ｔ ｒ ｆ ａ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ，
再 经 过 正 向传 播 过 程 ， 两 个 传 播过 程 反 为 研 究 腐 蚀 性 的 影 响 因素 ，借 用 四 因 素 、 这
中 ， 入 信 息 从 输 入 经 隐 含 层 逐 层 计 算 传 ５ 输 ｍｍ ～２ ｍｍ 石灰 石碎石 ， 县产 中砂 ， ５ 蓟 细 向输 出层 ，每 一 层 神 经 元 的 状 态 只影 响 下 度模 数为 ２． 拌 和 用水 为 自来 水。 ６，
人工神经网络在金融预测中的应用研究
人工神经网络在金融预测中的应用研究在当今数字化和信息化的时代，金融领域面临着日益复杂和多变的市场环境。
准确的金融预测对于投资者、金融机构和决策者来说至关重要。
人工神经网络作为一种强大的机器学习技术，正逐渐在金融预测中展现出巨大的潜力和应用价值。
金融预测是指通过对历史金融数据和相关信息的分析，来预测未来金融市场的走势、资产价格的变动以及金融风险等。
传统的金融预测方法，如基本面分析和技术分析，在一定程度上能够提供有价值的见解，但它们往往受到多种因素的限制，例如模型的线性假设、对复杂非线性关系的处理能力不足以及对海量数据的有效利用不够等。
人工神经网络则为解决这些问题提供了新的思路和方法。
它是一种模仿生物神经网络结构和功能的数学模型，由大量的节点（也称为神经元）相互连接而成。
这些节点通过调整连接的权重来学习和适应输入的数据模式，从而能够捕捉到数据中的复杂非线性关系。
在金融预测中，人工神经网络可以应用于多个方面。
例如，在股票价格预测中，通过对历史股票价格、成交量、公司财务数据等多种因素的综合分析，神经网络可以尝试预测未来股票价格的走势。
在汇率预测方面，它可以考虑国际经济形势、政治事件、货币政策等众多影响因素，以提高预测的准确性。
此外，在信用风险评估中，神经网络能够基于借款人的各种特征和信用历史，对其违约的可能性进行预测。
为了更好地理解人工神经网络在金融预测中的应用，我们可以以股票价格预测为例。
首先，需要收集大量的历史股票数据，包括每日的开盘价、收盘价、最高价、最低价、成交量等。
然后，将这些数据进行预处理，例如清理异常值、标准化数据等，以便神经网络能够更好地学习。
接下来，设计合适的神经网络架构，确定神经元的数量、层数以及连接方式等。
在训练过程中，神经网络不断调整权重，以最小化预测值与实际值之间的误差。
然而，人工神经网络在金融预测中的应用并非一帆风顺。
它面临着一些挑战和问题。
首先，神经网络的训练过程需要大量的数据，如果数据质量不高或者存在偏差，可能会导致预测结果的不准确。
基于人工神经网络的货物库存预测模型研究
基于人工神经网络的货物库存预测模型研究近年来，人工神经网络技术在各行业中得到了广泛的应用。
其中，货物库存预测是人工神经网络技术的一个重要应用。
基于人工神经网络技术的货物库存预测模型，可以有效地预测出未来一定时期内的货物销售情况，从而做好库存管理，提高企业的效益。
本文将针对这一问题展开深入探讨。
一、人工神经网络的基本原理人工神经网络（Artificial Neural Network，ANN）是一种近年来非常流行的人工智能技术。
它是由一系列的人工神经元（Artificial Neuron，AN）组成的网络，每个人工神经元都由输入和输出两个部分组成。
当输入被激活时，人工神经元会将其处理并传递给后续的神经元，从而实现信息的传递和处理。
在人工神经网络中，每个神经元都有一组权值，这些权值可以通过训练来调整。
训练的过程中，网络会根据输入和输出之间的误差来调整每个神经元的权值，最终得到一个可以很好地拟合输入输出关系的模型。
二、货物库存预测模型的建立在建立基于人工神经网络的货物库存预测模型时，我们需要先收集一些历史销售数据，作为训练样本。
具体来说，需要记录以下几个方面的数据：1. 销售日期、时间、地点等基本信息2. 销售数量、金额等销售数据3. 库存数量、金额等库存数据4. 促销、折扣、活动等影响销售的因素数据然后，我们需要将这些数据输入到神经网络中进行训练。
在训练过程中，神经网络会根据输入数据和期望的输出数据之间的误差来调整权值。
最终，我们得到一个可以很好地拟合历史销售数据的神经网络模型。
有了这个模型之后，我们可以使用它来预测未来一定时间内的货物销售情况。
具体来说，我们需要将未来的促销、折扣、活动等因素考虑在内，并将它们输入到神经网络中进行预测。
最终，我们可以得到一个预测结果，用于指导库存管理和采购决策。
三、应用实例下面，我们以一个实际的案例来说明如何应用基于人工神经网络的货物库存预测模型。
某家超市想要预测未来一个月内某种商品的销售情况。
基于人工神经网络的预测模型
信息 ． 与其他 结点并行 工作 。 人工 神经 网络 具有 自学 习 系 统演化 的多样性 基 和 自适 应 的能力 ．可 以通 过预 先提供 的一批相 互对 应 三 、 于 人 工 神 经 网 络 的预 测 模 型 的输 入一 出数据 。分析 掌握两 者 之间潜 在 的规律 ， 输 最 因测报 本质 问题 就是 一个输 入输 出系统 ．而 人工 终 根据这 些规律 ． 用新 的输 人数据 来推算 输 出结 果 。
二、 人工神 经 网络的特 点 人 工 神 经 网 络 虽 然 与 真 正 的 生 物 神 经 网络 有 差
神 经网络 又可 以逼 近任意 非线性 系统 ．恰 恰显示 了处
理这 类 问题 的优越 性所在 。 １ ． 神经 网络 的预测步骤
用 神经 网络对 预测 因子 进行 分 析处 理时 ．显 示 了 目前 的计算 机本质 不 同 。它 由很多小 的处 理单元 互连 神经 网络在处 理大规 模非线 性系 统时 的优越 性 。因其 而成 ． 每个处 理单元 的功 能很 简单 ， 大量 的简单 处理 具 有通 过学 习逼近任 意非线性 系统 的 能力 ．将神 经网 但 单元进 行集 体的 、 行 的活动 得 到预期 的识别 、 并 计算 具 络 用 于非线性 系统 的建 模与 辨识 ．可 以不受 非线性 限 有较快 的速度 ； 拥有 非常 强 的容错性 ， 即局部 神经元 损 制 。 测报工作 在本质 上都可 以看作一 个输入 输 出系统 ， 坏后 ， 不会对 全局 的活动 造成 很大 的影 响 ； 记忆 的信 息 测 报过 程可分 以下步骤 。 是 存储 在神经元 之间 的连 接权 值 上 ．从 单个 的权值 中 Ｓｅ 针对实 际问题 ．收集与其 相关 的测 报 因子 。 ｔ １ ｐ 看 不 出存 储信息 的 内容 ， 它是 分布式 的存 储方式 ： 学 并 对收集 到 的这 些数据进 行简 单 的预处 理 。预处理 的 其 习功能非 常强大 ．它 的连 接权 值 的连接 的结构 都 可以 目的是使 这些数据 能适合 网络 的输 入 ．提 高网络 的训 练 速度 和收敛性 （） １ 非线 性 非 线性关 系是 自然界 的普遍特性 。大脑 Ｓｅ ｔ ２根据 待解 决 问题 的特 性 对 网络 结 构进 行初 ｐ 的智 慧就是 一种非 线性 现象 。人 工神 经元 处于 激活或 步选 择 ．选 取一定 的数据 对 网络进 行训 练确 定 网络模 抑制二 种不 同的状 态 ．这种 行 为在数 学上表 现 为一种 型 。 非线性关 系 。具有 阈值 的神 经元 构成 的 网络 具有更 好 Ｓｅ ｔ ３把待预 测的 问题 的数 据作 为 网络 的输入 ． ｐ 所
基于人工神经网络的铁路货运车辆制动距离预测研究
基于人工神经网络的铁路货运车辆制动距离预测研究关键词：人工神经网络、铁路货运、制动距离预测人工神经网络（Artificial Neural Network，ANN）是一种模拟神经系统结构和功能的数学模型，可以处理大量信息并进行各种模式识别活动。
基于此，人工神经网络已经广泛应用于许多领域，如医疗、金融、工业等等。
其中，铁路货运车辆制动距离预测也是一个适用领域之一。
铁路货运是国家经济发展的重要组成部分，而铁路货车的制动距离问题一直是铁路运输中的一个重要研究领域。
在铁路运输中，铁路货车的制动距离是指由车辆的运动状态、质量、弯曲半径、道岔类型、制动器类型等因素决定的车辆制动时停止的距离。
因此，准确预测铁路货车的制动距离是保证货车行驶安全和货物安全的重要保障。
传统的制动距离预测方法主要采用经验公式和试验方法，但这种方法的准确性和实用性都有一定的限制。
基于人工神经网络的铁路货车制动距离预测方法可以解决这些问题，因为它可以学习和理解数据的规律，并通过已知的数据对制动距离进行预测。
神经网络是由许多简单的神经元组成的复杂系统，其中每个神经元都有输入和输出，并且通过权重和偏差进行信号的传递和处理。
人工神经网络建立在这种基础上，根据输入和输出数据的关系来训练网络，使网络能够学习和适应更广泛的数据集。
在铁路货运车辆制动距离预测中，人工神经网络的应用可以分为以下几个步骤：1. 数据预处理首先，需要收集铁路货车的运动状态、质量、弯曲半径、道岔类型、制动器类型等因素的数据。
在收集数据的同时，需要对数据进行清洗、去噪和归一化等预处理，以保证数据的准确性和可靠性。
2. 神经网络的设计然后，需要选择合适的神经网络模型，并设置其输入和输出层。
一般来说，可以采用多层感知器（Multilayer Perceptron，MLP）模型，将不同的因素作为输入节点，将制动距离作为输出节点。
3. 神经网络的训练在设计好神经网络之后，需要使用已有的数据集对其进行训练。
基于人工神经网络的预测算法研究
基于人工神经网络的预测算法研究人工神经网络（Artificial Neural Network）是一种模拟人脑神经系统工作原理的计算模型，它通过大量的神经元单元之间的连接和相应的加权值，模拟人脑神经元之间的信息传递和处理过程。
基于人工神经网络的预测算法利用这一模型，通过对已有数据进行学习和训练，来预测未来的数据走势和趋势。
本文将围绕基于人工神经网络的预测算法进行研究，讨论其原理、应用、优势和局限性。
首先，我们来介绍基于人工神经网络的预测算法的原理。
人工神经网络由输入层、隐藏层和输出层组成，其中隐藏层可以包含多层。
每个神经元接收来自上一层的输入，并通过加权值和激活函数对输入进行处理，然后将结果传递给下一层。
在预测问题中，输入层通常表示历史数据特征，而输出层表示预测结果。
通过在训练过程中调整神经网络的连接权重，以及选择合适的激活函数和网络结构，使网络能够对输入与输出之间的关系进行建模和预测。
基于人工神经网络的预测算法在多个领域都有广泛的应用。
例如，它可以应用于金融市场预测，通过学习历史行情数据，来预测未来股票价格的走势；它也可以应用于气象预测，通过学习气象观测数据，来预测未来天气的变化；此外，它还可以应用于交通流量预测、销售预测、疾病预测等领域。
基于人工神经网络的预测算法可以为决策提供参考和辅助，帮助人们做出更准确的预测和计划。
相比于传统的统计分析方法，基于人工神经网络的预测算法具有一些优势。
首先，它可以处理非线性关系，而传统方法通常只能处理线性关系；其次，它可以自动学习和提取特征，无需过多人工干预；此外，它对于噪声和缺失数据具有一定的容错性，能够处理部分数据缺失的情况。
因此，基于人工神经网络的预测算法在处理复杂、非线性的预测问题时表现出色。
然而，基于人工神经网络的预测算法也存在一些局限性。
首先，神经网络的训练过程较为耗时，特别是在大规模数据集上进行训练时；其次，网络结构和参数的选择对预测结果的影响较大，需要进行一定的调试和优化；此外，神经网络的黑盒特性使得其内部的判断过程难以解释和理解，缺乏可解释性。
基于人工神经网络的能耗预测与优化设计
基于人工神经网络的能耗预测与优化设计近年来，随着自然资源的日益枯竭以及环境问题的日益突出，能源节约和环境保护已经成为了全球关注的热点问题。
在这种情况下，智能化的能源管理成为了必由之路。
而能耗预测与优化设计则作为智能化能源管理的重要组成部分，越来越受到人们的青睐。
其中，基于人工神经网络的能耗预测与优化设计，更是备受瞩目。
一、基于人工神经网络的能耗预测1、人工神经网络的基本原理人工神经网络（Artificial Neural Network，ANN），是模拟人类神经细胞系统的难度，主要由输入层、隐藏层和输出层组成，其中隐藏层可以有多层。
ANN具有存储、处理和学习信息的能力，其工作方式和人类大脑非常相似。
2、基于ANN的能耗预测基于ANN的能耗预测主要基于历史数据进行预测，主要思路是首先通过历史数据建立训练集和测试集，然后通过ANN模型进行训练和预测。
在建立训练集和测试集过程中，需要考虑对数据进行清洗和预处理，以及确定ANN的结构和参数等。
此外，ANN模型的预测精度也与训练集和测试集的大小和质量有关。
因此，在能耗预测中，需要注意优化数据处理和模型训练的质量和效率，以提高模型的预测精度。
二、基于人工神经网络的能源优化设计1、能源优化设计的基本原理能源优化设计主要是通过优化设计和控制方式，减少系统能量消耗，以提高系统的能效性。
在能源优化设计中，需要综合考虑能源效率、经济性和环境性等因素。
2、基于ANN的能源优化设计在能源优化设计中，ANN被广泛应用于系统建模和优化控制等方面。
主要思路是首先通过ANN模型对系统进行建模和仿真，然后采用优化算法对系统进行优化设计。
在ANN模型的建模过程中，需要考虑系统的复杂性和非线性等因素，以提高建模的精度和适用范围。
在优化算法的选择和实现过程中，需要考虑算法的精度、效率和鲁棒性等因素，以提高算法的优化效果和实际应用价值。
三、基于人工神经网络的能耗预测与优化设计的应用实例1、工业能耗数据预测某工业企业通过历史能耗数据分析，利用ANN模型对未来一周的工业能耗进行预测，以便调整相应的生产计划和能源消费策略。
基于人工神经网络的我国固定资产投资预测研究
■现代管 理科学
■２０ ０ ９年第 １ 期
基于人工神经网络的我国固定资产投资预测研究
●王 晓辉 范德 成
摘要： 投资的增长速度是与经济增长水平密切相 关， 没有经济的增长， 投资的增长就失去了基础； 失去 了 投资增长的
支持 ， 经济的增长也 无法很 好地 实现 。 文章 在研 究 了 Ｂ 经 网络基 本的预 测原理 的基础 上 ， 据 １ ７ Ｐ神 根 ９年～ ０ ６ 的 固定 ９ ２０ 年 资产投 资额对 未来几年我 国的 固定 资产投 资状 况进行 了预 测研 究。 关键词 ： 工神经 网络 ； 人 固定 资产投 资； 测 预 存 局部 极值 等缺 陷 ， 因此 出现 了许 本 文通 过建 立一 维 时间 序列 我 同 固定 资产 投 资 额 的 应用 中 ． 在收 敛速度 慢 、 多改进算 法 ． 如动量 法 、 习率 自适应 调整策 略。 学 动量 法能 Ｂ Ｐ神 经网络模 型 ． 助 Ｍａｌｂ ． 件进行 预测 节 的敏感 性 ， 有效抑 制网 基于 Ｂ Ｐ神 经 网络 的 时 间 序 列 预 测 模 型 的 构 成
一
图 １ 时 间序 列预 测 Ｂ Ｐ网络 的一般 结构
般 在 【，】 因 此 对 样 本 数 据 Ｐ（） 据 下 式 进 行 预 处 理 。 ０ １。 ｔ根
Ｐ （）Ｐ ｔ／０ 式 中 ， ｔ： （） ｎ １ ｎ为所有 统计 数据 中最大 值的整
数 位 数 ， 里 ｎ ５ 这 ＝。
用 ｓ ｍｏｄ型变换 函数 输 出层 的神经 元采用 纯线 性变 换 ｉ ｉ ｇ 函数 ， 网络 通常采 用 Ｂ Ｐ学习算 法进 行 网络 的训练 Ｂ Ｐ网 络 的学习过 程 由 ２部分组 成 ： 向传播 和逆 向传播 。当正 正 向传播 时 ． 入样 本从 输入层 经隐 层单 元处 理后传 向输 出 输 层。 如果在输 出层得 不到样本 输 出 ． 则转 入反 向传播 通 过
- 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)。
目录
1.引言 (1)
1.1 研究背景及意义 (1)
1.2 研究现状 (2)
1.3 主要研究方向 (5)
2.人工神经网络 (5)
2.1人工神经网络的基本内容 (5)
2.2人工神经网络的基本特征 (7)
2.3人工神经网络的工作原理 (8)
2.4人工神经网络的分析方法 (13)
3. 人工神经网络BP模型 (14)
3.1 BP神经网络的概念 (15)
3.2 BP网络模型的类型 (15)
3.3 BP学习算法 (17)
3.4 BP神经网络的应用及不足 (19)
4.人工神经网络RBF模型 (19)
4.1 RBF神经网络的概念 (19)
4.2 径向基函数(RBF)网络结构和模型 (20)
4.3 RBF的网络学习算法 (21)
4.4 RBF网络模型的优点和缺点 (23)
5.基于人工神经网络的空调系统故障预测 (24)
5.1 用BP网络对空调系统故障进行预测 (24)
5.2 空调系统故障诊断的RBF网络建立 (28)
5.3 小结 (29)
6. 结论 (30)
6.1 结论 (30)
6.2注意事项 (31)
6.3 人工神经网络的局限性 (32)
参考文献 (32)
基于人工神经网络的预测研究
摘要：随着多媒体和网络技术的飞速发展及广泛应用，人工神经网络已被广泛运用于各种领域，本文首先介绍了人工神经网络的基本原理以及概念，然后详细介绍了反向传播算法(BP)和径向基算法(RBF)简介以及应用，BP是误差反传误差反向传播算法，RBF网络是一种具有3层单向传播的前馈网络。
最后通过举出空调系统的故障的例子，通过建立空调系统故障的BP模型和RBF模型，网络输入输出向量及参数的选取，网络结构及训练样本的选取，网络的训练与检验，计算总结空调故障从而预测出空调故障。
并对实验的结果进行了分析，得出相同的样本数和精度要求下， RBF神经网络的隐层神经元数要大大多于BP网络, 这体现在网络的复杂度要高于BP网络。
最后一个部分对论文进行了总结，阐述了人工神经网络的预测的前景。
关键词：人工神经网络；BP模型；RBF模型；故障预测
1.引言
1.1研究背景及意义
现代计算机构成单元的速度是人脑中神经元速度的几百万倍，对于那些特征明确，推理或运算规则清楚地可编程问题，可以高速有效地求解，在数值运算和逻辑运算方面的精确与高速极大地拓展了人脑的能力，从而在信息处理和控制决策等方面为人们提供了实现智能化和自动化的先进手段。
但由于现有计算机是按照冯·诺依曼原理，基于程序存取进行工作的，历经半个多世纪的发展，其结构模式与运行机制仍然没有跳出传统的逻辑运算规则，因而在很多方面的功能还远不能达到认得智能水平。
随着现代信息科学与技术的飞速发展，这方面的问题日趋尖锐，促使科学和技术专家们寻找解决问题的新出路。
当人们的思想转向研究大自然造就的精妙的人脑结构模式和信息处理机制时，推动了脑科学的深入发展以及人工神经网络和闹模型的研究。
随着对生物闹的深入了解，人工神经网络获得长足发展。
在经历了漫长的初创期和低潮期后，人工神经网络终于以其不容忽视的潜力与活力进入了发展高潮。
这么多年来，它的结构与功能逐步改善，运行机制渐趋成熟，应用领域日益扩大，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果[1]。
[1]朱大奇,人工神经网络研究现状及其展望[N].江南大学学报2004 (3):103～108.
目前,关于神经网络的定义尚不统一,按美国神经网络学家Hecht Nielsen的观点，神经网络的定义是：“神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息的”。
综合神经网络的来源、特点和各种解释，它可简单地表述为：人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统[2]。
正是由于人工神经网络是一门新兴的学科，它在理论、模型、算法、应用和时限等方面都还有很多空白点需要努力探索、研究、开拓和开发。
因此，许多国家的政府和企业都投入了大量的资金，组织大量的科学和技术专家对人工神经网络的广泛问题立项研究。
从人工神经网络的模拟程序和专用芯片的不断推出、论文的大量发表以及各种应用的报道可以看到，在这个领域里一个百家争鸣的局面已经形成。
在进行神经网络的理论研究时，人们可以将自己的神经网络模型或算法在通用的串行或并行计算机编程实现，但这只是研究的手段而绝非目的，在构造实际的神经网络应用系统时，必然要考虑到硬件实现问题，特定应用下的高性能专用神经网络硬件是神经网络研究的最终目标。
人工智能的方法和技术已经用于解决很多领域的问题，并取得了一定的成就。
人工神经网络是人工智能领域的重要分支，而神经网络的硬件实现是神经网路研究的基本问题之一。
从对神经网络进行理论探讨的角度，可以通过计算机仿真途径来模拟实现特定的神经网络模型或算法，但在构造神经网络的实际应用系统时，必然要研究和解决其硬件实现问题。
神经网络专用硬件可提供高速度，并具有比通用串、并行高得多的性价比，所以特定应用下的高性能专用神经网路硬件是神经网络研究的最终目标。
1.2 研究现状
神经网络的硬件实现可追溯到60年代，当时有几家公司和研究机构试图用硬件来实现神经元，最为著名的便是感知机和ADALINE神经网络模型的实现。
当时CornellAeronautical实验室（现在名为CALSPAN Corporation）的Rosenblatt 从理论上和实现上描述了感知机。
ADALINE神经网络则是由斯坦福人学的
[2]董军,胡上序,混沌神经网络研究进展和展望[J].信息与控制,1997 (5):360～368.
Widrow提出的。
感知机和ADALINE均为单个神经元模型，他们均能接受多路输入，并能自适应地修改与这些输入相对应的突触强度（互连权值），然而他们实现上有所不同。
感知机中，其突触强度通过一种电子机械的方法来改变（通过一个电动马达的转动来改变突触强度），这种实现有许多缺点，如体积大，价格高，运行不可靠等。
Widrow的ADALINE实现中则用电阻的方法来表示突触强度。
1965年至1980年，除Adaptronics Corp（现为Division of Flow General Crop）之外，其它一些研究尸体在神经网络实现上没有做更多的工作。
Adaptronics的Louis Gilstrap和Roger Barron在1947年开发了第一块神经元芯片。
这种很一般的芯片只包含一个神经元，具有多个输入端且其互连强度可以自适应的改变。
要构造具有多个神经元的网络，只需将许多这种芯片在插件板上排列并互连起来就可以了。
将许多这种插件构建在一起便可满足神经网络在商业和军事上的许多应用目的。
随着人工神经网络的20世纪80年代在世界范围内的复苏，国内也逐步掀起了研究热潮，1989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国型号处理——神经网络学术会议；1990年2月由国内八个学会（中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会）联合在北京召开“中国神经网络首届学术会议”，这次大会以“八学会联盟，探只能奥秘为主题，收到了300多篇学术论文”，开创了中国人工神经网络及神经计算机方面科学研究的新纪元，经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加。
在国际上，1987年，在美国加洲召开第一届国际神经网络学会，此后每年召开两次国际联合神经网络大会（UCNN），不久，改学会创办了刊物Journal Neural Networks，另有十几种国际著名的神经网络学术刊物相继问世。
至此，神经网络理论研究在国际学术领域获得了其应有的地位。
经过多年的发展，目前已有上百种的神经网络模型被提出，下表列出了神经网络发展过程中起过重要作用的几种著名神经网络，他也是神经网络发展史的一个缩影。