AI课程考核论文

青岛理工大学

研究生课程考试试卷

2010 ~ 2011 学年第 1 学期

考试科目：人工智能课程编号：A0070008

任课教师：翟正利学生姓名：高方杰专业名称：计算机应用技术班级：1110班学号：1112081202341

成绩：________________

学分：________________

阅卷人（签字）:_____________

人工神经网络研究综述及B-P模型详解

摘要近几十年来，神经网络得到了飞速发展，引起了不同领域专家的广泛关注。它的产生和发展使电子科学和信息科学发生了革命性的变化。本文简要介绍了人工神经网络的发展过程，基本特征及其模型，探讨分析了其发展前景。

关键词神经网络 B-P模型

SURVEY ON ARTIFICIAL NEURAL NETWORK

Abstract A.N.N has been experienced a rapid development for decades. It has attracted many experts from different fields and makes great contributions to the revolutionary changes in information technology and electronic technology. In this paper, we’ve briefly introduced the development history of A.N.N, its basic features and models, and then the future of this technology.

keywords A.N.N B-P

一、引言

人工神经网络是模仿脑细胞结构和功能、脑神经结构以及思维处理问题等脑功能的信息处理系统，它从模仿人脑智能的角度出发，探寻新的信息表示、存储和处理方式。这种神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到

处理信息的目的。它采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点，它通过预先提供的一批相互对应的输入和输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。由于人工神经元网络具有复杂的动力学特性、并行处理机制、学习、联想和记忆等功能，以及它的高度自组织、自适应能力和灵活性而受到自然科学领域学者的广泛重视。

二、人工神经网络的发展

人工神经网络从20世纪40年代初开始研究，至今经历了兴起、高潮、低谷及稳步发展的历程，在众多科学家艰苦不懈的研究探索中，终于取得了较大的进步。1943年，心理学家W.S.Mcculloch和数理逻辑学家W.Pitts提出了M-P模型，M-P模型的提出具有开创意义，为以后的研究工作提供了重要依据；1949年，心理学家D.O.Hebb提出突触联系可变的假设。由这一假设得出的学习规则———Hebb学习规则，为神经网络的学习算法奠定了基础；1957年，计算机科学家Rosenblatt提出了著名的感知机（Perception）模型，是第一个完整的人工神经网络，并且第一次把神经网络研究付诸工程实现，从而奠定了从系统的角度研究人工神经网络的基础；1960 年B.Windrow

和M.E.Hoff提出了自适应线性单元网络，可用于自适应滤波、预测和模型识别；1982年和1984年美国加州理工学院生物物理学

J.J.Hopfield发表的两篇文章，提出了新的神经网络模型———

Hopfield网络模型和实现此网络模型的电子电路，为神经网络的工程实现指明了方向，有力地推动了神经网络的研究，引起了神经网络研究的又一次热潮；1984年，Hinton等人将模拟退火算法引入神经网络中，提出了Boltzmann机网络模型；1986年，D.E.Rumelhart和J.LMcclelland提出了误差反向传播算法，成为至今影响很大的一种网络学习方法；90年代初，诺贝尔奖获得者Edelman提出了Darwinism 模型，建立了神经网络系统理论；几乎同时，Aihara等人给出了一个混沌神经元模型，该模型已成为一种经典的混沌神经网络模型；1995年，Mitra把人工神经网络与模糊逻辑理论、生物细胞学说以及概率论相结合提出了模糊神经网络，使得神经网络的研究取得了突破性进展。现在，神经网络的应用研究取得了很大的成绩，涉及的领域非常广泛。在应用的技术领域方面，主要有计算机视觉、语言识别、模式识别、神经计算机的研制、专家系统与人工智能。涉及的学科有神经生理学、信息科学、计算机科学、微电子学、光学、生物电子学等。

三、人工神经网络的基本工作原理

神经元是构成神经网络的最基本单元，神经元之间的连接方式不同，可得到不同的神经网络；各神经元之间连接强度是由神经网络内部加权系数决定的，加权系数决定了信号传递的强弱，信号可以起刺激作用也可以起抑制作用，而且加权系数可以随着训练进行改变。这些特征使得人工神经网络具有高度的灵活性。神经网络的工作过程主要分为两个阶段，第一阶段是学习期，此时各计算单元状态

不变，各连线上的权值通过学习来修改。第二阶段是工作期，此时连接权固定，计算单元状态变化，以达到某种稳定状态。通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点，这种概念来自生物模型，它使机体能在复杂多变的环境中进行有效的自我调节。当一个神经网络结构确定以后，若想改变其输出值，但又不能改变它的转换函数，只能改变其输入，而改变输入的唯一办法只能修改加在输入端的加权系数。因而，神经网络的学习过程是修改加权系数的过程，使其输出接近或达到期望值，学习结束。在一般情况下，性能的改善也是按某种预定的度量通过调节自身参数随时间逐步达到的，由此使神经网络具备类似人类的学习能力，使自身性能得到改进。将这种特性应用于各类自动控制系统中，使系统具有较高的智能行为，实现神经网络自动控制。学习算法是神经网络的主要特征，也是当前研究的主要课题。神经网络学习算法很多，常用的有：Hebb学习算法；Widrow －Haff 学习算法；反向传播（BackPropagation）学习算法———BP学习算法；Hofield反馈神经网络学习算法；（Competitive）学习算法；按照自适应谐振理论构成自组织神经网络学习算法等。

四、人工神经网络的特点及功能

1. 人工神经网络具有以下几个突出的优点：

（1）能充分逼近复杂的非线性关系。只有当神经元对所有输入信号的综合处理结果超过某一个限值后才能输出一个信号。

（2）所有定量或定性的信息都等势分布贮存于网络内的各神经元，