5、人工神经网络的多元发展与应用

人工神经网络的多元发展与应用

1. 神经网络基础要点

在实际应用中，神经网络的构建与训练有其独特的方法和要点。有时模糊逻辑系统等同于神经网络，我们可先依据对实际系统的先验知识和理解，获取研究对象输入与输出间的模糊关系。基于此关系初步定义神经网络结构，再通过验证采样数据逐步修改和完善。这样，神经网络模型的结构和属性参数能与研究对象的系统特性良好对应匹配。

神经网络训练的本质是在特定数据环境中进一步模拟实际系统输入与输出的映射关系。对于已训练的网络，若数据环境显著变化，就必须重新训练网络，重新确定研究对象的新映射关系，以确保网络的泛化能力。对于给定的一组样本数据，我们要研究如何合理分类学习样本和测试样本，从而在整个样本集中学习获得神经网络的最小近似误差。

2. 前馈神经网络的广泛应用

前馈神经网络无需事先构建精确的数学或物理模型来解决问题，因此广泛应用于缺乏先验理论知识或难以构建精确模型的领域，如科研、工程计算和日常生活等方面。其重要且成功的应用如下：
- 模式识别 ：这是前馈神经网络最早且最成功的应用之一。神经网络通过学习训练样本集，能自动提取和记忆各种样本模式的本质特征，通过自适应组合多个特征形成判别函数，解决复杂的模式识别问题，如机械故障自动诊断、文字字符识别、石油地质研究中的沉积微相判别和音素识别等。
- 分类与聚类 ：在信号处理和组合分析中常见。有确定类别时的样本分类称为“分类”，类别数未知时合理合并样本为类别的过程称为“聚类”。BP网络在分类时像具有学习和自适应机制的分类器；自组织映射神经网络等前馈网络采用自组织竞争学习算法，是优秀的聚类器，广泛应用于数