13、模块化神经网络及其在生物识别中的应用

模块化神经网络及其在生物识别中的应用

1. 引言

人工神经网络作为自适应非线性滤波器或非线性系统，能学习、并行计算，具备容错性和鲁棒性，在模式识别、控制论、图像处理和预测等领域应用广泛。理论上，单隐藏层神经网络可任意精度逼近非线性函数，但在多分类问题训练中，网络输出误差收敛率低，随着问题复杂度增加，网络模式容量和训练时间会急剧上升，且难以表达问题的层次和结构。

解决该问题的有效方法是将复杂问题分解为多个简单子问题，这也是模块化神经网络的基本思想。模块化神经网络通过将复杂问题分解，由多个多层神经网络分别解决子问题，从而提高网络的容量和准确性。

2. 模块化的生理和心理基础

模块化主要有复制和分解两个概念，它们常结合出现。复制是知识复用的方式，如生物体内的细胞、电子电路中的集成电路；分解则是将复杂任务拆分为简单子任务，如软件开发、汽车制造等。大脑理论研究表明，人类中枢神经系统可细分，各区域有特定功能，这体现了模块化思想。人类能并行处理认知任务，大脑不同部分存在专业化分工，这为模块化神经网络提供了生理和心理基础。

3. 模块化神经网络的概念

3.1 模块化的概念

模块化是将复杂对象细分为简单对象，可根据对象及其子部分的结构或功能进行划分。计算系统若能拆分为多个子系统，且各子系统独立处理输入，通过集成单元组合输出，则具有模块化架构。模块化系统设计具有简单、经济、计算高效、容错和可扩展等优点，与生物大脑的功能和结构模块化相似。

模块化系统通常由多个专业子系统或模块组成，这些模块具有领域特定性、独立性、结构简单和响应需集成等特点。模块化计算系统设计的主要优势包括可扩展性、工程经济性