计算机神经网络（计算机神经网络是什么）

本篇文章给大家谈谈计算机神经网络，以及计算机神经网络是什么对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、神经网络计算机有哪些特点？
• 2、神经网络计算机有哪些用途？
• 3、什么是人工神经网络计算机？
• 4、神经网络计算机的发展历程
• 5、神经网络简述
• 6、什么是神经网络计算机?

神经网络计算机有哪些特点？

传统的计算机在进行繁琐、复杂的数值运算时，例如，计算圆周率π，就显得十分有能耐，比人高强；然而，面对人类认为比较容易的有关识别、判断方面的问题时陆判，就显得笨手笨脚，力不从心。

为了解决这个问题，科学家们一心想发明神经计算机，或叫神经元网络计算机。

神经网络计算机的工作原理类似人脑。人脑由100亿～150亿个神经元组成，而每个神经元又和数千到数万个神经元相连接。神经网络计算机正是利用与人脑非常相团碧似的神经网络进行信息处理的。

神经网络计算机有着许多特点：第一，有着极强的自学能力。人们利用神经网络计算机的自学特点，可以方便地“教”会它认读自然语言文字。

第二，神经元网络计算机的“智能”好像是自发产生的，不是严格设计出来的，这是各个神经元所做的简单事情集合起来的结果。这一点同人的大脑的工作原理极相似。

第三，神经元网络计算机的资料不是贮存在存储器中，而是贮存在神经元之间的网络中。这就是说，即使个别神经网络断裂、破坏，也并不影响整体的运算能力，即它具有重建资料的能力。塌悉举

现在，人工神经网络技术的研究，已在许多部门获得了实际应用。例如，信息识别、系统控制、检测与监测智能化等。

可以预计，在21世纪，人工神经网络的研究将会有新的突破。虽然用无生命的元器件实现人脑的所有功能是不可能的，但在某些特定的智能方面，接近或达到人脑水平的神经网络计算机将会十分普遍，届时，神经网络计算机将渗透到人类生活的各个领域。

神经计算机是按照一种仿效人脑的神经网络模型工作的。由于这种模型能通过电路予以实现，因此人们不仅可以通过这一模型了解人的神经细胞是怎样工作的，而且还能把它制成集成电路的芯片，使计算机仿效神经系统工作。于是，便出现了利用神经网络工作原理的神经计算机。

神经计算机不仅能够进行并行处理，而且还具有以下两种能力：第一，具有联想能力，例如见到红的、圆的、有芬香味的东西，便会联想起这是苹果。第二，具有自我组织能力，神经计算机通过多次处理同类问题，能够把各神经元连接成最适于处理该问题的网络，通过做同类工作而有所改进便是具有学习功能。

最能发挥神经计算机长处的工作有图像识别、声音识别、运动控制等。

由于神经计算机采用并行处理方式，很适合用光计算机来实现。今后，光计算机得到实用时，光神经计算机将会有更诱人的前景。

[img]

神经网络计算机有哪些用途？

许多新型的电子计算机不仅拥有高速的计算功能，而且还能模拟人脑的某些思维活动，就是说，拥有某些智能化的功能。然而，如果严格地来鉴定一下，它们离真正的人脑思维功能实在差得太远了，而且有许多本质的差异。主要表现在人脑拥有高度的自我学习和联想创造的能力，以及更为高级的寻找最优方案和各种理性的、情感的功能。

目前一种称之为神经网络计算机的新型电脑已经制造出来了。

它能像人脑那样进行判断和预测。它不需要输入程序，可以直观地作出答案，也就是说它毕尺粗“看”到什么就能自行手镇作出反应。它能同时接收几种信号并进行处理，而不像目前已有的困洞计算机那样一次只能输入一个信号。

譬如，它能区别出一个签名的真伪。它不是凭签名的图形是否相像来判断的，而是根据本人在签名时笔尖上的压力随时间的变化以及移动速度来判断的。神经网络计算机目前主要的用途是识别各种极细微的变化和趋热，并发出信号。已经有人用它来控制热核聚变反应，监督机器的运行，甚至用来挑选苹果和预测股市行情。

什么是人工神经网络计算机？

我们知道，人脑神经系统是由数以十亿计的神经元相互连接而成的、极其复杂的逗迅信息处理网络，科学家认为它是处理复杂信息的最好结构。人工神经网络计算机就是模仿人脑神经系统的计算机，它同样是目前世界各国专家正在亮埋大力研究开发的下一代计算机。

人工神经网络计算机不仅能够高速处理信息，还能够像人一样具有学习功能和联想功能。现有的计算机的所有工作都是依靠人们预先给出的指令。从这一意义上说，它的能力还不如一个两三岁的幼儿。

人工神经网络计算机不一样，你只要反复把敬指蚂例题和答案输入，它便能自己学会解题的方法，这就是学习功能。

世界各国目前的研究主要集中在两个方面：一是通过在软件上下功夫，使通常的电子计算机也具有学习功能，可以用于生产控制；二是开发专门的神经芯片，通过硬件实现神经网络计算机的功能。

神经网络计算机的发展历程

早在40年代，McCulloch和Pitts就已开始了以神经元作为逻辑器件的研究。60年代，Rosenblatt提出了模拟学习和识别功能的“感知机”模型，其构造和规则曾轰动一时，但终因此类机器严格的局限性而很快冷落下来。到1982年，Hopfield提出了一种新的理论银简昌模型。这一模型简明地反映了大脑神经系统的分布式记忆存储、内容寻址、联想以及局部细胞损坏不灵敏等特性。与此同时，神经网络在解决“推销员旅行”问题、语音识别、音乐片断的学习创作、英语锋扒智能读音系统等方面，都取得了令人鼓舞的结果。因此人工神经网络的研究热潮在80年代初期又重新兴起，成为多学科共同关注的跨学科新领域。不同学科研究神经网络的方法虽不尽相同，但目的都是为了探索大脑智能的机制和实现智能计算机。人工神经网络研究的进展，使研制神经网络计算机的历史任务落到了现代高咐逗科技的面前。这是社会对智能计算机的迫切需要。

神经网络简述

机器学习中谈论的神经网络是指“神经网络学习”，或者说，是机器学习和神经网络这两个学科领域的交叉部分[1]。

在这里，神经网络更多的是指计算机科学家模拟人类大脑结构和智能行为，发明的一类算法的统称。

神经网络是众多租乱优秀仿生算法中的一种，读书时曾接触过蚁群优化算法，曾惊讶于其强大之处，但神经网络的强大，显然蚁群优化还不能望其项背。

A、起源与第一次高潮。有人认为，神经网络的最早讨论，源于现代计算机科学的先驱——阿兰.图灵在1948年的论文中描述的“B型组织机器”[2]。二十世纪50年代出现了以感知机、Adaling为代表的裂渗一系列成功，这是神经网络发展的第一个高潮[1]。

B、第一次低谷。1969年，马文.明斯基出版《感知机》一书，书中论断直接将神经网络打入冷宫，导致神经网络十多年的“冰河期”。值得一提的是，在这期间的1974年，哈佛大学Paul Webos发明BP算法，但当时未受到应有的重视[1]。

C、第二次高潮。1983年，加州理工学院的物理学家John Hopfield利用神经网络，在旅行商问题上获得当时最好结果，引起轰动；Rumelhart等人重新发明了BP算法，BP算法迅速走红，掀起神经网络第二次高潮[1]。

D、第二次低谷。二十世纪90年代中期，统计学习理论和支持向量机兴起，较之于这些算法，神经网络的理论基础不清晰等缺点更加凸显，神经网络研究进入第二次低谷[1]。

E、深度学习的崛起。2010年前后，随着计算能力的提升和大数据的涌现，以神经网络为基础的“深度学习”崛起，科技巨头公司谷歌、Facebook、百度投入巨资研发，神经网络迎来第三次高潮[1]。2016年3月9日至15日，Google人工智能程序AlphaGo对阵韩国围棋世界冠军李世乭，以4:1大比分获胜，比众多专家预言早了十年。这次比赛，迅速在全世界经济、科研、计算机产业各领域掀起人工智能和深度学习的热烈讨论。

F、展望。从几个方面讨论一下。

1)、近期在Google AlphaGo掀起的热潮中，民众的热情与期待最大，甚至有少许恐慌情绪；计算机产业和互联网产业热情也非常巨大，对未来充满期待，各大巨头公司对其投入大量资源；学术界的反应倒是比较冷静的。学术界的冷静，是因为神经网络和深度神经网络的理论基础还没有出现长足的进步，其缺点还没有根本改善。这也从另一个角度说明了深度神经网络理论进步的空间很大。

2)、"当代神经网络是基于我们上世纪六十年代掌握的脑知肆型脊识。"关于人类大脑的科学与知识正在爆炸式增长。[3]世界上很多学术团队正在基于大脑机制新的认知建立新的模型[3]。我个人对此报乐观态度，从以往的仿生算法来看，经过亿万年进化的自然界对科技发展的促进从来没有停止过。

3)、还说AlphaGo，它并不是理论和算法的突破，而是基于已有算法的工程精品。AlhphaGo的工作，为深度学习的应用提供了非常广阔的想象空间。分布式技术提供了巨大而廉价的计算能力，巨量数据的积累提供了丰富的训练样本，深度学习开始腾飞，这才刚刚开始。

一直沿用至今的，是McChlloch和Pitts在1943年依据脑神经信号传输结构抽象出的简单模型，所以也被称作”M-P神经元模型“。

其中，

f函数像一般形如下图的函数，既考虑阶跃性，又考虑光滑可导性。

实际常用如下公式，因形如S，故被称作sigmoid函数。

把很多个这样的神经元按一定层次连接起来，就得到了神经网络。

两层神经元组成，输入层接收外界输入信号，输出层是M-P神经元(只有输出层是)。

感知机的数学模型和单个M-P神经元的数学模型是一样的，如因为输入层只需接收输入信号，不是M-P神经元。

感知机只有输出层神经元是B-P神经元，学习能力非常有限。对于现行可分问题，可以证明学习过程一定会收敛。而对于非线性问题，感知机是无能为力的。

BP神经网络全称叫作误差逆传播(Error Propagation)神经网络，一般是指基于误差逆传播算法的多层前馈神经网络。这里为了不占篇幅，BP神经网络将起篇另述。

BP算法是迄今最为成功的神经网络学习算法，也是最有代表性的神经网络学习算法。BP算法不仅用于多层前馈神经网络，还用于其他类型神经网络的训练。

RBF网络全程径向基函数(Radial Basis Function)网络，是一种单隐层前馈神经网络，其与BP网络最大的不同是采用径向基函数作为隐层神经元激活函数。

卷积神经网络(Convolutional neural networks，简称CNNs)是一种深度学习的前馈神经网络，在大型图片处理中取得巨大成功。卷积神经网络将起篇另述。

循环神经网络(Recurrent Neural Networks，RNNs)与传统的FNNs不同，RNNs引入定向循环，能够处理那些输入之间前后关联的问题。RNNs已经在众多自然语言处理(Natural Language Processing, NLP)中取得了巨大成功以及广泛应用[5]。RNNs将起篇另述。[5]

[1]、《机器学习》，周志华著

[2]、《模式识别（第二版）》，Richard O.Duda等著，李宏东等译

[3]、《揭秘IARPA项目：解码大脑算法或将彻底改变机器学习》，Emily Singerz著，机器之心编译出品

[4]、图片来源于互联网

[5]、 循环神经网络(RNN, Recurrent Neural Networks)介绍

什么是神经网络计算机?

许多新型电子计算机不仅拥有高速的计算功能，而且还能模拟人脑的某种思维活动，就是说，拥有某些智能化的功能。然后，如果严格来鉴定一下，它们离真正的人脑思维功能实在差得太远了，而且有许多本质的差异。主要表现在人脑拥有高度的自我学习和联想、创造的能力，以及更高级的寻找最优方案和各种理性的、情感的功能。

神经网络计算机就是通过人工神经网络，模仿人的大脑判断能力和适应能力、可并行处理多种数据链洞功能的计算机。它可以判断对象的性质与状态，并能采取相应的行动，而且可同时并行处理实时变化的大量数据，并引出结论。

生物的神经网络是通过树突和轴突连接起来的神经元的网络。神经信号在神经元之间传递，帮助人产生思考和记忆。人工神经网络是一种模仿生物神经网络盯唤敏而建立的运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出依照网络的连接方式、权重值和激励函数的不同而不同。而网络自身通常都是对自然界的某种算法或者函数的逼近，也可凯枝能是对一种逻辑策略的表达。

生物神经网络（左）、人工神经网络（右）

与生物神经网络相似，人工神经网络也可以通过训练提高自身判断和处理的性能。其原理是向该神经网络输入足够多的样本，通过一定的算法来调整网络的结构，即权重值，使得网络的输出与预期值相符。经过训练的神经网络可以像人脑那样进行判断和预测，并且能同时接受几种信号并进行处理。

譬如，它能去辨别一个签名的真伪。它不是凭签名的图像是否相像来判断，而是根据本人在签名时，笔尖上的压力随时间的变化以及移动的速度来判断。目前，神经网络计算机的主要用途是识别各种极其细微的变化和趋势，并发出信号。它已经被用来控制热核聚变反应、监督机器的运行、挑选苹果，甚至预测股市行情。

关于计算机神经网络和计算机神经网络是什么的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。