神經(jīng)網(wǎng)絡算法原理_神經(jīng)網(wǎng)絡算法的應用_神經(jīng)網(wǎng)絡算法實例說明

　　神經(jīng)網(wǎng)絡是一種模擬人腦結構的算法模型。其原理就在于將信息分布式存儲和并行協(xié)同處理。雖然每個單元的功能非常簡單，但大量單元構成的網(wǎng)絡系統(tǒng)就能實現(xiàn)非常復雜的數(shù)據(jù)計算，并且還是一個高度復雜的非線性動力學習系統(tǒng)。

　　神經(jīng)網(wǎng)絡的結構更接近于人腦，具有大規(guī)模并行、分布式存儲和處理、自組織、自適應和自學能力。神經(jīng)網(wǎng)絡的用途非常廣泛，在系統(tǒng)辨識、模式識別、智能控制等領域都能一展身手。而現(xiàn)在最吸引IT巨頭們關注的就是神經(jīng)網(wǎng)絡在智能控制領域中的自動學習功能，特別適合在需要代入一定條件，并且信息本身是不確定和模糊的情況下，進行相關問題的處理，例如語音識別。

　　由于神經(jīng)網(wǎng)絡算法的設計面太大，我們此處暫且只分析Microsoft神經(jīng)網(wǎng)絡算法的原理，在Microsoft神經(jīng)網(wǎng)絡算法中，我們可以簡化成下面這個圖片：

　　Microsoft神經(jīng)網(wǎng)絡使用的由最多三層神經(jīng)元組成的“多層感知器”網(wǎng)絡，分別為：輸入層、可選隱含層和輸出層。

　　輸入層：輸入神經(jīng)元定義數(shù)據(jù)挖掘模型所有的輸入屬性值以及概率。

　　隱含層：隱藏神經(jīng)元接受來自輸入神經(jīng)元的輸入，并向輸出神經(jīng)元提供輸出。隱藏層是向各種輸入概率分配權重的位置。權重說明某一特定宿儒對于隱藏神經(jīng)元的相關性或重要性。輸入所分配的權重越大，則輸入值也就越重要。而這個過程可以描述為學習的過程。權重可為負值，表示輸入抑制而不是促進某一特定結果。 輸出層：輸出神經(jīng)元代表數(shù)據(jù)挖掘模型的可預測屬性值。

　　數(shù)據(jù)從輸入經(jīng)過中間隱含層到輸出，整個過程是一個從前向后的傳播數(shù)據(jù)和信息的過程，后面一層節(jié)點上的數(shù)據(jù)值從與它相連接的前面節(jié)點傳來，之后把數(shù)據(jù)加權之后經(jīng)過一定的函數(shù)運算得到新的值，繼續(xù)傳播到下一層節(jié)點。這個過程就是一個前向傳播過程。

　　而當節(jié)點輸出發(fā)生錯誤時，也就是和預期不同，神經(jīng)網(wǎng)絡就要自動“學習”，后一層節(jié)點對前一層節(jié)點一個“信任”程度（其實改變的就是連接件的權重），采取降低權重的方式來懲罰，如果節(jié)點輸出粗粗哦，那就要查看這個錯誤的受那些輸入節(jié)點的影響，降低導致出錯的節(jié)點連接的權重，懲罰這些節(jié)點，同時提高那些做出正確建議節(jié)點的連接的權重。對那些受到懲罰的節(jié)點而說，也用同樣的方法來懲罰它前面的節(jié)點，直到輸入節(jié)點而止。這種稱為：回饋。 而我們學習的過程就是重復上面的介紹的流程，通過前向傳播得到輸入值，用回饋法進行學習。當把訓練集中的所有數(shù)據(jù)運行過一遍之后，則稱為一個訓練周期。訓練后得到神經(jīng)網(wǎng)絡模型，包含了訓練集中相應值和受預測值影響變化的規(guī)律。

　　在每個神經(jīng)元中的隱含層中都有著復雜的函數(shù)，并且這些都非線性函數(shù)，并且類似生物學神經(jīng)網(wǎng)絡的基本傳輸特征，這些函數(shù)稱之為：激活函數(shù)，即：輸入值發(fā)生細微的變化有時候會產(chǎn)生較大的輸出變化。

　　在網(wǎng)絡模型與算法研究的基礎上，利用人工神經(jīng)網(wǎng)絡組成實際的應用系統(tǒng)，例如，完成某種信號處理或模式識別的功能、構作專家系統(tǒng)、制成機器人、復雜系統(tǒng)控制等等。

　　縱觀當代新興科學技術的發(fā)展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經(jīng)了崎嶇不平的道路。我們也會看到，探索人腦功能和神經(jīng)網(wǎng)絡的研究將伴隨著重重困難的克服而日新月異。

　　盡管神經(jīng)網(wǎng)絡現(xiàn)在已經(jīng)被廣泛用于語音識別領域，但是其用途肯定不限于此。下一步，神經(jīng)網(wǎng)絡最有可能進入圖像軟件領域。與分辨聲音的過程類似，神經(jīng)網(wǎng)絡在分析圖像時，每一層的圖像探測器會首先尋找圖像中的一些特征，例如圖像的邊緣。

　　當探測完成之后，另一層的軟件就會將這些邊緣結合起來，就會形成圖像的邊角等特征。然后如此反復下去，識別的圖像特征就會越來越清晰、明確，到了最后一層就將所有圖像特征結合起來，與數(shù)據(jù)庫中的數(shù)據(jù)進行對比，就能得出圖片里的物體究竟是什么的結論。

　　前面提到的谷歌狄恩研究小組就采用這種方法，開發(fā)出了一套軟件，已經(jīng)可以通過自學分辨出網(wǎng)絡視頻里的貓。或許未來這套軟件將會推廣到圖片搜索領域，谷歌街景利用這一算法就能區(qū)分出不同事物的特征。 此外，神經(jīng)網(wǎng)絡在醫(yī)學領域也有施展拳腳的空間，多倫多大學的一個研究團隊，已經(jīng)成功地用神經(jīng)網(wǎng)絡分析出藥物分子在實際環(huán)境中可能的作用方式。