人工神经系统：原理与实践

本章的目的是解释什么是天然生物神经元，以及什么是人工神经元。为此，第一节介绍了生物学神经元，解释其结构和信息传输方法。第二个本节解释了如何从相应的生物神经元。人工神经元的资源在预期由此产生的电路的性质和行为与之类似生物神经元的信息传输。

本章的目的和目标是介绍其他类型的人工具有重置和恢复能力的神经形态神经元。因此，第一个第节从具有重置倾向的积分-并-核神经元开始。这个第二节介绍概率论，因为许多过程大脑和中枢神经系统遵循概率定律。第三部分介绍了另一种采用泊松过程的人工神经形态神经元在行为上更接近生物神经元。

本章的目的和目标是提供基于人工神经的模糊逻辑基础和神经网络设计与分析的一般框架系统。因此，第一部分介绍了成员函数，定义并给出了模糊逻辑神经元的相对完整的操作描述。后续第二节介绍了神经网络的设计原理和分析，从中可以得到一个通用的波形神经网络导出了网络。对本章的充分理解可能足以设计和分析任何人工神经网络系统。

算法是一系列操作，用于找到问题。操作顺序通常组织得很好，因此如果可能，可以用流程图或状态机表示。的前几个部分第四章通过聚类算法和自然启发算法来说明这一点。奠定了人工神经网络（ANN）的基本背景在前面的章节中，根据定义、定理和方程式，现在可以以提供智能解决方案的方式组织这些元素中的一个或多个解决一些问题。元素的组织导致了一种尝试本章中ANN的形式化定义。重要而著名的组织概念和定义既可以帮助重新定义问题，也可以提供解决方案。这些溶液的适用性可以通过放置一个或有关相应ANN的更多性能指标，如本章。这就是本章的主题。

本章的目的和目标是介绍原则和元素的基本概念，用作新的和新兴神经系统。第一节介绍量子逻辑和量子代数。仅介绍了与ANN闸门生产相关的概念这样涉及的数学问题一直保持在最低限度。第二部分介绍了一种新的非易失性存储器元件；记忆电阻。自从这些现象在正式发现（形成）之前是众所周知的基本概念和现象构成了本文的讨论主题第章。本章力求自足简短，以便描述和传授与理解人工神经网络要素相关的信息。

本书第二部分的第一章介绍了各种常见的学习方法算法。第六章的目的是使读者熟悉当今的情况学习范式中的知识。过滤器可用于实现学习算法，反之亦然。因此，前几节介绍了自适应线性神经元（ADALINE）和递归最小二乘（RLS）算法。人造的智能系统可能具有活体生物大脑的功能特征。多智能体网络和神经形态网络将在后续章节中介绍是具有活体生物大脑功能特征的ANN系统的示例。大脑处理数据的能力是无与伦比的；人类的研究工作然而，能够在贝叶斯网络中发现密切匹配本章的一半内容是介绍基于概率密度的各种类型学习算法。总之，接下来是一个混合神经-模糊神经网络部分。通过阅读本章，人们可以充分理解常见的人工神经网络因此，如果需要，可以轻松实现ANN。

本章相对详细地描述了各种类型的人工神经网络系统。它是本章旨在详细描述先进的人工神经网络系统，如以便于实施。前几个部分专门介绍最近无重量神经网络。接下来是加权神经系统部分。两个随后介绍了先进的贝叶斯网络。的最后一部分第章解释了人工神经网络的动力学以及如何评估人工神经网络。本章对典型的高级神经网络进行了相对广泛的描述各类人工神经网络系统。

通常需要在处理给定数据的命令。本章的目的和目标是描述人工神经网络系统的选择和组合策略。神经网络的两种选择方法并对从原理导出的组合进行了详细描述。手动只有在涉及少数网络时才可能进行选择和组合考虑过的。也不考虑启发式确定的网络集，因为必须进行额外的大型实验以选择合适的数量以及ANN的配置。这些障碍通过选择和本章描述的组合策略。本章描述了两种方法选择和组合可用于最小化ANN的ANN网络错误。本章所述的选择和组合策略如下与其他替代方案相比，原则性强、更健壮、适用性更广。

由于高斯分布可用作通用近似值很明显，大多数建模和优化问题都可以通过基于概率的方法来解决ANN系统。因此，第9章集中讨论基于概率的人工神经网络系统。第一部分介绍了随机数生成器，它具有在Markov-Chain及其混合中的应用，在后续章节中。第五部分详细介绍了受限玻尔兹曼机器（RBM）。波尔兹曼机器可能是深度信念网络（DBN）的组件网络，如最后一节。本章解释了许多与DBN相关的算法直觉，因为这可能有助于更好地理解和执行。

考虑到非易失性存储器元件的可用性，第十章第一节介绍了一种记忆神经网络。一般来说本章旨在介绍目前作为概念证明存在的神经系统，其中一些正在进行工业试验。因此，量子神经对网络进行了相对详细的描述，并且没有失去其通用性。A类重新访问贝叶斯网络（通常称为深信网络（DBN）），这一次是为了说明他们的工业测试。本章提供了一些关于人工神经网络发展现状的信息资源。它也在努力缩小研究、开发和应用之间的差距。

两类ANN系统能够对任何智能专家进行建模非常详细。这些是贝叶斯网络和神经形态网络由于缺乏足够的资源和人类知识而受到阻碍。研究和这两类神经网络系统的开发是本章的主题。第11章关于贝叶斯网络的第一节具体描述了混合蒙特卡洛（HMC）和相关算法，之后可能的区域研究重点突出。第二部分是神经形态网络工业发展的现状。这一章小心地省略了那些近期可能无法实现的概念发展。的插图在第二部分的结论中给出了最近的神经形态设计。这个本章提供了两个先进的研发信息资源ANN系统。