1.2.1人工神经网络的概念 (3) Simpson(1987年) 人工神经网络是一个非线性的有向图,图 中含有可以通过改变权大小来存放模式的 加权边,并且可以从不完整的或未知的输 入找到模式。 2004-2-18
2004-2-18 36 1.2.1 人工神经网络的概念 （3） Simpson（1987年） • 人工神经网络是一个非线性的有向图，图 中含有可以通过改变权大小来存放模式的 加权边，并且可以从不完整的或未知的输 入找到模式
1.2.1人工神经网络的概念 2、关键点 (1)信息的分布表示 (2)运算的全局并行与局部操作 (3)处理的非线性特征 3、对大脑基本特征的模拟 1)形式上:神经元及其联接;BN对AN 2)表现特征:信息的存储与处理 2004-2-18 37
2004-2-18 37 1.2.1 人工神经网络的概念 2、关键点 （1） 信息的分布表示 （2） 运算的全局并行与局部操作 （3） 处理的非线性特征 3、对大脑基本特征的模拟 1） 形式上：神经元及其联接；BN对AN 2） 表现特征：信息的存储与处理
1.2.1人工神经网络的概念 4、别名 人工神经系统(ANS) 神经网络(NN) 自适应系统( Adaptive Systems)、自适应 网( Adaptive Networks) 联接模型( Connectionism) 神经计算机( Neurocomputer) 2004-2-18
2004-2-18 38 1.2.1 人工神经网络的概念 4、别名 • 人工神经系统（ANS） • 神经网络（NN） • 自适应系统（Adaptive Systems）、自适应 网（Adaptive Networks） • 联接模型（Connectionism） • 神经计算机（Neurocomputer）
1.2.2学习( Learning)能力 人工神经网络可以根据所在的环境去改变 它的行为 自相联的网络 异相联的网络:它在接受样本集合A时,可 以抽取集合A中输入数据与输出数据之间的 映射关系。—“抽象”功能。 不同的人工神经网络模型,有不同的学习/ 训练算法 2004-2-18
2004-2-18 39 1.2.2 学习（Learning）能力 • 人工神经网络可以根据所在的环境去改变 它的行为 • 自相联的网络 • 异相联的网络：它在接受样本集合A时，可 以抽取集合A中输入数据与输出数据之间的 映射关系。——“抽象”功能。 • 不同的人工神经网络模型，有不同的学习/ 训练算法
1.2.3基本特征的自动提取 由于其运算的不精确性,表现成“去噪音、 容残缺”的能力,利用这种不精确性,比较 自然地实现模式的自动分类。 普化( Generalization)能力与抽象能力 2004-2-18 40
2004-2-18 40 1.2.3 基本特征的自动提取 • 由于其运算的不精确性，表现成“去噪音、 容残缺”的能力，利用这种不精确性，比较 自然地实现模式的自动分类。 • 普化（Generalization）能力与抽象能力