仿生智能计算的研究+文献综述(2)
20世纪50年代以后一段时间，符号智能体系取得了巨大的成功，但80年代中期以来，这种经典人工智能的发展由辉煌转入相对停滞， 而计算智能在神经网络的带动下异军突起。与生命科学、系统科学密切联系是计算智能的突出特点，正是由于这个特点，不仅计算机科学家，而且众多其他学科的学者也加入到计算智能的研究中来，极大促进了它的发展。
2 人工神经网络
2.1 提出问题
神奇的大脑无时无刻在吸引着科学家们的兴趣。人类的大脑如何工作的呢？在计算机上能够仿照大脑工作的原理吗？
2.2 解决方法
科学家们发现，大脑工作的基本单位是神经元，即神经细胞。神经元主要由细胞体、多个树突和一个轴突三部分组成，形成了大脑处理信息的基本单元。
人工神经网络是科学家们在对生物的神经元、神经系统等生理学的研究取得了突破性进展及对人脑的结构、形成和基本工资单元有了进一步认识的基础上，通过借助数学和物理的方法从信息的角度对人脑神经网络进行抽象后建立的模型。
2.3 人工神经元的工作过程
人工神经网络是由大量处理单元经广泛互连而组成的人工网络，用来模拟人脑神经系统的结构和功能。而这些处理单元称为人工神经元。人工神经元的形式化模型种类很多，最常见的有M-P 模型、线性加权模型和阈值逻辑模型。下面通过M-P 模型来简单的介绍人工神经元的工作过程。图1为M-P 神经元模型图。
图1 M-P神经元模型
人工神经网络中的每一个神经元都可以接受一组来自该网络中其他神经元的输入信号，并且每个输入信号有一定的强度，用连接权值来表示，所有输入信号的加权和决定该神经元的激活状态。假设来自其他处理单元（神经元）i的输入信息为xi，它们与该处理单元的相互作用强度即连接权值为 (i=0,1,...,n-1)，处理单元的内
部阈值为θ。那么该处理单元的输入为： ，输出为： 。此式中f称为激发函数或作用函数，它决定了神经元的输出。该输出为1或0取决于其输入和大于或小于内部阈值θ。激发函数一般具有非线性特性。常用的非线性激发函数有阈值型，分段线性型Sigmoid函数型（简称S型）和双曲正切型。
2.4 人工神经网络的发展
人工神经网络（Artificial Neural Network，ANN）是脑科学、神经心理学和信息科学等多学科的交叉研究领域，是近年来高科技领域的一个研究热点。它的研究目标是通过研究人脑的组成机理和思文方式，进而通过模拟人脑的结构和工作模式使机器具有类似人类的智能。人工神经网络的发展已有60 多年的历史。早在1943 年，美国心理学家McCulloch 和数学家Pitts 联合提出了形式神经元的数学模型，即经典的M-P 模型，从此开创了神经科学理论的新纪元。其后，Rosenblatt、Widrow 和Hoff 等学者又先后提出了感知器模型，使得人工神经网络技术得以蓬勃发展。20 世纪吹冰七十年代是人工神经网络发展的低谷期，直到1982 年加州大学的物理学家Hopfield 提出了Hopfield 网络模型并用电路实现，人工神经网络的研究重新进入了兴盛时期。
2.5 人工神经网络优缺点
人工神经网络具有如下优点：
1. 与各门现代科学技术紧密合作，相互促进。
2. 神经网络在工作时具有高速度和潜在的超高速。
3. 具有容错和容差能力。
4. 适合于求解难于找到好的求解规则的问题(如模式识别)。
人工神经网络具有如下缺点：
1. 难千精确分析神经网络的各项性能指标。
2. 不宜用来求解必须得到正确答案的问题。
上一篇：遗传算法应用于天线阵优化研究