网络环境下一类中立型神经网络的自适应同步控制算法研究(2)
3.5 本章小结 37
结论 38
致谢 39
参考文献 40
1. 绪论
1.1 人工神经网络背景介绍
人工神经网络(Artificial Neural Network，ANN)是在认识人脑结构和运行机制的基础上，模拟其结构和运行机制形成的由大量处理单元相互连接组成的信息处理系统。人工神经网络是对大脑神经网络系统的一种描述，由很多简单的处理单元(神经元)按照某种方式连接而成，通过其状态对外部的输入信息进行处理。简单来说，人工神经网络是一种数学模型，是人工智能的一种研究方法，可以通过电子线路来实现，也可以通过编程实现[1]。
人工神经网络的研究起源于1800年，Frued在其精神学分析时期做了一些关于人工神经网络系统的研究。1943年，美国心理学家Warren S McCulloch和数学家Walter H Pitts共同开创了对人工神经网络的理论研究，提出了神经元的数学模型(MP模型)。1949年，心理学家D．O．Hebb提出人工神经网络学习机理“突出修正假设”。1957年，Frank Rosenblatt制作了感知器，将人工神经网络的研究从理论阶段转入过程实现阶段，由此开始了世界各国研究人工神经网络的高潮。
目前人工神经网络已在模式识别、信号处理、组织优化、故障诊断、预测估计和经济管理等领域得到了广泛的应用。
1.1.1 生物神经元与人工神经元
人脑是个复杂的信息并行加工处理系统，神经元是人脑最基本的组成单元，也是构成神经系统的基本单元，能够接收和加工处理信息。生物神经元由树突、细胞体、轴突和突触组成，其中树突是生物神经元的输入端，接受其他神经元传递来的信息；细胞体是生物神经元的主体，是生物神经元新陈代谢的中心，负责接收和处理其他神经元传递来的信息；轴突相"-3于生物神经元的输出端，生物神经元通过轴突向其他神经元传递信息；突触连接生物神经元的轴突与其他神经元的树突，实现信息的传递。
人工神经元是对生物神经元的模拟和逼近，经过对生物神经元进行抽象，可以得到如下图的人工神经元模型。
连接权相当于生物神经元的突触，连接权的权值大小决定了各个人工神经元的连接强度，正的连接权值表示激活，负的连接权值表示抑制。求和单元将各个连接权的输入信号加权求和。激活函数(即传输函数)具有非线性映射的作用，对求和单元的输出信号进行加工处理，并通过输出端将处理后的信息传递给其他神经元。
1.1.2 人工神经网络的操作过程和基本功能
人工神经网络的操作有训练学习和正常操作两个过程[2]。在训练学习过程中，把要教给网络的知识(外部输入)作为网络的输入和要求的输出，使网络按照某种规则(训练算法)调节各个人工神经元间的连接权值，直到给定网络输入后就能产生给定的网络输出为止，此时，各个神经元的连接权值已经调节好，网络的学习训练完成；所谓正常操作过程，就是对训练好的网络输入一个信号，网络就能通过计算处理得到相应的输出。
人工神经网络具有联想记忆、非线性映射、分类和识别、优化计算、知识处理等功能。在联想记忆功能方面，人工神经网络通过某种学习机制训练网络，用训练结束后的网络连接权的权值和神经网络结构存储信息，在神经元之间处理信息的集体行为下进行联想记忆。在非线性映射功能方面，现实世界中很多数据变量之间存在着非线性关系，往往难以用传统的数理模型分析各变量间的关系，而人工神经网络可以通过自动学习训练以极高的精度逼近任意复杂的非线性关系。