人工神經網絡
人類的思維能力來自人腦;人腦是一個非常復雜而又高度靈活的神經網絡。它大約由1011個神經元構成,每個神經元上有突觸,又與大約103個其他神經元相連,形成復雜的生物神經網絡。人們通過研究探索人腦神經網絡的結構、功能以及它工作的機制,來研究人腦思維和智能活動的規律。人工神經網絡(Artificial Neural Networks,ANN)是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在這一模型中，大量的節點（或稱“神經元”，或“單元”）之間相互聯接構成網絡，即“神經網絡”，以達到處理信息的目的。

人工神經網絡以對大腦的生理研究成果為基礎的，其目的在于模擬大腦的某些機理與機制，實現某個方面的功能。國際著名的神經網絡研究專家，第一家神經計算機公司的創立者 與領導人Hecht—Nielsen給人工神經網絡下的定義就是：“人工神經網絡是由人工建立的以有向圖為拓撲結構的動態系統，它通過對連 續或斷續的輸入作狀態相應而進行信息處理。” 這一定義是恰當的。 人工神經網絡的研究，可以追溯到 1957年Rosenblatt提出的感知器(Perceptron)模型 。它幾乎與人工智能——AI（Artificial Intelligence）同時起步，但30余年來卻并未取得人工智能那樣巨大的成功，中間經歷了一段長時間的蕭條。直到80年代，獲得了關于 人工神經網絡切實可行的算法，以及以Von Neumann體系為依托的傳統算法在知識處理方面日益顯露出其力不從心后，人們才重新對 人工神經網絡發生了興趣，導致神經網絡的復興。 目前在神經網絡研究方法上已形成多個流派，最富有成果的研究工作包括：多層網絡 BP算法，Hopfield網絡模型，自適應共振理 論，自組織特征映射理論等。人工神經網絡是在現代神經科學的基礎上提出來的。它雖然反映了人腦功能的基本特征，但遠不是自然 神經網絡的逼真描寫，而只是它的某種簡化抽象和模擬。

人工神經網絡的以下幾個突出的優點使它近年來引起人們的極大關注：

(1)可以充分逼近任意復雜的非線性關系；

(2)所有定量或定性的信息都等勢分布貯存于網絡內的各神經元，故有很強的魯棒性和容錯性；

(3)采用并行分布處理方法，使得快速進行大量運算成為可能；

(4)可學習和自適應不知道或不確定的系統；

(5)能夠同時處理定量、定性知識。

人工神經網絡的特點和優越性，主要表現在三個方面：

第一，具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡，網絡就 會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對于預測有特別重要的意義。預期未來的人工神經網絡計算機將為人類提 供經濟預測、市場預測、效益預測，其應用前途是很遠大的。

第二，具有聯想存儲功能。用人工神經網絡的反饋網絡就可以實現這種聯想。

第三，具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型 人工神經網絡，發揮計算機的高速運算能力，可能很快找到優化解。

人工神經網絡的應用研究可分為以下兩類：

1)．神經網絡的軟件模擬和硬件實現的研究。

2)．神經網絡在各個領域中應用的研究。這些領域主要包括：模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。 隨著神經網絡理論本身以及相關理論、相關技術的不斷 發展，神經網絡的應用定將更加深入。