神经网络算法

神经网络算法一种逻辑思维能力强的高级计算机算法，一般采用人工神经网络（Artificial Neural Networks），可应用于模式识别、信号处理、专家系统、优化组合、机器人控制等方面，目前非常流行（Artificial Intelligence）一个分支。

逻辑思维是指根据逻辑规则进行推理的过程；它首先将信息转化为概念，并用符号表示，然后根据符号操作和串行模式进行逻辑推理；这个过程可以写成串行指令，供计算机执行。然而，直观的思维是将分布式存储的信息结合起来，结果是突然的想法或解决问题的方法。这种思维方式的根本点是以下两点：1.信息通过神经元上的兴奋模式存储在网络上；2.信息处理是通过神经元之间相互作用的动态过程来完成的。

神经网络由以下几部分组成：

输入层（input layer），隐含层（Hidden layer），输出层（output layer）

神经网络的特点：

1、每层由单元（units）组成

2、输入层是具有训练集的实例特征向量传入

3、权重通过连接点（weight）输入下一层，一层输出为下一层输入

4、隐含层的数量可以是任意的，输入层有一层，输出层有一层

5、根据生物学来源定义，每个单元也可以称为神经结点

6、以上是两层神经网络，输入层不在里面

7、一层加权求和，然后根据非线性方程转换输出

8、理论上，作为一个多层向前神经网络，如果有足够的隐含层和训练集，可以模拟任何方程

人工神经网络实际上是模拟人类思维的第二种方式。这是一个非线性动力学系统，其特点是信息的分布式存储和并行处理。虽然单个神经元的结构极其简单，功能有限，但由大量神经元组成的网络系统所能实现的行为极其丰富多彩。人工神经网络由大量简单的基本元素组成——由神经元连接而成的自适应性非线性动态系统。每个神经元的结构和功能相对简单，但由大量神经元组合产生的系统行为非常复杂。

人工神经网络反映了人脑功能的几个基本特征，但它不是生物系统的真实描述，而是一种模仿、简化和抽象。与数字计算机相比，人工神经网络在组成原理和功能特征上更接近人脑。它不是按照给定的程序一步一步地进行操作，而是能够适应环境，总结规则，完成某种操作、识别或过程控制。

人工神经网络的基本结构模仿人脑，具有并行处理的特点，可以大大提高工作速度。神经网络可用于分类（classification）回归问题也可以解决（regression）问题。

神经网络算法中最著名的算法是BP算法，BP（Back Propagation）算法又称误差反向传播算法，是人工神经网络中的一种监督学习算法。它是一个通过迭代处理训练集中的例子，比较输人层预测值和真实值之间的误差，然后通过反向法（从输出层）=>隐含层=>输入层)更新每个连接的权重，以最小化误差。BP 理论上，神经网络算法可以接近任何函数，基本结构由非线性变化单元组成，具有很强的非线性映射能力。此外，可根据具体情况设置网络中间层数、各层处理单元数、网络学习系数等参数，非常灵活，在优化、信号处理和模式识别、智能控制、故障诊断等领域具有广阔的应用前景。

神经网络算法作为一种先进的算法，学习的难度也超出了我们的想象，本文只是一个简单的介绍。我们只是品尝，没有深入，也没有勇气深入说话，因为在短时间内真的很难理解。除了准备好查阅信息外，想要深入学习的朋友还应该为一场持久的战斗做好准备。当然，你也可以在这个网站上查看相关信息java学习课程让自己更快地掌握这项高级技术，同时为自己填补空白。