介紹
神經網絡（Neural Networks,NN）是由大量的、簡單的處理單元（稱為神經元）廣泛地互相連接而形成的複雜網絡系統，它反映了人腦功能的許多基本特征，是一個高度複雜的非線性動力學習系統。神經網絡具有大規模并行、分布式存儲和處理、自組織、自适應和自學能力，特别适合處理需要同時考慮許多因素和條件的、不精确和模糊的信息處理問題。神經網絡的發展與神經科學、數理科學、認知科學、計算機科學、人工智能、信息科學、控制論、機器人學、微電子學、心理學、光計算、分子生物學等有關，是一門新興的邊緣交叉學科。
神經網絡的基礎在于神經元。
神經元是以生物神經系統的神經細胞為基礎的生物模型。在人們對生物神經系統進行研究，以探讨人工智能的機制時，把神經元數學化，從而産生了神經元數學模型。
大量的形式相同的神經元連結在—起就組成了神經網絡。神經網絡是一個高度非線性動力學系統。雖然，每個神經元的結構和功能都不複雜，但是神經網絡的動态行為則是十分複雜的；因此，用神經網絡可以表達實際物理世界的各種現象。
神經網絡模型是以神經元的數學模型為基礎來描述的。人工神經網絡(ArtificialNuearlNewtokr)s,是對人類大腦系統的一階特性的一種描。簡單地講,它是一個數學模型。神經網絡模型由網絡拓撲．節點特點和學習規則來表示。神經網絡對人們的巨大吸引力主要在下列幾點：
1．并行分布處理。
2．高度魯棒性和容錯能力。
3．分布存儲及學習能力。
4．能充分逼近複雜的非線性關系。
在控制領域的研究課題中，不确定性系統的控制問題長期以來都是控制理論研究的中心主題之一，但是這個問題一直沒有得到有效的解決。利用神經網絡的學習能力，使它在對不确定性系統的控制過程中自動學習系統的特性，從而自動适應系統随時間的特性變異，以求達到對系統的最優控制；顯然這是一種十分振奮人心的意向和方法。
人工神經網絡的模型現在有數十種之多，應用較多的典型的神經網絡模型包括BP神經網絡、Hopfield網絡、ART網絡和Kohonen網絡。
神經元的生物學解剖
在人體内，神經元的結構形式并非是完全相同的；但是，無論結構形式如何，神經元都是由一些基本的成份組成的。神經元的生物學解剖可以用圖1—1所示的結構表示。從圖中可以看出：神經元是由細胞體，樹突和軸突三部分組成。
細胞體
細胞體是由很多分子形成的綜合體，内部含有一個細胞核、核糖體、原生質網狀結構等，它是神經元活動的能量供應地，在這裡進行新陳代謝等各種生化過程。神經元也即是整個細胞，整個細胞的最外層稱為細胞膜。
樹突
細胞體的伸延部分産生的分枝稱為樹突，樹突是接受從其它神經元傳入的信息的入口。
軸突
細胞體突起的最長的外伸管狀纖維稱為軸突。軸突最長可達1米以上。軸突是把神經元興奮的信息傳出到其它神經元的出口。
突觸是一個神經元與另一個神經元之間相聯系并進行信息傳送的結構。如圖1—2所示。它由突觸前成分，突觸間隙和突觸後成分組成。突觸前成分是一·個神經元的軸突末梢。突觸間隙是突觸前成分與後成分之間的距離空間，間隙一般為200—300Å。突觸後成分可以是細胞體，樹突或軸突。突觸的存在說明：兩個神經元的細胞質并不直接連通，兩者彼此聯系是通過突觸這種結構接口的。有時．也把突觸看作是神經元之間的連接。
目前，根據神經生理學研究，已經發現神經元及其間的突觸起碼有4種不同行為。神經元4種生物行為有：
(1)能處于抑制或興奮狀态；
(2)能産生爆發和平台兩種情況；
(3)能産生抑制後的反沖；
(4)具有适應性。
突觸的4種生物行為有：
(1)能進行信息綜合；
(2)能産生漸次變化的傳送；
(3)有電接觸和化學接觸等多種連接方式；
(4)會産生延時激發。
目前，人工神經網絡的研究僅僅是對神經元的第一種行為和突觸的第一種行為進行模拟，其它行為尚未考慮。所以，神經網絡的研究隻是處于起步的初級階段，後邊還有大量的工作等人們去探讨和研究。目前，神經網絡的研究已向人們展示了其美好的前景；隻要按階段不斷取得進展，神經元和突觸的其它行為是完全可以實現人工模拟的。
神經元的信息處理與傳遞
神經元的興奮與抑制
人工神經網絡對神經元的興奮與抑制進行模拟，故而首先應了解神經元的興奮與抑制狀态。
一個神經元的興奮和抑制兩種狀态是由細胞膜内外之間不同的電位差來表征的。在抑制狀态，細胞膜内外之間有内負外正的電位差，這個電位差大約在-50—-100mv之間。在興奮狀态，則産生内正外負的相反電位差，這時表現為約60—100mv的電脈沖。細胞膜内外的電位差是由膜内外的離子濃度不同導緻的。細胞的興奮電脈沖寬度一般大約為1ms。神經元的興奮過程電位變化如圖1—3所示。
圖1-3.神經元的興奮過程電位變化
神經元的信息傳遞及閥值特性
對神經細腦的研究結果表明：神經元的電脈沖幾乎可以不衰減地沿着軸突傳送到其它神經元去。
由神經元傳出的電脈沖信号通過軸突，首先到達軸突末梢，這時則使其中的囊泡産生變化從而釋放神經遞質，這種神經遞質通過突觸的間隙而進入到另一個神經元的樹突中。樹突上的受體能夠接受神經遞質從而去改變膜向離子的通透性．使膜外内離子濃度差産生變化；進而使電位産生變化。顯然，信息就從一個神經元傳送到另一個神經元中。
當神經元接受來自其它神經元的信息時，膜電位在開始時是按時間連續漸漸變化的。當膜電位變化經超出一個定值時，才産生突變上升的脈沖，這個脈沖接着沿軸突進行傳遞。神經元這種膜電位高達一定閥值才産生脈沖傳送的特性稱閥值特性。
這種閥值特性從圖1—3中也可以看出。
神經元的信息傳遞除了有閥值特性之外，還有兩個特點。一個是單向性傳遞，即隻能從前一級神經元的軸突末梢傳向後一級神經元的樹突或細胞體，不能反之。另一個是延時性傳遞．信息通過突觸傳遞，通常會産生0.5-1ms的延時。
神經元的信息綜合特性
神經元對來自其它神經元的信息有時空綜合特性。
在神經網絡結構上，大量不同的神經元的軸突末梢可以到達同一個神經元的樹突并形成大量突觸。來源不同的突觸所釋放的神經遞質都可以對同一個神經元的膜電位變化産生作用。因此，在樹突上，神經元可以對不同來源的輸入信息進行綜合。這就是神經元對信息的空間綜合特性。
對于來自同一個突觸的信息，神經元可以對于不同時間傳人的信息進行綜合。故神經元對信息有時間綜合特性。
基本特征
神經網絡具有四個基本特征：
非線性
非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現象。人工神經元處于激活或抑制二種不同的狀态，這種行為在數學上表現為一種非線性關系。具有阈值的神經元構成的網絡具有更好的性能，可以提高容錯性和存儲容量。
非局限性
一個神經網絡通常由多個神經元廣泛連接而成。一個系統的整體行為不僅取決于單個神經元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模拟大腦的非局限性。聯想記憶是非局限性的典型例子。
非常定性
人工神經網絡具有自适應、自組織、自學習能力。神經網絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統本身也在不斷變化。經常采用叠代過程描寫動力系統的演化過程。
非凸性
一個系統的演化方向，在一定條件下将取決于某個特定的狀态函數。例如能量函數，它的極值相應于系統比較穩定的狀态。非凸性是指這種函數有多個極值，故系統具有多個較穩定的平衡态，這将導緻系統演化的多樣性。
應用
神經網絡的應用已經涉及到各個領域，且取得了很大的進展。
自動控制領域
主要有系統 建模和辨識，參數整定，極點配置，内模控制，優化設計，預測控制，最優控制，濾波與預測容錯控制等。
處理組合優化問題
成功解決了旅行商問題，另外還有最大匹配問題，裝箱問題和作業調度問題。
模式識别
手寫字符，汽車牌照，指紋和聲音識别，還可用于目标的自動識别，目标跟蹤，機器人傳感器圖像識别及地震信号的鑒别。
圖像處理
對圖像進行邊緣監測，圖像分割，圖像壓縮和圖像恢複。
信号處理
能分别對通訊、語音、心電和腦電信号進行處理分類；可用于海底聲納信号的檢測與分類，在反潛、掃雷等方面得到應用。
機器人控制
對機器人軌道控制，操作機器人眼手系統，用于機械手的故障診斷及排除，智能自适應移動機器人的導航，視覺系統。
衛生保健醫療
在乳房癌細胞分析，移植次數優化，醫院費用節流，醫院質量改進，疾病診斷模型等方面均有應用。比如通過訓練自主組合的多層感知器可以區分正常心跳和非正常心跳、基于BP網絡的波形分類和特征提取在計算機臨床診斷中的應用。
焊接領域
國内外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。
經濟
能對商品價格、股票價格和企業的可信度等進行短期預測
另外，在數據挖掘、電力系統、交通、軍事、礦業、農業和氣象等方面亦有應用。
