1、人工神经网络有哪些类型

人工神经网络模型主要考察神经元间的连接模式以及单个神经元的基本特性与适应机制等要素。当前研究领域已知存在大约40种不同的神经网络模型体系,其中包括反向传播型网络（如反传网络）、感知器型结构、自组织映射架构（SOM）、Hopfield网路系统等,其中还包括波尔兹曼机理论框架与适应谐振理论指导下的各种变体类型。根据神经元之间的连接模式,可将这些模型系统划分为以下几类:

（1）前馈型架构：在这种架构下,各层神经元仅接受上一层的信息并传递给下一层,整个系统中不存在反馈连接,其信息处理机制可基于有向无环图进行建模描述。这种系统的计算能力源自于多层非线性变换过程,而其结构设计则相对简单直观,易于实现部署与部署环境支持。以反向传播型人工神经网络为例,该架构被认为是目前应用最广泛的主流技术类型之一

（2）反馈型系统：这类系统中的神经元之间存在双向或回路式的联系关系,其整体行为特征可采用无向完全图进行表征描述。与前馈型架构相比,这类系统的动态行为建立在状态转换基础之上,通常利用动力学系统理论进行分析研究。值得注意的是,系统的稳定性特征与其联想记忆能力之间存在着密切关联

谷歌人工智能写作项目：小发猫

2、神经网络算法的人工神经网络

人工神经网络（Artificial Neural Networks, ANN）系统是20世纪40年代后期出现的一种仿生智能系统。（https://www.gozuowen.com/v/人工神经网络与时间反应系列.html "人工神经网络与时间反应系列")

3、简述人工神经网络受到哪些生物神经网络的启发

人工神经网络最初目的是为了模仿人脑的架构以实现难以传统算法解决的任务

基于对人类中枢神经系统观察的概念是人工神经网络。在人工神经网络中，由这些简单的节点构成的网状结构类似于生物神经系统中的网状结构，并被称为人工神经元（artificial neurons）。

基于一组称为人工神经元的连接单元或节点构建的人工神经网络能够模拟生物大脑中神经元的工作机制。每一个连接都像生物大脑中的突触一样能传递信息。

人工神经元接收到输入信号后进行处理，并能够向与其相连的神经元传递信息。在连接处的信息量表现为一个实数数值，在这种情况下每个神经元的行为由其输入总和经过特定非线性变换来决定。这些连接关系被称为边。

神经元与边缘通常带有权重，在学习过程中会发生变化；这些权重会增大会或降低连接处的信号强度；每个神经元可能有一个阈值，在此阈值之上才会传递信号；通常情况下，许多神经元会聚合成层；这些不同的层级能够对输入进行独特的转换处理；信息从输入层面开始传递到输出层面，并可能经过多轮传递处理

当代神经网络是一种非线性的统计数据建模工具；其一般采用一种基于数学统计学方法的学习机制进行优化；因此也是数学统计学领域中的一种具体应用；通过运用这些标准的数学模型和理论框架；我们可以系统地构建出大量具有函数表达能力的局部结构空间；

从另一个角度来看，在人工智能领域的感知层面中运用数学统计学来处理感知问题（即采用统计方法）。与传统的形式逻辑推理方法相比而言这种方法更具优势

和其他机器学习方法类似，
神经网络已被用来处理一系列复杂多样的问题，
包括但不限于机器视觉与语音识别。
这些问题难以传统基于规则的编程来有效地处理。

构成

archStructures指定网络中的参数及其拓扑关系。例如，在neuronal networks中参数可以是单元间连接权重以及单元活动值。

2、激励函数（Activation Rule）大多数神经网络模型都包含一个基于短时间尺度的动力学规则系统（Dynamic System），用于描述神经元如何根据其他神经元的活动状态来调节自身的激活值（Activation Value）。通常情况下，激励函数基于该网络中的参数进行计算（即该网络的权重）。

3、 学习法则（Learning Rule）规定了网络中权重在时间流逝过程中如何进行调整。通常被视为一种长期视角下的动态学规律。在大多数情况下，默认情况下，默认情况下，默认情况下，默认情况下，默认情况下，默认情况下，默认情况下，默认情况下，默认情况下，默认情况下 getDefault的情况下,默认情况,默认情况,默认情况,默认情况,默认情况,默认情况,默认情况,默认情况 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下 getDefault的情况下

输入层中的神经元会受到输入图像数据的激活作用。经过加权求和并应用预设函数处理后,这些神经元将计算出的激活值传递给下一个层。这一过程会持续进行下去,直到到达输出层并触发兴奋性反应为止。最终输出层的激活强度将决定系统识别出的具体字符是什么。

4、请介绍一下人工神经网络，和应用 5

一.一些基本常识和原理
[什么叫神经网络?]
人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
[人工神经网络的工作原理]
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

关于一个神经网络模拟程序的下载
人工神经网络实验系统(BP网络) V1.0 Beta 作者:沈琦

作者对此程序进行了详细说明：
通过查看输出结果可以看出，在应用了前三个带有标记的“学习”指令后，“输出”神经元达到了数值0.515974。随后应用了另外三个带有标记的“学习”指令，“输出”神经元达到了数值0.520051。
再观察处理编号4和11的操作P *Out1：其结果显示为P *Out1: 0.520051，请注意看这组数据看到了吗？大脑识别出编号4和11属于第二类！怎么样？很神奇吧？
接下来输入"show"指令试试看："神经网络"已经构建完毕！你可以随意设定新的"模式"让这个"大脑"进行学习区分哦！只要提供的样本数据量充足（允许存在误差），并且能够在"out"数据上实现收敛性训练的话："大脑"就能达到较高的识别准确性哦！然而并非总是精确无误：这是因为该系统具有一定的"模糊性处理能力".观察P *Out2的值接近哪个Learning目标值时：就可以判断这是由大脑做出的"模糊性判别".

(旧版,枫舞推荐)
国际神经网络学会(INNS)(英文)

欧洲神经网络学会(ENNS)(英文)

亚太神经网络学会(APNNA)(英文)

日本神经网络学会(JNNS)(日文)

国际电气工程师协会神经网络分会

研学论坛神经网络

人工智能研究者俱乐部

2nsoft人工神经网络中文站

=================================================
推荐部分书籍:
人工神经网络技术入门讲稿(PDF)

神经网络FAQ(英文)

数字神经网络系统(电子图书)

神经网络导论(英文)

===============================================
一份很有参考价值的讲座
<前向网络的敏感性研究>

这是一个PowerPoint文件, 文件体积较大. 如果您的网络速度较慢, 建议您使用鼠标右键点击文件并选择"另存为"选项.
已经尽力为你提供各种优质的学习资源啦！

5、人工神经网络的知识表示形式和推理机制

神经网络有多种分类方法，例如说根据性能特点分为连续型和离散型两种类型：其中又可进一步划分为确定性和随机性两种类型（如连续型对应确定性而离散型则对应随机性）。从拓扑结构上讲，则主要包含前馈结构和反馈结构两种主要类型。本章重点将对前馈、回环以及自组织特征映射等三种典型神经元模型进行介绍。

作为在数据挖掘领域广泛应用的Network架构

基本特征

自然界的绝大多数现象都呈现出非线性特征。人类大脑的整体运作机制本质上是一种复杂的非线性系统。单个人工神经元可呈现两种动态状态——激活态与抑制态。这种动态行为可通过数学模型来精确描述。引入阈值机制后构建的神经网络体系展现出显著的优势。其显著优点在于显著提升了系统的容错能力，并大幅增加了信息存储容量。

一个神经网络主要由多个神经元通过紧密联结构成。单一神经元的特征可能不是系统整体行为的关键因素；相反地，系统的整体行为往往主要依赖于各单元间的相互作用和相互连接。通过许多单元间的紧密联系来模拟大脑表现出的非局限性特质。联想记忆是表现系统非局限性最能体现的例子。

以上内容参考：

6、BP人工神经网络

人工神经网络（artificial neural network, ANN）是由大量与自然神经系统相类似的神经元进行连接而构成的一种系统结构, 是以工程技术为基础模仿生物体网络组织特征及功能特性构建而成的一类智能信息处理系统。该系统不仅具备常规的数据处理能力和复杂问题求解能力, 还能够模拟知识获取、自主学习和信息存储等认知过程, 通过自我训练优化连接权重, 在识别输入模式与预测输出结果方面表现出色；在执行问题和求解时, 将所获取的数据输入到已经训练好的模型中, 在基于已有知识经验的基础上完成推理运算, 最终得出合理可靠的结论与预期结果。

在岩土工程领域中存在大量具有非线性特性的挑战，在这种情况下变量间的关系极为复杂，并且难以精确建立明确的数学或力学模型来描述。实测数据的代表性受到测点位置、覆盖范围及测量手段的影响，在某些情况下很难满足传统统计方法所需的统计条件和规律；同时伴随的是岩土工程信息所具有的高度复杂性和不确定性。因此采用神经网络方法来解决岩土工程问题是一种合理的选择。

BP神经网络模型是Backpropagation（BP）神经网络模型的简称。该体系结构主要包括输入层、中间（隐含）层以及输出层三个组成部分。其学习过程主要涉及对各层级节点间连接权值的逐步优化调整，在这一过程中包含两个主要阶段：正向传播与反向传播。具体而言，在正向传播过程中, 输入模式从输入层面开始依次传递至中间层面, 并最终到达输出层面; 而反向传播过程中, 均方误差信息将从输出层面逆向传递至中间层面, 并最终反馈至输入层面, 通过修正各层次节点间的权重参数, 实现整体误差最小化的目标

BP神经网络模型在开发和运用阶段中存在主要缺点和改进建议。这些方面主要包括以下几个部分。

对于神经网络系统而言，在数据量越大时其训练效能显著提升同时也更能贴近真实情况。然而受限于各种限制因素 在实际操作中难以获取大量样本用于训练 从而使样本数量呈现偏少的状态

BP网络模型在运行效率方面表现不佳，并且难以表征预测值与相关参数间的亲疏程度。

（3）基于定量数据构建模型，在获取充足资料的前提下，将定性指标（包括但不限于基坑降水方式、基坑支护模式以及施工工况等）与一些容易获取的定量指标相结合作为输入层，并将评价等级设为输出层。这样构建的BP神经网络模型能够更加精确全面地实现预测目标。

（4）该系统兼具非线性和智能化特性。其优势在于综合考虑了定性和定量分析、精确推理与不确定性处理等多方面因素。然而样本差异导致各要素权重出现变动，并在将定性参数转化为定量指标时也会产生影响。因此，在实际应用中应根据不同基坑工况及周边环境特征，并针对用户的具体需求采取相应的评估标准才能有效完成复杂地质环境下系统的评估任务，并取得了较为理想的应用效果

7、一个完整的人工神经网络包括

人工神经网络主要架构是由神经元、层和网络三个部分组成。整个人工神经网络包含一系列基本的神经元、通过权重相互连接。
神经元是人工神经网络最基本的单元。单元以层的方式组，每一层的每个神经元和前一层、后-层的神经元连接，共分为输入层、输出层和隐藏层，三层连接形成一-个神经网络。
输入层只从外部环境接收信息，是由输入单元组成，而这些输入单元可接收样本中各种不同的特征信息。该层的每个神经元相当于自变量，不完成任何计算，只为下一层传递信息；隐藏层介于输入层和输出层之间，这些层完全用于分析，其函数联系输入层变量和输出层变量，使其更配适数据。
而最后，输出层生成最终结果，每个输出单元会对应到某一种特定的分类，为网络送给外部系统的结果值，，整个网络由调整链接强度的程序来达成学习的目的。

8、BP神经网络的发展历史

人工神经网络早期的研究工作应追溯至上世纪40年代。下面以时间顺序，以著名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异或这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。