人工神经网络的全局优化选择

（一）模式识别

模式识别技术是通过构造一个分类模型，或者建立一个分类函数将待处理数据集映射到给定的类别空间中，以便进行描述、辨识、分类和解释的技术，是信息科学和人工智能的重要分支。

人脸识别和指纹识别是进行身份识别的生物识别技术，是基于人的脸部和指纹特征信息，用摄像机或摄像头采集含有人脸和指纹的图像或视频流，并在图像库中检测和跟踪，进而对检测到的人脸和指纹进行识别的技术。人脸和指纹识别的研究始于20世纪60年代，20世纪80年代后随着计算机技术和光学成像技术的发展得到提高。人脸和指纹识识别系统成功的关键在于是否拥有高级的核心算法，而人工神经网络在识别上的优势在于可以通过学习，获得对于图像规则隐形的一种表达，从而避免进行复杂的特征提取，有利于硬件的实现。研究者运用时下流行的深度学习，通过扩展网络结构，增加训练数据，以及在每一层都加入监督信息的方法，在人脸识别领域已经达到99.47%的识别率。

语音识别传统的方法主要利用高斯混合等传统模型对声学的低层特征进行提取，进而识别语音所对应的文字，语音识别的正确率仅有75%左右，难以达到实用水平。而基于深度神经网络的语音识别系统的识别正确率可以达到82.3%左右。采用深度神经网络框架结构，能够将连续的特征信息结合构成高维特征，通过高维特征样本对深度神经网络模型进行训练。

由于深度神经网络采用了类似人脑逐层进行数据特征提取的工作方式，因此更容易得到适合进行模式分类处理的理想特征。

（二）预测评估

预测评估是根据客观对象的已知信息对事物或事件在将来的某些特征、发展状况进行科学测算和评估的活动。具体来说，就是运用各种定性和定量的分析理论与方法，对事物未来发展的趋势和水平进行推测和评价。

人工神经网络用于预测评估，就是利用人工神经网络模仿生物神经网络进行学习、训练、联想、存储的能力，根据已有的数据样本对事物或事件在未来发展的趋势和水平进行预测和评价。目前，人工神经网络在市场预测、风险评估、交通运输预测估计等方面都有很广泛的应用。(www.xing528.com)

对市场的预测分析，可理解为对影响市场供求关系的诸多因素的综合分析。传统的统计经济学方法很难对价格变动做出科学的预测，而人工神经网络则较容易处理不完整的、不确定或规律性不明显的一些数据，所以具有传统方法无法比拟的优势。常见的市场预测估计参量有营收、价格、股票、产量、销售量等。

疾病预测是人工神经网络在医学领域应用的一个典型代表，它可以根据人体生物信号的表现形式和变化规律，去预测和评估疾病的发生概率和可能性，可以在病情未完全爆发之前提早预防和治疗，如癌症病人在病发早期会出现呼吸困难、乏力、疼痛、衰弱、厌食、焦躁和体重下降等外在症状，以及部分血液学指标会出现低外周血ALB、高LDH值等生理指标，这些症状和指标都可作为人工神经网络预测和评估病人患癌症的重要输入和学习参量。Google利用医院信息数据来构建患者的原始信息数据库，包括临床记录、诊断信息、用药信息等数据。采用基于神经网络深度学习的方法来对数据进行学习，经过学习训练后，进行自动临床决策，其准确率超过92%。

基于人工神经网络预测功能的网站生成器可以根据网络使用者的习惯、需求、爱好，对网站信息内容进行修改，帮助网站更新，比网站程序员更快速、更准确，也可以反馈给服务商更多的信息和数据。

（三）优化选择

优化就是采取一定措施使待分析事物或研究对象变得更加优异，而选择就是“去其糟粕，取其精华”，使对象在一定条件下更加优秀和突出。优化问题涉及找到一组非常复杂的非多项式完整问题的解决方案。经典的问题有旅行商问题、车辆调度及信道效率问题等。将人工神经网络用于优化问题，就是使用神经网络算法对研究对象时间复杂度、空间复杂度、正确性、健壮性等因素进行综合考虑和分析。

使用人工神经网络进行优化选择时，计算中往往要求最后的解为系统的全局极小点。如果优化问题是一个凸性优化问题，那么它唯一的一个局部极小点就是全局极小点。如果优化问题是非凸的，则可能会陷入局部极小点，就必须采用其他的方法来使其跳出局部极小点而达到全局极小点。