神经网络原理与结构分析

（一）人工神经元结构

人工神经网络的基本结构单元为神经元［2］，它是对生物神经元的一种形式化表述，它对生物神经元的信息处理，用数学语言表达，对结构和功能进行模拟并用模型图予以表达。作为人脑最小单元的神经元，都是由细胞体、树突、轴突、突触等四部分组成。生物神经元中的细胞体相当于一个处理器，树突和细胞体为输入端，接受突触点的输入信号，突触为输入输出接口。该处理器对各树突和细胞体各部收到的来自其他神经元的输入信号进行组合，并在一定条件下触发，产生一个输出信号，输出信号传向其他神经元的树突和细胞体。

连接机制结构的基本单元与神经生理学类比称为神经元，每个构造起网络的神经元模型模拟一个生物神经元，如图6－1所示［3］。

图6－1　人工神经元结构

该神经元单元由多个输入，i＝1，2，…，n和一个输出y组成，中间状态由输入信号的权和表示，而输出为：

式（6－1）中，j为神经元单元的偏值（阀值），wji为连接权系数（对于激发状态，wji取正值，对于抑制状态，wji取负值），n为输入信号数目，yj为神经元输出，t为时间，f（　）为输出变化函数，又叫激发函数，往往采用0和1二值函数或S型函数。(www.xing528.com)

（二）人工神经网络的特点

人工神经网络的特点：

（1）非线性：人工神经元处于激活或抑制两种不同的状态，该行为在数学上表现为一种非线性关系；

（2）非局限性：一个神经网络通常由多个神经元广泛连接而成，一个系统的整体行为不仅取决于单个神经元的特征，可以通过单元之间的大量连接模拟大脑的非局限性；

（3）非常定性：人工神经网络具有自适应、自组织、自学习能力，神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化；

（4）非凸性：一个系统的演化方向，在一定条件下将取决于某个特定的状态函数，例如能量函数，它的极值相应于系统比较稳定的状态，非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。

人工神经网络在处理和解决问题时，不需要精确的数学模型，而是通过其强大的自学习能力和结构的可变性，逐步适应外部环境各因素的作用，不断修改自身行为，以达到最终解决问题的目的［1］。其实，神经网络的数学理论本质是非线性数学理论，它以权值描述变量与目标之间特殊关系，实际上是一种描述变量与目标变量之间特殊的非线性回归分析，因此，应用神经网络模型来解决非线性回归问题是顺理成章的事情［4］。过去的十多年中，一些学者提出一些神经网络模型，用神经网络的非线性特性去逼近一个时间序列或者一个时间序列的变型，来克服线性预测方法的局限性，实现大量非线性、含有多元问题的过程预测［5］。