神经网络的基本原理-地下结构

人工神经网络（Artificial Neural Network，ANN）是模拟人脑的由大量简单神经元组成的网状结构和并行信息处理过程，着重于计算智能的拓扑结构。

神经网络所具有的各类特征可以归纳为结构特征和功能特征。人工神经网络的基本结构模仿人脑，由大量人工神经元相互连接而成，网络中每个神经元都可根据收到的信息进行独立运算和处理，然后输出结果并传递给下一层作进一步处理。这样，即使单个神经元结构简单、功能有限，但大量神经元大规模群体协同工作使得该神经系统所能实现的行为是极其丰富多彩和快速灵敏的。结构上的并行性使得神经网络的信息存储必然采用分布方式，即利用神经元之间的连接及其权值表示特定信息（也即神经网络将信息存储分布于网络的不同位置）。这样所带来的好处是，在局部网络受损或输入信号因各种原因发生部分畸变时仍能保证网络整体相对正确地输出，从而提高了网络的容错性和鲁棒性。生物神经网络既包含空间上的容错性也包含时间上的容错性，人工神经网络模型就理论而言与人脑在结构上具有某些同构性，也具有良好的容错性。

神经网络的功能特征包括自学习、自组织与自适应性。自适应性是指一个系统能够改变自身性能以适应环境的变化，自适应性广义上包含了自学习和自组织两层含义。人工神经网络的自组织能力是建立在其学习能力之上的，在形式上通过结构和数据的自组织来实现。神经网络自学习和自组织的性质使其在处理信息时便于综合、聚类、推广和联想。一般而言，神经元之间的连接权值通过神经网络对训练样本的学习而不断调整变化，并且随着训练样本总量和训练次数的增加，某些神经元之间的连接权值会不断增加，从而增强了神经网络对这些样本特征的反应灵敏度。(www.xing528.com)

迄今为止，在人工神经网络的研究领域中，神经网络有数十种模型， 比较典型的有BP网络、Hopfieed网络、CPN网络、ART网络以及Daruin网络等。在这些众多的神经网络模型中，多层前向BP神经网络（误差逆传播，Error Back-propagation Network）是目前应用最广泛的一种神经网络模型。下面介绍BP网络、Hopfield网络及其在结构优化中的应用方法。