神经网络在虚拟现实与人工智能应用技术中的适用范围

神经网络能用来解决多种问题，但并不是擅长解决所有问题。可以把要解决的问题分为四种情况：第一种情况是除了神经网络方法还没有已知的其他解决方法；第二种情况是或许存在别的处理方法，但使用神经网络显然最容易给出最佳的结果；第三种情况是用神经网络与用别的方法性能不相上下，且实现的工作量也相当；第四种情况是显然有比使用神经网络更好的处理方法。为了在不同情况下使用最适合的方法，首先要判断待解决的问题属于以上哪一种情况。这种判断需始终着眼于系统进行，力求最佳的系统整体性能。

一般最适合于使用神经网络分析的问题类应具有如下特征：关于这些问题的知识（数据）具有模糊、残缺、不确定等特点，或者这些问题的数学算法缺少清晰的解析分析。然而最重要的还是要有足够的数据来产生充足的训练和测试模式集，以有效地训练和评价神经网络的工作性能。训练一个网络所需的数据量依赖于网络的结构、训练方法和待解决的问题。例如，对BP网来说，对每个输出分类大约需要十几个至几十个输入模式向量；而对自组织网络来说，在选择输出节点数时，需要把估计的分类数作为一个因素考虑在内，因此每种可能的分类取十几至几十个模式只是指导性的出发点。设计测试模式集所需要的数据量与用户的需求和特定应用密切相关。因为神经网络的性能必须用足够的检测实例和分布来表示，而用于分析结果的统计方法和特性指标必须有意义和有说服力。对于哪些问题用神经网络解决效果最好，开发者需要逐渐积累经验，总结出自己的原则。

当确定一个问题要用神经网络解决后，接着就要确定用什么样的网络模型和算法。如果有一组确知分类的输入模式数据，就可通过训练BP网络开始试探解决问题。若不知道答案（分类）应该是什么，可从某种自组织学习网络结构入手。试验时可尝试使用不同的网络结构和网络参数（如学习率或动量系数等），并对其效果进行比较。(www.xing528.com)

神经网络在应用中常常作为一个子系统在系统中的一个或多个位置出现，系统中的一个或多个神经网络往往起着各种各样的作用，在系统的详细设计过程中，要尽可能开放思路，考虑不同的作用与组合。事实上，在许多应用中都使用二十个网络或多次使用网络，还有可能采用子网络构造大结构，甚至不同的网络也可拓扑组合成一个单一的结构。例如，用白组织网络对数据进行预处理，然后用其输出节点作为执行最终分类的反向传播网络的输入节点。

又如，神经网络可作为专家系统中的数据预处理子系统，或作为从原始数据中提取参数的特征提取子系统。有时需要将多个网络模型结合使用，其中每个网络均作为综合网中的子网出现。总之，神经网络在实际应用中存在许多可能的形式，因此应用神经网络解决问题时要放开思路。