【精编医学资料】人工神经网络PPT.pptx

人工神经网络ArtificialNeuralNetworks概述简单来说大脑是由大量神经细胞或神经元组成的。每个神经元可看作是一个小的处理单元这些神经元按某种方式连接起来形成大脑内部的生理神经元网络。这种神经元网络中各神经元之间联结的强弱按外部的鼓励信号做自适应变化而每个神经元又随着所接收到的多个接收信号的综合大小而呈现兴奋或抑制状态。现已明确大脑的学习过程就是神经元之间连接强度随外部鼓励信息做自适应变化的过程而大脑处理信息的结果那么由神经元的状态表现出来。由于我们建立的信息处理系统实际上是模仿生理神经网络因此称它为人工神经网络。需要指出尽管人工神经网络是对大脑结构的模仿但这种模仿目前还处于极低的水平。按美国神经网络学者Nielsen的定义人工神经网络是一个并行、分布处理结构它由处理单元及其称为联接的无向讯号通道互连而成。这些处理单元具有局部内存可以完成局部操作即它必须仅仅依赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。每个处理单元有一个单一的输出联接输出信号可以是任何需要的数学模型。人工神经网络与一般计算机的区别在一般的计算机中通常有一个中央处理器它可访问其存储器。该处理器可取一条指令和该指令所需的数据并执行该指令最后将计算结果存入指定的存储单元中。任何动作都按照确定的操作程序以串行方式执行。在人工神经网络中操作既不是串行的也不是预先确定的它根本没有确定的存储器而是由许多互连的简单处理单元组成。每个处理单元的处理功能只是求其所有输入信号的加权和当该和值超过某一阈值时输出呈现兴奋状态〔高电平〕否那么低于阈值时呈现抑制状态〔低电平〕。人工神经网络并不执行指令序列它对并行加载的输入信号也按并行方式来处理和响应结果也不存储在特定的存储单元中。当它到达某种平衡状态后网络的整个状态就是所求的结果。目前还没有用硬件真正实现的并行处理的人工神经网络对它的实现还是基于一般计算机的软件模拟这显然并没有真正发挥出人工神经网络并行快速的特点。人工神经网络的两种操作过程训练学习训练时把要教给神经网络的信息〔外部输入〕作为网络的输入和要求的输出使网络按某种规那么〔称为训练算法〕调节各处理单元间的连接权值直至加上给定输入网络就能产生给定输出为止。这时各连接权已调接好网络的训练就完成了。正常操作〔回忆操作〕对训练好的网络输入一个信号它就可以正确回忆出相应输出得到识别结果。文本〔英文〕朗读机实例输入装置是一个阅读窗口当它沿文本的一行移动时每次前移一个字母但每个瞬间输入七个相邻的字母〔包括空格和句号〕信息。由于英文字母的发音与其前后字母有关所以训练人工神经网络时只要求每次七个字母的中间字母发音〔靠人工神经网络的输出相应状态驱动一个语音综合发生器〕。训练时将一篇有1024个字的文本一行一行通过阅读窗口并要求对应每个字母时人工神经网络的输出结点能输出相应音素的状态值。这样通过十遍阅读〔训练〕可以到达输出可理解的语音。通过50遍阅读〔训练〕可以到达95%的精确度。训练过程中听上去像小孩学说话一样由不清楚到清楚。训练完成后再阅读从未见过的课文朗读精度仍可达78%完全可以听懂。人脸识别实例用10个人的照片每个人都在不同的角度照5张照片共有50张照片的输入信息。对人工神经网络进行训练每个照片信息作为输入时代表10个人的10个结点中相应的一个结点输出最大每个人的5张照片都对应着同一个结点的最大输出。经过训练后再对原来的10个人中的一个从不同角度拍照〔尺寸不变〕进行识别结果是他本人对应的结点的输出比其它9个结点的输出都高得多。总结和讨论传统计算机采用的是串行处理方式限制了大量信息的快速传输和处理即使用了多个处理器并行工作还是会把许多时间浪费在完成串行操作上而且问题的并行化分解和并行程序的编写也是一个难题。虽然至今开发出的超型计算机其速度和容量都大得惊人但仍不能很好地完成诸如小孩可以做到的事情如认识面孔、学习说话、识别图像等。尽管人工神经网络还是生物大脑的极低水平的模仿但在图像识别、语音识别、记忆、预测以及优化等方面表现出了良好的智能特性和应用前景可以完成传统计算机不易实现的智能性工作。1.1.3人工神经网络的特点知识的分布存储在神经网络中知识不是存储在特定的存储单元而是分布在整个系统中要存储多个知识就需要很多连接。在计算机中只要给定一个地址就可以得到一个或一组数据在神经网络中要获得存储的知识那么采用“联想〞的方法这类似于人类和动物的记忆。1.1.3人工神经网络的特点容错性人类大脑具有很强的容错能力这正是由于大脑中知识是存储在很多处理单元和它们的连接上的。每天大脑的一些细胞都可能会自动死亡但这并没有影响人们的记忆和思考能力。人工神经网络可以从不完善的数据和图形进行学习和做出决定由于知识存在整个系统中而不是在一个存储单元内因此一定比