神经网络是并行计算设备，基本上是对大脑进行计算机模型化的尝试。主要目标是开发一种比传统系统更快地执行各种计算任务的系统。这些任务包括模式识别和分类，近似，优化和数据聚类。

什么是人工神经网络?

人工神经网络(ANN)是一种高效的计算系统，其中心主题是从生物神经网络的类比中借鉴而来的。人工神经网络也被称为“人工神经系统”或“并行分布式处理系统”或“连接系统”。 ANN获取大量的单元，这些单元以某种模式互连以允许单元之间的通信。这些单元，也称为节点或神经元，是并行运行的简单处理器。

每个神经元通过连接链接与其他神经元连接。每个连接链接都与具有有关输入信号信息的权重关联。这对于神经元解决特定问题是最有用的信息，因为重量通常会激发或抑制正在传达的信号。每个神经元都有一个内部状态，称为激活信号。组合输入信号和激活规则后产生的输出信号可以发送到其他单元。

人工神经网络简史

ANN的历史可以分为以下三个时代-

1940到1960年代的人工神经网络

这个时代的一些关键发展如下-

• 1943年-假设神经网络的概念始于生理学家沃伦·麦卡洛克(Warren McCulloch)和数学家沃尔特·皮茨(Walter Pitts)的工作，当时，他们在1943年使用电路为简单的神经网络建模，以描述大脑中的神经元如何工作。

• 1949年-唐纳德·赫布(Donald Hebb)的著作《行为的组织》( The Organisation of Behavior )提出了这样一个事实，即每次使用一个神经元时，另一个神经元反复激活都会增强其强度。

• 1956年-泰勒(Taylor)引入了联想存储网络。

• 1958年-Rosenblatt发明了一种名为Perceptron的McCulloch和Pitts神经元模型的学习方法。

• 1960年-Bernard Widrow和Marcian Hoff开发了名为“ ADALINE”和“ MADALINE”的模型。

1960年代至1980年代的人工神经网络

这个时代的一些关键发展如下-

• 1961年– Rosenblatt进行了一次失败的尝试，但提出了多层网络的“反向传播”方案。

• 1964年-泰勒(Taylor)建造了一个赢家通吃的赛道，但输出单元之间受到了限制。

• 1969年-Minsky和Papert发明了多层感知器(MLP)。

• 1971年– Kohonen开发了联想记忆。

• 1976年-Stephen Grossberg和Gail Carpenter开发了自适应共振理论。

从1980年代至今的人工神经网络

这个时代的一些关键发展如下-

• 1982年-主要的发展是Hopfield的能源方法。

• 1985年-Ackley，Hinton和Sejnowski开发了Boltzmann机器。

• 1986年-Rumelhart，Hinton和Williams引入了通用三角洲规则。

• 1988年-Kosko开发了二进制联想记忆(BAM)，并在ANN中提出了模糊逻辑的概念。

历史回顾表明，该领域已取得重大进展。基于神经网络的芯片正在出现，并且正在开发针对复杂问题的应用程序。当然，今天是神经网络技术过渡的时期。

生物神经元

神经细胞(神经元)是一种处理信息的特殊生物细胞。根据估计，存在大量的神经元，大约10 ¹¹且具有许多互连，大约10 ¹⁵ 。

原理图，示意图

生物神经元的工作

如上图所示，典型的神经元由以下四个部分组成，借助这些部分，我们可以解释其工作原理-

• 树突-它们是树状分支，负责从与其连接的其他神经元接收信息。换句话说，我们可以说它们就像神经元的耳朵。

• Soma-它是神经元的细胞体，负责处理来自树突的信息。

• 轴突-就像神经元通过其发送信息的电缆一样。

• 突触-这是轴突和其他神经元树突之间的连接。

人工神经网络与神经网络

在查看人工神经网络(ANN)和生物神经网络(BNN)之间的差异之前，让我们基于这两者之间的术语，来研究两者的相似性。

下表根据提到的一些标准显示了ANN和BNN之间的比较。

人工神经网络模型

下图显示了ANN的一般模型及其处理。

对于上面的人工神经网络通用模型，净输入可以计算如下：

$$ y_ {in} \：= \：x_ {1} .w_ {1} \：+ \：x_ {2} .w_ {2} \：+ \：x_ {3} .w_ {3} \： \ dotso \：x_ {m} .w_ {m} $$

即，净输入$ y_ {in} \：= \：\ sum_i ^ m \：x_ {i} .w_ {i} $

可以通过将激活函数应用于净输入来计算输出。

$$ Y \：= \：F(y_ {in})$$

输出=函数(计算出的净输入)