人工神经网络术语
ANN(Artificial Neural Network)是基于BNN(Biological Neural Network)，其主要目标是充分模仿人脑及其功能。类似于大脑具有相互连接的神经元，人工神经网络也具有在称为节点的网络的各个层中相互连接的神经元。
ANN 通过各种学习算法进行学习，这些算法被描述为有监督或无监督学习。
- 在监督学习算法中，目标值被标记。它的目标是尽量减少期望输出（目标）和实际输出之间的误差以进行优化。在这里，一位主管在场。
- 在无监督学习算法中，目标值没有标记，网络通过重复试验和实验识别模式自行学习。
人工神经网络术语：
- 权重：每个神经元通过带有权重的连接链接与其他神经元相连。权重具有有关输入信号的信息和数据。输出仅取决于权重和输入信号。权重可以以矩阵形式表示，称为连接矩阵。
- 如果有“n”个节点，每个节点有“m”个权重，那么它表示为：
- 偏差：偏差是一个常数，添加到输入和权重的乘积中以计算乘积。它用于将结果转移到正面或负面。净输入权重因正偏差而增加，而净输入权重因负偏差而减少。
这里，{1,x1…xn} 是输入，输出 (Y) 神经元将由函数g(x) 计算，该函数将所有输入相加并添加偏差。
g(x)=∑xi+b where i=0 to n
= x1+........+xn+b激活的作用是根据求和函数的结果提供输出：
Y=1 if g(x)>=0
Y=0 else- 阈值：阈值是与净输入进行比较以获得输出的常数值。根据阈值定义激活函数以计算输出。
For Example:
Y=1 if net input>=threshold
Y=0 else- 学习率：学习率用α表示。它的范围从 0 到 1。它用于在 ANN 学习期间平衡权重。
- 目标值：目标值是输出变量的正确值，也称为目标。
- 误差：与目标值相比，预测输出值的不准确性。
监督学习算法：
- Delta Learning：它由 Bernard Widrow 和 Marcian Hoff 引入，也称为最小均方方法。它减少了整个学习和培训过程中的错误。为了最小化误差，它遵循梯度下降法，激活函数永远持续下去。
- Outstar Learning：它由 Grossberg 在 1976 年首次提出，我们使用神经网络分层排列的概念，通过特定节点连接的权重应该等于所需的输出，从而产生与这些权重连接的神经元。
无监督学习算法：
- Hebbian Learning： Hebb 于 1949 年提出，用于提高网络中节点的权重。权重的变化基于输入、输出和学习率。权重调整需要输出的转置。
- 竞争学习：这是赢家通吃的策略。在这里，当一个输入模式被发送到网络时，该层中的所有神经元相互竞争以表示输入模式，获胜者得到输出为 1，其他所有为 0，只有获胜的神经元有权重调整。