神经网络的四个基本特性：

（1）非线性：非线性是自然的普遍特征。脑智力是一种非线性现象。人工神经元处于两种不同的激活状态或抑制状态，它们在数学上是非线性的。由阈值神经元组成的网络具有更好的性能，可以提高网络的容错和存储容量。

（2）不受限制的：神经网络通常由具有广泛连接的多个神经元组成。系统的总体行为不仅取决于单个神经元的特征，还取决于单元之间的相互作用和互连。大脑的非限制性通过单元之间的许多连接来模拟。联想记忆是无限性的典型示例。

（3）非常定性：人工神经网络具有适应，自组织和自学的能力。神经网络处理的信息不仅会改变，而且会改变非线性动态系统本身。迭代过程通常用于描述动态系统的演变。

（4）非跨性别性：在某些条件下，系统的演化方向取决于特定状态函数。例如，能量函数的极端值对应于系统的相对稳定状态。非凸度是指具有多个极端值的函数，并且系统具有多个稳定平衡状态，从而导致系统演化的多样性。

扩展信息：

神经网络的功能和优势：

人工神经网络的特征和优势主要反映在三个方面：

首先，它具有自学功能。例如，在实现图像识别时，您只需要将许多不同的图像模板和相应的识别结果输入到人工神经网络中，并且网络将慢慢学会通过自学习功能识别相似的图像。自学功能对于预测特别重要。预计未来的人工神经网络计算机将为人类提供经济预测，市场预测和效率预测，其应用前景非常有前途。

其次，它具有关联存储的功能。可以使用人工神经网络的反馈网络来实现这种关联。

第三，它具有高速找到优化解决方案的能力。找到对复杂问题的优化解决方案通常需要大量计算。使用旨在特定问题的反馈类型的人工神经网络，具有计算机的高速计算功能，并可以快速找到优化的解决方案。

参考：百度百科全书 - 人工神经网络。

深度学习中的人工神经网络是什么？

人工神经网络（ANN）从信息处理的角度摘要人脑神经元网络。这是一个自1980年代以来人工智能领域中出现的研究热点。它的本质是一种计算模型，它由已经形成了节点（或神经元）之间的大量互连，并且在模式识别，智能机器人，自动控制，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，生物学，自然，生物多医学，经济等，并表现出良好的智力。特征。

人工神经网络是一个非线性的自适应信息处理系统，由大量的处理单元组成。它是根据现代神经科学的研究结果提出的，并试图通过模拟大脑神经网络处理和记忆信息来处理信息。人工神经网络具有四个基本特征：

（1）非线性 - 非线性关系是自然的普遍特征。人工神经元处于两种不同的激活状态或抑制状态。这种行为在数学上表现为非线性。

人工神经网络

关系。由具有阈值的神经元组成的网络具有更好的性能，可以提高容错和存储容量。

（2）非限制性 - 神经网络通常由多个多个神经元组成。系统的总体行为不仅取决于单个神经元的特征，而且可能主要取决于单元之间的相互作用和互连。通过单元之间的大量连接模拟大脑的非限制性。联想记忆是非限制性的典型例子。

（3）非常定性 - 人工神经网络具有自适应，自组织和自学能力。神经网络处理的信息不仅可以有各种变化，而且在处理信息时，非线性动态系统本身正在不断变化。迭代过程通常用于描述动态系统的演变。

（4）非跨性别性 - 系统的进化方向将取决于在某些条件下的特定状态函数。例如，能量函数具有与系统相对稳定状态相对应的极端值。非凸性意味着该函数具有多个极端值，因此系统具有多个相对稳定的平衡状态，这将导致系统演化的多样性。

在人工神经网络中，神经元处理单元可以代表不同的对象，例如特征，字母，概念或一些有意义的抽象模式。网络中的处理单元的类型分为三类：输入单元，输出单元和隐藏单元。输入单元接受来自外界的信号和数据；输出单元实现了系统处理结果的输出；隐藏单元位于输入和输出单元之间，不能。

人工神经网络

从系统外部观察到的单位。神经元之间的连接权重反映了单位之间的连接强度，并且信息的表示和处理反映在网络处理单元的连接关系中。

摘要：人工神经网络是一种未编程，适应性的，脑式信息处理。它的本质是通过网络的转换和动态行为以及在不同程度和层面上获得并行分布式信息处理函数。模仿人脑神经系统的信息处理功能。

AI爱猫

什么是人工神经网络？

1。一些基本的常识和原则

[什么是神经网络？]

人类思维有两种不同的基本方法：逻辑和直观。逻辑思维是指基于逻辑规则的推理过程；它首先将信息转换为概念并用符号代表它们，然后根据序列模式根据符号操作执行逻辑推理；该过程可以写为串行说明，以允许计算机实现。但是，直观的思维是结合分布式存储的信息，结果是突然的想法或解决问题的方法。这种思维方式的基本观点在于以下两个点：1。通过在神经元上的激发模式分布将信息存储在网络上； 2。通过神经元之间同时相互作用的动态过程来完成信息处理。

人工神经网络是模拟人类思维的第二种方法。这是一个非线性动态系统，它具有分布式存储和信息的并行协作处理。尽管单个神经元的结构非常简单并且功能有限，但由大量神经元组成的网络系统可以实现的行为非常多彩。

[人工神经网络如何工作]

人工神经网络必须首先使用某些学习指南进行学习。现在，人工神经网络使用手动“ A”和“ B”字母的识别作为说明的示例。它规定，当“ A”输入网络时，“ 1”应输出，并且当输入为“ B”时，输出为“ 0”。

因此，在线学习的原则应该是：如果网络做出了错误的判断，则通过网络的学习应减少下次犯同样错误的可能性。首先，在间隔（0，1）中为网络的连接权重分配一个随机值，与“ A”相对应的图像模式是网络的输入。网络将总和输入模式的权重，将其与阈值进行比较，然后执行非线性操作以获得网络的输出。在这种情况下，网络输出为“ 1”和“ 0”的可能性为每个50％，这意味着它是完全随机的。如果输出为“ 1”（结果是正确的），则将增加连接权重，以便在再次遇到“ A”模式输入时，网络仍然可以做出正确的判断。

如果输出为“ 0”（即结果错误），则调整网络连接权重以减少综合输入的重量值。目的是减少网络遇到“ A”模式输入下次同样的错误可能性时的犯罪。通过此操作调整，在将几个手写字母“ A”和“ B”输入网络之后，根据上述学习方法通​​过网络进行了几次学习后，网络判断的准确率将得到很大提高。这表明网络已经成功地学习了这两种模式，并且已将两种模式分配给网络的连接权重。当网络再次遇到这些模式中的任何一种时，它可以快速准确地进行判断和标识。一般而言，它在网络中包含的神经元越多，它可以记住和识别的模式就越多。

=============================================== ==========================