人工神經(jīng)網(wǎng)絡(luò)概述及其在分類中的應(yīng)用舉例

#/12在這種網(wǎng)絡(luò)中，輸出節(jié)點與其鄰域其它節(jié)點廣泛相連，并相互激勵。輸入節(jié)點和輸出節(jié)點之間通過強度w(t)相連接。通過某種規(guī)則，不斷ij地調(diào)整w(t)，使得在穩(wěn)定時，每一鄰域的所有節(jié)點對某種輸入具有類ij似的輸出，并且這聚類的概率分布與輸入模式的概率分布相接近。人工神經(jīng)網(wǎng)絡(luò)發(fā)展方向1、人工神經(jīng)網(wǎng)絡(luò)模型的研究利用神經(jīng)生理與認(rèn)知科學(xué)研究人類思維以及智能機理和利用神經(jīng)基礎(chǔ)理論的研究成果，用數(shù)理方法探索功能更加完善、性能更加優(yōu)越的神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)算法和性能。如：穩(wěn)定性、收斂性、容錯性、魯棒性等；開發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如：神經(jīng)網(wǎng)絡(luò)動力學(xué)、非線性神經(jīng)場等。2、人工神經(jīng)計算和進(jìn)化計算要把基于鏈接主義的神經(jīng)網(wǎng)絡(luò)理論、基于符號主義的人工智能專家系統(tǒng)理論和基于進(jìn)化論的人工生命這3大研究領(lǐng)域，自發(fā)而有機的結(jié)合起來。建立神經(jīng)計算和進(jìn)化計算的數(shù)學(xué)理論基礎(chǔ)。“并行分布處理(PDP)”具有自學(xué)習(xí)、自適應(yīng)和自組織的特點，這是一種提高計算性能的有效途徑，是神經(jīng)網(wǎng)絡(luò)迫切需要增強的主要功能，必須加以重視，同時，還應(yīng)尋找其他有效方法，建立具有計算復(fù)雜性、網(wǎng)絡(luò)容錯性和堅韌性的計算理論。進(jìn)一步研究調(diào)節(jié)多層感知器的算法，使建立的模型和學(xué)習(xí)算法成為適應(yīng)性神經(jīng)網(wǎng)絡(luò)的有力工具，構(gòu)建多層感知器與自組織特征圖級聯(lián)想的復(fù)合網(wǎng)絡(luò)，是增強網(wǎng)絡(luò)解決實際問題能力的一個有效途徑，重視鏈接的可編程性和通用性問題的研究，從而促進(jìn)智能科學(xué)的發(fā)展。3、神經(jīng)網(wǎng)絡(luò)計算機的實現(xiàn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元芯片的作用將不斷擴大。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究是神經(jīng)網(wǎng)絡(luò)的實現(xiàn)以及成功地實現(xiàn)應(yīng)用的前提，又是優(yōu)越的物理前提，他體現(xiàn)了算法和結(jié)構(gòu)的統(tǒng)一是硬件和軟件的混合體，未來的研究主要是針對信息處理功能體，將系統(tǒng)、結(jié)構(gòu)、電路、器件和材料等方面的知識有機地結(jié)合起來，建構(gòu)有關(guān)的新概念和新技術(shù)，在硬件實現(xiàn)上，研究材料的結(jié)構(gòu)和組織，使他具有自然地進(jìn)行信息處理的能力。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)經(jīng)過多年的發(fā)展，應(yīng)用研究也取得了突破性進(jìn)展，范圍正在不斷擴大，其應(yīng)用領(lǐng)域幾乎包括各個方面。半個世紀(jì)以來，這門學(xué)科的理論和技術(shù)基礎(chǔ)已達(dá)到了一定規(guī)模，就應(yīng)用的技術(shù)領(lǐng)域而言有計算機視覺，語言的識別、理解與合成，優(yōu)化計算，智能控制及復(fù)雜系統(tǒng)分析，模式識別，神經(jīng)計算機研制，知識推理專家系統(tǒng)與人工智能。涉及的學(xué)科有神經(jīng)生理學(xué)、認(rèn)識科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計算機科學(xué)、微電子學(xué)、光學(xué)、動力學(xué)、生物電子學(xué)等。美國、日本等國在神經(jīng)網(wǎng)絡(luò)計算機軟硬件實現(xiàn)的開發(fā)方面也取得了顯著的成績，并逐步形成產(chǎn)品。人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中主要應(yīng)用于數(shù)據(jù)的分類和預(yù)測，在分類方法中，與傳統(tǒng)的統(tǒng)計方法相比，神經(jīng)網(wǎng)絡(luò)具有很強的學(xué)習(xí)能力，極大地提高了分類的精度和預(yù)測的準(zhǔn)測度。人工神經(jīng)網(wǎng)絡(luò)與支持向量機、遺傳算法、隨機森林等其他先進(jìn)算法的結(jié)合，產(chǎn)生更為精確地算法，在R的galgo包（主要應(yīng)用于生物信息學(xué)）中已經(jīng)體現(xiàn)出來。人工神經(jīng)網(wǎng)絡(luò)分類器應(yīng)用舉例人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中常應(yīng)用于分類和預(yù)測，神經(jīng)網(wǎng)絡(luò)方法能夠明顯的提高分類精度。使用的數(shù)據(jù)是著名的鳶尾花（iris）數(shù)據(jù)，在R軟件中是自帶的數(shù)據(jù)集，也可以在從加州大學(xué)厄文分校（UCI）的機器學(xué)習(xí)庫中下載。鳶尾花數(shù)據(jù)集包含150種鳶尾花的信息，每50種取自三個鳶尾花種之一：Setosa、Versicolour和Virginica。每個花的特征用下面5種屬性描述：⑴萼片長度（Sepal.Length：厘米）。⑵萼片寬度（Sepal.Width：厘米）。⑶花瓣長度（Petal.Length：厘米）。⑷花瓣寬度（Petal.Width：厘米）。（5）類（Species：Setosa,Versicolour,Virginica）。

花的萼片是花的外部結(jié)構(gòu)，保護花的更脆弱的部分（如花瓣）。在許多花中，萼片是綠的，只有花瓣是鮮艷多彩的，然而，對于鳶尾花，萼片也是鮮艷多彩的。R的nnet包中的nnet函數(shù)隱層只含一個感知器，激活函數(shù)有多種。在鳶尾花的分類中，激活函數(shù)使用的是線性函數(shù)，在隱層感知器的人工神經(jīng)元分別設(shè)size=1，2，3，4時，分類結(jié)果為：Size=1類別11222033分類精度0.88TOC\o"1-5"\h\z類別11222033分類精度0.8803體250精022度Size=2，3，4類別1231Size=2，3，4類別123124012025031024分類精度0.9610.96體精度0.9867而基于馬氏距離的層次聚類結(jié)果的聚類誤差矩陣為：hclus123總15000體204916精30134度分類精度10.980.680.7666667可以看出，使用神經(jīng)網(wǎng)絡(luò)分類器所得的結(jié)果的精度高達(dá)98.67%，而聚類分析的層次聚類方法所得到的結(jié)果得精度只有76.67%。證明分層神經(jīng)網(wǎng)絡(luò)分類算法可以顯著提高分類精度。魯棒是Robust的音譯，也就是健壯和強壯的意思。它是在異常和危險情況下系統(tǒng)生存的關(guān)鍵。比如說，計算機軟件在輸入錯