人工神经网络

人工神经网络，通常简称为神经网络中，计算由所述的启发系统生物神经网络构成动物的大脑。

人工神经网络基于一组称为人工神经元的连接单元或节点，它们对生物大脑中的神经元进行松散建模。每个连接，就像生物大脑中的突触一样，可以向其他神经元传输信号。人工神经元接收信号然后对其进行处理，并可以向与其相连的神经元发送信号。连接处的“信号”是一个实数，每个神经元的输出由其输入和的某个非线性函数计算。连接称为边。神经元和边缘通常具有权重随着学习的进行而调整。权重增加或减少连接处的信号强度。神经元可能有一个阈值，这样只有当聚合信号超过该阈值时才会发送信号。通常，神经元聚合成层。不同的层可以对其输入执行不同的转换。信号从xxx层（输入层）传输到最后一层（输出层），可能在多次遍历层之后。

人工神经网络最初是为了尝试利用人脑的架构来执行传统算法几乎没有成功的任务。他们很快就转向改进经验结果，大多放弃了保持其生物学先驱的真实性。神经元以各种模式相互连接，以允许某些神经元的输出成为其他神经元的输入。网络形成一个定向，加权图。

人工神经网络由一组模拟神经元组成。每个神经元是一个节点，通过对应于生物轴突-突触-树突连接的链接与其他节点相连。每个链接都有一个权重，它决定了一个节点对另一个节点的影响强度。

人工神经网络由人工神经元组成，这些人工神经元在概念上源自生物神经元。每个人工神经元都有输入并产生单个输出，该输出可以发送到多个其他神经元。输入可以是外部数据样本的特征值，例如图像或文档，也可以是其他神经元的输出。神经网络的最终输出神经元的输出完成任务，例如识别图像中的对象。

为了找到神经元的输出，首先我们取所有输入的加权和，由输入到神经元的连接权重加权。我们向这个总和添加一个偏差项。这个加权和有时被称为激活。这个加权和然后通过一个（通常是非线性的）激活函数来产生输出。初始输入是外部数据，例如图像和文档。最终输出完成任务，例如识别图像中的对象。

网络由连接组成，每个连接提供一个神经元的输出作为另一个神经元的输入。每个连接都被分配一个权重，代表其相对重要性。一个给定的神经元可以有多个输入和输出连接。

的传播函数计算输入到从它的前身的神经元和它们作为加权和连接的输出神经元。阿偏压术语可以被添加到该传播的结果。

神经元通常被组织成多层，尤其是在深度学习中。一层的神经元仅连接到紧邻前一层和紧随其后的层的神经元。接收外部数据的层是输入层。产生最终结果的层是输出层。在它们之间是零个或多个隐藏层。也使用单层和无层网络。在两层之间，多种连接模式是可能的。它们可以完全连接，一层中的每个神经元都连接到下一层中的每个神经元。他们可以汇集，其中一层中的一组神经元连接到下一层中的单个神经元，从而减少了该层中的神经元数量。只有这种连接的神经元形成有向无环图，被称为前馈网络。或者，允许相同或先前层中的神经元之间连接的网络称为循环网络。

人工神经网络已经发展成为一个广泛的技术家族，这些技术在多个领域推进了最先进的技术。最简单的类型具有一个或多个静态组件，包括单元数、层数、单元权重和拓扑。动态类型允许通过学习来进化其中的一种或多种。后者要复杂得多，但可以缩短学习周期并产生更好的结果。某些类型允许/要求由操作员“监督”学习，而其他类型则独立操作。有些类型纯粹在硬件中运行，而另一些则是纯粹的软件并在通用计算机上运行。

一些主要突破包括：在处理视觉和其他二维数据方面被证明特别成功的卷积神经网络；长短期记忆避免了梯度消失问题并且可以处理混合了低频和高频成分的信号，有助于大词汇量语音识别，文本到-语音合成，和照片般真实的说话头；有竞争力的网络，诸如生成对抗网络中多个网络（具有不同结构）在诸如赢得游戏或在输入的真实性方面欺骗对手等任务上相互竞争。

由于人工神经网络具有重现和建模非线性过程的能力，因此在许多学科中都有应用。应用领域包括系统识别和控制（车辆控制、轨迹预测、过程控制、自然资源管理）、量子化学、通用游戏、模式识别（雷达系统、人脸识别、信号分类、3D重建、对象识别等）、序列识别（手势、语音、手写和印刷文本识别)、医疗诊断、金融（例如自动交易系统）、数据挖掘、可视化、机器翻译、社交网络过滤和电子邮件垃圾邮件过滤。人工神经网络已被用于诊断多种类型的癌症并仅使用细胞形状信息将高侵袭性癌细胞系与侵袭性较低的癌细胞系区分开来。

人工神经网络已被用于加速受自然灾害影响的基础设施的可靠性分析并预测基础沉降。人工神经网络也被用于构建地球科学中的黑盒模型：水文学、海洋建模和海岸工程、和地貌学。人工神经网络已被用于网络安全，目的是区分合法活动和恶意活动。例如，机器学习已被用于对Android恶意软件进行分类，用于识别属于威胁行为者的域和检测构成安全风险的URL。用于渗透测试、检测僵尸网络、信用卡欺诈和网络入侵的ANN系统的研究正在进行中。

人工神经网络已被提议作为解决物理学中偏微分方程的工具并模拟多体开放量子系统的特性。在大脑研究中，人工神经网络研究了单个神经元的短期行为，神经回路的动力学源于单个神经元之间的相互作用，以及行为如何从抽象神经模块中产生代表完整的子系统。研究考虑了神经系统的长期和短期可塑性及其与从个体神经元到系统水平的学习和记忆的关系。