人工神經網絡的定義

人工神經網絡（ Artificial Neural Networks， 簡寫為ANNs）也簡稱為神經網絡或稱作連接模型，是對人腦或自然神經網絡若干基本特性的抽象和模擬。人工神經網絡以對大腦的生理研究成果為基礎的，其目的在于模擬大腦的某些機理與機制，實現某個方面的功能。國際著名的神經網絡研究專家，第一家神經計算機公司的創立者與領導人Hecht Nielsen給人工神經網絡下的定義就是：“人工神經網絡是由人工建立的以有向圖為拓撲結構的動態系統，它通過對連續或斷續的輸入作狀態相應而進行信息處理” 這一定義是恰當的。

人工神經網絡的研究，可以追溯到 1957年Rosenblatt提出的感知器模型（Perceptron） 。它幾乎與人工智能——AI同時起步，但30余年來卻并未取得人工智能那樣巨大的成功，中間經歷了一段長時間的蕭條。直到80年代，獲得了關于人工神經網絡切實可行的算法，以及以Von Neumann體系為依托的傳統算法在知識處理方面日益顯露出其力不從心后，人們才重新對人工神經網絡發生了興趣，導致神經網絡的復興。 目前在神經網絡研究方法上已形成多個流派，最富有成果的研究工作包括：多層網絡BP算法，Hopfield網絡模型，自適應共振理論，自組織特征映射理論等。人工神經網絡是在現代神經科學的基礎上提出來的。它雖然反映了人腦功能的基本特征，但遠不是自然神經網絡的逼真描寫，而只是它的某種簡化抽象和模擬。

人工神經網絡的特點

（1）可以充分逼近任意復雜的非線性關系；

（2）所有定量或定性的信息都等勢分布貯存于網絡內的各神經元，故有很強的魯棒性和容錯性；

（3）采用并行分布處理方法，使得快速進行大量運算成為可能；

（4）可學習和自適應不知道或不確定的系統；

（5）能夠同時處理定量、定性知識。

人工神經網絡主要研究方向

神經網絡的研究可以分為理論研究和應用研究兩大方面。理論研究可分為以下兩類：

1）利用神經生理與認知科學研究人類思維以及智能機理。

2）利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網絡模型，深入研究網絡算法和性能， 如：穩定性、收斂性、容錯性、魯棒性等；開發新的網絡數理理論，如：神經網絡動力學、非線性神經場等。

應用研究可分為以下兩類：

1）神經網絡的軟件模擬和硬件實現的研究。

2）神經網絡在各個領域中應用的研究。這些領域主要包括：模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。 隨著神經網絡理論本身以及相關理論、相關技術的不斷發展，神經網絡的應用定將更加深入。