摘要：本文簡(jiǎn)要介紹了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展、應(yīng)用及研究現(xiàn)狀，通過(guò)實(shí)例來(lái)分析人工神經(jīng)網(wǎng)絡(luò)原理的設(shè)計(jì)和實(shí)現(xiàn)過(guò)程。 　　關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；發(fā)展；應(yīng)用；研究現(xiàn)狀 　　中圖分類號(hào)：G641 文獻(xiàn)標(biāo)識(shí)碼：A
　　
　　1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展、應(yīng)用及研究現(xiàn)狀
　　
　　1.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡(jiǎn)史
　　人工神經(jīng)網(wǎng)絡(luò)的研究是從19世紀(jì)末期開(kāi)始的，其發(fā)展歷史經(jīng)歷了以下四個(gè)時(shí)期。
　�。�1）啟蒙時(shí)期
　　啟蒙時(shí)期開(kāi)始于1980年美國(guó)著名心理學(xué)家W.James關(guān)于人腦結(jié)構(gòu)與功能的研究，結(jié)束于1969年Minsky和Papert發(fā)表的《感知器》（Perceptron）一書(shū)。早在1943年，心理學(xué)家McCulloch和數(shù)學(xué)家Pitts合作提出了形式神經(jīng)元的數(shù)學(xué)模型（即M-P模型），該模型把神經(jīng)細(xì)胞的動(dòng)作描述為：1神經(jīng)元的活動(dòng)表現(xiàn)為興奮或抑制的二值變化； 2任何興奮性突觸有輸入激勵(lì)后，使神經(jīng)元興奮與神經(jīng)元先前的動(dòng)作狀態(tài)無(wú)關(guān)；3任何抑制性突觸有輸入激勵(lì)后，使神經(jīng)元抑制；4突觸的值不隨時(shí)間改變；5突觸從感知輸入到傳送出一個(gè)輸出脈沖的延遲時(shí)間是0.5ms�？梢�(jiàn)，M-P模型是用邏輯的數(shù)學(xué)工具研究客觀世界的事件在形式神經(jīng)網(wǎng)絡(luò)中的表述�，F(xiàn)在來(lái)看M-P模型盡管過(guò)于簡(jiǎn)單，而且其觀點(diǎn)也并非完全正確，但是其理論有一定的貢獻(xiàn)。因此，M-P模型被認(rèn)為開(kāi)創(chuàng)了神經(jīng)科學(xué)理論研究的新時(shí)代。
　　1949年，心理學(xué)家D.O.Hebb提出了神經(jīng)元之間突觸聯(lián)系強(qiáng)度可變的假設(shè)，并據(jù)此提出神經(jīng)元的學(xué)習(xí)規(guī)則――Hebb規(guī)則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。1957年，計(jì)算機(jī)學(xué)家FrankRosenblatt提出了一種具有三層網(wǎng)絡(luò)特性的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，稱為“感知器”（Perceptron），它是由閾值性神經(jīng)元組成，試圖模擬動(dòng)物和人腦的感知學(xué)習(xí)能力，Rosenblatt認(rèn)為信息被包含在相互連接或聯(lián)合之中，而不是反映在拓?fù)浣Y(jié)構(gòu)的表示法中；另外，對(duì)于如何存儲(chǔ)影響認(rèn)知和行為的信息問(wèn)題，他認(rèn)為，存儲(chǔ)的信息在神經(jīng)網(wǎng)絡(luò)系統(tǒng)內(nèi)開(kāi)始形成新的連接或傳遞鏈路后，新的刺激將會(huì)通過(guò)這些新建立的鏈路自動(dòng)地激活適當(dāng)?shù)捻憫?yīng)部分，而不是要求任何識(shí)別或堅(jiān)定他們的過(guò)程。1962年Widrow提出了自適應(yīng)線性元件（Adaline），它是連續(xù)取值的線性網(wǎng)絡(luò)，主要用于自適應(yīng)信號(hào)處理和自適應(yīng)控制。
　　（2） 低潮期
　　人工智能的創(chuàng)始人之一Minkey和papert經(jīng)過(guò)數(shù)年研究，對(duì)以感知器為代表的網(wǎng)絡(luò)系統(tǒng)的功能及其局限性從數(shù)學(xué)上做了深入的研究，于1969年出版了很有影響的《Perceptron》一書(shū)，該書(shū)提出了感知器不可能實(shí)現(xiàn)復(fù)雜的邏輯函數(shù)，這對(duì)當(dāng)時(shí)的人工神經(jīng)網(wǎng)絡(luò)研究產(chǎn)生了極大的負(fù)面影響，從而使神經(jīng)網(wǎng)絡(luò)研究處于低潮時(shí)期。引起低潮的更重要的原因是：20世紀(jì)70年代以來(lái)集成電路和微電子技術(shù)的迅猛發(fā)展，使傳統(tǒng)的馮•諾伊曼型計(jì)算機(jī)進(jìn)入發(fā)展的全盛時(shí)期，因此暫時(shí)掩蓋了發(fā)展新型計(jì)算機(jī)和尋求新的神經(jīng)網(wǎng)絡(luò)的必要性和迫切性。但是在此時(shí)期，波士頓大學(xué)的S.Grossberg教授和赫爾辛基大學(xué)的Kohonen教授，仍致力于神經(jīng)網(wǎng)絡(luò)的研究，分別提出了自適應(yīng)共振理論（Adaptive Resonance Theory）和自組織特征映射模型（SOM）。以上開(kāi)創(chuàng)性的研究成果和工作雖然未能引起當(dāng)時(shí)人們的普遍重視，但其科學(xué)價(jià)值卻不可磨滅，它們?yōu)樯窠?jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展奠定了基礎(chǔ)。
　�。�3）復(fù)興時(shí)期
　　20世紀(jì)80年代以來(lái)，由于以邏輯推理為基礎(chǔ)的人工智能理論和馮•諾伊曼型計(jì)算機(jī)在處理諸如視覺(jué)、聽(tīng)覺(jué)、聯(lián)想記憶等智能信息處理問(wèn)題上受到挫折，促使人們懷疑當(dāng)前的馮•諾伊曼型計(jì)算機(jī)是否能解決智能問(wèn)題，同時(shí)也促使人們探索更接近人腦的計(jì)算模型，于是又形成了對(duì)神經(jīng)網(wǎng)絡(luò)研究的熱潮。1982年，美國(guó)加州理工學(xué)院的物理學(xué)家John J.Hopfield博士發(fā)表了一篇對(duì)神經(jīng)網(wǎng)絡(luò)研究的復(fù)蘇起了重要作用的文章，他總結(jié)與吸取前人對(duì)神經(jīng)網(wǎng)絡(luò)研究的成果與經(jīng)驗(yàn)，把網(wǎng)絡(luò)的各種結(jié)構(gòu)和各種算法概括起來(lái)，塑造出一種新穎的強(qiáng)有力的網(wǎng)絡(luò)模型，稱為Hopfield網(wǎng)絡(luò)。他引入了“計(jì)算能量函數(shù)”的概念，給出了網(wǎng)絡(luò)穩(wěn)定性依據(jù)。從而有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究與發(fā)展。1986年，Rumelhart及LeCun等學(xué)者提出了多層感知器的反向傳插算法，克服了當(dāng)初阻礙感知器模型繼續(xù)發(fā)展的重要障礙。這一時(shí)期，大量而深入的開(kāi)拓性工作大大發(fā)展了神經(jīng)網(wǎng)絡(luò)的模型和學(xué)習(xí)算法，增強(qiáng)了對(duì)神經(jīng)網(wǎng)絡(luò)特性的進(jìn)一步認(rèn)識(shí)，使人們對(duì)模仿腦信息處理的智能計(jì)算機(jī)的研究重新充滿了希望。
　　（4）新時(shí)期
　　1987年6月，首屆國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會(huì)議在美國(guó)加州圣地亞哥召開(kāi)，這標(biāo)志著世界范圍內(nèi)掀起了神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)研究的熱潮。在這次會(huì)上成立了國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)（INNS），并于1988年在美國(guó)波士頓召開(kāi)了年會(huì)，會(huì)議討論的議題涉及到生物、電子、計(jì)算機(jī)、物理、控制、信號(hào)處理及人工智能等各個(gè)領(lǐng)域。自1988年起，國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)和國(guó)際電氣工程師與電子工程師學(xué)會(huì)（IEEE）聯(lián)合召開(kāi)了每年一次的國(guó)際學(xué)術(shù)會(huì)議。這次會(huì)議后不久，美國(guó)波士頓大學(xué)的StephenGrossberg教授、芬蘭赫爾辛基技術(shù)大學(xué)的Teuvo Kohonen教授及日本東京大學(xué)的甘利俊一教授，主持創(chuàng)辦了世界第一份神經(jīng)網(wǎng)絡(luò)雜志《Neural Network》。隨后，IEEE也成立了神經(jīng)網(wǎng)絡(luò)協(xié)會(huì)并于1990年3月開(kāi)始出版神經(jīng)網(wǎng)絡(luò)會(huì)刊，各種學(xué)術(shù)期刊的神經(jīng)網(wǎng)絡(luò)特刊也層出不窮。
　　從1987年以來(lái)，神經(jīng)網(wǎng)絡(luò)的理論、應(yīng)用、實(shí)現(xiàn)及開(kāi)發(fā)工具均以令人振奮的速度快速發(fā)展。神經(jīng)網(wǎng)絡(luò)理論已成為涉及神經(jīng)生理科學(xué)、認(rèn)知科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計(jì)算機(jī)科學(xué)、微電子學(xué)、光學(xué)、生物電子學(xué)等多學(xué)科交叉、綜合的前沿學(xué)科。神經(jīng)網(wǎng)絡(luò)的應(yīng)用已滲透到模式識(shí)別、圖像處理、非線性優(yōu)化、語(yǔ)音處理、自然語(yǔ)言理解、自動(dòng)目標(biāo)識(shí)別、機(jī)器人專家系統(tǒng)等各個(gè)領(lǐng)域，并取得了令人矚目的成果。
　　1.2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　　人工神經(jīng)網(wǎng)絡(luò)的智能化特征與能力使其應(yīng)用領(lǐng)域日益擴(kuò)大，潛力日趨明顯。目前，神經(jīng)網(wǎng)絡(luò)的主要應(yīng)用于以下幾個(gè)領(lǐng)域。
　�。�1）信息領(lǐng)域
　　神經(jīng)網(wǎng)絡(luò)作為一種新型智能信息處理系統(tǒng)，其應(yīng)用貫穿信息的獲取、傳輸、接收與加工利用等各個(gè)環(huán)節(jié)。
　　1）信號(hào)處理 神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于自適應(yīng)信號(hào)處理和非線性信號(hào)處理。前者如信號(hào)的自適應(yīng)濾波、時(shí)間序列預(yù)測(cè)、譜估計(jì)、噪聲消除等；后者如非線性濾波、非線性預(yù)測(cè)、非線性編碼、調(diào)制解調(diào)等。
　　2）模式識(shí)別 模式識(shí)別涉及模式的預(yù)處理變換和將一種模式映射為其他類型的操作。神經(jīng)網(wǎng)絡(luò) 不僅可以處理靜態(tài)模式如固定圖像、固定能譜等，還可以處理動(dòng)態(tài)模式如視頻圖像、連續(xù)語(yǔ)音等。
　　3）數(shù)據(jù)壓縮 在數(shù)據(jù)傳送存儲(chǔ)時(shí)，數(shù)據(jù)壓縮至關(guān)重要。神經(jīng)網(wǎng)絡(luò)可對(duì)待傳送的數(shù)據(jù)提取模式特征，只將該特征傳出，接收后再將其恢復(fù)成原始模式。
　�。�2）自動(dòng)化領(lǐng)域
　　神經(jīng)網(wǎng)絡(luò)和控制理論與控制技術(shù)相結(jié)合，發(fā)展為神經(jīng)網(wǎng)絡(luò)控制。為解決復(fù)雜的非線性不確定、不確知系統(tǒng)的控制問(wèn)題開(kāi)辟了一條新的途徑。
　　1）系統(tǒng)辨識(shí) 在自動(dòng)控制問(wèn)題中，系統(tǒng)辨識(shí)的目的是為了建立被控對(duì)象的數(shù)學(xué)模型。多年來(lái)控制領(lǐng)域?qū)τ趶?fù)雜的非線性對(duì)象的辨識(shí)，一直未能很好的解決。神經(jīng)網(wǎng)絡(luò)所具有的非線性特性和學(xué)習(xí)能力，使其在系統(tǒng)辨識(shí)方面有很大的潛力，為解決具有復(fù)雜的非線性、不確定性和不確知對(duì)象的辨識(shí)問(wèn)題開(kāi)辟了一條有效途徑。
　　2）神經(jīng)控制器 控制器在實(shí)時(shí)控制系統(tǒng)中起著“大腦”的作用，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)等智能特點(diǎn)，因而非常適合于做控制器。對(duì)于復(fù)雜非線性系統(tǒng)神經(jīng)控制器所達(dá)到的控制效果往往明顯好于常規(guī)控制器。
　　3）智能檢測(cè) 所謂智能檢測(cè)一般包括干擾量的處理，傳感器輸入特性的非線性補(bǔ)償，零點(diǎn)和量程的自動(dòng)校正以及自動(dòng)診斷等。這些智能檢測(cè)功能可以通過(guò)傳感元件和信號(hào)處理元件的功能集成來(lái)實(shí)現(xiàn)。在綜合指標(biāo)的檢測(cè)（例如對(duì)環(huán)境舒適度這類綜合指標(biāo)的檢測(cè)）中，以神經(jīng)網(wǎng)絡(luò)作為智能檢測(cè)中的信息處理元件便于對(duì)多個(gè)傳感器的相關(guān)信息（如溫度、濕度、風(fēng)向和風(fēng)速等）進(jìn)行復(fù)合、集成、融合、聯(lián)想等數(shù)據(jù)融合處理，從而實(shí)現(xiàn)單一傳感器所不具備的功能。
　�。�3） 工程領(lǐng)域
　　1）汽車工程 汽車在不同狀態(tài)參數(shù)下運(yùn)行時(shí)，能獲得最佳動(dòng)力性與經(jīng)濟(jì)性的檔位稱為最佳檔位。利用神經(jīng)網(wǎng)絡(luò)的非線性映射能力，通過(guò)學(xué)習(xí)優(yōu)秀駕駛員的換檔經(jīng)驗(yàn)數(shù)據(jù)，可自動(dòng)提取蘊(yùn)含在其中的最佳換檔規(guī)律。另外，神經(jīng)網(wǎng)絡(luò)在汽車剎車自動(dòng)控制系統(tǒng)中也有成功的應(yīng)用，該系統(tǒng)能在給定剎車距離、車速和最大減速度的情況下一人體感受到最小沖擊實(shí)現(xiàn)平穩(wěn)剎車而不受路面坡度和車重的影響。神經(jīng)網(wǎng)絡(luò)在載重車柴油機(jī)燃燒系統(tǒng)方案優(yōu)化中也得到了應(yīng)用，有效的降低了油耗和排煙度，獲得了良好的社會(huì)經(jīng)濟(jì)效益。
　　2）軍事工程 神經(jīng)網(wǎng)絡(luò)同紅外搜索與跟蹤系統(tǒng)配合后，可發(fā)現(xiàn)和跟蹤飛行器。例如借助于神經(jīng)網(wǎng)絡(luò)可以檢測(cè)空間衛(wèi)星的動(dòng)作狀態(tài)是穩(wěn)定、傾斜、旋轉(zhuǎn)還是搖擺，一般正確率可達(dá)95%。
　　3）化學(xué)工程 神經(jīng)網(wǎng)絡(luò)在制藥、生物化學(xué)、化學(xué)工程等領(lǐng)域的研究與應(yīng)用蓬勃開(kāi)展，取得了不少成果。例如在譜分析方面，應(yīng)用神經(jīng)網(wǎng)絡(luò)在紅外譜、紫外譜、折射光譜和質(zhì)譜與化合物的化學(xué)結(jié)構(gòu)間建立某種確定的對(duì)應(yīng)關(guān)系方面的成功應(yīng)用。
　　1.3 人工神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
　　早在20世紀(jì)初，人們從模仿人腦智能的角度出發(fā)，研究出了人工神經(jīng)網(wǎng)絡(luò)，又稱連接主義模式。其借鑒了人腦的結(jié)構(gòu)和特點(diǎn)，并通過(guò)大量簡(jiǎn)單處理單元，互連組成了大規(guī)模并行分布式、信息處理和非線性動(dòng)力學(xué)系統(tǒng)。該系統(tǒng)具有巨量并行性、結(jié)構(gòu)可靠性、高度非線性、自學(xué)習(xí)性和自組織性等特點(diǎn)，它能夠解決常規(guī)信息處理方法難以解決或無(wú)法解決的問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生給人類社會(huì)帶來(lái)了巨大的進(jìn)步，但是隨著社會(huì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的整體能力與其限制性已被逐漸體現(xiàn)出來(lái)。目前，對(duì)神經(jīng)網(wǎng)絡(luò)研究的趨勢(shì)主要從以下三點(diǎn)進(jìn)行分析：
　　（1）增強(qiáng)對(duì)智能和機(jī)器關(guān)系問(wèn)題的認(rèn)識(shí)
　　研究人類智能一直是科學(xué)發(fā)展中最有意義，也是空前困難的挑戰(zhàn)性問(wèn)題。20世紀(jì)80年代中期出現(xiàn)了“連接主義”的革命或并行分布處理（POP），又被稱為神經(jīng)網(wǎng)絡(luò)，它具有自學(xué)習(xí)、自適應(yīng)和自組織的特點(diǎn)，而這些正是神經(jīng)網(wǎng)絡(luò)研究需要進(jìn)一步增強(qiáng)的主要功能。構(gòu)建多層感知器與自組織特行圖級(jí)聯(lián)想的復(fù)合網(wǎng)絡(luò)是增強(qiáng)網(wǎng)絡(luò)解決實(shí)際問(wèn)題能力的一個(gè)有效途徑。
　　（2）探索更有效的學(xué)習(xí)新算法
　　在當(dāng)前人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中，都有一個(gè)無(wú)法避免的缺陷，就是在學(xué)習(xí)新的模式樣本時(shí)，會(huì)造成已有的知識(shí)破壞。于是在給定的學(xué)習(xí)誤差條件下，人工神經(jīng)網(wǎng)絡(luò)必須對(duì)這些樣本周而復(fù)始的反復(fù)學(xué)習(xí)，這樣不僅造成反復(fù)迭代次數(shù)多，學(xué)習(xí)時(shí)間長(zhǎng)，而且易陷入局部極小值。因而有必要進(jìn)一步去構(gòu)思更有效的學(xué)習(xí)新算法，以便能類似于生物神經(jīng)網(wǎng)絡(luò)那樣實(shí)現(xiàn)知識(shí)的積累和繼承。Amari運(yùn)用微分流形理論創(chuàng)建的信息幾何，首次將非歐式空間的研究帶入人工神經(jīng)網(wǎng)絡(luò)模型的研究，Amari在信息幾何中的開(kāi)拓性工作，是在非線性空間研究的一個(gè)極其重要的工作，研究了神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)在整個(gè)信息處理模型空間中的各種表示，所具有的變化能力和限制，為解釋人腦神經(jīng)功能提供了一定的理論基礎(chǔ)，使得從整體結(jié)構(gòu)上對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行分析成為可能，為進(jìn)一步構(gòu)思更有效的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法提供了強(qiáng)有力的分析工具。
　�。�3）解決多功能多方法的轉(zhuǎn)換問(wèn)題
　　這種轉(zhuǎn)換問(wèn)題就是多網(wǎng)絡(luò)的協(xié)同工作問(wèn)題，單獨(dú)的人工神經(jīng)網(wǎng)絡(luò)不能完成像人腦那樣的高級(jí)智能活動(dòng)，將這些不同的智能信息處理方法綜合在一起，構(gòu)成整體神經(jīng)網(wǎng)絡(luò)智能系統(tǒng)，必然需要在多網(wǎng)絡(luò)之間進(jìn)行工作協(xié)調(diào)。 Hinton和他的研究小組，提出通過(guò)神經(jīng)網(wǎng)絡(luò)抽取模式結(jié)構(gòu)為目標(biāo)，形成外界環(huán)境在神經(jīng)網(wǎng)絡(luò)中的內(nèi)在表示機(jī)理，并把其作為發(fā)展人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，探索通過(guò)結(jié)構(gòu)組合來(lái)達(dá)到完成具有更高水平的混合模擬人工神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)和非監(jiān)督學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)。另一方面，人們正在考慮基于生命模型信息處理技術(shù)的目的和意義，包括進(jìn)化計(jì)算，人工生命等。研究者已經(jīng)開(kāi)始從分子水平上來(lái)揭示人類思維之謎，用一些生物學(xué)上的發(fā)現(xiàn)來(lái)研究生物計(jì)算機(jī)。
　　總之，目前人工神經(jīng)網(wǎng)絡(luò)依賴的是一種典型的非線性、非歐式空間模型。如何把基于知識(shí)表、非結(jié)構(gòu)化推理、連接主義的非線性函數(shù)逼近和基于生命模型系統(tǒng)聯(lián)系起來(lái)是科學(xué)界面臨的一個(gè)挑戰(zhàn)。
　　
　　2 實(shí)例分析――基于人工神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別分類器設(shè)計(jì)
　　
　　該例是用BP網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)人臉?lè)诸惼�，其BP網(wǎng)絡(luò)的算法可簡(jiǎn)單描述為：（1）加載待識(shí)別樣本的特征向量到輸入層節(jié)點(diǎn)；（2）計(jì)算隱含層和輸出層的輸出，根據(jù)輸出層節(jié)點(diǎn)的輸出判斷識(shí)別結(jié)果。
　　用特征臉?lè)▽?duì)人臉圖像進(jìn)行特征提取后，用這些特征向量和相應(yīng)的教師信號(hào)來(lái)訓(xùn)練BP網(wǎng)絡(luò)。若記輸入層神經(jīng)元數(shù)為I，隱含層神經(jīng)元數(shù)為H，輸出層神經(jīng)元數(shù)為J。對(duì)于人臉類型數(shù)為P的人臉識(shí)別問(wèn)題來(lái)說(shuō)，若提取出的特征分量的維數(shù)是M，則網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)J就取為人臉類別數(shù)P，網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)就是M。在對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，如果BP網(wǎng)絡(luò)輸入的特征向量是從第P幅人臉圖像提出的，則相應(yīng)的BP網(wǎng)絡(luò)的輸出層的期望輸出是第m個(gè)神經(jīng)元的輸出為1，其他神經(jīng)元輸出都為0，所以教師信號(hào)可以表示為out=[0，0，•••，1， •••，0，0]T。在進(jìn)行人臉識(shí)別時(shí)，把經(jīng)過(guò)加權(quán)特征臉?lè)ǖ玫降拇R(shí)別人臉圖像的特征向量，輸入到已訓(xùn)練完成的人工神經(jīng)網(wǎng)絡(luò)，觀察神經(jīng)網(wǎng)絡(luò)輸出層各個(gè)神經(jīng)元的輸出。設(shè)輸出各層神經(jīng)元的輸出為O1O2•••••Oj （j為輸出層神經(jīng)元的個(gè)數(shù)），并設(shè)定閾值T。如果對(duì)于輸入的某個(gè)待識(shí)別人臉的特征向量，所有的輸出層神經(jīng)元的輸出Oj 滿足|Qj -1|>T，則認(rèn)為待識(shí)別人臉不是該人臉數(shù)據(jù)庫(kù)中的人臉，如果滿足|Qj -1|≤T，則認(rèn)為該待識(shí)人臉被識(shí)別人臉是該人臉數(shù)據(jù)庫(kù)中的人臉。并且滿足| Oj -1|的值最小的那個(gè)輸出神經(jīng)元所對(duì)應(yīng)的訓(xùn)練樣本與之匹配。例如，如果訓(xùn)練時(shí)輸入人臉圖像Ij 的教師信號(hào)是使輸出層神經(jīng)元Oj輸出是1，而其余的輸出神經(jīng)元輸出是0，則如果在識(shí)別某個(gè)人臉圖像時(shí)輸出層神經(jīng)元Oj 的輸出滿足 | Oj -1|最小，且 |Qj -1|≤T，則認(rèn)為被識(shí)別人臉圖像與Ij 相匹配，否則認(rèn)為被識(shí)別人臉圖像不屬于該人臉圖像數(shù)據(jù)庫(kù)。網(wǎng)絡(luò)訓(xùn)練完畢達(dá)到穩(wěn)定狀態(tài)后，保存網(wǎng)絡(luò)的聯(lián)接權(quán)值，用于后面的識(shí)別。最后將結(jié)果用實(shí)驗(yàn)仿真出來(lái)，采用的BP神經(jīng)網(wǎng)絡(luò)參數(shù)為學(xué)習(xí)步長(zhǎng)1.3和0.6，動(dòng)量參數(shù)a=0.7，b=0.4。
　　
　　3 結(jié)語(yǔ)
　　
　　人工神經(jīng)網(wǎng)絡(luò)是在對(duì)人腦神經(jīng)網(wǎng)絡(luò)的基本認(rèn)識(shí)的基礎(chǔ)上，用數(shù)理方法和信息處理的角度對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立某種簡(jiǎn)化模型。因此，人工神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)，其本質(zhì)就是一個(gè)大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)的信息處理系統(tǒng)，通過(guò)大量簡(jiǎn)單關(guān)系連接實(shí)現(xiàn)復(fù)雜的函數(shù)關(guān)系。人工神經(jīng)系統(tǒng)的產(chǎn)生，幫助人們解決了許多以馮•諾伊曼為依據(jù)的計(jì)算機(jī)解決不了的問(wèn)題，給社會(huì)帶了很大的進(jìn)步。雖然如此，但是人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)還是存在著許多不足之處，有待我們?nèi)ヌ剿髋c研究。
　　
　　參考文獻(xiàn)
　　[1]韓力群. 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M]. 北京：化學(xué)工業(yè)出版社， 2002.
　　[2]田景文， 高美娟. 人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M]. 北京：北京理工大學(xué)出版社， 2006.
　　[3]羅四維. 大規(guī)模人工神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)[M]. 北京：清華大學(xué)出版社； 北方交通大學(xué)出版社， 2004.
　　[4]沈世鎰. 神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論及其應(yīng)用[M]. 北京：科學(xué)出版社， 1998.
　　[5]金忠， 胡鐘山， 楊靜宇. 基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法[J]. 計(jì)算機(jī)研究與發(fā)展， 1999，（3）.

相關(guān)熱詞搜索：神經(jīng)網(wǎng)絡(luò) 發(fā)展 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用ppt 人工神經(jīng)網(wǎng)絡(luò)之感知機(jī)