神經網路的應用

在研究ANN被廣泛使用的領域之前，我們需要了解為什麼ANN會成為首選的應用選擇。

為什麼選擇人工神經網路？

我們需要透過人類的例子來理解上述問題的答案。在孩提時代，我們依靠長輩（包括父母或老師）的幫助學習事物。然後，透過自學或實踐，我們終身不斷學習。科學家和研究人員也正在使機器變得像人類一樣智慧，而ANN由於以下原因在其中發揮著非常重要的作用：

• 藉助神經網路，我們可以找到那些演算法方法成本過高或不存在的問題的解決方案。

• 神經網路可以透過示例學習，因此我們無需對其進行大量程式設計。

• 與傳統速度相比，神經網路具有更高的準確性和顯著更快的速度。

應用領域

以下是ANN正在使用的一些領域。這表明ANN在發展和應用中具有跨學科的方法。

語音識別

語音在人與人之間的互動中佔據著突出地位。因此，人們自然希望計算機具有語音介面。在當今時代，為了與機器進行通訊，人類仍然需要複雜的語言，這些語言難以學習和使用。為了緩解這種溝通障礙，一個簡單的解決方案可能是用機器能夠理解的口語進行溝通。

該領域已經取得了長足的進步，但是，此類系統仍然面臨著詞彙量或語法有限的問題，以及在不同條件下為不同說話者重新訓練系統的問題。ANN在這一領域發揮著重要作用。以下ANN已被用於語音識別：

• 多層網路

• 具有迴圈連線的多層網路

• Kohonen自組織特徵對映

最適合此應用的網路是Kohonen自組織特徵對映，其輸入是語音波形的短片段。它將對映相同型別的音素作為輸出陣列，稱為特徵提取技術。在提取特徵後，藉助一些聲學模型作為後端處理，它將識別語音。

字元識別

這是一個有趣的問題，屬於模式識別的一般領域。許多神經網路被開發用於自動識別手寫字元，無論是字母還是數字。以下是一些已被用於字元識別的ANN：

• 多層神經網路，如反向傳播神經網路。
• Neocognitron

儘管反向傳播神經網路具有多個隱藏層，但從一層到下一層的連線模式是區域性的。類似地，Neocognitron也具有多個隱藏層，並且其訓練是針對此類應用逐層進行的。

簽名驗證應用

簽名是在法律交易中授權和認證個人的最有用方法之一。簽名驗證技術是一種非視覺技術。

對於此應用，首先要提取代表簽名的特徵或幾何特徵集。使用這些特徵集，我們必須使用高效的神經網路演算法訓練神經網路。在驗證階段，這個訓練好的神經網路將對簽名進行分類，判斷其是真實的還是偽造的。

人臉識別

它是識別給定人臉的生物識別方法之一。由於“非人臉”影像的特徵，這是一項典型的任務。但是，如果神經網路經過良好訓練，則可以將其分為兩類：包含人臉的影像和不包含人臉的影像。

首先，必須對所有輸入影像進行預處理。然後，必須降低該影像的維度。最後，必須使用神經網路訓練演算法對其進行分類。以下神經網路用於使用預處理影像進行訓練：

• 使用反向傳播演算法訓練的全連線多層前饋神經網路。

• 對於降維，使用主成分分析（PCA）。