人工神經網路（ANN）的特性是什麼？

人工神經網路是一種基於生物神經網路功能的系統。它是生物神經系統的模擬。人工神經網路的特點是結構多樣，需要多種演算法，但即便是一個複雜的系統，神經網路也易於理解。

這些網路是主管工具箱中特定訊號處理科學之間的橋樑。這是一個高度交叉學科的領域，但這篇文章將把視角限制在工程學的角度。

輸入/輸出訓練資料對於神經網路技術至關重要，因為它們提供了必要的記錄來“尋找”最佳工作點。神經網路處理單元 (PE) 的非線性特性使系統能夠適應並獲得幾乎任何所需的輸入/輸出對映，即一些人工神經網路是廣泛的對映器。

輸入資料被提供給神經網路，並在輸出端設定相同的期望或目標響應（如果使用這種方法進行訓練，則稱為監督學習）。

誤差是由捕獲的響應和系統輸出之間的差異組成的。此誤差記錄被反饋到系統中，並持續調整系統引數（學習規則）。此過程會重複進行，直到效能達到要求。由此可見，效能在很大程度上依賴於資料。

人工神經網路具有以下特性：

具有至少一個隱藏層的多層神經網路是萬能逼近器。它可以用來逼近某些目標函式。由於ANN具有非常具有表現力的假設空間，因此選擇適合特定問題的網路拓撲結構以防止模型過擬合至關重要。

ANN可以處理冗餘特徵，因為權重在訓練階段是學習得到的。冗餘特徵的權重往往很小。

神經網路容易受到訓練資料中噪聲的影響。一種處理噪聲的方法是使用驗證集來確定模型的泛化誤差。另一種方法是在每次迭代中將權重減少某個因子。

梯度下降法用於學習組裝到某個區域性最小值的ANN的權重。一種擺脫區域性最小值的方法是在權重更新公式中插入一個動量項。

訓練ANN是一個緩慢的過程，特別是當隱藏節點數量很多時。但是，測試例項可以快速地進行。

更新於：2022年2月11日

1K+ 次瀏覽

開啟你的職業生涯

完成課程獲得認證

開始學習
廣告