人们对人工神经网络(也称神经网络)的研究可追溯到 40 年前。初期人们致力于建立较
为详细的、仿生的( 模仿人的神经元) 神经网络的数学模型。50 年代至 60 年代有人便试图
建立结构上类于人脑的计算机。但由于当时集成电路、计算机及人工智能等方面技术的限制
使得这种尝试未获成功, ’而且使这方面的工作几乎停顿了近 20 年. 直到 80 年代, 超大规
格集成电路、人工智能、计算机技术及拓扑学算法的发展使得人工神经网络重新兴起并很快
地蓬勃发展成了当今世界的一大热门课题. 尤其是人们希望人工神经网络能在语音和图象
识别方面达到完成人类的功能。使得人工神经网络在这方面有了不少应用成果。
1 98 7 年 6 月在美国圣地亚哥召开的第一届国际神经网络年会重新揭开了人类向神经网络
大规模进军的战幕, 据有关人士预料, 今后新一代计算机将是以神经网络为基础的, 具有高
度并行处理能力, 具有自适应能力的新一代的计算机。从当前研究的热点看主要有下列几个
方面: 一是各种神经网络模型的研究, 包括生物物理模型, 数学模型等。二是在数字机上进
行模拟以探讨各类模型的特点、性能等。三是各种训练、学习规则的研究。四是神经网络在
工作中的自适应能力的研究。五是硬件实现。国际上在这几方面的研究都尚属初级阶段, 尚
有一些硬件实现和初步的应用成果。国内的研究则刚起步不久。本文介绍人工神经网络模型
的一般结构及算法, 同时在和传统分类器( o as if er ) 比较的基础上介绍用于模式识别的
人工神经网络分类器的结构和工作过程
[i]
。
人工神经网络的概念：
人工神经网络（Artificial Neural Networks, ANN），一种模仿动物神经网络行为特征，
进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大
量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应
的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规
律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训
练”。
由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成
果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。
人工神经网络研究的发展：
1943 年，提出形式神经元的数学模型，人工神经网络研究的开端。
1949 年，提出神经元的学习准则，为神经网络的学习算法奠定了基础。
50 年代，研究类似于神经网络的分布系统。
50 年代末提出感知模型，把神经网络的实现付诸工程实践。
