更改
无编辑摘要
该词条由 Cynthia 翻译编辑，由【审校者】审校，【总审校者】总审校，翻译自Wikipedia词条[https://en.wikipedia.org/wiki/Artificial_neural_network Artificial neural networks]
该词条由 Cynthia 翻译编辑，由【审校者】审校，【总审校者】总审校，翻译自Wikipedia词条[https://en.wikipedia.org/wiki/Artificial_neural_network Artificial neural networks]
[[File:Colored_neural_network.svg.png|thumb|300px|人工神经网络是一组互相连接的节点，与[https://en.wikipedia.org/wiki/Brain 大脑]中的大量[https://en.wikipedia.org/wiki/Neuron 神经元]类似。这里，每个圆形节点代表一个[https://en.wikipedia.org/wiki/Artificial_neuron 人工神经元] ，一个箭头表示从一个人工神经元的输出连接到另一个的输入。]]
'''人工神经网络'' ('''ANNs''') 或 '''[https://en.wikipedia.org/wiki/Synapse 联结主义] 系统''' 是构成动物[https://en.wikipedia.org/wiki/Brain 大脑]的[https://en.wikipedia.org/wiki/Neural_circuit 生物神经网络]含糊启发的计算系统。这种系统通过考虑例子“学习”执行任务，通常不需要用任何具体的任务规则编程。例如，在[https://en.wikipedia.org/wiki/Computer_vision#Recognition 图像识别]，他们可能通过分析被手动[https://en.wikipedia.org/wiki/Labeled_data 标记]成“有猫”和“无猫”的示例图像来学习识别包含猫的图像并利用结果识别其他图像中的猫。他们不需要任何关于猫的先验知识做这个任务，例如它们有毛，尾巴，胡须和猫科动物的脸。它们自动地从它们处理的学习材料中产生识别特征。
'''人工神经网络'' ('''ANNs''') 或 '''【联结主义】 系统''' 是构成动物【大脑】的【生物神经网络】含糊启发的计算系统。这种系统通过考虑例子“学习”执行任务，通常不需要用任何具体的任务规则编程。例如，在【图像识别】，他们可能通过分析被手动【标记】成“有猫”和“无猫”的示例图像来学习识别包含猫的图像并利用结果识别其他图像中的猫。他们不需要任何关于猫的先验知识做这个任务，例如它们有毛，尾巴，胡须和猫科动物的脸。它们自动地从它们处理的学习材料中产生识别特征。
人工神经网络是基于一些称为[https://en.wikipedia.org/wiki/Artificial_neuron 人工神经元]的相连单元或节点，它们宽松地模拟了一个生物的[https://en.wikipedia.org/wiki/Brain 大脑]中的[https://en.wikipedia.org/wiki/Neuron 神经元]。每个连接好像一个生物的[https://en.wikipedia.org/wiki/Brain 大脑]中的[https://en.wikipedia.org/wiki/Synapse 突触]，它们可以将信号从一个人工神经元传递到另一个。一个接收信号的人工神经元可以处理它然后发信号给它连接到的额外的人工神经元。
在通常的人工神经网络实现中，在人工神经元之间连接的信号是一个实数，每个人工神经元的输出则由它输入之和的某个非线性函数计算。人工神经元之间的连接成为“边”。人工神经元和边通常有一个随学习进行而调整的[https://en.wikipedia.org/wiki/Weighting 权重]。这个权重增加或减少一个连接处的信号强度。人工神经元可能有一个阈值以便信号只有在聚集的信号越过这个阈值时才发出。一般地，人工神经元聚集成层，不同的层可能对它们的输入执行不同种类的转换。信号从第一层（输入层）传递到最后一层（输出层），可能会多次穿过这些层。
在通常的人工神经网络实现中，在人工神经元之间连接的信号是一个实数，每个人工神经元的输出则由它输入之和的某个非线性函数计算。人工神经元之间的连接成为“边”。人工神经元和边通常有一个随学习进行而调整的[https://en.wikipedia.org/wiki/Weighting 权重]。这个权重增加或减少一个连接处的信号强度。人工神经元可能有一个阈值以便信号只有在聚集的信号越过这个阈值时才发出。一般地，人工神经元聚集成层，不同的层可能对它们的输入执行不同种类的转换。信号从第一层（输入层）传递到最后一层（输出层），可能会多次穿过这些层。
人工神经网络有很多类型。最简单的静态类型有一个或多个静态部分，包括一些单元，一些层，单元权重和[https://en.wikipedia.org/wiki/Topology 拓扑学]。动态类型允许这些中的一个或多个在学习过程中变化。后者更复杂，但是可以缩短学习时长并且产生更好的结果。一些类型允许/需要被操作“监督”，而另一些操作独立。一些类型的操作完全在硬件层面，而其他的完全在软件而且在通用计算机上运行。
人工神经网络有很多类型。最简单的静态类型有一个或多个静态部分，包括一些单元，一些层，单元权重和[https://en.wikipedia.org/wiki/Topology 拓扑学]。动态类型允许这些中的一个或多个在学习过程中变化。后者更复杂，但是可以缩短学习时长并且产生更好的结果。一些类型允许/需要被操作“监督”，而另一些操作独立。一些类型的操作完全在硬件层面，而其他的完全在软件而且在通用计算机上运行。
==Gallery==
==图片==
<gallery widths="260">
<gallery widths="260">
File:Single layer ann.svg|A single-layer feedforward artificial neural network. Arrows originating from <math>\scriptstyle x_2</math> are omitted for clarity. There are p inputs to this network and q outputs. In this system, the value of the qth output, <math>\scriptstyle y_q</math> would be calculated as <math>\scriptstyle y_q = K*(\sum(x_i*w_{iq})-b_q) </math>
File:Single layer ann.svg|A single-layer feedforward artificial neural network. Arrows originating from <math>\scriptstyle x_2</math> are omitted for clarity. There are p inputs to this network and q outputs. In this system, the value of the qth output, <math>\scriptstyle y_q</math> would be calculated as <math>\scriptstyle y_q = K*(\sum(x_i*w_{iq})-b_q) </math>
</gallery>
</gallery>
== See also ==
== 相关wiki ==
* [[Hierarchical temporal memory]]
* [[Hierarchical temporal memory]]
* [[20Q]]
* [[20Q]]
}}
}}
==References==
==引用==
{{Reflist|30em}}
{{Reflist|30em}}
==Bibliography==
==参考文献==
{{div col|colwidth=30em}}
{{div col|colwidth=30em}}
* {{Cite journal| author=Bhadeshia H. K. D. H. | year=1999 |title=Neural Networks in Materials Science | journal=ISIJ International | volume=39 |pages=966–979 | doi=10.2355/isijinternational.39.966 | url=http://www.msm.cam.ac.uk/phase-trans/abstracts/neural.review.pdf| issue=10}}
* {{Cite journal| author=Bhadeshia H. K. D. H. | year=1999 |title=Neural Networks in Materials Science | journal=ISIJ International | volume=39 |pages=966–979 | doi=10.2355/isijinternational.39.966 | url=http://www.msm.cam.ac.uk/phase-trans/abstracts/neural.review.pdf| issue=10}}